人工智能新视野

**部分 生物启发的人工智能 第1章 人工智能发展简况 人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是计算机科学的一个重要分支，被认为是21世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。自从“人工智能”一词于1956年在美国达特茅斯提出以来，人工智能发展迅速，取得了惊人的成就，对我们的日常生活产生了深远的影响，许多专有的AI系统在我们日常使用的汽车、笔记本电脑、智能手机等中均存在。它的诞生与发展是20世纪*伟大的科学成就之一，也是新世纪中引领未来发展的主导学科之一。随着21世纪人类全面进入信息社会，信息成为*关键的战略物资之一，人类对智能化的追求将导致“智能革命”，即人的自然智能通过人工智能的模仿和扩展。毫无疑问，未来AI对我们生活的影响将进一步增加，并使人与机器之间已经模糊的边界更加模糊。 人工智能在机器人、模式识别、自然语言处理、智能规划、博弈、搜索、自动定理证明和专家系统等领域具有非常广泛的应用。本章简要概述在人工智能诞生近60年来，在该领域国内外取得的突出成就。在此基础上，通过对IBM、谷歌等国际大公司在AI领域的发展战略介绍，让读者对人工智能的实际应用有一个概貌性的认识。由于本书的重点在于介绍生物启发的人工智能（Bio-Inspired AI），因此在1.3节，对生物启发的人工智能的发展里程碑予以必要的点击。*后，作为本章的小结，也是对AI的展望，对斯坦福大学新近发布的“AI100研究计划”进行了简要的介绍。 1.1 人工智能领域主要研究成就回顾 人工智能在过去近60年里，有许多事件令人称道。其一，AI被普遍认为是信息技术创新的*大驱动力量。*初计算机被人们看作只会计算的机器，是AI将其边界拓展，提出可能的愿景并开发相应的技术予以实现。其二，关于AI的应用，知识系统在20世纪70年代末还很稀少，而如今以Web方式无处不在。知识系统已能够例行处理金融与法律问题、诊断与维护电力系统、进行调度等。像谷歌这样的搜索引擎，其创新之处极大地依赖于信息提取、数据挖掘、语义网络及机器学习等在AI中率先发展起来的技术，复杂的语言处理能力现已嵌入像微软Word这样的文字处理系统中。上千万的人每天都在使用AI技术，尽管大家不一定知道或者不太明白为何这些信息系统如此聪明。人工智能领域过去近60年的研究与发展，成果卓著，试图在有限的篇幅进行全面的回顾是不太现实的，作者的能力也难以企及。为给读者尤其是准备涉足AI领域的读者一个概貌性的了解，本节从AI发展的几个时段进行简要回顾，并对我国学者在这一领域的主要成就做一简介。1.1.1～1.1.5节主要根据文献[1]第1章和文献[2]综合编译而成，1.1.6节主要参考陆汝钤院士等在IEEE智能系统杂志上的文章[3]。 1.1.1 1956年：人工智能的信息处理观 在1956年达特茅斯的AI奠基会议上[4]，人们就清楚地理解并阐述了一个观点：大脑可以看作一部信息处理器。这一简单而强大的想法应该说是AI的开端。计算机即信息处理器的例子，当然，信息处理的概念是非常宽泛的。我们可以通过一个由很多状态构成的物理系统为例：在这一系统中，这些‘状态’可以系统地对应到‘信息状态’，而‘加工’则是将这些状态系统地转换为其他状态的同时，保持或实现某些（数学）功能。从生物学的角度来看，神经元是在一个更大网络中生长并生存的细胞，生物学家研究这些神经元如何工作及如何保持其自身，类似于他们研究肝脏细胞或免疫系统的方法。而信息处理观则引入了对大脑全新的认识，神经元或神经元网络被看成能够保持并转换信息的设备，相应的问题就变为：神经元保存了什么样的信息，而对这些信息又进行什么样的转换。从生化、电子观到信息处理观的转换，与生物学的其他领域，尤其是遗传、分子和发育生物学对信息产生重视，发生在同一时期，这是非常耐人寻味的。