
欧洲科学与艺术院长 Klaus Mainzer:通用人工智能的终极通关秘籍,藏在思想史里 GAIR Live | 018
Quick Take
Klaus Mainzer argues that true AGI requires insights from humanities, emphasizing the philosophical challenges of creativity and embodiment. He critiques current AI's reliance on formal logic and calls for educational reform to integrate systems thinking across disciplines, highlighting the need for a new generation of thinkers who can bridge science and humanities.
Key Points
- Mainzer cites the philosophical roots of AI from Turing to quantum computing.
- He highlights the importance of creativity, questioning if machines can have 'inspiration'.
- Mainzer calls for educational reform to eliminate barriers between disciplines.
- He warns that AI's reliance on formal logic limits its potential.
- Quantum computing may resolve precision issues in high-risk AI applications.
Article Content
From source RSS / original summary当一位德国顶尖科学家把《易经》称作“二进制祖先”,并断言下一代 AI 必须靠“人文学者的想象力”突围,这或许意味着:真正的通用人工智能,或许要先在思想史里通关。 作为一位享誉国际的科学哲学家和复杂系统理论权威,欧洲科学与艺术院院长、慕尼黑工业大学荣休教授 Klaus Mainzer 不仅是连接数学逻辑与现代科技的桥梁,更是洞察人工智能时代人类命运与责任的战略思想家。 在最近雷峰网对 Mainzer 院长的深度专访中,他不仅全面回顾了 AI 理论从图灵到量子计算的发展脉络,更犀利地指出了 AGI 无法绕开的哲学困境、工程创新的全球转移,以及培养未来人才最迫切需要的教育系统变革。 从莱布尼茨(Leibniz)在 17 世纪对《易经》阴阳符号的扩展研究,到 1936 年图灵那篇奠定数字时代的《论可计算数》,再到今天试图用“模拟计算”破解停机问题的接口项目——Mainzer 用一条清晰的“思想链”告诉我们:AI 的每一次跃迁,背后都站着哲学家、语言学家、逻辑学家、现象学家甚至外交官;人文与科学并非“两种文化”,而是一条麻花辫,越拧越紧。 访谈伊始,Mainzer 院长就直指现代 AI 的理论限制。
他承认 AI 在数据驱动的模拟方面能力惊人,但其根基仍受制于形式化思维。 他援引逻辑学史上哥德尔(Gödel)的“不完备性”最终被根岑(Gentzen)以“超限数”概念所克服的案例,强调 AI 的逻辑困境并非不可逾越。 然而,一旦进入 AGI 的核心地带,Mainzer 院长提出了一个尖锐的哲学挑战:机器能模拟情感,但能拥有“灵感”吗? “机器可以模拟各种情感表达,我对此毫不怀疑。 但区别在于创造力。 一个作曲家需要的是情感和灵感。 ”他指出,AGI 面临的真正障碍是“具身性”(Embodiment)的哲学鸿沟。 Mainzer 院长推测,未来或许能通过神经生物学创造出具备“活体组织”和“情感”的人造有机体,届时 AGI 才有可能具备真正的创造力。 在技术基础的讨论中,Mainzer 院长指出,当前的 AI 架构仍沿用冯·诺依曼(Von Neumann)架构,核心是图灵机定义下的可计算函数理论。 这是所有现代计算机的数学基础,从未改变。 然而图灵在生命的最后两年,发表了关于“形态发生的化学基础”的论文,这篇论文正是关于耗散相互作用的简单系统如何产生复杂结构涌现(Emergence)的开端。
