具體來說，在科學觀方面，人工智能把自己的研究對象理解為“沒有主觀色彩、客觀中立”的人工腦物質，把研究的關注點定為腦物質的結構與功能，并且接受了物質可分的觀念。在科學方法論方面，人工智能遵循了純粹形式化的方法論，閹割了信息、知識、智能的內容和價值因素，挖空了它們的內涵；同時遵循了分而治之的方法論，把人工智能研究的整體肢解為結構主義、功能主義和行為主義分道揚鑣的三大分支。
對照表1的學科發展與建構的普遍規律可以理解，既然在學科源頭上的學科范式（學科定義）已經張冠李戴，那么，在這個范式引領下的學科框架（學科定位）、學科規格（學科定規）和學科理論（學科定論）豈有不偏離正軌的道理？
人工智能學科發生范式張冠李戴的問題不是偶然的現象，而是不可避免的結果。表面上看，人工智能學科發生范式張冠李戴的問題好像不可思議、不可理解因而不可接受，在科學史上也從無先例。深入的分析則可以發現，人工智能范式發生張冠李戴問題，確實是“千年一遇”的大事件，而且注定是無可避免的歷史性遭遇，理由如下。
回顧歷史，自農業文明和工業文明發展的千百年來，科學研究的對象基本上都屬于物質學科范疇（材料科學和能量科學）。在物質學科發展的長期過程中逐漸形成的研究范式（物質學科的研究范式）也一直行之有效，因此根本沒有可能發生范式張冠李戴的問題。
然而，20世紀中葉以來，信息科學技術迅猛崛起，形成了信息學科研究實踐活動的社會存在。一方面，由于受到“存在決定意識，意識滯后于存在”法則的制約（學科的范式屬于意識范疇）；同時也由于信息學科是全新的研究領域，充滿未知；再加上二戰結束以后科學研究中的實用主義傾向越來越盛行，關注和研究學科意識的人員越來越少，使得信息學科范式的研究長期未能取得實質性進展，更談不上在國際學術共同體中形成共識。于是，20世紀中葉至21世紀初葉這半個多世紀以來，社會上存在著兩大類學科的研究活動（社會存在）：物質學科研究的社會存在和信息學科研究的社會存在，卻只有一種成熟的學科意識——物質學科的研究范式；信息學科范式則一直處于摸索狀態，尚未確立。
人所共知，在任何學科的科學研究活動中，研究范式都不可能缺位。在沒有信息學科范式可用的情況下，作為開放、復雜、高級信息系統的人工智能研究便自然而然地沿用了業已存在、業已成熟、而且也業已被人們習慣了的物質學科研究范式。這就是人工智能研究范式的張冠李戴問題無可避免的真實原因。
以上分析表明，人工智能學科發生范式張冠李戴的問題不是偶然的現象，而是科學研究對象由“單純的物質客體”擴展到“既要研究物質客體又要研究人類主體、特別要研究人類主體與物質客體相互作用的信息過程”所使然，而且是整個科學技術體系由物質學科主導向信息學科主導轉變這個歷史大發展和“意識滯后于存在”這個社會法則所帶來的必然結果，是新興學科發展的必然規律，是信息科學和人工智能由初級發展階段進入高級發展階段所不能不跨越的“門檻”，也是人們必須要付出的代價。
人們對學科范式的問題感到很陌生，背后有著不少深層的原因。首先，如上所述，范式張冠李戴的問題是“千年一遇”的問題，是歷史上多少代前輩科學研究工作者從來不曾經歷過的問題。因此，現今的人們不僅沒有“前車”可鑒，甚至聞所未聞。于是，人們對它沒有印象，沒有概念，這是完全不足為怪的事情。不過，人們把沒有聽說過的事情當作不存在或者不會發生的事情，這是對科學研究的深層規律和科學研究的復雜性未加深究和想當然所致。科學研究不能想當然，而必須要深思，要追根尋源，要設想到各種可能性。這也是我們應當吸取的教訓。
