这是一个非常深刻且重要的问题，简短的回答是：人工智能既是科学，也是工程，而且两者密不可分，相辅相成。
将人工智能仅仅归为科学或工程都是不全面的，它是一个典型的交叉学科,其发展历程和实践方式都体现了科学与工程的深度融合。
我们可以从以下几个层面来理解它的双重属性：
作为“科学”的人工智能
当我们将人工智能视为一门科学时，我们关注的是它的理论、基础和认知本质，这类似于物理学、生物学或认知科学。
-
探索智能的本质：AI科学的根本目标是理解“智能”是什么,它试图回答一些最基本的问题：
（图片来源网络，侵删）- 智能是如何从大脑中涌现出来的？（认知科学、神经科学）
- 机器能否像人一样“思考”？（哲学、认知心理学）
- 学习、推理、决策的底层数学和计算原理是什么？
-
建立基础理论与模型：AI科学致力于构建能够解释和预测智能行为的数学和计算框架。
- 数学基础：概率论、统计学、线性代数、信息论等为理解数据和不确定性提供了语言。
- 算法理论：研究算法的收敛性、复杂性和泛化能力,例如在强化学习中证明策略的收敛性。
- 认知模型：构建模拟人类认知过程的计算模型,如早期的符号主义AI或后来的连接主义模型。
-
可证伪与可验证性：科学的核心是提出假设并通过实验来验证，在AI科学中,这表现为：
- 提出一个新的学习理论,然后通过数学证明其在特定条件下是有效的。
- 提出一个关于人类记忆如何工作的计算模型,然后设计心理学实验来验证模型的预测。
AI的科学属性在于它追求“知其所以然”，致力于揭示智能的普遍规律和底层原理。
作为“工程”的人工智能
当我们将人工智能视为一门工程时，我们关注的是它的应用、构建和实现，这类似于软件工程、土木工程或电子工程。
-
解决实际问题：AI工程的核心目标是利用智能技术构建系统,以解决现实世界中的具体问题。
- 应用驱动：开发能够自动驾驶的汽车、精准的医疗诊断系统、智能推荐引擎、语言翻译工具等。
- 性能优化：关注模型的效率、速度、成本和可扩展性，如何将一个巨大的语言模型压缩到手机上运行,或者如何降低训练模型的能耗。
-
系统设计与构建：工程师需要将科学理论和算法整合成一个完整、可靠、可用的系统。
- 软件架构：设计大规模分布式训练和推理系统。
- 数据工程：构建高效的数据采集、清洗、标注和管理流水线。
- MLOps (机器学习运维)：自动化模型的部署、监控、更新和迭代,确保AI系统在生产环境中的稳定运行。
-
实践与迭代：工程的核心在于“动手做”,通过反复试验和优化来达到目标。
- 实验与调优：工程师会尝试不同的模型架构、超参数、数据增强方法,以在特定任务上取得最佳性能。
- 权衡与取舍：在精度、速度、成本和可解释性之间做出权衡，一个医疗AI可能需要极高的准确性,即使牺牲一些速度。
AI的工程属性在于它追求“知其然并用之”，致力于将智能理论转化为有用的产品和服务。
科学与工程的互动与融合
AI的魅力和力量恰恰在于科学与工程的紧密互动,形成了一个螺旋式上升的闭环：
科学为工程提供“燃料”和“罗盘”：
- 没有统计学和优化理论（科学），就没有梯度下降算法（工程）。
- 没有深度学习理论（科学），就没有今天强大的Transformer模型（工程）。
- 科学上的突破（如Attention机制）直接催生了工程上的革命（如ChatGPT）。
工程为科学提供“试验场”和“驱动力”：
- 在构建自动驾驶系统（工程）的过程中，会遇到许多新问题，如长尾分布、极端场景等，这些问题反过来推动了鲁棒性AI和因果推理（科学）的研究。
- 当一个模型在某个任务上表现异常好或异常差时（工程实践），会激发科学家去探究其背后的深层原因（科学探索）,从而发现新的理论。
- 工程上对算力和数据的需求，也推动了计算科学（科学）的发展。
一个绝佳的比喻：航空航天
这个比喻可以帮助我们更好地理解AI的双重性：
- 空气动力学、物理学是科学：它们研究飞机为什么能飞，如何设计更高效的机翼,解释飞行中的各种现象。
- 航空航天工程是工程：它负责将科学原理转化为具体的飞机、发动机和导航系统，考虑材料、制造、安全、成本等因素，最终造出一架能安全、高效飞行的飞机。
没有科学，工程就是无源之水；没有工程，科学就是纸上谈兵,AI的发展也是如此。
人工智能是一门以科学为根基、以工程为翅膀的交叉学科。
- 它的科学性体现在对智能本质的深刻探索和严谨的理论构建上。
- 它的工程性体现在对现实问题的创造性解决和高效系统的构建上。
未来的AI发展，将继续依赖于基础科学的重大突破（对通用智能的理解）和工程技术的持续创新（更高效、更绿色的AI基础设施），无论是从事理论研究还是应用开发,都需要同时具备科学思维和工程能力。
标签： 人工智能科学工程属性 人工智能属于科学还是工程 人工智能学科分类科学工程
