|
在现代科学所面临的三大难题一一宇宙的起源、生命的起源、智力的起源之中，智力的起源可能是最困难而且同时又是与现实生活关系最为密切的一个难题。从宇宙进化的角度来看，智力是从物质到生命，从生命到精神的最高发展阶段；从生物进化的角度上看，智力也是自复制有机分子、细胞、多细胞生物、智力这四大进化中的关键点之一。在所有这些问题之中，智力可以说是与现实生活关系最为密切，但又是所知最少的一个问题。解开智力之谜，把精神世界完全纳入科学视野，不仅对开拓人类认识是一个重大的贡献，而且能为理解人性，为自然科学与社会科学的统一提供理论基础。 正因为精神世界如此重要，古代先贤早已十分关注这一领域，但由于当时科学水平的限制，只能采用哲学忠辨的方法来探究精神的奥秘。现代科学发端于17世纪，物理学、化学、生物学这些以物质世界为对象的学科先后从哲学或神学之中独立出来，在日新月异的发展中不断取得辉煌的成果。受到现代科学成功的鼓舞，19世纪产生了作为一个独立学科的心理学，从此对于精神世界的研究也开始走了上科学的道路。但是，心理学的发展却远不像其他学科那样顺利。历经100多年的发展，心理学中仍未能建立起像牛顿力学、相对论、化学键理论或基因学说那样的能够得到学界公认的基础理论。由此也可以看出，在物质世界的研究中行之有效的范式，在精神世界中未必全部可以简单地照搬，精神世界的研究可能需要不同的研究范式。 20世纪是科学迅猛发展的世纪，特别是40-50年代，计算机的发明，控制论、信息论、系统论的建立，为精神世界的研究提供了强有力的思想武器和物质基础，以计算机模拟人脑功能为目的人工智能和以信息处理模型为基础的认知心理学成为热门的学科。40余年的研究取得了丰硕的成果，但至今仍未能破解智力之谜。人们逐渐认识到单一学科的局限性，在现代科学逐步走向综合，边缘学科蓬勃发展的形势下，70年代出现了以多学科合作为特征的认知科学新领域，企图通过哲学、心理学、、人工智能、脑神经科学、人类学、语言学等多学科的融合、发展，揭示智力的原理。从现实状况来看，认知科学所提供的统一的旗帜并未自动地带来统一的理论基础，各学科各自为战所产生的盲人摸象的局面远未得到改善。为了使分散的学科进入有机的综合，探讨以下的两个问题是有益的：第一个问题是，各学科在认知科学领域中的作用和局限性；第二个问题是，智力之谜目前最重要的突破口在何处。  应该说，人工智能的基本思想仍将是认知科学的基本思想，计算机仍是我们考验关于智力的理论的最严格的手段。虽然近年人工智能看起来像是在走下坡路，但究其原因还是过去对智力的理解过于肤浅所致，人工智能需要理论的展拓。人工智能的基本思想主要有两点，一个是用计算机实现智能，另一个是功能主义（functionalism），即计算机要在功能上逼近人的智力，而在算法和硬件实现层次则可以不同。以往人工智能的失误在于所追求的功能过于局部和表面，缺乏深度和普遍性，而不在于功能主义的思想。对于功能主义的一个批评是多种可能理论问题，即对于某种认知过程总可以提出多种不同的计算理论而难以选择判别，但这一问题只是由于对认知过程不恰当的分割所引起的，如果对于认知过程全体去追求计算理论的话，我们所面临的就不是多个理论并存，而是没有理论。而且多理论并存的局面主要出现在认知心理学领域，只要进入计算机实现的领域就会感到真正有用的理论不是太多而是太少了。当然，认知心理学的很多实验方法虽有不够严密的缺点，但对于了解人脑实际情况仍有其不可替代的作用，可以得到很有启发性的成果。 近年来脑神经科学在技术手段上有了飞跃的发展，可以用相当高的时间和空间分辨率观察脑内活动的实际过程。如何解释脑活动的时空分布仍需要其他学科的理论帮助，但脑神经科学无疑是重要的启发来源和验证手段。由于认知科学与哲学认识论所研究的内容具有很大的共性，哲学对于认知科学应该具有方向性的指导作用，但目前的现状是哲学本身对于认识论也缺乏一致的看法，因此在相当长的时期内，哲学的认识论与认知科学之间仍将是互相启发、共同发展的关系。