随着人工智能技术的飞速发展,越来越多的人将希望寄托于机器学习和自主智能系统,认为人类水平的智能即将通过算法和海量数据得到实现。然而,最新的理论研究表明,尝试通过学习实现真正人类智能的路径,面临着根本性的计算不可行性。本文深入剖析人工智能通过学习实现(AI-by-Learning)的核心问题,揭示其在计算复杂性上的阻碍,并分析这一发现对认知科学和人工智能工程实践的深远影响。 人工智能的理念长期以来受到计算主义的影响,即认为人类认知可以被归结为一种形式的计算过程。这一观点奠定了认知科学和人工智能领域的基础,并促使学界试图通过构建计算模型来理解和模拟人类思维。当前,"人工智能"一词涵盖了众多含义,从专门领域的自动化系统,到能够学习和适应的通用智能体,涵盖面极其广泛。
特别是,机器学习作为人工智能的主流方法,被广泛寄望为实现通用人工智能(Artificial General Intelligence,AGI)的核心途径。 在理想化的理论设定下,我们可以假想一个"完美工程师" - - 被称为Ingenia博士 - - 拥有完美且无限量的训练数据,能够使用任何现有或未来的机器学习技术。Ingenia博士的任务是,从样本数据中学习并生成一个算法,这个算法对任意输入情境都能输出人类类似的行为表现。严格来说,这意味着要设计一个算法,其在面对不同的输入状态时,以不低于某个非零概率,生成与人类行为分布近似的输出。 虽然这一任务在理论上看似可行,因为认知是计算过程,且存在至少一种产生该行为分布的算法,但当我们将问题形式化为计算复杂性的框架时,事情变得截然不同。研究者引入了AI-BY-LEARNING问题的形式化定义,包括算法的描述长度限制、行为表现的近似和成功概率的非忽略性等,使其成为计算复杂性分析的对象。
令人震惊的是,他们证明了在这一设定下,AI-BY-LEARNING问题是NP困难的:即便是在最理想条件,寻找满足近似人类表现要求的算法的过程,也具有计算上的不可行性。 支持该结论的关键在于对另一个被称为PERFECT-VS-CHANCE的决策问题的利用。PERFECT-VS-CHANCE涉及判定一个分布是否由某个完美准确且高效的程序产生,还是任何程序的表现都不比随机选择好多少。已有研究(Hirahara,2022)证明了该问题在计算上不可行。 Ingenia定理的证明通过构建一个多项式时间归约,表明如果存在多项式时间可解的AI-BY-LEARNING算法,则该算法可用来解决PERFECT-VS-CHANCE问题,这与后者的已知不可行性相矛盾,因此证明了AI-BY-LEARNING的不可行性。 该定理的含义极其深远。
首先,它明确否定了当前人工智能工程中普遍持有的"AGI不可避免及即将实现"的观点。尽管现代机器学习模型在诸多狭义任务中表现出惊人的性能,但这些模型根本无法在整体规模和复杂性上泛化到人类级认知,因为任何试图系统性学习人类全部行为分布的算法都将面临天文数字级别的资源消耗和时间成本。 其次,定理提出了对当前AI工程实践的警示。现实中通过截断训练、数据稀缺、不完备的模型架构等方式制造出的智能系统,实际上是对人类行为分布的粗糙近似甚至"伪装",本质上是局限性极强的"伪智能"。这种表面上的智能幻象容易导致研究和公众对于人工智能能力的误判,甚至引发"映射与实地混淆",即将模型的表现误认为是对人类思维本质的真实映射。 此外,人工智能学习任务的不可行性提示了认知科学研究方向的必要转变。
有人可能因此觉得计算主义理论已失去应用价值,但实际上,计算主义仍具有巨大理论意义。计算主义强调认知作为计算过程的本质属性,为认知科学提供了严谨分析和理论建构的工具。通过形式化认知能力为计算问题,研究者可以旨在理解认知过程的可计算性与可行性界限,而非盲目追求构建功能完全等同于人类认知的机器。 这种理论视角推动了认知科学从经验主义的快速试验转向"慢计划",即重视构建能被形式验证并对复杂性带有清晰认知限制认识的理论模型。理论模型而非盲目的算法构建,成为认知科学解释人类认知、推理和行为的关键路径。 从历史上看,人工智能作为认知科学工具的作用曾经非常显著。
早期人工智能研究强调"认知模拟"与"信息处理心理学",通过计算机程序验证和检验认知理论,有力推动了心理学和认知科学的发展。然而,随着机器学习技术的兴起,人工智能领域越来越偏向于工程实践,试图直接实现复杂智能系统,理论与实验认知科学的联系反而日渐稀疏。这使得认知科学依赖于被证明无法实现的工程路径,而忽视了理论本身的严谨分析和计算复杂性限制。 未来,学界需要摒弃"制造主义" - - 即错误理解为"制造智能即说明智能" - - 重新倡导将人工智能视为理论认知科学的严谨工具。通过计算复杂性的正式方法,可以更客观地评估认知模型的合理性和实际可行性。人工智能研究者不仅应当关注模型的训练效率和实际表现,更应警惕不可逾越的理论障碍,避免技艺表象掩盖内在本质。
综上所述,人工智能通过学习达到人类智能水平的任务在计算上是不可行的。当前技术的惊人进步并未改变这一根本事实,只是掩盖在规则外的局部成功和"悬崖边缘"的假象。认知科学必须认清这一现实,摒弃对快速实现通用智能的盲目乐观,回归理论,携手计算复杂性等严谨工具,开启人工智能作为认知科学支柱的新时代。如此,人工智能才能真正发挥助力我们理解人类认知的潜力,而非成为喧嚣纷扰中的"幻象"。 。
