任何事物只有放在它所存在的环境中，才能准确理解它的本质。

　　今天，大数据、人工智能等概念由于商业炒作等多方面的原因，已经变得模糊不清了。许多具体的技术也被罩上了夺目的光环，或有意被赋予了能够引发奇妙想象的名字，如“深度学习”。

　　下面，我们来看一下信息技术产业中的不同要素，在从科学到应用的这个链条上，各自处于什么样的位置。为了不陷入不必要的细节而又能揭示本质，我们将这个链条分为五个环节：科学原理，基础共性技术，具体应用技术，基础系统原理/技术及具体应用系统，见图1。

图1 从科学原理到应用系统，图片来源：作者供图，下同

　　科学原理是对基本运动规律的认识总结，而技术是对规律的运用。所以新的科学原理的提出，常常会对社会产生深刻而广泛的影响。正因为科学原理的意义如此之大，所以“科学”也常常被盗用。许多技术性的产出，也被带上了“科学”这个帽子。在计算机领域，图灵机与计算复杂性理论基本上属于科学原理这个范畴。也正因为如此，计算机才被冠以了“科学”的称谓。

　　从根本上看，人工智能热潮在90年代的冷却，是因为人们在人工智能领域经过了几十年的努力，没有能够理解一般意义上的智能过程的本质，因而也就没有能够取得科学意义上的原理性突破，在理论上抽象出类似数字基本计算那样的基本智能操作，用以支撑更为高级复杂的智能过程。所以人工智能领域的产出，虽然丰富而且影响巨大，但是却始终没有达到科学原理的高度。

　　其实，用智能体这个概念整合与人工智能相关的技术方法，也是没有办法的办法，显示出了这个领域的一种无奈的现实：只有实用的一些具体技术方法，缺少科学原理或基础共性技术的支撑，也没有基础性系统级的有效理论。这些年被热捧的“深度学习”，也是这个层面的技术。

　　“深度学习”这个概念包括了深度信念网络、卷积神经网络、循环与递归网络等多种不同的具体网络模型与相应的算法，用来解决不同类型的问题。它们实际上是借助计算机的“暴力”计算能力，用大规模的、含有高达千万以上的可调参数的非线性人工神经网络，使用特定的“学习/训练”算法，通过对大量样本的统计处理，调整这些参数，实现非线性拟合（变换），从而实现对输入数据特征的提取与后续的分类等功能。

　　它是解决特定类型问题的一些具体的方法，而不是具有像人那样的一般意义上的学习的能力，尽管这个名字确实引发了许多不了解这个技术的人的这方面的想象。其实，信息技术领域内的绝大部分技术，基本都属于这个层面，包括与大数据相关的技术，而且它们也都属于辅助智能性质的技术。所以，大数据、人工智能与其它的技术彼此的界限日益模糊。

　　这些具体的实用性技术，包括“深度学习”（人工神经网络），常常是实验性技术，在应用于一个新的具体问题之前，我们无法确定它是否能够有效地解决这个问题，或者能够将问题解决到什么程度。