其次，作為科學觀和方法論兩者有機整體的學科研究范式，是在科學研究的最高層次引領和支配科學研究活動的“看不見的指揮棒”。既然看不見，所以容易被人們忽視，因而覺得很陌生。這也是人們對于科學研究往往淺嘗輒止、浮躁、不求甚解、滿足于表面和局部效益的結果。實際上，看不見不等于不存在，很生疏不等于不重要。中國古訓和辯證法都認為：有生于無，有受制于無。因此，無比有更具決定意義。這里的“無”并不是真的不存在，只是看不見而已。
加之，在科學研究的管理規則中，范式（科學觀和方法論）被劃分到了社會科學的哲學領域，這就使自然科學研究者只能囿于自然科學領域之內來研究問題，不敢擅越雷池去關注屬于社會科學領域的范式問題。殊不知，許許多多自然科學研究的問題，它們的種種表現發生在自然科學領域，而它們的根源卻往往在社會科學領域。而且，越是深刻的自然科學問題，它們的根源就往往越是深潛于社會科學領域。哲學，不僅僅是社會科學要關注的領域，也是自然科學不能不關注的領域。如果人們把自然科學研究的問題統統嚴格限制在自然科學領域進行研究，那就只能知其表不知其里，永遠得不到深刻的認識，永遠得不到本質性的發現。人們把科學研究劃分成許多大大小小的學科，本意只是為了便于管理，如果硬生生地把學科的整體肢解為相互脫節相互孤立的條條塊塊，并且把它變成了禁錮人們思維和束縛人們手腳的戒律，那科學活動將會陷入僵化境地。
以上所述的這些問題，或許是人工智能范式張冠李戴這樣嚴重的問題長期以來未被人們察覺、更沒有得到及時解決的部分原因。這些問題都是科學研究領域發人深省和亟需改革的重要內容。
人工智能范式革命的必然結果：通用的人工智能基礎理論
事實表明，現今的人工智能研究仍然處在三大學派各自摸索和互相競爭的階段，而且至今還沒有摸索出人工智能學科的正確范式。那么，在人工智能研究的源頭上實施范式的革命——顛覆傳統物質學科研究范式對人工智能研究活動的誤導，確立現代信息學科研究范式對人工智能研究的引領——就成為人工智能研究的正道滄桑和當務之急。
至于物質學科的研究范式本身，它是人類在物質學科領域長期研究積累起來的寶貴思想財富，在物質學科研究的歷史上發揮了偉大的作用，功不可沒；而且在今后的物質學科研究與發展過程中也將繼續發揮巨大的引領作用。
基于以上的思考，筆者和團隊根據表1所總結的規律，在人工智能研究范式上發力，借鑒“人類智能”的基本概念和結果，總結了信息學科的研究范式，包含科學觀和方法論兩大方面。
信息學科范式的科學觀。（1）認為人工智能的學術本質是在主體駕馭和環境約束（也就是人類主體給定的工作框架，包括給定的問題、預設的目標、關聯的知識）的條件下，主體對主體客體相互作用所產生的信息施加信息轉換處理的過程，而不僅僅是孤立腦的功能；（2）確認人工智能研究的關注點是在主客相互作用過程中保證主客雙贏，而不是僅僅了解孤立腦的結構；（3）確認主客相互作用過程充滿不確定性，而不是單純的確定性演化。簡言之，信息學科范式的科學觀就是“辯證唯物的科學觀”，即“整體觀（即包含主體、客體及其相互作用）的科學觀”，而不再是機械唯物的科學觀。
信息學科范式的方法論。（1）堅持用形式、內容、價值三位一體的全信息方法來研究人工智能的信息轉換，而不能用單純形式化（閹割內涵）的方法；（2）堅持理解式的決策方法，而不能用形式比對的決策方法；（3）堅持信息生態演化的全局處理方法，而不能用分而治之（肢解整體）的全局處理方法。質言之，信息學科范式的方法論就是“信息生態方法論”，即“辯證論的方法論”，而不再是機械還原的方法論。
確立了自下而上總結出來的信息學科范式之后，就可以根據表1給出的工作流程，自上而下且一環套一環地貫徹信息學科范式，建構人工智能的系統化理論。以下將對“貫徹信息學科范式，創建通用人工智能理論”的各個步驟進行解釋。
