漫话人工智能及其应用（3）
胡经国
（续前）
六、人工智能技术研究
１、涉及学科及主要研究内容
用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机。人工智能的发展历史是与计算机科学技术的发展历史联系在一起的。除了计算机科学以外，人工智能还涉及：信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
2、研究方法
如今，还没有统一的“原理或范式”用以指导人工智能研究。在许多问题上研究者都存在争论。其中，几个长久以来仍然没有结论的争论问题是：是否应从心理或神经方面模拟人工智能？或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？
智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？John Haugeland提出了GOFAI（Good Old-Fashioned AI，出色的老式人工智能）的概念，也提议人工智能应归类为Synthetic Intelligence（综合智能），这个概念后来被某些“非GOFAI”研究者所采纳。
⑴、大脑模拟
主条目：控制论和计算神经科学（可上“百度百科”搜索：“控制论”和“计算神经科学”）。
从20世纪40年代到50年代，许多研究者都在探索神经病学、信息理论及控制论之间的联系。其中，还造出了一些使用电子网络构造的初步智能，如W. Grey Walter的Turtles（海龟）和Johns Hopkins Beast（约翰霍普金斯野兽）。这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议。直到1960，大部分人都已经放弃这个方法，尽管在20世纪80年代再次提出这些原理。
⑵、符号（处理）法
主条目：GOFAI（Good Old-Fashioned Artificial Intelligence，出色的老式人工智能）（可上“百度百科”搜索：“GOFAI ”）。
20世纪50年代，随着数字计算机研制成功，研究者开始探索人类智能是否能够简化成符号处理。其研究主要集中在卡内基梅隆大学，斯坦福大学和麻省理工学院，而且它们各自具有独立的研究风格。John Haugeland称这些方法为GOFAI（出色的老式人工智能）。
20世纪60年代，符号方法在“小型证明程序”上，模拟高级思考，取得了很大的成就。而基于控制论或神经网络的方法则居于次要地位。
20世纪60-70年代的研究者确信，符号方法最终可以成功创造“强人工智能”的机器，同时这也是他们的目标。
认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔，研究人类问题解决能力和尝试将其形式化。同时，他们为人工智能的基本原理奠定了基础，如认知科学、运筹学和经营科学。他们的研究团队，使用心理学实验的结果，开发“模拟人类解决问题方法的程序”。这方法一直在卡内基梅隆大学沿袭下来，并且在20世纪80年代于SOAR（Security Orchestration Automation and Respones，安全协调自动化和响应）发展到高峰。
基于逻辑，不像艾伦·纽厄尔和赫伯特·西蒙那样，John Mccarthy认为，机器不需要模拟人类的思想，而应该尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室，致力于使用形式化逻辑解决多种问题，包括知识表示、智能规划和机器学习。致力于逻辑方法研究的还有爱丁堡大学，从而促成欧洲其它地方开发编程语言PROLOG和逻辑编程科学。其中，PROLOG（Programming in Logic）是一种面向演绎推理的逻辑型程序设计语言。
斯坦福大学的“反逻辑”研究者（如马文·闵斯基和西摩尔·派普特）发现，要解决计算机视觉和自然语言处理的困难问题，需要专门的方案；他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。Roger Schank 描述他们的“反逻辑”方法为“SCRUFFY”AI 。常识知识库（如Doug Lenat（道格·莱纳特）的CYC）就是“SCRUFFY”AI的例子，因为他们必须人工一次编写一个复杂的概念。
基于知识，大约在1970年，出现“大容量内存计算机”，研究者分别采用3个方法开始把知识构造成“应用软件”。这场“知识革命”促成了“专家系统”的开发与计划。这是第一个成功的“人工智能软件形式”。在“知识革命”同时，让人们意识到许多“简单的人工智能软件”可能需要“大量的知识。”
⑶、子符号法
20世纪80年代，“符号人工智能”研究停滞不前。很多人认为，符号系统永远不可能模仿人类所有的认知过程，特别是感知、机器人、机器学习和模式识别。很多研究者开始关注采用“子符号方法”解决特定的人工智能问题。
自下而上，接口AGENT（代理人），嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如Rodney Brooks，否定“符号人工智能”而专注于“机器人移动和求生等基本的工程问题”。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用“控制理论”。这与认知科学领域中的“表征感知”论点是一致的；而更高的智能则需要个体的表征（如移动、感知和形象）。
