张海粟

去年初写的一个科研随想，题目比较大，为了应对哲学教授的。呵呵，不甚成熟，欢迎指正！

人工智能以计算技术及信息技术作为表示和运算手段，紧密结合问题背景相关的专家知识，最终通过用户可理解和接受的方式来展现机器运算得到的智能结论。人工智能希望实现对人类思维能力的机器再现与拓展的目标。基于对人工智能的这个认识，首先有必要解释一下正副标题中出现的两个“思维”的各自含义。主标题中的“思维”是人类实实在在的思维活动实体，包括我们掺杂了个人情感和个人体验后的怎么提出问题、怎么描述问题、怎么修正问题、怎么分析问题、怎么解决问题、怎么反馈问题等一系列复杂的思维过程。副标题中的“思维”是人工智能这门学科研究问题的思考方式，而容易混淆的就是，这里研究的问题往往就是人类思维自身的特点及其在机器中的实现。严格意义上说，副标题中的“思维”当然属于主标题中“思维”的概念，因为主标题中的思维是一种概而言之的对人类思考活动和行为的概括。本文讨论的重点将放在人工智能“抽象人类智能、作出用于机器处理”的思维方式与特点上。从目前来看，学术界主要从符号化、模拟化和工程化这三个方面对人类智能的计算机化做了大量的研究工作，普遍采用并且进一步发展了包括概括、归纳、演绎、类比、模拟和移植等各种丰富的科学思维在内的方法[1]，逐步奠定了人工智能研究中的思维方法基础。

一、人类思维与人工智能

显然，人工智能至少包括两部分：“人工”和“智能”。“人工”就是通常意义下的人工系统，人们看法比较统一；但是关于什么是“智能”，人们的看法还不甚统一。由于人工智能的研究往往涉及对人类思维本身的研究，而我们对自身智能和思维的理解还非常有限，再加上引入了诸如意识、自我、无意识思维等问题，所以关于人类思维具体是一个什么样的概念，它是怎么产生、运作、完善的，目前还是一个颇具争议、新观点层出不穷的领域（认知科学、脑科学和心理学等）。
（一）人类思维的获得
人类为了求得生存与发展，必须与大自然作斗争，这就需要首先了解和掌握客观世界中万事万物的基本性质及其相互联系的基本规律，然后才能进一步去改造客观世界，以便在与大自然斗争中达到预期目的。思维与积累的知识就是人类为实现这一目的所不可缺少的智力机能。从马克思主义认识论的角度来说，思维被认为是人脑经过长期进化而形成的一种特有机能，它被定义为：“人脑对客观事物的本质属性和事物之间内在联系的规律性所做出的概括与间接的反映”。马克思主义认识论认为，物质是第一性的，意识是第二性的。意识是人脑对于客观存在的反映，马克思主义认识论的核心即是反映论。思维是意识的主要内容，当然也属于第二性。上面关于思维的定义就是依据这种反映论做出的[3]，人类思维的获得来自于客观事物以及人类实践。
（二）逻辑思维和形象思维
逻辑思维或称抽象思维，是人类思维的重要种类，同时是人工智能最先涉足研究的处女地。如果从过程上来看，思维被认为是运用概念进行判断、推理的过程，那么人工智能所关心的逻辑思维主要不是去研究概念、判断和推理的内容，也不是去研究正确的概念和判断应遵循哪些规律，而是重点研究概念是怎样形成的？人们是怎样掌握它们的？人是如何做出判断的？如何进行推理的？人是怎样解决问题的？人工智能研究中把逻辑思维作为一种过程，研究它的发生、变化、发展的规律，进而使用类似于谓词演算、命题演算和推理机等特殊的机器语言来描述和实现它，使其具备与人类逻辑推理一样的能力。
形象思维是人类思维的另一重要种类。形象思维作为表象和客观事物在人类头脑中的直接反映，被哈佛大学著名教授阿恩海姆认为“只有清晰的表象才能使思维更好地再现有关的物体和物体之间的关系。”尽管阿恩海姆的“视觉思维”概念与形象思维有一定距离，但是按照常识，抽象思维在于它是通过一般普遍性的概念进行的；形象思维在于它是个别的和具体的，所以这种似乎略带着个人主观色彩的形象思维如果不能够进入人工智能的研究中，就会忽视“人们在思考问题时，总要有某种具体形象作为基础”的这一个基本常识。近年来，人工智能的研究者开始逐渐注意到形象思维，并且引入了智能表情、智能感情和视觉识别等研究内容。
（三）人工智能是人类了解思维奥秘的重要努力
“人工智能”一词最初是在1956 年达特莫茨会议上提出的。人工智能是计算机科学的一个分支，其目的就是了解人类思维的产生、演化的实质，生产出一种能以人类智能相似的方式作出反应的机器智能。学术界发展了众多理论和原理，研究范围包括机器人、语言识别、图像识别、自然语言处理、决策支持和专家系统等。目前在计算机领域内，人工智能得到了愈加广泛的重视，并在机器人、经济政治决策、控制系统和仿真系统中得到较多应用。
人工智能是一门极富挑战性的科学，是期望将人类思维过程的各种特点展现出来，并且输入给机器，使得机器具有类似人类的智能。尤其对于形象思维的研究者来说，必须懂得计算机科学、心理学和哲学等广泛的知识，仅有逻辑推理的知识还不足以作出新的尝试。在工程和科学研究中，通过模型拟合原始数据并且得到相似的性质就已经表明这个模型得到了充分的认识。从这个意义上说，如果我们的人工智能能够有效地“拟合”人类的思维，使其具有人类思维相似的输出，那么就是人工智能学科取得的巨大突破，是科学认识人类思维之谜的重要努力。

