|
《计算机仍然不能做什么——人工理性批判》 MIT版导言 《计算机不能做什么》的这个版本不仅仅是出版商的变化和书名的微小更改，也意味着形势的变化。现在这本书不是提供在持续进行的辩论中的一种有争议的立场，而是过去一段历史期间的观点。现在20世纪快要结束，而这个世纪伟大的梦想之一显然也正在终结。差不多半个世纪以前，计算机的先驱阿伦·图灵曾经提出：使用规则和事实编程的高速数字计算机，可以显示出智能行为。这样在后来就诞生了人工智能。然而，经过了50年的努力，现在除少数顽固者外，显然产生通用智能的努力已告失败。这种失败并不意味着此类型的人工智能是不可能的，也无人能提出这样的否定性证据。但是至少在目前，或多或少已经证明：基于人类通过规则和事实产生智能的假设的研究纲领，已经走到了尽头，没有理由认为它会一直成功。事实上，对于约翰·豪奇兰德（John Haugeland）所称的好的旧AI（GOFAI：Good Old-fashioned AI），就是科学哲学家称为退化的研究纲领的一个典型例子。 伊姆雷·拉卡托斯定义的退化的研究纲领，是指这样的科学计划：它以美好的前景而开始，在一个有限的领域内提供新的研究方法而产生印象深刻的成果。不可避免地几乎所有研究者都想在更大范围内应用新方法，开始时在某些方面也会有与旧研究方法下相同的一些问题。只要新的研究方法成功，研究纲领将会扩展并吸引后来者。然而，如果研究者一开始遇到了未预见到但又重要的现象，而它们始终与新技术相抵触，那么研究纲领将会停滞不前。只要更进步的备选方法出现，研究者将会尽快放弃此纲领。 我们在GOFAI的历史中看到的正是这种模式。GOFAI的研究纲领因艾伦· 纽厄尔（Allen Newell）与赫尔伯特·西蒙（Herbert Simon）在兰德公司的工作而具有良好开端。50年代后期，纽厄尔和西蒙证实了计算机能完成比计算更多的任务。他们演示了能用于表示任何事物的计算机二进制位串，包括表示真实世界的各种特征，这样他们的研究纲领就能被用为把这些特征联系起来的规则。然后，计算机中的表达式结构表征了具有相同结构特征的世界的事务状态，而计算机作为物理符号系统存储和操作这些表征（Representations）。这样，纽厄尔和西蒙宣称：计算机能模拟智能的各个重要方面。心灵的信息加工模型由此诞生了。 纽厄尔和西蒙的早期工作令人印象深刻，到60年代后期，由于一系列微世界的成功，例如：特瑞·温诺格拉德（Terry Winograd）的SHRDLU程序，它能通过移动模拟的理想方块来响应类英语的命令（参见第12-13页），人工智能已经成为一个欣欣向荣的研究纲领。这个领域拥有博士学位项目、专业团体、国际会议甚至大师。看上去所有要做的就是扩展、组合和提出更现实的微世界，它很快会拥有真正的人工智能。麻省理工学院的人工智能项目主管马文·明斯基（Marvin Minsky）宣布：“在一代人的时间内，将根本上解决创造’人工智能’的问题”。 接下来，这个领域突然遇到了未预料到的困难。由于通过编程理解儿童故事的努力失败，麻烦出现了（参见第57-62页）。程序缺乏四岁儿童的常识，没人知道怎样赋予程序理解最简单的故事所必须的背景知识。一位熟悉的理性主义者的梦想成为问题的关键。GOFAI基于笛卡尔式的观念：所有的理解都是形式化的并使用恰当的符号表征。对笛卡尔而言，这些表征是原子观念（primitive ideas）或实体（elements）组成的复杂描述。康德增加了一个重要的观点：所有的概念是关联这些实体的规则。弗雷格指出这些规则可以形式化，这样无须本能和解释即可操作它们。考虑到计算机作为可能的形式符号处理机的性质，人工智能将这种理性主义者的愿景变成了它的研究纲领，并开始搜索能掌握日常常识的原语(primitives)和形式化规则。常识理解由巨大的数据结构表征，这个数据结构由事实以及关联和应用这些事实的规则组成。然而已经证明，这比任何一个人期望的形式化要难得多，更不用说对常识的理论的形式化了。这不是明斯基希望的仅仅是对1000万种事实编排目录的问题。明斯基的态度在十四年的过程中完全改变了。1982年他告诉记者：“人工智能问题是曾研究过的最困难的科学之一”。 回想起来，我从1965年以来的工作，是不断变化地尝试对我的直觉进行辩护，这基于我对马丁·海德格尔，莫里斯·梅洛·庞蒂以及后来的维特根斯坦的研究，而GOFAI的研究计划最终失败了。对与我们相关联的心智的符号信息处理模型的内在困难，我首先认识到是我们的整体感，以及需要涉及持续进行的活动，而符号表征是原子论的并且总体上与这些活动分离开来。到1979年《计算机不能做什么》出版第二版时，我曾经含糊地称为整体上下文环境所指出的表征问题，已逐渐被人工智能研究者意识到是一个严重的障碍。因此我在新的导言中试图指出他们所称的常识问题，并不是真正关于如何表征知识的问题。某种程度上，当我们指涉事和人时，允许我们体验当下所与之相关的日常常识背景的理解似乎就是实践知识（know-how）。除了构成人类的所有兴趣、感觉、动机和身体上的能力之外，这种问题恰好是这种实践知识(know-how)，即它会被作为理性知识(knowledge)转达给计算机——作为庞大和复杂的信念系统——在符号表征中，它组成我们仿佛明显成为人类的那些不可言喻的、前概念的背景理解，而这对我而言这是无望的任务。 