夜雨聆风单击上方“图灵人工智能”，选择“星标”公众号
您想知道的人工智能干货，第一时间送达
今天的AI，是一个巨大的、有效的、却没人真正看得懂的"黑箱"。它能写诗、能编程、能通过律师考试，可连造它的人都说不清：它为什么有效？什么时候会突然失灵？它"理解"了什么，还是只是在精巧地模仿？整个行业默认了一件事——黑箱是AI不可避免的代价，我们只能在外面调参、祈祷、打补丁。
马毅不接受这件事。这位香港大学计算与数据科学学院的创院院长、伯克利讲席教授，三十年只追一个问题：智能，到底有没有可以被数学写下来的"第一性原理"？而他的答案近乎挑衅——有。智能不是玄学，是数学；深度网络不必是黑箱，可以是"白盒"。更惊人的是，他不只这么说，他真的从第一性原理出发，把一个完全可解释、可推导的深度网络给造了出来。
这篇文章想讲清楚：在一个崇拜"大力出奇迹"、把AI越做越大越做越黑的时代，马毅这套"求简、求白、求可知"的洞见，为什么是这场革命最稀缺、也最关乎其成败的一块拼图。
一、为什么是马毅
在AI的喧嚣里，马毅是一个罕见的"双重身份"者：他既是顶级的科学家，也是顶级的"伯乐"。在UIUC，他参与招聘的第一位华人助理教授，是后来定义了整个领域的李飞飞；在微软亚洲研究院领导视觉组时，他招的第一位助理研究员，是后来发明ResNet的何恺明；他的博士同门里，坐着大疆的李泽湘。一个能在别人还看不清时就认出未来的人，他对"什么是真问题"的判断，本身就值得认真对待。
而他自己三十年只盯着一件事——高维数据背后的低维结构、智能的数学本质。当深度学习在过去十年靠"更大的模型、更多的数据、更猛的算力"狂飙突进、效果惊人时，马毅是少数几个始终在追问的人：我们到底懂不懂我们造出来的东西？
这就是他与主流最根本的分野。主流AI是一门彻底的经验科学：先做出来、发现有效，至于为什么有效、内部发生了什么，"黑箱"就好，能用就行。而马毅代表的，是一种近乎固执的科学信念——任何真正的科学，都不该停留在"黑箱里碰运气"；智能如果是一种真实的现象，它就一定有可被理解、可被推导的原理。在所有人都接受"AI是个看不懂的黑箱"时，他偏要问：凭什么？
一个让AI从"看不懂"变成"看得懂"的追问，为什么是这个时代最该听的？因为一个我们造得出、却理解不了的智能，是无法被真正信任、也无法被真正掌控的。而马毅，是那个最坚定地要把"看不懂"变成"看得懂"的人。
二、一个从"低维结构"里看见智能的人
理解马毅，要回到他数学家的底色和一个无人区的选择。他1995年从清华毕业，五年拿下自动化与应用数学两个学位——值得一提的是，他在清华第一次线性代数半期考试考了倒数第二，却靠着不带功利的兴趣一路追了上来，还辅修了数学双学位。这段经历埋下了他一生的信念："起点不重要，赢在终点才重要""做学问是一辈子的事"。随后他到伯克利，拿下EECS博士和数学硕士，师从控制理论权威Sastry。
而他真正的"违和点"，是博士时的一个冷门选择。当时智能机器人研究的主流是"控制"——日本的机器人已经能唱歌、跳舞、翻跟头。但马毅看到的是另一件事：这些机器人是"瞎"的，它们对外部世界没有真正的感知。他注意到，人脑百分之七八十的区域都在处理视觉信号，"并形成信息输入、输出的闭环反馈"。于是他成了导师学生里第一个把"机器视觉"作为方向的人，一头扎进一个"连问题都还没定义清楚"的无人区。
这个选择是理解马毅的钥匙。数学家的训练让他一生痴迷于一件事——在看似杂乱的高维数据背后，找到那个简洁的、低维的数学结构。无论是他早年的广义主成分分析、稀疏表示、压缩感知、鲁棒PCA，还是后来对智能的整套理论，内核都是同一个：复杂的表象之下，一定藏着简洁的结构；找到它，就理解了它。他写的《高维数据分析：低维模型》等著作，成了一代人的入门经典。而那个早年关于"视觉闭环反馈"的直觉，三十年后会长成他理论的另一半支柱。