二、人工智能研究的基本思维方法

根据人类思维的分类，直观上看，人工智能的研究必然是从这两个层次分别展开的。但是由于形象思维具有的主观性和模糊性，回顾历史会发现，人工智能的起源自然地基于心理学对经验知识的逻辑背景进行研究的结果。逻辑学和计算语言学的快速发展，为人工智能将逻辑思维进行符号化奠定了基础。而前文业已提到，模拟思维进入研究视角之后，神经网络和模糊数学等快速发展得以帮助人工智能研究逐步进入形象思维的模拟化领域。
（一）人类逻辑思维的符号化
早期的人工智能注重发挥“发现启发式”知识在模拟人类思维过程的重要作用，将“知识”表达成逻辑形式加以利用，往往称为“基于逻辑的心理模型”。传统的人工智能可以概括为符号表达、逻辑推理、启发式编程，或者称之为对成熟的、正确的思维的再现，这就是对人类逻辑思维进行符号化研究的核心含义。
人工智能的历史上，在著名的达特莫茨会议的一段时间内取得了一些引起人们关注的结果[2]：山侬的下棋程序；纽厄尔、肖和司马贺的通用一般问题求解GPS；鲁滨逊的归结原理；王浩的机器定理证明；尼尔森的A3搜索算法；塞木尔的下棋程序；塞夫伯利支的小鬼模型；明斯基的语义信息处理等，这里不一一列出。在上述成绩面前，当时一些醉心于人工智能发展远景的西方学者曾作出了充满乐观的语言：不出10年计算机要成为国际象棋冠军；不出10年计算机将能谱写具有优秀作曲家水平的乐曲；不出10年，大多数心理学理论将在计算机上形成[2]。
在符号化表示的人工智能中，最有代表性研究思路就是“一般问题求解”，基于逻辑谓词和命题公式演算的推理在问题求解中起到核心作用。改进的方法中，在推理上进一步加入了启发式的搜索过程，这项工作以及以数字计算机为原型的“物理符号系统假设”深刻地影响了整个人工智能的发展。但是，也正是由于这种推理规则，使得复杂问题求解和机器学习遇到了推理规则难以描述、推理过程过于复杂、推理时间空间要求过高等一系列问题，导致了对于逻辑思维的自学习功能在符号推理系统中的难以实现，这种对人类思维“量智”——符号化的逻辑思维的模拟与复制遇到了较大的困难。当然，上述的乐观预言也难以“按时”实现。
（二）人类形象思维的模拟化
在将人类逻辑思维符号化的努力陷入困境之后，科学家转而开始考虑另一种研究方法——思维的模拟化。显然，模拟化的研究方式可以突破逻辑思维的限制，将人类形象思维的研究也纳入了其中。1983年，诺贝尔经济奖及计算机科学的图灵奖获得者司马贺在1995年获国际人工智能学会终生荣誉奖时发表演说时谈到了人工智能中“直感、顿悟和灵感”等话题，专门说明了这些与智能密切有关的“只可意会、不可言传”的现象及其模拟问题，进一步表明了形象思维的模拟对人工智能研究能起到很好的引导作用。
目前形象思维模拟的主要手段是以模拟与复制形象思维相关的“象智”——人工神经网络联接为主的联接机制方法。从具体的计算处理方法上来说，联接机制方法另辟了新的途径，就是采用并行处理及分布式表达的方法。具体来说，这种方法用“若干个结点，每两个结点间可以连接起来的网络”表示信息。以往用以表示知识的语义网络是一个结点与一个概念对应，而人工神经网络是以结点的一种分布模式以及加权量的大小与一个概念对应。这样即使每个结点上的信息属性发生了畸变与失真，也不至于使网络所表达的概念的属性产生重大的变化。另外有些共同的单元上的信息也可以用来表达相类似的概念。比较著名的人工神经元网络模型有霍普费尔德网络、反向传播网络、自适应共振理论网络等。
虽然人们认识到形象思维的模拟化的重要性，但用包括上述神经网络联接方法在内的各种方法来模拟形象思维也和逻辑思维的符号化表示一样，未能获得完全成功。随着新技术的发展，计算机的体系结构上新的突破也将会是人类期望能够带动思维模拟化研究的重要拉力——以生物计算机、量子计算机和光子计算机为代表的新计算机研究受到了人工智能专家的极大关注；另外，人们对人工神经网络连接和生物学进一步结合的网络模型也抱有很大希望。
（三）思维实现的工程化
尽管人工智能本身的研究还处于一个逐步求精、等待突破的阶段，但是前期符号化和模拟化的一些研究成果业已得到了工程专家的注意和实现，比如决策支持、智能机器人、人脸识别和语音信号识别等工程化实例已完成。在工程技术专家眼里，人工智能系统的复杂程度一方面取决于系统本身，另一方面取决于系统的运行环境，所以在研究的思维方式上必须高度重视工程化，重视工程实现和特定问题的解决。
现场人工智能强调的是一个智能系统，例如研制一个智能机器人，着眼点在于机器人的各个部件之间的相互作用，由于部件间的交互作用，最终体现出机器人适应环境的能力，也就是研究者只需要先注意“适应性”的体现。这种工程化实现的主要的目的是尽量降低智能机器人、人造智能的研究难度。钱学森曾经在早期指出我们要研究的问题不是智能机，而是人与机器相结合的智能系统。不能把人排除在外，是一个人机智能系统。从这个意义上说，人工智能的工程化问题已经提到了一个重要的位置上。
另外不容忽视的就是人机系统的认知过程最大特点：交互作用。现代社会，人的集团化和社会属性日益深入，机器的集群性和自组织功能得到发展，所以人机系统这种交互作用的数量、范围是迅速增长。这样社会化的人们和群组机器之间巨大庞杂的数据、信息、知识、概念，彼此间在网络中流动、碰撞、选择组合直至综合集成。诞生在开放、复杂的系统环境中的这种人机系统，正是体现了人和环境的交互作用，使得人工智能的研究得到了及时的应用，反过来也能够促使人智能本身的发展。

