Newshot 我爱 AI
明天我要坐飞机去加拿大待几天，回来之后就是又一年的教学开始了。但前几天我意识到，下周也是一个非常奇怪的里程碑：距离我离家去上大学学习计算机科学，将满二十年。二十年！天哪，真是一段很长的时间。我觉得这正好是写下我这一整年一直在思考的一些东西的完美时机。我简介里的第一个词通常是“AI”，而我至今仍未改掉它。我一直在想这件事，主要是因为它带来的问题和困惑比任何其他东西都多，但我始终下不了决心去改。这篇文章不是讲我为什么还没把它删掉（原因主要就是我固执），而是讲我当初为什么会在简介里写上 AI。我想告诉你们，AI 对我意味着什么，我仍然热爱这门学科的什么地方，以及它如何与我们如今所理解的 AI 联系起来。
二十年前我去伦敦读书时，报读的是计算机科学中的一个专业学位：Computing with Artificial Intelligence。事实证明，这个名称其实没多大意义，我现在甚至都不把它写进简历，但我从一开始就知道自己想学 AI。对大多数人来说，AI 并不是一个很有吸引力的领域，因为在 2010 年代后期之前，人们普遍认为 AI 这个领域产出的是失败。一个原因是，20 世纪 80 年代末 AI 经历了一次巨大的繁荣，随后是一次更大的崩溃，糟糕到研究人员在 1990 年代不得不给 AI 工作重新包装才能获得资助。但 AI 以失败闻名真正的原因比这更根本：当 AI 系统开始正常工作时，我们往往就不再称它们为 AI 了。这被称为 AI 效应，或者正如 Larry Tesler 所说，“AI 就是一切尚未做成的事”。今天规划一条从伦敦到伊斯坦布尔的驾车路线不算 AI，现在这只是手机就能做的事。五十年前，这会是魔法。这就是 AI 效应在起作用，它塑造着我们对技术的理解，技术从实验性，到新奇，到可用，再到自然。
所以，AI 作为一个领域当然不只是产出失败，但它的成功往往会很快被并入其他技术领域，结果只剩失败（或尚未成功的东西）被贴上 AI 的标签。不过这并没有困扰我，事实上我觉得它可能反而更吸引我，但我认为重要的是理解 AI 为什么会落得这样的名声。毕竟，每个研究领域都是在尝试新事物，而这常常导致失败，但在 2006 年，就外界如何看待而言，AI 在计算机科学内部与其他领域相比仍是个异类，我认为原因在于这个领域所建立的哲学，以及它选择去解决（或者说，曾经选择去解决——我想这篇文章里很多地方大概都该用过去时）的问题。
从核心上说，AI 是一个建立在试图让计算机做它们做不到的事情之上的领域。这一点非常重要。其他计算机科学学科总体上更偏向“做或不做”，它们设定明确目标，然后精确检验这些目标能否实现。你着手造更快的 CPU，因为你能做到；你着手做更优化的编译器，因为你知道它可行。甚至量子计算——多年来都是关于甚至还不存在的设备的研究——也极其有条理、有计划。然而在 AI 中，我们常常问的是我们能多接近一个答案，或者我们能多好地近似某个问题的解。我们通常并不追求把事情做到完美，因为如果有完美答案，那就不再是 AI 了——那只会是计算机本来就会做的事。从历史上看，AI 是一个关于挣扎、失败，以及试图用非常愚蠢的方式变得聪明的领域。
图片来源：Wikipedia
一个实例
为了给你一个更具体的例子，让我讲讲旅行商问题。这是一个古老的计算机科学问题，我们经常在一年级教它，它是这样的：假设我想从伦敦出发，访问英国的五个城市。我应该按什么顺序访问，才能使总驾驶路程最少？访问全部五个城市有很多不同方式，所以你必须检查每条可能的路线才能找到最佳路线。那会花相当长的时间。现在想象你想访问五百个城市。组合太多了，检查所有组合开始显得有点不可能。
你可能有兩種處理方式。一种是说，好吧，如果问题太大而无法计算，那么我们显然需要一台更大的计算机。我们需要计算所有可能的路线，如果那要花很长时间，那么我们对此研究问题的贡献将是造一个更好的计算器。更快、更高效，也许专门针对这类计算进行优化。另一种方式是问，用我们已有的资源能把这个问题解决到多好。如果你只有五秒钟，或者只有一台坏掉的旧 CPU，来选出推销员接下来要前往的城市，你能想出的最佳答案是什么？我刚开始研究 AI 时，许多最吸引人的 AI 研究正存在于后一种情境中。
