港大马毅：对人类知识有学习能力、能够纠错，是智能本质

公司情报专家《财经涂鸦》获悉，9 月 11 日，香港大学计算与数据科学学院院长马毅在 2025 Inclusion·外滩大会开幕主论坛上发表主题演讲。

他指出，当前人工智能虽技术蓬勃发展，却仍缺乏对智能本质的科学理解，因此，“必须将AI从依赖试错、不可解释的‘黑箱’系统，转变为基于数学原理与闭环反馈的‘白箱’模型，才能真正实现机器智能”。

“智能的核心在于‘自我验证与自我纠错’的能力，而当前的大模型仅是静态知识的存储库，因而才会出现基础逻辑混乱和‘幻觉’问题”。 马毅表示，“虽然拥有海量‘知识’，但它们并不具备真正的‘智能’。”

展望未来，他认为，必须将智能作为一个严谨的科学与数学课题来研究，聚焦于构建具备个体记忆与闭环自治能力的系统，在可解释的理论框架下推动机器智能向真正意义上的“自主智能”演进。

以下为马毅演讲全文（根据表述需求有所删减）：

大家好！

过去十几年人工智能的发展，令人变得既“兴奋”又非常“焦虑”——作为计算学院院长，我在香港大学今年招生时，收到了无穷多的家长的电话：马老师，到底我的小孩该学什么专业？五年毕业以后、四年毕业以后，是不是工作还在？

中国的哲学讲，大道至简。很可能这些千变万化的技术背后，只是一个非常简单、统一的机制在起作用。所以，遵循第一性原理，先搞清楚目的，其它的无非就是手段而已。

世界上有两件事情最值得学习，一个是宇宙怎么来的？这是物理研究的问题；一个是生命怎么来的？这是智能要研究的问题。

大家现在都在谈大模型/Scaling Laws，实际上我们的DNA就是自然界最早的大模型。它学到了外部世界所有值得传承的知识，通过DNA编码传承记忆下去。它的迭代的方式，今年的图灵奖有一个有趣的名字，叫作Reinforcement Learning。

所以，自然界早就在做这个事情，已经做了几十亿年。从这个角度看，现在智能发展的阶段，就是生命发展的最早期。

但是，5亿年前发生一件了不起的事情，每个个体开始出现了大脑、神经系统，出现了视觉。之后很快就出现了寒武纪/生命大爆发。此前，DNA个体是没有智能的。一旦个体的智能、感知和记忆出现，Learn from your feedback，Learn from your errors，将会大大提高每个个体的适应性。

而且，智能发展是一直在摆脱这种大模型的进化。第一个阶段，是我们出生之后会逐渐想摆脱DNA，去学更多外部世界的知识；第二个阶段，是人发明了语言和文字，将文明一代代传承下去，用文字取代了DNA的作用。

再往后，3000年前我们发明了数学和逻辑，开始对科学知识进行编码，导致了科学的发展。这才是artificial intelligence所包含的真正意义。

现在很多人认为人工智能源于1956年，这是完全错误的观念，真正的起源是1940年代，一个叫Norbert Wiener的MIT教授，提出来Cybernetics，可以简要翻译成控制论。他研究的是动物是怎么学习，如何用机器实现动物层面的智能。那个时代所有跟智能相关的人都是受他的影响，比如信息论的奠基人香农、对策论的奠基人冯·诺依曼。

不过，现在出现了一个非常时髦的词，具身智能。大家知道，刚开始人对神经元理解之后，就急着去Networks，并声称可以建模型了，机器可以自己思考了，有自己的意识了，可以干所有的活了，所有工作我们都不用做了。

50年代时，这种牛就已经吹过了。当然，是以失败告终。但还是有很多人坚持，2012年，数据和算力让神经网络的实现变成可能。后面发生的事情，跟生命早期发生的事情一模一样，大浪淘沙。

为什么我们一定要把它搞清楚呢？因为任何事情一旦是黑盒子，就会变成历史的教训。我们不理解天体运动时，就会出现封建迷信。科学就是要把它们解释清楚，告诉大家它的原因、它的机理是什么。

