李国杰院士的新著《深思人工智能》，正是在这样的背景下出版的。
《深思人工智能》
这不是一本介绍大模型技术原理的教科书，也不是一本预测AGI何时到来的未来学读物。它更像是一位从事计算机研究六十余年的科学家，在人工智能骤然改变整个计算机学科之际，对一些根本问题所作的一次集中追问。全书真正关心的不是“下一个模型有多少万亿参数”，而是几个更基础的问题：人工智能究竟是什么？大模型为什么会表现出如此强大的能力？计算机科学的基本范式是否正在发生变化？AI能够自主进化到什么程度？哪些安全问题可以通过工程方法解决，哪些问题原则上不可能得到绝对保证？
这种追问使《深思人工智能》与目前大量AI畅销书明显不同。
一、在“能力竞赛”之外追问人工智能究竟是什么
本书给我印象最深的一点，是作者始终试图把人工智能从技术热点重新拉回科学问题。
今天谈论人工智能，人们往往默认一个前提：Transformer、大语言模型、强化学习、智能体就是人工智能研究的主体，下一步无非是把模型做得更大、训练数据更多、推理链更长。但李国杰对此保持了明显的距离。他提出，目前人工智能总体上仍处于一种“前范式科学”阶段。
这个判断相当重要。
所谓“前范式”，借用了库恩关于科学革命的概念。成熟科学通常具有较稳定的基本概念、研究对象、理论框架和评价标准，而今天的人工智能显然还没有达到这种状态。连接主义、符号主义、概率模型、因果推理、强化学习、具身智能、大模型等路线并存；甚至对于“模型是否真正理解”“智能是否一定需要世界模型”“语言是否足以产生通用智能”等最基本问题，研究者也没有形成共识。
因此，GPT取得巨大成功，并不等于我们已经掌握了“智能理论”。
这一提醒尤其有价值。人工智能史上已经多次出现过把阶段性工程突破误认为基本原理已经解决的情况。今天大模型的惊人能力，很容易让人再次产生类似错觉。《深思人工智能》强调，技术可以远远走在理论前面。蒸汽机出现时人类还没有完整的热力学理论，深度学习和大模型也完全可能在我们尚未理解智能本质的情况下产生巨大工程价值。
因此，人工智能当前最值得研究的，不只是怎样制造更强的模型，还包括一个长期被工程成功遮蔽的问题：
为什么这种方法会有效？
李国杰把人工智能理解为在“不确定性、知识不充分和资源受限”条件下解决复杂问题的方法，并进一步提出人工智能正在成为一种“元级探索方法”——它不只是解决某一类问题，而是在帮助人类寻找问题的表示、规律和解法。
这是一个颇有启发性的概括。
传统算法通常要求人先把问题定义清楚，再让机器求解；今天的大模型却越来越多地参与到“问题是什么”“应该采用什么表示”“可能有哪些规则”这些过去由人完成的环节。机器不再只是执行已知知识，而开始帮助人类生成候选知识。这可能正是人工智能区别于传统计算技术最深层的变化。
二、从“程序执行”走向“规则生成”：CS2.x是全书最值得讨论的命题
如果说“人工智能仍处于前范式阶段”是全书对AI学科性质的判断，那么“从CS1.x走向CS2.x”则可能是全书最具原创性、也最容易引起争论的观点。
传统计算机科学的基本图景相当清楚：人给出程序和规则，计算机按照规则执行。程序当然可以十分复杂，也可以修改数据甚至生成另一个程序，但在一个给定计算任务中，问题的形式化定义、正确性的判据以及最终目标，原则上来自系统外部。
生成式人工智能正在模糊这条边界。
今天的AI已经可以根据自然语言需求生成程序、制定计划、设计实验、修改自己的工具链，并依据环境反馈重新规划行动。未来更高级的智能体甚至可能参与生成新的规则和评价标准。李国杰因此提出，应当区分以规则和语义相对封闭为特征的传统计算机科学，以及规则和语义逐渐走向开放的下一阶段计算机科学，并以“CS1.x—CS2.x”描述这种跃迁。
这一提法的真正价值，不一定在于“CS2.x”这个名称最终能否成为国际学术界公认的术语，而在于它指出了一个长期被忽略的问题：
计算机科学过去主要研究“在规则给定以后怎样计算”，人工智能正在迫使我们研究“规则从哪里来、规则如何变化以及谁有权解释规则”。
这已经超出了通常意义上的算法效率问题。
例如，自动程序设计最困难的环节越来越不是“怎样把形式规格翻译成代码”，而是如何把含糊的自然语言需求转化为可以执行的规格。自动芯片设计同样如此：如果目标函数和约束全部由工程师事先形式化，它依然属于经典优化；但如果AI参与解释设计意图、补充遗漏约束甚至修改评价标准，问题的性质就发生了变化。
因此，“规则开放”和“语义开放”确实可能成为理解下一代计算机科学的重要维度。
不过，这也恰恰是本书最需要继续深化的地方。
