Stephen Wolfram眼中的AGI：从符号计算到“外星智能”

在MIT的AGI课程中，Stephen Wolfram用自己数十年的研究与Wolfram Alpha的实践，讲述了一条不同于主流深度学习的通用人工智能路径：以符号计算为核心，结合现实世界知识与计算模型，构建一种更可解释、也更像“外星智能”的AI。

为什么通用人工智能不是“再多一点深度学习”

这一讲的出发点很直接：如果我们真的想要通用人工智能（AGI），仅靠当前的机器学习范式是否足够？Wolfram一开始就把问题抛给了听众——AGI的目标，不是在某个任务上超过人类，而是“能够回答对人类真正有用的问题”。这意味着系统必须理解世界，而不仅是拟合数据。

他反复强调一个被低估的难点：现实世界的问题几乎都不是纯数据问题。要回答“今天波士顿到纽约最快的路线”或“南美洲各国首都的最短旅行路径”，系统不仅需要数据，还需要关于城市、地理、交通这些概念的结构化模型。正是在这里，Wolfram认为单纯的端到端学习开始显得力不从心。

他直言不讳地指出，AGI并不是把现有模型“incrementally better”就能得到的结果，而是需要在计算范式上做出不同选择。这种选择，最终把他带向了符号计算和知识表达这条看似“老派”，但在他看来更本质的道路。

Wolfram Alpha 的诞生：一次对“可计算世界”的豪赌

在讲述理论之前，Wolfram先讲了一个非常个人化的故事：他是如何真正下定决心去做Wolfram Alpha的。他回忆道，大约在意识到AI长期停留在“玩具问题”阶段之后，他开始认真思考：有没有可能构建一个系统，直接面向现实世界的知识，并且能自动计算答案？

这并不是一个渐进式项目，而是一次系统级重建。“当我们开始构建Wolfram Alpha时，我们决定在一开始就把整个系统建立在符号化表示的基础上。”这意味着，世界中的事物——国家、化学元素、数学公式——都要被明确地表示成符号，并且可以被计算规则所操作。

他提到，真正困难的地方不在于某一个算法，而在于“让许多事情同时正确地工作”。数据收集、知识建模、计算引擎、自然语言输入，每一层都不能出错。这种工程复杂性，本身就是他理解AGI的一部分：智能不是一个模块，而是一个高度协同的系统。

符号语言的力量：从一句话到可执行的计算

为了让学生理解符号计算的价值，Wolfram现场拆解了Wolfram Alpha“内部是如何工作的”。当用户输入一句自然语言问题时，系统并不是直接丢给神经网络，而是先尝试将其解析为一种符号化语言——一种“可以被计算的语言”。

一旦问题被转化为符号表达，真正有趣的事情才发生。系统可以自动调用相关知识，组合不同的计算模块，甚至生成新的中间结果。例如，他提到“南美洲各国首都的旅行商问题”，这并不是预先写好的答案，而是系统在理解问题后，动态构建并求解的计算。

Wolfram强调，这种方法的长期价值在于可扩展性。只要符号语言足够通用，系统就能不断自动化更多事情。“我的目标一直是尽可能多地自动化——从理解输入，到计算结果，再到组织输出。”这是一种把智能视为“计算流程”的视角。

机器学习与“外星智能”：我们正在建造什么样的心智

在课程后半段，Wolfram并没有回避机器学习。他承认，现代神经网络在感知层面取得了巨大成功，例如图像和语音识别。但他也提出了一个耐人寻味的观点：即便这些系统表现得很“聪明”，它们的思维方式可能与人类完全不同。

他用一句令人印象深刻的话来形容这种差异：“人工智能是我们遇到的第一个外星智能。”意思是，我们第一次面对一种能够产生复杂行为、却不遵循人类直觉思维路径的智能体。机器学习模型内部的表示方式，往往既难以解释，也难以转化为人类可理解的故事。

因此，在他看来，未来的AGI很可能不是符号计算或机器学习的单选题，而是一种结合：用机器学习处理感知和模式，用符号系统负责推理、解释和高层决策。理解这种“混合智能”，或许比单纯追求性能指标更重要。

总结

这场演讲真正打动人的地方，不在于对某种技术路线的宣传，而在于Wolfram对“智能是什么”的长期思考。他用Wolfram Alpha的实践证明，通用智能需要对世界的可计算结构有清晰建模，同时也提醒我们，机器的智能未必会像人类。对读者而言，最大的启发也许是：在AGI这件事上，保持多种范式并存的耐心，可能比押注单一技术更重要。

关键词： Stephen Wolfram， 通用人工智能， 符号计算， Wolfram Alpha， 机器学习

事实核查备注： Stephen Wolfram；Wolfram Alpha；符号计算（symbolic computation）；通用人工智能（AGI）；“Artificial intelligence is our first example of an alien intelligence”原意引用；视频来源：Lex Fridman，MIT 6.S099，2018-03-02