一、数据崇拜与知识遗忘
当代机器学习的主流叙事是数据崇拜：只要喂入足够多的样本，神经网络便能自行提炼规律。这种信念在ImageNet和Transformer的辉煌战绩下几乎成为信仰。然而，我们是否想过，数据本身并不蕴含知识，它只提供统计上的相关性。模型从海量像素中学会区分猫狗，却无法理解‘猫有胡须’这一生物学事实；它能生成流畅的文本，却对‘太阳从西边升起’这种悖论无动于衷。对比上世纪符号主义对逻辑规则的执着，今天的机器学习走向了另一个极端：彻底放弃先验知识，将一切交给梯度下降。这种分裂不是技术路线的分歧，而是对‘智能本质’认知的断裂。
二、泛化：从记忆到理解的鸿沟
支持向量机时代，我们追求结构风险最小化；深度学习时代，我们依靠正则化与大数据来抑制过拟合。但无论哪种方法，泛化都被视为一种数学性质——是模型在未知分布上的平均表现。然而，这种定义掩盖了一个致命问题：分布本身是随环境漂移的。一个在晴天数据上训练的目标检测器，遇到雨天便会崩溃；一个在新闻语料上训练的对话模型，面对科学问题就胡言乱语。我们称之为‘分布外’或‘鲁棒性不足’，实则揭示了模型从未获得因果结构，只是记住了训练数据中的相关模式。真正的泛化不是插值，而是通过有限样本推断出深层规律。这需要一个根本性的转变：从拟合函数转向构造解释。
三、知识在哪里？三种范式的对比
我们不妨对比三种路径：符号主义认为知识是显式规则，可以被逻辑推导；联结主义认为知识隐式分布在高维参数中，通过激活模式涌现；而统计学习则把知识等同于概率分布。这三种范式的矛盾集中体现在‘迁移学习’上。符号系统可以轻易地在新领域应用规则，但脆弱且无法处理模糊性；联结系统能处理模糊性，却很难将学到的‘特征’转化为可表述的知识；统计模型则只能在同分布下有效，一旦迁移便性能骤降。更有趣的是，人类学习一个新概念，往往只需要几个例子，因为我们会将新概念嵌入已有的因果框架。当前机器学习缺少这种‘以知识为锚’的机制。深度对比之下，我认为未来的突破不在于更大的模型或更多的数据，而在于让模型具备主动构造假设、然后通过数据验证假设的能力——这是科学的范式，不是统计的范式。
四、提出新观点：生成式约束下的动态学习
基于上述对比，我提出一个独立观点：‘生成式约束+动态知识演化’应成为下一代机器学习框架的基石。所谓生成式约束，不是传统正则化那种惩罚项，而是用一组可微分、可组合的常识规则或因果先验来约束模型的解空间。比如，在训练一个物理模拟器时，约束模型输出的轨迹满足能量守恒；在训练一个语言模型时，约束它生成的文本满足一致性公理。这些约束并非固定不动，而是随任务反馈不断演化——模型不仅优化参数，还优化约束本身的结构。这本质上打破了数据、模型、知识三者的割裂：知识不再是被数据淹没的无用先验，而是被数据修正的活假设；模型也不再是黑箱映射，而是一个具有内部理论的结构化系统。这种做法会牺牲一些短期测试精度，但会大幅提升真实世界中的适应性和可解释性。
五、结语：拥抱分裂，才能走向统一
机器学习的百年争论（如果从图灵算起）始终在经验主义和理性主义之间摇摆。数据崇拜让我们收获了工程奇迹，却也让我们忘记了知识的力量。本文并非否定深度学习的贡献，而是指出：当模型规模触及算力上限、当数据红利日渐枯竭，我们必须重新审视知识在智能中的位置。一个真正的智能体应当像科学家一样，用数据生成假设，用假设指导实验，再以实验修正假设。这种闭环需要数据驱动与知识驱动从分裂走向协同。我所提出的‘生成式约束’只是一个粗陋的起点，但方向明确：机器学习不应只学习映射，而应学习世界模型。在那之前，我们所有看似智能的系统，不过是高维空间中的精妙插值器。