引言

在人工智能的快速发展中，我们见证了从简单的自动化工具到复杂的智能系统的演变。随着深度学习技术的突破，大模型如GPT系列已经能够执行从文本生成到图像识别等多样化任务。然而，这些模型虽然在功能上取得了显著进展，但其内部工作机制往往被视为黑箱，缺乏透明度和可解释性。香港大学计算机系主任、数据科学研究院院长马毅教授，以其独到的见解和深入的研究，填补研究的空白。他提出了白盒模型的概念，旨在提高模型的可解释性，同时探索智能的本质。本文将探讨马毅教授的观点，从智能与知识的区分出发，探索他对大模型和白盒理论的看法。
原文访谈链接

智能与知识的区分

在探讨人工智能的发展历程时，我们常常将智能与知识混为一谈，认为知识的积累自然带来智能的提升。然而，马毅教授提出了新的观点：

智能不仅仅是知识的积累，更是获取新知识、改进旧知识的能力

智能被赋予了动态和主动的特质，而知识则被视为智能活动的结果和积累。

智能的本质在于其适应性和学习能力。正如一个刚出生的婴儿，虽然不具备丰富的知识储备，但其拥有学习和适应环境的潜力，这种潜力是智能的体现。相对地，一个装满书籍的图书馆，尽管拥有海量的知识，但没有能力去主动获取新知识或对现有知识进行改进，因此它不能被称为智能。

马毅教授进一步指出，智能的核心在于对数据的压缩、模式的识别和自主学习的能力。这些能力使得智能系统能够在面对新情况时做出适应和反应。例如，人类在面对未知环境时，能够通过观察、学习和推理来形成对环境的理解，并据此做出决策。这种能力是智能系统所追求的，而不仅仅是对已有数据的简单映射或重复。

在人工智能领域，大模型的发展往往依赖于大量的数据和强大的计算能力。然而，马毅教授认为，这种依赖于数据和算力的堆砌并不是智能的本质。他提倡的白盒模型，旨在通过更深层次的理解和洞察，实现对数据的有效压缩和模式的准确识别，从而提高模型的智能水平。

马毅教授的观点不同于当前人工智能领域的一些主流观念。笔者认为，智能的发展不应仅仅停留在对现有知识的重复和扩展，而应更加注重对新知识的探索和对旧知识的改进。这种对智能本质的深刻理解，提供了一个新的视角，以重新审视和构建人工智能系统。

在智能与知识的关系上，马毅教授的观点为我们提供了一种新的思考方式。他将智能视为一种动态的、主动的能力，而将知识视为这种能力的结果。这种区分不仅有助于我们更准确地理解智能，也为人工智能的发展提供了新的方向。通过强调智能的主动性和适应性，马毅教授的理论为我们探索更高层次的人工智能系统奠定了基础。

黑盒模型的局限与白盒模型的探索

目前大模型的研究路径一直是一个热门话题。通常依赖于大量的参数和数据，通过深度学习算法进行训练，以达到在特定任务上的优秀表现。然而，随着模型规模的不断扩大，一个显著的问题逐渐显现：这些模型的决策过程往往是不透明的，即所谓的“黑盒”特性。这意味着我们很难理解模型是如何做出特定决策的，这种不透明性限制了我们对模型的信任度和进一步的优化改进。

马毅教授认为，尽管这些模型在某些任务上表现出色，但它们缺乏可解释性，这不仅限制了我们对模型决策逻辑的理解，也阻碍了模型在更广泛领域的应用。真正的智能不仅仅是对数据的简单处理，而是需要更深层次的理解和洞察。因此，他提倡开发一种新的模型架构，即白盒模型，以提高模型的透明度和可解释性。

在这样的背景下，马毅教授和他的团队提出了CRATE（Consistent, Rational, and Transparent Explanations）构架。CRATE是一种新型的白盒Transformer架构，它旨在保持模型性能的同时，增强模型的可解释性。与传统的黑盒模型相比，CRATE构架通过其设计原理，允许研究人员和用户更清晰地理解模型的内部工作机制，从而提高了模型的可信度。

CRATE构架的意义在于它为解决深度学习模型的“黑盒”问题提供了一种新的途径。它不仅能够提供模型决策的透明度，还能够为模型的进一步优化和改进提供理论基础。通过CRATE，研究人员可以更深入地理解模型的行为，发现模型的潜在缺陷，并据此进行改进。此外，CRATE构架的提出也为人工智能的伦理和责任问题提供了一种解决方案，因为它允许对模型的决策过程进行监督和审查。

智能不仅仅是数据处理的能力，更是对数据进行深入理解和模式识别的能力。CRATE构架正是基于这样的理念，通过提供模型内部工作机制的透明度，使模型能够更好地模拟人类的学习和理解过程。

