人工智能知识重塑（学术前沿范式革命）

近日，CAAI第四、五届理事长、北京邮电大学人工智能学院钟义信教授撰写的《范式革命：人工智能基础理论源头创新的必由之路》刊登在人民日报的学术专刊《学术前沿》，并被冠以“二十四个重大问题研究”的题标。

钟义信

CAAI第四、第五届理事会理事长

北京邮电大学人工智能学院教授

CAAI Fellow

​

个人简介：

北京邮电大学原副校长、人工智能学院教授、博导，济南大学人工智能研究院院长，中科华数信息科技研究院高咨委主席，国际信息研究学会2021-2023年主席，发展中世界工程技术科学院院士。研究方向为信息科学与人工智能基础理论研究。主要著作有《高等人工智能原理》《机制主义人工智能理论》等。

范式革命：人工智能基础理论源头创新的必由之路

​

【摘要】人工智能是开放复杂的信息系统，应当遵循信息学科的范式。然而，由于受到“社会意识滞后于社会存在”法则的制约，信息学科范式至今未能形成，于是人工智能研究实际遵循的是物质学科范式，致使人工智能研究一直受困于初级阶段，只能取得局部的浅层进展。唯有通过人工智能的范式革命建立信息学科范式，才能获得人工智能研究的源头创新和整体创新，进入人工智能发展的高级阶段。正是沿着这个思路，需要研究和总结信息学科范式，以此突破物质学科范式对人工智能研究的束缚，并在信息学科范式引领下，发现全新的人工智能研究模型，揭示“信息转换与智能创生定律”这个普适的智能生成机制，创建源头创新和整体创新的人工智能理论——机制主义通用人工智能理论。

【关键词】人工智能范式革命机制主义

【中图分类号】TP18

【文献标识码】A

【DOI】10.16619/j.cnki.rmltxsqy.2021.23.003

与解放人类体质能力的材料科学和解放人类体力能力的能量科学（统称为物质学科）不同，人工智能是以解放人类智力能力为目标的一门学科。因此，人工智能学科一问世就受到人类社会的高度关注。至今，发展人工智能已经成为世界各国特别是各发达国家的重大战略。2018年10月31日，指出：“人工智能是引领这一轮科技革命和产业变革的战略性技术”，“要加强基础理论研究，支持科学家勇闯人工智能科技前沿的‘无人区’，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，确保我国在人工智能这个重要领域的理论研究走在前面、关键核心技术占领制高点。”（，2018）2017年7月，中国国务院发布了《新一代人工智能发展规划》。根据《新一代人工智能发展规划》，2021年，我国的人工智能研究进入了第二个战略阶段，目标是实现人工智能基础理论的重大突破，本文就以实现这一目标为主题展开论述。

实现人工智能基础理论的重大突破，需要准确理解人工智能的历史

子曰，“温故而知新”。人工智能发展的历史演绎了各种不同观念和方法之间的矛盾冲突，折射出发人深省的宝贵启示，值得认真汲取。

人工智能的历史：观念方法的矛盾演绎。用机器来协助人们进行劳动，是人类一直不懈追求的美好理想。不过，真正付诸实践的研究始于20世纪的40年代。那时人们相信，人类的高级认知功能产生于大脑新皮层的神经网络，认为只要把大脑神经网络的结构在机器上实现出来就可以模拟出人类的智能。这是结构模拟方法一马当先的缘由。具体来说，1943年McCulloch和Pitts发表了神经元的数理逻辑模型，（W.S.McCulloch;W.Pitts, 1943）1949年Hebb提出了神经元的学习规则。（D.O.Hebb,1949）利用M-P模型和Hebb规则就可以构造人工的神经元网络，开展人工神经网络及其应用研究。

人类大脑神经网络是由近千亿个神经元互相复杂连接而成的大规模非线性系统，而当时的科技和工业能力都只能实现小规模的简单神经网络系统，因此，虽然结构模拟的人工智能研究似乎前景光明，但道路却很曲折，进展缓慢。

面对这种情况，一批思想活跃的学者便撇开结构模拟的途径，选择了功能模拟的途径。1956年，McCarthy等人在Dartmouth发起利用计算机作为硬件平台、通过编制“聪明软件”来模拟人类逻辑思维功能的研究途径，他们还创造了Artificial Intelligence这一术语来表征这个新的研究领域。（J.McCarthy;M.L.Minsky;N.Rochester, and C.E.Shannon,2006）由于那时的计算机已有很强的功能，Newell和Simon等人还提出了通用问题求解算法，并把功能模拟的研究产物称为无所不包的“物理符号系统”，（A.Newell,1980）认为这是可以像人脑一样求解通用问题的人工智能系统。果然，功能模拟方法一经问世，便在数学定理机器证明和模式识别等方面取得了令人鼓舞的成绩。

不过，当人们真的利用这一方法来解决通用问题的时候，就发现这很不现实，因为求解通用问题需要无限的知识。于是，人们不得不把面向通用问题求解的物理符号系统改成面向专门问题求解的专家系统。然而，解决专门问题也需要专门的知识，而知识的定位、获取、表示、推理等都存在难以逾越的“知识瓶颈”困难。在这种情况下，Brooks等人提出了行为模拟的思路。他们宣称，行为模拟方法不需要知识，只需要感知到环境对智能系统的刺激和智能系统对此所产生的动作响应（于是被称为“感知动作系统”），因此，它可以回避结构模拟方法的复杂性问题和功能模拟方法的“知识瓶颈”困难。行为模拟的典型研究成果，是Brooks领导的MIT人工智能实验室在1990年所演示的六脚虫爬行机器人以及随后所研制的各种智能机器人。（R.A.Brooks,1990）遗憾的是，对于行为模拟的感知动作系统来说，它自身的最大问题是仅能模拟智能系统的外在行为表现，因而只是一类浅层的智能。

上述历史表明，人工智能存在结构模拟、功能模拟、行为模拟三种不同的研究方法。它们是在人工智能发展的不同阶段、面临不同的问题、分别由不同的人群发展出来的各不相同的研究方法。它们的学术信仰（以脑科学为模拟原型的结构主义、以认知科学为模拟思路的功能主义、以控制论为模拟原理的行为主义）各不相同，所采取的策略各不相同，所显现的能力也各不相同。虽然都是人工智能的研究方法，但却未能实现殊途同归。

实际上，结构模拟、功能模拟、行为模拟三大学派非但未能殊途同归，没有形成合力，反而各执己见，互不相容，以至“持强凌弱”，成为同行冤家。以下是三大学派称雄争霸的若干典型事例。1969年，功能主义方法的学术带头人Minsky和他的同事Papert出版学术专著《感知机》严厉抨击神经网络方法“没有科学价值（without scientific value）”，认为它的成果建在流沙之上（built on quick sand）。（M.L.Minsky; S.A.Papert,1969）这种猛烈的批评，造成世界范围人工神经网络领域的研究人员纷纷转行，使人工神经网络的研究陷入为期十多年的“黑暗年代”。1987年，借着专家系统的研究遭遇“知识瓶颈”的困难而神经网络研究进入复兴阶段的机会，结构主义人工神经网络研究者们在美国加州圣地亚哥举行的IEEE第一届神经网络国际会议期间发出“人工智能死了，神经网络万岁（AI is dead. Long live neural networks）”的呐喊。表现了结构主义人工神经网络研究学派对功能主义专家系统研究学派的强烈反击。1990年前后，行为主义感知动作系统研究学派的带头人Brooks连续发表论文抨击正在遭遇“知识瓶颈”的功能主义研究方法，宣称行为主义感知动作系统的研究方法可以不需要知识（Intelligence without Knowledge），因而也不需要知识的表示（Intelligence without Representation），（R.A.Brooks,1991）并以此否定功能模拟方法。

