從“機械還原方法論”到“信息生態方法論”
——人工智能理論源頭創新的成功路

鐘義信

·科學技術的哲學理解·

從“機械還原方法論”到“信息生態方法論”
——人工智能理論源頭創新的成功路

鐘義信

圍棋的人機大戰，在國內外都激起了熱烈的反響。社會人文學界人士在認真辨析：機器真能超越人類嗎？工程科技界人士則在思考：應當選擇哪些技術項目實現人工智能的趕超？這些都是至為可敬的思慮！然而，“機器超人說”并無明確的科學依據；基礎理論的突破是趕超和創新的根本之道。眾所周知，科學研究的方法論既是理論研究的源頭，又是理論研究的龍頭。因此，面對人工智能發展的現狀，當務之急應是變革和創新人工智能研究的科學方法論，抓住人工智能創新研究的龍頭，在源頭上實現人工智能基礎理論的突破、超越與引領。

機械還原方法論；信息生態方法論；通用人工智能理論

一、引言：為什么人工智能要特別關注方法論的研究？

所謂“科學研究”，乃是運用正確的方法去發現和解決那些必須解決的科學問題。任何一項科學研究是否能夠獲得好的成果，這在很大程度上取決于其所運用的方法是否得當。“工欲善其事，必先利其器”，說的也是這個道 理。

科學研究方法論，是關于科學研究方法的理論，是關于科學研究方法的普遍指南。對于一般常規的、穩定的和局部的科學研究來說，它們所運用的研究方法相對而言都已經比較明確，因而不需要特別關注“方法的理論”。但是，對于那些問題新穎、涵義深刻、復雜性高、創新性強的基礎理論科學研究來說，這些研究所具有的高度復雜性和新穎性，必然會帶來“方法選擇”的困難性和不確定性。在這種情況下，研究者就必須特別關注“科學研究方法的理論”，關注科學研究方法論。

人工智能的研究任務是：理解自然智能（人類智能是地球系統中迄今所知曉的最復雜最高級的自然智能） 的工作機理，并在自然智能工作機理的啟發下研究具有一定智能水平的各種機器，為增強人類的智力能力提供服務。

可見，人工智能的研究直接指向人類智能的深層奧秘，具有極大的深刻性、新穎性和復雜性，以至于學術界普遍認為，人腦的復雜性堪比“小宇宙”；而宇宙的起源、生命的起源、智能的奧秘，則被認為是現代科學研究所面臨的意義重大的三座科學高峰。

換言之，人工智能確實是一類極其復雜、極其深刻、極具創新性的研究，因此，特別需要“科學研究方法論”的指導。不管是否意識到，不管自覺還是不自覺，人工智能的研究都必然要受到方法論的制約。特別是人工智能的重大創新性研究，這種制約更加顯而易見。問題在于，是自覺地總結和選擇正確的方法論的指引，還是不自覺地受到不那么正確的方法論的誤導？

二、科學方法論引領人工智能研究的歷史足跡

幾百年以來，以“分而治之”為基本特征的“機械還原方法論”成為自然科學研究方法論的最高典范。它的基本含義是：當面對難以直接求解的復雜系統研究的時候，應當把它分解為相對簡單的一組子系統進行分別求解，然后把所有子系統的解合成起來就可以得到系統的解。這個方法論在經典物質科學研究領域幾乎是放之四海而皆準，屢試不爽，使近代自然科學不斷分化、不斷深入，為近代科學技術的繁榮和發展作出了歷史性的偉大貢獻。

因此，當面對人工智能這種高度復雜系統研究的時候，人們自然會遵照“機械還原方法論”的指導原則，把復雜的人工智能系統進行分解。這既是必要的，也是必然的。否則，人工智能的研究就會停留在籠統的膚淺水平而難以深入。

