AI 研究方法的多样性

AI 研究应鼓励和支持多种新旧范式。这不仅包括神经网络之外的不同方法，也包括跨学科合作和社会影响研究。

核心要点

• AI 历史上一直同时包含许多不同方法和研究范式。
• 当前整个领域过度向神经方法收敛，存在抑制创新的风险。
• 应主动支持经典非神经方法，也应支持把神经方法与其他方法结合，并把不同范式整合成更完整的认知架构。
• 尤其应支持对全新范式的创造性探索，因为它们可能成为突破现有范式局限的关键。

本章主席： Peter Stone

背景与历史

AI 长期存在多个子社区，分别深入探索不同实现机器智能的方法。有时社区按方法组织，例如规划、演化计算、约束满足、组合搜索；有时按应用组织，例如计算机视觉、自然语言处理或机器人学。

虽然某些方向在特定时期更加流行，且领域历史上存在方法论争议，但总体上 AI 社区长期能够容纳并鼓励不同路线。

今天基于神经网络的生成式 AI 繁荣，本身也可以被视为这种多样性传统的结果。神经网络甚至在“人工智能”这一名称出现前就已被研究。早期神经网络未达到当时炒作预期后，连接主义曾长期被主流视为死路，但相关子社区持续研究，最终取得巨大突破。

当前状态与趋势

今天，这种多样性传统面临削弱风险。

很可能当前某个不流行研究方向未来会迎来突破，但我们现在无法知道是哪一个。由于神经方法占据主导，其他方法正在失去活力，甚至有时被重新定义为“不再属于 AI”。

如果新研究者因此被系统性地阻止探索替代路线，领域长期创新能力可能受到损害。

报告认为，应支持不盲目追随热点的研究者，即使这些工作的论文可能更难录用、引用更少。其中一些研究最终可能具有重大影响。

即使主要研究神经网络的人，也应了解其他范式，避免重复发现已有思想。

这并不意味着应忽视神经网络生成式 AI。它可能是 AI 历史上规模最大的技术革命之一，理应获得大量关注，但不应获得全部研究资源。

研究挑战

报告预计，未来一些突破会来自其他方向，或者来自这些方向与神经方法的组合。

例如，对 LLM 规划能力的研究发现，它们并不能稳定有效地完成真正的推理与规划。某种符号推理系统可能需要与 LLM 配合，才能产生可靠规划。神经符号方法正朝这一方向推进。

共形预测则是把概率推理机制引入神经模型的一种尝试。

报告呼吁 AI 社区：

• 继续深入研究神经方法的能力与局限；
• 主动支持搜索、优化、约束满足、因果推理等经典非神经方法；
• 支持神经方法与符号方法、概率方法的结合；
• 把多种范式整合进更完整的认知架构；
• 尤其支持完全新型范式的创造性探索。

支持方式可以包括：

• 专门研讨会；
• 定向资助；
• 支持新老研究者探索不流行的新路线；
• 支持不同新旧方法之间的交叉，即使这些工作早期较难获得认可。

社区意见

57% 的受访者，共 176 人，回答了本主题。

1. 主题相关性： 92% 至少认为有一定相关性，其中 23% 有些相关、37% 相关、32% 非常相关。
2. 仅靠神经方法是否足以构建在所有方面达到或超过人类智能的通用 AI 智能体： 16% 认为可以，其余认为不可以。
3. AI 研究中应有多少比例用于把神经方法与其他方法结合： 94% 认为至少应占 25%；其中 31% 选择 25%，35% 选择 50%，28% 选择超过 50%。
4. AI 研究中应有多少比例用于纯非神经方法： 86% 认为至少应占 25%；其中 37% 选择 25%，38% 选择 50%，11% 选择超过 50%。
5. 神经网络之外值得关注的范式： 开放回答包括研究大脑是否具有量子机制、强调高层认知和结构化表示的经典 AI、系统级认知研究、心理学启发方法，以及跨学科、伦理和社会影响研究。

如其他主题一样，回答者是自我选择样本，因此不能把结果视为整个 AAAI 社区的无偏估计。但在选择回答该主题的人中，多数明确认同应持续投资非神经研究。

参考文献

原报告列出共形预测，以及 Valmeekam 等关于 LLM 与推理模型规划能力的研究。完整英文条目见原报告第 69 页。