第一，根據信息學科范式的科學觀，構筑通用人工智能的全局研究模型。信息學科范式科學觀已如上述。人工智能的學術本質是：面對人類智慧給定的工作框架（問題-目標-知識），人工智能系統（人類智能的代理）對主客相互作用所產生的信息實施轉換處理，以期產生解決問題、達到目標的智能（智能策略和智能行為）的過程。
于是不難看出，信息學科范式科學觀的這個表述，正是圖2所給出的“人類智能／人工智能”的模型。它既然是“人類智能”的模型，當然也就是通用人工智能的模型，而不再僅僅是“人工腦”模型，同時又和諧地包容了“人工腦”的全部有益功能要素。
第二，根據信息學科范式的方法論，開創通用人工智能的研究路徑。如上所見，信息學科范式的方法論堅持運用“信息生態演化的方法（而不允許運用肢解整體的方法，也不允許運用閹割內涵的方法）”來處理主客相互作用的信息，以期產生解決問題達到目標的智能策略和智能行為。在這些條件限定下，按照本文前敘分析，這個信息生態演化的處理方法必然具體化成為“由信息轉換開頭而最終導致智能創生”的過程，也就是“信息轉換與智能創生定律”所刻畫的過程。這正是圖3所描述的人類智能的普適性生成機制。
在人工智能的語境中，圖3示出的四個“轉換”分別成為：轉換1是感知模塊、轉換2是認知模塊、轉換3是謀行（謀劃解決問題達到目標的智能行為）模塊、轉換4是執行模塊。于是，圖3就演繹成為了圖4的模型。
既然有了“普適性的智能生成機制（信息轉換與智能創生定律）”，那么，以它為基礎而構建的人工智能系統自然就是“普適性人工智能系統”，也就是“通用人工智能系統”。它不再是“或以結構模擬為基礎、或以功能模擬為基礎、或以行為模擬為基礎”的“三駕馬車”分道揚鑣的人工智能系統，然而又可把“結構、功能、行為”的因素融通于其中。
第三，針對通用人工智能全局研究模型，闡明通用人工智能的學科結構。通用人工智能顯而易見是一類典型的、而且是復雜的交叉學科研究，涉及到人類學、社會學、人文學、哲學、信息科學、系統科學、邏輯學、數學、電子學與微電子學、機械學與微機械學、新材料學、新能源學等眾多學科。
將人工智能看作“計算機科學的應用分支”的觀點曾經非常流行。這是因為此種觀點的持有者把“智能”與“計算”這兩個具有重要區別的概念混為一談了。事實上，任何“計算”都是一種“純粹形式化的處理”，而“智能”則是“形式、價值、內容三位一體的全信息處理”。有人用“計算”與“算計”來比喻這種區別，倒也頗為傳神。
可以認為，如果僅憑數學公式的計算就直接解決了問題，那是數學家的“人類智能”，而不是“人工智能”。因為在這種情況下，整個解決問題的過程都由數學家設計好了，機器只需要執行算法的能力。
也有人把人工智能看作“自動化系統的延續”。持有這種觀點的人則是將“智能系統”和“自動化系統”的概念搞混了。任何“自動化系統”都是按照人類事先設計好的軟件程序一板一眼、按部就班地執行，不需要任何“智能”的支持。而“智能化系統”則需要有學習的能力和自組織的能力才能完成工作任務。
第四，根據通用人工智能的研究路徑，闡明通用人工智能學術基礎的規格。通用人工智能研究路徑最重要最鮮明的特征是“不允許肢解系統整體”（也就是必須放棄傳統的“分而治之”方法）也“不允許閹割概念內涵”（也就是必須放棄傳統的“單純形式化”方法）的信息生態演化過程，堅持完整統一的“信息轉換與智能創生”過程。這是通用人工智能理論與一切傳統人工智能理論最顯著的區別。由此，通用人工智能理論就要求它的學術基礎（主要是邏輯基礎和數學基礎）也要符合與滿足“不能肢解系統整體，不能閹割概念內涵”的要求。