問題是應當怎樣分解？

根據20世紀中葉人們對于系統的理解，人們認為系統能力是由系統結構決定的（稱為“結構決定論”），因此，只要模擬了系統的結構就可以模擬系統的能力。當時的科學技術研究已經證實：人類的高級認知功能（智能） 主要定位在人類的大腦新皮層。這樣，模擬人類大腦新皮層結構的研究，就成為人工智能研究最早選擇的途徑（雖然當時還沒有創造“人工智能”這個術語）。這就是1943年發端的以神經元數理邏輯模型aW. C. McCulloch，W.Pitts，“A Logic Calculus of the Ideas Immanent in Nervous Activity”，Bulletin of Mathematical Biophysics，Vol.5，No.4，1943，pp.115—133.為基礎的人工神經網絡（Artificial Neural Network，縮寫為ANN）bF. Rosenblatt，“The Perception：A Probabilistic Model for Information Storage and Organization in the Brain”，Psychical Review，Vol.65，No.6，1958，pp.386—408.的研究。

到了20世紀50年代中期，人工神經網絡的研究遭遇到技術實現的困難（所要模擬的大腦皮層神經網絡規模太大，結構太復雜；而如果降低人工神經網絡的復雜度，它所能實現的智能水平就會大大降低），一些思想敏銳的人便開始尋找新的出路。

按照當時的認識，學術界認為：功能是決定系統能力的主導因素，只要模擬了系統的功能就可以模擬系統的能力（稱為“功能主導論”）。那時，計算機已經顯示出相當強大的功能，于是，利用計算機來模擬人腦功能的研究就成為當時人工智能（Artificial Intelligence，縮寫為AI） 研究的必然選擇。這就是1956年達特茅斯研討會之后興起的物理符號系統（后來退化為專家系統）cJ. McCarthy，et al，“Proposal for the Dartmouth Summer Research Project on Artificial Intelligence”，Technical Report，Hanover：Dartmouth College，1955.研究。

及至專家系統的研究在20世紀80年代遭遇到“知識瓶頸”的困擾（任何專家系統都需要求解問題的知識的支持；但是求解任何問題所需知識的邊界都難以明確，而且不同的專家有著不同的理解；此外，知識的自動獲取也非常困難），這種情形，迫使人們又不得不轉而探求新的研究途徑。

既然大腦結構的模擬太復雜，大腦功能的模擬又面臨難以逾越的知識瓶頸，那么，人工智能研究的新途徑在哪里？一些人認識到：系統的行為是系統能力的表現，只要模擬了系統的行為，就模擬了系統的能力（稱為“行為表現論”），于是，模擬智能系統行為的感知動作系統（Sensor Motor System，縮寫為SMS） 研究便順理成章地成為20世紀90年代人工智能的技術潮流，它的技術標志是“六腳蟲機器人”dR. A. Brooks，“Intelligence without Representation”，Artificial Intelligence，Vol.47，No.91，1991，pp.139—159.。

于是，在以“分而治之”為基本特征的“機械還原方法論”的無形指引下，基于結構主義的人工神經網絡研究、基于功能主義的物理符號系統/專家系統研究、基于行為主義的感知動作系統研究，就成為人工智能研究的三大途徑，形成了三大學派。

以上的歷史事實表明，從宏觀戰略的視野來看，人工智能研究途徑的選擇時刻都沒有離開方法論的引導：分而治之的機械還原方法論，包括結構決定論、功能主導論、行為表現論，這些方法論的思想觀念貫穿了人工智能發展歷程的始終。當然，那些研究人工智能系統的具體硬件設計和算法編程的工作者們，可能感覺不到這些方法論的存在和影響，但是方法論這只“無形的手”卻在更高的層次上千真萬確地制約著人工智能的走向。因此，關心人工智能戰略方向、整體發展和理論創新的研究者們，對于方法論的問題不能不高度重視，否則就可能走錯道路，迷失方向，貽誤大局。