正是由于不同学派的学术主张各不妥协，也没有找到互相沟通和融合的实际途径，人工智能的研究始终处于某个学派一派独大的格局，从来没有出现过相互合作的局面：1943年至1956年间，由于其它两种研究路径尚未问世，人工智能只存在结构主义（初期的简单人工神经网络和算法）一种研究路径。1956年至2016年这60年间，基本上是功能主义“雄霸天下”。虽然在20世纪70年代初期由于在机器翻译领域的失败和随后由于知识瓶颈的困扰曾经两度遭遇发展的危机，但是，功能主义方法仍然维持着它的统治地位，因为这段时间被它打入“黑暗年代”的结构主义方法还没有完全缓过气来。从2016年至今，由于初期的简单人工神经网络逐渐发展成为复杂的深层结构模型，训练和学习的算法也得到显著改进，在人工智能的一些竞赛评测项目中表现出大大超越功能主义方法、甚至超越人类能力的优异性能，于是，基于结构主义方法的深层人工神经网络研究变成这一时期人工智能的主流学派，基于功能主义方法的专家系统研究则似乎遁迹销声了。半个多世纪的人工智能发展的这段历史，引人深思。

历史的启示：人工智能问题的症结何在？经过70多年的发展，人工智能研究的结构主义（人工神经网络研究）、功能主义（专家系统研究）、行为主义（感知动作系统研究）三大学派各自都取得了不少引以自豪的成果，但也都面临严峻的挑战。从推动人工智能基础理论源头创新的需要着眼，我们将重点解析现行人工智能面临的根本性问题。

其一，直接的观察：方法论的误用。历史记载，最早出现的人工智能研究方法是模拟大脑皮层神经网络结构的人工神经网络，然后是模拟人脑逻辑思维功能的物理符号系统/专家系统，最后是模拟主体行为的感知动作系统。然而，三者各自为战，无法形成合力。可见，人工智能面临的第一个问题是：三大学派无法形成统一的理论，也无法建立通用的系统。由于没有统一的理论，现行人工智能系统的研究都严格依赖于场景。人们在研究人工智能系统的时候，首先就需要精心选择应用的场景，然后针对选定的这个场景来设计解决特定问题的人工智能系统。一旦应用场景改变了，系统就要推倒重来重新设计：一个场景一个系统，不同场景就要求设计不同的系统。

曾经听到过这样的说法：人工智能领域或许根本就不存在统一的理论，因此，也不存在通用的系统；只要一个一个应用场景的人工智能系统都研制出来了，人工智能的问题就解决了。显然，这种说法不符合辩证法和“可持续发展”的理念，也不符合系统论的基本原理。系统论指出：系统（整体）远远大于它的部分和。也即，系统的整体解决远远胜于它的所有部分解决之和，其间存在整体优化和局部优化之间的质的差别。因而，“现行人工智能无法建立统一理论”乃是一个严肃的信号，表明人工智能的研究还远远没有到位。问题是，为什么现行人工智能的研究无法建立统一的理论呢？人工智能发展的历史表明：作为开放复杂信息系统的人工智能研究，因为沿用了物质学科“分而治之”的方法论，才导致把人工智能的整体研究肢解成了结构模拟、功能模拟、行为模拟三种子系统的分别研究。其实，“分而治之”方法论本身在物质学科领域非常有效，但用在人工智能领域却割断了其子系统之间内在复杂而隐秘的信息联系，而这些内在的信息联系正是人工智能系统的命脉和灵魂，因此该方法论当然就无法把它们恢复成为原来的复杂信息系统整体。方法论的不当，成为人工智能无法建立人工智能统一理论的主要原因。

第二个问题是：现行人工智能的智能不是在理解基础上的真正智能，而是快速计算能力的奇葩表现，真正的智能水平实际上十分低下。人工智能是在人造机器上所实现的人类智能。这就表明，人工智能系统所表现的智能应当是在理解问题基础上的能力。但是，现行人工智能系统表现的“智能”其实并没有理解能力。为什么这样说呢？

这是因为现行人工智能研究用的都是纯粹形式化的方法，“阉割”了问题的内容与价值因素。显然，仅凭形式不可能实现理解，因此，也就不可能作出有智能水平的决策。比如，当你看见一头猛虎，你看到了它的形态（形式信息），如果你知道它会伤人（价值信息），知道它是食人猛兽（内容信息），那你就理解了老虎，就可以作出有智能水平的决策：躲、逃或在不得已的情况下射杀。但是如果你不知道老虎会伤人（不具有价值信息），也不知道它是食人猛兽（不具有内容信息），你就没有理解老虎这种凶猛野兽。在这种情况下，你怎么知道应当作出怎样的决策？说不定你会“与虎共舞”，结果为虎所食。其实，单纯形式化是物质学科的方法论，在只关心物质结构的物质学科范畴内是非常成功的方法，但却不可能有效支持人工智能的研究。这是因为人工智能的研究必须对问题的形式、内容、价值有全面的理解才能作出合理的决策。

总之，现行人工智能存在的根本性问题是（1）整体被肢解，无法建立统一的人工智能理论；（2）价值和内容被阉割，导致智能水平低下。前者是人工智能的研究沿用了物质学科“分而治之”方法论的结果；后者则是人工智能的研究沿用了物质学科“单纯形式化”方法论使然。可见，人工智能存在的问题直接触及了哲学的命题：方法论。

其二，深刻的启示：“范式张冠李戴”不可避免。众所熟知，学科的科学观阐明了学科的宏观本质（是什么），方法论规定了研究学科的宏观方法（怎么做）。科学观与方法论的统一体就是范式。学科的研究活动是一类社会存在，学科的范式则是相应的社会意识。物质学科和信息学科各自都会产生自己的范式，并接受各自范式的引领。

正是在这个意义上，托马斯·库恩在《科学革命的结构》一书中把范式理解为判断一个学科是否需要进行科学革命的根本标志：如果一个学科的范式能够指导这个学科的研究取得成功，说明这个学科的研究处于正常的状态；如果学科的范式已经不再能够指导这个学科的研究取得成功，就说明这个学科需要进行科学革命：颠覆旧的范式，创立新的范式。（托马斯·库恩，2012）

既然人工智能的研究沿用了物质学科的“分而治之”和“单纯形式化”方法论，也就沿用了物质学科的科学观，沿用了物质学科的范式。这便造成了人工智能“范式张冠李戴”：用物质学科的范式引领人工智能的研究！（见表1）（钟义信，2018；钟义信，2020；钟义信，2021A）

