这次我们来看一个关于AI研究方向的讨论经典AI研究是否因为对现代AI有帮助而仍在继续这个话题在Hacker News上引发了广泛讨论核心在于探讨在深度学习和大模型LLM占据主流的今天那些非深度学习的、更“经典”的AI方法如符号推理、搜索算法、专家系统等是否还有价值以及它们如何与当前的研究范式互动。对于开发者、研究者和技术决策者来说理解这个问题至关重要。它不仅仅是学术争论更关系到技术选型、研究资源分配以及对AI未来发展的判断。本文将从技术实践的角度拆解经典AI的核心能力、与现代AI尤其是LLM的互补关系并通过实际场景分析其持续存在的价值。我们会重点关注经典AI方法在哪些具体问题上仍不可替代以及如何将它们与LLM等现代技术结合构建更强大、更可靠的系统。1. 核心能力速览经典AI vs. 现代AI在深入讨论之前我们先通过一个表格快速厘清经典AI与现代AI以LLM为代表的核心特征与能力边界。这有助于我们理解它们各自的“主场”。能力维度经典AI (符号AI、搜索、规划等)现代AI (深度学习/LLM)核心范式基于规则、逻辑、符号推理、状态空间搜索基于数据驱动、概率统计、端到端学习可解释性高。推理过程清晰步骤可追溯。低。多为“黑箱”决策依据难以精确解释。数据需求低。依赖专家知识定义规则无需海量数据。极高。依赖大规模标注或无标注数据进行训练。泛化能力弱。严格在定义好的规则和领域内工作泛化到新场景困难。强。能从数据中学习模式具备一定的零样本/少样本泛化能力。逻辑与推理强。擅长精确的逻辑演算、定理证明、规划步骤。弱。常出现逻辑错误、事实混淆幻觉。常识与知识显式。知识被明确编码为规则或知识库。隐式。知识隐含于模型参数中不精确且可能矛盾。计算特性通常确定性输入相同输出必相同。通常随机性带有温度参数相同输入可能有不同输出。典型技术专家系统、定理证明器如Prolog、A*搜索、贝叶斯网络、规划算法如STRIPSTransformer、CNN、RNN、扩散模型、大语言模型GPT、LLaMA等从这个对比可以看出两者并非简单的“新旧替代”关系而是各有所长。经典AI在需要精确性、可靠性和可解释性的场景中优势明显而现代AI在处理模糊性、从数据中学习复杂模式方面无可匹敌。2. 为什么经典AI研究仍在继续基于上述能力对比经典AI研究持续进行的原因变得清晰。它并非“古董”而是在现代AI生态中扮演着关键的补充和增强角色。2.1 解决LLM的固有缺陷幻觉与不可靠性LLM的“幻觉”问题是其落地应用的最大障碍之一。在医疗诊断、法律分析、金融交易等高风险领域一个错误的“编造”信息可能导致严重后果。经典AI方法特别是基于规则的验证系统和知识图谱推理可以用来约束和校验LLM的输出。实践思路构建一个“LLM 知识库/规则引擎”的混合系统。LLM负责理解自然语言 query 并生成初步回答或执行计划然后由规则引擎根据领域知识库对回答的逻辑一致性、事实正确性进行校验和修正。技术栈示例LangChain/LlamaIndexNeo4j知识图谱 自定义规则引擎。LLM生成Cypher查询语句从知识图谱中检索事实再结合这些事实生成最终回答大幅降低幻觉。2.2 实现复杂任务规划与分解LLM在生成连贯文本上表现出色但在解决需要多步骤、长期规划、资源分配和回溯的复杂问题上如机器人任务规划、游戏AI、业务流程自动化其表现并不稳定。经典的规划算法如PDDL规划器在这方面更为成熟可靠。实践思路使用LLM将自然语言指令翻译成规划领域定义语言如PDDL描述的问题然后交由高效的经典规划器求解最后再将规划结果解释为可执行动作。场景家庭服务机器人收到指令“帮我做一顿番茄炒蛋”。LLM将其分解并形式化为涉及“移动、拿取、开关火、翻炒”等动作和“番茄、鸡蛋、锅、油”等对象的规划问题规划器计算出最优动作序列。