三、當代人工智能面臨的主要挑戰：方法論的轉變

當前人工智能面臨的主要問題是什么？

如果冷靜考察人工智能發展的全局，就可以清楚地看到，技術上雖然呈現出百花競艷的繁榮景象，如戰勝國際象棋世界冠軍的專家系統“深藍”（Deeper Blue）、擊敗全美問題搶答競賽冠軍的專家系統“沃森”（Watson） 和橫掃60多位圍棋世界頂級棋手的人工智能圍棋系統“阿爾法狗”（AlphaGo）。然而，當今人工智能發展的最大問題卻是：由于“機械還原方法論”把人工智能研究領域分割為結構主義的人工神經網絡、功能主義的專家系統、行為主義的感知動作系統三個相互割裂的領域碎片，至今未能形成統一的人工智能理論。而沒有統一的理論，就表明人工智能的理論研究還沒有達到真正成熟的程度。事實上，如今的人工智能研究正處在理論攻堅的階段。

一方面，人工智能研究確實涌現了若干異常耀眼的局部成果；另一方面，它在總體上卻又還未成熟。由于“一俊遮百丑”的效應，局外人看到了一些耀眼的局部成果，就以為整個人工智能研究都已經非常成熟非常強大了。這是誤判。

有鑒于此，許多人工智能研究者都在致力于尋求人工智能理論的統一之路。其中最有代表性的工作是：兩位人工智能研究后起之秀拉塞爾與諾維克（Russell and Norvig） 在1995年出版了一部長篇巨著《人工智能：一種現代方法》（ Arti fi cial Intelligence：A Modern Approach）aS. J. Russell，P. Norvig，Artificial Intelligence：A Modern Approach，New York：Pearson Education，Inc.，1995.，目的就是要提出一種“現代方法”，建立人工智能的統一理論。

另一位著名代表是人工智能領域權威學者尼爾森（Nilsson），他在1998年出版了他的新著《人工智能：一種新的集成方法》（ Arti fi cial Intelligence：A New Synthesis）bN. J. Nilsson，Artif i cial Intelligence：A New Synthesis，New York：Morgan Kaufmann Publishers，1998.，目的也是希望提出一種新的集成方法，把分散的人工智能理論集成起來。然而，這些努力都沒有取得成功。他們只是把分散的三大理論結果簡單地拼接在一起，而沒有找到能夠實現“集成”和實現“現代化”的理論基礎。

為什么人工智能研究至今沒有形成統一的理論？僅從技術研究的細節方面很難看出端倪。真正的根源隱藏在深層，在于人工智能方法論存在的缺陷。“分而治之”的方法論把人工智能研究分解成為：（1）基于結構模擬的人工神經網絡研究；（2）基于功能模擬的物理符號系統/專家系統研究；（3）基于行為模擬的感知動作系統研究。沿著這三種不同方向和深度推進的三種研究各自都獲得了不少成果，“迷途”而不知返，不知道它們之間的共同理論基礎是什么。

這是一種嚴重的教訓：不當的方法論，掩蓋了它們之間的內在聯系！只有正確的方法論才能揭示它們之間的深層關聯。

那么，究竟什么是人工智能的共同理論基礎呢？要想獲得正確的答案，還是需要找回研究人工智能的正確的方法論。為此，我們先來考察圖1所示的人類智能（人工智能的原型） 的工作過程模型。a參見鐘義信：《高等人工智能原理：觀念·方法·模型·理論》，北京：科學出版社2014年版，第164頁。

圖1 人類智能（人工智能原型） 的模型

圖1所示的人類智能的工作過程模型表明，這確實是一個復雜系統，包含了環境客體、認識主體以及認識主體與環境客體之間的相互作用過程。后者包括環境客體產生本體論信息作用于認識主體，認識主體則通過感知選擇、認知、基礎意識、情感、理智、綜合決策、策略執行這些復雜過程而產生反作用于環境客體的智能行為。這個“認識主體與環境客體之間相互作用”的過程雖然看上去相當復雜，但卻都是合理的，而且是可以理解的過程。