遺憾的是，現有的邏輯理論和數學理論都不能滿足這些要求。在邏輯理論方面，標準的數理邏輯是一種形式化的剛性邏輯，而且適用范圍較為有限；那些非標準邏輯雖然在某些方面補充了標準數理邏輯的能力，但互相之間的兼容性也存在問題。在數學基礎方面，與人工智能研究關系緊密的集合論、模糊集合理論、粗糙集理論等也存在純粹形式化和分而治之的通病。而筆者研究團隊何華燦教授建立的“命題泛邏輯理論”（何華燦等，2021）和汪琣莊教授建立的“因素空間理論”（汪琣莊、劉海濤，2021）為通用人工智能理論提供了強有力的邏輯基礎和數學基礎。
第五，根據通用人工智能的學科結構和基礎學術規格，創建通用人工智能理論。依照表1所示的學科建構規律，明確學科范式（學科定義）、學科框架（定位）和學科規格（學科定格）這些學科基礎之后，就可以著手構建具體的學科理論（學科定論）。具體來說，就是要把圖4所描述的通用人工智能的普適性智能生成機制——信息轉換與智能創生定律的內容全部落實到位。
篇幅所限，本文只重點闡述其中的第一個模塊——感知。這是因為，感知模塊是整個普適性智能生成機制的第一道門戶，是通用人工智能“理解能力”的發源地，后續的各個模塊都在它的基礎上發揮各自的作用，極具重要性。關于其他各個模塊的分析，建議讀者參閱《高等人工智能原理：觀念·方法·模型·理論》（鐘義信，2014）、《統一智能理論》（鐘義信，2023）。感知模塊的工作原理見圖5。
圖5示出，感知模型的輸入是環境客體呈現并作用于主體的“客體信息”，輸出是主體所感受到的“感知信息”，后者具有表現客體形態的“語法信息”、表現客體對主體目標所產生的效用的“語用信息”，以及由語法信息和與語用信息兩者組成的“偶對”經過映射與命名的操作所定義的“語義信息”。由于感知信息具備了語法信息、語用信息、語義信息三個分量，形成了主體對問題的全面感受，因此被稱為“全信息”。
感知模塊的原理可用以下表達式表示：
Y=λ(X,Z)
其中Y表示語義信息，X表示語法信息，Z表示語用信息，λ表示映射與命名的邏輯操作。
圖5示出了感知模塊的實現原理，它有三個基本步驟。
（1）傳感系統把客體信息轉換為語法信息；
（2）由檢索或檢驗產生語用信息；
（3）由所產生的語法信息和語用信息形成“偶對”，經映射與命名產生語義信息。
步驟（1）和（3）很直觀，無需解釋。步驟（2）包含兩種情況：如果面對的客體是以前曾經處理過的舊對象，它的語法信息與語用信息的偶對{X,Z}就存在綜合記憶庫里，于是可以用已經產生的語法信息X作為關鍵詞從綜合記憶庫里檢索到{X,Z}，其中的Z就是所求的語用信息。如果面對的客體是以前沒有處理過的新對象，綜合記憶庫里沒有它的{X,Z}，于是不可能通過檢索求得相應的語用信息。這就要采用檢驗的方法，計算語法信息X與系統目標G之間的相關度。這個計算結果就是客體對系統目標所具有的語用信息。
由此可以消除一個流傳很廣的誤解：不少人以為“感知”就是“傳感”。由圖5的模型可知，“傳感”只產生了“感知”的一個比較簡單的分量——語法信息，“感知”還有更為復雜的語用信息和語義信息兩個分量。所以，不能把“感知”與“傳感”混為一談。
由語義信息的生成公式Y=λ(X,Z)可知，主體的語義信息是比主體的語法信息和語用信息更高層次的概念：語法信息可以通過第一性的“觀察過程（形態傳感）”獲得，語用信息可以通過第一性的“體驗過程（目的檢驗）”獲得，而語義信息則只能通過第二性的“抽象過程（映射與命名）”獲得。反言之，如果人們獲得了語義信息，就可以根據Y=λ(X,Z)獲得相應的語法信息和語用信息。這就表明，語義信息可以代表相應的語法信息和語用信息，因而也可以代表連同它自己在內的感知信息。概言之，感知信息、語義信息、全信息三者是從不同的角度所表達的同一概念。