表1 人工智能“范式张冠李戴”的具体事实

需要说明的是，表1所列的“信息学科范式”是笔者历经半个多世纪所研究提炼出来的结果。虽然在整个人工智能学术共同体内还没有形成信息学科范式的共识，但由于独特的学术经历，笔者从20世纪60年代起就专门关注了信息学科的科学观与方法论的探索，获得了相应的结果。（钟义信，2013A；钟义信，2007；钟义信，2014；钟义信，2017A）

对比表1三个项目的内容可以明显看出，物质学科范式与信息学科范式几乎是相反而相成，对立而统一。人工智能所沿用的范式确实是物质学科的范式，而非信息学科的范式。

那么，人工智能的研究为什么会遭遇“范式张冠李戴”的问题？主要原因是：一方面，虽然人工智能的研究活动已经广泛展开，形成了人工智能研究的社会存在，但由于“社会意识落后于社会存在”法则的制约，作为社会意识的范式至今没有形成，因而，没有信息学科的范式可以遵循；另一方面，数百年来物质学科范式的存在和巨大成功，使人们误以为信息学科的研究也可以借用物质学科的范式。这样两方面原因的叠加，就造成了人工智能的研究沿用物质学科范式的事实。可见，这是历史法则注定了不可避免的学术遭遇。

实现人工智能基础理论的重大突破，需要遵循学科发展的普遍规律

作为一个新学科，人工智能当然具有自己的个性，但同样重要的（如果不是更为重要的话）是必须服从学科发展的共性规律。表2用表格的形式给出了学科发展普遍规律的简明解释。（钟义信，2020；钟义信，2021B）

表2 学科发展的普遍规

表2显示，学科的发展需要经历两个相互联系而又相互不同的阶段：首先是自下而上的探索阶段（称为初级阶段），然后才能进入自上而下的建构阶段（称为高级阶段）。

初级阶段的主要任务，是要通过各个相关学科领域的研究人员从各种不同的学术角度展开全面而漫长的摸索、试探、纠错、争论、交流、总结，逐渐提炼出关于学科范式（学科本质是什么？应当怎样研究？）的共识。这是一个极为艰难的探索过程，常常会出现各种各样“盲人摸象”的情景。

高级阶段的主要任务，是要在初级阶段摸索得到的学科范式的引领下，通过形成学科框架（包括学科的全局研究模型和研究路径）以及学科规格（包括学科的学科结构规格和学科基础规格）一步一步地把范式贯彻落实到学科的理论建构之中（包括构建学科的基本概念集合和基本原理集合）。

对照表2所描述的学科发展普遍规律可以看出，当今，人工智能学科的研究确实仍然处在自下而上探索范式的初级阶段。这是因为，今天的人工智能研究仍然处于结构主义、功能主义、行为主义三大学派互不认可（类似于盲人摸象）的状态，信息学科的范式尚未形成。为了实现人工智能基础理论的重大突破，则首先必须努力结束人工智能领域“信息学科范式缺位，物质学科范式错位”的状态。

表2的规律也清楚地表明，学科范式是引领学科发展全过程的力量：在学科探索阶段，根本的任务是为了总结出学科的范式；在学科建构阶段，主要的任务是为了贯彻和落实所总结出来的学科范式。所以，学科范式的引领和规范作用贯彻在学科发展的始终。

人工智能：初级阶段、高级阶段及阶段转变的条件

按照表2所示的规律，人工智能的研究必然经历两个发展阶段：首先是自下而上探索范式的（初级）阶段，然后才是自上而下依照范式建构学科的（高级）阶段。初级阶段转变到高级阶段的条件，就是人工智能学科范式的成型与确认。从信息科学技术发展的实际情况来看，情形确实如此（见表3）。

表3 信息学科发展的初级阶段、高级阶段及其相应范式

从表3可见：在信息学科发展的初级阶段，学科对象（传感、通信、计算、控制、互联网、物联网，也包括初级阶段的人工智能）要么是单一功能，要么是部分功能的复合。在这里，学科发展与物质学科范式的沿用尚无很深的矛盾；而在信息学科的高级阶段，学科对象（高级阶段的人工智能）具备了完整的信息功能，物质学科范式不再能够满足需要，因此必须遵循信息学科本身的范式。

为什么在信息学科的高级阶段物质学科范式就不能满足需要了呢？因为在这个阶段，研究对象（高级阶段的人工智能）具备了体现主体意志和目标的高级核心功能：感知、注意、认知、谋行（谋划求解问题所需要的行为策略）与决策等，而物质学科范式只能描述和分析物质客体的功能，没有办法描述、分析、理解和实现主体的这些高级功能。

与此相应，为了描述、分析和实现人工智能的主体意志与目标，人工智能的研究需要采用“整体描述”方法，即不仅要描述问题的“形式”，更要描述问题相对于主体目标而言的“价值”，以及在此基础上定义的“内容”，从而形成“形式、内容和价值三位一体”的整体描述与分析方法。只有这样，才能充分表现人类主体的意志与目标。

这就是为什么信息学科初级发展阶段和高级发展阶段需要不同范式引领的内在根据：在初级阶段，信息科技的研究对象（包括初级阶段的人工智能）基本上都是“客体”；而在高级阶段，信息科技研究的对象（高级阶段的人工智能）具有了主体，于是，研究对象变成了“主体主导的主体与客体的互动信息过程”。研究对象变了，研究的范式就必须随之改变。

由此可知，人工智能的初级阶段向高级阶段转变的“硬性条件”，就是信息学科范式的成型与确立。这也是在信息学科发展进入高级阶段之前，人工智能的研究必须经历范式革命的道理。

初级阶段。对照表1、表2和表3可以看出，现阶段国内外的人工智能研究的确还处在初级阶段，还没有找到自己的范式。因此，学术共同体应当继续努力展开全面的探索，以期总结和提炼出人工智能研究所需要的范式。

需要说明，初级阶段在物质学科范式统领下所取得的人工智能研究成果仍然具有局部性的积极意义，这是因为，它们可以作为高级阶段人工智能研究的局部性基础。当然，仅凭这些局部性的基础还远远不足以建立具有高水平智能的人工智能统一理论。因此，不应当满足，更不应当停留在初级阶段。

高级阶段。学科的进步不可能是全体研究人员的“齐步走”。那些已经理解和提炼了信息学科范式的研究团队，应当大胆实施人工智能的范式革命，摆脱物质学科范式的束缚，确立信息学科范式的引领地位，进入人工智能学科的高级阶段（人工智能研究领域的无人区），创建人工智能的全新理论。

范式革命，实现基础理论重大突破走向高级阶段的方法与步骤

如上所说，既然学科范式是学科发展的最高支配力量，而初级阶段人工智能的范式又不可避免地处在“范式张冠李戴”的境地，并且成为现行人工智能一切痼疾的总根源，那么，人工智能范式的革命就成为一种医治人工智能一切痼疾的对症良方，也是实现人工智能基础理论重大突破和源头创新的正确举措。

具体来说，所谓人工智能的范式革命，就是一方面要突破物质学科范式对人工智能学科的束缚；另一方面要总结和确立信息学科范式对人工智能学科的引领作用，并以信息学科范式来规范人工智能各个层面的研究。

