位置：AI门户网 > AI百科 > 基础概念 > 获得吴文俊人工智能奖之后：光环之下，我的困惑、感激与未竟的思考

获得吴文俊人工智能奖之后：光环之下，我的困惑、感激与未竟的思考

来源：AI门户网时间：2026/4/28 11:39:41 共 2313 浏览

说真的，当得知自己获得了吴文俊人工智能奖的时候，我正对着电脑屏幕上跑了一半、结果看起来不太对劲的实验代码发呆。手机震动，邮件提示音响起，我扫了一眼标题，心里咯噔一下——“祝贺您……” 后面几个字没看清，或者说，是不敢仔细看。我深吸了一口气，把邮件点开，从上到下快速浏览了一遍。然后……我关掉了邮件窗口，继续盯着那段出错的代码。大概愣了有五分钟吧，脑子里一片空白，既没有想象中的狂喜，也没有如释重负，就是一种非常奇怪的、悬浮的状态。直到同事路过，问我在发什么呆，我才喃喃地说：“好像……中奖了。” 他凑过来看，然后惊呼起来，办公室这才一下子热闹了。

你看，这就是故事的开始，一点都不戏剧化，甚至有点狼狈。吴文俊奖，这个以中国数学大师、人工智能先驱命名的奖项，在国内AI圈子里分量有多重，我心里是清楚的。它表彰的是在基础理论、关键技术或应用推广上做出“突出贡献”的工作。我的获奖项目，是关于在复杂开放环境中，让智能体进行高效且可解释的常识推理与决策的一套框架。听起来很拗口对吧？简单说，就是想让AI不仅仅会识别猫猫狗狗，或者下棋打游戏，而是能在信息不全、规则模糊的真实世界里，像人一样，利用一些基本的常识和逻辑，去做出相对合理的选择。

一、研究的起点：从“愚蠢”的问题开始

一切得从好多年前说起。那时候，深度学习正火得一塌糊涂，刷榜、刷分是常态。我也在做相关的研究，但心里总有个疙瘩：我们训练的模型，在特定数据集上表现惊人，可一旦环境稍有变化，或者遇到一个它没“见过”的情况，就可能做出非常荒谬的判断。这就像一个考了满分的学生，却不会处理生活中最简单的问题。这真的叫“智能”吗？

我开始问一些看起来很“愚蠢”的问题：AI怎么知道“玻璃杯是易碎的”？怎么理解“赶时间的时候通常不会选择步行去很远的地方”？这些对人类来说近乎本能的常识，对机器却如同天书。我的导师当时听了我的困惑，沉默了一会儿，说：“这是个硬骨头，可能啃很久都出不了‘漂亮’的成果。” 我知道他的意思。在追求论文发表数量和模型精度的浪潮里，去研究这种底层、吃力不讨好的问题，风险很大。

但我还是决定跳进这个“坑”。研究的核心挑战，在于如何将难以形式化的常识，与可计算的数据、模型连接起来。我们不是要建立一个包罗万象的常识数据库（那几乎不可能），而是想让AI学会在遇到新情境时，主动调用和组合有限的常识“积木”，进行推理。

二、突破与瓶颈：在黑暗中摸索

过程当然不顺利。最痛苦的不是技术难题，而是那种漫长的、看不到明确进展的孤独感。有将近一年时间，我们的各种尝试都收效甚微。团队里弥漫着焦虑情绪。我记得有一次，我们设计了一个模拟环境，测试智能体在简单家务场景（比如“准备早餐”）中的决策能力。结果令人啼笑皆非：为了“拿到冰箱里的牛奶”，智能体可能会选择“先把冰箱拆了”，因为它从数据中学到的“获取封闭空间内物体”的成功案例，很多都涉及“破坏障碍物”。它完全缺失了“冰箱是贵重物品，应该打开门而不是破坏它”这个常识。

这个例子让我们意识到，光有数据驱动不够，必须引入结构化的约束和逻辑引导。我们转向了符号主义与连接主义结合的路径，也就是现在常说的“神经符号AI”。我们设计了一个双通道系统：

