1. 从好奇心到交响乐：一位AI研究者的获奖感言与心路历程
前几天，我的一位老朋友，微软研究院雷德蒙德实验室的负责人埃里克·霍维茨，获得了AAAI颁发的费根鲍姆奖。这个奖项在人工智能领域分量很重，旨在表彰那些做出持续且具有深远影响贡献的研究者。霍维茨的获奖理由，是他在“感知、反思与行动的计算模型开发，及其在时间关键决策、智能信息、交通和医疗系统中的应用”方面的杰出工作。看到这个消息，我感触颇深。这不仅是对他个人成就的认可，更像是对我们这一代AI研究者共同走过的道路、秉持的好奇心以及所构建的“智能交响乐”的一次回响。霍维茨在分享获奖感言时，没有罗列论文和项目，而是回到了那个最根本的起点：我们的大脑是如何工作的？思维、感知和所有体验，如何从神经元网络中涌现？这些问题，几乎是我们每一个踏入这个领域的人，最初也是最持久的驱动力。
几十年前，关于心智与大脑的讨论还主要停留在哲学和神学的范畴。而过去一个世纪，心理学、生物学和计算机科学的交叉研究，为我们开辟了一条通往“智能科学”的路径。虽然我们尚未完全理解人类心智背后的精密“机器”，但我们已经开始掌握捕捉智能不同维度的计算原理。霍维茨认为，对认知更深刻的理解，将来自计算机科学，特别是人工智能的进步，以及与之相关的认知科学和计算神经科学。这正是一个激动人心的时代。我们不再只是空想，而是在一层层地构建智能的“大厦”。这个构建过程，在我看来，可以形象地分为三个层次：底层“计算织物”、中层“核心能力”，以及顶层由多种能力组合而成的“交响乐”。霍维茨提到的他办公室外的“助理”系统，就是一个正在谱写的交响乐雏形。它基于机器学习、推理和决策的基础“织物”，整合了视觉、声学分析、语音和对话等多种“能力”，能够从多感官输入流中学习和推理。这不仅仅是技术的堆砌，更是对“综合智能”如何运作的一次生动实践。
2. AI研究的核心范式：理论、实验与应用的螺旋上升
霍维茨将AI研究描述为一种迷人的、协作性的努力，洞见往往在理论与实验的“对打”中产生。这一点我深有同感。很多刚入行的朋友可能会觉得，AI研究要么是埋头推导复杂的数学公式，要么是疯狂地调参跑实验。但实际上，最富有成果的研究，往往始于一个关于智能本质的基础性问题，然后迅速演变为理论、实验和应用三者的混合体。研究者需要在这三者之间不断穿梭，用理论指导实验设计，用实验结果修正或启发新的理论，再将验证过的原理应用于解决实际问题，而实际应用中的新挑战又会催生新的基础问题。
这种模式要求研究者既要有天马行空的想象力，又要有脚踏实地的工程能力。霍维茨提到，许多领域内的研究者数十年如一日地忠实于自己最初的好奇心和长期愿景，同时参与一系列广泛的项目。我自己也观察到，那些做出突破性工作的团队，其成员往往具备这种“多面手”特质。例如，对“如何让自动推理系统具备福尔摩斯般的技能”产生好奇，这听起来像个哲学问题。但接下来就会转化为具体的研究课题：如何让系统在不确定性下整合多个观察结果，得出结论并采取行动？如何赋予系统“好奇心”，让它能提出有价值的问题，以收集最佳新信息来辅助决策？这些看似抽象的问题，通过概率论、决策论的表征与推理研究，最终落地为能够诊断医疗结果、推断搜索查询意图、预测交通流以规划最佳路线的实用系统。从模糊的好奇心，到成熟的数学模型，再到可工作的原型和实验研究，最终成为为人们创造价值的现实世界系统——这是一条完整且充满成就感的创新链条。
3. 有限理性与终身学习：为现实世界设计AI的必修课
在构建实用AI系统的过程中，有一个核心挑战常常被初学者忽略，那就是“有限理性”。我们很容易陷入追求“绝对最优解”的思维定式，但现实世界中的智能体（无论是人还是机器）都面临着严格的约束：有限的计算能力、有限的记忆、有限的信息和有限的时间。霍维茨提出了一系列关键问题：一个能力有限的推理系统，如何在不确定性下做出最佳决策？对这样的系统而言，“理性”意味着什么？什么是计算系统的“有限理性”原则？系统如何反思自身的推理过程，以指导自己的思考？这种反思如何让系统优化其推理和问题解决，例如，在不同的场景下权衡思考的准确性与行动的及时性？
这些问题直指AI系统设计的核心。我们设计的算法，必须能让一个推理系统在问题流持续到来的真实世界环境中取得成功。更进一步，系统如何能在长时间部署后持续学习，实现“终身学习”？我们能否证明某些思考策略是理想的？这些都是理论结合实践的硬骨头。在实际项目中，比如设计一个实时欺诈检测系统，我们不可能让系统遍历所有可能的交易模式和历史数据。我们必须设计启发式算法和近似推理方法，让系统在毫秒级的时间内，基于有限的特征和模型，做出风险概率评估。同时，系统必须能够从新的欺诈模式中快速学习，更新模型，而不会遗忘之前学到的有效模式（即克服“灾难性遗忘”）。这个过程，就是为AI穿上“现实世界的鞋子”，让它学会在约束下跳舞。
