评价人工智能技术前沿

关于AlphaGo的实力与作用

AlphaGo战胜李世石，当时媒体炒得很热，说什么“人类最后的智力骄傲崩塌”，这完全是危言耸听。

从本质上讲，下围棋是一件非常“规范”的事情——规则明确、棋局定义清晰、棋盘空间有限。AlphaGo并没有真正理解围棋的基本原则，它只是通过深度学习，记下了海量的“布局vs布局”的映射关系。它所谓的“类推能力”，是以现有的巨大体量数据为基础，从海量样本间的相似性中得到的，其实根本没有创新。知其然，而不知其所以然。

更关键的是，那场“人机大战”本身就是一场不平等的较量。李世石是单枪匹马，而AlphaGo的背后是众多并行计算机设计者、人工智能程序设计者以及大量顶尖棋手贡献的棋谱——这是“以一敌百”。而且，AlphaGo的落子是由人代为完成的，李世石的落子也是由人输入到电脑里的。对人工智能而言，完成图像理解和机械臂精细操作这些“手眼协调”的环节，一点儿也不比下棋容易，而这一次AlphaGo恰恰回避了这些真正的难题。

所以，AlphaGo的意义是有限的。它只能说明一个计算机程序设计得越来越好，但人工智能的核心科学难题——逻辑推理、自然语言理解、图像理解——一个也没有解决。

关于自动驾驶技术

我过去就说过，我不看好无人驾驶汽车。原因很简单：驾驶是一个充满不可预知性的开放场景任务。

下棋是“预编程”的事，规则是事先给定的。但开车不是——路上突然出现一个小孩、一只动物，或者一个你从未见过的障碍物，机器怎么处理？它需要视觉理解、场景理解、实时决策，而这些恰恰是目前人工智能的短板。现在的自动驾驶，本质上还是在“规则明确”的框架下做文章，一旦遇到训练数据之外的长尾场景，就会出问题。

当然，我也注意到近年来国内高校和企业在这个领域做了大量工程化尝试，比如复旦就有团队在做虚实结合的自动驾驶教学平台，让学生从数据采集、模型训练到实车验证走完整套流程。这些工作有它的价值，但我们要清醒地认识到：实验室里的沙盘小车跑得好，不等于开放道路上的自动驾驶就成熟了。真正的“无人”驾驶，距离我们还有很长的路要走。

关于AlphaFold获得诺贝尔化学奖

2024年诺贝尔化学奖颁给AlphaFold的开发者，这是实至名归的。它解决了一个困扰生物学界50年的“蛋白质折叠问题”，预测精度达到了原子级别，把过去需要数月甚至数年的实验工作压缩到了几小时。

但我要强调的是：AlphaFold并没有“取代”科学家，它更像是一个高效的工具。它只能提供蛋白质静态的“单身照片”，而生命真正的奥秘藏在动态的相互作用之中——蛋白质如何与DNA、RNA、小分子药物结合，如何在体内实时变化，这些它处理不了。对于糖质这类没有基因模板的复杂生物大分子，它更是无从下手。

所以，AlphaFold的价值在于“赋能”而非“替代”。它把科学家从重复性的结构解析苦力活中解放出来，让他们可以专注于更核心的创造性工作——设计全新的蛋白质、探索生命机制。这恰恰印证了我的一个观点：在规则明确、数据“干净”的特定领域，AI可以做得非常出色；但真正的科学发现和原创性思考，仍然离不开人类。

关于今天的AI大模型技术方案

现在的大模型，包括ChatGPT、Gemini这些，本质上还是基于统计概率的“下一个词预测”。它们能生成流畅的文本，但生成内容可能存在错误，需要人工校验，不可盲目依赖。

我始终认为，当前AI的发展处于一种“瞎子摸象”的状态——各家有各家的方法，完全不可融合。深入到智能的本质，我们发现自己几乎一无所知。

大模型的问题在于，它依赖海量数据和巨大算力，但这不等于“智能”。人类智能的特点恰恰是：只需很少量的样本，就能举一反三、理解本质。而大模型是“大力出奇迹”，它没有真正的理解能力，没有因果推理能力，更没有自由意志和情感。

我反对“算力决定论”。自然界实现智能的途径不止一条，人类大脑并没有用量子计算或云计算，但依然能很好地思考问题。我们应该探索更轻量化的智能路径，从神经科学和认知心理学中汲取灵感，而不是盲目地堆算力、堆数据。

同时，我也提醒年轻人：不要仅仅依赖开源代码或大模型生成工具，要学深而非表面，理解技术的本质与逻辑。在技术狂飙的时代，保持理性认知和独立判断，比追赶热点更重要。