符號處理是邏輯學、數學和計算機科學中常見的過程，它將思維視為代數操作。近 70 年來，人工智能領域最根本的爭論就是人工智能系統應該建立在符號處理的基礎上還是類似于人腦的神經系統之上。

實際上還有作為中間立場的第三種可能——混合模型。通過將神經網絡的數據驅動學習與符號處理的強大抽象能力相結合，混合模型試圖獲得兩全其美的能力。這也是我個人職業生涯大部分時間的工作方向。

在最近發表于 NOEMA 雜志的一篇文章中，圖靈獎得主、Meta 首席人工智能科學家 Yann LeCun 和 LeCun 實驗室的「常駐哲學家」Jacob Browning 也卷入了這場爭論。這篇文章似乎提供了新的替代方案，但仔細檢查后就會發現文章觀點既不新鮮也不令人信服。

Yann LeCun 和 Jacob Browning 在發表于 NOEMA 雜志的文章中首次正式回應「?深度學習撞墻了」這個觀點，表示「從一開始，批評者就過早地認為神經網絡已經遇到了不可翻越的墻，但每次都被證明只是一個暫時的障礙。」

在文章的開頭，他們似乎反對混合模型，混合模型通常被定義為是結合了神經網絡深度學習和符號處理的系統。但到最后，LeCun 一反常態，用很多話承認混合系統的存在——它們很重要，它們是一種可能的前進方式，而且我們一直知道這一點。文章本身就是矛盾的。

至于為什么會出現這種矛盾，我唯一能想到的原因是 LeCun 和 Browning 以某種方式相信：學習了符號處理的模型并不是混合模型。但學習是一個發展中的問題（系統是如何產生的？），而已經發展好的系統如何運作（是用一種機制還是兩種）是一個計算問題：無論以哪種合理的標準來衡量，同時利用了符號和神經網絡兩種機制的系統都是一個混合系統。（也許他們真正想說的是，AI 更像是一種習得的混合系統（learned hybrid），而不是先天的混合系統（innate hybrid）。但習得的混合系統仍然是混合系統。）

在 2010 年左右，符號處理被深度學習的支持者看作是一個糟糕的詞；而到了 2020 年，了解符號處理的來源成了我們的首要任務。

我認為符號處理要么是與生俱來的，要么是其他東西間接地促成了符號處理的獲得。我們越早弄清楚是什么基礎允許系統學習符號抽象，我們就能夠越早地構建適當利用世界上所有知識的系統，系統也將更安全、更可信和可解釋。

然而，首先我們需要了解人工智能發展史上這場重要辯論的來龍去脈。

早期的人工智能先驅 Marvin Minsky 和 John McCarthy 認為符號處理是唯一合理的前進方式，而神經網絡先驅 Frank Rosenblatt 認為人工智能將更好地建立在類似神經元的「節點」集合并可處理數據的結構上，以完成統計數據的繁重工作。

這兩種可能并不相互排斥。人工智能所使用的「神經網絡」并不是字面上的生物神經元網絡。相反，它是一個簡化的數字模型，與實際生物大腦有幾分相似，但復雜度很小。原則上，這些抽象神經元可以以許多不同的方式連接起來，其中一些可以直接實現邏輯和符號處理。早在 1943 年，該領域最早的論文之一《A Logical Calculus of the Ideas Inmanent in Nervous Activity》就明確承認了這種可能性。

20 世紀 50 年代的 Frank Rosenblatt 以及 1980 年代的 David Rumelhart 和 Jay McClelland，提出了神經網絡作為符號處理的替代方案；Geoffrey Hinton 也普遍支持這一立場。

這里不為人知的歷史是，早在 2010 年代初期，LeCun、Hinton 和 Yoshua Bengio 對這些終于可以實際應用的多層神經網絡非常熱情，他們希望完全消滅符號處理。到 2015 年，深度學習仍處于無憂無慮、熱情洋溢的時代，LeCun、Bengio 和 Hinton 在 Nature 上撰寫了一份關于深度學習的宣言。這篇文章以對符號的攻擊結束，認為「需要新的范式來通過對大型向量的操作取代基于規則的符號表達式操作」。

事實上，那時的 Hinton 非常確信符號處理是一條死胡同，以至于同年他在斯坦福大學做了一個名為「Aetherial Symbols」的演講——將符號比作科學史上最大的錯誤之一。 

類似地，20 世紀 80 年代，Hinton 的合作者 Rumelhart 和 McClelland 也提出了類似的觀點，他們在 1986 年的一本著作中辯稱：符號不是「人類計算的本質」。

當我在 2018 年寫了一篇文章為符號處理辯護時，LeCun 在 Twitter 上稱我的混合系統觀點「大部分是錯誤的」。彼時，Hinton 也將我的工作比作在「汽油發動機」上浪費時間，而「電動發動機」才是最好的前進方式。甚至在 2020 年 11 月，Hinton 還聲稱「深度學習將無所不能」。

