朱松纯：什么时候才能出现人工智能的“中国时刻”？

局限：数据与统计方法驱动的局限

尽管早在20多年前就感受到了人工智能的“奇点临近”，但我必须强调的是，几十年的探索让我们清醒地认识到，数据与统计方法驱动的人工智能发展道路存在自身的局限性，当时对人工智能的认知与开发还远远不足，到今天证明了，我的想法是对的。为了说清楚这个问题，让我继续从本世纪初的科研实践讲起。

2003年，我们开始超越线画，做真正的图像解译（Image Parsing），这个工作在2003年国际计算机视觉大会上获得了计算机视觉研究的马尔奖。获奖并没有让团队停下思考的脚步，因为从上个世纪90年代最早将统计建模与学习方法引入计算机视觉，我们团队发现统计在对图像理解方面有着越来越重要的作用，所以我决定在湖北鄂州创立莲花山研究院，开启大规模、颗粒度极高的数据标注工作。

2004年，莲花山研究院在湖北鄂州成立，是世界首个大型图像/视频解译数据库，也是中国首家民办非营利性机构，具有划时代的意义。这不仅对我个人的科研生涯至关重要，在人工智能发展史上具有标杆意义的存在，制定了图像视频标注的标准图像解译的测试集，为我国人工智能人才的启蒙、乃至全球此轮由数据驱动的人工智能浪潮，起到了开创性的推动作用。

这个阶段的图像解译不同于以前的单点分割和图像分类，它需要解译整个图像的结构。举个例子，如果给莲花标记，我们不仅给莲花分类，还要标注花瓣、花蕊等所有结构。此外，图像解译还关注物体之间的关系，例如标记一辆被柱子挡住的车时，我们会标记遮挡关系，还会生成图像标签图、子图和三维标记。这是一个非常复杂的过程，所以我们还制定了标注标准，并产生了手册、定义了怎么解析图像的细节。团队后来承接了来自世界各地科研机构数据标注的业务，签订了不少合同。

图10 莲花山图像解译操作手册， 图像的分割、识别与解译。对PG0阶段，即对图像本身的开发程度已经到了完整的程度

到这个阶段，也就是我们现在可以称之为“PG0时代”的时期，人工智能技术对图像本身的解译可以说是非常成熟了。大家可以看图中的这个小三角形，其中的红色节点（nodes）都已经被填满了，这表示，此时技术能够达到对图片本身的解译没有“死角”的程度，通过“分割”（segmentation）“对象检测”（object detection）和“三维构建”（3D construction）等技术，已经能够对图片画面有充分理解。

图11 对图像的三维解译。这个时期，技术对画面上包括物体、场景等要素的“理解”已经很充分

到这个阶段，也就是我们现在可以称之为“PG0时代”的时期，人工智能技术对图像本身的解译可以说是非常成熟了。大家可以看图中的这个小三角形，其中的红色节点（nodes）都已经被填满了，这表示，此时技术能够达到对图片本身的解译没有“死角”的程度，通过“分割”（segmentation）“对象检测”（object detection）和“三维构建”（3D construction）等技术，已经能够对图片画面有充分理解。

值得一提的是，莲花山研究院还是人工智能生成内容（AIGC）应用的诞生地之一。我们开发了一种将结婚照转化为油画的技术。我们想，每年有数百万对新人结婚，可以将油画作为独特的纪念品或礼品。这也是我们最早的产业创新之一。

图12 图片意为“从图像解析到绘画渲染”。将结婚照转化为油画作为新婚夫妇的结婚纪念，成为我们最早的产业化尝试之一

将结婚照转化为油画的技术依赖于我们在30年前提出的、用于纹理合成的模型，这可以算是世界上最早的生成式模型。目前流行的大模型GPT是pre-trained model（预训练模型），在30年前我们将其称之为prior learning（先前学习）。现在广受关注的生成式对抗网络（GAN），最早也是由我的学生屠卓文开发，后来被国外一些研究团队声势浩大地推广，并更名为“GAN”。

图13 世界最早的生成式模型：（Generative Model） 纹理合成

图14  论文题目意为《先前学习与吉布斯反应扩散》。先验模型（Prior Model）最近被改称为“生成式预训练”（Generative Pre-trained）。最早叫做先前学习（prior learning）和生成图片的“郎之万动力学”（Langevin dynamics for generating images）

图15纹理合成：多层神经网络的产生式模型

莲花山研究院作为中国第一个“科民非”，可以理解为现在的新型研发机构。莲花山研究院的建立开创了国际交流的盛况，当时很多青年学者后来陆陆续续都成了人工智能领域的中流砥柱。

