张钹院士追问：地基牢不牢？少数派

在中国人工智能的群星里，有一位近乎"活化石"般的存在——1958 年从清华大学自动控制系毕业、就此投身这个领域，六十多年从未离开，1995年当选中国科学院院士，如今已是九十高龄，仍在思考人工智能最根本的问题。他就是张钹院士。

当整个世界都在为大模型的惊人能力欢呼、为参数的规模竞赛狂热时，这位中国 AI 的奠基人，却始终保持着一种罕见的冷静。他反复提醒人们：今天的人工智能，我们其实"不知道它为什么行，也不知道它为什么会胡说八道";我们正把 AI，建在一个没有理论、不可解释、不安全的地基之上。而他毕生、尤其是晚年最重要的工作——"第三代人工智能"——正是要为这座越盖越高的大楼，补上那个缺失已久的地基。

本文想系统地梳理张钹院士的 AI 洞见。我想论证一个核心判断：在这个人人追逐 AI'能力'的时代，张钹院士毕生追问的，是一个更根本、也更少人愿意面对的问题——AI 的'地基'牢不牢?他不是这场狂欢的泼冷水者，而是这个领域最清醒的'地基质检员'与'寻基人'。理解了他，你就理解了中国 AI 最深沉、也最清醒的那一脉思想。

一、为什么是张钹院士：一位"寻找地基"的奠基人

在这一轮 AI 浪潮里，绝大多数声音都在谈"能力"——模型能多强、能做多少事、离 AGI 还有多远。而张钹院士的独特，在于他几乎是唯一一个,始终把目光投向"能力"底下那个更根本问题的人：这些能力，究竟建立在什么之上?它可靠吗?我们真的懂它吗?

这个视角的稀缺，源于他的身份——他是奠基人。一个奠基人看一栋大楼，本能地不会只看它盖得多高、多华丽，而会去看它的地基牢不牢、承重结构稳不稳。张钹院士看人工智能，正是这样一种'奠基人的目光':当别人惊叹于大模型这栋大楼的巍峨时，他俯下身，去检查它脚下的地基——然后忧心忡忡地指出，这地基，其实还很不牢固。

所以，为什么是张钹院士?因为在一个'唯能力论'甚嚣尘上的时代，他代表了一种最根本、也最容易被浮华遮蔽的清醒——对'根基'的追问。科学的成熟，从来不只体现在能做出多惊艳的东西，更体现在能不能说清"它为什么行"。而张钹院士，就是那个在所有人只顾往上盖楼时，固执地蹲下来、追问地基的人。理解了这个"寻找地基"的坐标，才能理解他一生的工作——从早年的智能机器人，到晚年的"第三代人工智能",他做的其实是同一件事：为人工智能，寻找那个能让它行稳致远的、坚实的地基。

二、他的来路：一位跨越六十余年的拓荒者

要理解张钹院士的分量，先要理解他这一路走了多远——因为他几乎与中国人工智能的整部历史同龄。

张钹院士 1935 年出生，1958 年毕业于清华大学自动控制系，此后便留校任教，一直到今天。这意味着，中国人工智能从荒芜到繁盛的六十多年，他不是旁观者，而是从第一天就在场的拓荒者。1985 年，他破格晋升教授，同年主持成立清华大学智能机器人实验室；1987 年，在此基础上筹建智能技术与系统国家重点实验室，并入选国家"863"计划智能机器人主题专家组。1995 年，他当选中国科学院院士。他还是清华大学人工智能研究院的首任院长，数十年间培养了 80 多名博士——中国 AI 的许多中坚力量，都出自他的门下。他获得过 CCF 终身成就奖、吴文俊人工智能最高成就奖，是这个领域公认的泰斗。

但比头衔更能定义他的，是一句朴素的话——"我搞人工智能，是为了让人类更幸福。"这句话，藏着理解他全部思想的人文底色。正因为他心里装着'人的幸福',他才不会被 AI 的'能力'冲昏头脑，才会格外在意 AI 是不是'安全、可信、可控'——因为一个不可控、会伤害人的 AI，无论多强，都背离了他做这件事的初心。