基于这个原因我质疑GOFAI技术能解决常识问题，但这不能证明我这样的怀疑：即组成常识背景的实践知识本身不能由事实和规则构成的数据结构表征。假设我们的背景知识主要由指涉事和人的技巧而不是由关于它们的事实组成，我所需要的就是反对那些假设这种技巧能以符号化形式表征的人们的观点。我的兄弟斯图阿特（Stuart）原已在技巧获取(skill acquisition)的现象学解释中提出过一个遗漏的观点。 他指出，技巧获取通常以学生学习和运用规则开始，这些规则用来掌握上下文无关的原理。这在信息加工模型中有些是真的。这样象棋初学者学习遵循与诸如中心控制（center control）和子力平衡（material balance）等特性有关的规则。然而，在一个人开始理解某领域之后，他看到的是有意义的各个方面，而不是上下文无关的各种特性。于是更有经验的棋手看到的是诸如不平衡的兵卒结构或者王翼薄弱等上下文相关的特性。接着一个有能力的玩家学会设置目标，然后就基于目标达成所相关的角度来评判当前局势。接下来在积累大量经验后到了精通的阶段，玩家能够将局势视作具有趋于确定结局的确定意义(certain significance)，而局势的某些方面主要与结局相关。例如，假设有一盘合适的棋盘局势（board position），几乎所有的高手在观察几秒钟后都会看到如果要赢白棋必须攻击王翼。 最终，在积累更多经验之后，一个人达到了立即看出来必须如何走的水平。例如，一个国际象棋大师，不仅几乎能马上看出局势中的问题，而且脑海中也立刻想出了正确的应对。不用去猜想这是初学者的特性及规则，还是其他特性或规则在这种专家级的表现中发挥作用。如爱德华·费根鲍曼（Edward Feigenbaum）所表明的：我们在学习系鞋带时曾遵循的规则，并不表示任何时候我们系带子时仍然必须无意识地遵循同样的规则。这就象是生成因为我们在学习如何骑自行车时需要训练的轮子，那么现在我们骑车的任何时候都必须用一个看不见的轮子。没有理由认为获得技巧时起作用的规则也会在后来的应用中起作用。 然而，当《机器心智》（《Mind Over Machine》）出版时，斯图阿特和我面对同样的反对意见：它针对我在《计算机不能做什么》中对整体论的呼吁。批评者说你可以描述如何感知专业技能，但我们解释智能行为产生的唯一途径是用符号表征，因此这必定有潜在的因果机制。纽厄尔和西蒙采取符号人工智能的这种类型的辩护： “符号系统假设的主要证据。。。是负面的：即关于智能活动如何通过人还是机器完成的特定假说的缺位。” 为了回应物理符号系统研究计划的这种“余者可能是（what else could be）”的辩护，我们在《机器心智》中呼吁一种有点含糊和似乎不合情理的观念：即大脑可能存储与适当的应对相配对的局势的全息图像，从而可以用过去曾成功地应对相同局势的方法来应对局势。关键概念是在全息图像匹配时人们有一个相似性识别的模型，它不需要根据一组通用的特征来分析两个模式的相似性。但是这个模型是没有说服力的，没人发现在大脑中有任何类似全息图像的东西。 这时候，就象《摩登时代》的查理斯·卓别林正好在革命者聚集时拿着红旗从检修孔出来一样，我们高兴地发现自己被迅速发展的不同类型的神经网络建模者包围。当常识知识问题继续阻碍在问题求解中如此有效的技术，而模式识别和学习已被证实比预想得要难解决得多时，在长时间休眠后使用计算机来产生智能的替代方法作为有吸引力的研究纲领重新浮现。神经网络革命者——也成为联结主义者的胜利到来，结束了GOFAI研究纲领的退化。 我们通过对大脑学习能力而不是对世界的心灵符号表征建立模型的提议，不是从哲学中而是从很快被称为神经科学的领域获得灵感。这直接来自于赫布（D.O.Hebb）工作的启迪，他在1949年提出如果神经元A和神经元B的同时兴奋增加了两者之间的连接强度，大量神经元就能够学习。50年代后期弗兰克·罗森布莱特（Frank Rosenblatt）追随这种先知灼见，他考虑到由于可能难以形式化智能行为，人工智能应代之以试图对神经元网络学习区分模式和恰当响应的过程进行自动化。寻求符号表征的研究者希望获得能赋予计算机解决确定问题或区分确定类型模式能力的形式化结构。相反，罗森布莱特想建造一个物理装置，或者在数字计算机上模拟这样的装置，它能产生自己的能力。 当符号人工智能似乎走入困境时，唐纳德·诺曼（Donald Norman）的平行分布式加工小组和其他人开始审查罗森布莱特项目的种种变化并获得了令人惊讶的成功。很快，受挫的人工智能研究者——他们疲于坚持杰瑞·莱特文（Jerry Lettvin）在80年代早期称为“仅有的救命稻草（the only straw afloat）”的研究纲领，开始投靠这个复活的范式。罗姆哈特（Rumelhart）,麦克莱兰德（McClelland），以及平行分布式加工研究小组的两大卷作品，《平行分布式加工》，在1986年上市时有6000本延期交货，现在还有超过45000套在印刷中。就像苏联的解体一样，GOFAI研究纲领崩溃的速度使每个人，甚至是我们当中预测其或早或晚会发生的人都大吃一惊。 |
|
|