因此，當 LeCun 和 Browning 現在毫不諷刺地寫道：「在深度學習領域工作的每個人都同意符號處理是創建類人 AI 的必要特征」，他們是在顛覆幾十年的辯論史。正如斯坦福大學人工智能教授 Christopher Manning 所說：「LeCun 的立場發生了一些變化。」

顯然，十年前的方法現在已經不適用了。

2010 年代，機器學習社區中許多人斷言（沒有真正的論據）：「符號在生物學上不可信」。而十年后，LeCun 卻正在考慮一種包含符號處理的新方案，無論符號處理是與生俱來的還是后天習得的。LeCun 和 Browning 的新觀點認為符號處理是至關重要的，這代表了深度學習領域的巨大讓步。

人工智能歷史學家應該將 NOEMA 雜志的文章視為一個重大轉折點，其中深度學習三巨頭之一的 LeCun 首先直接承認了混合 AI 的必然性。

值得注意的是，今年早些時候，深度學習三巨頭的另外兩位也表示支持混合 AI 系統。計算機科學家吳恩達和 LSTM 的創建者之一 Sepp Hochreiter 也紛紛表示支持此類系統。而 Jürgen Schmidhuber 的 AI 公司 NNAISANCE 近期正圍繞著符號處理和深度學習的組合進行研究。

LeCun 和 Browning 的文章的其余內容大致可以分為三個部分：

• 對我的立場的錯誤描述；
• 努力縮小混合模型的范圍；
• 討論為什么符號處理是后天習得的而非與生俱來的。

例如，LeCun 和 Browning 說：「Marcus 認為，如果你一開始沒有符號處理，那你后面也不會有（if you don’t have symbolic manipulation at the start, you’ll never have it）。」而事實上我在 2001 年的《代數思維（The Algebraic Mind）》一書中明確表示：我們不確定符號處理是否是與生俱來的。

他們還稱我預計深度學習「無法取得進一步進展」，而我的實際觀點并不是在任何問題上都不會再有任何進展，而是深度學習對于某些工作（例如組合性問題、因果推理問題）來說本身就是錯誤的工具。

他們還說我認為「符號推理對于一個模型來說是 all-or-nothing 的，因為 DALL-E 沒有用符號和邏輯規則作為其處理的基礎，它實際上不是用符號進行推理，」而我并沒有說過這樣的話。DALL·E 不使用符號進行推理，但這并不意味著任何包含符號推理的系統必須是 all-or-nothing 的。至少早在 20 世紀 70 年代的專家系統 MYCIN 中，就有純粹的符號系統可以進行各種定量推理。

除了假設「包含習得符號的模型不是混合模型」，他們還試圖將混合模型等同于「包含不可微分符號處理器的模型」。他們認為我將混合模型等同于「兩種東西簡單的結合：在一個模式完善（pattern-completion）的深度學習模塊上插入一個硬編碼的符號處理模塊。」而事實上，每個真正從事神經符號 AI 工作的人都意識到這項工作并不是這么簡單。

相反，正如我們都意識到的那樣，問題的關鍵就是構建混合系統的正確方法。人們考慮了許多不同方法來組合符號和神經網絡，重點關注從神經網絡中提取符號規則、將符號規則直接轉換為神經網絡、構建允許在神經網絡和符號系統之間傳遞信息的中間系統等技術，并重構神經網絡本身。許多途徑都正在探索中。

最后，我們來看一下最關鍵的問題：符號處理是否可以通過學習學得而不需要從一開始就內置？

我直截了當地回答：當然可以。據我所知，沒有人否認符號處理是可以習得的。2001 年，我在《代數思維》的第 6.1 節中回答過這個問題，雖然我認為這不太可能，但我沒有說這是絕對不可能的。相反，我的結論是：「這些實驗和理論肯定不能保證符號處理的能力是與生俱來的，但它們確實符合這一觀點。」

總的來說，我的觀點包括以下兩部分：

第一是「可學習性」觀點：在《代數思維》整本書中，我展示了某些類型的系統（基本是當今更深層系統的前身）未能學得符號處理的各個方面，因此不能保證任何系統都能夠學習符號處理。正如我書中原話：

有些東西必須是與生俱來的。但「先天」和「后天」這兩者并沒有真正的沖突。大自然提供了一套允許我們與環境互動的機制、一套從世界中提取知識的工具，以及一套利用這些知識的工具。如果沒有一些與生俱來的學習工具，我們也根本就不會學習。

發展心理學家 Elizabeth Spelke 曾說：「我認為一個具有一些內置起點（例如對象、集合、用于符號處理的裝置等）的系統將比純粹的白板更有效地了解世界。」事實上，LeCun 自己最著名的卷積神經網絡工作也能說明這一點。

第二點是人類嬰兒表現出一些擁有符號處理能力的證據。在我實驗室的一組經常被引用的規則學習實驗中，嬰兒將抽象模式的范圍泛化了，超越了他們訓練中的具體例子。人類嬰兒隱含邏輯推理能力的后續工作會進一步證實這一點。

