人工智能的范式革命與中華文明的偉大復興

【摘要】人類智能是人工智能的最佳原型，而且，在地球文明系統內，“人類”本身就是迄今所知曉的最為優秀的“通用智能系統”。通過對人類智能的若干基本概念和工作機制的探究，能夠闡明“通用智能”的基本定義、基本模型以及通用智能的生成機制。對照人工智能的現狀，可以發現新興學科的發展必然要經歷“范式的革命”。通用人工智能理論就是人工智能范式革命的結果。中華文明思想精髓與信息學科范式之間是實質相通的關系，中華文明思想精髓與現代信息學科范式具有同質性。

【關鍵詞】通用人工智能? 生成機制? 范式革命? 中華文明

【中圖分類號】TP18? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻標識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2023.14.003

引言

科學技術的崇高使命是輔助人類逐漸從自然力的束縛下獲得解放，以充分實現人類創造力的價值（“輔人律”）；完成這一使命的途徑是，利用外部的資源，制造有效的工具，模擬和擴展人類的能力（“擬人律”）；實現這一使命的方式是，按照“輔人律”的宗旨實現人機和諧共生（“共生律”）（鐘義信，1986；2013）。

科學技術擬人的進程必須從簡單到復雜，從直觀到抽象（鐘義信，1986；2013）。因此，在古代，主要是通過材料科學技術提供優質材料技術產品，擴展人類的體質能力；在近代，主要是通過能量科學技術提供高效能量技術產品，擴展人類的體力能力；進入20世紀中葉，主要是通過信息科學技術提供新穎的信息技術產品，擴展人類的基礎信息能力；到了21世紀初葉，主要是通過靈巧的智能技術產品，擴展人類的智能能力。這就是為什么人工智能科學技術會在本世紀成為人類社會特別關注的科學技術的重要原因。

科學技術的“擬人律”闡明，人工智能的原型是人類智能，人工智能是在研究和理解人類智能的基礎上發展起來的。深入分析人類智能的生成機理和工作過程可以發現，人類智能本身是一種“通用智能”。事實上，無論人們日后會發展成為什么領域的專家，他們成為不同領域專家的“能力成長方式（智能生成機制）”本質上是相同的。這就是說，同樣的“人類智能生成機制”可以成長出不同領域的專家。換言之，各種人類專家的“智能生成機制”是通用的。他們之所以成為了不同領域的專家，那只是因為他們選擇了不同工作領域，學習和積累了不同領域的知識，鍛煉了解決不同領域問題的能力。因此，為了探索“通用人工智能”的理論，需要從理解作為通用人工智能原型的“人類智能”開始。

人類智能——通用人工智能的原型理論

人類擁有三類相輔相成的基本能力（鐘義信，2021b）：體質的能力，體力的能力，以及智力的能力。其中，有關人類智力的概念，可以具體解釋如下。

定義1：人類智力，人類智慧，人類智能。人類智力，是“人類為了實現生存與發展的目的而不斷地運用人類的先驗知識去認識世界和改造世界，并在改造客觀世界的過程中不斷地改造自己的主觀世界”的能力；“人類智慧”，是認識世界的能力，是“為了實現生存發展的目的而去觀察世界、發現問題、提出問題、定義問題、預設解決問題的目標、關聯知識”的能力的特稱；“人類智能”是指改造世界的能力，即“根據人類智慧給定的問題、目標、知識（稱為工作框架）去解決問題達到目標”的能力的特稱。可見，人類智力是人類智慧與人類智能的總稱，三者的關系如圖1所示。

人類智力的運作有著十分明確的層次關系：首先，人類智慧直接根據人類生存發展的目的而制定工作框架（定義問題、預設目標、關聯知識）；然后，人類智能則根據人類智慧所給定的工作框架去解決問題，實現人類智慧所預設的問題求解目標。當然，人類智能解決問題的成果又會反饋給人類智慧，使人類智慧能夠在新的基礎上去觀察世界、發現新問題、定義新問題、預設新目標和關聯新知識。人類智慧和人類智能之間這種相互聯系、相互作用和相互促進的結果，使人類認識世界、改造世界以及在改造客觀世界的過程中改造人類主觀世界的能力不斷成長進步，使人類社會不斷向著新的水平邁進。

如果在圖1的模型中把人類智能的地位和作用突出表現出來，就可以得出圖2的結果。可以看出，圖2和圖1是完全一致的，只不過圖2把人類智能的代理——人工智能也表示了出來，并將人類智慧隱藏起來。這樣做的目的，是為了更好地表示人工智能的地位和作用。

綜合定義1、圖1和圖2的模型，可以獲得一個非常重要的判斷：人類智慧不可能由機器實現，因為機器不可能具有人類的生命，當然就不可能具有人類生存發展的目的，因此不可能代替人類去定義工作框架。人類智能則可以由機器實現，因為具體的工作框架（問題-目標-知識）可以由人類賦予機器，后者就可以在工作框架內去解決問題。

由此可以得到非常重要的結論：人工智能機器可以、而且必須超越人類智能的性能，這是研究人工智能的根本目的，也是人工智能機器的價值所在。但是，任何人工智能機器都不可能實現人類智慧的能力，因此不可能全面超越人類的智力，不存在“人工智能機器統治人類”的前景。所謂“人工智能機器全面超越、征服和統治人類”只是人們對于“人類智慧”、“人類智能”和“人工智能”等科學概念的誤解而引起的“曠世虛驚”。

圖1和圖2的宏觀模型看上去雖然十分簡單，但它們卻極為深刻地揭示了人類智力、人類智慧、人類智能、人工智能的本質特征以及它們之間的聯系。不僅如此，憑借這些宏觀模型還可以深刻地揭示人類智能的“生成機制”。

從圖2的模型可以非常清晰地看出，“智能的生成過程”只與以下因素有關：（1）輸入的客體信息，它反映了環境客體對主體的作用；（2）輸出的智能行為，它反映了主體對環境客體的反作用；（3）工作框架給定的“問題、目標、知識”，它是智能生成過程的約束條件。

圖2的模型也表明，人類智能的生成過程必定是“在工作框架（問題、目標、知識）約束下，主體對客體信息實施復雜轉換（顯然應當稱為復雜信息轉換）并最終生成智能行為”。這是“智能生成”的“天規”，也是必然要遵循的普遍規律。

為了使這個“智能生成”普遍規律具體化，就要深入分析其中的“復雜信息轉換”究竟是什么？因為，其他兩方面的要素都是十分明確的：一方面，輸入的“客體信息”是由問題確定的；另一方面，輸出的“智能行為”是由“客體信息”和“約束條件”兩者限定的。所以，唯一需要深入追究的問題就是：輸入的客體信息究竟要經過什么樣的“復雜信息轉換”才能生成輸出的智能行為？

既然這里希望討論的是生成“人類智能”的普遍規律，那么，以下這些前后相繼的復雜信息轉換過程應當是不可或缺而且是合乎人類思維邏輯的：

轉換1：應該把關于問題的客體信息轉換為人類主體關于問題的初步理解，使主體能夠：

——認識問題的外部形態；

——確定是否應當關注這個問題（如果這個問題有利于或有害于主體目標的達成，主體就必須認真關注，以便趨利避害；如果問題對主體目標的達成沒有關系，主體就可以不予理睬）。

轉換2：應把主體的初步理解轉換為深刻理解，使主體掌握求解問題所需的知識；

轉換3：應把主體對問題的深入理解轉換為主體求解問題的策略，從而實現求解；

轉換4：應把求解問題的策略轉換為求解問題的行為，完成主體對客體的反作用。

能夠把客體信息轉換成為智能行為的“復雜信息轉換過程”稱為“智能的生成機制”。可以確信，這個智能生成機制對于所有的求解問題都是普遍適用的，因而可以稱為“人類智能的普適性生成機制”，它的模型見圖3。

