邱志杰｜面向创造的训练——AI时代的人性激发

进入现代以来，随着摄影取代传统绘画的再现功能，艺术的重心发生转移：观念逐渐成为艺术的主导力量，技能成为表达观念的手段，而知识体系的构建成为艺术家不可或缺的基础资源。当代艺术教育因此更注重观念激发与思想训练，而不再以技法熟练为最高目标。当代艺术欧美艺术教育中的批评课（critique）和讨论课（seminar）——始于巴黎的阿尔贝特，实际上延续的是苏格拉底传统。这些课程不用于传授技能，而是用于“破坏旧观念，建构新观念”。艺术家往往在一瞬间被一句话改变轨迹，其力量来自被迫重新看待世界。

二、机器学习中的训练

如果说人类的艺术训练起初围绕“技能—知识—观念”三层结构展开，那么机器学习的训练史，则是在过去七十年间不断逼近这一结构。只是在人类看来常识般自然的学习机制，对于机器却是一步步艰难攻坚的结果，并且每一次技术范式的跃迁都对应着训练方式的根本变化。

（一）计算机最初是推理机器，而不是学习机器

计算机在最初的设想中是严格意义上的“逻辑推理机”。图灵机、香农的信息论、冯·诺依曼体系，共同指向一个目标：将人类的逻辑推理拆解为可执行的指令。机器的“智能”来自推理链条的严密性，而不是从经验中习得能力。因此，早期计算机处理知识的方式是符号式的，是对规则的严格执行而非从数据中归纳出新的规则。

这一阶段的算法等同于逻辑——逻辑是确定性的，输入必须干净、输出必须可重复。算法虽可从基础数据推导出结论，但每一次执行都是独立的，不会因运行次数的增加而“改善自身”。换句话说，传统算法在次数上的重复，不会积累成从量变到质变的自我更新，这是它与人类学习最大的差异。

阿伽门农王说：人类从错误中学习。人类具备“经验性积累”的能力，同样的错误不会犯很多次，因为失败本身会转化为更新模型的契机。“吃一堑长一智”是生物学习系统中关键的适应机制。机器在这一时期完全没有这种能力，它只能执行，而不能从执行中学习。这一点对比艺术学习尤为明显：画错一笔，学生会在下一次调整笔法；但算法不会因为“上一笔不满意”而改变自己，这使得早期计算机的智能离真正意义上的“学习”非常遥远。

（二）统计学习：机器第一次出现“训练”的思想

机器“训练”真正开始于统计学习阶段，也大约是20世纪90年代起逐渐形成主流的机器学习范式。统计模型不再依赖人工制定的规则，而是通过大量样本进行参数估计，从而在某一任务上获得泛化能力。

但这一阶段的训练能力仍十分有限，模型往往只能解决单一任务。模型没有跨任务的能力，也无法综合使用所学技能。早期的分类模型能识别数字，却不能识别动物；能识别动物，却无法理解场景。每一个任务都是一条独立的管线。它类似于对艺术技能的“分解式训练”：学生只分别练习控笔、笔画线条、单字结构，却无法完成整幅书法。

这一时期的机器学习具备了“练习性”，但尚未具备“理解性”和“生成性”。它可以不断复现训练经验，但不会跳出训练经验。其本质仍然是“工具”而非“智能体”。

（三）深度学习：大算力、大数据、大参数带来的跃迁

深度学习的出现，是机器学习“训练史”的一次巨大加速。多层神经网络的能力来自其内部结构：大量参数、非线性激活、反向传播机制，使得模型可以自动从数据中抽取特征，而不再依赖人工设定规则。