如何让人工智能具有常识？

雅恩·乐昆解释过AI为什么没有常识：“我们没有能力让机器去学习庞大的背景知识，而婴儿在出生以后的最初几个月里就可获得关于这个世界的庞大的背景知识。”这就是说，AI要掌握常识，需要搞清楚物理世界的运作方式并做出合理决定，它们必须能够获取大量的背景知识、了解世界的运行规律，进而做出准确的预测和计划。不难看出，本质上这是归纳性的思维方式。而我们的常识，大多数是运用归纳法获得的。

为什么让AI具有常识这么难？数十年来，该研究一直进展甚微，可能的原因之一是没有按照第一性原理思考。一提到AI没有常识，从大多数学者举的例子来看，他们潜意识地认为AI的常识包括了所有领域的基础知识。其实，常识是领域相关的，有生活常识、基本劳作技能，还有基础的自然科学常识等。如果上来就想赋予AI具有所有的、没有分类的常识，不考虑常识的领域相关性，这显然是按AGI要求的。但是主流AI学界目前的努力从来就不是朝着AGI方向的，现有技术的发展也不会自动地使AGI成为可能。目前可以实现的都是在考虑某种特定类型的智能行为，也就是所谓的“弱人工智能”。实际上，我们完全有理由认为，采用类比思维，即使能精确地观察和仿制出神经细胞的行为，也无法还原产生出智能行为。因此，依据第一性原理思维，在复杂的现象中找到最根本的原理，才能解决根本的问题。按照第一性原理思维，需要从头计算，即先训练AI，学习基础的自然科学常识。这也就是新加坡国立大学教授颜水成所提出的婴儿学习（baby learning）方法，即模拟婴儿自学习逐步获取知识的方法。

为了让AI拥有常识，我们需要化繁为简，把常识限定到特定的领域，例如将掌握物理科学常识作为现阶段的首要目标。用第一性原理的思维方式，把基于物理的科学常识灌输给AI。因此，我们需要转变一下思维方式，从纯数据处理逻辑迈向某种形式的“常识”，即从基本物理原理出发，让AI先掌握科学常识，从而学习推理。

为什么先让AI学习基础的自然科学常识，而不是生活常识或其他领域的常识呢？基础的自然科学常识背后的物理原理是有明确定义的，且可以由数学公式描述的。第一性原理是通过少数的几个公理演绎出事物目前的状态，而物理的定律往往是用偏微分方程来描述的。牛顿的一部《自然哲学的数学原理》为经典力学定义了一套基本概念，提出了力学的三大定律和万有引力定律，从而使经典力学成为一个完整的理论体系。从物理定律出发，用牛顿力学的公式演绎出各种运动现象，至少能使AI具有用经典力学可以解释的自然现象的科学常识。

实际上在这方面已经有了先例。AAAI 2017的最佳论文《基于物理和领域知识的神经网络无标签监督》，就是基于万有引力定律推算出枕头的运动轨迹，利用网络的输出必须满足物理定律的约束来训练神经网络，从而实现了神经网络的无标签监督学习。这里面的常识就是：一个物体如果没有其他外力作用，例如桌面的支撑力，则在万有引力作用下做自由落体运动。而我们的IJCNN 2017论文，本质上也是基于惠更斯-菲涅尔成像原理，实现了对光谱图像校正的神经网络无标签监督学习。

基于第一性原理思维需要花费更多的精力，而基于第一性原理构建世界模型要比模仿计算可能需要更大的计算量。一方面，目前我们还没有足够的算力让机器去学习庞大的背景知识，但只限定于基础的自然科学的背景知识还是有可能的。最近有文献表明GPT-3（OpenAI于2020年5月发布的Generative Pre-training Transformer语言模型第3版）具有1750亿个参数，所使用的数据集容量达到了45TB，说明目前的算力已经有了很大的提高。另一方面是运用物理思维做合理的近似，简化问题复杂度，把不可计算的问题约减为可计算的问题。例如基于平均场理论，把多体问题近似为两体问题。数学家总是想精确求解问题，而物理学家会在无法精确求解的情况下采用近似方法。因此有人戏称数学家总爱把简单的问题复杂化，而物理学家则尽力把复杂的问题简单化。如果说为什么要研究基于物理的AI，这也算得上是一条理由吧。

追求和谐、统一与完美是物理学家的最高境界，这也是AI科学家以及所有科学家追求的境界。AI的第一性原理也应该是对完美追求的典范。物理学中的最小作用量原理就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。该原理是现代物理学和数学的核心，在热力学、流体力学、相对论、量子力学、粒子物理学和弦理论都有广泛的应用。对最小作用量原理更详细的介绍请参考文献，物理学家理查德·费曼（Richard Feynman）对此有非常精彩的讲解，本文不再赘述。在具体实现上，从具有可操作性的角度考虑，我们认为应该将最小作用量原理作为AI的第一性原理，期望能在最小作用量原理这块基石上，建立基于物理的AI宏伟大厦。