港大馬毅：對人類知識有學習能力、能夠糾錯，是智能本質

公司情報專家《財經涂鴉》獲悉，9 月 11 日，香港大學計算與數據科學學院院長馬毅在 2025 Inclusion·外灘大會開幕主論壇上發表主題演講。

他指出，當前人工智能雖技術蓬勃發展，卻仍缺乏對智能本質的科學理解，因此，“必須將AI從依賴試錯、不可解釋的‘黑箱’系統，轉變為基于數學原理與閉環反饋的‘白箱’模型，才能真正實現機器智能”。

“智能的核心在于‘自我驗證與自我糾錯’的能力，而當前的大模型僅是靜態知識的存儲庫，因而才會出現基礎邏輯混亂和‘幻覺’問題”。 馬毅表示，“雖然擁有海量‘知識’，但它們并不具備真正的‘智能’。”

展望未來，他認為，必須將智能作為一個嚴謹的科學與數學課題來研究，聚焦于構建具備個體記憶與閉環自治能力的系統，在可解釋的理論框架下推動機器智能向真正意義上的“自主智能”演進。

以下為馬毅演講全文（根據表述需求有所刪減）：

大家好！

過去十幾年人工智能的發展，令人變得既“興奮”又非常“焦慮”——作為計算學院院長，我在香港大學今年招生時，收到了無窮多的家長的電話：馬老師，到底我的小孩該學什么專業？五年畢業以后、四年畢業以后，是不是工作還在？

中國的哲學講，大道至簡。很可能這些千變萬化的技術背后，只是一個非常簡單、統一的機制在起作用。所以，遵循第一性原理，先搞清楚目的，其它的無非就是手段而已。

世界上有兩件事情最值得學習，一個是宇宙怎么來的？這是物理研究的問題；一個是生命怎么來的？這是智能要研究的問題。

大家現在都在談大模型/Scaling Laws，實際上我們的DNA就是自然界最早的大模型。它學到了外部世界所有值得傳承的知識，通過DNA編碼傳承記憶下去。它的迭代的方式，今年的圖靈獎有一個有趣的名字，叫作Reinforcement Learning。

所以，自然界早就在做這個事情，已經做了幾十億年。從這個角度看，現在智能發展的階段，就是生命發展的最早期。

但是，5億年前發生一件了不起的事情，每個個體開始出現了大腦、神經系統，出現了視覺。之后很快就出現了寒武紀/生命大爆發。此前，DNA個體是沒有智能的。一旦個體的智能、感知和記憶出現，Learn from your feedback，Learn from your errors，將會大大提高每個個體的適應性。

而且，智能發展是一直在擺脫這種大模型的進化。第一個階段，是我們出生之后會逐漸想擺脫DNA，去學更多外部世界的知識；第二個階段，是人發明了語言和文字，將文明一代代傳承下去，用文字取代了DNA的作用。

再往后，3000年前我們發明了數學和邏輯，開始對科學知識進行編碼，導致了科學的發展。這才是artificial intelligence所包含的真正意義。

現在很多人認為人工智能源于1956年，這是完全錯誤的觀念，真正的起源是1940年代，一個叫Norbert Wiener的MIT教授，提出來Cybernetics，可以簡要翻譯成控制論。他研究的是動物是怎么學習，如何用機器實現動物層面的智能。那個時代所有跟智能相關的人都是受他的影響，比如信息論的奠基人香農、對策論的奠基人馮·諾依曼。

不過，現在出現了一個非常時髦的詞，具身智能。大家知道，剛開始人對神經元理解之后，就急著去Networks，并聲稱可以建模型了，機器可以自己思考了，有自己的意識了，可以干所有的活了，所有工作我們都不用做了。

50年代時，這種牛就已經吹過了。當然，是以失敗告終。但還是有很多人堅持，2012年，數據和算力讓神經網絡的實現變成可能。后面發生的事情，跟生命早期發生的事情一模一樣，大浪淘沙。

為什么我們一定要把它搞清楚呢？因為任何事情一旦是黑盒子，就會變成歷史的教訓。我們不理解天體運動時，就會出現封建迷信。科學就是要把它們解釋清楚，告訴大家它的原因、它的機理是什么。

