随着人工智能技术的迅猛发展，我们见证了其从基础算法到复杂应用场景的跨越式进步。从简单的数据分析到复杂的决策支持，人工智能似乎无所不能。然而，在这波技术革新浪潮中，人工智能所面临的真正挑战正逐渐从形式化学习转向内容理解。

当前，大多数人工智能系统特别是深度学习模型，主要依赖于对海量数据的形式化学习。这些模型通过识别数据中的模式和关联来做出预测或决策。然而，这种学习方式的局限性在于，它们往往缺乏对数据背后含义的深入理解和洞察。以图像和视频内容的理解为例，尽管计算机视觉技术利用深度学习模型能够识别出物体、场景和动作等，但一个图像识别系统即使能够准确地识别出一只水豚，它却并不真正理解“水豚”这一概念所包含的深层含义，如水豚的生活方式、性格特点等。

对于大数据和深度学习的局限性，发展中国家工程科技院院士钟义信在接受《人民邮电》报记者采访时直言：“这些都是基于形式化的处理，数据被简化为0—1的编码序列，无法真实反映其背后的内容。深度学习模型基于这样的数据进行训练，同样缺乏对内容的深入理解，因此不具备真正的理解能力。”这一观点揭示了当前人工智能领域所面临的挑战——如何推动AI系统实现对数据深层含义的真正理解。

换言之，深度学习所学习到的仅仅是形式上的关联和模式，而没有涉及内容上的因果关系。钟义信谈到，对于人工智能而言，真正的“智能”不仅要求能够处理形式，更重要的是要能够理解数据、信息和知识背后的深层内容。只有这样，人工智能才能做出具有智能水平的决策。

这意味着，人工智能系统需要具备一种类似于人类的认知能力，这种能力不仅体现在对数据的整理、归纳和有效信息的提取上，更重要的是能够将这些信息与相应领域的知识库进行深度融合，从而实现对数据的真正理解。例如在自动驾驶领域，人工智能系统需要具备对来自摄像头、激光雷达等多个传感器数据的实时处理能力，但仅仅识别出车辆、行人和其他障碍物还远远不够，系统需要能够理解这些物体之间的关系，预测它们的行为。同时，系统还需要融合对道路规则、交通信号和车辆动力学等知识的深入理解，才能在复杂的交通场景中做出安全合理的决策。

为实现从形式化学习到内容理解的转变，钟义信主张对人工智能领域研究实行“范式大变革”。他认为，学科的范式（科学观与方法论）是指导学科研究的最高引领力量。然而作为信息学科高级篇章的人工智能却遵循着物质学科的范式，使人工智能的研究严重受限。用“物质学科的范式”来指导“信息学科的研究”，人工智能的研究只能按照“分而治之”和“纯粹形式化”的方法论得出各种局部性、孤立性、碎片式、智能水平低下、结果不可解释，而且需要大规模样本的研究成果。

资讯来源：中国工信新闻网，转载自《人民邮电报》