具体而言，依照表2所载明的学科发展普遍规律，人工智能的研究应当从学科的源头和制高点（也就是范式）开始，分五步创建新时代的人工智能理论。

第一步，解除物质学科范式对人工智能研究的约束，确立信息学科范式对人工智能研究的引领，并首先准确阐明人工智能学科的宏观定义。如前所说，人工智能的范式革命，就是要全面突破物质学科范式对人工智能的束缚，确立信息学科范式对人工智能研究的引领和规范作用。之所以要全面突破物质学科范式对人工智能的束缚，是因为：其一，物质学科范式的科学观认为，研究对象应当是客观中性的物质，要求彻底排除一切主观因素的影响。但显而易见，智能不可能由排除主观因素的孤立脑物质产生（参见狼孩的试验）。其二，物质学科范式的方法论要求，要贯彻分而治之和单纯形式化的方法。但是这样两种方法只能导致人工智能理论的断裂（分而治之割断了子系统之间的联系）和智能水平的低下（单纯形式化使信息、知识、智能全部空心化）。

可见，物质学科的范式确实不适合于人工智能（尤其是高级阶段）的研究，因此托马斯·库恩所说的范式革命无可避免。当然突破物质学科范式对人工智能的束缚只是范式革命的第一步。更重要的是要确立信息学科范式对人工智能的规范与引领。

那么，什么是信息学科的范式？经过笔者半个多世纪对信息学科的科学观及方法论的探究，（钟义信，2013A；钟义信，2007；钟义信，2014；钟信，2017A）总结其基本特征如表1最底一行所示。一是信息学科范式的科学观认为，人工智能的研究不但不应排除主体因素的存在，相反，人工智能的研究应当强调主体的作用，因为人工智能研究的是主体驾驭和环境约束下的主体与客体相互作用的信息过程。二是信息学科范式的方法论要求，人工智能的研究不应当继续沿用机械还原的方法论，而应当遵循信息生态方法论，即在保持信息成分的完整性、时空的系统性和全局优化条件下的信息转换方法。

这样，根据信息学科范式的科学观和方法论，就可以阐明人工智能学科的定义规范，包括学科的宏观本质是什么？学科的研究应当怎么做？人工智能学科的本质，是主体驾驭和环境约束下主体客体相互作用的信息过程，研究的目的是实现主体客体的合作与双赢。人工智能学科的研究，应当遵循信息生态方法论，即在保持信息成分的完整性、时空的系统性和全局优化条件下的信息转换方法。

正确的学科定义，是人工智能学科能够走上健康发展轨道的根本前提。基于此，人工智能的研究就不再局限于模拟人类大脑的结构，也不是去模拟大脑的功能或者人类表现的外部行为，而是要运用信息生态方法论，研究主客互动的信息过程，实现主客双赢的规律，不断改善人类的生存发展水平。

第二步，把学科的宏观定义具体落实成为学科的框架，包括学科的全局研究模型和研究路径。根据信息学科范式科学观所阐明的学科定义，人工智能的全局研究模型应当是主体驾驭和环境约束下的主体与客体相互作用的信息过程模型。图1所表示的，正是符合这个学科宏观定义的人工智能全局研究模型。（钟义信，2017B；钟义信，2021A）

正如模型所表明的那样，人工智能学科的全局模型必然是，首先，客体信息作用于主体，然后，具有目的和知识的主体设法生成智能 行为反作用于客体，完成主体与客体相互作用的 基本回合。

如果第一回合的智能行为反作用于客体的结果达到了预设的目标，整个过程就完成了任务；如果没有达到预设目标，其中的误差就要返回到主体的输入端，成为补充性的客体信息，促使主体补充新的知识，优化智能策略和智能行为，改进反作用的效果（缩小误差），直至满意为止。

图1 人工智能的全局模型：主体客体相互作用的信息过程

图1所示的人工智能全局研究模型虽然看似简单，却清晰而准确地揭示了人工智能的深层本质：只有主体与客体发生相互作用，才会使具有目的和知识的主体产生智能行为并反作用于环境的客体，实现主体与客体的合作双赢：一方面， 主体达到了自己的预设目标；另一方面，客体维护了环境的运行规律。

那种既没有外部刺激输入，又没有自身行为向客体输出的孤立“大脑”，实际上不可能产生真正有用的智能。即使孤立的“大脑”非常“聪明”， 若没有外部的刺激就没有产生智能行为的激励与动因，因而，也就不会生成智能行为；而没有自身行为的输出，就不可能检验它所产生的行为是否具有解决问题的智能水平。

信息学科范式的科学观构筑了正确的研究模型，接下来必须思考的问题就是：应当怎样去研究这个全局模型？根据信息学科范式的方法论，人工智能的研究应当遵循信息生态方法论。具体来说，就是要遵循“在主客互动框架下保持信息成分的完整性、信息时空的系统性以及在全局优化条件下的信息转换方法”。

进一步的问题是，遵循了信息生态方法论的人工智能系统，将会怎样产生所需要的智能行为呢？事实上，图1的全局研究模型已经表明，人工智能系统产生智能行为的方法只与客体信息、主体目标、主体的知识这些因素有关，即智能行为的生成必定是在主体目标的导引与控制下，在知识的支持与约束下，由客体信息通过复杂转换产生出来。由此，就可以构筑在信息学科范式的信息生态方法论指引下智能行为生成的过程模型， 如图2所示（钟义信，2021B）。

图2 普适性智能生成机制的模型

显然，图2只是图1的具体化，但图2更加明确地揭示了主体产生智能行为的详细过程和普适性机制。图2表明：首先必须实现主体对客体的感知，从而产生主体的感知信息，这就是感知的作用；接着要把感性的感知信息提升为理性的知识，这是认知的作用；然后就可以在预设目标的引导下，在知识的支持与约束下，把感知信息转换为解决问题的智能策略，这是谋行的作用；进而把智能策略转换成为智能行为，这是执行的作用。

图2所揭示的智能生成机制是普适性的，因为其中定义的所有因素（感知、认知、谋行、执行）都是普适性的。图2表明，普适性智能生 成机制的本质内涵就是“信息转换与智能创生”原理。若以→表示转换算法，原理就表示为：客体信息→感知信息→知识→智能策略→智能行为。

这样，信息学科范式的信息生态方法论就创造了一种前所未有的人工智能研究路径：基于普适性智能生成机制的机制主义研究路径，它是统一的（普适的）人工智能研究路径。原先的结构 主义、功能主义、行为主义研究路径乃是这种统一的人工智能机制主义研究路径在相应条件下的和谐特例。

事实上，对于人工智能基础理论研究来说， 普适性智能生成机制才是人工智能的核心本质所在：系统的结构和功能都是为系统实现智能生成机制服务的。至于系统的行为，则是普适性智能生成机制实现以后的外部表现。