為什么要學習？什么是值得學習的？智能都是在看似無序的世界中找到規律，把它有用的知識形成記憶，記下來。所有可預測的信息都是我們觀測的高維數據，如果它是有可預測的信息，它的內在結構都是低維的。牛頓第一定律說，當一個物體不受外力的時候，它會在一條直線上運動，不會在三維空間中任何一個維度出現。

所有的物理定律都是以等式的形式出現，為什么？多一個等式對于外部世界的解空間降一維，多一個等次降一維。最新的理論告訴大家，從黑洞爆炸開始，所有的物理規律，整個宇宙世界是在一個十維的空間，它不是一個無窮維。數學上，大家都講神經網絡是一個inductor，實際上第一性原理就是你只需要一個最簡單的assumption。

我可以告訴大家，推導出過去十年所做的所有事情，只需要一個假設，你的數據、值得學習的數據，它的數學結構是低維的，這是我們需要的唯一假設，所有的東西可以通過嚴格的數學手段和邏輯推導出來。

人類花了八十年，從不可計算到可計算，從不tractable到tractable, 從tractable到scalable, 才導致了今天人工智能的技術。但即使用了人工智能技術，到了scalable，效率離nature至少還差十個數量級——此刻可能是又該向自然界學習的時候了，不要還那么自以為是，我們還處在生命發展的極早期，剛剛開始，甚至還沒有開始。

Jeff Hinton 2022年已經承認了，自然界不做back propagation，太貴了，沒法做，只有埃隆馬斯克可以玩得起，我們玩不起。但是自然界有另外的一條路通向羅馬，就是similarities，反饋控制，連續學習的機理。

我們的大腦是幾十萬個閉環系統聯結在一起的并行分布的事情，我們對實現這樣的技術還根本沒有開始。用General purpose的計算機、CPU、GPU去實現智能真正所需要的計算，是一條極其極其繞的彎路。大家想找的近路，自然界早就找到了。

最后，再給大家講一下，大家對智能的理解有非常多的誤區，認為一個系統有知識就是有智能。實際上是不對的——

GPT有知識，它沒有智能，它就跟早期的DNA一樣；新生兒有智能，不一定有很多知識，但卻有機會成為下一個愛因斯坦。能夠對人類知識有自己學習的能力，甚至糾正人類所有知識里面的缺陷，這才是智能的本質。

大家都在談，過去是人工智能的時代，實際上不是。我們過去十年所做的事情，還僅僅局限在40年代實現動物層面的，即感知、記憶、生成、預測這一層的機理，離真正的1956年人工智能的Program，還沒有開始。嚴格來講，所有的模型，包括GPT5，連基本的自然數的概念都沒有。

現在大家都在很籠統的講，什么圖靈測試都超過人了。那計算器做加減乘除早就超過人了。所以，該怎么科學的界定一個系統它的智能的能力？

這件事情我們要認真的去反思。圖靈測試，到底一個系統它完成一個任務是基于記憶還是真正的理解了知識？現在經常有人說，大模型可以取代科學家、Poster、PHD了，真的嗎？它們有沒有科學家所具備的這種能力，現在必須界定清楚，而不能籠統的討論，那不濟于事。

這是我們最近完全開源的一本書，中文、英文AI翻譯的，內容是關于學習，建立智能的數學原理，以及深度學習。完全把黑盒子打開成白盒，現在成為一個開源的項目，跟王堅總講的很像，大家可以去試一試。

所以，有沒有可能把智能作為一個科學的問題、數學的問題，界定清楚，變成白盒子，連高中生大家都能知道它在做什么，這是過去很多團隊一起在做的事情。

大家想通過一個talk就了解一個智能，這是完全異想天開，其中必須要有嚴格的、科學的、數學的證據鏈，以及實驗的證據鏈。這是我們過去十年認真在做的一件事情，也是學術界、科學界必須做的事情。我們必須當成一個真正的工程來完成，這是我希望大家了解的。

謝謝大家！

作者：蘇打

編輯：tuya

出品：財經涂鴉（ID：caijingtuya）