从目前大模型取得的成功来看，冯·诺伊曼的预言已经变成现实。对自动机理论而言，神经元模型可能比图灵模型更有价值。神经网络不是按照确定的算法实现图灵计算，其主要功能是“猜测加验证”。猜测和计算是两个不同的概念，基于神经网络的机器更合适的名称是“猜测机”，而不是“计算机”。大模型的本质是基于概率统计的不确定计算，其解决复杂问题的效率大大高于图灵模型。

神经元模型与图灵机模型几乎同时提出，已经竞争了几十年。很长时间内图灵机模型一直占上风，但Hinton 等教授从未放弃，直到2012年在ImageNet的图像识别竞赛中一鸣惊人，基于神经元网络的深度学习才红火起来。图灵机计算模型和神经网络计算模型各有优势和不足，在不同的领域内表现各异，两者不是取代关系，而是需要取长补短，相互配合。

值得指出的是，1948 年，艾伦・图灵写了一篇题为《智能机器》(Intelligent Machinery) 的论文，这篇论文提出了“无组织机器”的概念，实际上是早期的随机连接神经网络模型，几乎描述了目前人工智能联结主义的基本原理，包括遗传算法和强化学习。由于没有得到他的老板的认可，一直没有发表，到2004年才被发现。这篇文章表明，图灵本人也看好神经元计算模型。我想，如果学术界早看到这篇论文，今天的计算机世界可能是另一幅模样。

人工智能的基本假设是丘奇-图灵论题（Church-Turing thesis），即“认知等价于计算”。1992年我在《模式识别与人工智能》期刊上发表的“人工智能的计算复杂性研究”一文中指出：“人工智能要走出玩小孩游戏(toy problem ) 的圈子，只有两条出路，要么承认Church-Turing假设，以现有计算机能力为基础(与图灵机能力只差多项式倍),寻找合适的问题描述，发现人工智能中的易解问题；要么不承认Church-Turing假设，寻求新的“计算”模型，使得对人脑易解的问题在新的模型中也易解。”现在来看，当时的判断经得起时间的考验，寻找合适的问题描述和寻求新的“计算”模型，仍然是人工智能界的主要任务。

艾伦・图灵

有人反驳我的观点说，现在计算机中执行的每一步都是图灵计算，我们是把其他的计算模型都“映射”到图灵机，用图灵机模拟其他模型。这可能涉及整体和局部的辩证关系。机器学习的整个过程像是一条弯弯曲曲的曲线，曲线的每一小段微分都可看作直线。也就是说，目前数字计算机的每一步具体操作是按照图灵计算做的，但机器学习整个过程合起来已经不是图灵计算。这里可能隐含许多深层次的奥妙。在人工智能领域，我们需要对计算复杂性进行全新的研究，因为许多新现象的出现无法用旧有的理论来解释。目前存在一个问题：专注于复杂性研究的学者往往不涉足人工智能领域，而从事人工智能研究的学者通常对复杂性研究不感兴趣。我相信这两个领域结合起来会有原理性的突破。

冯·诺伊曼去世后整理发表的著作“自复制自动机理论”指出：自动机理论的核心概念在于复杂性，超复杂的系统会涌现出新的原理。他提出了一个重要的概念：复杂度阈值。突破了复杂度阈值的系统，就会由于在数据层的扩散和变异作用而不断进化，可以做很困难的事情。现在的神经网络模型有数千亿个参数，可能已接近能处理困难问题的复杂度阈值点。复杂度阈值是一个十分深奥的科学问题，还没有引起学术界高度重视。复杂度阈值并不等于模型的规模，需要深入研究。

对待大模型，企业界有不同的态度。笼统地讲，可以分成“榔头派”和“钉子派”。“榔头派”是技术信仰派，信仰AGI、信仰 scale law，追求模型的通用性，认为大模型就是个“榔头”，什么钉子都可以敲。“钉子派”认为先要找到钉子，榔头才能起作用，更相信可以变现的商业场景。我认为榔头和钉子都很重要，两者要结合。人工智能还处在探索阶段，要鼓励技术途径的多样性。大模型是实践证明的可行途径之一，不能认为是碰运气，要争取在大模型技术上迎头赶上，有所突破。也要结合中国国情，走出自己的人工智能发展之路。人工智能技术应当更多地用在材料、医疗、工业控制等领域，产生实实在在的经济效益。

人工智能技术在医疗领域的应用  图源：网易科技

当我们探索大模型时，可能会发现关于智力本质的新原理，就像物理学家在20世纪发现关于物理世界的新原理一样。量子力学被发现时是非常违反直觉的，当智能的基本原理被发现时，它们可能同样违反直觉。如果关于大模型的解释一讲就懂，可能还没有找到真正的原因。

2022年，科技公司创造了32个重要的机器学习模型，而学术界只产生了3个，这与2014年形成了明显的反差，当时大部分AI突破都来自高校。近年来约70%拥有AI博士学位的人才进入私营公司就业，20年前这个比例只有21%。头部科技公司对AI领域的“垄断”愈发严重，学术界面临前所未有的挑战。技术发展方向完全被企业家和投资人控制不一定符合全人类的共同利益，科学家在引领科技良性发展中要发挥应有的作用。