而Mainzer 院长的“复杂系统、人工智能与新兴技术”书系,正是源于图灵所开辟的两条理论路线。 结论毋庸置疑: 无论是 AI 的符号计算,还是未来对复杂结构涌现的研究,其思想根源都指向图灵这位伟大的跨界思想家。 在谈及 AI 的发展前景及新兴技术对 AI 的协同效应,Mainzer 院长认为,量子计算的叠加原理等新原则,有望打破数字计算机在医学影像重构等高风险领域精度上的理论下限,是解决 XAI(可解释性 AI) 权衡困境的关键技术。 同时他还指出,21 世纪的竞争已不再是单纯的“理论创意”竞争,而是“工程实现”的竞争。 “(在欧洲)人们有很多美好的想法,但技术突破主要不在欧洲,而是在美国或中国。 ”他以量子通信(欧洲提出理论,中国实现卫星通信)、火箭技术(德国发明,美国实现登月)和特斯拉(欧洲人发明,去美国实现商业成功)为例,强调“创新不仅在于想法”,更在于将理论转化为大规模工程实践的决心和能力。 面对 AI 时代对人才提出的全新要求,Mainzer 院长发出了最迫切的呼吁:教育系统必须进行整合性变革,消除学科壁垒。 他毫不留情地批评了当前计算机科学教育的“失败”:过于侧重编程训练,而缺乏建模能力。
他认为,物理学家所具备的“系统思维”和“建模世界”的能力,才是实现未来突破的基石。 “你必须接受这种教育:建立模型,用数学描述它。 ”他鼓励年轻一代:要“保持开放心态”,在电气工程、计算机科学、物理学和人文学科的边界上,勇敢地寻找“连接”。 在访谈的最后,Mainzer 院长总结了 AI 时代人类必须问自己的最重要问题:责任(Responsibility)。 人类是地球上唯一无法停止创造力的物种,但这种力量也赋予了我们摧毁的能力。 我们必须同时意识到自己的力量,以及对气候危机、能源问题和所有物种所承担的伦理责任。 以下是对 Klaus Mainzer 院长采访的实录。 我们诚挚邀请您,深入阅读访谈全文,去探索 Mainzer 院长所描绘的那个充满挑战、却又充满无限可能性的未来世界。 (限于篇幅,雷峰网AI 科技评论进行了不改原意的编辑整理)01AGI 的边界:为何人类创造力无法被“模拟”? 岑峰: Mainzer 教授,感谢您接受采访。 首先,我想赠送您一本我写的书——《中国人工智能简史》。 在研究中国人工智能历史的过程中,我发现社会科学家和哲学家在人工智能发展的早期阶段发挥了重要且积极的作用。
作为欧洲科学与艺术院的院长,从您的角度来看,人文学科和社会科学在欧洲人工智能发展的历史中扮演了什么样的角色? 您又如何看待欧洲人工智能发展中“两种文化”,即科学和人文学科之间的历史关系? Klaus Mainzer: 这是一个很好的问题,因为中国和欧洲之间的联系至少可以追溯到 17 世纪末。 我在德国最喜欢的学者是著名的数学家和哲学家莱布尼茨(Leibniz)。 在 17 世纪末期,他受到了源自中国的早期思想的启发,那就是《易经》,因为它蕴含着一些二进制符号的概念:我们看到的断线和实线。 这些符号是自然界力量的一种编码,也是一种思想。 他能接触到这些并受到启发,是因为在 17 世纪末,法国耶稣会与中国的宫廷之间有着密切的联系,而莱布尼茨当时正是一位外交官。 他受到这种二进制系统的启发,然后发明了二进制算术。 他当时并没有电子实现的概念,只是受到数学思想的启发。 他认为只用简单的 0 和 1 两个符号,这正是数字最简单的表示方式。 这个想法后来或多或少被遗忘了。 直到 20 世纪,图灵(Turing) 等人提出了数字计算机的概念。 欧洲出现的另一个重要的连接点正是图灵和他提出的图灵机 (Turing Machine)。
所有现代数字计算的想法都包含在他 1936 年发表的那篇著名论文中(编者注:指1936年出版的《论可计算数及其在判定问题上的应用》)。 我在演讲中提到的不可判定性问题 (undecidability problem),就是图灵的起点:从逻辑的角度来看,原则上存在一些数字计算机无法解决的问题。 那就是他著名的停机问题 (halting problem)。 原则上,这个问题是不可判定的。 这实际上是一个逻辑问题,意味着它不能通过加速数字计算来克服,这是一个限制。 起初人们认为:“这只有哲学家会感兴趣。 ”接着是哥德尔 (Gödel) 关于一定复杂程度形式体系的不完备性定理,这也是图灵停机问题不可判定性的一个结果,这是数字计算的基础,意味着我们现在所有的计算机都受到了限制。 在我学习数学和逻辑的时候,我记得在 1970 年,来自列宁格勒(今天的圣彼得堡)的俄罗斯数学家马季亚谢维奇 (Matiyasevich) 提出了一个惊人的结果。 他证明了希尔伯特(Hilbert)第十问题(关于丢番图方程)在数学上等同于停机问题。 这意味着你有一个原则上不可解的数学问题。 我在演讲中强调的是,这一发现对现代计算产生了影响。
