[论文解读] Artificial Intelligence: 70 Years Down the Road

Lin Zhang|arXiv (Cornell University)|Mar 6, 2023

Ethics and Social Impacts of AI被引用 5

一句话总结

本文分析了人工智能发展70年的历程，识别出从基于规则的系统到统计模型，最终到数据驱动方法的重复性技术轨迹。文章认为，可持续的人工智能源于马克思主义辩证法的哲学基础，以及以扩展计算能力为核心的技术路径，最终实现人机协作，以克服建模复杂现实现象的固有局限。

ABSTRACT

Artificial intelligence (AI) has a history of nearly a century from its inception to the present day. We have summarized the development trends and discovered universal rules, including both success and failure. We have analyzed the reasons from both technical and philosophical perspectives to help understand the reasons behind the past failures and current successes of AI, and to provide a basis for thinking and exploring future development. Specifically, we have found that the development of AI in different fields, including computer vision, natural language processing, and machine learning, follows a pattern from rules to statistics to data-driven methods. In the face of past failures and current successes, we need to think systematically about the reasons behind them. Given the unity of AI between natural and social sciences, it is necessary to incorporate philosophical thinking to understand and solve AI problems, and we believe that starting from the dialectical method of Marx is a feasible path. We have concluded that the sustainable development direction of AI should be human-machine collaboration and a technology path centered on computing power. Finally, we have summarized the impact of AI on society from this trend.

研究动机与目标

• 识别并系统化过去70年在计算机视觉、自然语言处理和机器学习等核心人工智能领域中反复出现的发展模式。
• 从技术和哲学双重角度分析过去人工智能失败的根本原因以及当前成功的成因，尤其关注数学工具的缺乏以及对统一哲学框架的需要。
• 主张人工智能的发展必须以计算能力的持续扩展和人机协作为中心，以克服建模复杂现实系统时的固有局限。
• 探讨人工智能的社会影响，强调其通过融入人类实践，推动社会生产方式和劳动分工变革的作用。
• 倡导建立一个统一且经时间检验的哲学基础——特别是马克思主义辩证法——以指导未来人工智能的研究与开发。

提出的方法

• 追踪计算机视觉、自然语言处理和机器学习等关键子领域的AI历史演进，识别出一致的发展模式：从基于规则的系统，到统计模型，最终发展为数据驱动的深度学习方法。
• 通过识别缺乏足够的数学工具来建模复杂现实现象，分析人工智能的技术局限性，导致其依赖经验性方法和人工特征工程。
• 将马克思主义辩证法应用于人工智能，将发展过程中的矛盾——如人类知识与计算能力之间的矛盾，以及理论模型与实际实现之间的矛盾——作为核心框架。
• 提出这些矛盾的解决路径在于人类知识、算法创新与计算能力持续扩展之间的持续反馈回路。
• 运用马克思主义哲学中的“实践”概念，将人工智能视为人类社会生产与生活实践的延伸，而不仅是一种技术工具。
• 将未来人工智能的发展构想为螺旋式推进的过程，其中计算能力的提升使更复杂的知识建模成为可能，而人类输入与迭代反馈则推动这一进程。

实验结果

研究问题

• RQ1 支撑计算机视觉、自然语言处理和机器学习等不同子领域人工智能演进的共同发展轨迹是什么？
• RQ2 为何过去的人工智能方法失败？技术与哲学因素如何解释当前数据驱动深度学习的成功？
• RQ3 马克思主义辩证法如何为理解并引导人工智能的未来发展提供连贯的哲学框架？
• RQ4 计算能力在克服人工智能在建模复杂现实系统时的根本局限中发挥何种作用？
• RQ5 人工智能将如何改变社会生产与劳动分工？在人工智能深度融合的社会中，人类的职能将如何演变？

主要发现

• 人工智能在各子领域的发展遵循一致的模式：从基于规则的系统，到统计模型，最终发展为数据驱动的深度学习方法。
• 人工智能的技术局限性本质上源于缺乏足够的数学工具来建模复杂现实现象，导致必须依赖经验性方法和人工特征工程。
• 哲学框架，尤其是马克思主义辩证法，对于理解人工智能发展中的矛盾——特别是人类知识与计算能力之间的矛盾——至关重要，是实现可持续进步的关键。
• 人机协作是不可避免且可持续的未来路径，人工智能的发展应以计算能力的持续扩展为核心。
• 深度学习的成功并非单一突破，而是数十年来计算能力提升、数据可得性增强与算法持续优化的迭代成果。
• 人工智能不仅是技术工具，更是人类社会实践的延伸，从根本上改变了劳动分工，通过自动化脑力与创造性劳动，开启了人类生产力的新阶段。