在人工智能历史上，以神经网络为代表的“联结主义”和以推理系统为代表的“符号主义”已经竞争了多年，彼此地位的消长也经历了几次反转了，这有点像光的“粒子说”与“波动说”的斗争史。时至今日，大部分人都会承认这两个传统各有长处和短处。在这种情形下，把二者结合起来就是个自然的想法了。

　　问题是怎么“结合”。一个常见的办法是把两个基于不同传统的子系统整合在一起，让它们各自完成自己擅长的工作，并彼此协作来完成整个任务。尽管具体做法不同，在这个方向上的探索成果已经不少了。

　　我自己的方案是把这两个传统以一种更密切的方式统一起来。如我在参考资料[2]中所论证的，我认为联结主义的哲学假定更正确，但技术手段太单一；与其相反，符号主义的技术手段更丰富，但哲学假定陈旧呆板。其结果就是我的“纳思”（见）在理论预设和宏观战略上更接近于联结主义传统，如假定知识和资源不足，容忍多种不确定性，通过学习获得领域知识和技能等；而纳思在描述框架和微观战术上更接近于符号主义传统，如用语言表达知识，靠概念组织经验，依逻辑进行推理等。纳思不是把这两个传统“嫁接”在一起，而是把它们“杂交”成了一个全新的“神经（网络式的）逻辑”。

　　像我在中所介绍的，纳思也可以被看成一个网络，但它和人脑的相似性不是在神经元层面上，而是在概念层面上。这个网络的运行方式和现有的人工神经网络根本不同，尽管其中的概念关系也支持多层抽象。那样的话，纳思到底是个逻辑还是个网络呢？都是。对象只有一个，但对它的描述可以使用不同的术语，以捕捉其不同的侧面。这和光的波-粒二相性不乏类似之处。

　　总而言之，我不认为深度神经网络会产生通用智能，或是通向这一目标的有效途径，尽管这种技术有巨大实用价值，并可以为通用智能的研究贡献想法。人工智能的确要“以脑为师”，但若是亦步亦趋，恐怕会落个邯郸学步的下场。像我在中所说的，人工智能和人类智能应该是“神似”（体现在基本原理上）而非“形似”（体现在结构或行为上）。

　　参考资料

　　[1] Yann LeCun, Yoshua Bengio, Geoffrey Hinton. Deep Learning. Nature 521: 436-444, 2015

　　[2] Pei Wang. Artificial general intelligence and classical neural network. Proceedings of the IEEE International Conference on Granular Computing, 130-135, May 2006

　　了解作者信息和他在赛先生上已发表的文章，请点击页面左下角的“阅读原文”访问他的主页。

　　投稿、授权等请联系：[email protected]

　　您可回复"年份+月份"（如201510），获取指定年月文章，或返回主页点击子菜单获取或搜索往期文章。

　　赛先生由百人传媒投资和创办，文小刚、刘克峰、颜宁三位国际著名科学家担任主编，告诉你正在发生的科学。上帝忘了给我们翅膀，于是，科学家带领我们飞翔。

　　微信号：iscientists

　　▲

　　长按图片识别二维码关注我们