下一轮科技浪潮：未来七大创新趋势
底层设计师©
本文来自微信公众号：底层设计师（ID：Bottom-upDesigner），作者：刘志毅（商汤科技智能产业研究院主任）
范式变迁
“范式”这一概念最初由美国著名科学哲学家托马斯·库恩1962年在《科学革命的结构》中提出来，指的是常规科学所赖以运作的理论基础和实践规范。
库恩指出，在科学发展的某一时期，总有一种主导范式，当这种主导范式不能解释的“异常”积累到一定程度时，就无法再使用旧有的范式去做解释，科学共同体将寻求既能解释旧范式的论据又能说明用旧范式无法解释的论据的更具备包容性的新范式，这时候就会发生科学革命。
换言之，“范式”是从事某一科学的科学家群体所共同遵从的世界观和行为方式，它包括三个方面的内容：
共同的基本理论、观点和方法；
共有的信念；
某种自然观（包括形而上学假定）。
“范式”的基本原则可以在本体论、认识论和方法论三个层面表现出来，分别回答事物存在的真实性问题、知者与被知者之间的关系问题以及研究方法的理论体系问题。
这些理论和原则对特定的科学家共同体起规范的作用，协调他们对世界的看法及其行为方式。由于产生于特定的历史时期和特定的科学家群体，“范式”的基本理论和方法不是固定不变的，而是随着科学的发展发生变化。
在范式和科学共同体基础上，库恩又提出科学知识增长模式：前学科（没有范式）—常规科学（建立范式）—科学革命（范式动摇）—新常规科学（建立新范式）。在前学科时期，科学家之间存在意见分歧，因而没有一个被共同接受的范式。
不同范式之间竞争和选择的结果是一种范式得到大多数科学家的支持，形成科学共同体公认的范式，从而进入常规科学时期。
在常规科学时期，科学共同体的主要任务是在范式的指导下从事释疑活动，通过释疑活动推动科学的发展，“常规科学即解难题（Puzzle）”。
在释疑活动过程中，一些新问题和新事物逐渐产生，并动摇了原有的范式，建立新范式的科学革命随之产生。革命的结果是拥有新范式的新的科学共同体取代拥有旧范式的旧的科学共同体。新范式的产生并不表示新范式更趋近真理，只是解题能力的增强。
在后库恩时期，为了进一步阐明范式，库恩提出了专业母体，又可译为学科基质，是指一个科学共同体成员共同掌握的、有待进一步发展的基础，它主要包括概括（公式）、模型（一种形而上学的假设）和范例（最具体的题解），其中范例是最基本的要素，它使原先范式概念的模糊性得到改善。
我们看到，目前的主要的范式已经有四个基本范式，图灵奖得主、关系数据库的鼻祖吉姆·格雷（Jim Gray）在2017年加州善景城召开的NRC-CSTB大会上，发表了题为“科学方法革命”的演讲，提出将科学研究分为四个范式。
2009年微软出版的《第四范式：数据密集型的科学发现》（《The Fourth Paradigm: Data－Intensive Scientific Discovery》）一书，则扩展了其思想。
简而言之，他们认为目前的科学研究的范式包括四个主要范式：
几千年到几百年期间，是经验范式，主要是通过实验用来描述自然现象（第一范式）；
几百年到几十年前使用模型或归纳法进行科学研究，如开普勒定律、牛顿定律等，这是理论范式（第二范式）；
几十年到数年之前，对于很多复杂问题，采用解析的模型难以求解，科学家们采用计算机进行仿真模拟，则形成了计算范式（第三范式）；
近几年随着数据的增加和人们进入大数据时代，研究统一于理论、实验和模拟（第四范式）。
它的主要特征是：数据依靠信息设备收集或模拟产生，依靠软件处理，用计算机进行存储，使用专用的数据管理和统计软件进行分析。
我们认为，未来决定科学范式发展的，是基于思维科学的“第五范式”，即“机器猜想”范式。这个范式跃迁的变化刚发展出萌芽并正在影响科技产业的进程，也将极大改变我们理解智能经济时代的技术发展的基础，尤其是人工智能技术为基础的智能化技术的应用逻辑。
