|
中国人工智能学会承担了中国科协的项目《人工智能学科方向预测及技术路线图研究》， 由理事长李德毅老师牵头负责。2018年2月3日《人工智能的历史研究》课题组发布了前三部分的初稿。3月30日发布第四部分“人工智能历史研究涉及的史实梗概：事件编年史”的初稿。现在发布“七.3 基础理论研究是人工智能持续发展的保证”，广泛征求大家意见，再进一步修改完善。 钟义信，曾任中国人工智能学会理事长中国人工智能学会理事长。 研究人工智能的历史，首先需要准确界定“人工智能”以及与之密切相关的概念。否则，虽然人人都在论说“人工智能”，但是各人心目中所想象的“人工智能”却各不相同，就会陷入同床异梦的尴尬，很难得到共同的认识和有意义的结论。
（一）“人工智能”术语的界定
首先要问：什么是“人工智能”？ 一般来说，“人工智能”这个概念是相对于“人类智能”的概念而言的，这当然是因为，“人类智能”是“人工智能”的原型；或者，反过来说也同样成立：“人工智能”是“人类智能”的某种人工实现。因此，为了说明“人工智能”的概念，首先就应当说明“人类智能”的概念。 分析表明，“人类智能”是“人类智慧”的一个子集。“智慧”和“智能”两个概念之间具有非常密切的联系，但是也有显著的差别。一般，“慧”多指人的认识能力和思维能力，如“慧眼识英雄”；“能”多指做事的能力，如“能者多劳”。世间只有“万物之灵”的人类才拥有至高无上的智慧；各种生物虽然也可以拥有不同程度的智慧，但都不如人类智慧那样完美。所以，如果能够准确阐明“人类智慧”的概念，那么，“人类智能”和“人工智能”的概念就容易把握了。 以下就来解析这些概念及其相互之间的关系。
概念1:人类智慧
人类的智慧，是人类所拥有的独特能力，即：为了实现改善生存发展水平这一永恒目的，人类需要凭借他的先验知识不断地发现需要解决而且可能解决的问题，预设求解问题的目标（认识世界）；把这样确定的“求解问题－预设目标－领域知识”作为初始信息，并根据初始信息来生成和调度知识、进而在目标的引导下利用这些初始信息和知识去生成求解问题所需的策略和行为，实现问题的求解（改造世界）；倘若求解的结果与预设目标之间存在误差，就把误差作为新的信息反馈回去补充初始信息，由此去学习补充新的知识，优化求解策略，改善求解的结果；这种“反馈－学习－优化”过程可能需要进行多次，直至达到目标。如果无论怎样优化都不能满意地达到预设目标，就要修改预设目标重新求解（在改造客观世界过程中改进自身）。 以上就是人类智慧的概念。 由此不难做出以下两点归纳和引申： （1）人类根据自身目的和知识发现问题、预设目标、以及修正目标的能力是人类独有的能力，是人类智慧能力中最具创造性的能力，需要目的、知识、直觉、感悟力、启发力、想象力、灵感、顿悟、以及美感等等这样一些“内隐性”认知能力的支持，因此称为“隐性智慧”。 （2）根据隐性智慧所定义的初始信息（“求解问题－预设目标－领域知识”）求解问题的能力，也是创造性的能力，但主要需要有根据初始信息来生成和调度知识、并在目标引导下由初始信息和知识生成求解问题的策略这样一些“外显性”操作能力的支持，于是称为“显性智慧”。 人类智慧就是隐性智慧和显性智慧两者相互作用相辅相成相互促进的结果。也可以表述为：人类智慧就是“人类认识世界和改造世界并在改造客观世界的过程中改造主观世界”的能力。
概念2:人类智能
在人类智慧的概念中，由于隐性智慧所具有的“内隐”特性，通常需要由人类自身来承担；而由于显性智慧具有“外显”特性，却可以通过人工的方法在外部来模拟实现。注意到，由于科学技术的进步（特别是微电子技术、纳米技术、微机械技术、新能源技术等等），人工方法在操作的速度、精度、持久力、对工作环境的耐受力等方面都已经远胜于人类，因此，利用人工方法模拟显性智慧乃是“把人类从显性智慧相关的劳动中解放出来”明智之举。为了推动人们对于“显性智慧”的模拟研究，就把显性智慧特别地称为“人类智能”。 也就是说，人类智能是“人类根据初始信息来生成和调度知识、进而在目标引导下由初始信息和知识生成求解问题的策略并把智能策略转换为智能行为从而解决问题的能力”。