簡要地說，這個“認識主體與環境客體之間相互作用”是這樣展開的：生活在一定環境中的認識主體（圖1中橢圓以外的全部） 首先會從環境中受到某種客體（或問題） 所產生的“本體論信息（也稱客體信息）”的刺激作用，從而感受到這個本體論信息的存在，如果這個本體論信息與認識主體的目的不相關，就不予理睬；如果相關（正相關或負相關），就必須關注（這就是“注意和選擇”的功能），就要通過感知過程生成主體的“認識論信息”（也稱感知信息），進而通過認知過程生成關于這個問題的“知識”，然后在知識的支持和目的的引導下，把認識論信息轉換成為與事物打交道所需要的“智能策略”，通過策略執行單元把智能策略轉換成為智能行為，反作用于環境中的事物，完成主體與客體相互作用的第一個回合。

由于所獲得的信息不一定充分、所生成的知識不一定完備，總之由于種種的不理想性，主體與客體相互作用第一回合所生成的策略不一定具有足夠的智能水平，因此主體反作用的結果會存在誤差。為了減小這個誤差，主體需要把這個誤差作為新的信息反饋到自己的輸入端，展開新的回合：通過學習來補充知識和優化策略，使由此生成的智能行為能夠更好地達到目的。這就是“反饋、學習、優化”的過程。這種過程可能需要多個回合，才能滿意地達到目的。a參見鐘義信：《高等人工智能原理：觀念·方法·模型·理論》，第165—168頁。

模型表明，“智能”是“本體論信息（客體信息）—認識論信息（感知信息）—知識—智能策略—智能行為”這樣一系列的轉換過程的產物。為簡明起見，這個過程也可簡記為“信息—知識—智能”轉換。這是“智能生成過程”的共性機制，既是人工智能也是人類智能的生成機制。至于這個“機制”應當用什么樣的“結構”和哪些“功能”來實現，以及這個生成機制的實現會產生什么樣的外部“行為”，這取決于具體問題的性質。因此，只有“智能的生成機制”才是智能系統最本質的全局性決定性因素，而系統的結構、功能和行為都必須服務于和服從于實現“機制”的需要。

正如模擬鳥類飛翔能力來制造飛機那樣，人們并不刻意模擬鳥類的具體結構、功能和行為，而是模擬支持鳥類飛行的那個抽象的“空氣動力學原理”。同樣，為了模擬人類的智能，人們也不應當拘泥于模擬人類智能系統的具體結構、功能和行為，而應當模擬支撐人類智能系統的那個抽象的“信息轉換原理”。抽象的原理才體現系統的本質！

透過“智能生成機制”的分析可以明白，“智能”的生成，是由本體論信息生成認識論信息、由認識論信息生成知識、由知識生成智能策略、由智能策略生成智能行為這樣一個生生不息的“生態系統”生長演化過程來實現的。

于是，我們就把“著眼于信息系統的生態（而不是靜態）本質，而且通過研究信息系統各個部分的相互關系，以及信息系統與其環境之間的相互關系來實現系統整體良性生長”這樣一種抽象的指導思想稱為“信息生態方法論”。可見，“機械還原方法論”把系統分割成一組相互孤立的碎片，分別研究各個碎片內部的規律；“信息生態方法論”在此基礎上研究各個碎片之間的相互關系，把它們恢復成為有機的整體，并研究整體與環境之間的相互關系，從而揭示系統的全局規律。

適于經典物質科學與適于信息科學的這兩種科學觀與方法論的關系如表1所列。

表1 經典物質科學與信息科學的科學觀和方法論的對比

問題在于，“機械還原方法論”已經運用得相當普遍和充分，現在已經到了“信息生態方法論”不能不登場亮相的時候。否則，信息科學（含人工智能） 的研究就會停留在“只有碎片，沒有全局”的地步，從而嚴重延緩信息科學和人工智能科學的發 展。