三、人工智能研究的思维方式特点

人工智能研究思维方式中具有一般科学研究的主要思维方式，也有自己独特的地方。在上面述各种思维研究方法中，已经可以看出来归纳和演绎、类比和模拟、移植和融合等思维方式[3]在研究中的重要指导作用。
（一）归纳与演绎是早期认识人类思维的基本方法
就认识人类思维的顺序而言，总是先关注某些特殊现象，然后过渡到一般现象的认识中来。比如人工智能一开始的研究领域仅仅限于命题演算的形式系统的建立。通过对于证明、演绎、推理等一般性的思维研究结论，建立起了命题演算系统PC和自然推理系统ND。初步解决了规定的相关前提，获得特定推理结果的效果。其成果是，很好地解决了“给定‘天下雨、天下雨小明就不出去’的前提推导出‘星期三下雨、那么星期三小明出去吗’的结论”这类问题。而归纳是从特殊的、具体的认识推进到一般的抽象的认识的一种思维方式。归纳的前提是存在单个的事实或特殊的情况，所以归纳是立足于观察、经验或者实验基础之上的。人工智能的研究历史中，在PC和ND系统的基础之上，通过对这些公理系统的处理能力进行归纳分析，再次引入了谓词演算及其形式系统FPC、FND等，将推理系统由单独的命题向主谓分开的方向进一步发展[4]。
演绎是由一般性的命题推出特殊命题的推理方法。演绎推理的作用在于把特殊情况明晰化，把蕴含的性质揭露出来，有助于科学的理论化和体系化。在上面所举出的初期人工智能研究的形式系统中，为了进一步提高推理的效率、提高整个体系的完整度，人们发现根据这样的系统能够演绎出众多的原理和公理对推理过程进行简化，因此提出了斯柯伦标准型、消解原理和换位原理等一系列的研究成果。
（二）类比与模拟是当前实现思维模拟的主要手段
类比是在两类不同的事物之间进行对比，找出若干相同或者相似点之后，推测其在其他方面也可能存在相同或者相似之处的一种思维方式，然后加以模拟，得出相关的结论和性质。由于类比是从人们已经掌握了的事物属性，推测正在研究中的事物属性，因此类比具有的结果是猜测性的，不一定可靠，但却是创造性思维的重要方法。在人工智能解决机器自学习性的问题上，就采用了实例学习、类比学习、记忆学习和观察学习等多种方法。尤其是类比学习的问题求解模型中，通过“从机器记忆中找到类似的概念和技巧，把他们转换为新形式以便于新情况”的解决思路更加充分地体现了类比的思维特点。
模拟同样也是以类比为逻辑基础的，是通过模型去模仿和拟合人类智能的合理结构特性和特殊的功能、原理的科学的研究方法。从前面的人工神经网络类比人类思维过程可以看出，其就是模拟了生物体脑部和神经的活动规律所作出的问题求解模型。现在，相当多的心理学家、生物学家和计算机科学家、工程师合作，进行人体相关机理的模拟与类比研究。当然，正是由于人体相关机理在心理学和生物学上并没有完全得到揭示，所以人工智能模拟和类比人脑模型的深度就有所欠缺；但同时，这种学科的交叉也带来了双方的共同发展和进步。