概念3:人工智能
人工智能，就是人类智能（显性智慧）的人工实现。 更具体地说，人工智能是“机器根据人类给定的初始信息来生成和调度知识、进而在目标引导下由初始信息和知识生成求解问题的策略并把智能策略转换为智能行为从而解决问题的能力”。
概念4：机器智能 “机器智能”与“人工智能”等效。
如上所见，由于“人工智能”与“人类智能”以及“人类智慧”这些概念之间存在非常深刻的联系，而“人类智慧”的概念又具有极其复杂的内涵，难免在社会上以至在学术界都存在许多似是而非的模糊认识。 这些似是而非的模糊认识（特别是学术界的权威人士和某些权威机构所发布的模糊认识）很容易使人们坠入迷津，影响人们对人工智能的正确理解，影响人工智能科学技术的健康发展。因此，极有必要加以澄清。
失准概念1:人工智能就是“利用计算机技术从功能上来模拟人类智能”
这是1956年John McCarthy在Dartmouth夏季学术讨论会上提出的“人工智能”的基本含义，也是现今人们所认为的“人工智能的正宗涵义”。由此出发，人们也把1956年作为“人工智能”诞生的元年。 这种认识的贡献，在于正确表达了“模拟人类智能”这个基本目的。 这种认识的主要失误，则表现在： （1）不应当限制“模拟人类智能”的具体手段 － 计算机技术。 对于一项科学研究而言，研究的目的是主要的标志，实现目的的技术手段则应当可以选择。只要研究的目的是模拟人类智能，无论利用何种技术手段来实现，都应当认定它是人工智能研究。 实际上，计算机技术并非可以用来“模拟人类智能”的唯一技术，而且，基于冯诺曼体制的计算技术更不是模拟人类智能的最好技术。另一方面，正如人们所知道的那样，人工神经网络技术和感知动作系统技术也都是可以用来“模拟人类智能”的技术。 （2）不应当限制“模拟人类智能”的具体途径 － 从功能上模拟。 如上所说，只要研究目的是模拟人类智能，无论选择何种途径来实现，都应当认定它是人工智能的研究。实际上，从功能上模拟“人类智能”并非最好的途径，而且，冯诺曼计算机只能进行形式逻辑的演算，不能进行基于内容的辩证逻辑演算，而人类智能则不仅需要处理形式逻辑，而且需要处理辩证逻辑，需要处理情感与意识。 因此，“利用计算机技术从功能上模拟人类智能”只是人工智能的一种特殊情形，而不是人工智能的全部。 如果我们同意以上的分析，那么，就有必要纠正以下几个重要的误区： （1）1956年不是“人工智能研究的元年”，只是“人工智能”这个学术术语和在这个术语意义上的人工智能的元年，而不是整个人工智能的元年。 提出一个学术术语，就像给一个人或一项工作命名一样，当然具有重要意义。但是，不能由此认为，在命名之前的人或工作就不算数了。是“唯名”？还是“唯实”？看问题还是要看实质而不能仅仅看名称。事实上，早在1943年，“利用人工神经网络技术从结构上模拟人类智能”的“人工智能”就已拉开帷幕，经过长期发展，产生了深度神经网络所支持的深度学习等成果。所以，人工智能元年至少应当回到1943年。 （2）1956年诞生的“逻辑符号系统”并不是唯一的人工智能研究，它只是整个“人工智能”研究的一个分支。 如上所述，一项科学研究的目的才是定义这项科学研究的关键要素，因此，同1956年开始的“利用计算机技术从功能上模拟人类智能”的研究属于“人工智能”一样，1943年发端的“利用人工神经网络技术从结构上模拟人类智能”的研究和1990年登上舞台的“利用感知动作系统技术从行为上模拟人类智能”的智能机器人研究，也都都属于“人工智能”的研究。 （3）1943年发端的人工神经网络研究并非与“人工智能”研究无关，它确实是“人工智能”的一个分支。 人工神经网络的研究目的是模拟人类智能，它的技术手段是人工神经网络技术，它的研究途径是从结构上模拟人类智能。 （4）1990年兴起的智能机器人研究并非与“人工智能”无关，它是“人工智能”的又一个分支。 智能机器人的研究目的也是模拟人类智能，它的技术手段是感知动作系统技术，它的研究途径是从行为上模拟人类智能。 （5）完整意义上的人工智能并非“计算机学科的一个分支”。 根据以上分析，完整意义上的人工智能（包括物理符号系统／专家系统，人工神经网络系统，以及感知动作系统）显然并非计算机学科的一个分支。只有其中的物理符号系统／专家系统是计算机科学的分支。 以上这些说法，都是从看得见的“物理实体”得出的认识，属于比较浅层的认识。如果从所有人工智能系统共有的“系统灵魂：信息－知识－智能的转换”来考察，那么，人工智能研究应当属于信息科学领域，且是信息科学的核心、前沿和制高点。
以上分析表明，如果我们仅仅把“人工智能”的研究局限在1956年提出的“利用计算机技术从功能上模拟人类智能”的研究，那么，人工智能的内涵就会受到严重的制约，人工智能的发展就会受到严重的限制。
失准概念2:人工智能就是“让机器做原来只有人类能做的事情”
这是J. McCarthy、P. H. Winston等人以及一些通俗人工智能著作对人工智能所作的表述，优点是十分浅显易懂，因此流行颇广。 但是，这种表述的最大缺点是很不准确。这是因为，“人类能做的事情”可以是一般性的事情（比如，求解问题的显性智慧），也可以是极富创造性的事情（比如，隐性智慧）。人工智能可以做显性智慧的事情，但做不了隐性智慧的事情。所以，这个表述混淆了隐性智慧和显性智慧的区别，是一个很不准确因而容易引起误解的表述。
失准概念3:人工智能是关于知识的学科。
这是Nilsson提出的个概念，它的优点是突出了人工智能与知识之间的关系，在学术界流行很广。 但是，知识并非决定智能的唯一要素。正如本报告第一部分的概念3所说：人工智能是“机器根据人类给定的初始信息来调度知识、并在目标引导下由初始信息和知识生成求解问题的策略并把智能策略转换为智能行为从而解决问题的能力”。可以看出，在人工智能的概念中，知识起着核心的作用，但是，信息（初始信息）却扮演者“启动者”的作用，而目标则扮演着“导引者”的作用。
失准概念4:人工智能会剥夺人类的工作，威胁人类的就业。
这个概念的失准之处在于：人工智能不是“剥夺”人类的工作，而是把人类从一般性的劳动中解放出来。既然人工智能可以也应当超越人类智能，为什么不把这些工作交给人工智能去执行呢？既然人类的最宝贵的优势是“创造力”，为什么不创造条件把人类从一般性的劳动中解放出来，让他们有更多的时间和精力去学习、去研究、去从事创造性的劳动、去发挥最宝贵的优势，从而为人类社会做出更大的贡献呢？ 需要指出，人类创造科学技术（包括创造人工智能）的根本目的，就是希望利用科学技术的成就来帮助人类更好地认识世界和改造世界。因此，利用科学技术的成果替代人类的各种劳动是理所应当而且是天经地义的事情。农业和工业时代发展起来的物质科学技术成果（由各种材料、能源构造的各种动力机械）替代了人类的部分体力劳动，把人类从那些笨重的体力劳动中解放出来，促进了社会生产力的发展。以人工智能为代表的各种信息科学技术成果可以替代人类一部分非创造性的智力劳动，把人类从那些非创造性的劳动中解放出来，可以进一步促进社会生产力的发展。 只要人们了解这个道理，自觉地提升自己的创造能力；政府和各种社会组织主动为人们增强创造能力提供相应的条件和机会（学习和培训），“人工智能剥夺人类工作”的问题就可以得到满意的解决，不会造成社会问题。