系统模块	功能类比	主要职责	特点
:---	:---	:---	:---
直觉感知网络	人的“系统1”	快速处理感知信息（图像、文本），生成初步的候选动作或假设。	速度快，基于深度神经网络，善于从数据中学习模式，但可解释性差。
常识推理引擎	人的“系统2”	对候选动作进行基于常识和逻辑规则的校验、推理和排序。	速度相对慢，基于符号逻辑和知识图谱，可解释性强，提供决策依据。

两个模块互相“辩论”、协同工作。比如，面对一扇关着的门，直觉网络可能直接输出“撞开”；但推理引擎会调用知识：“门通常可以打开”、“撞门可能损坏门和自身”、“先尝试旋转门把手是低成本动作”，从而否决“撞开”，生成“尝试开门”的指令。这个过程，我们尽可能让它可视化，让研究者能看到AI的“思考”链条。

关键的转折点，来自于我们对“常识”的粒度进行分层处理。我们把常识分为物理常识（物体属性、空间关系）、社会常识（人情世故、习俗）和任务常识（完成某事的常规步骤）。不同层级的常识，用不同的方式进行建模和注入。这就像给AI搭建了一个多层次的“思维脚手架”。

三、获奖之后：荣誉是集体的，困惑是自己的

项目最终在一些国际标准的测试基准上取得了不错的成绩，也发表了论文。但我必须坦白，直到获奖通知发来，我依然觉得这个工作离“解决”常识问题还非常遥远。它只是一个初步的、粗糙的框架。所以，奖项带来的，除了肯定和鼓励，更多的是压力和责任。

我经常被问到：“你们的方法，离真正的通用人工智能（AGI）还有多远？” 我的回答通常是：“我们可能连起点都还没完全找对。” 当下的AI，包括我们做的工作，很大程度上还是在解决“特定能力”的问题。而人类智能最迷人的地方，恰恰在于它的通用性、创造性和对本质的理解。我们是否过于关注让AI“表现”得更智能，而忽视了让它“理解”为何要这样做？

获奖后，我有机会接触到更多领域外的专家，比如哲学家、认知科学家。他们的视角让我警醒。一位哲学家朋友问我：“你在教AI用常识，但你想过没有，人类的常识本身是稳定不变的吗？它在不同文化、不同历史背景下都在流动和变化。你今天固化进模型的‘常识’，会不会成为它明天理解世界的枷锁？” 这个问题，我至今没有很好的答案。

四、对未来的冷思考：热潮中的“减速带”

AI领域的发展太快了，每天都有新模型、新突破，让人眼花缭乱，也容易让人浮躁。吴文俊先生当年做机器证明，坐的是冷板凳，走的是少有人走的路。今天，我们获得以他名字命名的奖项，更应该继承这种精神：在热潮中保持冷静，在喧嚣中坚守本质。

我认为，未来几年，AI研究可能需要一些“减速带”：

1.从“性能驱动”回归“问题驱动”。少问“我的模型比SOTA高几个点”，多问“这个研究究竟解决了什么真实世界的问题？增进了我们对智能的何种理解？”

2.高度重视可解释性与安全性。尤其是当AI应用于医疗、司法、金融等关键领域时，一个“黑箱”模型哪怕精度再高，其潜在风险也是巨大的。可解释性不是锦上添花，而是规模化应用的基石。

3.拥抱跨学科深度合作。AI的下一步突破，很可能不再局限于计算机科学内部，而是需要与神经科学、心理学、语言学乃至哲学进行更深度的碰撞。

获奖，像是一束突然打过来的聚光灯，让我和我们的工作被看见。但灯光之外，是无边无际的未知黑暗。我知道，这束光迟早会移开。而我和我的同行们，终将继续伏案，面对那些最根本、最棘手也最迷人的问题。这条路，道阻且长。但就像吴文俊先生等前辈们所践行的那样，科学的探索，其价值和魅力，往往就在这“阻且长”的过程之中。奖项是路上的一个里程碑，提醒我们走了多远，也提醒我们，前方还有更长的路。

也许有一天，AI真的能理解我们所谓的“常识”。到那时，它可能又会发展出属于它自己的、全新的“常识”体系。那会是一幅怎样的图景呢？我不知道。但我确信，保持好奇，保持敬畏，保持独立思考，是我们作为研究者，在智能时代洪流中，最不该丢失的“常识”。