在以往关于智力的研究中，语言学的作用是被过分夸大了。语言是智力的产物和工具，但不是最基本的要素，不应把语言的规则看作智力的规则。人类学对智力研究的启发不算太多，它对于区分智力中文化与遗传的因素可以提供有益的参考。  综上所述，计算机模拟的方法仍是智力研究中最有力的方法，其明显的特征是，研究主要依靠发明而不是发现。虽然我们可以说一切科学理论都是发明，但在这一点上计算机科学比其他学科更为显而易见。当然，这些发明需要心理学、脑神经科学等其他学科的启发和验证，但计算机模拟仍是最严密的验证方法。 第二个问题是智力研究的突破口在何处，也就是说，我们设定什么样的难题为主攻方向对于破解智力之谜最为有利。在《认知科学导论》（章士嵘著，人民出版社，1992）一书中，作者把认知科学面临的难题归结为三点：一，整体主义与还原主义的争论；二，智能的计算机模式与社会学模式的冲突；三，天赋论与建构论的理论分野。然而，这三个难题都不是很难的问题。关于整体与还原之争，可以说没有分析的整体主义不可能带来任何有意义的知识，但在执行还原主义的分析方法时应该注意的是，分析必须以综合为目标，元助于综合的分析是失败的分析。关于计算机模式与社会学模式之争，二者之间其实并不矛盾，如果计算机全面实现了人的智能，包括学习能力，那么它当然能够在社会之中汲取必要的知识，这一点和人并无不同。因此认知科学首先应该走计算机模拟道路，实现人的学习功能，其后才是社会学问题。天赋论与建构论的争论并无太大意义，人类源于遗传与文化双方是显而易见的，例如学习语言的能力是先天的，而说哪种语言则是后天的。真正需要弄清楚的问题是，人类的哪些因素是先天的.哪些是文化的。更重要的是为了实现建构或学习，需要什么样的先天基础功能和结构。  从历史的角度来看，智力源于生命。在生物进化的长河之中智力经历了漫长的发展过程之后达到了今日的高度。单细胞的菌类或藻类可以对食物浓度差或光照强度差作出反应，游向食物或光线充足的地方，也可以算是智力的萌芽，但现在我们不把这种低级形式的智力看成研究智力所应考虑的问题，因为这种简单的反应用普通的电路就可以实现，是已经解决了的问题。我们所关心的是人与其他动物（例如猩猩）产生差异的那种智力。因此对于智力来说，首先应该弄清楚的问题是，人和其他动物最重要的区别在哪里？ 关于人与动物的区别，我们可以举出很多很多。例如人会说话、会下棋、会作算术题而猩猩不会等等。但是这些个别的能力只是智力的产物，却不是智力的原理。我们已经造得出会说话、会下棋、会作算术题的计算机，但凭心而论，这些计算机的智力与人相比还有天壤之别。抛开表面现象从更深的层次上看，人的智力主要体现于远高于某他动物的学习能力。动物的生存能力主要源于本能，而人的生存能力则主要依赖后天的学习获得。人的智力在进化史上似乎是个偶然的例外。一个问题是，既然愚蠢的动物们都很好地生存着，是什么因素迫使人类变得如此聪明呢？协同进化的理论为此提供了一种解释：灵长目具有初步的模仿能力并能创造一定的文化，长期的积累过程使得文化中包含的生存技能比重加大到某种程度之后，牺牲固定本能而换取学习能力就更有利于适应，从而使智力得到发展，而更高的智力又能创造更多的文化资源，使智力获得更大的价值，这样的正反馈式的协同进化迫使人类逐步失去具体技术的本能，换来了学习的本能。 由此可见，学习能力才是智力的核心。如果不是以某种具体的工程应用为目的，而是以揭开智力之谜为目的，则人工智能的研究目标不应是模仿人的某项具体技能（下棋、证明定理、翻译等），而应当是具有充分的学习能力，从而可以从环境中，包括和人的交往过程中学习语言和任何具体技能的智能系统。  建造这种具有近乎人脑的学习能力的智能系统是一个复杂而艰巨的任务。为了实现这一目标，需要将复杂的大任务分解为更具体的难题，以便各个击破。人工智能的一个经典问题是知识表现，而在决定知识表现之前首先需要决定的是用什么作为知识表现的基本元素。关于这一点有两种现成的见解：符号主义所主张的符号和连接主义者所主张的权值。