這個普適性智能生成機制（復雜信息轉換）更為準確的名稱，應當是“信息轉換與智能創生定律”，因為，這個“復雜信息轉換”的起始階段是“信息轉換”，最終結果則是“創生智能”；而它的“普適性”特征正是“定律”的特有品格。

至此，我們可以給出人類智能的幾個重要概念。

定義2：人類智能的生成，人類智能的普適性生成機制，通用智能系統。人類智能的生成：在人類主體目標駕馭下，在環境客體的約束下，人類主體對于主體客體相互作用所產生的信息施加復雜信息轉換，生成解決問題達到目標的智能策略的過程。人類智能的普適性生成機制：對于任何合理的工作框架，都能夠生成相應智能策略的“復雜信息轉換過程”（即信息轉換與智能創生定律）。通用智能系統即基于普適性智能生成機制“信息轉換與智能創生定律”生成智能的系統。

多少年來，學術界一直堅稱：人類智能是人類大腦的產物；或者說，大腦是智能的寓所。因此，在人工智能的研究領域，“類腦”是最受遵崇和信賴的研究路徑。例如，人工神經網絡的研究雖然沒有貼上明顯的“類腦”標簽，但實質上卻是“結構類腦”的研究途徑。類似地，物理符號系統／專家系統的研究本質上是“功能類腦”的研究途徑。

然而，圖1、圖2、圖3的模型和定義2的論述卻與此截然不同，它們都清晰地表明：人類智能是“人類主體駕馭與環境客體約束下，人類主體按照普適性智能生成機制對主體客體相互作用所產生的信息施行處理”的產物。

那么，這兩種頗不相同的認識，究竟誰是誰非？顯然，把人類智能僅僅看作是人類大腦的產物，帶有明顯的“孤立性，絕對性”的形而上學特征；而把大腦看作是在主體的駕馭和環境的約束下，主體對主體客體相互作用的信息進行復雜信息處理的產物，則符合辯證法的精神。試想，如果沒有主體的目標追求（求生存、謀發展），也沒有環境客體對主體施加的信息刺激，孤立的大腦就沒有產生智能的欲望；另一方面，如果沒有主體與客體的相互作用，孤立大腦所產生的“智能”又怎么能夠得到檢驗？可見，把智能僅僅看作是“大腦的產物”確實比較片面，有失公允。

定義2闡明的人類智能的普適性生成機制——信息轉換與智能創生定律，不僅對智能科學和人工智能技術具有重要的意義，揭開了“智能是如何生成的”這個千古之謎；而且對于整個自然科學技術的發展也具有深遠的意義，因為信息領域的“信息轉換與智能創生定律”與物質領域的“質量轉換與物質不滅定律”以及能量領域的“能量轉換與能量守恒定律”，共同構成了自然科學領域完備的三大基礎定律。進而言之，“物質不滅”和“能量守恒”告誡人們必須嚴格遵守這兩個基本界限，“智能創生”則啟迪人類應當如何生成智能，從而科學合理地解決人類面臨的各種問題。比較起來，“智能創生”顯示出更為積極的意義。

定義2還闡明了“通用智能系統”的科學含義：它是用“信息轉換與智能創生定律”這個普適性智能生成機制來生成各種智能的系統，是“以不變（普適性智能生成機制）應萬變（千變萬化的應用）”的智能系統。通用智能系統是“智能生成機制”的通用，而非把世間一切信息、一切知識、一切方法都收入囊中，成為無所不能、包打天下的“巨無霸”系統。顯然，“巨無霸”系統是不現實的。現有的通用型人工智能的教訓之一就是不應試圖成為某種“巨無霸”。

人工智能的現狀：局部有精彩，整體很無奈

對照“人類智能”的概念和規律，可以更好地認識人工智能研究的現狀，也可以更好地找到解決這些問題、實現突破和創新的辦法。

迄今，人工智能存在三種不同的研究路徑：1943年發端的模擬人類大腦皮層生物神經網絡結構的人工神經網絡研究（稱為結構主義研究路徑）（McCulloch and Pitts， 2021; Rosenblatt， 1958; Hopfield， 1982; Rumelhart and McClelland， 1986），1956年興起的模擬人類邏輯思維功能的物理符號系統／專家系統研究（稱為功能主義研究路徑）（Newell， 1980; Turing， 1963; Newell and Simon， 1963; Nilsson， 1982），1990年加盟的模擬智能生物行為的感知動作系統研究（稱為行為主義研究路徑）（Brooks， 1991; 1990），形成了人工智能研究的三個學術信仰各異故一直分道揚鑣的學派。

到目前為止，三大學派各自都取得了不少精彩的局部進展。其中，結構主義的人工神經網絡研究取得的典型成果，包括：比人類識別得更為精準的模式識別（人臉識別、語音識別、圖像識別等）系統，具有很強學習能力的各種深層神經網絡學習系統Deep Learning，自然語言處理的GPT系列等。功能主義的專家系統研究取得的典型成果，包括：戰勝國際象棋世界冠軍卡斯帕羅夫的Deep Blue系統，擊敗兩位全美問題搶答冠軍的Watson系統，擊敗李世石和柯潔等61位國際圍棋頂尖高手的基于深度學習的AlphaGo系統等。行為主義的感知動作系統研究取得的典型成果，包括：自然語言人機對話的機器人Sophia，能在復雜環境中奔跑行進和跳躍翻滾的波斯頓Dynamic機器人系列，能夠主持文娛晚會、在醫院陪護照料病人的服務機器人等。

這些精彩的人工智能進展，加上一些人工智能科幻小說和科幻電影的渲染，使人們對人工智能取得的進展大為訝異，甚至感到驚駭和恐懼，認為人工智能機器的能力實在太厲害了，似乎很快就要達到超越人類能力的“奇點”并開始淘汰人類了。然而從全局的情況看，人工智能的研究其實面臨著十分嚴峻的挑戰和非常深刻的危機。具體的表現如下。

第一，由于人工智能三大學派“各自為戰”互不相容，因此，它們的所有進展都是個案性、局部性和碎片性的應用，難以移植，缺乏通用性，就連一些人們甚感驚嘆的效果表現也只是自然語言（圖形圖像也可以被理解為一種自然語言）處理領域的專用系統，而不是通用系統，更遑論統一的理論了。顯然，這對人工智能的普遍應用和可持續發展十分不利。

第二，由于堅持應用“分而治之”和“純粹形式化”的研究方法，完全閹割了信息、知識和智能的內涵（它們的價值因素和內容因素），使得人工智能系統的智能成為了一種“空心的智能”“純形式的智能”，而非真正意義上的可以被理解的智能。它們的結果不可解釋，因而也不可信賴。正是因為存在這種缺陷，人們戲稱“人工智能不智能”。

第三，更為嚴重的問題是，長期以來，人工智能研究形成了三大學派“各自為戰”的格局，無法形成合力，使人工智能的整體理論研究始終沒有取得明顯的進展，而且這一狀況至今沒能得到解決。雖然在20世紀與21世紀之交出現了一批試圖建立通用人工智能理論的巨著（Nilsson，2006；羅素、諾維格，2006），但都沒有取得預期的成功。事實上，“整體被肢解，內涵被閹割”成為了世界人工智能研究所遭受的最大傷痛。