以上分析清晰地表明：極有必要對現有人工智能普遍遵循的科學研究方法論做出巨大的改變：由適用于經典物質科學的“機械還原方法論”轉變為適用于信息與智能科學的“信息生態方法論”！

這種科學研究方法論的轉變，是科學研究對象本身轉變的要求，它既是對現行人工智能研究提出的巨大挑戰，更是為信息科學和人工智能統一理論研究提供的巨大機會，為信息科學和人工智能未來的長遠發展開辟的光明道路。

四、遵循“信息生態方法論”的人工智能研究：機制主義人工智能理論的創建

圖1的智能模型和以上的論述都表明：作為認識主體的人類（生物或智能機器） 無時無刻都在接受的，是環境事物呈現的“本體論信息（客體信息）”的作用；而人類需要自主產生的，則是反作用于環境的“智能行為”。這是人類在“主體客體相互作用”過程中求得生存與發展的需要，是人類與環境之間實現和諧相處的需要。反之，如果人類產生的用以與環境交互的策略和行為不夠智能，那么，人類的生存發展就會存在風險，人類與環境的相處也會存在危 機。

那么，人類怎樣才能針對所接受到的“本體論信息（客體信息）”產生用以與環境交互的“智能策略和智能行為”呢？

這個奧妙不是別的，正是前面圖1模型所顯示的“由環境客體生成的本體論信息生成認識主體的認識論信息，由認識論信息生成知識，由知識生成智能策略和智能行為的生長演化過程”，簡記為“信息—知識—智能”轉換過程。

如前所說，這種“信息—知識—智能”的轉換過程，就是認識主體（人類、生物以及智能機器） 生成智能的共性機制，也是認識主體生成智能的基本范式，自然也就成為人工智能（人工神經網絡、專家系統、感知動作系統） 的統一理論。

這就是說，盡管認識主體面對的問題會是各種各樣、各不相同的，與這些問題所對應的信息、知識、智能的具體內容也肯定會是千姿百態、多姿多彩的，但是“信息—知識—智能”轉換過程這個共性機制和基本范式卻是萬變不離其宗的客觀規律。只要執行這個共性機制和基本范式，就可以生成解決問題所需要的智能策略和智能行為。因此，“信息—知識—智能”轉換是一種普遍的定律，也可以更規范地稱為“信息轉換與智能創生定律”。a關于這些問題的詳細研究情況，參見鐘義信：《高等人工智能原理：觀念·方法·模型·理論》，第164—264 頁；Y.X.Zhong，“Structuralism？Functionalism？Behaviorism？Or Mechanism？Looking for a Better Approach to AI”，International Journal of Intelligent Computing and Cybernetics，Vol.1，No.3，2008，pp.325—336；Y.X.Zhong，“A Cognitive Approach to Intelligence”，International Journal on Cognitive Informatics and Natural Intelligence，Vol.2，No.1，2008，pp.1—16；Y. X. Zhong，“Advanced Intelligence：Definition，Approach and Progress”，International Journal of Advanced Intelligence，Vol.2，No.1，2010，pp.15—24.

當然，“信息轉換與智能創生定律（也就是智能的生成機制：本體論信息—認識論信息—知識—智能策略—智能行為的轉換）”并不是一個玄虛的“理論”，而是可以在人類的思維系統和智能機器的技術系統中具體實現的真實過程。自然，現有人工智能的概念、理論和原理還不足以實現這個新的定律和機制，它需要相關的新概念、新理論、新原理的支持。

（一） 新概念

新的概念有很多，主要包括本體論信息（客體信息）、認識論信息（感知信息）、知識、智能策略和智能行為，等等。

其中，本體論信息和認識論信息與申農（Shannon） 信息論的信息概念既有聯系又有重大區別。這里的本體論信息是外部事物呈現的運動狀態及其變化方式，所以又稱為客體信息；認識論信息是認識主體從本體論信息感知的信息，所以也稱為感知信息或全信息，它是語法信息（形式）、語義信息（內容）、語用信息（效用） 的三位一體，而且可以用語義信息作為它們的唯一合法代表aY.X.Zhong，“A Theory of Semantic Information”，Journal of China Communications，Vol.14，No.1，2017，pp.1—17.；申農信息則只是統計型的語法信息。這也是為什么語義信息論可以，而申農信息論卻不能全面有效地支持人工智能理論的根本原 因。

