朱松纯：一位AI哲人的归途与通用智能的中国蓝图

TL;DR：

朱松纯，这位曾在美国顶尖AI实验室执掌牛耳的华人科学家，于2020年毅然决然地踏上归途。他带着对传统深度学习范式的深刻质疑，在中国开启了一场“小数据，大任务”的通用人工智能探索，其独特的哲学思考和认知架构理念，不仅深刻影响着中国AI的未来走向，也为全球AI竞争注入了新的思想维度。

2020年，当世界在新冠疫情的阴影下摇摆不定时，人工智能领域却悄然发生了一场足以改写未来格局的“人才迁徙”。彼时，在太平洋彼岸的洛杉矶，朱松纯，这位享誉全球的AI科学家，在生命中的一半时光都献给了美国之后，毅然决然地买了一张单程票，飞往中国北京。他的离去，令美国人工智能学界震惊、不解，也让无数人追问：究竟是何种力量，促使一位在西方功成名就的顶尖学者，做出如此出人意料的抉择？“我必须这么做。”朱松纯的回答，简洁而有力，其背后，是一个科学家半生的求索、对智慧本质的深刻洞察，以及对时代洪流中个人使命的坚定回应。

童年印记与智慧之源：一位求索者的起点

朱松纯的故事，始于中国20世纪70年代初的鄂州农村。他并非含着金汤匙出生，童年时期，死亡的阴影屡屡笼罩，亲友因疾病离世，自杀的故事不绝于耳。“那真的很艰难，那时人们太穷了。”他回忆道。年幼的朱松纯，开始对人逝去后留下的“空洞”产生着迷。当他翻阅家族谱系，发现先辈们除了生卒日期，竟无任何生平记录时，内心被一种巨大的恐惧攫住——他绝不愿自己的人生也如此悄无声息。这种对生命意义和“存在痕迹”的追问，在他心中埋下了寻求“万物理论”的种子，而这颗种子，最终在人工智能的土壤中生根发芽。

夜晚，在父亲经营的村供销社附近，烛光与煤油灯下，教师、牧师和大学毕业生们常常围坐一堂，从苏联在阿富汗的局势到美国大选，无所不谈。年幼的朱松纯，就这样沉浸在思想的激荡中，汲取着对中国乃至世界的理解。他很早就清楚，自己不属于那个小小的乡村。他以优异的成绩考入中国科学技术大学，主修计算机科学，梦想着能像物理学家绘制宇宙图谱一样，精确描绘心智的图谱——人类如何思考、推理和进行道德判断。对彼时的他而言，构建通用人工智能并非终点，而是为心智发现“万物理论”这一更深层追求的一部分¹。

漂洋过海的“灯塔”梦：美国的吸引与初次幻灭

1992年，朱松纯的命运迎来转折。贫寒家境曾让他一度不敢申请美国顶尖大学。但在一位教授的鼓励下，他尝试着向哈佛大学投递了申请，甚至没有支付申请费。出人意料的是，菲尔兹奖得主、著名数学家大卫·芒福德（David Mumford）看到了他的材料。芒福德被这位来自中国腹地的年轻人所提出的“关于智能的万物理论”所震撼，并成为他的导师，帮助他获得了哈佛的全额资助。“这改变了我的一生。”朱松纯说¹。在他眼中，哈佛是那个理想的“科学圣殿”，一个将智慧和雄心置于种族、意识形态之上的国度。

然而，这种理想主义的滤镜，在1997年他离开哈佛、来到斯坦福担任讲师时，遭遇了第一次“文化冲击”。彼时，湾区正被互联网泡沫的狂热所席卷，拉里·佩奇和谢尔盖·布林刚刚创立Google。学生们蜂拥而至地学习网络开发，而朱松纯开设的更偏理论的模式识别课程却门可罗雀。他感到沮丧：“在哈佛，大家关心的是理解。他们的校徽是三本书。但在斯坦福，它的校徽——一棵树后面一个‘S’——在我看来，就像一个美元符号。”¹ 在斯坦福仅一年后，他转至俄亥俄州立大学，最终于2002年定居加州大学洛杉矶分校（UCLA），并于次年斩获计算机视觉领域的最高奖——马尔奖。

理念分歧与范式之争：AI“主流”的背离之路

在UCLA的18年，朱松纯曾是人工智能主流中的领军人物。2004年，他与微软高管在家乡鄂州创办“莲花山研究院”，是最早尝试构建大规模数据集以训练AI系统的项目之一。彼时，他与被称为“人工智能教父”的杰弗里·辛顿（Geoffrey Hinton）、约书亚·本吉奥（Yoshua Bengio）、扬·勒昆（Yann LeCun）等人的理念尚有交集——都认为数据驱动是让机器理解世界的关键。

然而，到2009年，朱松纯开始对这种“数据驱动”方法产生深刻的幻灭。即使在莲花山研究院标注了50多万张图像，他仍困惑于一个基本问题：图像的标注往往依赖于研究者希望机器完成的特定任务，带有任意性。他认为，真正可泛化的智能必须能够“超越数据去思考”——能够理解“为什么”人们会说出这些话，而非仅仅是“如何”说。他毅然关闭研究院，转而探索构建具有“认知架构”的智能体，追求在物理与社会环境中，以极少的资料进行推理、规划与进化¹。

他选择的时机，却“糟糕透顶”。几乎在同一时间，李飞飞发布了ImageNet，一个更大规模、更具影响力的图像数据集。2012年，辛顿团队的神經網路在ImageNet競賽中大獲全勝，一举奠定了神经网络的主导地位，开启了至今仍波澜壮阔的深度学习时代。