三、智能的两条第一性原理
2022年，马毅与技术领袖沈向洋、神经科学家曹颖合写了一篇他自称"花了前所未有的精力、凝结了五年工作"的长文——《关于智能涌现的简约与自洽原理》。这篇文章，是他三十年追问的结晶，也是他对"智能到底是什么"给出的、可被数学化的回答。
他认为，智能的涌现，归根结底依赖两条第一性原理：简约（Parsimony）与自洽（Self-consistency）。
第一条，简约——学习的本质，是压缩。世界的数据是高维的、海量的、混乱的，而智能要做的，是从中找到那个最简洁、最本质的低维结构，用最经济的方式把它表示出来。在马毅看来，学习就是压缩，压缩就是智能——一个系统越能用简约的方式抓住数据的本质结构，它就越智能。这是他几十年"低维模型"研究的终极升华：智能不是记住一切，而是用最少的东西理解最多的世界。
举个直观的例子：一张人脸照片，从像素看是几百万维的高维数据，但所有"人脸"其实只分布在这个高维空间里一个极低维的"流形"上——决定一张脸的，无非是几十个参数（脸型、五官位置、光照、表情）。智能要做的，就是从那几百万个像素里，自动找到那几十个真正重要的维度，把混乱压缩成简洁。世界看似无穷复杂，但复杂的表象之下，藏着可被压缩的、简洁的结构——抓住这个结构，就是智能。这也呼应了科学最古老的信条：大道至简，真正深刻的规律，总是简洁而优美的。牛顿没有记住每一个苹果怎么落地，他写下了一个公式。
第二条，自洽——智能必须是一个闭环。仅仅压缩还不够。一个智能系统，必须能够检验自己对世界的理解对不对：它根据内部的模型去预测、去生成，再拿生成的结果与真实世界比对，发现偏差就自我修正，直到内在的认知与外部的世界达成"自洽"。这是一个"预测—验证—纠错"的闭环，而不是一个"输入—输出"的开环。这正是他三十年前从"人脑视觉闭环反馈"里捕捉到的直觉，如今成了智能理论的另一根支柱。
把两条合起来，马毅给出了一个可被数学化的"智能"定义——我愿意概括为：智能，就是用最简约的方式压缩世界（简约），再用闭环的方式不断校正自己对世界的理解（自洽）。这不是一句哲学口号，而是一套他试图用严格数学写下来、并据此造出系统的原理。这正是他与那些只"谈论"智能的人最根本的不同。
四、三个洞见：他为AI时代守的三个方向
这套原理，落到当下的AI，凝结成三个极具分量、也极具挑战性的洞见。洞见一：从"黑盒"到"白盒"——AI不该是炼金术，而该是科学。这是马毅最硬核、也最具颠覆性的贡献。今天的深度网络是"黑箱"：架构靠经验试出来，有效却说不清原理。而马毅做了一件几乎没人敢做的事——他从"简约"这条第一性原理（具体说，是"最大编码率约简"这个数学目标）出发，一步步把深度网络的架构数学地推导出来。他的ReduNet、以及"白盒Transformer"CRATE，每一层、每一个算子都有明确的数学含义，是为了优化那个压缩目标而"算"出来的，而不是"试"出来的。这等于在证明一件事：完全可解释、可推导的深度网络，是可能的；黑箱不是AI的宿命。
这个意义极其深远。一个黑箱AI，你无法知道它为什么出错、会在哪里出错、能不能被信任——你只能在它犯错后打补丁。而一个白盒AI，每一步都有明确的数学含义，于是它是可调试的（哪里错了一目了然）、可信任的（你知道它在做什么）、可控制的（出问题能从原理上修），往往也是更高效的（不必靠蛮力堆参数）。在一个AI正被部署进医疗、金融、自动驾驶、国防等性命攸关领域的时代，"看得懂"不是锦上添花，而是生死攸关——你怎么敢把性命，交给一个连造它的人都看不懂的黑箱？当全世界都在接受"我们造的东西我们看不懂"时，马毅用CRATE反驳：看得懂的，也能造出来。可解释，不该是被牺牲的奢侈品，而该是AI的底线。
