30多年前我讀研的時候，就知道AI有三個學派：控制論學派、符號學派、神經元學派。這些學派有些不同的叫法，但實質是一樣的?？刂普搶W派最早成功并且取得巨大成就，許多大學里有相關的系和學院。但另外兩個學派卻不成氣候，往往只是某些專業的選修課，最近才有了相關的專業。30多年前，AI主要講符號學派的專家系統、神經元學派是次要的；最近10年講AI，主要是講神經元學派、符號學派逐漸淡出了。
但奇怪的是：一直沒人把三個學派的關系講清楚。觀念的混亂引發了不少荒謬的觀點，典型的就是某院士所謂“智能制造=人工智能+制造”。現在人們說的人工智能，默認的是神經元學派的技術；而智能制造最關鍵的思想卻是控制論學派的。所以，必須從AI的全貌上認識問題。
在我看來：控制論對智能的認識是最本質的、最廣泛的。它是把“以變應變”、“知行合一”作為智能的特征。所以，只要系統具有應變能力，就稱為智能系統。我們知道：以變應變的前提是需要決策的。現實中，這些決策的邏輯可以很簡單，傳統的方法就可以做許多決策?？刂评碚撝械目刂破髟O計，其實就是給出決策方法。我經常說的“把人的決策邏輯交給計算機、讓計算機決策”也是一種常見的簡單決策邏輯。智能制造之所以成為熱點，所以因為機器獲得信息和計算的能力強了，帶來了很多機會。
但是，符號學派、神經元學派對智能的認識不一樣。這兩個學派關心的問題縮小為決策算法，而且是常規的簡單算法無法有效計算、而人類卻容易做出決策的算法。所以，這兩個學派對人工智能的理解，恰恰是針對常規算法無法解決的、與復雜推理和模糊知識相關的問題。從這種意義上講，可以認為控制論學派是廣義的人工智能，而符號學派、神經元學派是狹義的人工智能。在狹義的人工智能中，符號學派、神經元學派是互相競爭的關系。
經過幾十年的競爭，結果基本上出來了。符號學派雖然也有一定的用處（比如用在生產計劃），但總體上是競爭失敗了；神經元學派雖然有一些問題，但總體上成功了。而這個成功當然依賴于外來的機會。這個機會就是大數據的條件和算力的提升；人類的貢獻則是辛頓等人做出的算法。
大家注意到，前面講的這些觀點，符合我創新課的基本邏輯：
1、技術首先在難度低或者價值高的地方突破，然后逐漸進入難度高或者價值低的地方。
2、技術突破的關鍵是抓住機會，機會是基礎條件和需求的改變。
這個創新的邏輯不僅可以解釋過去，還可以預見未來、尋找突破點。比如，突破點有什么特點？首先，它是進入新領域的難點、有“一夫當關萬夫莫開”的特點；其次，是有新技術能夠突破它。下面，我用4張圖來表示AI發展的過去和未來。
在第一張圖中，我們用控制論的思想，定義AI的邊界。在這個定義下，有個空間是沒有突破的。這個空間，就是復雜的決策、還可能需要模糊的知識。
第二張圖，符號學派試圖突破這個問題，用來解決復雜邏輯推理問題，但是遇到的困難是隱性知識及推理的問題：人說不清楚的知識，就沒有辦法變成計算機的代碼。
第三張圖，是神經元學派的突破。因為隱性知識和推理都可以在神經網絡中做，就不需要人來寫代碼描述知識了。這個學派突破后，符號學派原來的空間小了。在這張圖中，我把控制論學派的圈子改成虛線了。意思是：數字化技術的發展，同時讓這個學派的應用范圍大大拓展了。需要注意的是：即便是沒有神經元學派的AI 的突破，控制論學派的應用范圍同樣擴大了。這樣的機會，是信息通信技術的發展帶來的。而且，這種機會可能用不著我們用復雜的算法。
在第四張圖中，還有些問題不能用AI解決。這些問題與機器獲取知識、信息和權限的局限性有關。對于這樣的問題，可以用人機結合、人機協同的辦法來解決。在這個空間中，價值創造和技術發展的機會有很多。
多年來，我在這個公眾號里曾經談過多次三個學派的問題。我談這個問題，不是為了咬文嚼字、是為了便于工程師理解機會、看到更多的機會。最后重申一下工程師的價值觀：抓住機會、用簡單的方法做有價值的事情。