如果说第三范式和第四范式的区别在于，计算范式是通过可行的理论搜集数据，然后通过计算仿真得出之前未知的结论，而第四范式则是通过大量数据计算得到新的结论。
那么我们认为“第五范式”的特点就在于通过巨型复杂系统的“量子对撞”的方式进行“机器猜想”，通过不同的“算法思维”和“应用场景”的对撞，得到不同领域的“专业知识”，将未知的结论推导出来，从而反向推动该领域的发展，得到在经验领域上尚未得到的前瞻性的结果。
第五范式
与第四范式相比较，作为“第五范式”的“机器猜想”范式拥有以下特征：
第一，是跟场景深度结合的科学范式，以中国为例，新一代人工智能作为全球新一轮科技和产业变革的关键驱动力，正在基于应用场景重构生产、分配、交换、消费等经济环节，从宏观到微观的层面满足各个领域的智能化新需求，催生出一系列新技术、新产品、新产业、新业态与新模式，通过场景落地的方式创造新的经济发展的智能化引擎，从而实现社会生产力的整体跃升，改变未来人类生产生活的方式和思维模式。
而这样的现象在以往的数据范式中是不存在的。数据范式更多的是结合企业等组织数字化转型的需求，而算法范式则是更深层次的与社会经济系统的底层发展嵌合。
第二，不依赖于大数据而是通过算法进行测试，在弱人工智能时代对应的深度学习，更多的是围绕单点任务的场景落地，可移植性较差且需要大量的训练，而正在崛起的强人工智能，强调的是“深度理解”，强调的是系统化地解决宽泛的应用场景问题，具备灵活与动态的推理能力，从而可以更好的移植到不同的场景。
深度学习之父Geoffrey Hinton从2017年开始就公开号召摒弃现有深度学习（主要是反向传播、CNN）范式，重新奋力向前寻找全新的道路。
Hinton认为，要想让神经网络能够自己变得智能，即实现不依赖海量标注数据的“无监督学习”，可以看到不依赖大数据深度学习的技术趋势正在形成。
第三，对不确定性的长尾的问题进行解决，我们看到当前人工智能技术的应用，很多场景中的长尾问题并没有得到解决，这些需求需要统一的人工智能技术新范式解决，而目前产业界的基本思路就是通过大规模算力的方式去解决。
通过建立具备超大算力的智能计算中心去硬解各种长尾问题，就好像物理学中的粒子对撞机，因为粒子碰撞的结果是不可预测的，但是只有通过不停的探索尝试，在某种程度上才能找出可解释物理世界的规律。
简而言之，就是建立通用的人工智能开放哦那个图，以达到各行各业在小样本迭代中找到合适的算法模型的目的，解决AI长尾问题，这也是新的技术范式的特质。
第四，是基于开放复杂的智能系统的应用，具备以下四个复杂巨系统的特点：
系统是开放的，即系统本身与周围的环境有物质、能量和信息的交换，可以看到人工智能的超算系统基本上都是开放的；
系统是巨大的，本身包含成千上万的子系统，可以看到为了应对不同的场景，人工智能的系统在垂直领域都具备相对完整的子系统；
系统的种类是多样的，从而体现出复杂性，我们看到针对不同的领域，复杂巨系统下的子系统会分裂出不同类别的子系统，例如针对医疗、教育、自动驾驶、智慧城市等不同领域，会有不同的子系统模块；
系统是多层次的，也就是巨型复杂系统是非还原论的，因此需要多层次的复杂系统来解决问题，而不是依赖简单的巨型复杂系统。
关于这个部分的内容，我们会在讨论巨型开放的复杂系统的专门文章讨论，这里主要还是讨论第五范式下所具备的巨型复杂系统的特点。
第五，是从隐性知识创造显性知识创造的闭环，即“机器猜想”下的知识创造。这里需要提到的两个关键概念就是“知识创造”与“机器猜想”。