洞见二：从"开环"到"闭环"——当前的AI，缺一个"自我纠错"的能力。依据"自洽"原理，马毅指出了今天大模型的一个根本缺陷：它们基本是"开环"的——只会一路向前地生成，却没有一个内在的机制去检验自己说的对不对、并自主纠正。这正是大模型会"一本正经地胡说"（幻觉）、且训练完就不再自主成长的深层原因。
真正的智能，必须是闭环的：能自我预测、自我检验、自我修正。想想人是怎么学的：你做一件事，看到结果，发现不对，调整，再来一次——这个"行动—反馈—纠错"的闭环，是一切学习与成长的根本。而今天的大模型，训练完就"冻结"了，它生成时既不会回头检验自己说得对不对，也不会从每一次交互中真正成长。这就是它为什么会自信地胡说、为什么"用得越久也不会变得更聪明"的根源——它缺的不是知识，而是那个能让它自我校正、持续进化的闭环。马毅认为，从"开环的生成"走向"闭环的自洽"，是AI通向真正智能的下一步，也是当前范式最缺的一环。一个不能自我纠错的系统，无论多大，都不是真正在"学习"，它只是在"被训练"。
洞见三：知识 ≠ 智能——大模型有的是知识，缺的是智能。
这是马毅对"AI已经很聪明了"这一普遍错觉最清醒的纠正。他有一句话点破要害："人要比机器更有智慧，而不要跟机器比记忆力。"大模型几乎记住了人类所有的知识（记忆），但"智能"的本质，是自主学习、举一反三、自我提升的能力——而这恰恰是它最缺的：它训练完就"定型"了，不会像人一样在实践中持续成长。知识是结果，智能是能力；大模型囤积了海量的"结果"，却未必拥有产生这些结果的"能力"。这个区分对每个人都有现实意义：在AI时代，人最不该做的就是和机器比记忆、比知识储备（那早已输了），人真正的价值，在于机器还不具备的那种智慧——独立判断、提出真问题、在复杂情境中做出明智决策的能力。这也正是他在港大力推全校AI通识课的用意：不是教学生用工具，而是"剥离炒作、回归原理"，培养一种"防忽悠"的判别力。
五、思想形状：一个"做减法、求至简"的人
如果给马毅的思想画一个形状，它是一种坚定的"向内收敛、做减法"的姿态。这个时代AI的主流方向，是"做加法"：模型更大、参数更多、数据更海量、结构更复杂、也更不透明——一路把AI往"更大、更黑"的方向推。而马毅一直在反方向用力：把它压到最简、最透明、最可推导。他追求的"简约"，本质是一种"做减法"的智慧——不是堆砌更多，而是逼近那个最本质、最简洁的内核。听过他课的学生说，他总能"大道至简"地讲清一件事的本质；他也反复强调，科学最不该的就是"神秘化"。
这种"求至简"的形状，在一个崇拜"规模"与"复杂"的时代显得格格不入，却恰恰是科学最深的品格。因为真正的理解，从来不是把事情说得更复杂，而是把它看得更简单；不是造一个更大的黑箱，而是看穿黑箱里那个简洁的结构。马毅一辈子在做的，是给一个拼命"做加法"的领域，演示什么叫"做减法"——而往往，做减法比做加法难得多，也深刻得多。
六、理论的裂缝
要诚实，马毅的路线也有它真实的张力与争议。其一，白盒至今未能在性能上压倒黑箱。CRATE、ReduNet在理论上极其优雅，是"白盒可行"的漂亮证明，但就规模和实际效果而言，它们离主流的黑箱大模型还有相当距离。换句话说，他证明了"白盒是可能的"，却还没证明"白盒能赢"。
其二，"先理论"的理想，可能与AI"先有效"的历史相悖。深度学习的全部成功，几乎都建立在"先做出来、理论慢慢追"的经验主义之上。马毅"先把原理搞清楚"的坚持很可贵，但理论的脚步未必追得上经验试错的狂奔——也有人认为，"经验涌现"本身就是一种合法且高效的探索方式，不必事事先有理论。