“CS1.x—CS2.x”目前更多还是一个本体论和方法论框架，还不是一个严格的数学理论。什么叫“规则封闭”？模型在运行过程中修改自己的程序算不算规则改变？通用图灵机本来就能模拟自修改程序，那么什么意义上的“规则内生”才构成新的计算范式？语义开放究竟意味着不可形式化，还是只意味着外部环境无法完全预先描述？
这些问题如果不能进一步形式定义，就很容易把“开放系统”“交互计算”“自适应系统”和“超越图灵计算”混为一谈。
因此，我更愿意把CS2.x看成一个值得深入研究的研究纲领，而不是已经完成的计算理论。它最大的贡献也许恰恰是提出问题：过去计算理论为了建立严格数学体系，有意把语义、目的和环境放到模型之外；AI时代，这些过去被排除在计算模型之外的因素正在重新进入计算系统的核心。计算机科学是否需要建立新的理论框架来容纳它们？这是一个真正值得整个学科认真讨论的问题。
三、比“AGI什么时候实现”更重要的是：什么样的AI真正值得发展
当前人工智能舆论中最热闹的话题之一，是AGI究竟会在2027年、2030年还是更晚出现。《深思人工智能》对此表现出一种难得的克制。
作者并不否认人工智能能力将继续快速提升，却反复提醒：AGI不是唯一甚至未必是最值得追逐的目标，“可信可用AI”可能比抽象意义上的AGI更加重要。
这个判断看似保守，其实体现了典型的工程科学思维。
对于社会真正需要的人工智能系统，“能不能做很多事情”只是一个维度。医疗AI、自动驾驶、科研智能体、金融系统乃至军事系统，更关键的问题是：在什么条件下可靠？失败模式是什么？出了错误能否发现？能否回滚？谁承担最终责任？
从这个角度看，当前AI研究存在一个值得警惕的倾向：用少数能力指标代表“智能水平”，再用一个单一尺度想象从弱AI到AGI乃至超级智能的连续进步。但真实世界的智能并不是一个简单的一维变量。一个系统可以数学能力极强而常识判断很弱，可以生成精妙代码却无法保证程序安全，可以发现新的材料结构，却不知道实验中什么风险不可接受。
所以，AI真正走向社会时，核心问题不是单纯的“能力最大化”，而是能力、可靠性、可解释性、可验证性和人类控制权之间怎样取得新的平衡。
这也是《深思人工智能》区别于许多AGI叙事的地方：它没有把人工智能历史写成一场通往“超级智能”的单线进化，而是把AI重新置于人类目的之下。
机器究竟能有多聪明固然重要，但更重要的问题始终是：我们为什么要制造这样的机器？
四、从可判定性出发讨论AI安全，是全书最有理论野心的尝试之一
本书第三部分讨论人工智能的安全与风险，其中一个很有特色的思想，是试图把计算理论中的“可判定性”引入AI安全。
作者把安全问题区分为不同层级：有些性质原则上可以事先证明，有些只能在运行中发现错误，还有些问题甚至无法保证通过有限程序发现所有错误。由此得出的一个重要结论是：对于高度自主、长期运行并处在开放环境中的AI系统，“证明它永远安全”可能并不是一个合理的工程目标。
这比泛泛谈论“AI失控风险”前进了一步。
传统软件工程天然偏爱事前验证：证明程序满足规格、检查所有状态、验证某个不变量。但高度自主AI面对的是开放世界，环境条件和未来状态无法完全预先列举，而且AI自身还可能修改策略。此时安全治理必然从单纯的“事前证明正确”转向“事前约束+运行时监控+异常发现+隔离+回滚+人类最终裁决”。
这也是作者提出保留人类“纠错主权”的理论依据。
这一思想非常值得重视。AI时代最大的安全误区之一，就是把“安全”理解成制造一个永远不会犯错的超级程序。现实中真正可靠的复杂系统——航空、核 电、金融、电网——从来不是因为某个部件绝不犯错，而是依靠冗余、监测、 隔离、制动和责任体系，使局部错误不会演化成系统性灾难。
人工智能也很可能如此。
当然，这里的理论推导仍需谨慎。开放世界中的不可预测性、统计模型的不确定性，与计算理论严格意义上的不可判定性并不是同一个概念。哥德尔不完备定理、停机问题和Rice定理都有严格的适用条件，不能把所有“无法保证AI永远安全”的问题简单归结为这些定理。
但李国杰提出这一框架的意义仍然十分明显：AI安全首先必须弄清楚哪些事情原则上可以证明，哪些事情只能靠治理。
五、“第五科研范式”真正改变的可能不是工具，而是科学发现的分工
书中另一条重要主线，是AI for Science。
人工智能用于科研已经不是简单的数据分析工具。AlphaFold、材料发现、数学证明辅助、自动实验平台正在展示一种新的可能：机器不仅计算已知模型的结果，还可以生成假说、搜索候选规律、设计实验甚至参与评价结果。
李国杰将这种变化称为新的科研范式。