计算智能，20世纪80年代中，David Rumelhart 等再次提出“神经网络和联结主义”。这和其他的“子符号方法”，如“模糊控制”和“进化计算”，都属于“计算智能学科”研究范畴。
⑷、统计学法
20世纪90年代，人工智能研究发展出“复杂的数学工具”来解决“特定的分支问题”。这些工具是真正的科学方法，即这些方法的结果是可以测量的和可以验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学、经济或运筹学）。Stuart J. Russell和Peter Norvig指出，这些进步不亚于“革命”和“NEATS的成功”。但是，有人批评这些技术太专注于特定的问题，而没有考虑长远的“强人工智能”目标。
⑸、集成方法
智能AGENT（代理人）范式，智能AGENT是一个会感知环境并且作出行动以达到目标的系统。其中，最简单的智能AGENT是那些可以解决特定问题的程序。而更复杂的智能AGENT则包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用而且可验证的方案，而不需考虑单一的方法。一个解决特定问题的智能AGENT可以使用任何可行的方法——一些智能AGENT用“符号方法和逻辑方法”，而另一些则用“子符号神经网络或其他新的方法”。该范式同时也给研究者提供一个与其他领域沟通的共同语言——如决策论和经济学（也使用Abstract Agents的概念）。
20世纪90年代，智能AGENT范式被广泛接受。智能AGENT体系结构和认知体系结构研究者，设计出一些系统来处理多ANGENT（代理）系统中智能AGENT之间的相互作用。一个系统中包含“符号和子符号”部分的系统，称为“混合智能系统”；而对这种系统的研究则是“人工智能系统集成”。
“分级控制系统”给“反应级别的子符号AI”和“最高级别的传统符号AI”提供了桥梁，同时放宽了规划和世界建模的时间。Rodney Brooks的Subsumption Architecture（归并架构）就是一个早期的“分级系统计划”。
3、智能模拟
智能模拟，是指机器视、听、触、感觉及思维方式的模拟，包括：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。
4、学科范畴
人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。
5、涉及学科
人工智能涉及学科包括：哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。
6、研究范畴
人工智能的研究范畴包括：语言的学习与处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定管理，人工生命，神经网络，复杂系统，遗传算法人类思维方式；最关键的难题还是：机器的自主创造性思维能力的塑造与提升。
7、安全问题
人工智能还正在研究之中，但是有学者认为，让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患也在多部电影中发生过。其主要的关键是“允不允许机器拥有自主意识的产生与延续”？如果使机器拥有自主意识，那么就意味着机器具有与人同等或类似的创造性，自我保护意识，情感和自发行为。因此，“人工智能的安全可控问题”，要同步从技术层面来解决。
随着技术的发展成熟，其监管形式可能逐步发生变化；但是人工智能“必须接受人工监管的本质”不能改变。“生成式AI”可能引发大规模隐私或者个人信息泄露问题。
8、实现方法
当人工智能在计算机上实现时，具有以下2种不同的方式。
一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫“工程学方法”（Engineering Approach）。它已在一些领域内取得了成果，如文字识别、电脑下棋等。
另一种是模拟法（Modeling Approach）。它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（Generic Algorithm，GA）和人工神经网络（Artificial Neural Netword，ANN）均属后一类型。
遗传算法，模拟人类或生物的遗传－进化机制。而人工神经网络，则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，这两种方法通常都可以使用。
采用前一种方法，需要人工详细规定“程序逻辑”。如果游戏简单，那么还是方便的。如果游戏复杂，角色数量和活动空间增加，那么相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。
当采用后一种方法时，编程者要为每一个角色设计一个智能系统（一个模块）来进行控制。这个智能系统（模块）开始时什么也不懂，就像初生婴儿那样；但是它能够学习，能够渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但是它能吸取教训，在下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但是，一旦入了门，就可得到广泛应用。由于这种方法在编程时，无须对角色的活动规律做详细规定，因而应用于复杂问题，通常会比前一种方法更省力。
9、与人类差距
2023年，中国科学院自动化研究所（中科院自动化所）团队最新完成的一项研究发现，基于人工智能的“神经网络和深度学习模型”，对“幻觉轮廓视而不见”；人类与人工智能的“角逐”在”幻觉认知“上“扳回一局”。
（未完待续）
2
|
|