因为在哥德尔、图灵等人的结果出现 20 年后,有证据表明,如果你考虑的不是数字,而是实数,那么问题就可以解决。 这是一个理论结果,因为当时我们并没有一台模拟计算机。 现在,有了我提出的关于类脑计算/未来计算的这些新想法,就有机会拥有一种脑导向的新型计算机。 它将沿着这条思路发展,并解决这些问题。 这意味着数字计算中原则上的限制可以通过这种实数计算来克服。 在技术上,它的实现方式将是类神经形态意义上的模拟计算机。 岑峰: 非常有趣。 让我们来谈谈您的书系《复杂系统、人工智能与新兴技术进展》 (Advances in Complex Systems, Artificial Intelligence, and Emerging Technologies),这个书系背后的灵感是什么? Klaus Mainzer: 实际上我的工作始于两条根源。 一条我之前解释过,那是从图灵到现代计算的数字计算。 另一条根源是,我学习了数学、物理学、哲学和逻辑学。 而这条根源是受物理学启发的。 在物理学中,有统计力学对复杂系统的美妙应用。 复杂系统仅仅意味着包含许多元素的系统。 人们有时会感到害怕,因为他们认为:“这些复杂系统是不可预测的。
”物理学中,拉普拉斯 (Laplace) 最初相信宇宙可以被视为一个封闭系统,能够用可计算的数学微分方程来描述;但在 19 世纪末,另一位法国数学家庞加莱 (Poincaré) 证明,即使是一个封闭的、复杂的系统,当涉及两个以上元素的相互作用时,多体问题 (many-bodies problem)的严格精确解也是不存在的。 这意味着在实践中,对于封闭系统,天文学家拥有的只是数值近似解。 然后,对于我关于这个主题的研究至关重要的一点是,要考虑开放系统 (open system)。 开放系统在数学上是一个挑战(或范式),存在于生物学、经济学等各个领域,意味着系统与其环境之间存在相互作用。 这当中的基本思想是,在临界值下,新结构会涌现出来。 在上世纪七八十年代,人们首次找到了近似方法来解释开放系统中的二阶相变。 这是开放系统研究的一个关键突破,有可能以数学上严谨的方式来描述开放系统中新结构的涌现。 这种涌现不仅是在(无生命的)化学反应中,而且在生命科学中,我们也找到了数学模型来解释这一点,比如蝴蝶翅膀上图案的产生就可以通过二阶相变在数学上得到描述。 岑峰: 那么您希望通过您的书系这个平台,达成哪些主要目标呢?
Klaus Mainzer: 我的想法是:复杂系统方法在非常基础的层面提供了对各地复杂系统的数学解释。 它不只存在于自然科学中,还存在于经济学和广义的社会科学中。 在我的第一本书《复杂性思维》中,它的成功之处就在于我不仅考虑了它在自然科学中的应用,还考虑了它在经济学中的应用,例如市场中的波动 (turbulence in markets)。 这可以通过数学物理 (Mathematical Physics) 来建模完成。 这种方法可以对高度复杂的市场进行建模。 虽然这些市场无法像拉普拉斯系统预测行星运行轨迹那样进行精确预测,但你可以对相变的敏感性进行建模。 我认为,即使在经济学中,你也可以获得一个针对临界值的预警系统。 通过这类模型,你可以判断:“我们现在的情况是,如果我们跨过这些临界值,那么整个系统将变得不可控。 ”这是这种建模方法的巨大优势。 这些内容都在书系中被考虑,这也是我在 90 年代初就已经预见到的。 建模时使用微分方程,这在数学上很精妙,也有标准模型。 但是如果你想在实践中应用它,例如应用于中国市场或一个大型市场,你必须处理海量数据。 我们在机器学习中知道,算法数学依赖于海量数据。 这就是背景。
我们有了这种很好的复杂系统方法,现在再加上人工智能 (Artificial Intelligence)。 当我提出这个想法时,我那些著名的资深同事认为,复杂系统科学与人工智能的结合这是一个很棒的想法。 因为人工智能开启了实现这一目标的可能性——我们现在拥有了强大的机器来处理这些复杂数据。 02复杂系统中的 AI :超越统计,重拾因果思维岑峰:那么,在您看来,复杂系统理论与人工智能的应用之间最主要的差距是什么? 您的这个书系将如何帮助弥合这个差距? Klaus Mainzer: 现代人工智能与我们之前讨论的历史起源有所不同。 因为人工智能的起源是非常逻辑导向的。 这是我的起点,我的博士学位研究方向正是在图灵的这条路线上。 顺便说一句,这条路线今天仍然是一个热门话题。 我现在也在从事被称为证明助手 (proof assistants) 的工作。 这意味着我们拥有基于自动证明的逻辑系统,这是符号主义 AI 在图灵传统中提出的一个想法,即可以将数学证明过程自动化。 这可以通过特殊的程序来实现。 例如,这是一个逻辑学中的古老思想:如果你有一个逻辑形式体系,你可能会关心这个形式体系是否正确?