这段跨越六十余年的来路，给了张钹院士一种独特的'历史纵深感'。他见过符号主义 AI 的兴衰，见过神经网络的几起几落，见过太多"这次一定能实现 AGI"的乐观又落空。正因为见得太多、走得太远，他才不会把任何一次技术的高光，误认为终点;也才有资格，对当下的大模型狂热，说出那句冷静的提醒。他的清醒，是六十年拓荒淬炼出的清醒。

三、他毕生的追问：AI 的"地基"牢不牢

如果要用一个问题，串起张钹院士六十多年的思考，那就是——人工智能，凭什么可靠?这个追问，贯穿了他的一生。做智能机器人时，他就在想：机器的决策，凭什么可信?深度学习兴起后，他更是尖锐地追问：一个我们说不清"为什么行"的黑箱，我们凭什么把重要的事交给它?在他看来，一项技术如果只是'碰巧能用'、却说不清'为什么能用',那它就是不成熟的、危险的——因为你不知道它什么时候、会以什么方式失灵。

这就是理解张钹院士的钥匙:他关心的从来不是'AI 能不能做到',而是'AI 做到了，我们懂不懂它为什么能做到、它可不可靠'。这是一个奠基人、一个真正的科学家，最本能的追问——因为科学与"手艺"的区别，恰恰在于科学要回答"为什么"，而不只是"怎么做到"。

而当他用这个追问，去审视今天最耀眼的大模型时，他得出的结论，既清醒又令人不安。这，就是他第一个、也是最著名的洞见。

四、第一个洞见：今天的 AI，是"知其然不知其所以然"的空中楼阁

张钹院士对深度学习与大模型的判断，极其清醒，也极其尖锐——纯粹靠数据驱动的人工智能，必然是不可解释、不可靠、不鲁棒、也不安全的。他的逻辑很硬。今天的深度学习，本质是用神经网络去拟合海量数据里的统计规律——它能给出惊艳的结果，但它给出结果的过程，是一个我们看不透的'黑箱'。你不知道它为什么这么判断，也就无法保证它下一次不会出错、不会被欺骗。他甚至发出过振聋发聩的警告——"我们正处在 AI 算法不可控的危险状态。"在他看来，即便当下机器的智能还不高，但这种"算法本身不可控"的性质，就足以让人类置身于潜在的危险之中。

而大模型的"幻觉",正是这个判断最鲜活的印证。张钹院士敏锐地抓住了大模型一个最吊诡的现象：它既能生成非常好的结果，又会一本正经地'胡说八道'(幻觉)——而更要命的是，这个现象'根本不清楚'。我们既不知道它为什么能对，也不知道它为什么会错。这，就是'知其然不知其所以然'的空中楼阁——大楼盖得很高、很漂亮，可我们连它为什么能立住、又为什么会突然裂缝，都说不清楚。

所以张钹院士的判断是:基于深度学习的这一代人工智能，在技术上其实已经触及了天花板——因为一个建立在'不可解释、不可靠'地基上的技术，无论怎么把它做大，都无法真正做到安全可信，也就无法真正被托付重任。这不是否定大模型的能力，而是指出它脚下那个致命的、被狂欢所掩盖的裂缝。而指出裂缝，只是第一步——张钹院士真正的贡献，是他给出了'如何补上地基'的答案。这，就是'第三代人工智能'。

五、第三代人工智能——把"知识"与"数据"缝合起来

张钹院士最核心、也最系统的贡献，是他提出的"第三代人工智能"理论。这是他为 AI 那个不牢固的地基，开出的药方，也是理解他全部思想的心脏。

要理解它，先要理解他对 AI 历史的划分。在张钹院士看来，人工智能走过了两代，各有其致命的偏科：

第一代人工智能，是"知识驱动"的。它以符号、逻辑、专家系统为代表，靠人把知识和规则"教"给机器。它的优点是可解释——你清楚它为什么这么判断;但它的死穴是不会自主学习，脆弱、笨拙，一出规则之外就抓瞎。