“第五科研范式”这个名称未来是否能够成为学术界统一用语尚难判断，但它所描述的变化是真实存在的。
过去计算机进入科研，主要解决的是“算得更快”；今天AI开始解决“到哪里寻找答案”。传统科学家根据理论直觉提出少数假说，然后设计实验验证；AI可以在极大的候选空间中产生百万乃至亿级候选，再通过模拟、模型和实验逐层筛选。
科学发现由此可能从“少量假说—精确验证”，逐步加入“海量生成—快速筛选—重点验证”的新模式。
但作者特别强调“验证瓶颈”，这一点非常重要。
AI可以迅速生成一百万个新材料结构，却不能因此宣称发现了一百万种新材料；语言模型可以写出一个漂亮的数学证明，也不等于定理已经成立。生成的成本正在迅速下降，而验证真实世界知识的成本并没有同步下降。
因此，未来科学最大的瓶颈之一可能从“产生假说”转向“验证假说”。
这是一个十分深刻的判断。人工智能也许会使科学研究第一次进入“候选知识极度过剩”的时代。在那个时代，真正稀缺的不再只是创造力，而是可靠的实验、严格的证明和有能力判断“什么值得验证”的科学家。
AI越强，人类的判断责任反而可能越重。
六、一位计算机科学家的可贵之处，是在技术最热的时候讨论它的边界
《深思人工智能》最鲜明的气质，可以用两个字概括：克制。
这种克制并不意味着低估人工智能。恰恰相反，作者把AI看成可能改变科学研究范式乃至计算机科学本体论的技术。但正因为认为它足够重要，才更不愿意用口号代替理论。
书中很多观点都带有这种特点：
既承认大模型表现出超出传统程序的能力，又不轻率宣称已经出现真正意义上的通用智能；
既讨论机器自主进化，又强调不存在保证每一次自我修改都正确的万能方法；
既承认计算范式可能发生跃迁，又不断追问这种跃迁在理论上究竟意味着什么；
既看到AI for Science可能大幅加速发现，又特别强调实验和验证仍然构成不可绕过的瓶颈。
这种态度在今天尤其难得。
人工智能领域目前存在两种同样危险的思维。一种认为大模型“不过是统计鹦鹉”，因此没有什么真正新的东西；另一种则把几条指数增长曲线外推几十年，仿佛超级智能已经成为数学必然。
《深思人工智能》试图走第三条道路：
既承认新现象，又拒绝过早下结论；既相信技术进步，又坚持追问理论边界。
七、真正值得“深思”的，也许不是人工智能，而是计算机科学本身
从这个意义上说，《深思人工智能》表面上讨论人工智能，实际上提出了一个比 AI 更大的问题：
人工智能的兴起会不会迫使我们重新定义计算机科学？
过去七十多年，计算机科学取得巨大成功的重要原因，是把问题形式化：把现实问题转化成符号、数据结构、算法和程序，然后研究什么可计算、怎样更高效地计算。
但是，大模型和智能体正在不断向形式化以前的世界延伸。
人的意图是不精确的，自然语言是有歧义的，真实环境是开放的，价值判断无法完全写成目标函数，科学发现也往往发生在问题尚未被严格定义的时候。过去计算机主要工作在“形式化以后”，未来的人工智能正在进入“形式化以前”。
这也许才是《深思人工智能》中CS2.x思想最值得重视的地方。
如果未来计算机不仅执行人制定的规则，而且参与形成规则；不仅处理人赋予的数据语义，而且参与建立新的语义；不仅回答已经形式化的问题，而且参与决定“什么才是问题”，那么计算机科学研究的对象确实可能发生一次深刻扩展。
这种变化未必意味着突破图灵可计算性的数学边界，却很可能突破传统计算机科学长期习惯的研究边界。
因此，与其急于争论CS2.x是不是一种“超图灵计算”，不如首先承认李国杰提出了一个非常有价值的问题：当规则、语义、目标和评价标准本身也进入机器学习和生成的范围以后，我们还能够沿用过去那套以封闭形式系统为核心的计算观吗？
这个问题今天没有标准答案。
但一本好书的价值，本来就不只是给出答案。
在人工智能技术狂飙、产业界每天宣布新纪录、社会舆论不断在“AGI即将到来”和“AI只是泡沫”之间摇摆的时代，《深思人工智能》的意义恰恰在于，它提醒我们把目光从模型排行榜稍稍移开，去重新追问那些真正困难的问题：
什么是智能？
什么是计算？
机器能够自主到什么程度？
哪些事情原则上能够验证，哪些事情必须依靠人类判断？
当机器开始参与知识、规则乃至意义的生成，人类应该保留什么样的最终裁决权？
这些问题或许十年、二十年以后仍不会有最终答案。但未来人工智能真正重要的理论突破，很可能就孕育在这些今天看起来过于“哲学”的追问之中。
技术发展最快的时候，最需要的往往不是更多预言，而是更深入地界定我们究竟已经知道了什么，以及还有什么其实并不知道。
这大概就是《深思人工智能》书名中“深思”二字真正的分量。
【京东扫码抢购】