如何理解自主智能（Autonomous Intelligence）的概念？

自主（Autonomous）这个词具有丰富的内涵，不同学科背景的人在理解上也有差异，大致上来说，可以粗略的认为自主是人工智能高级阶段最重要的体现之一。衡量一个系统是否具有智能，首先就是看它是否能像人类一样具有自主能力，对单体而言，这种自主能力至少应包括主动感知、自主决策、自我执行能力，对群体而言，应具备多体协同或人机共融的特点。

这一思想也在图灵测试中体现，图灵测试本质上是个黑盒测试，不关心智能的达成路径，而是关心最终做出来的智能系统的表观行为。如果最终做出来的智能系统能够跟人一样自如的思考和交互，则认为该系统具有像人一样的智能。事实上，这种黑盒观点只能说是个形象的类比和解释，还是有点不严谨，具有跟人一样的表观行为并不一定需要智能，一个高级的智能系统，必具有自主能力，就像人一样，遇事都不能主动收集各方信息完成综合决策谈何自主？但广义的自主并不一定需要智能，比如对许多低等生物而言，生物应激性引导下的趋利避害行为也算是一种自主，但其中我们感兴趣的智能比重其实很低，甚至是归入一个简单的输入（外界刺激）和输出（动作与行为）之间的映射，即使是在今天热门的深度学习领域，端到端学习也没有逃脱这一思路，这种简单的端到端映射是不是归入智能应有待商榷，至少不应视为高级的智能，只不过在过去即使是这些低层次的行为也很难通过机器人等人工产物重现，换句话来讲，我们做不出一台具有类似行为的智能装置，例如昆虫可以在充满障碍和孔洞的环境中灵活运动，即使是今天我们要做一个人造物，重现昆虫的这种能力还是很有挑战的，人类对自己还没有掌握的领域通常会冠之以复杂、智能等名词，类似的，这些研究也被通俗的归入某种智能控制例如仿生智能，但是我们的心里其实也清楚，我们一般不认可昆虫具有智能，那模仿昆虫行为的智能装置看上去很有意思，也很有趣，但也不宜称其具有智能。不过总体上，智能和非智能的边界至少在生物界是模糊的，我们也没必要深究或争论。但是自主这个术语可以较好的涵盖这些初等的有争议的智能，毕竟没有这些初等的看上去像有“智能”的表观行为和内在控制，我们高级别的人工智能目标和系统就难以实现。

因此，自主这个术语，除了表达目标、表观之外，本质上还隐含着强烈的系统观，即重视整体，特别强调整体的智能表现而不仅仅是某个局部。此外，这种系统观在实践中也隐含着多层次上的要求，例如为了实现自主，相关的技术类研究与开发需要涵盖从底层的硬件、本体，中层的感知、控制、通信到高层的智能交互、决策与协同等全部层次和环节，这对打破学科边界、促进和贯彻“人工智能+”是很有帮助的。

与目前一些学者以学科或技术方向来划分人工智能的研究领域不同，自主体现的是对智能目标的追求，自然也应该包括对智能产生机理、智能行为模拟、智能算法与应用等研究内容，它本身是高度开放的，类似于图灵测试，它只陈述了要追求的目标（即“自主智能”），而不限定学科、方法和技术路线，从物理、生物、材料、机械、电子、通信、控制、数学、计算机、医学等各个领域都可以加入。而目前其他一些AI研究领域，如偏重知识工程的智能、大数据驱动的智能、偏重认知的智能和脑科学等，或者更加具体的深度学习、图像处理和机器视觉等，都是从一个较为具体的领域或方面探索人工智能，这与自主智能规定目标而不规定具体技术路线是有较大区别的。特别是一些领域，以从数据中挖掘中知识（或建模）并基于模型来进行预测或分类等，已经形成了一套方法（突出体现为现在的机器学习领域），并且在实际中确实获得了组多成功应用，但最多只能算是向人工智能大目标进军过程中的一个阶段，更多是应视为AI领域的一部分，而不能将其等同于AI。

自主智能研究的成果体现为各种具有自主能力的智能装置与系统。这些装置与系统可以是有形的，如机器人、无人车，也可以是无形的，如具有搜索和收集信息能力并进行自我决策的智能软件（不妨统称为自主智能体），例如与医生和设备进行交互，从与医生的交互中进行学习并能自我提高准确度的医学影像处理软件。它们的具体形态是次要的，是否具有主动感知、自主决策、自我执行能力是重要的。所以，尽管自主智能是AI领域目前公认的方向之一，但它却是目前AI领域中比较能体现AI目标的一个方向。相比较而言，大数据驱动的智能、机器学习等，更多的是基于数据做事情，重点仍然是数据中隐含信息的挖掘，虽然在近期工程实践上很有用，但更多的是为实现自主目标提供基础的算法，彼此定位和所解决问题的层面不同。当然，也有人辩称机器学习领域的目标是要做出像人一样的通用智能，但至少今天的大部分机器学习的教材和课本所讲述的内容还是主要与数据和学习有关，在如何达成这一目标上尚不清晰还有待探索和研究。因此，我们更倾向于把今天的学习（包括机器学习）看作是通向和达成智能目标的一条路径而不是全部，尤其不能认为认为机器学习等同于AI。