图16 第一届莲花山研究院研讨会合影。很多青年学者后来陆陆续续都成了人工智能领域的中流砥柱

到了2005年，欧洲出现了一个叫“帕斯卡（PASCAL）”的数据集（全称Pattern Analysis, Statistical Modelling and Computational Learning，意为“模式分析、统计建模和计算学习”缩写），它专注于图像分类和分割，是一个非常有名的数据集。这里有个插曲是在2005年，我们开始对外接订单，为美国一些公司标注数据，我们标注得非常准确，价格也比较便宜。当时这个数据集的人找到我们，希望我们标注他们的数据。按照我们的标法，每张图片标注一千多个点，报价是每张照片一欧元。因为对方有数万张照片，所以觉得价格太贵，最后没谈成，他们不再做图像解译，只做分割和分类。

大约也是这个节点，科研风气发生了变化。在后来做单纯的分割和分类这波人中，一部分是传统20世纪70-90年代研究几何的，因为1999年统计建模出现后，这些人陷入了危机，点云（Point Cloud）等技术难以继续，所以他们转向做大数据集分割和分类，组织竞赛和刷榜。2004年之后，“刷榜”文化开始盛行，所谓刷榜，就是一般下载了人家的代码，改进、调整、搭建更快的模块，用一个数据集在不同场景下进行测试、评估和排名，不断地在排行榜上拿名次。但是，这个代码不是自主创新的，实际上对技术进步无益。

记得我们2006年在加州大学伯克利分校召开了一次会议，很多数学家在场，这波专门做大数据的人站起来说：“你不用管有的没的，只需在我的数据集上测试就可以了。”我的导师，获得过菲尔兹奖的知名数学家大卫·曼福德(David Mumford)当时在场，感到了很强的冒犯。这其实背后反映的是深层次的、用经验主义还是理性主义来解决问题的争论。

经验主义和理性主义有什么不同呢？经验主义完全依赖于数据驱动，但数据之外总有例外，世界的复杂性可能远超数据所能涵盖的信息。数据可以帮助我们窥见事物的一部分，但却无法呈现完整的图景。而理性主义则强调科学的美感，比如爱因斯坦所倡导的第一性原理，即通过对复杂世界的简化，找到事物本质，形成普遍适用的理论框架，也就是“大一统理论”。

图17 经验主义的审稿人和理性主义的审稿人产生了对立，凸显了当时解决问题的研究路径出现分歧

说到这里，我讲一个非常典型的故事。2010年，我在一次发言中讨论了理性主义和经验主义的争论。我们当时投论文的时候大概有两类审稿人：经验主义审稿人和理性主义审稿人。经验主义的审稿人通常会要求你在不同数据集上运行你的方法，这些审稿人迷信模型，对理论本身是不感兴趣的、质疑的。就像“如果你真聪明，怎么会不富有呢？”他们会说“如果你的研究方法真的好，那么为什么比不上现在的模型呢？”这种简单粗暴的标准将评判科学成果“是否带来创新、进步”变成了成果“是否符合模型”。其实，就像聪明和富有并无直接关联，能不能在数据集上运行成功，跟成果的创新性也没有必然关系。

对于那些偏好运行数据集的文章，理性主义的审稿人则会说：“你的算法只是在你选定的有限数据集上有效，但对解决真实问题没有帮助。”坚持理性主义的研究者会从理论上证明某个问题不可解，以此作为拒掉文章的标准。因此，经验主义和理性主义的分歧，导致了一个现象，就是当时论文能否被接受，很大程度上取决于论文被送到哪派审稿人手里。现在，经验主义审稿人占据了主导地位，坚持理性主义的研究者就逐渐退出了计算机视觉领域。

我更倾向于理性主义，同时结合一定的经验数据。用通俗简单的话来比较，经验主义就是立足于前人经验，在现有的地基上“垒砖”，我坚持的理性主义更偏向于“轻装上阵”，从一开始就抱定对世界本源、本真、本质的极致探索。明明是在前人经验上“垒砖”更容易，就像做大模型，更容易出成果，为什么我还是这么执着于理性主义、坚持价值驱动的研究道路呢？因为，我认为我们国家已经到了鼓励颠覆式创新的阶段。什么是颠覆式创新？就是你这个技术一出来，之前的很多技术都直接归零了。想要在人工智能这种绝对的前沿领域达到这种结果，你追求的不能是在别人的范式之下做科研，渐进地从1到3，从3到n。我们现在希望实现做“从0到1”的成果，只有这样的技术突破多涌现在这个国家，中国才能成为真正意义上的世界科技强国。