进入21世纪，信息处理观已占主导地位[5]。 AI并未直接回答神经信息处理的问题，而是从设计的角度切入：大脑到底需要什么样的信息处理才能展示出我们从生命有机体实际观察到的，令人惊叹的智能行为？例如，要从几分之一秒长的一段视频流中认出某一个人到底需要什么样的信息结构和加工过程？对充满歧义且具有复杂句法结构的自然语言句子进行分析，并依据特定情景进行解释，又需要什么样的信息处理？如何形成一个规划以实现复杂的协同行为，该规划又如何被执行、监督和调整？从原理上研究智能需要什么样的处理加工，具有两个方面的重要意义。其一，如果没有强大的工具来帮助我们理解神经网络系统可能是如何工作的，仅靠（Nuclear Magnetic Resonance Tmaging）（核磁共振成像）或正电子发射计算机断层扫描（Positron Emission Computed Tomography，PET），很难想象我们将能够真正理解数以亿计的神经元及其相互连接构成的复杂神经系统的工作原理。这就像我们在没有其他深入的知识，而仅有大致统计信息的情况下，试图理解每秒能执行几百万条指令的计算机以及由上千万计算机互联起来构成的互联网巨系统的结构和操作，是极其困难的。其二，神经与心理学观察，如脑成像、神经错乱、衰老的影响等，能够告诉我们大脑的某一部分参与了特定的认知活动，但却不能告诉我们为什么某种类型的加工处理是必须的。为了找到问题的答案，我们必须探寻其他的机制并研究其对性能的影响，即使有些机制并不出现在自然界中。 信息处理是一种观点而非一个系统固有的性质。因此，计算机很适合用于研究自然信息处理系统的行为，用于测试一种理论是否有效也很直截了当。如果我们有一种想法，认为对某一项任务，某种特定的信息处理是必须的，则我们就可以建造一个人工系统来执行这一任务，任何人都能够观测此人工系统是否展现出所需的性能。 信息处理观在研究大脑方面带来了一场真正的革命，在1956年达特茅斯AI奠基会议之后迅速传播开来，*初主要是对心理学和语言学带来了冲击，这一时期的代表人物有杰罗姆 布鲁纳（Jerome Bruner）、乔治 米勒（George Miller）、阿伦 纽厄尔（Alan Newell）和希尔伯特 西蒙（Herbert Simon）。信息处理观一经接受，下一步便是更加艰辛的工作以及找出更加详尽的具体的实例。*初，人们认为，或许可以找到像牛顿定律这样通用且简单的原理，可以解释所有的智能行为。于是，纽厄尔和西蒙提出了通用问题求解器，罗森布拉特（Rosenblatt）提出了感知器等。但逐渐地，随着人们试图解决越来越多的问题，人们清楚地认识到，智能需要海量的高度复杂的信息以及自适应程度很高的信息处理。明斯基（Minsky）很快就认识到，人的大脑是一台巨大的、分支复杂但运转灵活的组装电脑，而非人们一般认为的井井有条的通用机器，当然，这在生命系统中并非罕见，毕竟人体本身也是一台巨大的、分支复杂但运转灵活的组装电脑，含有无数交错的生化过程，且出故障的概率很高。实际上，令人惊叹的是，我们的身体很多时候运转得很好。 绝大多数AI局外人（包括许多哲学家、神经科学家和心理学家）仍不太相信，要实现智能竟如此复杂。他们仍然希望存在某种捷径，能够使今天的视觉系统（对输入视频流进行过滤、分割与聚合并将其与复杂的自顶向下的期望刺激进行匹配）显得多余。他们或许也认为，自然语言处理不会太复杂，因为我们人脑能够快速且轻松地进行处理。这也折射出20世纪生物学家曾面临的困惑：他们难于接受所有生命*终都是由化学物质实现的。*初他们并不相信，人体具有高度复杂的高分子，具有高度复杂的新陈代谢周期，且这些周期很多是自组织的，并由其他分子所控制。几百年过去了，人们才接受分子生物学作为生命的物理基础。或许在信息处理的复杂性被完全接受以前，也需要更多的时间。与此同时，人们专注于信息处理观到底能干什么，而非争论其是否适合于用来研究智能。 