学术界和工业界在人工智能研究上，适宜有不同的分工：把对“性能”的追求交给工业界，学术界不必过多地关注“性能”，因为模型性能提高那么几个点，对于学术界并没有多大的意义，仅仅是发表几篇论文的话，对不起这么巨大的投入。当然，我们培养了人才，人才是无价的，但是不用花这么多成本也可以培养优秀人才。
把对性能的追求交给工业界，那么学术界做什么呢？回到本源，做学术界该做的工作：“探路”、“思考未来”。只要是全新的探索，成功了可以指出新的道路，即便不成功，也可以指出此路不通，都是有巨大意义的。 一条道路探明之后，进一步的改进和提升就交给工业界。
“推理 学习”的难题
开头我们说到，人工智能技术发挥作用要有算法、算力和数据三大要素，未来是不是还这样呢？要不要往里面加东西？这是我们现在要思考的。
疫情期间我们跟合作者，包括公司企业和医学专家，一起做了一点事，做的人工智能疫情分析推演模型为相关部门疫情防控决策做了一点微小的辅助。这个工作中大量使用了机器学习技术，但是仅有机器学习够不够？不够！我们使用了很多高水平医学专家、病毒专家的知识。我们深深体会到，如果机器学习技术能够跟专家知识很好地结合起来，或许会发挥超出我们预想的作用。
事实上，在人工智能领域有一个长期存在的“圣杯”问题，就是我们什么时候能够把机器学习和逻辑推理很好地融合起来？如果能够得到一个完整的框架，能够让这二者同时在其中很好的发挥作用，那这是我们非常希望达到的一个目标。
为什么要考虑这件事？我们首先可以看一看。逻辑推理它非常容易来利用我们的知识， 而机器学习呢比较容易来利用数据、利用证据、事实。但是如果从人类决策来看，很多决策的时候同时要使用知识以及证据。那么这两者能不能很好地弄到一起去呢？
非常遗憾，虽然逻辑推理和机器学习在人工智能历史上有很多研究，但是这两者基本上是独立发展起来的。比方说在1956年代到1990年代期间，逻辑推理和知识工程是人工智能的主流技术，但这时候机器学习的研究还很冷清。而到了90年代中期之后，机器学习研究变得非常的热门，但这时候逻辑推理和知识工程的研究又变得冷清起来，甚至今天从事这方面研究的人在全世界都已经很少了。
如果想把两者结合起来，最主要的障碍是什么呢？最主要的是，这两者几乎是基于完全不同的表示方式。
逻辑推理我们一般来说可以认为它是基于一阶逻辑规则的表示。这里我们看一个例子，这里面有三个子句，第一个字句：对于任意X和Y，如果X是Y的父母，那么X比Y年长；第二个字句：对于任何两个人，X是Y的妈妈，那么X就是Y的父母；第三：LuLu是FiFi的妈妈。现在如果我们问：谁更年长一些？那么如果从这样的一个逻辑系统，我们马上就可以知道，第三句话，我们知道Lulu是Fifi的妈妈，那么从第2句话我们就知道她是Fifi的父母。又从第1句话我们知道她肯定比Fifi年长。逻辑推理就是基于这样的一些逻辑规则描述出来的知识，来帮助我们做这样的推理判断。
机器学习呢，它走的是另外一个路线。我们会收集很多的数据，比方说把这个数据组织成这么一个表格形式，每一行就是一个对象或者事件，每一列是刻画它的一个属性或特征，这就是所谓的“属性-值“表示形式。如果从逻辑的角度来看，这种表示是非常基础的命题逻辑的表示方式，可以把属性值表对应成逻辑真值表。而命题逻辑和硬件逻辑中间是有非常大的差别，很重要的就是有对于“任意”以及“存在”这样的量词会发生作用。一阶逻辑表示由于涉及量词，比方说如果要把“任意”这个量词拆开把每个可能的X当做一个样本，那就会变成无限大的样本集。如果把一阶逻辑中的谓词比方说“parent”当作一个属性，那么你会发现，每个逻辑子句刻画的并不是某个样本，而是在刻画样本之间的某种关系。于是，当我们把谓词直接当做属性试图展开成普通数据集的时候，会发现数据集里甚至没有真正的属性-值的描述。
虽然很困难，但大家都知道，如果能把两者结合起来，可能会有更大的威力，因此历史上已经有很多研究者在做努力。我们可以归结是大致两个方向的努力。一个方向主要是做逻辑推理方面的学者，尝试引入一些机器学习里面的基础的技术或者概念。这里面形成了一大类技术，有很多的做法。我们举一个最简单的例子，比方说刚刚给大家看到的几个子句，每个逻辑子句是确定的：要么成立，要么不成立。我们现在可以给每个逻辑子句加上一个权重，一定程度上我们可以认为它反映这个子句成立的概率。比如说：如果一个人是大学三年级，另一个人是大学一年级，那么第一个人很可能比第二个人年长，这个可能性是80%。通过加一个0.8，我们就使得这个事实变成一个概率的成立。这样得到的带有概率权重的子句，就可以进行一定程度的概率推理。
另一个方向是从机器学习的角度，尝试把一些逻辑推理方面的东西引进来。比方说我们看到有这么一条子句，如果一个人他抽烟，那么他很有可能得癌症。有了这么一个知识，我们就可以在做贝叶斯网初始化的时候，把任何一个X，如果他smoke，我们就把它和cancer之间的这条边连起来，也就是说我们用这个初步的规则帮助我们做这个网络的初始化。初始化之后，原来贝叶斯网该怎么学就怎么学。
所以我们可以看上面这两大类做法。第一类，我们可以看到它是把机器学习往逻辑推理中引，但是后面主体还是通过推理来解决问题，所以我们称它是推理重而学习轻。第二种做法基本上是反过来，它把逻辑推理的技术往机器学习里面引，但是后期主要的解决问题是靠机器学习，所以我们称它是学习重而推理轻。总是一头重一头轻，这就意味着有一头的技术没有充分发挥威力。
所以我们现在就想，能不能有一个新的机制帮助我们把这两大类技术的威力都充分地发挥起来呢？我们最近提出了一个新的方案，叫做Abductive Learning。
什么是“反绎”？
要去理解Abductive learning之前，我们先来理解这个abductive是什么含义。