因此，總的來說，人工智能研究的現狀是：局部有精彩，整體很無奈。

系統學原理表明：有機系統的整體不等于它所有的部分之簡單和，或者說，所有部分的簡單和，不可能構成相應的有機整體。顯然，整體的作用也遠遠大于各個部分作用之和。這就表明，如果繼續沿著三大學派“各自為戰”的研究路徑走下去，那么，無論它們將來各自取得怎樣豐富多彩的個案性、局部性、淺層性應用成果，都不可能指望通過這些成果的“簡單和”就使“局部精彩”轉化為“整體精彩”，換言之，不可能指望通過這些成果的“簡單和”實現人工智能基礎理論的重大突破。

至此，不能不對ChatGPT和GPT-4的表現略加評述。許多人都對GPT系列作出了非常正面的評價，認為沿著這個方向發展下去，具有自主意識而且全面超越人類能力的通用人工智能出現就指日可待。更有甚者，有些人開始宣稱：GPT系列已經通過了圖靈測試，人類要接受這些“有意識”“有生命”的強大的“新物種”，要學會與它們共處。

這是莫大的誤解。如上所說，無論是GPT系列，還是其他人工智能系統，它們所利用的信息全都是形式化的“空心信息”。直覺告訴我們，沒有價值沒有內容的純形式化的信息是無法理解的（除非這些信息是已知的舊信息）。然而，人工智能系統又不能不去理解它們，于是只能采取“統計方法”。他們設想，只要擁有足夠大（統計方法要求必須滿足樣本的遍歷性）的同類樣本，利用超高速的計算機就可以在這個超大樣本庫里搜索到與當前面對的“問話樣本（關鍵詞組）”最相關（統計相關性最大）的樣本作為“答案”。因此，GPT系列必須擁有超大規模的預訓練樣本庫，必須擁有超高速的計算系統，才能及時找到與“問話（關鍵詞組）”統計相關性最大的“答案”，才能使問話者感到系統的回答是足夠合理的，系統是有智能的。

問題就在這里發生了：就算GPT系統找到了與“問話（關鍵詞組）”統計相關性最大的“答案”，絲毫也不表示系統就“理解了答案”，因為它只是按照統計相關性的大小來挑選“答案”，并不真正理解這個答案是什么意思。這在某種程度上就像人們訓練鸚鵡說話的情形。主人訓練鸚鵡：當有客人進來的時候就高喊“歡迎光臨”。這種預訓練是可以成功的：當鸚鵡看到客人（在形態上與家人不同的人）進來的時候，它就會高聲喊出：“歡迎光臨！”但這并不能說鸚鵡理解它喊出的是什么意思。

所以，GPT系統能夠與人們交談，而且有問必答，對答如流，但其實它并不知道其中含義。即GPT系統只具有統計相關性的計算能力，而沒有對概念的理解能力，當然也就沒有解釋能力，因此，它不可信賴。

有人爭辯說：GPT系統通過了圖靈測試，難道還不能證明它有智能嗎？是的，通過了圖靈測試也不見得真有智能。其實，圖靈測試本身存在許多問題。只看表面的效果，不問過程的實質，是圖靈測試的最大問題之一。因此，除了在游戲類領域之外，在那些需要對結果“較真兒”的大部分實際領域，圖靈測試方法不可應用。

由于現有人工智能的研究堅持了“純形式化”的方法，閹割了信息、知識、智能的內涵，因此走上了“通過統計方法來實現認知”的道路。然而，“統計方法”本身卻不是一個高明的認知方法，不是一種高等的認知途徑，因為這種認知方法和道路不可能達到“理解”的目的。而“理解”則是“智能”的必要前提。

實際上，人類實現認知的方式主要有三大類型，依次是：（1）嬰幼兒時期的“強記認知”方式；（2）青少年時期的“從眾認知”方式；（3）成年人時期的“理解認知”方式。它們代表了人類認知方式的進步與成長歷程。

具體來說，“強記認知”也稱為“盲從認知”，這是嬰幼兒時期的認知方式，也是人類的最初級認知方式。嬰幼兒的活動范圍局限于家庭，父母長者天然地成為嬰幼兒認知的絕對權威。因此，父母長者說什么，他們就記住什么，基本上是死記硬背，幾乎沒有理解的成分。強記是一種最初級的認知方式，但是，對一張白紙般的嬰幼兒來說卻是一種不可或缺的認知方式。計算機的灌輸，就是“強記認知”的技術版。

“從眾認知”是青少年時期的認知方式，相較于“強記認知”進了一步。青少年的活動范圍突破了家庭限制，走進了社會和學校，“公眾（包括媒體、書本、教師等社會知識傳播主體）”成為了青少年認知的權威。因此，它的準則是“多者為真”：只要是多數人認可的，即使自己不理解也會被認可、被接受。統計技術，就是“從眾認知”方式的學術版。統計，對于處理隨機事件來說是一個科學的方法；可是作為一種認知方式卻只算是一種“二流”的方式。

顯然，最高級的認知方式是理解認知：無論什么問題，只有自己理解了，才會被接受，才會被認可。在這里，所謂“理解”了某個事物，就是既懂得了這個事物的外部“形態”，尤其懂得了這個事物對于自己所追求的“目標”而言究竟是有利還是有害、利害幾何，因而懂得這個事物的內涵。所以，在理解的基礎上去做決策，決策會更明智合理、有智能水平。這是成年人特別是接受了高等教育的成年人的自主認知方式。

由此可見，現有人工智能理論和系統的認知方式只是基于形式信息和形式知識的“從眾認知”，也就是統計認知，它們“認可”的結論“很可能是對的（但也可能是錯的）”，但卻沒有“理解”的保障：統計的結果“最好”，不等于現實的“最好”。這就是為什么人們總在不斷追究和質疑現有人工智能的“理解能力”、“可解釋性”和“可信賴性”的原因。

對照前文分析的“人類智能”的基本概念和基本原理可以看到，當今“局部有精彩，整體很無奈”的人工智能研究現狀與“人類智能”的原型榜樣之間確實存在巨大的差異。于是，人們便不能不嚴肅地思考：為什么人工智能的研究存在這么嚴重的問題？這些問題的根源是什么？人工智能基礎理論的重大突破與創新，究竟路在何方？

人工智能現狀的根源：學科范式“張冠李戴”

作為學科的源頭而且影響學科全局的學科研究范式（科學觀和方法論）在人工智能的研究中發生了偏差。在《科學革命的結構》一書中，庫恩把“范式”主要理解為世界觀和行為方式（庫恩，1980）。在科學研究領域，世界觀就是科學觀，行為方式就是科學研究的方法論。科學觀在宏觀上闡明“這個學科的本質是什么”；方法論在宏觀上闡明“應當怎樣研究這個學科”。于是，作為科學觀和方法論有機整體的范式，就在宏觀上規范了這個學科應當遵循的研究方式。

盡管庫恩也曾經把“范式”解釋為模式、模型、典范、范例、案例等，同時，“范式”這一詞語也常常被用來表達更為具體的“工作方式”，如實驗的范式、計算的范式、編程的范式等，但是更為嚴謹的理解告訴我們，學科“范式”更為準確的理解應當是“學科的科學觀和方法論的統稱”。這是因為，具體的模式、模型、典范、范例、案例，具體的編程范式、計算范式、實驗范式等，只能描述和表征一些具體的局部的工作程式，它們都不足以成為“學科是否要革命”的最高判據，只有學科的科學觀和方法論才具備這種表征能力。

