中科院院士：越是一切变简单，越要对“复杂”保持敬畏｜AI会下棋，但不懂棋盘为什么存在

一个院士在会上说了一句话，值得琢磨很久。 他说：人工智能有一个很厉害的能力，叫 「在有限组合里进行优化」 。它能支撑工业发展。但工业里还有一批问题，靠这个能力解决不了。 这句话听起来很技术。但它其实在说一件所有用过 AI 的人都会点头的事。 和你有什么关系 你大概不是搞工业的。但你一定遇到过这种情况。 问 AI 一个事，它答得又快又顺，条理清晰，你差点就信了。结果一查，是错的。而且错得很自然，不像是编的，像它真的知道。 这就是幻觉。过去我们听到的解释是：模型还不够大，数据还不够多，再等等就好了。 但郑志明给的解释不太一样。 他说，大模型是在数据空间里做算法，而数据空间的结构、尺度和物理空间本来就不一样。幻觉的根源，是两个空间之间那道差距。 这句话的分量在于：如果差距来自空间本身，那它就不是靠堆算力能填平的。 1 AI 最强的能力，是做选择题 先说郑志明那个词： 有限组合 。 中国科学院的郑志明院士是研究复杂系统的。他提这个词，是在给 AI 的能力划边界。 什么叫有限组合。就是选项是已知的、可枚举的 。你要做的，是在这一堆选项里找到最好的那个。 这件事 AI 做得极好，好到超出大部分人预期。 举几个例子。AlphaGo 下围棋，棋盘是 19 乘 19，规则写死，胜负可判定。它在这种结构里能赢遍人类。 工业里也一样。郑志明提到，像生物工程、材料化工、冶金这样的领域，这类技术已经能很好地支撑生产。因为参数范围相对清楚、工艺路径相对固定、目标也相对明确。这就是一道选择题：在所有可能的配比里，找最优那一组。 再往生活里说。推荐算法是选择题，它在你可能想看的内容里排序。翻译是选择题，它在可能的译法里选最合适的。写代码补全也是，它在可能的下一行里挑一个。 看出来了吗。这些任务的共同点是： 题目是人出的，选项也是人给的，AI 只负责选 。 它是一台效率极高的答题机。 2 但工业里最难的问题，是一道出题题 郑志明接着往下说了一层，这一层才是重点。 他把工业问题分成两类： 有限类，和无限类 。 有限类是刚才说的那种，选项可枚举。而无限类，是选项本身还没被穷举完的问题。他点出了三种典型：第一是连续演化，第二是状态辨识，第三是动态调控。 这三件事有个共同特征。 它们不是「在一堆已知答案里挑一个」，而是连答案空间长什么样都还不确定 。 这就不是选择题了，这是出题题。 打个比方。AI 已经会下棋了。但棋盘的材质、规则从哪里来、这项游戏为什么存在，它还不懂。 更准确地说，它会下围棋，是因为人类先把围棋这件事定义清楚了。可工业现场没有谁先把题目出好。一个高炉里正在发生什么、下一秒会因为哪个因素偏离、该在什么时候介入，这些问题在提出来的时候，连「可能的答案有几个」都还不知道。 举个具体场景。一卷钢材从进炉到成型，要经过几十个变量。温度、压力、原料批次，任何一处微小偏移，都可能在几小时后才表现为质量问题。可到那时候，那一卷已经下线了。 所以郑志明说得很克制： 这些问题解决不了，不是靠「在有限组合里进行优化」就够了 。 一句话总结这两类的区别：AI 能在已知里找最优，但工业里最难的部分，是「已知」本身还不在。 3 为什么更大的模型，解决不了这件事 到这儿，一个自然的问题就来了。那是不是模型再大一点就行了。 郑志明的回答指向了另一个方向。他说，工业系统一旦往更高精度、更高可靠性上走，那些原本可以忽略的小因素，就会升级成左右整套系统表现的变量。 这句话的意思是： 你把精度往上提一档，问题的复杂度不是线性增长，是跳变 。原来不用管的因素，现在要管了。原来可以近似的，现在不能近似了。 而变得越复杂，就越接近那个「无限类」。 同场还有一位学者，给了一个更好的比方。 2021 年诺贝尔物理学奖得主乔治·帕里西，是研究复杂系统的。他讲了一句很有意思的话： 人类是在停止模仿鸟类扑翼、发明了固定翼之后，才飞上天的 。 这句话把整件事说透了。 人类能飞，不是因为把翅膀做得更像鸟。恰恰相反，是因为放弃了「像鸟」这个目标，转去搞清楚另一件事： 升力是怎么来的 。 模仿得更像，不等于理解得更深。 帕里西还补了一句。他说现在的大语言模型有个普遍毛病：不管什么问题，都要给个答案。而一个不会说「我不知道」的系统，很难被信任。 这两个比方放在一起，指向的是同一件事：AI 现在缺的不是能力，是对世界本质的那层理解。 但对复杂保持敬畏，不等于否定 AI 的作用 。郑志明自己说得很清楚：在有限类问题上，AI 已经能很好地支撑工业。那句话他是在夸，不是在贬。 他真正提醒的是一件更具体的事： 不要因为 AI 能把简单的事做得又快又好，就以为复杂的事也能这么解决 。 这有点像当年学骑车。直线骑得再稳，也不等于你会拐弯。而拐弯才是真正决定你能骑去哪的东西。 郑志明还提到一个判断转折：AI 产业的重心正在从「解决