所以，这是人工智能理论的一个具有重大意义的研究结果。它给人工智能学科的研究大方向提供了一个极为重要的启示：普适性智能生成机制是一类复杂的信息转换，因此，要把人工智能研究的整体思路聚焦到“信息转换”这个大方向上来。只要抓住了“信息转换与智能创生”这个普适 性智能生成机制，就抓住了人工智能研究的本质和全局。算法、算力、数据、知识都是为实现“信息转换与智能创生”这个普适性智能生成机制服务的。

不过，需要特别提醒：作为普适性智能生成机制的本质，“信息转换与智能创生原理”中的源头——信息，并不是现在广泛流行的Shannon信息，而是感知信息，也就是全信息。如果不了解这一点，普适性智能生成机制仍然不可能生成真正的智能，这是因为，Shannon信息是被单纯形式化方法“阉割”了内容和价值因素而只剩下形式因素的空心化信息。利用这样的空心化信息，普适性智能生成机制也只能提炼出空心化知识，生成空心化的智能。

感知信息具有形式信息（语法信息）、价值信息（语用信息）、内容信息（语义信息）三个分量，这是因为感知过程具有主体目标。于是值得特别强调：在人工智能系统中，必须十分重视主体目标的作用，它是体现主体主观能动作用和主体利益的最高标志性因素。只有那些有主体目标的人工智能系统，才会拥有真正的智能，没有主体目标的“人工智能”系统则不可能拥有真正的智能。这是研究人工智能理论与研究一般物质系统理论之间的最大区别之一。这也是人工智能理论的研究不宜完全简单还原到物质系统的研究的一个重要原因。

在以上说明基础上，就可以构造“由客体信息转换生成感知信息”的工作机制模型，具体情况如图3所示。（钟义信，2021A；钟义信，2021B）图3模型中，驾驭全局的主体因素就是存储在“综合知识库”的目标G。由它来确定外来 刺激（客体信息S）对于达成系统的目标究竟是 有利？有害？还是无关？也就是确定这个客体对于系统的价值信息（语用信息Z）作用为正？为负？还是为零？从而据此确定系统究竟应当对这个客体表示欢迎（支持）？反对（抵制）？还是不予理会（过滤）？

图3 感知信息生成机制的模型

可见，并非一切外部刺激或外来数据都能启动智能生成机制的工作。只有那些与系统主体目标有关（正相关或负相关）的外部刺激才能启动系统智能生成机制的工作：是主体的目标把握着“系统注意力”的大关。

图3模型中的“察觉系统”就是传感系统，它能够察觉和表达系统面临着什么形式的刺激X （形式信息/语法信息），但它不懂得刺激的内容；模型中的“评价系统”就是主体对刺激的价值评估：这个刺激对于达成主体目标有什么利害关系Z（价值信息/语用信息）；其中的“定义系 统”就是把形式信息X和价值信息Z这两者形成的“偶对”映射到内容（语义） 空间并对映射结果进行恰当的命名，这样就定义了主体关于客体的内涵Y（内容信息/语义信息）。不难看出，图3 所示的模型是科学合理的，在技术上是完全可实现的。

以前，人们对语法信息、语义信息、语用信息三者的定义和关系曾经存在很多误解。然而， 感知信息生成机制的模型表明，感知信息的形式信息X（语法信息）、价值信息Z（语用信息）和内容信息Y（语义信息）三者之间存在的关系是Y=λ（X, Z）（其中符号λ表示“映射与命 名”操作）。内容，乃是形式和价值的抽象与命名。这个表达式“Y=λ（X,Z）”具有非常重要的意义，因为它准确回答了：对于人工智能的研究来说，究竟什么是内容？

具体来说，所谓“某个事物的内容”，实质就是指：（1）这个事物具有什么样的形态；（2） 具有这样形态的事物对主体的目标而言具有什么样的价值关系。了解了事物的形态和价值，就是对事物的内容实现了理解。

根据这样定义的“内容”，决策者就可以作出明确的决策：欢迎？反对？不予理会？所以，这是一个非常重要也非常有用的结果，而且是一个至今都不曾被准确定义，甚至被普遍误解了的重要结果。由这样生成的全信息（感知信息）按照普适性智能生成机制生成的知识和智能就将是同样具备形式、价值、内容三个分量的“全知识”和“全智能”。（钟义信，2021A；钟义信，2021B；钟义信，2013B）

第三步，对学科框架的学术规格予以精准化，包括对学科模型的学术结构规格、研究路径所要求的学术基础规格都予以精准界定。根据信息学科范式的科学观，人工智能学科的全局研究模型是“主体客体相互作用的信息过程模型”， 那么，为了精准研究这种主客互动的信息过程，人工智能学科的学术结构规格也应当精准化。结果可以发现：人工智能学科的学术结构应当是由人工智能的原型学科（神经科学、认知科学、人文科学等）、核心学科（信息科学、系统科学、控制科学等）和基础学科（数学、逻辑学、哲学等）所形成的交叉学科群结构；而不应当仅仅是计算机学科。

同时，根据信息学科范式的方法论要求，人工智能学科的方法论应当是信息生态方法论。于是，为了描述主客互动框架下的信息生态过程——以“信息转换与智能创生原理”为标志的普适智能生长机制（机制主义研究路径），人工智能学科所要求的学术基础（数学、逻辑、哲学）的规格就应当满足“内涵的整体性、时空的系统性、全局的优化性”的数学理论（汪培庄，2021）、逻辑理论（何华灿，2021）以及新型的信息哲学理论（邬焜，2005），不应当仅仅是传统的概率理论、刚性化的数理形式逻辑和传统的哲学观念。

第四步，把学科的定义、框架、规格贯彻到学科的具体理论，包括深度改造人工智能理论的基本概念和深度挖掘学科的基本原理。现有的人工智能理论是在物质学科范式约束下形成的，不适用于信息学科的范式。因此，深度改造人工智能的基本概念和基本原理是极为必要的工作。比如，物质学科范式的科学观认为研究对象是物质客体，不允许主观因素的参与。这就导致现有人工智能的基本概念（如数据、知识、智能等）都是纯粹客观的、绝对中性的、不反映主体因素的概念，同时导致现有人工智能的工作原理（形式 计算、统计、形式逻辑等）也都是纯粹客观的、绝对中立的、不能反映主体因素的演绎原理。又比如，物质学科范式的方法论是分而治之和单纯形式化，因此，现行人工智能的基本概念（数据、知识、智能等）都是被“阉割”了内容与价值 因素的形式化概念，而现行人工智能的基本方法（纯形式的计算、统计、数理逻辑等）也都是被“阉割”了内容与价值因素的分析方法。

显然，如果把现有人工智能的基本概念和基本原理原封不动地照搬到新的人工智能理论中来：一方面，学科的定义（学科的科学观和方法论）、学科的定位（学科的全局模型和研究路径）、学科的定格（学科的学术结构和学术基础）都符合信息学科范式的要求；另一方面，学科理论的基本概念和基本原理却还是沿用物质学科的范式。那就意味着，信息学科范式会被“截去了双腿”。这种“截去了双腿”的人工智能范式革命，绝不是成功革命。