事實上，科學研究的活動存在井然有序的層次體系，從低到高依次是：（1）研究的具體問題、與問題相關的數據、研究問題所需要的目的要求等屬于“研究的原始資源層次”；（2）開展研究活動所需要的編程語言、算法工具、算力工具、測量工具、記錄工具等屬于“研究的工具層次”；（3）支持研究活動的學科理論、分析方法、研究模型等屬于“研究的理論層次”；（4）在全局上和整體上引領和規范研究活動的科學觀和方法論屬于“研究的指導思想層次”。

可見，一個學科的科學觀和方法論是指導、引領和規范這個學科的整體研究活動的最高力量，是“看不見”然而又時時刻刻、實實在在發揮著指導作用的“指揮棒”。因此，只有科學觀和方法論才能成為“學科是否要發生革命”的關鍵判據。

這樣，就可以用一個表達式來定義學科的范式：

P=Int（V，M）

其中，P代表學科的范式，V代表與學科性質相符的科學觀，M代表學科應當遵循的方法論，Int代表科學觀與方法論的整體作用。

為了追根尋源查明造成人工智能現狀的根本原因，最重要的是要站在學科研究的制高點——“范式”的高度上深入考察學科發展的情況，以便從中找到問題的根源，并從根源上解決問題。這是一切原創性科學研究所不能回避的原則。

表1用直觀清晰的列表方式，描述了學科的“范式”在學科的科學研究活動（包括學科的自下而上摸索和自上而下建構）體系中所處的地位和作用。

表1說明，學科的發展一般都要經歷前后相繼的兩個基本階段，即首先是自下而上摸索范式的初級階段，接著是自上而下貫徹范式有序建構的高級階段。這兩個階段是辯證統一的，既不可或缺，也不可顛倒。

初級階段的任務是要摸索：（1）這個學科的本質是什么；（2）應當怎樣來研究和發展這個學科。顯然，前者就是關于這個學科的科學觀，后者就是研究這個學科所需要遵循的方法論。如上所述，科學觀和方法論的統稱就是范式。可見，初級階段的任務就是要明確學科的范式，也就是明確學科的定義。而一旦明確了學科的定義，就具備了必要的條件可以轉入學科研究與發展的高級階段，即學科的有序建構階段。

需要特別指出的是，自下而上的摸索階段是最為困難的工作階段，需要經過特別漫長的試探、摸索、失敗、停頓、反思、再摸索、局部成功、局部的檢驗、盲人摸象式的爭論、逐步總結等痛苦的過程，因此往往經歷很長（大約是世紀級）的時間。

高級階段的任務是要自上而下地完成：（1）根據自下而上摸索總結出來的范式（學科的定義）來落實學科的定位（建立學科框架，包括構筑學科全局模型和確立學科研究路徑）；（2）基于學科的定義和定位確立學科的精確定格（闡明學科的規格，包括學科內涵結構的規格和學科數理基礎的規格）；（3）根據學科的定義、定位和定格，實現學科內容的完整定論（形成學科的理論，包括學科的基本概念和基本原理），完成學科理論的整體建構。

可見，學科的建構就是要由宏觀的定義（范式），到整體的定位（框架），再到精準的定格（規格），最后到內容的定論（理論），一步一步地走向具體、走向落實。于是，作為學科宏觀定義的范式，是整個學科研究與發展的源頭和根本，影響著整個學科建構的全程。

由此可以作出明確的判斷：造成人工智能理論現狀的根本原因，必定是作為學科的源頭而且影響學科全局的學科研究范式（科學觀和方法論）發生了偏差，而不會僅僅是某些中低層次（如資源層次、工具層次、理論層次）的缺陷。總之，“整體很無奈”的根源必定在范式，這就是結論。

人工智能研究所實際遵循的范式，并不是信息學科的范式，而是傳統物質學科的范式。人工智能是開放、復雜、高級的信息系統，是信息科學的高級篇章。表2所列出的信息技術演進歷史有力地證實了這個判斷。

信息學科的定義也支持了這個判斷。這個定義指出：信息學科的研究對象是信息及其生態過程，研究內容是信息的性質及其信息生態規律，研究方法是信息生態方法論，研究目標是擴展“作為人類全部信息功能有機整體”的智能功能。

可見，擴展信息獲取、信息傳遞、信息處理、信息執行等信息功能以及這些信息的復合功能只是信息科學的初等研究目標；擴展人類的智能功能才是信息科學的長遠研究目標。

按照學科范式的定義，具有不同研究對象的各個學科大類，都應當擁有自己的科學觀和方法論，遵循自己的研究范式。既然人工智能是信息學科的高級篇章，人工智能學科的研究與發展就應當遵循信息學科的范式。

然而一個令人驚訝的發現卻是（鐘義信，2021a）：數十年來，人工智能研究所實際遵循的范式，并不是信息學科的范式，而是傳統物質學科的范式（見表3）。

表3說明，現行人工智能的研究范式犯了“張冠李戴”的大忌：它實際所遵循的科學觀基本是“物質學科范式的科學觀”，而它所遵循的方法論是完全的“物質學科范式的機械還原方法論”。

具體來說，在科學觀方面，人工智能把自己的研究對象理解為“沒有主觀色彩、客觀中立”的人工腦物質，把研究的關注點定為腦物質的結構與功能，并且接受了物質可分的觀念。在科學方法論方面，人工智能遵循了純粹形式化的方法論，閹割了信息、知識、智能的內容和價值因素，挖空了它們的內涵；同時遵循了分而治之的方法論，把人工智能研究的整體肢解為結構主義、功能主義和行為主義分道揚鑣的三大分支。

對照表1的學科發展與建構的普遍規律可以理解，既然在學科源頭上的學科范式（學科定義）已經張冠李戴，那么，在這個范式引領下的學科框架（學科定位）、學科規格（學科定規）和學科理論（學科定論）豈有不偏離正軌的道理？

人工智能學科發生范式張冠李戴的問題不是偶然的現象，而是不可避免的結果。表面上看，人工智能學科發生范式張冠李戴的問題好像不可思議、不可理解因而不可接受，在科學史上也從無先例。深入的分析則可以發現，人工智能范式發生張冠李戴問題，確實是“千年一遇”的大事件，而且注定是無可避免的歷史性遭遇，理由如下。

回顧歷史，自農業文明和工業文明發展的千百年來，科學研究的對象基本上都屬于物質學科范疇（材料科學和能量科學）。在物質學科發展的長期過程中逐漸形成的研究范式（物質學科的研究范式）也一直行之有效，因此根本沒有可能發生范式張冠李戴的問題。

然而，20世紀中葉以來，信息科學技術迅猛崛起，形成了信息學科研究實踐活動的社會存在。一方面，由于受到“存在決定意識，意識滯后于存在”法則的制約（學科的范式屬于意識范疇）；同時也由于信息學科是全新的研究領域，充滿未知；再加上二戰結束以后科學研究中的實用主義傾向越來越盛行，關注和研究學科意識的人員越來越少，使得信息學科范式的研究長期未能取得實質性進展，更談不上在國際學術共同體中形成共識。于是，20世紀中葉至21世紀初葉這半個多世紀以來，社會上存在著兩大類學科的研究活動（社會存在）：物質學科研究的社會存在和信息學科研究的社會存在，卻只有一種成熟的學科意識——物質學科的研究范式；信息學科范式則一直處于摸索狀態，尚未確立。

人所共知，在任何學科的科學研究活動中，研究范式都不可能缺位。在沒有信息學科范式可用的情況下，作為開放、復雜、高級信息系統的人工智能研究便自然而然地沿用了業已存在、業已成熟、而且也業已被人們習慣了的物質學科研究范式。這就是人工智能研究范式的張冠李戴問題無可避免的真實原因。

