自1956年达特茅斯学院那场标志性会议算起，人工智能研究已跨越七十余载。期间，AI经历了快速攀升的黄金阶段，也遭遇过艰难前行的寒冬时期。所谓前车之鉴，后事之师——在这些起伏动荡里，积累了众多经验和教训值得深入反思。但必须强调的是，其中最关键的一条教训，恰恰是今天许多研究者仍难以坦然直视的。

纵观这70年的演进，我们领悟到的最大教训其实非常直接：能够最大化利用算力的通用方法，始终是效果最优、最具竞争优势的路径。其背后的根本驱动力，无非是摩尔定律——更确切地说，是摩尔定律让单位计算成本持续、指数级下降这一趋势被不断强化。

大多数AI研究，都是基于智能体可用的计算资源相对固定的前提来开展的。在这个前提下，想要提升性能，唯一的途径就是尽可能往系统里注入人类已有的知识。这条路短期内确实能看到成效，尤其在一个普通研究项目的时间周期内。为了尽快获得成果，研究者自然会倾向于利用“现成”的人类智慧。但从长远来看，真正决定性能上限的，其实只有计算能力。

按理说，人类知识与计算能力这两者并不矛盾，但在实践中，它们几乎总是被视为相互对立。花时间深耕知识，就难免忽略对计算潜力的挖掘——这有点像投资中的“承诺升级”，投入越深越难以回头。更棘手的是，依赖人类知识的方法天然倾向于复杂化，而这恰恰会阻碍我们充分发挥通用计算的潜力。历史上，有太多AI研究者是在付出沉重代价后才意识到这一点的。这些典型案例，非常值得仔细复盘。

回到1997年那场举世瞩目的人机国际象棋较量。击败世界冠军卡斯帕罗夫的算法，核心就是大规模的深度搜索。当时，大多数从事计算机象棋研究的人员对此感到相当沮丧——他们费尽心力，探索了大量基于人类对棋局特殊理解的方法。结果呢？用特殊硬件和软件跑起来的、相对简单的“暴力搜索”算法，反而更加有效。那些坚持人类知识路线的研究者，输得心有不甘。他们辩称“暴力搜索”这次胜出了，但这并非通用策略，而且人类下棋根本不是这样下的。说到底，内心希望“像人一样思考”的方法能赢，但现实给了他们一记响亮的耳光。

计算机围棋领域，几乎重演了同样的剧本，只是晚了20年。起初，大家也是想方设法利用人类对棋形的理解，或围棋本身的特性，尽量避开搜索。结果，一旦大规模搜索被有效应用，之前的所有努力便瞬间化为徒劳。

这里还有一个同样重要的因素：学习。具体来说，就是通过自我对弈来学习价值函数——虽然这招在1997年那次击败卡斯帕罗夫的比赛里没有发挥太大作用，但在许多其他游戏（包括后来的国际象棋）中至关重要。自我对弈式的学习，和搜索一样，都属于那种能够“吞掉”大量计算的方法。

搜索和学习，正是AI研究中利用大规模计算的两大武器。无论是在计算机围棋还是象棋领域，研究人员最初都试图用人类的理解力来解决问题。但最终，只有在接纳了搜索和学习之后，才真正取得了突破。

同样的戏份也在语音识别领域上演。早在70年代，美国国防部高级研究计划局就发起过语音识别竞赛。当时的参赛作品，应用了大量基于人类知识的方法，比如词汇知识、音素知识、人类声道结构等等。与此同时，基于隐马尔可夫模型的新方法从另一边杀出来——它本质上更偏重统计，计算量也大得多。结果，统计方法再次完胜。这场大胜直接改变了自然语言处理领域的发展方向。几十年过去，统计和计算逐渐主导了这个领域。直到最近，深度学习的兴起，更是这条路上的最新一步。深度学习对人类知识依赖更少，对计算和大规模训练数据依赖更多，训练出的语音识别系统，效果好得不是一星半点。

游戏也好，语音识别也罢，研究者总是倾向于让系统按照自己的思维方式去运转。他们试着把自己掌握的知识“灌”进系统里。但当摩尔定律生效，大规模计算变得可行，而且人们恰好找到了有效利用这些计算的方法之后，这种做法的弊端就暴露无遗了——它不仅适得其反，还把研究人员的宝贵时间都白白浪费了。

计算机视觉也有类似的轨迹。早期的视觉方法，是寻找边缘、广义柱体，或者通过SIFT特征来匹配。到今天，这些思路大多已被抛弃。现代的深度学习神经网络，只用了卷积和少量不变性这两把刷子，效果却好得多。

这确实是一个沉痛的教训。我们总是一而再、再而三地在同一个坑里栽跟头，始终未能彻底看透AI的本质。想要避免重蹈覆辙，就得先弄明白这一切到底是如何发生的。说到底，试图完全按照我们的思维方式去构建系统，是走不远的——这才是必须深深刻在骨子里的惨痛教训。

这个教训，源自对历史的观察。AI研究人员总想把知识塞进智能体里。短期内，这样做确实有效果，而且让研究者本人很有成就感。但从长远来看，这条路往往会陷入停滞，甚至会阻碍进一步的突破。恰恰是那些基于搜索和学习的通用计算方法，最终帮助研究者实现了跨越式的进展。这种成功带了些苦涩，甚至有时让人难以完全接受——毕竟，它不是通过那种被大多数人所支持、以人类为中心的优雅方式得来的。

从惨痛教训中能学到什么？

第一，通用方法的威力远比我们想象的大。即便可用的计算量已经大得惊人，这些方法也能随着计算能力的增长而不断扩展。搜索和学习，就是两种典型的、能随着计算规模随意扩展的方法。

第二点也很关键：思想的内容，其实比我们想象的要复杂得多。我们不该再试图用简单、固化的思路去定义它——比如琢磨什么空间、物体、多智能体或者对称性。这些都是外部世界的一部分，而外部世界是任意的、本质上复杂且无穷无尽的。试图把它们固化在系统里，注定是徒劳。

相反，我们需要构建的是那些能“发现”并“捕获”这种任意复杂性的元方法。这些方法的关键在于，它们能获得很好的近似解——但捕获信息的工作，应该由方法自己去完成，而不是由我们代劳。人工智能体要做的是像人类那样去发现，而不是直接继承我们的发现。如果总是站在人类发现的肩膀上，反而会让我们难以看清“发现”这个过程本身是如何运作的。

七十多年的探索，让这些事实越来越清晰地浮现在研究者的眼前。即便再不愿面对，现实也摆在那里了。要避免犯错，第一步就是先得老老实实地承认这个事实。