根据信息学科范式的科学观，人工智能全局研究模型是“在主体驾驭和环境约束下主体与客体相互作用的信息过程”，那么，为了研究主体与客体互动的信息过程，使主体能够从形式、价值、内容上全面了解客体，人工智能学科的基本概念也就应当是形式价值内容三位一体的全信息、全知识、全智能等基本概念。其中，价值和内容便是信息学科范式科学观所要求的主体因素的具体体现，而信息、知识、智能之间的复杂转换则是信息学科范式的信息生态方法论的体现。

近年来，从实际操作的角度，人们把纯粹形式化的“数据”看作是人工智能的“粮食”。这看似有一定的道理。不过，深入研究就会认识到， 数据只是信息的载体和外壳，不含信息的形式数据根本不能启动人工智能系统的有效工作。只有携带了与系统目标相关（无论是正相关还是负相关）的信息（即感知信息的价值信息分量不为零），才能真正启动人工智能系统的工作。所以，对于人工智能的研究来说，真正重要的概念是全信息（感知信息），而不是纯形式的数据。同时，根据信息学科范式的方法论，人工智能学科的方法论应当是信息生态方法论，那么，为了满足“整体性、系统性和全局优化性”，人工智能学科的基本原理就应当是符合信息生态规律的一系列信息转换并最终创生智能的那些原理，它们构成了“信息转换与智能创生”定律。

颇有意义的是， 信息学科领域的“ 信息转换与智能创生定律”，与物质学科领域的“质量转换与物质不灭定律”以及能量学科领域的“能量转换 与能量守恒定律”共同构成完备的科学定律体系：物质领域和能量领域的定律分别告诫人们应当遵守“物质不灭”和“能量守恒”，而信息领域的定律则启示人们应当如何具体“创生智能”。

第五步，综合学科的定义、框架、规格、理论，最终形成机制主义的通用人工智能理论这一全面体现信息学科范式的全新人工智能理论。把人工智能范式革命及其全部链锁反应的结果综合在一起，就可以产生人工智能范式革命所创造的全新一代人工智能理论——基于普适性智能生成机制的通用人工智能理论，简称“机制主义通用人工智能理论”。具体来说，只要按照表2所表示的“学科发展的普遍规律”，我们就可以在图2所示的普适性智能生成机制模型的基础上，生成整个机制主义通用人工智能理论的系统模型，如图4所示。（钟义信，2017B；钟义信，2021A）

图4 机制主义通用人工智能理论的系统模型

不难看出，图4仍是“主体驾驭和环境约束下主体与客体相互作用所产生的信息过程模型”，其中的客体表示为模型最底端的椭圆，模型的其它部分是充分展开了的主体功能群，它完美地包容了图2的普适性智能生成机制。

机制主义通用人工智能理论系统模型图4的具体工作过程包括：（1）把客体信息转换为感 知信息，“注意”的功能就在感知基础上利用感知信息来实现（图4的“感知—注意”子系统）；（2）把感知信息转换为知识（图4的“认知”子系统）；（3）在目的引导下，在知识约束下， 把感知信息转换为智能策略（图4上部虚线所围的部分，称为“谋行”子系统）；（4）把与问题求解相关的各种信息、各种先验知识和各种先验策略随时进行存储与提取（图4 的“综合知识库”子系统）；（ 5 ）把智能策略转换为智能行为（图4 的“策略—执行”子系统）；（ 6 ）检验智能行为反作用于客体的行为实效（图4的“检验”子系统）；（7）如果检验的结果存在误差，就把误差作为补充性的客体信息反馈到整个系统输入端（如图4所示）；（8）根据误差信息，从综合知识库提取新的相关知识（在图4的“综合知识库”完成）；（9）利用新提取的补充知识，按照步骤（3）的方法改善智能策略和智能行为，从而改善智能行为的效果（仍是图4的“谋行”子系统）：（10）把满足要求的智能策略存入综合知识库（图4的“综合知识库”子系统），从而体现了机制主义通用人工智能系统在解决问题的过程中不断通过学习和不断增加自身解决问题的能力的自学习机制。由图4可见，“普适性智能生成机制（感知→认知→谋行→执行）”就和谐有机地融合在整个机制主义通用人工智能系统之中。

机制主义通用人工智能理论的简要自评

作为一项完整的人工智能基础理论研究工作，应当对研究的结果作出必要的分析和评判， 但关于机制主义通用人工智能理论的全面评价， 必须等待这一理论转化为实用的机制主义通用人工智能系统，并在若干有代表性的真实环境下经过比较充分的应用后才能正式开展。

不过，作为理论性的研究工作成果，同时也作为任何研究工作的一个必要的环节，研究者自己也有责任对研究结果作出公正的自评，这里就对上文所阐述的机制主义通用人工智能理论的生成思路、机制和原理作一些理论性的初步判断， 如表4“机制主义通用人工智能理论占现行人工智能理论的定性对比”所示供读者分析、参考与批评。

表4 机制主义通用人工智能理论与现行人工智能理论的定性对比

此外，需要指出，所谓通用人工智能，并不是指用一个单体的“巨无霸”式的人工智能系统解决世间所有的问题。这里所说的通用人工智能理论，是指以不变的（普适性的）智能生成机制去成功应对千变万化的实际问题。换言之，通用是指机制的通用，而通用人工智能系统的输入内容（问题、目标、知识）和输出内容（智能策略和智能行为）则将随着问题的改变而相应改变，这就是“以不变应万变”的真实含义。

具体来说， 给定任何合理的“ 求解的问题、求解的目标、求解问题所需要的先验知识”（所谓“合理”，是指：所给定的“求解问题”至少在理论上确实存在着“求解目标”，或者说给定的“求解目标”一定存在），通用人工智能理论都可以凭借它的普适性的（不变的）智能生成机制，在给定的目标引导下，利用给定的知识（在先验知识不足的情况下也可以通过学习来扩展知识），生成能够“求解问题”达到“求解目标”的智能策略和智能行为。当然，如果求解的问题改变了（这意味着求解目标和所需要的知识也会相应改变），解决问题的策略和智能行为也会随之改变，但生成这种智能策略和智能行为的机制却不需要改变，依然遵循“信息转换与智能创生定律”。

换句话说，“普适性的智能生成机制”是人工智能理论研究中的不变性和不变核，是人工智能理论之所以能够成为“通用人工智能理论”的根本基础。这样，面对千变万化的问题，不再必须对每个不同的问题（场景）从头做起去设计专用系统，只需要把各自的“问题、目标、知识”表达成一定的形式，利用同样的普适性的智能生成机制就可以生成解决相关问题的智能策略和智能行为，并达到“求解问题”的目的。其实，通用人工智能系统就是“各种人工智能系统的通用孵化平台”。通用人工智能理论的“机制通用性和理论统一性”，是人工智能范式革命带来的巨大优越性。作为对比，现行人工智能理论无法望其项背。

同样十分重要的问题是，由于现行人工智能沿用了“单纯形式化”的物质学科范式方法论，使得现行人工智能系统的“智能水平十分低下”，成为现行人工智能理论的又一项痼疾。现行人工智能系统表现出来的“智能”，其实都不是基于对问题的理解所实现的，而是利用快速运算变幻出来的结果。这样设计出来的“智能”严格依赖特定的应用场景，场景一变，该种”智能“便会失效。