以上分析表明，人工智能學科發生范式張冠李戴的問題不是偶然的現象，而是科學研究對象由“單純的物質客體”擴展到“既要研究物質客體又要研究人類主體、特別要研究人類主體與物質客體相互作用的信息過程”所使然，而且是整個科學技術體系由物質學科主導向信息學科主導轉變這個歷史大發展和“意識滯后于存在”這個社會法則所帶來的必然結果，是新興學科發展的必然規律，是信息科學和人工智能由初級發展階段進入高級發展階段所不能不跨越的“門檻”，也是人們必須要付出的代價。

人們對學科范式的問題感到很陌生，背后有著不少深層的原因。首先，如上所述，范式張冠李戴的問題是“千年一遇”的問題，是歷史上多少代前輩科學研究工作者從來不曾經歷過的問題。因此，現今的人們不僅沒有“前車”可鑒，甚至聞所未聞。于是，人們對它沒有印象，沒有概念，這是完全不足為怪的事情。不過，人們把沒有聽說過的事情當作不存在或者不會發生的事情，這是對科學研究的深層規律和科學研究的復雜性未加深究和想當然所致。科學研究不能想當然，而必須要深思，要追根尋源，要設想到各種可能性。這也是我們應當吸取的教訓。

其次，作為科學觀和方法論兩者有機整體的學科研究范式，是在科學研究的最高層次引領和支配科學研究活動的“看不見的指揮棒”。既然看不見，所以容易被人們忽視，因而覺得很陌生。這也是人們對于科學研究往往淺嘗輒止、浮躁、不求甚解、滿足于表面和局部效益的結果。實際上，看不見不等于不存在，很生疏不等于不重要。中國古訓和辯證法都認為：有生于無，有受制于無。因此，無比有更具決定意義。這里的“無”并不是真的不存在，只是看不見而已。

加之，在科學研究的管理規則中，范式（科學觀和方法論）被劃分到了社會科學的哲學領域，這就使自然科學研究者只能囿于自然科學領域之內來研究問題，不敢擅越雷池去關注屬于社會科學領域的范式問題。殊不知，許許多多自然科學研究的問題，它們的種種表現發生在自然科學領域，而它們的根源卻往往在社會科學領域。而且，越是深刻的自然科學問題，它們的根源就往往越是深潛于社會科學領域。哲學，不僅僅是社會科學要關注的領域，也是自然科學不能不關注的領域。如果人們把自然科學研究的問題統統嚴格限制在自然科學領域進行研究，那就只能知其表不知其里，永遠得不到深刻的認識，永遠得不到本質性的發現。人們把科學研究劃分成許多大大小小的學科，本意只是為了便于管理，如果硬生生地把學科的整體肢解為相互脫節相互孤立的條條塊塊，并且把它變成了禁錮人們思維和束縛人們手腳的戒律，那科學活動將會陷入僵化境地。

以上所述的這些問題，或許是人工智能范式張冠李戴這樣嚴重的問題長期以來未被人們察覺、更沒有得到及時解決的部分原因。這些問題都是科學研究領域發人深省和亟需改革的重要內容。

人工智能范式革命的必然結果：通用的人工智能基礎理論

事實表明，現今的人工智能研究仍然處在三大學派各自摸索和互相競爭的階段，而且至今還沒有摸索出人工智能學科的正確范式。那么，在人工智能研究的源頭上實施范式的革命——顛覆傳統物質學科研究范式對人工智能研究活動的誤導，確立現代信息學科研究范式對人工智能研究的引領——就成為人工智能研究的正道滄桑和當務之急。

至于物質學科的研究范式本身，它是人類在物質學科領域長期研究積累起來的寶貴思想財富，在物質學科研究的歷史上發揮了偉大的作用，功不可沒；而且在今后的物質學科研究與發展過程中也將繼續發揮巨大的引領作用。

基于以上的思考，筆者和團隊根據表1所總結的規律，在人工智能研究范式上發力，借鑒“人類智能”的基本概念和結果，總結了信息學科的研究范式，包含科學觀和方法論兩大方面。

信息學科范式的科學觀。（1）認為人工智能的學術本質是在主體駕馭和環境約束（也就是人類主體給定的工作框架，包括給定的問題、預設的目標、關聯的知識）的條件下，主體對主體客體相互作用所產生的信息施加信息轉換處理的過程，而不僅僅是孤立腦的功能；（2）確認人工智能研究的關注點是在主客相互作用過程中保證主客雙贏，而不是僅僅了解孤立腦的結構；（3）確認主客相互作用過程充滿不確定性，而不是單純的確定性演化。簡言之，信息學科范式的科學觀就是“辯證唯物的科學觀”，即“整體觀（即包含主體、客體及其相互作用）的科學觀”，而不再是機械唯物的科學觀。

信息學科范式的方法論。（1）堅持用形式、內容、價值三位一體的全信息方法來研究人工智能的信息轉換，而不能用單純形式化（閹割內涵）的方法；（2）堅持理解式的決策方法，而不能用形式比對的決策方法；（3）堅持信息生態演化的全局處理方法，而不能用分而治之（肢解整體）的全局處理方法。質言之，信息學科范式的方法論就是“信息生態方法論”，即“辯證論的方法論”，而不再是機械還原的方法論。

確立了自下而上總結出來的信息學科范式之后，就可以根據表1給出的工作流程，自上而下且一環套一環地貫徹信息學科范式，建構人工智能的系統化理論。以下將對“貫徹信息學科范式，創建通用人工智能理論”的各個步驟進行解釋。

第一，根據信息學科范式的科學觀，構筑通用人工智能的全局研究模型。信息學科范式科學觀已如上述。人工智能的學術本質是：面對人類智慧給定的工作框架（問題-目標-知識），人工智能系統（人類智能的代理）對主客相互作用所產生的信息實施轉換處理，以期產生解決問題、達到目標的智能（智能策略和智能行為）的過程。

于是不難看出，信息學科范式科學觀的這個表述，正是圖2所給出的“人類智能／人工智能”的模型。它既然是“人類智能”的模型，當然也就是通用人工智能的模型，而不再僅僅是“人工腦”模型，同時又和諧地包容了“人工腦”的全部有益功能要素。

第二，根據信息學科范式的方法論，開創通用人工智能的研究路徑。如上所見，信息學科范式的方法論堅持運用“信息生態演化的方法（而不允許運用肢解整體的方法，也不允許運用閹割內涵的方法）”來處理主客相互作用的信息，以期產生解決問題達到目標的智能策略和智能行為。在這些條件限定下，按照本文前敘分析，這個信息生態演化的處理方法必然具體化成為“由信息轉換開頭而最終導致智能創生”的過程，也就是“信息轉換與智能創生定律”所刻畫的過程。這正是圖3所描述的人類智能的普適性生成機制。

在人工智能的語境中，圖3示出的四個“轉換”分別成為：轉換1是感知模塊、轉換2是認知模塊、轉換3是謀行（謀劃解決問題達到目標的智能行為）模塊、轉換4是執行模塊。于是，圖3就演繹成為了圖4的模型。

既然有了“普適性的智能生成機制（信息轉換與智能創生定律）”，那么，以它為基礎而構建的人工智能系統自然就是“普適性人工智能系統”，也就是“通用人工智能系統”。它不再是“或以結構模擬為基礎、或以功能模擬為基礎、或以行為模擬為基礎”的“三駕馬車”分道揚鑣的人工智能系統，然而又可把“結構、功能、行為”的因素融通于其中。