第二代人工智能，是"数据驱动"的。它以深度学习为代表，靠机器从海量数据里自己学。它的优点是强大、会学习;但它的死穴，正如前面所说——不可解释、不可靠、不安全。

张钹院士的洞见，石破天惊却又朴素至极:第一代'可解释但不会学',第二代'会学但不可信'——两代各偏一科，各有致命短板。那么出路，必然是把两者'缝合'起来。这就是第三代人工智能：知识驱动与数据驱动的融合——让 AI 既能像第二代那样从数据中强大地学习，又能像第一代那样，用知识去约束、解释、保证它的可靠。他进一步把它落实为"知识、数据、算法、算力"四个要素的融合，并为它立下了一个清晰而崇高的技术目标——做出安全、可信、可控、可靠、可扩展的人工智能。

这个洞见的深刻，在于它一针见血地指出了 AI 的病根与药方。病根是"偏科"——单靠数据(第二代)，注定不可信;药方是"融合"——把人类几千年沉淀的知识(可解释、可信)，与机器强大的学习能力(数据驱动)结合起来，让它们互相取长补短。知识为数据的狂野套上'可解释、可信'的缰绳，数据为知识的僵化注入'会学习'的活力——这一缰一活之间，才可能长出真正安全可信的智能。而张钹院士判断，通用人工智能(AGI)，正是第三代人工智能的发展方向——只有走通了"知识+数据"的融合之路，才可能抵达那个既强大、又可靠的通用智能。这，是一位九十岁的奠基人，为整个领域指出的那条'补地基'的正道。

六、更深的洞见：真正的问题，是 AI"没有理论"

如果说"第三代人工智能"是张钹院士的药方，那么在药方之下，还有一个更深、更本质的洞见——今天人工智能真正的问题，是它至今'没有理论'。

这是一个奠基人才会有的执念。张钹院士反复强调："人工智能当前面临的问题，就出在到现在为止，没有理论支持。"——今天的深度学习、大模型，更像是一门"手艺"、一种"炼金术"：我们靠不断试错、调参、堆数据，"炼"出了强大的模型，却始终说不清它内在的原理。而没有理论支撑的技术，就像一个不懂化学、只会凭经验配药的炼金术士——他可能碰巧炼出好东西，但他无法保证、无法解释、也无法可靠地重复。

但张钹院士并不悲观，反而在这里展现了他作为奠基人最动人的一面——他认为，机遇恰恰来了。他有一个极富洞察的判断：在 ChatGPT 出现之前，建立人工智能理论的可能性并不存在;而现在，这种可能性出现了。为什么?因为大模型第一次以如此强大、如此普遍的方式,把"智能"这个现象摆在了我们面前，只要我们能真正搞清楚 ChatGPT 内部到底是怎么工作的、它为什么行、又为什么会幻觉，我们就能找到进入人工智能理论的那把钥匙。他甚至乐观地预判，人工智能的通用理论即将形成。

这个洞见的分量在于:它把大模型的意义，从'一个更强的工具',提升到了'一个前所未有的科学研究对象'。在张钹院士眼里，大模型最大的价值，也许不是它能写文章、能编程，而是它第一次为人类提供了一个"活的智能样本",让我们有机会去揭开智能的原理、建立真正的理论。这是一个奠基人最深沉的关怀——他念兹在兹的，从来不是'把 AI 用得更爽',而是'把 AI 搞明白'。因为他深知，只有搞明白了'为什么',人类才能真正掌控这项技术，才能让它安全地'为人类的幸福'服务。这，是他一生追问'地基'的终极落点——为 AI，建立它缺失已久的理论根基。

七、对企业与现实的意义：可信，才是 AI 落地的命门

张钹院士的洞见，看似"形而上",实则直指当下企业 AI 落地最痛的那个点——可信。

今天的企业，为什么在轰轰烈烈地拥抱 AI 的同时，又对把核心业务真正交给大模型充满犹豫?答案，正是张钹院士早就点破的那个词——'幻觉'。一个会一本正经胡说八道、且"根本不清楚为什么"的模型，你敢让它去做医疗诊断、去出具法律意见、去控制生产线吗?在需要对结果负责的严肃场景里，'不可信',就是 AI 落地最大的、也最根本的障碍。

