当前以深度学习为代表的人工智能技术，虽然取得了巨大的成功，在图像识别、语音识别、大语言模型等领域均取得了广泛应用。但是，还存在一些不足，比如可解释性差、鲁棒性弱对数据依赖性强等基础科学问题。尤其，大语言模型还存在胡言乱语和幻觉等明显不足。因此，当前的人工智能距离真正的人类智能还存在一些差距，应该不是人工智能的最终形态，非常有必要研究可解释可通用可信赖的下一代人工智能。

这一代人工智能的领军性人物为Geoffery Hinton。Hinton教授2018年获得图灵奖，2024年获得诺贝尔物理学家，是伟大的人工智能专家。经过40多年的坚持终于把神经网络的冷板凳做热，他重塑了人工智能发展的方方面面。但是，我们还有很多伟大的人工智能专家，比如我在伯克利访问期间师从的导师，Lotfi A. Zadeh教授（1921–2017）。他也是人工智能领域的重要奠基人之一，他提出的‌模糊逻辑（Fuzzy Logic）‌从根本上改变了传统科学对“精确性”的追求，为处理现实世界中复杂、不确定性问题提供了全新范式。

斯坦福大学搞了一个2%顶尖科学家排行榜，如果选择Field(Artificial Intelligence)人工智能领域，终身影响力（Whole Career），将会出现一个排行榜。我们会惊讶的发现：排在世界第一的居然是Lotfi Zadeh，排在世界第二才是Geoferry Hinton。而且，Zadeh的世界总排名（不分学科）为28，Hinton的世界总排名为38，还领先10个位次。这让我们不得不重新审视Zadeh的科学贡献，也许下一代人工智能的发展，还需要采纳Zadeh的科学思想。 

  首先，Zadeh的贡献在于创立模糊逻辑：突破二值逻辑的局限。传统集合论（非此即彼的“0或1”逻辑）无法描述人类思维中的模糊概念（如“稍热”“比较快”）。1965年，Zadeh发表论文《Fuzzy Sets》，提出‌模糊集合理论‌，引入“隶属度”概念（例如，温度25℃属于“高温”的隶属度可能是0.7），使计算机能够处理连续渐变的模糊性。  模糊逻辑挑战了经典逻辑的绝对性，强调“‌不精确性中的精确‌”，与东方哲学中的辩证思维（如“灰度认知”）不谋而合，为AI模拟人类决策提供了更自然的框架。

  其次， Zadeh推动了人工智能的实用化进程。模糊控制器在20世纪80-90年代广泛应用于日本（如松下、日立），用于地铁制动、洗衣机水位调节、空调温控等，显著提升能效和用户体验 模糊逻辑让机器能根据环境动态调整参数（例如，吸尘器根据灰尘量自动调节吸力），成为“智能家电”的核心技术之一。 模糊逻辑擅长处理规则不明确的领域（如医疗诊断、金融风险评估）。 

  第三，Zadeh不故步自封于模糊系统，而是鼓励交叉融合。他提出了神经模糊系统‌，将模糊逻辑与神经网络结合，形成自适应学习系统（如ANFIS模型），解决非线性拟合问题，取得了比传统神经网络更好的精度和可解释性。他提出了软计算和计算智能等概念，将模糊系统、神经网络和进化计算结合在一起，取长补短，实现更好的机器智能，取得更好的效果。 早期部分学者批评模糊逻辑“缺乏数学严谨性”，认为概率论足以处理不确定性。Zadeh回应：“模糊逻辑不是取代概率，而是补充——它描述的是‌概念本身的模糊性‌，而非事件发生的频率。” ‌ 近年来，模糊逻辑与深度学习结合，用于解释神经网络的黑箱决策（例如，用模糊规则解释图像分类结果），增强AI系统的可解释性。

  最后，Zadeh的贡献不仅在于技术，更在于‌思维方式的革新‌。他‌容忍不确定性‌：现代AI（如自动驾驶、机器人）需在动态环境中处理模糊信息，模糊逻辑为此提供了方法论基础。他提倡‌人机协同设计‌：他强调“人类思维本质是模糊的”，这一理念影响了人机交互和用户体验设计。

   Lotfi Zadeh被誉为“模糊逻辑之父”，也是美国工程院院士，其开创的理论打破了二值逻辑的桎梏，使AI从“实验室精确模型”走向“现实世界复杂应用”。其独著发表的开创性论文目前引用已经超过15万次，每年的引用量仍在1万次左右，依然保持着强大生命力和影响力。尽管模糊逻辑在深度学习时代不再是主流技术，但其思想精髓（如处理不确定性、模拟人类认知）仍深刻影响着AI的发展方向。也许，下一代人工智能重视模糊逻辑与模糊系统才能取得更佳的效果。

转载本文请联系原作者获取授权，同时请注明本文来自陈德旺科学网博客。

链接地址：https://wap.sciencenet.cn/blog-57940-1488323.html?mobile=1

收藏

分享