“知识创造”的概念原本是由日本管理学家野中郁次郎提出的关于企业在组织中创造新知识，在组织中国扩散知识并将这些知识融入到产品、服务和系统中的能力，而我们这里衍生到如何通过机器算法进行知识创造从而解决人工智能产业中场景落地的的能力，由于机器的“知识创造”过程更多的是依赖于算法和算力，因此与组织的知识创造相比更具备可操作性，且降低了组织进行创新时的成本与风险。
“机器猜想”的概念则是对新一代人工智能技术中“人工智能推理能力”的描述，不同于感知智能时代的人工智能，认知推理时代的人工智能基于巨大的算力与复杂的算法生态，与单智能体“感知-行动-目标”的推理过程不同，未来的人工智能推理是基于巨型复杂的多智能推理的，可以通过定义规则和激励对智能系统之间的交互进行管控，并改变每个子智能系统行为过程中实现巨系统的目标，从而创造知识形成产业场景大规模落地的闭环。
七大趋势
以上就是我对第五范式，即“机器猜想范式”的特质的讨论，我们看到国内外很多科技企业开始将超大规模的计算中心与超大规模的智能模型作为下一代人工智能的基础平台，其原理就在于“机器猜想”范式的逻辑落地。
在这样的范式下，我们可以观察一些基本的科技趋势，这些趋势可以作为理解第五范式的科技浪潮中的创新的核心特质：
（1）基于机器猜想的计算模型必然是超大规模的模型，以“大规模”、“高精度”和“高效率”作为基础，这样才能支撑系统在社会的经济、治理以及生产生活的其他方面产生共同作用；
（2）基于机器猜想的范式中，需要通过跨学科交叉融合的方式，将人类的不同学科的认知模型和知识系统引入，提升巨型开放复杂系统的鲁棒性，同时能够反哺源头学科，产生更多的基础性认知，从而进入“机器猜想”的“智能科研”的知识创造时代；
（3）“机器猜想”的范式中，能够在不同的垂直领域产生以数学为基础类似物理学规律的大一统理论，从而在基础理论领域形成双向的正循环。
一方面大一统理论可以建构其解决长尾需求，打通学科本质的研究体系；另一方面，通过机器猜想的方式，能够在诸多基础学科领域建立起新的“未曾发现的知识体系”，从而能够规模化的产生新的知识生态；
（4）“机器猜想”中的机器并非现在的人工智能系统，而是下一代人工智能系统，比较有可能突破和实现该领域的是在类脑计算，我们认为这是AI领域摩尔定律发挥作用的必然趋势，通过仿生神经形态计算戏称为未来智能计算的重要模式；
（5） “机器猜想”需要新的治理生态，如何建立多层次的、多方参与的、敏捷的、负责任的综合治理体系，从复杂系统管理工程的角度而言，是非常重要且颇有难度的工作。
一方面在传统的治理机制上需要突破和创新，另一方面也要通过“算法规制”等方式进行技术治理，这是我们需要看到的未来。
（6） “机器猜想”的范式有可能有不同的演化路径，包括生物智能、决策智能和群体智能都是有可能的方式，生物智能是实现通用人工智能的可行路径，决策智能则有可能通过与博弈论的结合，在工业领域产生新的革命，群体智能则有可能在时空数据研究领域产生新的突破；
（7）需要注意的是，“机器猜想”的范式路径是按照“知识进化论”的逻辑推导出来的，也就是我们认同波普尔的观念，也就是知识作为独立的第三世界的特质，自从文明诞生以来，知识就会有自己的进化路径，它自己在文明中诞生、成长、改进、猜想、验证、怀疑以及重建，当然它有赖于人类文明的发展和进化。
最后，我要重点讨论下第五范式研究的起源，即波普尔关于知识进化的研究，作为进化知识论的奠基人之一，他在多本专著中的研究对我的启发很大，例如在《研究的逻辑》一书中，他讨论了通过试错而使得知识增长的理论，这与我们当下看到机器在进行算法训练获取知识的逻辑不约而同。
在《猜想与反驳：科学知识的增长》一书中，他讲知识增长的理论系统化和纵深化，让我们看到知识进化的不同逻辑。
在《客观知识：一个进化论的研究》中，他把认识论与进化论相结合，得到了进化认识论与科学方法的一致性，这也让我看到了“机器猜想”范式的未来。