其次，知識是由大量同類認識論信息樣本提煉出來的共同本質。智能策略是在主體目的引導下由認識論信息和知識演繹出來的問題求解指南，智能行為則是智能策略在行為空間的映射。b參見鐘義信：《信息科學原理》，北京：北京郵電大學出版社2013年版，第57—388頁。

（二） 新理論

新理論包括全信息理論、知識生態學理論、智能機制模擬理論。其中的全信息理論是語法信息、語義信息、語用信息的三位一體綜合理論。知識生態學理論包括知識的外部生態學理論和知識的內部生態學理論。智能機制模擬理論就是實施“信息—知識—智能”轉換的理論。c參見鐘義信：《機器知行學原理》，北京：科學出版社2007年版，第241—251頁。

（三） 新原理

新的轉換原理包括由本體論信息到認識論信息的轉換，由認識論信息到知識的轉換，以及在主體目標引導下、在知識的支持下由認識論信息到智能策略的轉換，以及由智能策略到智能行為的轉換。d參見鐘義信：《信息轉換原理：信息、知識、智能一體化理論》，載《科學通報》2013年第14期。

以上這些新的概念、新的理論、新的轉換原理之間構成了一個和諧的理論體系，如圖2所示。e參 見 Y. X. Zhong，“Information Conversion and Intelligence Creation：The Law That Governs The Information Discipline”，International Journal of Cognitive Informatics and Natural Intelligence，No.3，2015，pp.25—41。

圖2 智能生成基本機制和普適范式

圖2表明，全信息理論、知識生態學、智能機制模擬是所需要的三大基本理論；它們形成的幾個新概念包括本體論信息、認識論信息、知識、智能策略；通過三大轉換原理（轉換1、轉換2、轉換3） 可以完成本體論信息到認識論信息、認識論信息到知識、知識到智能策略的轉換，從而構成了“信息轉換與智能創生定律”。

為了更直觀地說明“信息轉換與智能創生定律”（即“機制主義人工智能理論”） 就是人工智能的統一理論，可以把上述的相關結果簡要地表現為表2。

表2 機制主義的人工智能理論（統一理論）

表2第一行的意思是：智能生成的普適范式是“信息轉換與智能創生定律”，它所產生的結果將是通用的智能系統（表2的第1行），也是人工智能的統一理論。

不過，當面對同樣問題（同樣的信息） 的時候，根據所利用知識類型的不同，普適范式可以具體化為A、B、C三種特殊類型的范式。

類型A：利用經驗型知識，得到經驗型策略，成為人工神經網絡的范式（第2行）；

類型B：利用規范型知識，得到規范型策略，成為物理符號系統的范式（第3行）；

類型C：利用常識型知識，得到常識型策略，成為感知動作系統的范式（第4行）。

由此可見，基于結構模擬的人工神經網絡乃是通用智能系統的A型，基于功能模擬的物理符號系統乃是通用智能系統的B型，基于行為模擬的感知動作系統乃是通用智能系統的C型。顯然，以“信息—知識—智能”轉換（信息轉換與智能創生） 為標志的機制主義人工智能理論，確實就是人工智能的統一理論。

不僅如此，由知識的內生態鏈可知，欠成熟的經驗型知識可以生長成為成熟的規范型知識，并可進一步生長成為過成熟的常識型知識。這就表明：人工神經網絡（普適范式的類型A） 可以生長成為專家系統（普適范式的類型B） 并進一步生長成為感知動作系統（普適范式的類型C）。這就是“和諧統一”的含義。