失准概念5:超人的人工智能
这显然是一个失准的概念。正如前面所指出的，如果说“人工智能可以超过作为显性智慧的人类智能”，这是完全应当的，而且也是研究人工智能的基本目的。事实上，由于科学技术的进步，机器的工作速度、工作精度、工作的持久力、及其对工作环境的耐受能力都远远超过了人类的相应能力，用这样的人工机器去模拟作为显性智慧的人类智能显然没有问题。如果所有的人工智能都不如作为显性智慧的人类智能，那么这种研究对于人类的解放和人类社会的进步就没有意义了。 但是，如果说“人工智能可以超过作为隐性智慧与显性智慧有机整体的人类智慧”，那就更不合理，因为，迄今没有任何科学证据能够证明：隐性智慧所需要的目的、知识、直觉、感悟力、启发力、想象力、灵感、顿悟、以及美感等等“内隐性”认知能力能够在机器上实现出来。 因此，合理的结论是： （1）人工智能不仅可以、而且应当超越人类智能（显性智慧） （2）人工智能应当超越人类智能，却不可能超越人类智慧。 （3）“强人工智能和超强人工智能”只是一种推断，缺乏科学依据。 由于人工智能科学技术研究的问题非常深刻，人工智能科学技术的应用更是无所不在非常广泛，因此，与“人工智能”相关的各种术语还有很多，其中也不乏存在需要界定的一些问题。不过，由于本报告的性质和篇幅上的原因，这里就不逐一讨论了。
（二）与“人工智能研究”相关术语的规范化
除了上述直接与“人工智能”概念相关的术语界定之外，在人工智能研究方面也存在不少术语需要规范化。同样出于本报告的性质和篇幅的考虑，这里仅从人工智能历史研究需要的角度讨论几个不能回避的术语规范化问题。 回顾人类进步和科学技术发展的历史可以知道，人工智能的研究源远流长。 但是，从实质性的科学研究角度来看，直接以“模拟人类智能为研究目标”的人工智能研究，并不是从1956年才开始的，而是从1943年的McCulloch-Pitts描述人脑神经元功能的工作就开始了（虽然当时还没有提出“人工智能”这个术语）。它从人类大脑结构的角度来模拟人类的智能，称为结构主义的人工智能研究。他们相信，只要把支持人类高级认知功能的大脑新皮层神经网络结构模拟出来，人类的智能就可以实现出来。 由于当时科学技术条件下存在的困难，这一研究进展比较缓慢。虽然M-P神经元模型不断得到改进和优化，以M-P神经元为基础的简单人工神经网络也显示了一些可喜的智能特性（如模拟条件反射能力、自适应的信号处理、英文字母识别等），但是，制作规模更大、复杂度更高的人工神经网络遭遇到工艺上的严重困难。因此，利用人工神经网络来模拟人类智能的研究工作面临“进退两难”的境地：进（研究大规模的复杂人工神经网络），工艺上难以实现；退（退回来研究研究小规模人工神经网络），人工神经网络的智能的水平又严重受限。 到了20世纪50年代的中期，人们看到：一方面，结构主义人工智能的研究工作面临着“进退两难”的困境，另一方面，1945年问世的电子计算机能力却在迅速成长。在这种情况下，“模拟人类智能”的目标依然成为强烈吸引学术界的研究方向，但是模拟人类智能的方法和手段却有了新的选择。这就是1956年Dartmouth暑期学术研讨会前的学术背景。 于是，利用计算机技术来模拟人类智能的功能主义人工智能研究成为了1956年Dartmouth暑期学术研讨会多数与会者们的心声。这是合乎学术发展逻辑的结果。是的，计算机的功能强大，只要编制足够“聪明的软件”，就可以模拟和求解许多问题。但是，计算机求解问题需要知识，小问题需要简单的知识，大问题需要复杂的知识。因此，功能主义人工智能的研究很快便从雄心勃勃的“通用问题求解”收缩到面向专门领域问题求解的“专家系统”。然而，专家系统所涉及的知识也很不简单：（1）某个专门领域的知识到底有多少？没有明确的边界；不同的专家有不同的看法，以谁的看法为准？