这在实践中意味着，AI 研究者花了大量时间寻找模式、捷径、取巧办法和洞见。我们会谈论启发式方法、经验法则和抽象。如果你总是前往最近的城市，这样行得通吗？那样你根本不需要做任何计算。事实证明，这在某些情境下效果还可以，但大多数情境下不行。如果你前往拥有最多未访问连接的城市呢？最少的？最远的？平均持续连接数最少的？或者也许你需要再搜索得远一点。你应该广度搜索，边走边检查每个城市的所有连接？还是深度搜索，尝试完整路径后再从头开始？所有这些都会产生不同的算法、不同的方法，它们需要不同的评估、不同的洞见。
面对无法解决的问题也会迫使你去了解问题的背景。许多 AI 任务完全是抽象的。孤立来看，旅行商问题关乎数学图。但一旦我们把问题放进具体情境，我们就会拥有大量额外信息，可以帮助我们形成适合现实世界的解决方案。如果我们的出行问题关乎城市之间的出行，那么我们可以考虑日照时间、公路与铁路连接，或地形。这也是为什么 AI 也是计算机科学中与现实人和现实问题联系最紧密的领域之一。正在构建的解决方案从来都不完美，它们需要能获得的每一个优势，因此了解现实世界、与受我们工作影响的人接触，也是研究的一部分。
计算创造力
我爱 AI
当我在 2010 年底开始读博时，我加入了一个更极端的 AI 研究边缘领域，关注创造力。旅行商问题是一个难题，但它也有一个正确答案。如果你检查所有路径，就能选出最好的一条，所以尽管做起来非常困难，我们理论上确实知道如何回答它。这属于计算机科学中常见的一类问题：生成一个解很容易（你可以把所有城市按随机顺序写下来），但验证它是否正确却很难（因为你需要检查过所有可能的顺序，才能知道自己对不对）。但创造性问题又把这提升了一档。如果我们想让 AI 画一幅画，并让它为创意社群做出贡献，那么我们要对照检查的正确答案是什么？绘画任务的“正确”答案是什么？并没有。那你该怎么办？
事实证明，你其实并不需要一个正确答案，也能让这件事成为有趣的研究。还记得前面我们提到过 AI Effect 把“完美”的 AI 系统归入一般技术吗？完美解未必是大多数 AI 研究者的终极目标。尝试做不可能的事并失败的过程极具启发性，可以揭示许多迷人的东西，也能发明许多很酷的东西。我的博士研究考察 AI 如何建模或参与游戏设计过程，但它从来都不可能产出一个优秀的 AI 游戏设计师。我构建了许多非常花哨的程序化生成器，常常与其他系统连接在一起。它们生成了大量垃圾和愚蠢的东西，也帮助我思考我们如何设计程序化生成器、如何在根本层面上思考游戏设计、如何建模人们对游戏设计的理论，以及许多其他事情。
我认为，挑选不可能的问题尤其好，因为它消除了那种错觉：你也许能用一台更大的计算器来回答这个问题。我们现在有太多可支配的算力，以至于为数百个城市求解旅行商问题，今天比五十年前容易得多。于是，人很容易变得不再去寻找聪明、高效或有趣的答案，而是……用你那台性能呈指数级增长的计算机，以愚蠢或艰难的方式算出一个答案。在某些情况下，这对经济、工业或其他只想要不惜代价得到更大或更好答案的领域来说，也许已经足够好了，但那不是我进入研究领域的原因。不可能的问题在这方面很棒，因为没有捷径。你无法靠花更多钱绕过问题。你必须更聪明地工作。这对没有资源、没有经费的学者来说也很好，因为不可能的问题对大公司没有吸引力，即便有吸引力，它们也不能靠花钱就超过你。
这种特定类型的应用型 AI 研究在我看来很美，这也是我爱上研究的原因。你从一个不可能的问题和少得可笑的资源开始，然后你问：我能变得多聪明？可探索的方向太多了。你可能会发明一种更好的算法，利用问题的结构砍掉大量不必要的工作。你可能会发现一种估算答案某些部分的方法，这些估算总是不准确，但足够一致而有用。你可能会了解到人类解决同一问题方式的一些有趣之处，并想出如何把它纳入你的解决方案。你永远不会得到正确答案。那不是你在这里要做的事。你在这里要做的是，从你周围的知识、技术和洞见中榨干每一滴，并看看你能从已有之物中逼出什么新东西。
更多就是更多
我不想在这里长篇大论地谈生成式 AI，因为几百字无法涵盖我想说的全部内容，但我确实想强调另一个让我在职业层面觉得这项技术乏味的原因：生成式 AI 并不是我上文所描述的那个领域意义上的 AI。过去十年出现过少数几项真正为 AI 知识做出贡献的进展。它们关乎从极少的资源中榨取出非常有趣的近似。这些进展本着 AI 研究的精神，是用很少的东西获得不完美的答案。然而，在此基础上构建的一切，99% 都是规模扩张。现代 AI 产品不是科学成就，它们充其量是工程成就，甚至纯粹是基础设施成就。而我们现在所处的 AI 研究时代，已经没有任何火花，能让我想起二十年前、我作为本科生第一次学习编程时热爱这个领域的东西。
