AI的几何原本：五条公设，一场两千年的回响

第五篇

非欧AI：当公设被推翻，智能变得更丰富

命题七　非欧 AI——否定公设五，得不同之 AI 范式

命题：若以不同方式否定公设五，则得到内部自洽但彼此不同的 AI 范式。各范式之差异，不在技术细节，而在公设层面。

证明：

公设五断言：泛化由归纳偏置与数据分布之匹配决定。此命题含三个要素：归纳偏置、数据分布、匹配。分别否定之：

其一，否定"归纳偏置"之必要性——"数据即一切"。

此派认为：不需要显式设计归纳偏置，只要数据足够多、模型足够大，正确的偏置会自动浮现。此即深度学习极致主义——"Scale is all you need"。

在此范式下，公设五被改写为："模型在未见数据上之表现，由数据量与模型容量之乘积决定。"归纳偏置不再是一个独立要素，而是被吸收进了数据和容量之中。

这个范式在 2012—2024 年间取得了压倒性的经验成功。但它也面临尖锐的质疑：如果数据即一切，为什么 GPT-4 读了整个互联网仍然会幻觉？为什么数据量的增长开始触及天花板？

其二，否定"数据分布"之重要性——"结构即一切"。

此派认为：智能的关键不在数据量，而在正确的知识结构。专家系统、知识图谱、符号逻辑——这些是"结构主义"的工具。它们要求人类专家将知识编码为显式的规则和关系，然后让机器在这些结构上进行推理。

在此范式下，公设五被改写为："模型在未见数据上之表现，由其知识库之完备性与推理引擎之正确性决定。"数据退居次要地位，结构和规则占据核心。

这个范式在 1980 年代曾主导 AI，后因"知识获取瓶颈"（人类专家的知识难以完整编码）而衰落。但它在知识图谱、程序合成、形式验证等领域依然保持着生命力。

其三，否定"匹配"之可能——"智能不可工程化"。

此派认为：归纳偏置与数据分布之间的"匹配"本质上无法在工程上实现，因为真实世界的数据分布是无限维的、动态变化的、不可完全观测的。因此，AI 的泛化能力永远存在根本性局限。

这不是一个技术主张，而是一个哲学立场。它对应了彭罗斯（Penrose）对强 AI 的质疑、塞尔（Searle）的中文房间论证、以及各种形式的"AI 寒冬"预言。

在此范式下，公设五不是被改写，而是被删除——取而代之的是一个负面断言："模型在未见数据上之表现，存在不可消除之不确定上限。"

综上：三种否定，催生三种范式。每种范式内部自洽，各自捕获了智能的一个面向。连接主义的成功证明了数据与容量的力量；符号主义的遗产证明了结构与规则的价值；怀疑主义的声音则提醒我们：泛化的边界，也许正是智能的本质边界。

正如罗巴切夫斯基和黎曼否定欧几里得第五公设，并非推翻欧几里得，而是揭示了"几何"比欧几里得设想的更丰富——否定公设五，也并非推翻 AI 学，而是揭示了"智能"比任何单一范式所能容纳的更丰富。∎

注：这条命题是整篇文章的"非欧几何"时刻。它的深意在于：AI 领域旷日持久的范式之争——连接主义 vs 符号主义，深度学习 vs 传统机器学习，"端到端" vs "模块化"——归根结底不是技术路线之争，而是公设之争。双方不是在同一套公设下选择不同的技术，而是在不同的公设下构建不同的世界。

一旦看穿这一点，许多争论就会显得像中世纪经院哲学的辩论：双方各自从自己的公设出发推出自洽的结论，然后互相指责对方"不对"——却从未意识到，分歧的根源在公设层面，而非命题层面。

尾声

让我们回到开头的问题：AI 是否有一条"第五公设"？

答案是：有。 泛化公设就是。它比前四条复杂，它引发了最深的争论，它的不同"否定方式"催生了不同的 AI 范式。它之所以特殊，是因为前四条公设讨论的是 AI 系统自身的能力——能拟合、能逼近、能优化、能计算——而第五条将 AI 系统与外部世界关联了起来。这种从内到外的跨越，注定使它成为争议的焦点。

欧几里得的伟大，不在于他的五条公设都对——事实上，第五条在弯曲空间中并不成立。他的伟大在于：他建立了一种规则，使得后人可以质疑他、否定他、超越他，但必须按照他确立的方式来论证。

罗巴切夫斯基没有说"欧几里得是错的，所以我是对的"。他说的是："我换一条公设，按照欧几里得的推理方法，推给你看看。"黎曼也一样。他们用的定义方式、证明方法、演绎体系，全部来自《几何原本》。

AI 学试图做同样的事。它不声称这五条公设是终极真理——AI 这门学问太年轻，任何声称"终极"的东西都注定沦为笑柄。它声称的是：从这五条出发，你可以推出 AI 领域的核心结论；如果你想反对其中某一条，你可以另起炉灶——但你必须说清楚你换的是哪条公设，以及你换上的是什么。

这将把 AI 领域的讨论从"我觉得""据报道""最新论文显示"的混沌中拉出来，放到一个可以清晰辩论的框架里。

有人会问：这五条公设够吗？也许不够。也许 AI 还需要第六条——关于多模态融合的公设，关于具身智能的公设，关于价值对齐的公设。也许某天会出现一位"AI 领域的罗巴切夫斯基"，否定其中某条公设，开辟出我们今天完全想象不到的新范式。

这些都好。这些都是健康的。

因为欧几里得已经教会了我们一件事：公设不是终点，而是辩论的起点。 真正可怕的不是公设有缺陷，而是连公设都没有——所有人都在命题层面上吵架，却没人愿意往下挖到公设层面去找分歧的根。

两千三百年前，一个希腊老头在亚历山大城写下："给定两点，可连接一线段。"

今天，我们写下："给定数据，存在函数与之相容。"

就这么简单。就这么硬。

附：公设总表

本文为一次尝试，而非一个结论。五条公设是否恰当，是否完备，是否冗余——这些问题留给读者。如果你认为某条公设应该被替换、增补或删除，那恰恰说明这个框架在起作用：它让你把模糊的直觉变成了对根基的精确质疑。

这，正是欧几里得两千三百年前做的事。

—— 全系列终 ——