从通用人工智能理论的图3和图4模型则可看出， 客体信息经过感知被转换成为了感知信息。如前所说， 感知信息是形式信息（语法信息）、价值信息（语用信息）、内容信息（语义信息）的三位一体；知识是形式知识、价值知识、内容知识的三位一体；智能策略是形式策略、价值策略、内容策略的三位一体。因此， 信息、知识、智能策略都是可以理解的。

当然，由于人工智能综合知识库所存储的信息、知识、策略毕竟有限，因此它的理解能力也有限。人们不应当完全按照“人类的理解能力水平”来要求“人工智能机器的理解能力水平”，不应当要求人工智能系统完全像人类那样能够洞若观火灵活变通或者举一反三、触类旁通。但是，人工智能的“理解能力”至少能使人工智能机器作出具有理解基础的决策，并且具有一定的自学习能力。比如，在信息的层面上，通用人工智能系统可以根据感知信息的价值信息的分量大小与性质对客体作出基于理解的明智决策：（1）如果价值信息为足够大的正值，就采取相应的措施利用客体；（2）如果价值信息为足够大的负值，就采取相应的措施限制客体；（3）如果价值信息 为足够小的正值或负值，就不理会或过滤相应客体；（4）在“多中选一”的情况下，就选择其中价值信息为最大正值的客体，或者选择其中价值信息为最小负值的客体。

在知识和智能策略的层面，也同样可以针对所面临的问题作出与信息层面类似的具有一定智能水平的明智决策。而且，无论在信息、知识，还是智能策略的层面，这样作出的决策，都可以清晰而准确地得到解释。这就解决了人工智能系统的可信任性问题。

人工智能范式革命所产生的机制主义通用人工智能理论的另一巨大优越性，是它的理解能力和在理解基础上的智能决策水平。与通用人工智能理论的智能水平相比，现行人工智能理论的理解水平确实相差甚远。这是人工智能范式革命所带来的人工智能理论的深刻革命。

表5 人工智能范式革命前后的学科范式比较

表5是对上述论证的简明总结（从科学观、方法论到基本概念、基本原理）。值得指出，表5显示了在人工智能范式革命之前，“三分天下”的现行人工智能理论是物质学科主导的科学时代所产生的人工智能理论；而在实施人工智能范式革命之后，“机制主义通用人工智能理论”则是信息学科主导的科学新时代所创造的人工智能理论。人工智能的范式革命，是这两个科学时代人工智能理论的分水岭。

正是在这个意义上，人工智能范式革命乃是推动物质学科主导的科学时代转变到信息学科主导的科学新时代的引擎和桥梁，也是划分物质学科主导的科学时代与信息学科主导的科学新时代的界限和分水岭。这样，人工智能范式革命的产物——基于普适性智能生成机制的通用人工智能理论就名副其实地具有了划时代的意义。这就是人 工智能范式革命及其链锁反应所带来的人工智能基础理论的具有划时代意义的重大突破和源头创新。

结语

当前，我们已经处在学科范式革命（由物质学科范式主导转变为由信息学科范式主导）的伟大时代。具体来说，20世纪中叶以来，信息学科迅猛崛起，成为了一种社会存在。只是受制于“社会意识滞后于社会存在”法则，信息学科的社会意识（范式）至今尚未形成。在此期间，作为初级发展阶段的信息学科研究便借用了物质学科的范式，造成了初级发展阶段信息学科“范式张冠李戴”的结果。然而，社会发展的需要使信息学科不可能永远停留在初级发展阶段，必然要冲破各种束缚向高级发展阶段迈进。这就必然迫使信息学科形成并确立信息学科范式来引领自己的高级发展阶段，而把物质学科范式归还给物质学科（理顺学科范式）。这就是信息学科（含人工智能）的范式革命。

信息学科范式革命的主要标志是（1）科学观的大转变：信息学科高级阶段的研究对象不再局限于物质客体，而是主体驾驭和环境约束下的主体客体相互作用的信息过程；研究的目的也不再是认识物质的结构与功能，而是实现主体客体在互动中双赢；（2）方法论的大转变：信息学科高级发展阶段的方法论不再是“分而治之”和“形式演绎”，而是转变为“整体而治”（而不是分而治之） 和“生态演化”（而不是单纯的形式演绎）。可见，信息学科范式与物质学科范式之间大不相同， 它们之间是“辩证的统一”。因此，不能混为一谈。

为了能够理解信息学科的范式革命，我们应当自觉地认识并处理好以下几种重要的关系。

科学—哲学。不能忽视哲学对科学的指导。仅在科学范围内部无法发现信息学科范式这个至高无上的指南，更不可能注意到人工智能范式革命这个本质命题；而不触及范式革命的人工智能研究是不深刻不彻底的研究。学科的划分，使科学界往往不再关注哲学的作用。但只有打破科学与哲学之间的藩篱，形成科学与哲学的联盟，才能认识到学科范式的制高地位，并在正确的学科范式引领下揭示复杂而深刻的规律，开拓科学研究前沿的“无人区”，创建全新的科学理论。在人工智能的初级发展阶段，在物质学科范式的束缚下， 人工智能的研究也取得了许多进展。但是在物质科学观和分而治之方法论束缚下， 那都只能是局部性和碎片式的进展，不可能取得全局性通用性的进展；而且在物质科学观和形式演绎方法论束缚下，信息、知识、智能的价值因素和内容因素都被彻底掏空，因而，不可能获得真正的智能。

信息科学（特指高级阶段人工智能）—物理科学。不能把人工智能的研究还原为物理学的研究。因为，前者的研究对象是主体与客体复杂互动的信息过程，后者的研究对象是纯粹的物质客体而不可能关注主客相互作用的信息过程。一个困扰很多人的问题是：人类主体和机器系统从外部世界接受到的输入同样都是各种事物的形式， 为什么人类能够从这些形式之中加工出相应的价值和内容，而现有的机器（包括现有的人工智能机器）却无法从中加工出价值和内容？这是因为，作为万物之灵的人类是具有明确目的的生物物种，因此，各种事物的形式在他的心目中就必然产生价值的判断和反应，因而，也就有了内容的提炼。加之，人类的活动是人与环境之间相互作用的开放过程，于是他就能够不断地在实践中检验各种形式的价值。信息学科范式尊重了人类的这种独特品格，把具有明确目的的人类主体及其与环境的相互作用看作自己的研究对象。然而，物质学科范式则仅仅把物质客体的结构与功能作为自己的研究对象，彻底地排除了主体的一切因素，因而，也就排除了价值和内容的立足点， 彻底否决了从形式加工出价值和内容的可能性。可见，没有目的的系统，不可能有智能。由此可知，完全用物理学的观点看待人工智能（主体驾驭与环境约束下的主客相互作用的信息过程） 的研究，或者把人工智能的研究还原（退化）为物理学的研究，都是不适宜的。