前几天我审了一篇 AI 论文，我这样描述并没有破坏匿名性，因为仅今年一年我就审了大约十几篇一模一样的论文，其核心贡献不过是：我们让一个 LLM 做这件事。这就是那篇论文对 AI 研究的贡献。他们拿了一家私营公司打造的产品，让它做某件事，然后报告说它做到了（没有评估）。如果这就是如今的 AI 研究，那完全没问题，没关系，也许你觉得有人报告说他们了解到这可行是有价值的。时代在变，词语在变，如果我不再属于这个领域，那我会逐渐接受，并找到一个新的空间待着。但我今天看到这样的论文，我只是觉得……无法与我二十年前为之兴奋的世界调和。如今太多 AI 研究不过是使用少数几家公司的产品，声称它们能做某事。如果幸运的话，他们可能会让另一个 LLM 来评估结果。这项研究是在考察资本的应用，而不是拓展我们对世界的理解。
相比之下，程序化生成作为一个领域仍然给我能量的原因在于，它从根本上关乎我在 2006 年从 AI 中看到的那些东西。程序化生成器永远无法完美地生成它试图生成的东西——它存在并不是为了这个。它以不完美的方式生成东西，这始终是其质感和设计的一部分，而最优秀的设计师知道如何拥抱这一点。程序化生成器是一个机会，让设计师思考自己的创作过程，对它的某些方面建模，也对自己建模，然后把那个模型（及其缺陷）暴露给玩家。它试图用最小的预算做尽可能多的事，正是这种摩擦创造了这个空间所带来的一切混乱、美感和兴奋。我认为游戏设计也共享许多同样的品质，因为人们试图找到巧妙的方法来制作立体模型般的世界，邀请玩家进入一种体验，用尽可能少的资源和尽可能轻的触感。
文章标题：我爱AI
从「让我们想想该怎么做」到「干脆把资源砸上去」的转变过程，其痕迹远不止于AI领域，也远不止于计算机科学研究。我想这正是游戏行业的显卡竞赛一直让我觉得如此好笑的原因，道理是相似的——与其追求好的美术方向，不如直接把贴图分辨率翻倍、把光照预算扩大。每当有人在创作场景中使用生成式AI而不是自己动手做东西时，你都能看到这种哲学悄然渗入。而由于公众对AI的认知已被彻底俘获，AI正逐渐成为这种极端资本杠杆过程的同义词。我认识一些人，会去问ChatGPT今天几号、简单的数学题，或者去要那种维基百科页面第一句话里就能找到的信息。我们已经完全丧失了对「什么才算一个好解决方案」的判断力——反正，与其动脑子，不如在一个你本不必思考的答案上浪费十倍的钱，这样更省事。比如，我在推动AI编程以实现「个人」应用开发的热潮中看到了同样的东西。与其去追求效率、共性、知识，对我个人而言，短期内更快的做法是租一个万亿美元的自动补全，然后不去想它。
2025年，OpenAI在一轮融资中获得了400亿美元。这比整个英国2025年的科研预算还多。也比整个欧洲的还多。还比美国国家科学基金会的预算多。全部加起来都没它多。看到这样的数据，我会想起我当初热爱AI的什么。我想起2007年，我还是本科生，坐在一家咖啡店里，读一本关于千禧年大奖难题的书里讲Navier-Stokes存在性与光滑性问题的章节。我想起我用电脑做些蠢事、并在过程中发现有趣东西时的那种兴奋。我想起我做过的每一个研究软件，都是在一台中端笔记本上构建和运行的。然后我会想，如果 simply 把欧洲和北美每一位同行、每一位公共资助的科学家和工程师的经费翻倍一年，他们本可以做出什么。或者，哪怕只是不把其中几万人裁掉。
我爱心中的AI
总之。那个时代已经死了、过去了——这并不是说没人再像以前那样做研究了，还是有的，我在世界各地有很多优秀的同行仍在做很酷的东西。但如今这种事少得多了。过去十年我目睹了很多变化，但2026年不一样，大型群体集体决定接受的基线发生了显著偏移，尤其是在学术界和游戏行业。我仍然爱AI，我骨子里仍然是个AI研究者，但我觉得「骨子里」已经是这个定义的AI唯一还真实存在的地方了。不过，然后我又想起二十年前AI是什么样子，那时我第一次出发去学习它……我想那时候大多数人其实也不怎么在乎它吧，真的。所以这或许有点诗意。
我想我还会继续称自己为「AI研究者」一段时间，也还会保留那句半开玩笑的「不是那种」免责声明。这会带来误解，会让我被加入屏蔽列表，偶尔大概还会让人不想跟我说话。但我还没准备好放弃我身份中的那一部分。
如果你喜欢读我写的这类话题，我今年写了一本关于程序化生成的书，然后因为种种原因基本没怎么推广。你可以在这里买一本。下个月我还会在New Scientist Live上演讲，年底前还有一两个地方（即将公布）。感谢阅读。