也就是说,这个系统中的所有形式推导,是否都代表了理论中的一个真命题? 这就是逻辑通过形式命题进行形式化,然后由机器形式地推导出结论的想法。 我们称之为可满足性 (satisfiability)。 现在,在计算机科学中的应用是:我们用规范 (specification) 来代替模型。 如果你有一个形式体系来描述汽车行业的生产线,那么你的形式体系是否正确? 其含义是,形式上推导出的步骤是否准确地描述了物理生产线上发生的事情? 这就是可满足性。 在逻辑学中,发展了许多方法,例如至今仍在使用的归结法 (resolution method)。 在德国斯图加特,戴姆勒-奔驰公司的物流系统,正是完全基于这些逻辑思想完成的,用于组织复杂的客户配置需求。 就软件工程而言,我们可以更进一步。 最终的想法是,在软件工程和程序中,我们必须有控制机制来确保软件程序是准确的、可以依赖的。 这现在是通过证明助手来完成的。 这意味着你拥有严谨的逻辑形式体系,它正在测试你的软件是否按照你期望的正确方式行事。 这些证明助手在今天仍然具有相关性。 我们在慕尼黑每年都会举办关于这些证明助手的国际秋季学校。
逻辑学家、数学家、计算机科学家都在努力,因为我们现在希望将它应用于现代机器学习中那些非常复杂的程序。 今天的软件不再是传统 AI 中的那种传统程序,现在我们有机器学习、神经网络和统计学。 所以问题是,如何让证明助手来控制这些复杂的统计学方法。 在 AI 的经典方法中,核心是逻辑演绎 (logical deduction)。 但现代机器学习的核心是统计学。 因此,从方法论的角度来看,其核心是归纳 (induction)。 你从有限样本开始,通过计算统计期望值,试图进行概括。 这实际上是经验科学中普遍采用的方法。 这是现代机器学习面临的挑战。 我们的想法是:我们如何控制? 现在机器学习界对它的可能性非常着迷,但我们有失去控制的危险:在海量数据中隐藏着哪些特征等等,没有人知道。 因此,证明助手的旧思想变得至关重要。 我正在这方面努力。 因此,我希望这套书系,能将“旧的”严谨的逻辑和符号主义 AI 传统与现代机器学习的统计学方法结合起来。 岑峰: 确实如此。 数学是现代人工智能的基石。 正如您所说,人们可能会失去理性,但我们可以利用数学来防止人工智能失去理性。 我有一个关于人工智能与复杂性的核心哲学问题。
Reader Mode unavailable (could not extract clean content).
Want this in your inbox every morning?
Daily brief at your local 8am — bilingual EN/中文, free.
More from 雷峰网 AI 学术
See more →万字梳理:揭秘 DeepSeek 中的 RL 与 AGI 下一步丨AIR 2025
DeepSeek's innovative use of large-scale reinforcement learning (RL) over traditional supervised fine-tuning (SFT) significantly enhances model reasoning capabilities, as discussed at AIR 2025 by researchers from institutions like UCL and CMU. Key findings include the effectiveness of preference fine-tuning and the introduction of the Goedel-Prover model for formal mathematical proofs, achieving state-of-the-art performance.