信息理论—高级阶段人工智能。不能把国内外唯一公认的Shannon信息理论当作研究人工智能理论的全部信息理论基础。因为，它完全抛弃了人工智能的主体因素。虽然人工智能把“主体驾驭和环境约束下的主体客体互动的信息过程”作为自己的研究对象，但这丝毫也不表明，现有的信息理论就可以完全满足人工智能研究的需要。恰恰相反，由于现有的信息理论（主要的代表是Shannon于1948年建立的信息论——通信的数学理论）是在物质学科范式束缚下产生的，只关注 了信息的形式因素而完全忽视（掏空）了信息的价值因素和内容因素的纯粹形式化信息理论，因此，无法支持人工智能理论所需要的信息过程研究。解决这一问题的办法是，只有把现有纯粹形式化的Shannon信息理论改造提升成为“形式信息（也称语法信息）、价值信息（也称语用信息）和内容信息（也称语义信息）三位一体的全信息（也称感知信息）理论”，才能满足人工智能理论研究的需要。

高级阶段人工智能—计算机与形式逻辑。不宜把人工智能看作是计算机科学和形式逻辑理论的应用分支。因为，计算机和形式逻辑也是在物质学科范式引领下建立的形式化演绎系统。计算机是强大的信息处理系统，形式逻辑是强大的演绎系统。但是，它们所能够处理和演绎的“信息”必定是纯粹形式化的信息（0与1系列），而高级阶段人工智能所需要的价值信息和内容信息的处理与演绎，已经超出计算机和形式逻辑的能力范围。正如人们所说：计算是计算机的本领，算计是（高级阶段）人工智能的特殊本领。算计与计算的差别就在于：前者需要形式因素、价值因素和内容因素的支持，后者只需要形式因素的支持。因此，要想使计算机和形式逻辑理论能够支持高级阶段人工智能的研究，则两者都需要变革与创新，而不能在原有的范式下直接实现。在这个意义上，广泛流行的“计算思维”只适用于计算机，而不适用于高级人工智能的研究。

高级阶段人工智能—数学。形式化的数学如何适应人工智能对“内容”研究的需求。这可能是数学科学面临的创新任务。一方面，和其他科学技术一样，高级阶段人工智能理论研究同样需要数学的鼎力支持。不仅如此，数学在人工智能理论研究中还发挥着特别重要的作用。另一方面， 由于高级人工智能理论的科学观是主体驾驭与环境约束下的主客相互作用的信息过程，它的方法论是“整体而治”（而不是分而治之）和“生态演化”（而不是单纯的形式演绎）。因此，它对数学提出了“如何描述和分析事物的价值因素和内容因素”的要求。这便蕴含着“形式化科学”向“内容科学”发展的巨大变革。这与“人工智能范式革命” 遥相呼应。

总之，学科的范式是学科的核心灵魂。人工智能范式的革命不仅是人工智能从初级阶段走向高级阶段的阶梯，而且是物质学科主导的科学时代通向信息学科主导的科学新时代的桥梁。这是21世纪必定要掀起的信息学科（含人工智能）以及复杂科学研究发展的波澜壮阔的未来！

（本文系国家自然科学基金项目“机制主义方法与高等智能理论”和国家社科基金重大项目“信息哲学的历史、现状与未来” 的研究成果，项目编号分别为60873001、18ZDA027。本文的研究有幸得到了陆汝钤院士、李衍达院士、陆建华院士、谭铁牛院士、蒲慕明院士、涂序彦教授、何华灿教授、汪培庄教授、史忠植教授、韩力群教授、邬焜教授、王小捷教授、周延泉副教授、陈志成博士、李蕾副教授、李睿凡副教授、孙健博士， 以及中科华数信息科技研究院卢建新院长、徐亭院长、张世光副院长、王丁桃秘书长等各种形式的帮助和支持，在此谨表衷心的感谢！）

参考文献：

，2018，《加强领导做好规划明确任务夯实基础 推动我国新一代人工智能健康发展》，《人民日报》，11月1日，第1版。

本书编写组，2017，《新一代人工智能发展规划》，北京：人民出版社。

《论语》，2016，陈晓芬译注，北京：中华书局。

W.S.McCulloch,and W.Pitts,1943, "A LogicalCalculus of the Ideas Immanent in Nervous Activity",The Bulletin of Mathematical Biophysics.

D.O.Hebb,1949,The Organization of Behavior, New York: Wiley.

J.McCarthy; M.L.Minsky;N.Rochester, and C.E.Shannon, 2006,"A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence", Ai Magazine.

A.Newell, 1980, "Physical Symbol Systems", Cognitive Science.

R.A.Brooks, 1990, "Elephants Don't Play Chess", Robotics and Autonomous Systems.

M.L.Minsky, and S.A.Papert, 1969, Perceptron, Cambridge: MIT Press.

R.A.Brooks, 1991, "Intelligence without Representation", Artificial Intelligence.

［美］托马斯·库恩，2012，《科学革命的结构》，金吾伦、胡新和译，北京大学出版社。

钟义信，2018，《机制主义人工智能理论——一种通用的人工智能理论》，《智能系统学报》，第1期。

钟义信，2020，《“范式变革”引领与“信息转换”担纲：机制主义通用人工智能的理论精髓》，《智能系统学报》，第3期。

钟义信，2013A，《信息科学原理（第五版）》，北京邮电大学出版社。

钟义信，2007，《机器知行学原理：信息、知识、智能的转换与统一理论》，北京：科学出版社。

钟义信，2014，《高等人工智能原理：观念·方法·模型·理论》，北京：科学出版社。

钟义信，2017A，《从“机械还原方法论”到“信息生态方法论”——人工智能理论源头创新的成功路》，《哲学分析》，第5期。

钟义信，2017B，《人工智能：概念·方法·机遇》，《科学通报》，第22期。

钟义信，2021A，《机制主义人工智能理论》，北京邮电大学出版社。

钟义信，2021B，《人工智能范式革命与通用智能理论的创生》，《智能系统学报》，第4期。

钟义信，2013B，《信息转换原理：信息、知识、智能的一体化理论》，《科学通报》，第14期。

汪培庄，2021，《因素空间理论与人工智能》，北京：北京邮电大学出版社。

何华灿，2021，《命题级泛逻辑与柔性神经元》，北京邮电大学出版社。

邬焜，2005，《信息哲学——理论、体系、方法》，北京：商务印书馆。

Paradigm Revolution: The Only Way for the Original Innovation of the Basic Theory of Artificial Intelligence

Zhong Yixin

Abstract: Artificial intelligence (AI) is an open and complex information system, which should follow the paradigm of information science. However, due to restriction of the law that "social consciousness lags behind social existence", the information discipline paradigm has not been formed so far, so the AI research actually follows the material discipline paradigm, resulting in AI research being stuck in the primary stage and only making shallow progress in certain areas. Only by establishing the information discipline paradigm through the paradigm revolution of AI can we obtain the original innovation and overall innovation of AI research and enter the advanced stage of AI development. According to this idea, it is necessary to study and summarize the para-digm of information discipline, so as to break through the shackles of the paradigm of material discipline on the AI research; and under the guidance of the paradigm of information discipline, find a new AI research model, reveal the universal intelligent generation mechanism of the "law of information transformation and intelligent creation", and create an AI theory of original in-novation and overall innovation – the mechanism-based general AI theory.

Keywords: AI, paradigm revolution, mechanism

,