第三，針對通用人工智能全局研究模型，闡明通用人工智能的學科結構。通用人工智能顯而易見是一類典型的、而且是復雜的交叉學科研究，涉及到人類學、社會學、人文學、哲學、信息科學、系統科學、邏輯學、數學、電子學與微電子學、機械學與微機械學、新材料學、新能源學等眾多學科。

將人工智能看作“計算機科學的應用分支”的觀點曾經非常流行。這是因為此種觀點的持有者把“智能”與“計算”這兩個具有重要區別的概念混為一談了。事實上，任何“計算”都是一種“純粹形式化的處理”，而“智能”則是“形式、價值、內容三位一體的全信息處理”。有人用“計算”與“算計”來比喻這種區別，倒也頗為傳神。

可以認為，如果僅憑數學公式的計算就直接解決了問題，那是數學家的“人類智能”，而不是“人工智能”。因為在這種情況下，整個解決問題的過程都由數學家設計好了，機器只需要執行算法的能力。

也有人把人工智能看作“自動化系統的延續”。持有這種觀點的人則是將“智能系統”和“自動化系統”的概念搞混了。任何“自動化系統”都是按照人類事先設計好的軟件程序一板一眼、按部就班地執行，不需要任何“智能”的支持。而“智能化系統”則需要有學習的能力和自組織的能力才能完成工作任務。

第四，根據通用人工智能的研究路徑，闡明通用人工智能學術基礎的規格。通用人工智能研究路徑最重要最鮮明的特征是“不允許肢解系統整體”（也就是必須放棄傳統的“分而治之”方法）也“不允許閹割概念內涵”（也就是必須放棄傳統的“單純形式化”方法）的信息生態演化過程，堅持完整統一的“信息轉換與智能創生”過程。這是通用人工智能理論與一切傳統人工智能理論最顯著的區別。由此，通用人工智能理論就要求它的學術基礎（主要是邏輯基礎和數學基礎）也要符合與滿足“不能肢解系統整體，不能閹割概念內涵”的要求。

遺憾的是，現有的邏輯理論和數學理論都不能滿足這些要求。在邏輯理論方面，標準的數理邏輯是一種形式化的剛性邏輯，而且適用范圍較為有限；那些非標準邏輯雖然在某些方面補充了標準數理邏輯的能力，但互相之間的兼容性也存在問題。在數學基礎方面，與人工智能研究關系緊密的集合論、模糊集合理論、粗糙集理論等也存在純粹形式化和分而治之的通病。而筆者研究團隊何華燦教授建立的“命題泛邏輯理論”（何華燦等，2021）和汪琣莊教授建立的“因素空間理論”（汪琣莊、劉海濤，2021）為通用人工智能理論提供了強有力的邏輯基礎和數學基礎。

第五，根據通用人工智能的學科結構和基礎學術規格，創建通用人工智能理論。依照表1所示的學科建構規律，明確學科范式（學科定義）、學科框架（定位）和學科規格（學科定格）這些學科基礎之后，就可以著手構建具體的學科理論（學科定論）。具體來說，就是要把圖4所描述的通用人工智能的普適性智能生成機制——信息轉換與智能創生定律的內容全部落實到位。

篇幅所限，本文只重點闡述其中的第一個模塊——感知。這是因為，感知模塊是整個普適性智能生成機制的第一道門戶，是通用人工智能“理解能力”的發源地，后續的各個模塊都在它的基礎上發揮各自的作用，極具重要性。關于其他各個模塊的分析，建議讀者參閱《高等人工智能原理：觀念·方法·模型·理論》（鐘義信，2014）、《統一智能理論》（鐘義信，2023）。感知模塊的工作原理見圖5。

圖5示出，感知模型的輸入是環境客體呈現并作用于主體的“客體信息”，輸出是主體所感受到的“感知信息”，后者具有表現客體形態的“語法信息”、表現客體對主體目標所產生的效用的“語用信息”，以及由語法信息和與語用信息兩者組成的“偶對”經過映射與命名的操作所定義的“語義信息”。由于感知信息具備了語法信息、語用信息、語義信息三個分量，形成了主體對問題的全面感受，因此被稱為“全信息”。

感知模塊的原理可用以下表達式表示：

Y=λ（X，Z）

其中Y表示語義信息，X表示語法信息，Z表示語用信息，λ表示映射與命名的邏輯操作。

圖5示出了感知模塊的實現原理，它有三個基本步驟。

（1）傳感系統把客體信息轉換為語法信息；

（2）由檢索或檢驗產生語用信息；

（3）由所產生的語法信息和語用信息形成“偶對”，經映射與命名產生語義信息。

步驟（1）和（3）很直觀，無需解釋。步驟（2）包含兩種情況：如果面對的客體是以前曾經處理過的舊對象，它的語法信息與語用信息的偶對{X，Z}就存在綜合記憶庫里，于是可以用已經產生的語法信息X作為關鍵詞從綜合記憶庫里檢索到{X，Z}，其中的Z就是所求的語用信息。如果面對的客體是以前沒有處理過的新對象，綜合記憶庫里沒有它的{X，Z}，于是不可能通過檢索求得相應的語用信息。這就要采用檢驗的方法，計算語法信息X與系統目標G之間的相關度。這個計算結果就是客體對系統目標所具有的語用信息。

由此可以消除一個流傳很廣的誤解：不少人以為“感知”就是“傳感”。由圖5的模型可知，“傳感”只產生了“感知”的一個比較簡單的分量——語法信息，“感知”還有更為復雜的語用信息和語義信息兩個分量。所以，不能把“感知”與“傳感”混為一談。

由語義信息的生成公式Y=λ（X，Z）可知，主體的語義信息是比主體的語法信息和語用信息更高層次的概念：語法信息可以通過第一性的“觀察過程（形態傳感）”獲得，語用信息可以通過第一性的“體驗過程（目的檢驗）”獲得，而語義信息則只能通過第二性的“抽象過程（映射與命名）”獲得。反言之，如果人們獲得了語義信息，就可以根據Y=λ（X，Z）獲得相應的語法信息和語用信息。這就表明，語義信息可以代表相應的語法信息和語用信息，因而也可以代表連同它自己在內的感知信息。概言之，感知信息、語義信息、全信息三者是從不同的角度所表達的同一概念。

很可惜，國內外幾乎所有的相關論著，都沒有真正理解語義信息究竟是怎么生成的。相反，它們或者把語義信息誤解為與語法信息和語用信息相并列的概念；或者把語義信息誤解為可以通過概率統計計算出來的概念。

感知模塊產生的感知信息／語義信息對于人工智能的研究具有極其重要的意義。這是因為，根據語法信息，主體就可以識別客體的外部形態；根據語用信息，主體則可以判斷客體對主體目標而言的效用；根據語義信息，主體就可以在更高的層次上把握客體的全局。也就是說，在此基礎上，主體就可以據此作出科學合理的決策：若語用信息為正值，主體就應當發揮這個客體的作用；若語用信息為負值，主體就應當抑制這個客體的作用；若語用信息為零，主體就應當不理睬這個客體。這樣作出的決策就是明智的、可理解可解釋可信賴的。

可見，具有內涵（未被閹割）的感知信息是可以理解、可以解釋、可以信賴的。這是基于普適性智能生成機制——信息轉換與智能創生定律的通用人工智能理論與一切傳統人工智能理論最根本的區別和最根本的優勢。

由圖4的普適性智能生成機制（信息轉換與智能創生定律）可知，有了可理解、可解釋、可信賴的感知信息，后續的認知模塊就可以產生可理解、可解釋、可信賴的知識。這樣，通用人工智能理論所創生的智能也同樣可以理解、可以解釋、可以信賴。