2.3 提供可解释性与可信保障在许多监管严格的行业如航空、自动驾驶、医疗设备算法的决策过程必须可审计、可解释。纯深度学习模型难以满足这一要求。将经典AI的符号推理作为系统的“白盒”组件可以提升整体系统的可信度。实践思路在基于视觉的缺陷检测系统中CNN负责识别潜在缺陷区域随后一个基于规则的推理系统根据缺陷的几何特征、位置、与周围元件的关系等依据明确的产品标准给出最终的分类和判定理由。2.4 数据稀缺或领域知识主导的场景在某些垂直领域如特定工业流程、古老文献分析可能没有足够的数据来训练一个有效的深度学习模型。然而该领域的专家知识却非常丰富。这时构建一个专家系统是更可行、更经济的方案。实践思路利用CLIPS、Drools等规则引擎将领域专家的经验编码成IF-THEN规则。系统可以像专家一样进行诊断或推荐且每一步推理都可追溯。2.5 作为现代AI系统的底层组件许多现代AI算法内部依然依赖经典算法。例如强化学习依赖动态规划、蒙特卡洛树搜索MCTS等经典方法进行策略评估和探索。图神经网络其消息传递机制与传统的图算法思想一脉相承。组合优化神经网络用于预测但最终的调度、路径规划仍需调用或结合经典的优化求解器如OR-Tools。3. 混合智能系统架构实践将经典AI与现代AI结合构建混合智能系统是目前最前沿也是最具实用价值的研究和应用方向。下面以一个“智能文档分析与问答系统”为例展示如何架构这样的系统。3.1 系统目标用户上传一份技术合同PDF可以用自然语言提问如“本合同中的争议解决条款约定的仲裁机构是什么”、“双方的主要义务有哪些请列出要点。” 系统需要给出准确、基于文本证据的回答。3.2 纯LLM方案的局限性如果直接将整个PDF文本扔给LLM即使通过长上下文窗口可能会面临Token长度限制与成本长文档可能超出上下文窗口或导致极高的API成本。关键信息遗漏LLM可能无法精准定位到分散在文档各处的相关信息。幻觉风险对法律条款的总结可能偏离原文或自行编造。3.3 混合架构设计我们引入经典AI中的信息检索和规则提取模块。graph TD A[用户输入自然语言问题] -- B(LLM: 问题理解与查询重写) B -- C{检索器br/经典AI/向量搜索} C -- D[相关文本片段] D -- E(LLM: 基于片段的答案生成) E -- F[初步答案] F -- G{规则引擎/校验器br/经典AI] G -- H[最终可信答案] subgraph “文档处理管道预处理” I[原始PDF] -- J(OCR/文本提取br/经典AI) J -- K[纯文本] K -- L(文本分块与索引br/经典AI) L -- M[向量索引br/元数据索引] end C -.- M步骤拆解文档预处理经典AI主导# 示例使用PyPDF2或pdfplumber进行文本提取规则明确稳定 import pdfplumber def extract_text_from_pdf(pdf_path): with pdfplumber.open(pdf_path) as pdf: full_text for page in pdf.pages: full_text page.extract_text() \n return full_text # 使用spaCy或自定义规则进行文本分块按章节、段落 import spacy nlp spacy.load(en_core_web_sm) def chunk_text_by_sentence(text, chunk_size5): doc nlp(text) sentences [sent.text for sent in doc.sents] chunks [ .join(sentences[i:ichunk_size]) for i in range(0, len(sentences), chunk_size)] return chunks索引构建结合经典与向量经典索引为每个文本块建立基于关键词、章节标题、段落号的元数据索引。