（2）面对一个专门领域，专家们关注到的知识可能只是与问题直接相关的部分，这些知识的背后还有许多不同层次的间接相关知识，到哪个层次为止？（3）如此追究下去，还有大量的常识知识，谁能说得清楚？（4）而且，怎样才能快速获得这些知识？机器自动获取吗？既不准确更不完整；人工获取吗？极其费时费力。（5）知识推理的逻辑工具能力非常有限。所有这些问题，便称之为“知识瓶颈”。它使功能主义人工智能研究的光彩大为减色。于是，人们又不得不寻找新的出路。 20世纪的80年代，一方面，结构主义人工智能研究虽然发展出了新的神经网络模型与学习算法，走出了“黑暗年代”，迎来了复兴的热潮，但是，“进退两难”的基本制约并未从根本上得到消除。另一方面，功能主义人工智能研究的“知识瓶颈”难关也依然没有得到实质性的突破。 在这种“双重阴影”的笼罩下，一部分研究者自然萌生了这样的想法：既要回避结结构主义人工智能研究所遭遇的结构复杂的困难，也要躲开功能主义人工智能研究所面临的知识瓶颈的羁绊。于是，20世纪的90年代，“无需知识、无需知识表示”的模拟六脚虫爬行能力的智能机器人研究应运而生，给人们带来了新的希望。这就是利用感知动作系统原理进行行为模拟的人工智能研究。 行为主义的人工智能研究虽然可以在一定程度上回避结构主义人工智能研究和功能主义研究所遭遇到的困难，但是，行为主义的人工智能研究本身也注定了要面临自己所特有的困难：它所制造的智能机器人毕竟只能模拟人类的浅层智能。因此，结构主义的人工智能研究、功能主义的人工智能研究、行为主义的人工智能研究各有各的优势，也各有各的困难。看来人工智能的研究仍然是既充满魅力，同时又充满迷茫。 进入21世纪，结构主义的人工智能研究找到了“深层神经网络”，在大数据的条件下可以支持能力很强的深度学习；功能主义的人工智能研究也找到了“知识瓶颈”最少的专门领域：规则清晰且信息透明的机器博弈，打败了国际象棋的人类冠军。特别有意思的是，基于结构主义的深度学习与基于功能主义的机器博弈两者相结合，竟然在最为复杂的围棋博弈领域完胜60多位人类世界顶尖高手，使人工智能重展辉煌。 以上这段人工智能研究过程，是众所周知的人工智能历史。之所以要回顾这段历史，是希望说明，结构主义人工智能研究、功能主义人工智能研究和行为主义人工智能研究是整个人工智能研究的历史中多么重要的关键术语：没有结构主义人工智能研究、功能主义人工智能研究和行为主义人工智能研究，就没有人工智能的历史！ 然而，就是这样一些至关重要的关键术语，在人工智能的学术文献中却存在不少不太规范的称谓，影响人门对于人工智能研究的理解和交流。其中有代表性的有：“连接主义”、“并行主义”、“符号主义”、“逻辑主义”等等。 为了深入研究人工智能的历史研究，这里希望对这些术语加以规范。
（1）建议把“连接主义”规范为“结构主义” 不少文献把结构主义人工智能的研究（人工神经网络）称为“连接主义”的人工智能研究。这当然是因为，人工神经网络的结构是由大规模的人工神经元之间错综复杂的互相联接实现的。“连接”成为人工神经网络的基本特征之一，通过调节和改变人工神经元之间的连接方式，可以改变人工神经网络的结构和性能水平。 我们知道，系统的“结构”一般包含两类要素：一类是系统的节点群，另一类是节点之间的连接方式。在这两类要素之中，节点群是更为基础和更为重要的要素，这是因为，不同性质的节点群不仅决定了系统整体的不同性质，也决定了系统整体能力的水平。节点之间的连接方式当然也是重要的因素，但是，连接方式却只能在同样性质的系统前提下改变系统的性能水平。 例如，如果系统的节点群是人工神经元群体，这个事实本身就决定了这个系统必然是人工神经网络，而不是别的什么系统；在这个前提下，不同的连接方式可以改变这个人工神经网络的能力水平。