CRATE构架在实际应用中也面临着一些挑战。首先，虽然CRATE提高了模型的可解释性，但这种透明度的增加可能会以牺牲一定的性能为代价。因此，如何在保持高性能的同时实现高透明度，是CRATE构架需要解决的问题。其次，CRATE构架的实现和优化需要大量的研究和开发工作，这可能会面临资源和时间的限制。

在接下来的研究中，CRATE构架有望在多个领域得到应用，如计算机视觉、自然语言处理和数据挖掘，推动智能系统向更高级别的透明度和可解释性发展。同时，CRATE构架的提出也是对当前大模型研究路径的一种挑战和补充，让我们重新思考智能的本质，并探索更有效的模型设计和优化方法。

白盒理论的“4C”原则

白盒理论是马毅教授提出的一套旨在提高人工智能系统透明度和可解释性的理论框架。这一理论由四个核心原则组成，即Consistent（一致性）、Controllable（可控性）、Correct（正确性）和Complete（完备性），简称"4C"原则。

一致性（Consistent）：这一原则强调智能系统对世界的理解必须与物理世界保持一致。在设计智能系统时，需要确保系统输出的一致性，即系统在不同时间或不同条件下对同一输入的处理结果应该是一致的。这有助于建立用户对系统的信任，并确保系统在实际应用中的可靠性。

可控性（Controllable）：可控性原则要求智能系统的决策过程是可以被外部控制和调节的。这意味着系统的设计应该允许用户或开发者通过调整参数或输入来影响系统的行为。在实际应用中，这有助于优化系统性能，适应不同的使用场景和用户需求。

正确性（Correct）：正确性原则指出智能系统必须能够正确地执行其设计任务。这不仅包括算法的准确性，还包括系统在面对错误或异常情况时的鲁棒性。正确性是智能系统设计的基础，确保系统能够在各种条件下提供准确的输出和决策。

完备性（Complete）：完备性原则要求智能系统能够全面地处理和理解其输入数据。这意味着系统不仅要能够识别和处理常见的情况，还要能够适应和理解罕见或异常的情况。完备性有助于提高系统的泛化能力，使其能够在更广泛的应用场景中发挥作用。

在智能系统设计中，"4C"原则为开发者提供了一套全面的指导方针。通过遵循这些原则，可以设计出更加透明、可靠、可控和全面的智能系统，从而提高用户的信任度和系统的实用性。

智能的本质与未来研究方向

马毅教授对智能本质的理解超越了传统的定义，他认为智能不仅仅是知识的积累，更重要的是一种能力——获取新知识、改进旧知识的能力。这种理解将智能定位为一种动态的、主动的适应和学习能力，而非被动的信息存储。在马毅教授看来，智能的本质在于生存记忆，即找到世界可控和可预测的规律，并不断进行改进和增加新的知识。

对比GPT-4和婴儿的智能差异，马毅教授提出了一个引人深思的观点：尽管GPT-4拥有庞大的知识库，但它缺乏对知识的深层次理解和创新能力，因此它更像是一个静态的图书馆。相反，一个婴儿虽然在知识量上远远不及GPT-4，但它拥有无限的学习和适应潜力，能够通过与环境的互动不断学习和成长，这种能力才是真正的智能。

智能与DNA及后天适应的关系也被马毅教授所强调。他认为，DNA为智能提供了基础，但后天的适应和学习才是智能发展的关键。这种观点挑战了传统的遗传决定论，强调了环境和经验在智能形成中的重要性。

未来的研究方向应当聚焦于如何设计出能够模拟这种学习和适应能力的智能系统。这包括开发新的算法来提高智能系统的泛化能力，以及探索如何使智能系统能够在不断变化的环境中自我调整和优化。

学术界与工业界的合作与挑战

学术界在智能理论的验证和基础研究中发挥着不可替代的作用，它提供了理论基础和创新思维。而工业界则在技术实现、规模化生产和市场应用中扮演着关键角色，它能够将学术理论转化为实际产品，推动技术的广泛应用。

在工业界，你要把事情做得越来越「好」，而在学术界你要把事情做得越来越「对」。

底层计算层的发展与白盒理论的关系

底层计算层的发展，尤其是芯片技术的进步，对大模型的耗能问题有着直接的影响。随着计算能力的提升和能效比的改善，大模型的训练和运行变得更加高效，这为智能系统的发展提供了强大的硬件支持。

白盒理论强调对计算过程的深入理解和优化，以实现更高效、更简洁的智能计算。这与底层计算层的发展形成了互补关系：一方面，底层计算层提供了强大的硬件基础；另一方面，白盒理论提供了优化计算过程的方法论。

通过结合底层计算层的发展和白盒理论，可以设计出更加高效、更加智能的计算系统。这不仅能够提高智能系统的性能，还能够降低能耗，实现可持续发展。未来的研究应当探索如何更好地结合这两者的优势，以推动智能系统向更高层次发展。