朱松纯与神经网络学派的公开冲突，也在2012年达到了顶点。当时他作为顶级计算机视觉会议CVPR的大会主席，拒收了一篇由勒昆合著的涉及神经网络的论文。即便到今天，朱松纯仍坚持当时的判断：“那篇论文的理论工作不够严谨……得说清楚你到底在做什么。它好在哪里？”¹ 这种质疑直指他对神经网络的核心疑虑：尽管其在众多任务中表现卓越，但其原理难以解释，导致一种“为追求性能不惜一切代价”的自满文化。他坚信，一个更完善的系统应是结构性、可靠且可解释的。

在深度学习的“淘金热”席卷全球之时，朱松纯却走上了一条孤独的道路。他转向研读哲学，认为儒家学者“对世界的理解比人工智能研究者深刻得多”。他埋首于自己的认知架构理论，甚至在指导学生时，将“神经网络”、“深度学习”、“Transformer”等词汇列为“禁忌”。一位曾师从朱松纯的博士生回忆，自己曾因论文中暗含神经网络内容而遭到朱松纯的多次斥责。这种近乎偏执的坚持，源于他一旦确立了某种愿景，就会极其坚定地认为自己是对的¹。

重归故土：一次时代的召唤与个人的抉择

朱松纯的理念在美国日益边缘化，而更宏观的背景是，美国对华裔科学家的整体环境也变得日益不友好。2018年，美国司法部启动了“中国计划”，虽被批评者指责为种族定性，但超过100名华裔教授因此遭到调查。当朱松纯在2018年底因接收华为的15万美元资助而受到媒体询问时，他无奈地表示：“目前，中美关系很糟糕，我们被夹在中间了。”¹ 川普时代的政策，无疑改变了许多华裔科学家与美国的关系，越来越多的学者选择回国。

正是在这样的内外双重压力和智识疏离下，朱松纯做出了那个让所有人意外的决定。他哈佛时期的同学、20年老友马克·尼茨伯格（Mark Nitzberg）曾问他：“你确定要这样吗？”朱松纯的回答，揭示了他回归的深层动力：

“他们给了我在美国永远得不到的资源。如果我想要建造我脑海中的这个系统，那这是千载难逢的机会。我必须去做。”¹

这份“千载难逢的机会”，指的是中国政府为他提供的顶尖学术职位和充裕的科研资源，让他能够领导北京通用人工智能研究院，以及在北京大学和清华大学任教。在宁静而富有东方哲学韵味的未名湖畔四合院办公室里，他得以远离喧嚣，专注于他所信仰的“小数据，大任务”的通用人工智能之路。他告诉记者，考虑到川普第二届政府可能带来的影响，他当时的离职如今看来是多么有先见之明¹。这不仅是个人的选择，更是时代大潮下的顺势而为。

“朱氏AI”的蓝图：通通与通用智能的中国路径

回到中国后，朱松纯成为中国政府在人工智能技术方面的核心顾问之一，他的理念深刻影响着本科课程设计和政策制定²。他所倡导的“小数据，大任务”方法，与美国主流公司如OpenAI、Meta等依赖“巨量数据，小任务”的神经网络范式形成鲜明对比。朱松纯坚信，真正智慧的标志是能够以最少的输入进行推理并实现目标，而不仅仅是基于海量数据发现模式。他认为，AGI的特征包括在新情境下的机智、社会和物理直觉以及因果关系的理解，这是大型语言模型永远无法达到的¹。

在北京通用人工智能研究院，朱松纯正努力将这一愿景变为现实。他们的团队发布了一个名为“通通”（TongTong）的虚拟人形儿童机器人，旨在具备大多数AI所缺乏的常识性直觉。它模仿三到四岁儿童的认知和情感能力，甚至能像孩子一样，用垫子垫高自己去够取遥控器，或与同伴协作寻找玩具——而这正是ChatGPT等大型语言模型难以克服的弱点¹。这种“具身智能”的探索，将AI嵌入现实环境，使其能够与自然环境互动并发展，与美国公司专注于大型统计模型有所不同³。

尽管OpenAI在2022年推出ChatGPT，震惊了中国科技界，但朱松纯却毫不动摇。他坚持认为，大语言模型“仍然无法”达到通用人工智能的标准，因为它们并不“具备理解或与人类价值价值观对齐的能力”¹。在他看来，中国要在AI竞争中胜出，必须走原创的技术路线，培养大量具有国际视野和家国情怀的AI顶尖人才⁴。这种“价值驱动”的通用AI，被设想为“智慧社会的运作模式”和社会治理的工具³。

影响深远：在中美AI竞逐中的一个缩影

朱松纯的回归，是中美AI人才流动的一个缩影，也是全球AI竞赛中“理念与范式之争”的具体体现²。在计算资源受限、美国制裁加剧的背景下，中国选择资助多种AGI路径，朱松纯的“小数据，大任务”正为中国AI发展提供了一条独特的原创路线。他的故事揭示了，地缘政治的紧张、个人学术理念的坚持以及对国家未来发展的使命感，共同促成了这场高科技人才的逆流。

在中美两国都在为实现通用AI投入巨量资源的今天，朱松纯以其独到的哲学思考和对认知架构的执着，正带领团队探索一条不同的道路。他不仅是一位科学家，更是一位在时代风口浪尖上，以个人抉择深刻影响行业走向的思想者。他的归途，不只是个人的终点，更可能是中国乃至全球AI发展版图上的一个新起点。

引用

• 朱松纯
• 人工智能科学家
• 通用人工智能
• 中美AI竞争
• 认知架构
• 人才回流
• 哲学思考
• 深度学习批判