导读：从第一性原理出发，重新理解人工智能
本文源自郭平教授的研究，以“四问”为线索，通俗地探讨了人工智能（AI）领域的第一性原理。文章主张将最小作用量原理作为AI的第一性原理，并提出基于物理常识来构建AI基础理论的思路。以下是对该内容的系统化整理与解读。
一、人工智能领域存在第一性原理吗？
1.1 什么是“第一性原理”？
古希腊哲学家亚里士多德曾这样表述第一性原理：“在每一个系统的探索中，存在第一性原理，这是一个最基本的命题或假设，不能被省略或删除，也不能被违反。” 简单来说，第一性原理就是最底层、最根本的出发点，不能从系统内其他公理推导出来。
- 在数学中，第一性原理就是公理（axioms）。
- 在理论物理中，第一性原理指从头计算（ab initio），即只使用基本物理定律，不做经验假设。
- 在生物学中，第一性原理是达尔文的“物竞天择，适者生存”。
- 在哲学中，也称为先验原理（priori-principle）。
1.2 AI界对第一性原理的争议
目前，对“智能”没有统一的明确定义。有两个参考定义：
- 斯坦福大学尼尔逊教授：AI是关于知识的学科——怎样表示知识、怎样获得知识并使用知识的科学。
- 麻省理工学院温斯顿教授：AI就是研究如何使计算机去做过去只有人类能做的智能工作。
有人认为AI没有第一性原理，理由是第一性原理需要明确定义“智能”的边界，而目前缺乏共识。也有人认为，AI作为以计算机技术为基础的学科，可以先有技术再发展理论——正如蒸汽机发明在热力学之前。李国杰院士指出：“AI系统就是用计算机技术对信息加工和处理的系统。既然是一个系统，那么依据定义，每一个系统中都应该存在第一性原理。”
1.3 机器学习领域已有实践
北京交通大学于剑教授的著作《机器学习：从公理到算法》，实际上就是把数学中的第一性原理（公理）应用于机器学习。这证明：将第一性原理思维用于AI是可行的。
二、为什么是基于物理的人工智能？
2.1 物理是自然科学的基础
物理学研究物质运动最一般的规律和基本结构，是自然科学的带头学科。著名物理学家霍金曾说“哲学已死”，因为科学（特别是物理学）已成为探索知识的火炬手。
2.2 当前AI系统的缺点
雅恩·乐昆在IJCAI 2018演讲中指出当前AI的几个致命缺陷：
- 缺乏独立于任务的背景知识
- 缺乏常识
- 缺乏预测行为后果的能力
- 缺乏长期规划和推理能力
简言之，AI没有世界模型。要解决这些问题，需要构建一个能理解物理世界运行规律的新框架。
2.3 基于物理的AI优势
物理定律（如牛顿力学、万有引力）有明确定义且可用数学公式表达。从基本物理原理出发，可以让AI先掌握科学常识，再学习推理。例如AAAI 2017最佳论文就是基于万有引力定律来训练神经网络，实现无标签监督学习。
三、如何让人工智能具有常识？
3.1 常识的定义与分类
通俗地讲，常识就是大部分人都知道的普通知识。包括：
- 生活常识（生存技能、生活自理能力）
- 基本劳作技能
- 基础的自然科学常识
- 人文社会科学知识
关键点：常识是领域相关的。我们不应该要求AI掌握所有领域的常识，而应化繁为简，先让AI掌握特定的、基础的自然科学常识。
3.2 为什么先学自然科学常识？
基础的自然科学常识背后的物理原理有明确定义，且可以用数学公式描述。牛顿的《自然哲学的数学原理》就是典型范例——从三大定律和万有引力定律出发，可以演绎出各种运动现象。这为AI提供了一条清晰的路径：先学习物理规律，再据此推理。
3.3 已有成功案例
- AAAI 2017最佳论文：基于万有引力定律推算枕头的运动轨迹，利用物理定律约束训练神经网络，实现无标签监督学习。
- IJCNN 2017论文（作者团队）：基于惠更斯-菲涅尔成像原理，实现光谱图像校正的无标签监督学习。
3.4 算力与近似方法
虽然全面学习所有背景知识需要极大算力，但仅限定于基础自然科学常识是可能的。GPT-3使用了47TB数据、1750亿参数，说明当前算力已有巨大提升。同时，物理学家擅长用近似方法简化问题（如平均场理论将多体问题近似为两体问题），这可以降低计算难度。
四、为什么要用以及如何应用第一性原理？
4.1 第一性原理思维的价值
爱因斯坦曾说过：“适用于科学幼年时代的以归纳为主的方法，正在让位于探索性的演绎法。” 第一性原理的本质就是演绎性思维——从少数几个基本公理出发，推导出整个系统。这种思维方式已被证明是科学巨匠（哥白尼、牛顿、爱因斯坦、达尔文）的共同特点。
4.2 在AI领域的具体应用
案例：用第一性原理分析GPT-3
- 宏观层面：GPT-3系统由软件和硬件组成，硬件仍是冯·诺依曼体系结构，采用二进制（高电平表示1，低电平表示0），所有运算都是确定性的。
- 介观层面：GPT-3算法仍基于Transformer架构，只是融合了稀疏自注意力机制，本质上没有突破。
- 微观层面：计算机产生的随机数是伪随机数，芯片只是把设计的算法硬件化，没有真正的智能。
结论：在当前架构下，GPT-3不可能迈向AGI。所谓“硅基文明的崛起”是科幻，不是科学事实。
4.3 最小作用量原理：建议作为AI的第一性原理
物理学中的最小作用量原理（the least action principle）是一个非常简单而优雅的原理，可看作是整个物理学的第一性原理。它在热力学、流体力学、相对论、量子力学、粒子物理学和弦理论中都有广泛应用。作者建议：将最小作用量原理作为AI的第一性原理，期望在这块基石上建立基于物理的AI宏伟大厦。
五、常见问题与解答
Q1：人工智能目前有统一的理论吗？
A： 没有。目前公认的是，以深度学习为主导的AI缺乏理论体系。但是，ACM图灵奖获得者乐昆认为，理论往往是在发明之后构建起来的（例如蒸汽机先于热力学）。因此，现在正是从第一性原理出发构建AI理论的好时机。
Q2：为什么说GPT-3不可能理解人类的任务？
A： 因为GPT-3本质上只是一个大规模的概率模型。它基于大数据训练，学会了统计规律，但不具备因果关系推理能力和常识。例如测试中问“我的脚有多少只眼睛？”GPT-3回答“2只眼睛”，说明它无法理解“脚”和“眼睛”之间的语义关系。这暴露了深度学习模型在逻辑推理上的根本缺陷。
Q3：如何解决AI缺乏常识的问题？
A： 建议采用第一性原理思维，从最基础的物理定律（如牛顿力学、万有引力）出发构建世界模型。先让AI掌握有限领域的科学常识（例如自由落体运动），再进行演绎推理。这种“婴儿学习”（baby learning）方式模拟了人类婴儿获取知识的过程。
Q4：第一性原理思维和类比思维有什么区别？
A： 第一性原理思维是演绎性思维，从最根本的公理出发推导结果；而类比思维是从已有案例中寻找相似模式。第一性原理思维更适用于碘伏性创新，例如埃隆·马斯克在商业上的成功就归功于这种思维方式。