不幸的是，LeCun 和 Browning 完全回避了我這兩個觀點。奇怪的是，他們反而將學習符號等同于較晚習得的東西，例如「地圖、圖像表示、儀式甚至社會角色），顯然沒有意識到我和其他幾位認知科學家從認知科學的大量文獻中汲取的關于嬰兒、幼兒和非人類動物的思考。如果一只小羊在出生后不久就可以爬下山坡，那么為什么一個新生的神經網絡不能加入一點符號處理呢？

最后，令人費解的是，為什么 LeCun 和 Browning 會費盡心力地反對符號處理的先天性呢？他們沒有給出反對先天性的強有力的原則性論據，也沒有給出任何原則性的理由來證明符號處理是后天習得的。

值得注意的是，LeCun 的最新研究包容了一些「先天的」符號處理。他最近推出的新架構總體包含六個模塊，其中大部分是可調的，但所有模塊都是內置的。

此外，LeCun 和 Browning 也沒有具體說明如何解決語言理解和推理中眾所周知的特定問題，因為語言模型沒有先天的符號處理機制。

相反，他們只是用歸納的原理說明深度學習的作用：「由于深度學習已經克服了 1 到 N 的問題，我們應該相信它可以克服 N+1 的問題」。

這種觀點的說服力很弱，人們真正應該思考和質疑的是深度學習的極限。

其次，還有一些強有力的具體理由可以說明深度學習已經面臨原則上的挑戰，即組合性、系統性和語言理解問題。這些問題依賴于「泛化」和「分布偏移（distribution shift）」。領域內的每個人現在都認識到分布偏移是當前神經網絡的致命弱點。這也是《代數思維》一書中對當今深度學習系統的先驅性觀點。

實際上，深度學習只是構建智能機器的一部分。這類技術缺乏表征因果關系（例如疾病與其癥狀之間關系）的方法，并且可能在獲取抽象概念方面存在挑戰。深度學習沒有明顯的邏輯推理方式，距離整合抽象知識還有很長的路要走。

當然，深度學習已經取得了諸多進展，它擅長模式識別，但在推理等一些基本問題上進展還遠遠不夠，系統仍然非常不可靠。 

以谷歌開發的新模型 Minerva 為例，它在訓練時有數十億個 token，但仍然難以完成 4 位數字相乘的問題。它在高中數學考試中獲得 50% 的正確率，卻被吹噓為「重大進步」。因此，深度學習領域仍很難搭建起一個掌握推理和抽象的系統。現在的結論是：不僅是深度學習有問題，而是深度學習「一直都有問題」。

在我看來，符號處理的情況可能與以往一樣：

在「代數思維」 20 年的影響下，當前的系統仍然無法可靠地提取符號處理（例如乘法），即使面對龐大的數據集和訓練也是如此。人類嬰幼兒的例子表明，在正規教育之前，人類是能夠歸納復雜的自然語言和推理概念的（假定是符號性質的）。

一點內置的符號主義可以大大提高學習效率。LeCun 自己在卷積方面的成功（對神經網絡連接方式的內置約束）很好地說明了這種情況。AlphaFold 2 的成功一部分源于精心構建的分子生物學的先天表征，模型的作用是另一部分。DeepMind 的一篇新論文表示，他們在構建關于目標的先天知識系統推理方面取得了一些進展。

而 LeCun 和 Browning 所說的都沒有改變這一切。

退一步看，世界大致可以分為三個部分：

• 在工廠完全安裝了符號處理設備的系統（例如幾乎所有已知的編程語言）。
• 具有先天學習裝置的系統缺乏符號處理，但在適當的數據和訓練環境下，足以獲得符號處理。
• 即使有足夠的訓練，也無法獲得完整的符號處理機制的系統。

當前深度學習系統屬于第三類：一開始沒有符號處理機制，并且在此過程中沒有可靠的符號處理機制。

當 LeCun 和 Browning 意識到擴展的作用，即添加更多層、更多數據，但這是不夠的，他們似乎同意我最近反對擴展的論點。我們三個人都承認需要一些新的想法。

此外，在宏觀層面上，LeCun 最近的主張在很多方面都非常接近我在 2020 年的主張，即我們都強調感知、推理和擁有更豐富世界模型的重要性。我們都認為符號處理扮演著重要角色（盡管可能不同）。我們都認為目前流行的強化學習技術不能滿足全部需求，單純的擴展也是如此。

符號處理最大的不同在于需要固有結構的數量，以及利用現有知識的能力。符號處理希望盡可能多地利用現有知識，而深度學習則希望系統盡可能多地從零開始。

早在 2010 年代，符號處理在深度學習支持者中還是一個不受歡迎的詞，21 世紀 20 年代，我們應該將了解這一方法來源作為首要任務，即使是神經網絡最狂熱的支持者已經認識到符號處理對實現 AI 的重要性。一直以來神經符號社區一直關注的問題是：如何讓數據驅動的學習和符號表示在一個單一的、更強大的智能中協調一致地工作？令人興奮的是，LeCun 最終承諾為實現這一目標而努力。

原文鏈接：https://www.noemamag.com/deep-learning-alone-isnt-getting-us-to-human-like-ai/?