实际中，机器人、无人车、无人机、无人艇等等都是自主智能无人装置与系统最直接的体现，也最容易被人理解，因为没有人坐在里面，如果有人，那就是人机协同人机共融，也很重要，但相比较而言，无人和自主没有搞定，那人机共融自然缺少了基石，而同济恰恰拥有车辆、交通、机器人等方面的优势，发展自主智能，为机器人、无人车提供智慧的大脑，是很自然且能发挥同济优势的。以机器人为例，机械本体及其控制是重要的，但机器人的“大脑”更重要，它要连接传感器，有信息输入；要能综合各方信息进行自主决策；甚至还要能根据需要驱使本体主动探索和自主执行。至于无人车或智能车，站在非本体设计的角度考虑，如果对速度、摩擦、整车设计等一些指标要求不高的话，可以在很大程度上看作是有轮子的机器人（轮式机器人）对待。所以说，自主代表了AI领域的高层次追求，是比较能体现AI本质要求和追求目标的。理解了这一点，也就能理解为什么控制科学与工程学科和自动化专业会成为发展自主智能的重要依托学科和人才培养专业之一（因为机器人是今天自动化专业的重要对象，也是一个非常自然和合适的人工智能实验对象和智能载体），以及为什么会在科学中心和智能科学与技术学科建设中规划智能感知、优化决策等方面的内容。

这里顺带多提一句感知，感知为什么重要，不仅仅因为它扩展了人类的眼睛鼻子等感官，而且是因为每一次这样的扩展都会带来一次新的至少是局部上的突破，很可能会引发后续信息处理领域一批方法上的更新（如2D的image sensor和machine vision、2.5D的融合和3D的激光扫描等）和产业的突破，相应的也影响到所谓“机器人智慧大脑”的运作。比如说，现有的大脑在处理模式上针对的主要是现有的视听觉和嗅觉味觉等，并在此基础上发展出我们人类的智能及信息处理能力，如果删掉其中的一种能力或增加一种新的能力，那我们的“大脑”（作为承载智能的物质载体）是否会因此而发生变化，或者说是否会因此而产生出新的智能机理。

但是如前所述，自主智能与自主智能体的概念并不仅仅限于有形的实体，它也可以是无形的，或者说以软件形态存在。甚至可以说，对大部分智能相关的研究工作，可能最后的体现形式都是算法和程序，毕竟各种有形的本体更多的是智能的载体，虽然重要但不是智能科学的最大追求。不过从人工智能+和产业角度看，人工智能的支撑平台技术（如有形的机器人无人车、提供算力支撑的GPU和软硬件协同并行计算软件包、提供感知的传感器和各种信号处理、信息融合等算法、各种操作系统仿真软件、各种特定应用领域的软硬件）并不可忽视，或者是被排斥在AI之外，没有它们，本轮AI的复苏和发展将是乏力的。毕竟，人类对智能本质的探索和追求不是一个近期的事，在人类发展历史上人类从来没有放弃过对智能装置与系统的目标追求，短期内在智能本质和机理方面有特别重大的突破应该也属小概率事件，虽然我们预感可能这一天越来越近 😊

自主这个术语相对中性，既包含了对智能机理和本质的探索，也能包容各个交叉领域，以及对智能技术和应用领域，总体上来看，对各个分支领域都不排斥，它们都可以在自主的名号下找到自己的发挥空间，对推动多学科交叉协同、贯彻和落实人工智能+尤其有利。

最后补充一点与本文无太大关系的观点，在AI领域，我们有必要区分下对智能的科学研究部分和技术研发部分，大部分舆论关注的实际上都是后者，特别是很多宣扬的竞赛获奖很大程度上都是数据和算力的优势，至于调参，更多的是个工程问题，从对智能本质的探索角度并无实质贡献和突破，至少可以说贡献不大。这两类工作在中心问题、研究目标、技术路线和策略上都有所差异，看待AI务求完整，避免在各种利益驱动下以偏概全，人为的把XXX归入AI或者说XXX不是AI。有些书出于写作的内容分配考虑，对内容做了高度筛选，只列举了一些有限的案例和应用，这是书籍篇幅和成本的约束，可以理解，但如果因此在中小学中造成一种误读，以为AI只包含书中列举的那几项，其它的如机器人等都不属于AI，将机器人与AI孤立开来，就有点偏颇和责任了。对AI的介绍应该讲清楚AI的发展目标、这个领域的使命和追求，以机器人为例，机器人的本体制造不属于AI尚属合理，但对机器人中智慧大脑的研究可是AI领域的关键问题和追求之一，不应从AI体系中剥离出去或由于行文安排引发不必要的误解。之所以在中小学容易出现这种误读，很大程度上是因为许多中小学都会筹备人工智能和机器人两个创新实验室，在管理上也会习惯说选机器人的走这边，选人工智能的走另外一边，但不论人工智能还是机器人，都是复合性和交叉性很强的领域，彼此之间也有很大的重叠空间，不宜割裂理解。传达概念还是要准确，目前对于AI的介绍特别是AI方面的宣传，应该带给读者全面的AI认识，可能全面性思想性要重于某些领域的深度解析，尽可能避免以偏概全，减少误读。