自1956年達特茅斯學院那場著名會議以來，人工智能研究走過了這么多年的旅途，經歷許多高峰也走過很多低谷。前事不忘后事之師，這期間產生了很多經驗教訓需要我們反復學習，而最重要的一條教訓卻是很多研究者很難接受的。

從70年的人工智能研究中，我們得出的較大教訓是，最大化利用計算能力的一般方法終究是最有效的方法，且具有很大優勢。其根本原因在于摩爾定律，或者更確切地說，摩爾定律使單位計算成本持續呈指數級下降的現象得以推廣。

大多數人工智能研究都是在智能體可用計算恒定的情況下進行的，在這種情況下，利用人類知識將是提高性能的唯一方法。這不可避免地需要大量計算，花費的時間也會比常見的研究項目稍長一些。為了在短期內取得長足的進展，研究人員試圖利用該領域已有的人類知識，但從長遠來看，真正有用的只有計算。

這兩者無需對立，但在實踐中它們卻往往如此。花時間研究這一個，自然會忽略另一個，這有點像投資中的心理承諾。人類知識方法容易復雜化，不利于采用計算的一般方法發揮比較大的作用。很多例子表明人工智能研究人員對這一慘痛教訓認識太晚，其中一些最典型例子會對我們有所啟發。

在1997年國際象棋人機大戰中，擊敗世界冠軍加里·卡斯帕羅夫的算法是以大量深度搜索為基礎的。當時，大多數計算機國際象棋研究人員對此沮喪不已，畢竟他們一直都在探索各種方法，這些方法利用的都是人類對國際象棋特殊結構的理解。

當有事實充分證明，使用特殊硬件和軟件的這種相對簡單的基于搜索的算法要更為有效時，這些以人類知識為基礎的國際象棋研究人員就輸不起了。他們狡辯“暴力”搜索這次可能贏了，但這不是通用的策略，而且這無論如何不是人們下國際象棋的方法。這些研究人員希望基于人類知識的方法獲勝，但結局令他們失望了。

計算機圍棋也有類似的研究進展模式，只是晚了20年。最開始人們通過利用人類知識或游戲特性，盡很大的可能避開搜索，可一旦搜索被大規模有效應用，所有努力都成了徒勞。

同樣重要的是學習，即通過自我對弈（self-play）來學習價值函數（就像在許多其他游戲甚至國際象棋中一樣，雖然這招在1997年第一次擊敗世界冠軍中沒有發揮太大用處）。通過自我對弈來學習和通用學習就像搜索，可以實現大量計算。

搜索和學習是在人工智能研究中利用大量計算的兩種最重要技術。計算機圍棋就像計算機象棋一樣，研究人員最初是想使用人類的理解力來達成目的，但很久以后他們不得不接納了搜索和學習，這才取得了更大的成功。

在語音識別領域，早在上世紀70年代，美國國防部高級研究計劃局就發起了語音識別競賽。參賽作品利用了許多使用人類知識的特殊方法，例如利用詞匯知識、音素知識、人類聲道知識等等。另一方面，基于隱馬爾可夫模型（HMMs）的新方法本質上更具統計性，計算量也更大。

統計方法再次戰勝了以人類知識為基礎的方法，導致自然語言處理領域發生重大變化。經過幾十年的發展，統計和計算逐漸占據了該領域的主導地位，最近語音識別領域中深度學習的興起就是朝著這一方向邁出的最新一步。深度學習方法更少地依賴于人類知識而更多地使用計算，加上學習大量的訓練集，這樣創造出的語音識別系統要比原來的好得多。

就像在游戲中一樣，研究人員總是試圖讓系統按照他們自己的思維方式運行。他們試著將知識放入系統中，但當根據摩爾定律，大量計算變得可行，有效利用計算的方法也找到之后，這最終被證明是適得其反的，同時會極大地浪費了研究人員的時間。

計算機視覺領域也有類似的模式。早期的方法認為視覺是搜索邊緣、廣義柱體或者通過SIFT特征搜索，但今天這些觀點都被拋棄了。現代的深度學習神經網絡只使用卷積的概念和某些不變性，這些好用得多。

這是一個重要的教訓。我們不斷犯著同樣的錯誤，始終沒能徹底了解人工智能領域。想要避免再次犯錯，就必須弄明白是什么導致了錯誤的發生。從長遠來看，以我們的思維方式來構建系統是行不通的，這是必須吸取的慘痛教訓。

這一慘痛教訓來源于歷史觀測：人工智能研究人員經常試圖將知識構建到智能體中，這在短期內總是有用的，也令研究者個人感到滿意。但從長遠來看，這種方法是停滯不前的，甚至會阻礙進一步的發展。通過基于搜索和學習的規模計算這一相反的方法，研究人員最終取得了突破性進展。

這樣的成功略帶苦澀，而且往往難以被完全接受，這種成功不是通過一種受人支持、以人為中心的方法獲得的。

我們應該從慘痛教訓中學到的是，通用方法有巨大的威力，即使可用計算變得非常巨大，這些方法也會隨著計算量的增加而不斷擴展，搜索和學習似乎正是兩種以這種方式隨意擴展的方法。

我們應該學到的第二點是：思想的內容實際上是極其龐雜的。我們不該再用簡單方法去探尋思想內容，例如思考空間、物體、多智能體或對稱性。這些都是外部世界的一部分，而外部世界是任意的、本質上是復雜的。它們不該被固化，因為它們的復雜性無窮無盡。

相反，需要構建的只有可以發現和捕獲這種任意復雜性的元方法。這些方法的關鍵在于，它們可以獲取很好的近似值，但這種捕獲應該由我們的方法來完成，而不是我們自己。人工智能體要做的是像人類一樣去發現，而不是儲存我們的發現。在人類發現的基礎上進行構建會令人更難看清發現過程是如何完成的。

70多年的探索讓這些事實越來越清晰地浮現在研究人員的眼前，即便再不愿面對，也需要認清這些現實了。避免犯錯的方法是面對錯誤。