向量索引使用Sentence-Bert等嵌入模型将文本块转换为向量存入FAISS或Chroma等向量数据库。问答流程混合智能查询理解用户提问 - LLM将问题重写为更利于检索的关键词或查询语句。检索结合关键词检索经典基于元数据索引和语义检索现代基于向量索引召回最相关的文本片段。这一步充分利用了经典检索的精确性和语义检索的泛化能力。答案生成将问题和检索到的文本片段一起提交给LLM要求其“根据以下上下文”生成答案。这极大限制了幻觉。答案校验可选但重要对于关键事实如日期、金额、机构名可以使用正则表达式经典规则从检索片段中直接抽取并与LLM的生成答案进行比对校验。3.4 技术栈选型参考LLM层OpenAI GPT-4/3.5、Anthropic Claude、开源模型如Llama 3、Qwen本地部署。编排框架LangChain、LlamaIndex。它们提供了连接LLM、检索器、工具链的标准接口。检索与存储Elasticsearch经典全文检索、FAISS/Chroma/Weaviate向量数据库、Neo4j知识图谱。规则引擎自定义Python逻辑、Drools、IBM ODM。文档处理pdfplumber/PyPDF2PDF、TesseractOCR、spaCy/NLTKNLP预处理。4. 经典AI研究的现代演进方向经典AI并未停滞而是在与机器学习融合中进化。以下是一些活跃的研究方向神经符号人工智能这是核心交叉领域。旨在构建既拥有神经网络的学习能力又具备符号系统的推理和可解释性的模型。例如让神经网络学习如何生成符号规则或用符号逻辑来指导神经网络的训练。可微推理将逻辑推理过程如知识图谱推理设计成可微分的计算模块使其能够嵌入到深度学习模型中进行端到端训练。基于模型的强化学习虽然RL属于现代AI但其“模型”部分——对环境动力学进行建模——常使用经典的概率图模型或规划算法与无模型RL结合以提高样本效率。算法推理训练神经网络来模拟经典算法的执行过程例如学习排序、搜索或动态规划使网络能够解决训练分布之外、更大规模的同类问题。5. 对开发者与研究者的启示不要非此即彼现代AI尤其是LLM是强大的工具但非万能。在构建生产级系统时应首先分析问题本质是否需要精确推理、可解释性、或在数据稀缺下工作如果是经典AI方法可能是更好的起点或必要补充。掌握“胶水”技能未来最有价值的技能之一是懂得如何将不同的AI范式神经的、符号的、搜索的像乐高积木一样组合起来解决复杂问题。熟悉LangChain这类编排工具是一个好的开始。重视基础理解搜索算法A*、规划STRIPS、逻辑编程Prolog、知识表示等经典AI概念不会过时。这些知识能帮助你理解混合系统的底层原理并设计出更优雅的架构。关注工具链关注那些致力于桥接符号与子符号AI的工具和库如PyReason、DeepProbLog、TensorLog等。6. 总结回到最初的问题“经典AI研究是否因为对现代AI有帮助而仍在继续” 答案是肯定的而且这种“帮助”不是边缘化的修补而是深层次的互补与增强。经典AI研究仍在继续因为它解决了现代AI特别是数据驱动的深度学习的阿喀琉斯之踵不可靠性、不可解释性、对数据的过度依赖以及在复杂推理上的不足。在追求通用人工智能的道路上将神经网络的感知与学习能力与符号系统的推理与知识能力相结合已成为一条公认的重要路径。对于实践者而言这意味着技术选型时多了一个维度。下次当你面对一个难题时可以问自己这个问题中哪些部分适合用LLM的模糊匹配和生成能力哪些部分又必须依赖经典方法的精确规则和确定性逻辑答案往往是一个混合系统。在这个混合智能的时代最强大的系统将是那些能巧妙融合经典与现代AI智慧的结晶。