人工智能的相关概念简述。人工智能是研制智能机器尤其是智能计算机程序的科学与工程。它与使用计算机理解人类智能类似,但人工智能并不将它自己局限于生物意义上的方法。人工智能分支主要包括逻辑人工智能(logical AI)、搜索(search)、模式识别(pattern recognition)、表示(representation)、推断(inference)、常识知识与推理(common sense knowledge and reasoning)、经验学习(learning from experience)、规划(planing)、认识论(epistemology)、本体论(ontology)、启发式策略(heuristics)、遗传程序设计(genetic programming)等。
一、基本问题
问:什么是人工智能?
答:人工智能是研制智能机器尤其是智能计算机程序的科学与工程。它与使用计算机理解人类智能类似,但人工智能并不将它自己局限于生物意义上的方法。
问:是的,那么什么是智能呢?
答:智能是指现实世界中达到目标所需能力中的计算能力。不同种类、不同程度的智能表现在人、许多动物和一些机器身上。
问:智能难道还没有公认的、不依赖于人类智能的独立定义吗?
答:还没有。问题是,我们还不能一般性地刻画哪一类计算过程我们想称之为智能。我们懂得某些智能机制,但对其他的并不了解。
问:人工智能是让人们可以对“这台机器有还是没有智能?”这类问题作出肯定或者否定回答的那种单一行为或心理特征吗?
答:不是。智能涉及机制。人工智能研究已经指出如何让计算机施用其中的某些(但非所有)机制。如果完成一项任务只需要已被充分理解的机制,那么计算机程序能有令人印象深刻的表现。这样的程序应该被视为“有点儿智能”。
问:人工智能不就是模拟人类智能吗?
答:有时是,但不总是,也并非通常是。一方面,我们可以通过观察别人或者直接观察我们自己的行为方式来学习如何让机器解决问题。另一方面,人工智能领域的大部分工作都涉及研究现实世界给智能带来的问题和挑战,而并非研究人或动物本身。人工智能研究者可以自由使用尚未被人使用过的方法,或者所涉及的计算是人力无法完成的方法。
问:计算机程序有智商(IQ)吗?
答:没有。智商是基于儿童智力的发展速度,它是指儿童在正常情况下获得一定分数时的年龄与其实际年龄的比值。这种测试也可以通过适当方式扩展到成人。智商与生活中各种衡量标准下成功或失败的程度密切相关,而让计算机在智商测试中能获得高分与计算机的有用性却关联微弱。譬如,孩童复述长串数字的能力与其其他方面的智力有着良好的相关性,这或许是因为前者能够衡量孩童单次可处理信息的多少。然而,这种“数字广度”测试对计算机(即使是性能很低的计算机)而言也是微不足道的。
尽管如此,关于智商测试的一些问题是对人工智能的有益挑战。
问:有关人类与计算机智能之间的其他对比呢?
答:人类智能研究领域的领军人物亚瑟·罗伯特·詹森(Arthur R. Jensen)[Jen98] 提出“作为启发式假设”的猜想:正常的人类具有相同的智能机制,而智能的差异与“定量的生物化学和生理学条件”有关。我将它们视为速度、短期记忆以及构成精确且可提取的长期记忆的能力。无论詹森有关人类智能的看法正确与否,目前人工智能的状况却与其相反。
计算机有很快的计算速度和充足的存储空间。计算机程序的能力与智能机制相对应,而智能机制则由设计者在对其充分理解的基础上编入程序。计算机具备的某些能力,孩童可能要到少年时才能发展起来,而两岁幼儿具备的某些能力,计算机目前都还不具备。目前认知科学尚不能准确定义什么是能力,这一事实让问题变得更为复杂。就人工智能而言,智能机制的组织在使用时很有可能与其在人身上不一样。
无论什么时候,只要某些工作人比计算机做得更好,或者计算机要花费大量的计算才能和人做得一样好,那就说明程序设计者缺少对有效完成任务所需智能机制的理解。
问:人工智能研究是从什么时候开始的?
答:二战后,许多人开始独立地从事智能机器的研究工作。英国数学家艾伦·图灵(Alan Turing)可能是其中的第一位。他在1947年作了一个有关智能机器的演讲。他或许就是认定人工智能的研究最好是通过编制计算机程序而非制造机器的第一人。到了20世纪50年代后期,已有很多人在研究人工智能,他们的工作大都基于计算机程序设计。
问:人工智能的目的是要将人脑植入计算机吗?