更進一步，基礎意識、情感、理智的生長機制也是“信息轉換與智能創生定律”，只是所利用的知識各有不同。我們把基礎意識、情感、理智三位一體的智能稱為“高等智能”。可見，以“信息—知識—智能轉換”為表征的“信息轉換與智能創生定律”確實是生成智能的普適范式和普遍定律。

順便指出，本文圖1的模型不僅表現了人類智能生成的通用機理，因而也表現了以人類為原型的人工智能生成的通用機理。而且，經過相應的簡化，圖1的模型也可以表現各種生物（從高等動物到細菌病毒） 的“智能”的生成機理。這是因為，各種生物都具有一定的目的（人類的目的是“求生存，謀發展”；生物的目的比較簡單，主要是“求生存”），也都具有一定的知識（人類具有強大的本能知識、海量的常識知識、豐富的經驗知識和大量的規范知識，等等；生物具有的知識比較簡單，主要是一些生物的本能知識和某些常識知識與較少的經驗知識）。這樣，各種生物也可以在它們的目的驅使下利用自己的知識在各種環境中生成求生存所需要的“智能”策略（當然，它們的智能策略不能與人類的智能策略同日而語）。

這就再一次表明，“信息轉換與智能創生定律”及其各種簡化形式便成為整個生物界的一個普適定律。

頗為有趣的是：人工智能圍棋系統“阿爾法狗”（AlphaGo） 的成功，卻從實戰的角度證實了“機制主義人工智能理論”的正確性。因為“阿爾法狗”既不是純粹的功能主義的專家系統，也不是純粹的結構主義的人工神經網絡，而是功能主義人工智能方法與結構主義人工智能方法的結合——功能主義的博弈搜索算法與結構主義的深度學習方法的結合。正是由于這二者的結合（部分地體現了“機制主義人工智能理論”的精神），產生了比單純的功能主義人工智能或單純的結構主義人工智能博弈系統強大得多的圍棋博弈能力。不難做出預言：如果完全依照“機制主義人工智能理論”的方法來實現“阿爾法狗”，那么，它就可以不再需要通過人類棋手來實現走棋，而是能夠“像人類棋手”那樣自行走棋，更像“智能圍棋機器人”。

五、結語

我們呼吁，在人工智能開始受到廣泛關注的今天，人工智能研究者不僅應當關注時下已經出現的那些炙手可熱的人工智能技術課題，更加應當關注人工智能的基礎理論研究。雖然每項人工智能技術都包含著相應的理論，但是，那些理論通常都是局部性的而不是全局理論。然而，全局的功能遠遠大于局部功能之和，對于當今人工智能的發展而言，更重要的是它的全局的（通用的） 統一基礎理論。這是人工智能理論的源頭創新。為此，就需要高度關注科學研究中那只“無形的手”——科學研究的方法論，科學方法論的創新才是整個人工智能科學技術創新的源頭和龍頭。

我們發現，支持信息科學與人工智能源頭創新的科學方法論是“信息生態方法論”，因而嘗試運用“信息生態方法論”建立了“機制主義的人工智能理論”，總結了“信息轉換與智能創生定律”，不但完成了結構主義人工智能理論、功能主義人工智能理論和行為主義人工智能理論的統一，而且可以進一步形成意識—情感—理智三位一體的人工智能的統一理論。這是新的先進的人工智能科學研究方法論所取得的第一批成果。

我們認為，當代科學處于物質科學主導向信息科學主導轉變的時代，這既是機械唯物論科學觀向辯證唯物論科學觀轉變的時代，也是機械還原方法論向信息生態方法論轉變的時代。具有辯證思維傳統的我國學術界，應當以高度的民族自信去總結和運用先進的科學觀和方法論，去實施人工智能的源頭創新，為世界人工智能的發展作出中華學人應有的貢獻，為中華民族復興的“中國夢”作出應有的貢獻。

B80

A

2095-0047（2017）05-0133-12

鐘義信，北京郵電大學計算機學院教授。

（責任編輯：肖志 珂）