另一方面，为了改善人工神经网络模拟人类智能的水平状况，不仅仅需要改进神经元之间的连接方式，可能更为根本的是要改善人工神经元本身的性质状况，使它更加接近生物神经元的特征。 总而言之，对任何系统来说，“结构”都是系统的基础性表征和全局性表征，它通常包含了“节点性质”和“连接方式”两方面的要素，是系统的整体功能和系统行为的基础。而“连接”只是“结构”的两大要素之一，不是“结构”的全部。 从全局性和基础性的意义来说，系统的结构是系统最基本的全局表征，有什么样的结构就可能支持什么样的功能，就有可能显现什么样的行为。结构、功能、行为三者都是系统层次的概念，能够表达系统级的特征。 从模拟人类智能（显性智慧）的人工智能研究来说，人们最为关心的问题是：究竟是利用人工神经网络这种结构来模拟？还是利用物理符号系统的功能来模拟？或者是利用感知动作系统的行为来模拟？在系统这个层次上，“连接主义”是比结构主义、功能主义、行为主义更低层次的表征，不适合于用来表达系统级的特征。 可见，用“连接主义”来称谓人工神经网络的特征，乃是用“低层特征”来称谓“高层特征”，用“局部特征”来称谓“全局特征”，是一种不全面不合理的做法。有必要把人工神经网络的“连接主义”称谓规范为“结构主义”，回归“结构主义”的本原。
（2）建议把“并行主义”规范为“结构主义” 人工神经网络也常常被人称为“并行主义”，这是因为，人工神经网络及其原型（大脑新皮层的生物神经网络）都具有数量特别巨大的神经元数目，这些神经元（或神经元集团）之间遵行“并行处理”的工作方式。这是在神经网络这种结构的前提之下的一种工作方式，是“结构主义”的副特征。 换言之，同“连接主义”的情形类似，“并行主义”也是比“结构主义－功能主义－行为主义”更低层次的概念，不适合于用来表达系统级的特征，应当把人工神经网络的“并行主义”称谓规范为“结构主义”。
（3）建议把“符号主义”规范为“功能主义” 在人工智能研究的文献中，常常把物理符号系统／专家系统的研究方法称为“符号主义”的方法。这种称谓的不恰当性，如同把人工神经网络方法称为“连接主义”的情况一样，也是把不同层次的概念混在了一起。 前面说过，对于任何系统来说，系统的结构、功能、行为都是系统层次的概念；在这三者之中，结构又是最基本的，这是因为：只当有了一定的系统结构，才能支持相应的系统功能，也才能显现一定的系统行为。 物理符号系统和专家系统都是“利用计算机技术（而不是人工神经网络技术，也不是感知动作系统技术）从功能上（而不是从结构上，也不是从行为上）模拟人类智能”的系统。在这里，要害的问题是模拟人类智能的“功能”，它也是一种系统级的特征。 为了模拟人类智能的功能，当然需要采用一定的符号和逻辑来表现和描述。其中，符号表达某些基本的状态，逻辑则表达符号状态之间的“转换关系”。 在这个意义上可以认为，功能是符号与逻辑的综合整体。所以，符号是比功能低一个层次的“局部描述子”。用“符号主义”来表述系统的“功能”，是用“局部特征”来表达“全局特征”，用“低层特征”来表现“高层特征”，是一种不恰当的表征。 为此，有必要把物理符号系统／专家系统的研究的“符号主义”称谓规范化为原本的“功能主义”。
（4）建议把“逻辑主义”规范为“功能主义” 如上所说，为了表述系统的“功能”，需要采用一定的“符号”来表达系统的功能状态，同时采用一定的“逻辑”规则来表达这些符号转移的关系。在这个意义上，系统的“功能”是它的“符号”和“逻辑”的综合整体。 因此，用“逻辑主义”来称谓它的“功能整体”，就等于是用“部分特征”来称谓它的“整体特征”，用“低层特征”来称谓它的“高层特征”，显然是不合理的做法。因此，有必要将物理符号系统／专家系统的“逻辑主义”称谓规范化为“功能主义”，回归到“功能主义”的本原。 |
|
|