答:一些研究者宣称他们以此为目标,不过他们借用这一说法或许只是作个比喻。人脑非常奇特,我不确定是否真有人想完完全全地模拟它们。
问:什么是图灵测试?
答:艾伦·图灵在1950年发表的题为Computing Machinery and Intelligence的文章[TUR50]中讨论了机器可以视为具有智能的条件。他认为,如果机器在拥有知识的观察者面前能够成功地伪装成人类,那么你就应该认为它具有智能。这个测试会令大多数人(但非所有哲学家)感到满意。观察者可以通过电传打字机(以避免要机器模仿人的外表或声音)与机器和人互动:人试图说服观察者他自己是人,而机器则尝试愚弄观察者。
图灵测试是一种单边测试。一台通过了测试的机器当然应该被视为具有智能,而没有充分了解人类就能模仿人的机器自然也可以被视为具有智能。
丹尼尔·丹尼特(Daniel Dennett)的著作《BrainChildren》[Den98]中对图灵测试和已经实现的各种部分(即观察者的人工智能知识和提问的题材有局限性的)图灵测试有精彩的讨论。结果是,有些人很容易被误导以至相信相当愚笨的程序具有智能。
问:人工智能是以达到人类的智力水平为目标吗?
答:是的。努力至极是为了让计算机程序和人类一样,能够解决实际问题、达到预定目标。然而,许多在特定领域从事研究的人远远没有那么雄心勃勃。
问:人工智能离达到人类智能的水平还有多远?到什么时候才会达到?
答:有些人认为,通过编写大量人们现在在编写的那种程序、构建由目前用来表示知识的语言所表达的各种事实组成的海量知识库,人类智能的水平终究是可以达到的。
然而,大多数人工智能研究人员相信,人工智能要达到人类智能的水平,根本性的原创思想是必不可少的,因而现在还很难预测何时人工智能才会达到人类智能的水平。
问:计算机是适合智能化的那种机器吗?
答:可以通过编程让计算机模拟任何类型的机器。
许多研究人员发明了其他非计算机类型的机器,他们希望这种机器与计算机程序具有不同形式的智能。这些研究人员通常在计算机上模拟他们所发现的机器,因而他们最终变得怀疑新机器是否值得制造。由于数十亿美元已被用于提升计算机的运算速度,因此要改用另一种机器,该机器就必须很快,快到能让其表现比计算上模拟它的程序更加出色。
问:计算机已快到足以被智能化了吗?
答:有些人认为,更快的计算机和全新的想法都是必需的。我个人的观点是,30年前的计算机就已经足够快了,要是我们知道如何为其装配好软件程序。当然,抛开人工智能研究者的雄心,计算机也会越来越快。
问:并行机如何?
答:带有多个处理器的机器要比只带单个处理器的机器快很多。并行本身并没有展现出优势,而且并行机器对于程序设计来说又有点让人尴尬。然而,需要极速时,我们则必须面对这种尴尬。
问:可否研制一台能够通过阅读和经验学习而不断获得改进的“童子机”?
答:这个想法从20世纪40年代开始就被多次提出,它最终也会变成现实。然而人工智能程序尚未达到能学习很多孩童从物理经验中所学的这一水平。当前程序对语言的理解能力也未高到能通过阅读学习的水平。
问:通过思考人工智能,人工智能系统能否将自身引导至越来越高的智能水平?
答:我想是,但我们还不在开启这个过程的人工智能层面上。
问:国际象棋如何?
答:俄罗斯人工智能研究者亚历山大·克朗罗德(Alexander Kronrod)说,“国际象棋是人工智能的果蝇”。他曾以遗传学家使用果蝇研究遗传作类比,使用国际象棋研究人工智能。下棋需要某些但并非所有智能机制。现在的国际象棋程序是大师级的,但与人类棋手相比,这些程序仅使用了有限的智能机制,并且用大量的计算来替代理解。等我们更好地理解了下棋的智能机制,我们就能编制计算量比现有程序少得多的、人类水平的象棋程序。
不幸的是,让计算机下棋的竞争和商业趋向已经比将象棋智能作为一个科研方向更为优先。这就好比1910年之后,基因学家组织果蝇竞赛,而将精力集中在培育能够赢得竞赛的果蝇上。
问:围棋呢?