這是迄今一切遵循傳統物質學科范式的人工智能理論不可能具備的優勢。雖然它們的操作速度和信息的容量都做到了極致，但是由于它們所使用的全部概念都被閹割了內涵，因此都不具有“理解能力”，都不可解釋，因而都不是實實在在的智能。

總之，實施人工智能范式革命的結果，就是自上而下地按照信息學科范式落實了人工智能的學科定義、學科定位、學科定格和學科定論，創建了完整的“機制主義通用人工智能基礎理論”。理論的名稱中增加了“機制主義”這個前綴，是為了表明，這個通用人工智能理論的最重要特色以及它的“通用性”的根本標志，是它的“普適性智能生成機制”。這一理論成果的系統模型如圖6所示。

本文以上的討論和圖6的系統模型表明：（1）“機制主義通用人工智能基礎理論”發現和實現了以信息轉換與智能創生定律為標志的普適性智能生成機制，和諧地統一了原來各自為戰、互不相容的結構主義、功能主義、行為主義三大學派，解決了系統整體被肢解的問題，建立了通用的人工智能整體理論；（2）創建了全信息理論，通過運用形式、內容、價值三位一體的研究方法，解決了概念內涵被閹割的問題，克服了智能水平低下、可解釋性差、需要大量試驗樣本等致命缺陷；（3）通過運用生態演化的全局研究方法，發現了變參的柔性邏輯系統，建立了和諧統一的泛邏輯理論；（4）通過運用生態演化的全局研究方法，發現了集合論、概率論、模糊集和粗糙集等理論的共同基因，建立了可以統一描述和研究人工智能的因素空間數學理論；（5）“機制主義通用人工智能基礎理論”的所有結果都與“人類（通用）智能”的結果和諧相通。這些基礎理論的重大成果，展示了人工智能范式革命的徹底變革威力和成效。

初步查證，到現在為止，尚未發現國內外人工智能學術界系統關注過人工智能的范式革命。由此可以判斷，“機制主義通用人工智能基礎理論”已經遠遠深入到國際人工智能科技前沿的無人區腹地。

進一步，如果根據“機制主義通用人工智能基礎理論”開發出機制主義通用人工智能原型系統，后者就將成為通用人工智能系統的創生平臺：用戶只需要提供希望解決的問題、目標和相關知識，這個平臺就可以利用它的普適性智能生成機制創生出能夠利用知識、解決問題、達到目標的實際人工智能應用系統。

這種普適性的智能創生平臺，將以統一的智能生成機制創生出各種高智能水平、可理解和可解釋的人工智能應用系統，從而解決人工智能原有的個案性、孤立性、碎片性、淺層性的問題，非常有利于人工智能的可持續發展和實現人工智能的大規模應用，并推動社會的智能化發展。

人工智能的范式革命：中華文明的偉大復興

2023年2月21日，習近平總書記在中共中央政治局第三次集體學習時明確指出，“當前，新一輪科技革命和產業變革突飛猛進，學科交叉融合不斷發展，科學研究范式發生深刻變革，科學技術和經濟社會發展加速滲透融合，基礎研究轉化周期明顯縮短，國際科技競爭向基礎前沿前移。”此前，習近平總書記也曾作出過指示，號召自然科學技術工作者重視哲學的指導作用。習近平總書記的這些論斷對于整個科學研究具有普遍的指導意義，而在人工智能研究領域則更是“及時雨”。試想，如果人們不關心人工智能研究領域的哲學問題，就不可能發現這一領域的范式存在張冠李戴的問題，也就不可能理解和實施人工智能范式的深刻變革。

事實上，自然科學與哲學之間并不是互不相關的兩個研究領域。相反，它們是互有側重然而又相互聯系、相互促進的兩個重要的學術研究領域。自然科學側重研究各種自然現象及其發展規律，社會科學側重研究社會現象及其發展規律，而其中哲學要側重研究的是人類思維領域（涉及到自然現象和社會現象）的基本規律。自然科學研究活動中的科學觀念和科學方法論，既是自然科學研究的指導思想，又是哲學研究所關注的重要思維規律。因此，凡是深刻的自然科學研究領域（如人類智能和人工智能）都需要特別認真關注和借鑒哲學研究的成果。

如上所述，人工智能的范式革命，不是一般的技術革命，也不是局部學科理論和研究方法的革命，而是科學觀和方法論的革命，是在人工智能研究體系結構最高層次發生的革命，也是人類思維領域的一場革命，它將自上而下地影響到整個科學研究的領域。

人工智能范式革命不是偶然發生的，更不是由某些人的靈感沖動而發起的，而是“輔人律-擬人律-共生律”揭示的科學技術發展根本規律所使然，是人類不斷追求進步、不斷爭取從自然力的束縛下獲得解放的必然結果。正是這種不竭的追求，使得人們不僅要用材料科學技術的成就來擴展自己的體質能力，也不僅要用能量科學技術的成就來擴展自己的體力能力，更要用信息科學技術和智能科學技術的成就來擴展自己的基礎信息能力和智能能力。這是不可遏制、不可阻擋的歷史潮流。正是這種歷史性的規律和趨勢，使得科學技術的研究對象要從單純的物質客體向人類的主觀領域大舉進軍，從而使得科學技術要從傳統物質學科向新興的信息學科大舉進軍。科學技術研究領域的這種歷史性大擴展大進軍，必然需要新的思想武器，需要科學研究的新范式。

所以，人工智能領域發生范式張冠李戴的問題并不是人們主觀主導的事情，而是研究對象的大擴張所導致的時代大轉變必然要帶來的“大陣痛”；而人工智能的范式革命，則是因應時代大轉變所帶來的治療這種“大陣痛”的“對癥良藥”。其實，范式變革這個“對癥良藥”不僅是治理人工智能學科的“良方”，也是治理21世紀整個信息學科和復雜科學學科的“良方”。這不是什么深奧玄妙的道理，而是活生生的、可感、可知的現實。

20世紀60年代初期，筆者在信息論研究生專業學習信息論課程的時候注意到：信息論只研究了信息的形式（模擬式信息的波形，數字式信息的碼型），而不研究信息的內涵（信息的價值和信息的內容）。后來，在研究人工智能的時候筆者又發現，人工智能研究和人工神經網絡研究兩者之間“勢不兩立”：人工智能學派批評人工神經網絡的研究是“沙灘上的建筑（Buildings on quick sand）”，人工神經網絡學派則反擊說“人工智能已經死亡（AI is dead）”。這些單純形式化的處理、對立的而且有悖學理的互相抨擊，使筆者對這些研究的“正確性”產生了強烈的質疑。

于是，我們毅然決定要按照自己更為熟悉的中華文明的思想精髓來重新審視這些現代科學。具言之，我們把“整體觀”（即人類主體與物質客體對立統一的觀念）作為人工智能研究應當遵循的科學觀，把“辨證論”（即信息不是僵死不變的對象，而是聯系著、發展著和生長著的對象）作為人工智能研究必須貫徹的方法論。

經過半個多世紀的艱苦努力，我們在“整體觀”和“辨證論”的引領下，不僅發現了人工智能范式的張冠李戴問題，總結和提煉了信息學科的研究范式（鐘義信，2021b），創建了機制主義通用人工智能基礎理論，而且也發現了中華文明思想精髓與信息學科范式之間實質相通的關系，表明了中華文明思想精髓與現代信息學科范式的同質性。在這里，中華文明思想精髓最集中和最典型的表現就是祖國中醫和國學精華的觀念和方法，見表4的示例。

