迈向平行智能#03:AI五十年的未竟之役,我们如何跨过「莱特希尔鸿沟」?

工信部印发《关于开展人工智能应用服务商培育专项行动的通知》，直接把AI技术的商业化变现与场景落地推向了攻坚阶段。政策落子的深意，直指产业发展的核心命脉：技术若不能化为利器、赋能实业，便终究是镜花水月。《管子》有云：「仓廪实而知礼节，衣食足而知荣辱」，一个技术流派的生死存亡，往往不取决于实验室里的掌声有多热烈，而取决于商业账本上的收支是否平衡。历史总在惊人的相似中循环往复，回望半个世纪之前的1973年，大洋彼岸的英国学界同样手握这样一份沉甸甸的账本，面对着耗资甚巨却收效甚微的僵局。

上一篇我们剖析了「建模鸿沟」的困境：现实世界的复杂多变，让纯粹依赖数据拟合与预测的传统技术路线逐渐逼近天花板。这种看似由现代大数据与超大规模参数催生的时代阵痛，其实早有前车之鉴。早在1973年，英国数学家、流体力学大师、皇家学会会员詹姆斯·莱特希尔爵士，便以极其严谨的科学推演，为早期人工智能的发展历程算过一笔总账。正是那份著名的评估报告，直接引发了经费削减与信任瓦解的连锁反应，使整个产业跌入漫长而肃杀的第一次寒冬。

以史为鉴，可以知兴替。这段尘封的往事绝非仅是故纸堆里的陈年旧账，它是当代技术周期与产业生态演变的一场精确预演。重温莱特希尔的算账逻辑，能够穿透眼下喧嚣的概念泡沫，在技术与落地的剧烈拉锯中，看清下一阶段AI突围与重构的真正路径。

一、甲方的灵魂拷问

故事要从1973年之前讲起。

上世纪70年代初，英国各大学的AI研究组频频申请大型主机的经费——那是真金白银的开销。英国科学研究委员会被申请单砸得有点心疼，于是向一个问题：投了这么多钱，人工智能到底产出了什么？

委员会决定找人评估。找谁？找个又懂数学、又跟AI圈没利益关联的大佬。莱特希尔接下了这单。

他干得非常利落：两个月，出报告。

二、ABC三分法：桥梁沉了

1973年，莱特希尔报告正式问世。报告以高度提炼的分析框架，将当时的人工智能研究划分为A、B、C三类，后世称之为ABC分类法。这一分类逻辑深邃，每一类别都承载着莱特希尔对技术前途的严厉审视。

A类研究被界定为高级自动化，涵盖光学字符识别、机械辅助设计与制导系统等纯粹的工程应用。在特定封闭环境内，此类技术确实展现出立竿见影的效用，然而其底层高度依赖人工预设的规则与硬编码知识，一旦步入开放动态的真实世界，便迅速丧失适应能力。

C类研究则是基于计算机的中枢神经系统模拟，旨在借由计算模型还原生物神经机制与行为模式。这种探索追求探究智能的本质机理，却在发展过程中与工程实践的A类领域日渐割裂，演变为孤芳自赏的纯学术象牙塔。

作为维系系统整体性的关键，B类研究被寄予厚望，试图充当联结工程应用与类脑机制的桥梁，典型代表包括早期通用机器人与棋类推演程序。然而莱特希尔给出的裁决极为冷峻，他直言历经整整四分之一世纪的探索，这座寄托着通用智能宏愿的桥梁未曾真正架设起来，反而早已沉入水底。

这一断言构成了早期人工智能史上最著名的警世箴言：A类工程自动化与C类脑神经模拟犹如隔海相望的孤岛，中间本该承上启下的B类桥梁全面沉沦。究其根源，莱特希尔一针见血地指出了制约技术拓展的致命死穴，即搜索空间与状态变量引发的组合爆炸。当系统由玩具式的微型沙盘推向真实的复杂世界，计算复杂度便呈现指数级恶化，有限算力在浩瀚的可能性面前宛若蜉蝣撼树。

《韩非子》尝言：「循名责实，按实定名。」当一项技术长期处于言过其实的状态，名实不符的虚妄必将招致最严酷的反噬。缺乏现实约束与算力支撑的通用智能，最终沦为了仅能在温室里运转的昂贵摆件。

冷酷的论断迅速转化为政策维度的雷霆风暴。英国科学研究委员会随即依此调转舵向，果断撤销了绝大多数高校的长期资助。覆巢之下，安有完卵。这股始于英伦三岛的刺骨寒意迅速穿透大西洋，波及全球学术界与产业界，揭开了第一次人工智能寒冬的沉重序幕。

三、一个被遗忘的细节：AI的"出生证明"在英国

顺带说个冷知识。

我们通常把1956年达特茅斯会议当作AI的诞生日。但莱特希尔报告里提了一笔：图灵早在1947年的内部报告中就用了"智能机器"（Intelligent Machinery）这个词，1950年又发表了那篇著名的《计算机器与智能》——提出"图灵测试"的文章。麦卡锡后来对人工智能的最初解释，也正是"智能机器"。

所以英国学者一直有个心结：现代AI的出生证明，其实写于1947年的英国。正因如此，1973年莱特希尔这份"死刑判决"才格外讽刺——AI的老家，亲手砍了AI的经费。

四、五十年后：鸿沟不但没填上，还变宽了

如果故事到此为止，那只是一段历史八卦。关键在后头。

莱特希尔当年诊断的"组合爆炸"，本质是模型与现实的偏差失去了控制：问题规模每涨一点，模型的失真就放大一截。

五十年过去，AI早已翻身。深度学习、大模型、机器人，样样风生水起。但研究者们发现了一个尴尬的事实：莱特希尔指出的那道鸿沟，不但没有被填上，反而被急剧放大了。

原因正是前两篇讲过的：现代系统把"人"和社会因素装了进来。信息空间、物理空间、社会空间耦合得越紧，系统复杂度超线性增长得越快，模型与现实之间的偏差就越大。数据稀缺和算力不足早不是主要矛盾——真正的困境，是模型与现实之间持续拉大、无法收敛的偏差。

有研究者干脆把这道鸿沟命名为**"莱特希尔鸿沟"**：它就是上一篇说的"默顿式建模偏差"在人工智能领域的具象化。在人在回路的系统里，观测会改变被观测的对象，行动会产生意想不到的后果——偏差ε永远不会收敛到零，反而跟着复杂度一起膨胀。

一句话总结这五十年：我们造出了更强的算力、更大的模型，但依然没有走出莱特希尔画下的那道线。

五、跨越，而不是填平

怎么破？

思路的转折点在于：既然鸿沟无法消除——那就别填了，跨过去。

跨越需要一块跳板：一个能摆下"多个可能的未来"的空间。在那个空间里，模型不再追求完美复刻现实，而是生成各种各样的可能世界；不追求一次算准，而是把各种分支都推演一遍，挑出最稳的那条路，引导现实走过去。

这块跳板在哪里？

说出去有点意外：它的图纸，一位科学哲学家在1967年就画好了。而且他画的不是一块跳板，是一整块新大陆。

本文由 AI 辅助撰写，内容经人工审核后发布。