Page 113 - 软件工程与项目管理

第三章 计算机视觉与大数据

当考虑合成数据的发展趋势。
（二）关于计算模型的历史回顾
1. 人工智能的突破源于计算模型的改变
计算模型有不同的层次，图灵机模型是一种通用的计算模型，理论上可以
实现所有的计算。而目前流行的卷积神经网络等智能计算模型是专用的计算模型。

通用计算模型有很多种，包括图灵计算（离散变量计算，即递归计算）、神经网
络计算（数据驱动的图灵计算）、模拟计算（连续变量计算）和量子计算等新计
算模型。计算模型是分析可计算性和计算复杂性的基础。图灵机模型只是若干个

计算模型的一种。通用计算模型在可计算性上都是等价的，但对于某些计算问题，
不同模型的计算效率有天壤之别。例如，在量子计算模型上用 Shor 算法做大数
分解是多项式复杂性，而在图灵机模型上做大数分解是指数复杂性。
问题的复杂性随计算模型的改变而改变。人们常说的 NP 困难问题是对确定
性图灵计算模型而言的。自然语言理解、模式识别等 NP 困难问题，在大语言模

型上能被有效解决，这说明大语言模型对这类问题的求解效率远远高于图灵计算
模型。人工智能的成功本质上不是大算力“出奇迹”，而是改变了计算模型。从
理论上讲，现在还没有明确的证据表明，神经网络模型能够为 NP 完全问题提供

多项式时间的解法（只是针对某些问题实例有多项式复杂性的近似解）。AI 研
究的新近发展体现了一种趋势，放弃绝对性，拥抱不确定性，即只求近似解或满
足一定精度的解，这或许是这次 AI“意外”取得成功的深层原因。图灵机模型
和神经网络模型各有优缺点，适合于不同的计算问题。若对一个领域已经有较透
彻的理解，要求完全正确或非常精确的解，选择图灵机模型一般更合适。若对一

个领域了解不深入，问题很复杂，只求近似解，选择神经网络模型可能更合适。
需要注意，理论上有些 NP 问题求近似解仍然是 NP 困难问题。LLM 求解 NP 问
题是针对某些问题实例，而不是针对整个问题类。

2. 两种计算模型的历史性竞争
人工智能经历了 60 多年的发展，曾经两次跌入低谷，目前是兴起的第三次
浪潮。波浪式的发展始终围绕符号主义和连接主义的竞争，而背后实际上是图灵
机模型和神经网络模型的竞争。从源头上理清神经网络模型的发展脉络，有助于
我们了解它的潜力和局限性。

1936 年，图灵在《论可计算数及其在判定问题上的应用》中提出图灵机模

103
103