符号的优点是简明扼要，但基于符号的知识表现对于组建具有高度学习能力的系统是不适宜的，原因之一是符号与现实世界的关系需要外在的人为定义，其次是符号难以柔性地表现对于举一反三极为重要的相似关系，不利于实现学习所需的比喻和类推机制。权值作为知识表现的基础没有上述的缺陷，但由于其层次过低，对于组成更复杂的系统缺乏指导意义。按照模式识别的思路。应该选择权值与符号之间的特征作为知识表现的基元，其优点是具有高度的灵活性，向上可发展到符号，向下可关系到权值。用特征集表现概念，比符号的柔性大得多，特征的减少与增加就可以扩大和压缩概念范围，实现概念的泛化与特化。 由此可知，解开智力之谜，制造具有高度学习能力的系统，第一个需要解决的难题就是如何通过学习得到所需要的特征。以往研究的模式识别系统中，特征及获取特征的算法都是人为给定的，其模式识别的能力与人还有很大的差距。关于特征获取的学习算法已经有不少，但如何利用这些算法组成一个不需要人的直接干预，自行学习获得任何所需特征的特征生成系统，则还是一个长远的任务。大量的特征可以分成不同层次来考虑，低层次的特征与传感器关系密切，其获取方法与传感器的物理特性有关，在生物中低层特性的获取能力更多地依赖先天遗传，对人工系统而言则可以在设计时给定。中层的特征由低层特征在系统行为过程中通过学习组合而成，高层次的特征则更多地依赖于与文化之间的交流。 人类智力所表现的学习能力是非常广泛的，不仅能学习靠特征识别事物（关于“是什么”的知识），而且能学习各种技能（关于“怎样做”的知识），更重要的是能够通过学习提高决策能力（关于“做什么”的知识）等等。各类知识之间又是互为因果、相互促进的关系。例如，对于任何事物都可能有元限多的特征，我们之所以选择某些特征来界定某一事物，对事物作一个或粗或细的分类，其目的在于使同一类的事物可以用相同的方法处理。因此技能对于特征具有深刻的影响，“是什么”主要是由“怎样做”决定的。反之，识别能力的增强对于技能的增长显然是有利的。识别能力和技能会影响决策，人不会决定去做一件做不到的事。另一方面决策又是识别和技能学习的基础，决策系统告诉其他的学习系统学什么和不学什么，怎样才算学好了。  决策的根据是评价的结果。人的体现智力的行为，是在有意识或无意识之中综合自身意愿、目标、环境状况等诸多因素，决定自已做什么和怎样做。这是一种决策，依赖于对自标和方法的评价。另一方面，各种各样的学习过程无不需要某种评价准则作为引导，否则学习是不可能进行的。人的评价体系有遗传的部分，例如对气味、味道的好恶，有从经验中学习得到的部分，也有从文化中汲取的部分。我们的第二个大难题就是：如何在人工的系统中，实现这种能在学习过程中自行发展的评价体系。有意识的评价往往表现为情绪。以上的难题也可以表现为：如何制造出有感情的计算机。人与动物的一个重要的区别在于人有意识。虽然我们尚难断定猴子是没有意识的，但二者之间显然存在很大的差距。以往的人工智能研究大多数不考虑意识的作用，但意识能够在进化中得以产生，并与智力同步发展，不可能是与智力无关的“伴随现象”。某一种单纯的学习过程可能不需要意识的参与，但复杂而多样化的学习过程就需要意识作为一种学习的组织者而存在。意识与学习的关系可以从以下事实得到说明：学习新的技能需要有意识的注意，但已经熟悉的动作则可以无意识地完成。因此我们的第三个难题是：如何使机器具有意识。 识别（特征）、感情（评价）和意识这三大难题当然不能包括智力的全部问题，但这三大难题的解决可以使人类在解开智力之谜的道路上获得突破性的进展。三个难题不是孤立的，相互之间关系密切，只有在具有高度学习能力的复杂巨系统这种背景下才可能得到有意义的答案。 整理不易，欢迎打赏  赵南元，江苏省武进县人，1946年4月29日出生，教授。1970年毕业于清华大学自动控制系。1985年于东京工业大学获工学博士学位。现任职清华大学自动化系教授，出版学术专著《认知科学与广义进化论》。 |
|
|