我们在这里只需要提及他在《客观知识：一个进化论的研究》中所提到的“第三世界”的理论，这里指的是波普尔将世界分为三个：第一世界，就是物理客体或物理状态的世界；第二世界，就是意识状态或精神状态的世界；第三世界，就是思想的客观内容的世界，即知识的世界。
他在书中做了两个思想实验来印证“第三世界”的存在：
实验（1）：所有的机器和工具，连同人类所有的主观知识，包括人类关于机器和工具以及如何使用它们的主观知识都被摧毁，然而图书馆和人类从中学习的能力依然存在。
实验（2）跟上述情况一样，区别在于这一次所有图书馆也毁坏了，以至于人类从书籍中学习的能力也没有了。那么，我们可以预判是在第一种实验中，我们的文明世界还能够被重塑，第二种情况，人类文明将不再出现。因此，知识（这里主要指的是科学知识）代表了第三世界，属于客观理论、客观问题和客观论据的世界。
正如波普尔所说，“认识论的中心问题从来是而且现在仍然是知识增长的问题。而研究知识增长的最好方法是研究科学知识的增长。略加思索就会看出，与我们的知识的增长相联系的大多数问题必然超越任何仅限于与科学知识相对立的常识性知识的研究。因为，常识性知识增长的最重要方式正是转变成科学知识。而且，显而易见，科学知识的增长是知识增长的最重要、最有意思的实例。必须记住，在这种背景下，几乎所有的传统认识论问题都是与知识增长的问题相联系的。我甚至要进一步说：从柏拉图到笛卡儿、莱布尼茨、康德、杜恒、彭加勒，从培根、霍布斯、洛克到休谟、穆勒、罗素，知识论都为这样的希望所鼓舞；它不仅使我们能知道更多的知识，而且使我们能对知识的进步做出贡献——对科学知识的进步做出贡献”。
当然，以往的认识论主要研究的是人类知识和动物认知的连续性和非连续性，即比较认知机制的科学，而新的知识范式下需要研究的是人类知识与机器知识的连续性和非连续性，我们要通过考察人类各种类型知识增长的逻辑，并将这种逻辑范例应用在“机器猜想”的模型和系统中，从而形成新的知识爆炸系统，形成新的理论思考。
以上就是我们对“第五范式”的“机器猜想”范式的讨论，它不仅仅是代表智能时代的人工智能等技术的发展范式，而是从认识论层面把“知识创造”的主体从人类改为“人机协同”创造知识。
由于篇幅所限，我们在这里主要讨论了知识进化的基本观点，以及“机器猜想”的特质和作为“第三世界”的知识世界的价值，后续我们还会讨论波普尔知识进化论跟“机器猜想”范式的“知识创造论”之间的深刻关系。
有意思的是，在历史上波普尔的理论为计算机科学家赫伯特·西蒙（Herbert A. Simon）的启发性问题提供了哲学基础，而后者作为人工智能学科的奠基人之一，也是第一个分析“复杂性架构”（architecture of complexity）的研究者，不仅仅推动了人工智能、信息处理、组织行为学等领域的发展，并因此成为少有的同时获得诺贝尔经济学奖和图灵奖的获得者，且他本人作为懂得汉语并成为中国科学院外籍院士的大师与中国有不解之缘。
历史仿佛又到了传承的一刻，中国的研究者也受到了波普尔的启发，开始对下一代的科学范式进行研究，不得不让人感慨于其中的历史变迁和机缘巧合。
总之，第五范式的研究刚开始，希望各位读者能够不吝赐教，共同就这一决定未来人类科技和知识发展的根本命题进行研究。
正如领导人所说“人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。”
我们要更好地理解这一技术的发展，以及把握好未来的趋势，就需要在学科的根本发展路径上做出有创新思考的研究，这将有助于我们真正赢得全球科技战略发展的主动权。
本文来自微信公众号：底层设计师（ID：Bottom-upDesigner），作者：刘志毅（商汤科技智能产业研究院主任）