1.1.2 20世纪60年代：启发式搜索与知识表示 类似于万有引力定律这样的“通用智能”机制，或许永远都难以找到，其原因在于几乎所有的非平凡问题都隐含着组合爆炸。实际上，这也是人们从早期博弈类程序所汲取的教训。我们常常会碰到这样的情况：难以立即确定如何求解一个问题，从而需要搜索众多的途径。例如，一个句子中的每一个单词几乎都有多重含义，按句法就可以有多种划分。因此，适合一个完整句子的词法分析只有在仔细推敲不同的组合（搜索路径）之后才能找到，而有些搜索路径可能是死胡同。在自然语言处理中，可能的搜索路径增长极快，从而导致可能路径的组合爆炸，使我们不再能够考虑所有的可能。这样的组合爆炸见诸于视觉感知、路径规划、推理、专家问题求解、存储器存取等。实际上，在智能起作用的每一个领域都会出现。利用更强大的计算能力，可以在一定程度上对付组合爆炸问题，但在AI发展的*初10年（20世纪60年代）的关键洞察之一，就是组合爆炸的大数据迟早让人束手无策。因此，搜索必须配以知识的运用：特定领域和与任务相关的经验（启发式）规则可以快速减小搜索空间，指导问题求解程序尽可能快地找到一个合理的解。在20世纪60年代，AI的主要目标便是开发用于组织搜索过程的技术，在评估函数或规则中表达启发性信息，并在问题求解过程中试图学习启发式规则。AI的研究领域曾一度称为启发式搜索（Heuristic Search）。 到20世纪60年代末期，人们已清楚地看到：启发式及有关问题领域信息的表示方式，对缩小搜索空间及应对现实世界的无限可变和噪声，起着非常关键的作用。这诱发了另一个突破性想法的出现：表示方式的改变意味着找到解或陷入搜索泥潭的根本不同，许多新的搜索问题应运而生，用来探索知识表示和知识处理的各种不同的架构。许多源自逻辑的思想注入到AI中，同时，AI也给逻辑提出了诸如非单调推理问题这样的新的挑战。与此同时，在专家问题求解或自然语言理解中可能需要的各种概念也得到深入研究，使用这些概念的系统也被建造出来以测试这些概念。*初，人们期望找出核心的概念原语，罗杰 尚克（Roger Schank）的14个原语通用概念集便是一例[6]。但这样的想法并不实际，于是一些如道格拉斯 莱纳特（Doug Lenat）领导的CYC等大型项目开始启动。CYC项目的目的是对人类所用的概念进行大规模分析，并以机器可用的形式保存起来，即构建一个巨大的人类常识库[7]。 进入20世纪70年代，用于处理启发式搜索和知识表示的想法与技术已足够强大，可以用来建造实际应用系统。于是AI领域迎来了专家系统的**次浪潮，著名的系统有MYCIN、DENDRAL和PROSPECTOR。这些系统在医学或工程领域，设计成可以模仿专家求解问题，进而催生了根据知识层级模型对问题求解的更深入的分析[8]。大型会议、风险投资、创业公司、工业展览开始进入这一领域，从而彻底改变了AI。从80年代初开始，各种应用已成为AI不可分割的一部分。以应用为重点得以验证AI理论研究方向的正确性，但同时也意味着基础研究的步伐放缓。*初以理解智能为研究重点让位于更加实用化的研究计划，并追求有意义的实际应用，这一趋势至今仍在继续。 1.1.3 20世纪80年代：人工神经网络 AI的早期努力（包括达特茅斯奠基会议上讨论的）具有双重性质。一方面，我们很清楚AI需要应对“符号”处理，世界各地的AI实验室在这方面作出了主要贡献，使计算机和程序设计语言具有了强大的符号处理能力并建造了大型复杂的符号处理系统。另一方面，感知与模式识别则需要将符号结构与现实世界关联起来，似乎需要“次级符号”处理。符号世界与物理世界之间的鸿沟，需要以某种方式予以沟通。早期的神经网络（如罗森布拉特的感知器）已经表现出在两个世界间进行沟通的优势：通过连续信号以不同权重与阈值在网络中传播而非符号表达式之间的变换，对实现智能的某些方面显得更好些。当然，这并不意味着我们要抛弃信息处