表4顯示，中華文明思想精髓的“整體觀”和信息學科的“信息觀”兩者都強調：（1）人類主體和環境客體是不可截然分割的整體（天人感應），兩者相互作用，而不應當把人的主觀因素排除在研究的大門之外；（2）應當信守“以人為本”和“道法自然”，人是主客體相互作用的主體，要高度關注人類主體目標的達成和物質客體運動規律的維護，不能僅僅關注客體的物質結構；（3）應當認識到在研究對象的發展過程中存在各種不確定性，而不應當認為一切研究對象都服從“確定的方式”。

表4還顯示，中華文明辯證論的方法論和信息科學的信息生態方法論兩者都強調：（1）不能止步于“純粹形式化”方法，而要用“形式、內容、價值”一體化的“全信息”方法來描述和研究人工智能，中醫藥學把“藥名（語義信息）”定義為“藥形（語法信息）、藥效（語用信息）”的統一體就是這種描述和研究方法的典例；（2）不能局限于“形式比對”的決策方法，而要在理解的基礎上作出決策，中醫的“辯癥論治”是這種決策方法的自然體現；（3）要堅持從整體上、從發展變化上認識和處理問題（道生一，一生二，二生三，三生萬物），拒絕“分而治之”對研究對象的肢解和“單純形式化”對研究對象的閹割。這就確證了中華文明思想精髓與信息學科范式的高度同質性。

不僅如此，人工智能的核心理論“普適性智能生成機制（信息轉換與智能創生定律）”的本質，正是中華文明的知行學說。具體來說，信息轉換與智能創生定律即知（由感知到認知）行（由謀行到執行）相濟（鐘義信，2023）。換言之，中華文明的知行學原理就是普適性的智能生成機制。這些都是中華文明思想精髓與信息科學范式同質性的重要依據。

回顧整個人類的認識史和自然科學技術的發展史，可以發現一個有趣的事實：人類對事物的認識總是從宏觀整體的“大而概之”“籠而統之”開始，然后才逐步進入到“分而治之”“微而察之”，最后又總結抽象提煉到“宏觀整體的把握”。“從整體到局部，再從局部到整體”，這不是簡單的回到原地，而是辯證的升華與發展。

所以，古代人類對外部世界的認識必然從“相對籠統”和“相對淺層”的階段開始。于是，以“整體觀”為科學觀和以“辯證論”為方法論的中華文明思想很好地適應了這一階段認識活動的性質和特點，使得中華文明在認識世界和改造世界的古代歷史上一直“獨領風騷”，處于世界領先的地位。

歷史發展到近代，人類對世界的認識不再滿足于籠統性和淺層性的水平，而開始進入到“深入”和“細致”研究的階段。這時，以“機械唯物主義（只關注物質對象的研究）”為科學觀和以“機械還原論（信奉分而治之）”為方法論的西方文明就適應了這種要求。于是，在近代數百年的科學技術發展進程中，西方文明成為科學研究與發展的主導范式。相對而言，以“整體觀”為科學觀和以“辨證論”為方法論的中華文明則一直處于邊緣地位，被認為只是物質學科研究的學習者與跟隨者。

歷史進入到信息與智能時代，隨著信息學科由初級階段邁向高級發展階段，科學研究的對象由單純的“物質客體”擴展到“人類主體與物質客體相互作用”，以“機械唯物主義”為科學觀和以“機械還原論”為方法論的物質學科范式無法適應信息學科特別是人工智能研究與發展的需要，而以“整體觀”為科學觀和以“辯證論”為方法論的中華文明思想精髓和與之默契相通的信息學科范式，才是開拓和引領信息學科特別是人工智能，以及21世紀所有復雜科學研究與發展的偉大思想旗幟！

這是歷史演進和科學進步的必然結果，是研究對象由單純的“物質客體”向“人類主體與物質客體相互作用”的偉大轉變、科學體系由物質學科主導向信息學科主導偉大轉變的結果。西方學術界流行的機械唯物主義科學觀和機械還原方法論適合于物質學科的研究；而中華文明的整體觀（科學觀）和辯證論（方法論）則適合于信息學科特別是人工智能的研究。眾所周知，這種研究對象的擴展，以及由研究對象轉變而導致的學科范式轉變，乃是不可阻擋的歷史進步的潮流。

因此，令人倍感興奮和自豪的是，人工智能的范式革命，不僅取得了人工智能基礎理論研究的重大突破，創建了“機制主義通用人工智能基礎理論”；更為重要的是，人工智能范式革命的成功，確證了中華文明思想精髓與人工智能研究和21世紀現代科學研究與發展事業的性質和需求高度匹配，從而具備強大的開拓能力和引領能力，確證了中華文明思想精髓在當今時代的偉大復興！這既是科學技術發展新時代的偉大召喚，也是新時代所賦予中華文明思想精髓的偉大使命。

參考文獻

何華燦等，2021，《命題級泛邏輯與柔性神經元》，北京郵電大學出版社。

N. J. Nilsson，2006，《人工智能》，鄭扣根、莊越挺譯，北京：機械工業出版社。

斯圖爾特·羅素、彼得·諾維格，2006，《人工智能：現代方法》，張博雅等譯，北京：清華大學出版社。

T. S. 庫恩，1980，《科學革命的結構》，李寶恒、紀樹立譯，上海科學技術出版社。

汪琣莊、劉海濤，2021，《因素空間與人工智能》，北京郵電大學出版社。

鐘義信，1986，《信息的科學》，北京：光明日報出版社。

鐘義信，2013，《信息科學原理（第5版）》，北京郵電大學出版社。

鐘義信，2014，《高等人工智能原理：觀念·方法·模型·理論》，北京：科學出版社。

鐘義信，2020，《“范式變革”引領與“信息轉換”擔綱：機制主義通用人工智能的理論精髓》，《智能系統學報》，第3期。

鐘義信，2021a，《機制主義人工智能理論》，北京郵電大學出版社。

鐘義信，2021b，《范式革命：人工智能基礎理論源頭創新的必由之路》，《人民論壇·學術前沿》，12月上。

鐘義信，2023，《統一智能理論》（待出版），北京：科學出版社。

R. A. Brooks， 1990， "Elephant Cannot Play Chess，" Autonomous Robot， 6.

R. A. Brooks， 1991， "Intelligence Without Representation，" Artificial Intelligence， 47.

J. J. Hopfield， 1982， "Neural Networks and Physical Systems with Emergent Collective Computational Abilities，" Proceedings of the National Academy of Sciences of the United States of America， 79（8）.

W. McCulloch and W. Pitts， 2021， "A Logic Calculus of the Ideas Immanent in Nervous Activity，" Bulletin of Mathematical Biophysics， 52.

A. Newell and H. A. Simon， 1963， "GPS， A Program That Silmulate Human Thoughts，" in E. A. Feigenbaum and J. Feldman （eds.）， Computers and Thoughts， McGraw–Hill Book Company.

A. Newell， 1980， "Physical Symbol Systems，" Cognitive Science， 4（2）.

N. J. Nilsson， 1982， Principles of Artificial Intelligence， Springer.

F. Rosenblatt， 1958， "The perceptron： A Probabilistic Model for Information Storage and Organization in the Brain，" Psychological Review， 6（56）.

D. E. Rumelhart and J. L. McClelland， 1986， Parallel Distributed Processing： Explorations in the Microstructure of Cognition： Foundations， MIT Press.

A. M. Turing， 1963， "Can Machine Think，" in E. A. Feigenbaum and J. Feldman （eds.）， Computers and Thoughts， McGraw–Hill Book Company.

責 編∕李思琪