人工智能的发展经历了符号主义、联结主义、行为主义到混合主义的演进过程。在这一过程中，研究人员提出了许多有趣的观点，其中部分已经成为成熟的训练方法被广泛应用。本文尝试对人工智能的发展路径做一番梳理，并提出个人看法。

人工智能大体可以分为三类：机器学习、深度学习和强化学习。机器学习主要依赖数学与统计方法，擅长模式识别与预测；深度学习善于从数据中提取复杂特征，用于感知和表示学习；而强化学习则能够处理环境反馈，进行决策和策略优化。我认为，强化学习是实现自主智能的核心机制，智能系统的完整实现同时依赖于感知能力与决策能力的协同。

所谓人工智能，其“智能”指的是“能够感知外界信息、独立思考并生成可理解的输出”。Sutton曾指出：“The real measure of intelligence is learning to act to maximize reward in an environment.”这体现了强化学习思想的精髓。可以从宏观角度将人工智能理解为三阶段过程：输入、处理与输出。在这一框架下，强化学习与人工智能的契合度极高：它不仅能根据环境反馈优化行为，还能自主学习逻辑与推理。

现阶段，LLMs（Large Language Models）和CV（Computer Vision）研究异常活跃。LLMs处理序列数据，CV处理图像和多维数据——一个覆盖时间维度，一个覆盖空间维度，几乎涵盖了人类信息获取的主要方式。在我看来，这两个方向既是独立的智能系统，也是强化学习的重要输入通道：LLMs让机器理解语言，CV让机器理解视觉信息。这种感知能力与强化学习的决策能力结合，是实现高级人工智能的关键。目前LLMs（语言）和CV（视觉）基本独立，但未来AI需要同时处理文字、图像、语音、触觉甚至气味等多模态数据。研究重点可以是如何将多模态信息统一编码和理解，让AI拥有更接近人类的感知能力。

强化学习目前主要用于模型校准和推理能力训练，并正逐步拓展到信息处理与复杂环境决策。过去符号主义强调将逻辑直接输入机器，而强化学习能够让机器自主学习逻辑和策略，因此可视为人工智能的大脑，是提升模型智能与稳定性的核心模块。

通用人工智能（AGI）探索可以说是一个相关研究方向，这是一个长远目标。AGI的研究将融合：强化学习、语言理解、视觉感知、推理与规划、多模态学习等。其核心问题是如何让AI具备跨任务、跨领域、自我推理和决策的能力，目前趋势是逐步实现局部通用性（如多任务学习、多模态推理），最终积累形成更接近通用智能的系统。

对于未来发展，我预测：强化学习将持续成为重点研究方向。LLMs和CV作为基础研究，目前已取得显著进展并广泛应用于商业领域。下一步研究的重点可能集中在“模拟器+强化学习”结合的领域，以训练AI应对真实世界的复杂场景。例如，华为的“World Engine”世界模拟器用于智能驾驶训练。若能构建一个（类似领域相关的）完整世界模拟器，设计合理的奖励与惩罚机制，AI将有能力模拟人类行为，学习复杂决策，向更高级智能迈进。

在AI功能初步实现后，可解释性（XAI）的研究也会逐步成为焦点。随着强化学习和模拟器技术的发展，确保AI决策透明、可追溯，将是未来研究的重要方向。

总而言之，人工智能的发展是感知能力与决策能力协同优化的过程。强化学习是智能决策的核心，而LLMs和CV提供了不可或缺的感知能力。未来，随着模拟器技术与强化学习的深入结合，我们有望迎来更接近人类智能的人工智能时代。