为什么要学习？什么是值得学习的？智能都是在看似无序的世界中找到规律，把它有用的知识形成记忆，记下来。所有可预测的信息都是我们观测的高维数据，如果它是有可预测的信息，它的内在结构都是低维的。牛顿第一定律说，当一个物体不受外力的时候，它会在一条直线上运动，不会在三维空间中任何一个维度出现。

所有的物理定律都是以等式的形式出现，为什么？多一个等式对于外部世界的解空间降一维，多一个等次降一维。最新的理论告诉大家，从黑洞爆炸开始，所有的物理规律，整个宇宙世界是在一个十维的空间，它不是一个无穷维。数学上，大家都讲神经网络是一个inductor，实际上第一性原理就是你只需要一个最简单的assumption。

我可以告诉大家，推导出过去十年所做的所有事情，只需要一个假设，你的数据、值得学习的数据，它的数学结构是低维的，这是我们需要的唯一假设，所有的东西可以通过严格的数学手段和逻辑推导出来。

人类花了八十年，从不可计算到可计算，从不tractable到tractable, 从tractable到scalable, 才导致了今天人工智能的技术。但即使用了人工智能技术，到了scalable，效率离nature至少还差十个数量级——此刻可能是又该向自然界学习的时候了，不要还那么自以为是，我们还处在生命发展的极早期，刚刚开始，甚至还没有开始。

Jeff Hinton 2022年已经承认了，自然界不做back propagation，太贵了，没法做，只有埃隆马斯克可以玩得起，我们玩不起。但是自然界有另外的一条路通向罗马，就是similarities，反馈控制，连续学习的机理。

我们的大脑是几十万个闭环系统联结在一起的并行分布的事情，我们对实现这样的技术还根本没有开始。用General purpose的计算机、CPU、GPU去实现智能真正所需要的计算，是一条极其极其绕的弯路。大家想找的近路，自然界早就找到了。

最后，再给大家讲一下，大家对智能的理解有非常多的误区，认为一个系统有知识就是有智能。实际上是不对的——

GPT有知识，它没有智能，它就跟早期的DNA一样；新生儿有智能，不一定有很多知识，但却有机会成为下一个爱因斯坦。能够对人类知识有自己学习的能力，甚至纠正人类所有知识里面的缺陷，这才是智能的本质。

大家都在谈，过去是人工智能的时代，实际上不是。我们过去十年所做的事情，还仅仅局限在40年代实现动物层面的，即感知、记忆、生成、预测这一层的机理，离真正的1956年人工智能的Program，还没有开始。严格来讲，所有的模型，包括GPT5，连基本的自然数的概念都没有。

现在大家都在很笼统的讲，什么图灵测试都超过人了。那计算器做加减乘除早就超过人了。所以，该怎么科学的界定一个系统它的智能的能力？

这件事情我们要认真的去反思。图灵测试，到底一个系统它完成一个任务是基于记忆还是真正的理解了知识？现在经常有人说，大模型可以取代科学家、Poster、PHD了，真的吗？它们有没有科学家所具备的这种能力，现在必须界定清楚，而不能笼统的讨论，那不济于事。

这是我们最近完全开源的一本书，中文、英文AI翻译的，内容是关于学习，建立智能的数学原理，以及深度学习。完全把黑盒子打开成白盒，现在成为一个开源的项目，跟王坚总讲的很像，大家可以去试一试。

所以，有没有可能把智能作为一个科学的问题、数学的问题，界定清楚，变成白盒子，连高中生大家都能知道它在做什么，这是过去很多团队一起在做的事情。

大家想通过一个talk就了解一个智能，这是完全异想天开，其中必须要有严格的、科学的、数学的证据链，以及实验的证据链。这是我们过去十年认真在做的一件事情，也是学术界、科学界必须做的事情。我们必须当成一个真正的工程来完成，这是我希望大家了解的。

谢谢大家！

作者：苏打

编辑：tuya

出品：财经涂鸦（ID：caijingtuya）