而张钹院士的'第三代人工智能'——知识与数据的融合——恰恰是这个障碍的解药。这与产业界正在发生的实践惊人地一致：2026 年，企业 AI 的竞争，已经从"模型参数之争"，转向了"场景落地之争"——用通用大模型解决"广度"、用融入了行业知识的垂直智能体解决"深度"，正是为了驯服幻觉、构建可信的 AI。这不就是张钹院士'知识+数据'融合思想的产业落地吗?通用大模型提供数据驱动的'广度与能力',行业知识提供知识驱动的'约束与可信'——二者结合，才有企业敢用的、可信的 AI。

这也呼应了我们此前写过的一系列洞见:周明强调企业 AI 的'结构约束'(合规、可信、责任)不会因模型变强而消失;李培根院士强调 AI 赋能工业'既要追速度更要重实效';他们和张钹院士，指向的是同一个朴素的真理——对企业而言，AI 最珍贵的品质，不是它有多聪明、多惊艳，而是它可不可信、可不可控、能不能真正负起责任。在这个意义上，张钹院士为 AI 寻找的那个"安全可信可控"的地基，恰恰就是企业 AI 转型真正的命门所在。

八、跨界对标：张钹院士，是"知识+数据"这一中国学派的总纲

要精准定位张钹院士，最好把他放进更大的坐标系里——你会发现，他不是一个孤立的思想者，而是中国 AI 一整脉思想的"总纲"与"精神源头"。

他是"知识+数据融合"这一中国学派的思想总纲。回看我们此前写过的许多中国 AI 大家，你会惊讶地发现，他们的核心主张，几乎都可以被收进张钹院士"第三代人工智能"的框架里：唐杰讲"认知智能 = 大模型 + 知识",这不就是"数据驱动 + 知识驱动"吗?周志华院士的"反绎学习",是"数据的机器学习 + 知识的逻辑推理"的结合;朱松纯讲机器要有"常识与因果",马毅讲要"白盒、可解释"——他们从不同的方向出发，最终都汇向了张钹院士早已指明的那条路:单靠数据不够，必须融入知识、追求可解释与可信。在这个意义上，张钹院士是这一整代中国 AI 学者的'精神教父'——他用"第三代人工智能"这个框架，为中国 AI 那条'不盲从纯数据驱动、坚持知识与可信'的独特道路，立下了总纲。

他与哲学家多伊奇、与马毅，在'为什么'上同源。多伊奇说真正的知识是"好的解释"而非归纳，马毅追求"白盒"而反对黑箱——他们与张钹院士"追问 AI 为什么行、要可解释理论"的精神，是同一种对"知其所以然"的执着。

而他真正的对照面，是这个时代的'唯规模论'信仰派。以"把大模型做得更大就能通向 AGI"为信念的一派，坚信能力会随规模自然涌现。张钹院士不是他们的敌人，而是最深刻的'制衡':信仰派负责把'数据驱动'这条路推向极致，而张钹院士这样的奠基人，则冷静地提醒——光靠这条路，你到不了'可信',也建不起'理论';不补上'知识'与'理论'这块地基，大楼盖得越高，越危险。

必须诚实指出这组对标的边界:说张钹院士是"总纲",是就"思想方向的奠基与统摄"而言，并非说后来者都只是他的注脚——唐杰、周志华院士、朱松纯们各有极其原创的贡献。把他立为总纲，是为了看清中国 AI 这一脉'知识+数据、追求可信'思想的源与流，而非抹杀后来者的创造。

九、理论的裂缝：宏伟的纲领，与未竟的工程

思想诚实，要求我们把张钹院士这套宏伟理论的真实处境，也诚实地摆出来。

第一道裂缝:"第三代人工智能"是一个方向宏伟、却尚未完全走通的纲领。"知识与数据融合"的大方向无比正确，但"具体怎么融合"——如何让符号知识与神经网络真正、高效地结合起来——在工程上依然是世界级的难题，至今没有一个公认成功的范式。指出病根(偏科)和开出药方(融合)是伟大的，但把药方真正'配制'出来、并证明它有效，仍是一条漫长的路。