人工智能|时间的力量——1991 人工智能大辩论 30 周年纪念：主义不再，共融互生｜GAIR 2021( 四 )

与此同时，“人工智能理论基础大辩论”让学术界在研究方向上出现了重要的分歧，即拥抱数据驱动还是坚持模型驱动和推理。在赵峰教授看来，要回答这一问题，可以从“工程”和“科学”两个方面验证。从工程的角度来说，我们需要考虑某种学术思路能否解决实际问题；从科学的角度来说，我们可以观察某种学说能否经过时间的考验回答基础的智能问题。

林方真教授

当年在斯坦福大学读博士的林方真教授认为，1991年的AI大辩论并不是真正的辩论。传统AI偏向自顶向下，优先考虑人的高层推理和决策过程。Rodney Brooks则提倡自下而上，从简单本体开始学习。他的观点与前者并不矛盾，而是一种补充。这也反映了当年学术界“百家争鸣”的状况，研究者们纷纷提出自己对 AI 未来发展趋势的见解。当年Nils Nilsson也因而倡导AI研究应该考虑融合智能本体。这个观点甚至在当年最有影响的AI教课书上都有体现。

九九归一：学派融合，螺旋上升的感知与认知智能

周志华教授

进入 21 世纪，我国在机器学习领域研究的进步速度与日俱增，涌现出了一大批杰出的人工智能科学家，周志华教授就是其中的代表人物之一。
在周志华教授眼中，人工智能的概念和内涵一直在动态发展，今天的“AI”和90年代初的“AI”实质上并不是一回事，当年的AI主要是指“智能行为的符号化建模”这条研究路线，并且当年的神经网络是“与AI对立”的事物。
1991年提出的几个问题，体现的是当时研究者们对“符号主义”的反思，以及对引入其他路线的思考。这个论辩的直接结果之一是使得大家承认了人工智能的“三大主义”（符号主义，连接主义，行为主义）。
机器学习的发展已经让现在的AI超越当年的内涵，不能再简单归类为三大主义，例如规则学习和决策树大体上可以归入符号主义，神经网络可以归入连接主义，强化学习和演化学习可以归入行为主义，但统计学习、贝叶斯学习很难归入以往的三大主义。事实上AI已形成五大主义：符号主义，连接主义，行为主义，频率主义，贝叶斯主义。但回过头来看，它们任何单方面或许都不够，就像机器学习中的集成学习一样，要多方融合集成，兼收并蓄，例如知识推理与机器学习的融合。周志华教授说他个人可谓是“集成主义(ensemblism)"者，这是他自己造的一个词。
1. 黑盒模型 vs 逻辑推理
目前流行的深度学习模型大多具有“黑盒属性”，随着深度学习模型的瓶颈逐渐凸显出来，许多学者又将目光投向了逻辑推理。
杨强教授指出，认知智能和感知智能的发展过程是一个螺旋式交替上升的过程，二者相辅相成。上世纪，我们研究人工智能问题，涉及的感知表达往往很简单，而考虑的认知过程却非常复杂。随着软硬件我们可以思考如何通过研究感知智能的方法促进对认知智能的研究，是否可以通过成功的感知系统解决认知问题。
在张成奇教授看来，图灵测试似乎定义了人工智能研究“只重结果，不看过程”的论调——只要结果达到特定指标，人们就不会有太多质疑和争论。人工智能研究发展至今已经快 70 年，但一直没有跳出图灵测试的“范畴”。
大多数人认为，人类独有的认知才是真正的智能，任何动物都具备的感知不属于智能。所以，早期的人工智能研究之所以聚焦于认知智能，首先是因为我们认为认知智能是高级智能；其二是因为那时很难清晰地描述和定义感知。但如今，得益于算力、算法的发展和大数据驱动，感知智能已经相对成熟，很多感知智能方法在应用中取得了不错的效果，符合图灵测试的要求。