（三）移植与融合是将来突破人工智能的重要途径
在人工智能的研究中，往往能够将其他各种自然学科、社会学科和领域知识、理论和形之有效的方法移用到本学科领域中来，为解决本领域的问题提供启发和帮助。这是由于自然界各种运动形式之间的相互联系和相互统一所形成的自然科学、社会科学之间的相互渗透和影响所带来的本质属性、基本方法。同时，这种移植是技术融合、共同发挥效益的基础。例如，人工智能发展的巨大推动是计算数学的发展，而逻辑学的研究成果为其提供了最直接的学术营养。还有，生物计算机的突破将会引入更多的计算智能，这时候人工智能将能直接借鉴相关的生物计算机研究成果。而在人工智能学科之内，神经网络的研究成果已经被成功地移植到相当多的领域中，比如决策支持、人脸识别、知识库系统、专家系统和情感机器人等。同时，决策支持中发展起来的决策树等工程方法也被人工智能中诸如自动推理机、知识表示和自然语言理解等领域广泛采用。除了上述的方面之外，计算机软件工程和编译原理的思想基础和方法也被广泛地应用在自然语言理解和机器智能的工程实现中。可见这种移植与融合是学科在经历了归纳与演绎、类比与模拟之后的高级发展阶段，是学科取得突破的重要手段。尤其在人工智能发展急待突破的今天，广泛吸收生物计算机和其他新的研究成果具有重要价值。

人工智能是一门伴随着计算机的产生而逐渐发展起来的学科，能够有效再现和拓展人类思维，在提高人类认识自身、改造自身、认识世界、改造世界水平的过程中起着不可估量的重要作用，具有重大意义。逻辑思维符号化、形象思维模拟化和实现工程化是人工智能取得进步并进一步应用到工程中的基本思维方法。在人工智能的发展历史上，第三部分所分析的六种思维方式也分别起到了不同的促进作用，一定程度上帮助树立了人工智能的科学地位。但同样不可否认的是，目前人工智能的研究遇到了与人类脑部结构与工作原理之谜一样的重大难题。因此，在学科研究的思维方式角度，对人工智能学科做重新审视和方法梳理是必要的，也非常有益。从早期、现在和将来人工智能的研究状况、发展趋势来看，拥有了融合的技术、开放的态度等重要思维特质的现代科技发展潮流将是人工智能学科领域取得重大突破的重要机遇。

[参考文献]
[1] 齐  欢，数学模型方法，华中科技大学出版社，1995.1。
[2] 戴汝为，从基于逻辑的人工智能到社会智能的发展，自然杂志，第28 卷第6 期。
[3] 何克抗，人类思维的基本形式，北京师范大学思维研讨会，2007.1。
[4] 石纯一等，人工智能原理，清华大学出版社，1993.10。
[5] 刘戟锋等，现代科技革命与马克思主义，国防大学出版社，1999.9

转载本文请联系原作者获取授权，同时请注明本文来自张海粟科学网博客。
链接地址：https://m.sciencenet.cn/blog-237587-223826.html

上一篇：从网上搬家说起云计算
下一篇：“真相大白”背后隐藏的秘密