其三，他对行业"炒作"的批判，有时显得过于决绝。马毅的犀利让他成为AI泡沫最清醒的批评者之一，但这种决绝，偶尔也可能让他低估了那些他眼中"说不清原理"的方法所取得的真实突破。理论与经验，或许不是谁取代谁，而是应当彼此追赶、互相校准。
承认这些裂缝，马毅才不是一个高高在上的理论权威，而是一个在狂热中坚持另一条路的、清醒而孤独的探索者。他给的不一定是已经走通的路，但一定是这个领域最不该忽略的那个方向。
七、跨界对标：理论一极里，"动手造白盒"的那一个
把马毅放进当代AI的思想版图，他的位置会更清楚。与黑箱经验派（辛顿、萨顿所代表的深度学习/规模路线）对照，是最直接的张力。规模派的信条是"涌现"——能力会在足够大的规模上自发出现，原理可以不问；马毅的信条是"原理"——没有可理解的第一性原理，再强的能力也是不可信、不可控的黑箱。这是AI时代最深的分歧之一，而马毅是"原理"这一极最硬核的代表。
与朱松纯、姚期智对照，是东方"理论根基"内部的三种路数。三人都警惕"经验主义的黑箱狂奔"，都在为AI呼唤"根基"。但朱松纯从认知与价值切入（"为机器立心"），姚期智从计算复杂性与安全切入（"可证明安全"），而马毅从表示与几何切入（"简约与自洽""白盒"）。最特别的是：马毅是这三人里，唯一真的把自己的理论变成了可运行架构的人。朱松纯有通通的原型，姚期智有安全的纲领，而马毅有CRATE——一个真的从数学第一性原理推导出来、能跑的白盒网络。他不只呼吁"AI该有理论"，他用代码证明"理论真的能造出AI"。这让他在"理论派"里显得尤为硬气。
与神经科学的对接，则是他理论的另一只脚。他与神经科学家曹颖合作，把"简约与自洽"和大脑的运作机制相互印证——这让他的理论不只是数学的优雅，更试图与生命真实的智能对齐。
把这个版图连起来，马毅的独特价值就清楚了：在一个用"黑箱+规模"定义成功的时代，他是那个坚持"智能必有可被推导的简洁原理"、并亲手把白盒造出来的人。他守护的，是这场革命最容易被效率与喧嚣淹没、却最决定它能否成为真正"科学"的东西——可理解性。
尾声：一个我们造得出却看不懂的智能，是成就还是隐患？
我们正在以前所未有的速度，造出越来越强大、却也越来越难以理解的AI。模型每隔几个月就更强，也每隔几个月就更黑。在这场狂奔里，马毅的声音冷静而不合时宜，他一直在问那个没人愿意停下来想的问题：我们造出来的这个东西，我们到底懂不懂？
如果把他的洞见浓缩成一条给AI时代的元原则，那就是：
一个真正的智能，必然有可以被理解的第一性原理；一个我们造得出、却看不懂的智能，不是科学的成就，而是潜在的隐患。把AI从"炼金术"变成"科学"、从"黑箱"变成"白盒"，不是学术的洁癖，而是人能否真正信任、并掌控自己所造之物的前提。
这正是他从清华的数学课堂、伯克利的视觉无人区，一路走到今天的全部坚持。当所有人都在仰望模型的"高度"与"规模"时，他俯身去看那个被忽略的问题：这栋越盖越高的大楼，我们究竟看不看得懂它的结构？
AI会让人类的能力空前膨胀。而马毅一生在提醒我们的，是另一件更根本的事：能力可以是黑箱里碰出来的运气，但智慧，必须是看得清、想得明、信得过的。一个看不懂的强大，是危险的强大；唯有当我们真正理解了智能，我们才谈得上真正地拥有它。
这，就是一位三十年只为"求简、求白、求可知"的科学家，留给这个把AI越做越大、越做越黑的时代的，最清醒、也最沉重的提醒。
关键史实与概念备忘
- 马毅（Yi Ma）
- 核心思想
- 本文原创判断（非马毅原话，系作者解读，引用须区分）
信源：综合自百度百科、港大与伯克利资料、智源社区、《留学全知道》2025年专访及其论文/著作。涉及年份、职务、概念与引语如需正式引用，建议再核原始来源。
文章精选：
