如何理解自主智能（Autonomous Intelligence）的概念？

自主（Autonomous）这个词具有丰富的内涵，不同学科背景的人在理解上也有差异，大致上来说，可以粗略的认为自主是人工智能高级阶段最重要的体现之一。衡量一个系统是否具有智能，首先就是看它是否能像人类一样具有自主能力，对单体而言，这种自主能力至少应包括主动感知、自主决策、自我执行能力，对群体而言，应具备多体协同或人机共融的特点。

这一思想也在图灵测试中体现，图灵测试本质上是个黑盒测试，不关心智能的达成路径，而是关心最终做出来的智能系统的表观行为。如果最终做出来的智能系统能够跟人一样自如的思考和交互，则认为该系统具有像人一样的智能。事实上，这种黑盒观点只能说是个形象的类比和解释，还是有点不严谨，具有跟人一样的表观行为并不一定需要智能，一个高级的智能系统，必具有自主能力，就像人一样，遇事都不能主动收集各方信息完成综合决策谈何自主？但广义的自主并不一定需要智能，比如对许多低等生物而言，生物应激性引导下的趋利避害行为也算是一种自主，但其中我们感兴趣的智能比重其实很低，甚至是归入一个简单的输入（外界刺激）和输出（动作与行为）之间的映射，即使是在今天热门的深度学习领域，端到端学习也没有逃脱这一思路，这种简单的端到端映射是不是归入智能应有待商榷，至少不应视为高级的智能，只不过在过去即使是这些低层次的行为也很难通过机器人等人工产物重现，换句话来讲，我们做不出一台具有类似行为的智能装置，例如昆虫可以在充满障碍和孔洞的环境中灵活运动，即使是今天我们要做一个人造物，重现昆虫的这种能力还是很有挑战的，人类对自己还没有掌握的领域通常会冠之以复杂、智能等名词，类似的，这些研究也被通俗的归入某种智能控制例如仿生智能，但是我们的心里其实也清楚，我们一般不认可昆虫具有智能，那模仿昆虫行为的智能装置看上去很有意思，也很有趣，但也不宜称其具有智能。不过总体上，智能和非智能的边界至少在生物界是模糊的，我们也没必要深究或争论。但是自主这个术语可以较好的涵盖这些初等的有争议的智能，毕竟没有这些初等的看上去像有“智能”的表观行为和内在控制，我们高级别的人工智能目标和系统就难以实现。

因此，自主这个术语，除了表达目标、表观之外，本质上还隐含着强烈的系统观，即重视整体，特别强调整体的智能表现而不仅仅是某个局部。此外，这种系统观在实践中也隐含着多层次上的要求，例如为了实现自主，相关的技术类研究与开发需要涵盖从底层的硬件、本体，中层的感知、控制、通信到高层的智能交互、决策与协同等全部层次和环节，这对打破学科边界、促进和贯彻“人工智能+”是很有帮助的。

与目前一些学者以学科或技术方向来划分人工智能的研究领域不同，自主体现的是对智能目标的追求，自然也应该包括对智能产生机理、智能行为模拟、智能算法与应用等研究内容，它本身是高度开放的，类似于图灵测试，它只陈述了要追求的目标（即“自主智能”），而不限定学科、方法和技术路线，从物理、生物、材料、机械、电子、通信、控制、数学、计算机、医学等各个领域都可以加入。而目前其他一些AI研究领域，如偏重知识工程的智能、大数据驱动的智能、偏重认知的智能和脑科学等，或者更加具体的深度学习、图像处理和机器视觉等，都是从一个较为具体的领域或方面探索人工智能，这与自主智能规定目标而不规定具体技术路线是有较大区别的。特别是一些领域，以从数据中挖掘中知识（或建模）并基于模型来进行预测或分类等，已经形成了一套方法（突出体现为现在的机器学习领域），并且在实际中确实获得了组多成功应用，但最多只能算是向人工智能大目标进军过程中的一个阶段，更多是应视为AI领域的一部分，而不能将其等同于AI。

自主智能研究的成果体现为各种具有自主能力的智能装置与系统。这些装置与系统可以是有形的，如机器人、无人车，也可以是无形的，如具有搜索和收集信息能力并进行自我决策的智能软件（不妨统称为自主智能体），例如与医生和设备进行交互，从与医生的交互中进行学习并能自我提高准确度的医学影像处理软件。它们的具体形态是次要的，是否具有主动感知、自主决策、自我执行能力是重要的。所以，尽管自主智能是AI领域目前公认的方向之一，但它却是目前AI领域中比较能体现AI目标的一个方向。相比较而言，大数据驱动的智能、机器学习等，更多的是基于数据做事情，重点仍然是数据中隐含信息的挖掘，虽然在近期工程实践上很有用，但更多的是为实现自主目标提供基础的算法，彼此定位和所解决问题的层面不同。当然，也有人辩称机器学习领域的目标是要做出像人一样的通用智能，但至少今天的大部分机器学习的教材和课本所讲述的内容还是主要与数据和学习有关，在如何达成这一目标上尚不清晰还有待探索和研究。因此，我们更倾向于把今天的学习（包括机器学习）看作是通向和达成智能目标的一条路径而不是全部，尤其不能认为认为机器学习等同于AI。