人工智能 从理想到现实

在人工智能诞生之后，人工智能的发展有两个不同的方向。一种是以联结主义/人工神经网络为代表的，依靠缺少内在神似的外在形式上的模仿来实现人工智能；另外一种则是采用某种机制去实现智能化的功能。由于第一种方法没有取得明显的效果，而退化为第二种方法中的一个组成部分，所以下面集中讨论人工智能的机制实现方法。

在用机制实现人工智能的过程中，还可以细分为两个不同的途径，一种就是遵循人类思维过程，然后在通用计算机上加以复现。在这种途径中，人类和机器在解决问题的时候采用的是同样的方法。我们把这种思路称之为“机制模仿”（Mechanism Imitation）方法；而另一种思路也是成功的人工智能应用大多采用的方式，就是用完全不同的机制（或者说我们不清楚它是否与人脑内部的机制相吻合），来完成某项人类的智能活动。我们把这种思路称之为“机制替代”（Mechanism Replacement）方法。

不论是采用机制模仿还是机制替代的方式实现智能，大都走了一条相似的路：试图用一些基本的逻辑推理规则构造出具有完整智能的机器，至少能够完整地解决一类问题。从科学史的角度来看：“寻找精巧、简洁、普适性的数学方程或系统模型去解决问题，成为科学技术领域无须讨论的基本共识。”

在传统力学领域，不论是牛顿力学还是爱因斯坦的相对论，只需要几条基本的定律就能解释几乎所有的（宏观）力学现象。所以，当初人们试图用一些基本的逻辑化推理机制就能实现复杂的智能活动是一种合乎情理的期待。

从对人的智能过程的理解角度来看，这种做法也无可厚非。我们推断，人脑确实存在一些与领域无关的抽象的“基础核心智能”机制，使得我们可以以此为基础从零开始不断学习开拓。日本第五代计算机便是这种努力的典型代表。但是我们并不理解大脑的这些机制到底是什么。经过几十年的尝试，以日本第五代计算机的失败为标志，说明这种方法有着致命的缺陷。

这种方法不仅仅无法实现一般性的完整智能，即便在特定领域解决比较复杂的智能化问题，它也不能让人满意。这方面的一个典型例子就是机器翻译。人们在开始的时候，就是期望将语法规则完整地表达出来，然后加上对词汇和语义的理解，就能够造出一个良好运转的机器翻译系统。但是，现实无情地打破了这种期待。事实上，哪怕是在一个特定的领域内，我们所面对的智能问题也是相当“复杂”的。相比之下，以力学为代表的绝大多数“经典”科学所处理的问题，则显得相当“简单”。

人们经过多年的探索，终于发现在大多数的“智能”问题领域，普适的一般性逻辑化推理规则或机制，以及领域内少量的逻辑化推理规则或机制都不是解决问题的充分条件。我们必须把人在具体领域内积累的经验或知识融入进来，才有可能比较满意地解决复杂的问题。而经验和知识与一般性逻辑化推理规则或机制之间本质的区别就在于经验和知识是局限于某些特定的场合或具体领域的，而一般性逻辑化推理规则或机制具有跨领域的普适性，可以适用于广泛的不同领域。钟义信老师提出的“人类智能系统的基本模型”，就反映了信息及知识在人类智能过程中所起的重要作用。

充分利用人的经验与知识来解决复杂性问题的典型做法就是在20世纪七八十年代蓬勃兴起的各种“专家系统”。这些专家系统都是针对特定领域中的一些特定问题的，融入了大量领域专家的知识和经验。在这种系统中，专家的知识与经验比普适的一般性逻辑化推理规则或机制更重要。在专家系统的发展历程中，一个标志性事件是1977年斯坦福大学的费根鲍姆在第五届国际人工智能大会上提出了“知识工程”的概念。它标志着AI研究从传统的以推理为中心进入以知识为中心的新阶段。

当人们意识到自己没有能力用一些普适的基本逻辑化推理规则或机制去有效地解决各种“智能问题”时，人工智能的研究便扎入各种具体的问题之中。针对不同类型的问题发展出花样繁多的解决方法，也取得了很大的进展。当然，受计算机形式化方法的影响，这其中也有很多形式大于内容的产物。

人工智能发展出来的这些方法所针对的问题包括问题求解、搜索、规划、机器学习、知识表示、模式识别、自然语言处理、机器感知、数据挖掘等众多性质各异的主题。这些进展使得大量的计算机应用的智能化程度都今非昔比了。

也正因为如此，人工智能目前更多地被当成将一些具体的应用工具方法融入不同类型的应用之中，以自己具体的技术性名称出现，默默无闻地发挥着自己的作用。这些年关于人工智能的一本经典的教科书是《Artificial Intelligence：A Modern Approach》，它的副标题“A Modern Approach”就是指试图采用“智能体”（Agent）的概念将人工智能在各个不同领域中的方法整合到一个统一的框架之中。

在这个过程中，“人工智能”与“非人工智能”之间的界限也越来越模糊，比如用一些传统的统计方法对数据进行处理，也被纳入“智能”的范畴。其实这就反映出信息技术从一开始就是辅助与延伸人类智能的工具这一本质。“人工智能”到底该如何定义似乎更加困难了。当我们用信息技术去解决具体问题的时候，我们讲哪个技术是“人工智能”技术、哪个技术不是人工智能技术已经没有什么技术意义了。

不过，从被归入人工智能类的方法中能够清晰地看出，被冠以“人工智能”的方法都是用来处理“复杂”问题的。所谓“复杂”问题，并没有一个严格的定义，通常是指无法用一些“简单”“常规”方法来解决的问题。

时至今日，随着信息技术产业发展催生的大数据现象的到来，人们对人工智能追求的热望再次被点燃，以至于像物理学家S·W·霍金 （1942—2018，物理学家，英国剑桥大学）这样的知名人士，都对人工智能的研究发出了警告，更有人预测机器智能很快会达到失控的程度，以至于出现了“奇点临近”这样耸人听闻的说法。抛开这些对未来科幻式想象不谈，智能类的方法确实再次发生了变化，沿着固有的逻辑向前迈出了新的一步。