很可惜，國內外幾乎所有的相關論著，都沒有真正理解語義信息究竟是怎么生成的。相反，它們或者把語義信息誤解為與語法信息和語用信息相并列的概念；或者把語義信息誤解為可以通過概率統計計算出來的概念。
感知模塊產生的感知信息／語義信息對于人工智能的研究具有極其重要的意義。這是因為，根據語法信息，主體就可以識別客體的外部形態；根據語用信息，主體則可以判斷客體對主體目標而言的效用；根據語義信息，主體就可以在更高的層次上把握客體的全局。也就是說，在此基礎上，主體就可以據此作出科學合理的決策：若語用信息為正值，主體就應當發揮這個客體的作用；若語用信息為負值，主體就應當抑制這個客體的作用；若語用信息為零，主體就應當不理睬這個客體。這樣作出的決策就是明智的、可理解可解釋可信賴的。
可見，具有內涵（未被閹割）的感知信息是可以理解、可以解釋、可以信賴的。這是基于普適性智能生成機制——信息轉換與智能創生定律的通用人工智能理論與一切傳統人工智能理論最根本的區別和最根本的優勢。
由圖4的普適性智能生成機制（信息轉換與智能創生定律）可知，有了可理解、可解釋、可信賴的感知信息，后續的認知模塊就可以產生可理解、可解釋、可信賴的知識。這樣，通用人工智能理論所創生的智能也同樣可以理解、可以解釋、可以信賴。
這是迄今一切遵循傳統物質學科范式的人工智能理論不可能具備的優勢。雖然它們的操作速度和信息的容量都做到了極致，但是由于它們所使用的全部概念都被閹割了內涵，因此都不具有“理解能力”，都不可解釋，因而都不是實實在在的智能。
總之，實施人工智能范式革命的結果，就是自上而下地按照信息學科范式落實了人工智能的學科定義、學科定位、學科定格和學科定論，創建了完整的“機制主義通用人工智能基礎理論”。理論的名稱中增加了“機制主義”這個前綴，是為了表明，這個通用人工智能理論的最重要特色以及它的“通用性”的根本標志，是它的“普適性智能生成機制”。這一理論成果的系統模型如圖6所示。
本文以上的討論和圖6的系統模型表明：（1）“機制主義通用人工智能基礎理論”發現和實現了以信息轉換與智能創生定律為標志的普適性智能生成機制，和諧地統一了原來各自為戰、互不相容的結構主義、功能主義、行為主義三大學派，解決了系統整體被肢解的問題，建立了通用的人工智能整體理論；（2）創建了全信息理論，通過運用形式、內容、價值三位一體的研究方法，解決了概念內涵被閹割的問題，克服了智能水平低下、可解釋性差、需要大量試驗樣本等致命缺陷；（3）通過運用生態演化的全局研究方法，發現了變參的柔性邏輯系統，建立了和諧統一的泛邏輯理論；（4）通過運用生態演化的全局研究方法，發現了集合論、概率論、模糊集和粗糙集等理論的共同基因，建立了可以統一描述和研究人工智能的因素空間數學理論；（5）“機制主義通用人工智能基礎理論”的所有結果都與“人類（通用）智能”的結果和諧相通。這些基礎理論的重大成果，展示了人工智能范式革命的徹底變革威力和成效。
初步查證，到現在為止，尚未發現國內外人工智能學術界系統關注過人工智能的范式革命。由此可以判斷，“機制主義通用人工智能基礎理論”已經遠遠深入到國際人工智能科技前沿的無人區腹地。
進一步，如果根據“機制主義通用人工智能基礎理論”開發出機制主義通用人工智能原型系統，后者就將成為通用人工智能系統的創生平臺：用戶只需要提供希望解決的問題、目標和相關知識，這個平臺就可以利用它的普適性智能生成機制創生出能夠利用知識、解決問題、達到目標的實際人工智能應用系統。
這種普適性的智能創生平臺，將以統一的智能生成機制創生出各種高智能水平、可理解和可解釋的人工智能應用系統，從而解決人工智能原有的個案性、孤立性、碎片性、淺層性的問題，非常有利于人工智能的可持續發展和實現人工智能的大規模應用，并推動社會的智能化發展。
