人工智能（Artificial Intelligence，简称AI）作为一门学科，其定位一直备受争议。虽然它与计算机科学和工程紧密相关，但人们对于是否将其视为一门自然科学仍存在分歧。在这个问题上，Subbarao Kambhampati 教授是其中的一位具有重要声音的研究者。本文将聚焦于 Subbarao Kambhampati 教授的看法，探讨人工智能是否可以被视为一门自然科学。
过去，人工智能被视为介于工程和科学之间的领域，强调应用和实用性。然而，随着深度学习和大型模型的兴起，这种格局正在发生变化。
最近的研究成果引起了广泛的关注，其中包括 DALL·E 2 模型的探索。DALL·E 2 是一个生成图像的模型，但令人惊奇的是，它似乎创造了一门自己的秘密语言。这个发现让人们开始思考，我们对于训练有素但未经设计的大型模型了解得太少了。这些模型内部的运作机制如此复杂，以至于我们无法准确理解它们是如何完成特定任务或表现出某种能力的。这也意味着我们对于它们可能具有的能力也一无所知。
另一个例子是针对 GPT-3 模型的研究。研究人员发现，通过在输入提示中添加看似神秘的咒语，可以显著改善 GPT-3 对推理问题的回答。这表明，模型在学习过程中可能捕捉到了某种隐藏的统计规律或特定的模式，而我们并不了解这些规律或模式是如何产生的。这种情况进一步强调了我们对于大型模型内部运作方式的不确定性。
这些发现表明，虽然我们能够训练出具有惊人能力的人工智能系统，但我们对它们的工作原理仍然知之甚少。这就需要人工智能研究者更深入地探索这些问题，以揭示这些模型的内在机制和表现能力。这个过程逐渐将人工智能的问题研究引向了自然科学的本质。
与传统的工程方法相比，自然科学注重观察、实验和理论构建。在人工智能的领域中，这意味着研究者不仅仅关注如何应用模型来解决问题，还要深入研究模型内部的工作原理和行为规律。他们试图理解模型背后的数学结构、潜在的表示形式，以及训练过程中发生的变化。他们可能会进行大量实验，观察模型对不同输入和任务的响应，以推断其内在机制。
这种转向自然科学的趋势也要求建立更加开放和透明的研究方法。共享数据、代码和模型成为让整个社区能够参与验证和复现研究结果的重要步骤。此外，跨学科合作也变得至关重要，因为人工智能研究需要结合数学、计算机科学、认知科学等多个学科的知识来解决复杂的问题。
正如 Subbarao Kambhampati 教授所指出的，人工智能作为一门学科正在经历着从“庞大工程”到“纯粹科学”的转变。尽管争论仍然存在，但将人工智能视为自然科学的趋势正在增强。无论如何定义人工智能，它都在不断演进并改变着我们的生活，成为当代科技进步中的重要驱动力之一。