答:中国和日本的围棋是棋手轮流下子的棋盘类游戏,它揭示了我们目前对人类游戏中智能机制理解的不足。尽管做了相当多的努力(但不像国际象棋那么多),围棋程序仍然非常糟糕。其中的问题似乎是,人们在下棋时会将当前棋盘状态在头脑中划分为一系列子状态,先分析每个子状态,然后再分析子状态的交互作用。人类在下象棋时也会使用这种方法,但象棋程序将每一状态作为一个整体。象棋程序通过上千次——在使用超级计算机深蓝的情形,上百万次——的计算来弥补这种智能机制的缺失。
不过,人工智能研究迟早会补足这类难堪的缺陷。
问:不是有人说人工智能是坏主意吗?
答:哲学家约翰·塞尔(John Searle)说,非生物智能机器的想法言之不清、述之无理。他提出了“中文房间”这一思维实验www-formal.stanford.edu/jmc/chinese.html。哲学家休伯特·德莱弗斯(Hubert Dreyfus)说,人工智能是不可能的。计算机科学家约瑟夫·维森鲍姆(Joseph Weizenbaum)说,人工智能的想法令人生厌,是反人类的、不道德的。各种各样的人都说过,由于人工智能到目前为止还达不到人类水平的智能,它一定是不可能的。还有一些人,他们对其投资的(人工智能)公司的破产感到失望。
问:可计算性理论和计算复杂性不是人工智能的重点和关键所在吗?[非计算机科学领域的读者和初学者需要注意:可计算性理论和计算复杂性是数理逻辑和计算机科学的两个非常技术性的分支,因此该问题的回答不得不涉及一些技术性的细节。]
答:不是。这些理论与人工智能相关,但它们并未论及也未破解人工智能的基本问题。
20世纪30年代,数理逻辑学家,特别是库尔特·哥德尔(Kurt Gödel)和艾伦·图灵(Alan Turing),建立的可计算性理论表明,在某些重要的数学领域,不存在能够解决所有问题的算法。判定一阶逻辑语句是否为定理、多元多项式方程是否有整数解都是这类不可解问题的例子。人类一直在解决这些领域中的问题,这已经被当作“计算机本质上做不了人所做的事情”这一(通常带有修饰的)论据。这是罗杰·彭罗斯(Roger Penrose)作出的论断。其实,人也无法保证自己能解决这些领域中的任意问题。参见我的书评Review of The Emperor’s New Mind(罗杰·彭罗斯著)。更多捍卫人工智能研究的论文和评述见诸于[McC96a]。
20世纪60年代,计算机科学家,特别是史蒂夫·库克(Steve Cook)和理查德·卡普(Richard Karp),建立了NP完全问题类理论。NP完全问题类中的问题都是可解的,但求解问题所需的时间可能会随问题规模变大而呈指数级增长。命题演算中哪些语句是可满足的就是一个NP完全问题类中的一个基本实例。人类解决NP完全问题类中的问题所花的时间常常会比通用算法所需要的时间短很多,但一般来说人类却不能很快解决这类问题。
对人工智能来说,重要的是有算法,它们能像人一样解决问题。确定存在良好算法求解其中问题的问题子类非常重要,但许多人工智能问题求解器都没有与容易确定的问题子类相关联。
计算复杂性是用于描述通类问题求解困难程度的理论。到目前为止,这一理论与人工智能的互动还没有人们所希望的那么多。人类和人工智能程序能否成功解决问题似乎取决于问题的特性和问题求解的方法,这两者计算复杂性研究者和人工智能界都还不能确定。
所罗门诺夫(Solomonoff)、柯尔莫果洛夫(Kolmogorov)和蔡廷(Chaitin)(彼此独立)建立的算法复杂性理论也与人工智能相关。该理论将符号对象的复杂性定义为生成它的最短程序的长度。证明候选程序最短或者接近最短是一个不可解问题,但用最短生成程序表示对象的想法应该常给我们启发,即便我们无法证明候选程序最短。
下一篇:嫦娥四号探测器成功着陆月球背面