4. 人机协同：超越替代，迈向互补与共生
霍维茨的另一个长期兴趣点在于人类心智本身，以及人机认知的相似性与互补性。他将人机交互的挑战视为AI重要而有趣的机会。这代表了一种研究范式的转变：从“用机器替代人”到“让机器与人更好地协作”。如何让计算系统更深入地了解人类的认知，例如我们的注意力和记忆机制，并利用这些知识来优化人机交互？我们团队也一直在探索利用人机互补能力的机会。
一个典型的例子是医疗影像辅助诊断。AI模型可以在几秒内扫描成千上万的影像切片，标记出可疑的结节或病变区域，其敏感度可能极高。但是，它也可能产生假阳性，或者对一些罕见、不典型的病例判断不准。这时，经验丰富的放射科医生就发挥着不可替代的作用：他们能结合临床病史、其他检查结果和丰富的医学知识，对AI的标记进行综合研判，做出最终诊断。理想的人机协同系统，不是让AI给出一个冷冰冰的“是或否”的答案，而是能够以高亮、标注、概率提示等形式，将它的“观察”和“不确定之处”清晰地呈现给医生，甚至能解释“为什么我认为这个区域可疑”。同时，系统可以持续从医生的修正和反馈中学习，提升下一次辅助诊断的准确性。这种协作模式，将AI变成了医生解决问题的“有价值伙伴”，放大了双方的优势。
5. 现实世界的部署：机遇与责任并存
如今，AI的进步已成为日常生活的一部分，每天有数亿人受益于语音识别、人脸检测与识别、自动推荐、导航和诊断等方面的创新。在生物科学等领域，机器智能通过分析海量数据，也扮演着越来越核心的角色。霍维茨相信，AI的发展将随着时间的推移对社会产生更为深远的影响，在交通、健康与福祉、教育、科学发现和个人赋能等领域做出更深层次的贡献。
然而，正如他所强调的，AI研究的现实部署令人兴奋，但随之而来的成功也带来了理解技术益处、风险和影响的责任。机器智能的进步可能会对个人和社会产生重大影响，这些影响可能触及法律、伦理、经济和心理层面的问题。近年来，媒体上也有一些关于AI危险的讨论。对此，霍维茨持乐观但审慎的态度。他认为我们需要保持警惕，持续评估和解决潜在的风险与“粗糙的边缘”。
其中一个突出的领域是隐私。机器学习和推理可以通过整合一系列看似无害的共享数据流（包括人们公开分享的数据，如推文），对个人进行深度推断。这要求我们在利用数据价值的同时，必须将隐私保护设计到系统的核心。幸运的是，计算机科学的多个领域在增强隐私方面已经有了出色的工作，而AI本身也能提供部分解决方案，例如新的匿名化技术、差分隐私方法，以及帮助人们权衡数据共享利弊的智能工具。
另一组担忧涉及机器智能在高风险领域的控制和决策应用，例如自动驾驶汽车和控制手术机器人。我们必须确保在这些领域工作的系统行为安全、符合我们的目标，即使在遇到不可预见的情况时也能如此。鉴于它们的角色和责任，这些系统必须能够抵抗新型恶意软件的攻击。霍维茨乐观地认为，形式化验证原则、强大的软件工程实践，以及AI在安全性和鲁棒性方面的进步，可以应对这些新挑战。但这无疑需要大量的工作。作为创新者，我们必须持续反思，并在必要时积极主动地开展针对性研究并提出建议。
6. 反思与展望：持续的好奇与不变的“冲锋”
回顾霍维茨的分享，贯穿始终的是一种由纯粹好奇心驱动的、不懈探索的精神。从对心智奥秘的追问，到构建复杂的计算模型，再到解决交通、医疗等现实世界难题，其内核是一脉相承的。他看待AI的视角是立体的：既是探索智能本质的科学工具，也是赋能社会的技术引擎，同时还是需要肩负伦理责任的社会实践。
对于有志于进入或深耕AI领域的朋友，我的体会是，找到那个让你夜不能寐的基础性问题至关重要。它可能很宏大，比如“什么是理解？”，也可能很具体，比如“如何让推荐系统不只迎合用户，还能激发兴趣探索？”。这个问题将成为你的“北极星”。然后，像霍维茨和他的同事们一样，准备好进行一场理论、实验与应用之间的长途跋涉。不要害怕从一个小原型开始，也不要轻视数学基础。在当今这个AI工具日益强大的时代，更要思考如何设计具有“有限理性”的、能与人类互补的、安全且负责任系统。
霍维茨在结尾写道：“我渴望学习和理解更多。我们的工作仍在继续。冲锋！”这种心态特别宝贵。AI领域变化飞速，今天的前沿可能明天就成为基础。唯有保持初学者的好奇心和对根本问题的追问，同时具备将想法一步步变为现实的坚韧，才能在这个激动人心的领域里，留下属于自己的、有意义的印记。奖项是对过去工作的总结，而“冲锋”的姿态，则指向未来无限的可能。这或许就是研究最迷人的地方：答案永远在下一个问题之中。
