作者：張江

制造出能夠像人類一樣思考的機器是科學家們最偉大的夢想之一。用智慧的大腦解讀智慧必將成為科學發展的終極。而驗證這種解讀的最有效手段，莫過于再造一個智慧大腦——人工智能（Artificial Intelligence，AI）。

人們對人工智能的了解恐怕主要來自于好萊塢的科幻片。這些熒幕上的機器（見圖1-1）要么殺人如麻，如《終結者》《黑客帝國》；要么小巧可愛，如《機器人瓦利》；要么多愁善感，如《人工智能》；還有一些則大音希聲、大象無形，如《黑客帝國》中的Matrix網絡，以及《超驗駭客》《超體》。所有這些熒幕上的人工智能都具備一些共同特征：異常強大、能力非凡。

然而，現實中的人工智能卻與這些熒幕上的機器人相差甚遠，但它們的確已經在我們身邊。搜索引擎、郵件過濾器、智能語音助手Siri、二維碼掃描器、游戲中的NPC（非玩家扮演角色）都是近60年來人工智能技術實用化的產物。這些人工智能都是一個個單一功能的“裸”程序，沒有堅硬的、靈活的軀殼，更沒有想象中那么善解人意，甚至不是一個完整的個體。為什么想象與現實存在那么大的差距？這是因為，真正的人工智能的探索之路充滿了波折與不確定。

歷史上，研究人工智能就像是在坐過山車，忽上忽下。夢想的肥皂泡一次次被冰冷的科學事實戳破，科學家們不得不一次次重新回到夢的起點。作為一個獨立的學科，人工智能的發展非常奇葩。它不像其他學科那樣從分散走向統一，而是從1956年創立以來就不斷地分裂，形成了一系列大大小小的子領域。也許人工智能注定就是大雜燴，也許統一的時刻還未到來。然而，人們對人工智能的夢想卻是永遠不會磨滅的。

本章將按歷史的順序介紹人工智能的發展。從早期的哥德爾、圖靈等人的研究到“人工智能”一詞的提出，再到后期的人工智能三大學派：符號學派、連接學派和行為學派，以及近年來的新進展：貝葉斯網絡、深度學習、通用人工智能；最后我們將對未來的人工智能進行展望。

夢的開始（1900—1956）

大衛?希爾伯特

說來奇怪，人工智能之夢開始于一小撮20世紀初期的數學家。這些人真正做到了用方程推動整個世界。

歷史的車輪倒回到1900年，世紀之交的數學家大會在巴黎如期召開，德高望重的老數學家大衛?希爾伯特（David Hilbert）莊嚴地向全世界數學家們宣布了23個未解決的難題。這23道難題道道經典，而其中的第二問題和第十問題則與人工智能密切相關，并最終促成了計算機的發明。

希爾伯特的第二問題來源于一個大膽的想法——運用公理化的方法統一整個數學，并運用嚴格的數學推理證明數學自身的正確性。這個野心被后人稱為希爾伯特綱領，雖然他自己沒能證明，但卻把這個任務交給了后來的年輕人，這就是希爾伯特第二問題：證明數學系統中應同時具備一致性（數學真理不存在矛盾）和完備性（任意真理都可以被描述為數學定理）。

庫爾特?哥德爾

希爾伯特的勃勃野心無疑激勵著每一位年輕的數學家，其中就包括一個來自捷克的年輕人：庫爾特?哥德爾（Kurt Godel）。他起初是希爾伯特的忠實粉絲，并致力于攻克第二問題。然而，他很快發現，自己之前的努力都是徒勞的，因為希爾伯特第二問題的斷言根本就是錯的：任何足夠強大的數學公理系統都存在著瑕疵：一致性和完備性不能同時具備。很快，哥德爾倒戈了，他背叛了希爾伯特，但卻推動了整個數學的發展，于1931年提出了被美國《時代周刊》評選為20世紀最有影響力的數學定理：哥德爾不完備性定理。

盡管早在1931年，人工智能學科還沒有建立，計算機也沒有發明，但是哥德爾定理似乎已經為人工智能提出了警告。這是因為如果我們把人工智能也看作一個機械化運作的數學公理系統，那么根據哥德爾定理，必然存在著某種人類可以構造、但是機器無法求解的人工智能的“軟肋”。這就好像我們無法揪著自己的腦袋脫離地球，數學無法證明數學本身的正確性，人工智能也無法僅憑自身解決所有問題。所以，存在著人類可以求解但是機器卻不能解的問題，人工智能不可能超過人類。

但問題并沒有這么簡單，上述命題成立的一個前提是人與機器不同，不是一個機械的公理化系統。然而，這個前提是否成立迄今為止我們并不知道，所以這一問題仍在爭論之中。關于此觀點的延伸討論請參見本書第4章。

艾倫?圖靈

另外一個與哥德爾年齡相仿的年輕人被希爾伯特的第十問題深深地吸引了，并決定為此奉獻一生。這個人就是艾倫?圖靈（Alan Turing）。

希爾伯特第十問題的表述是：“是否存在著判定任意一個丟番圖方程有解的機械化運算過程。”這句話的前半句比較晦澀，我們可以先忽略，因為后半句是重點，“機械化運算過程”用今天的話說就是算法。然而，當年，算法這個概念還是相當模糊的。于是，圖靈設想出了一個機器——圖靈機，它是計算機的理論原型，圓滿地刻畫出了機械化運算過程的含義，并最終為計算機的發明鋪平了道路。

圖靈機模型（見圖1-2）形象地模擬了人類進行計算的過程。假如我們希望計算任意兩個3位數的加法：139+919。我們需要一張足夠大的草稿紙以及一支可以在紙上不停地涂涂寫寫的筆。之后，我們需要從個位到百位一位一位地按照10以內的加法規則完成加法。我們還需要考慮進位，例如9+9=18，這個1就要加在十位上。我們是通過在草稿紙上記下適當的標記來完成這種進位記憶的。最后，我們把計算的結果輸出到了紙上。

圖靈機把所有這些過程都模型化了：草稿紙被模型化為一條無限長的紙帶，筆被模型化為一個讀寫頭，固定的10以內的運算法則模型化為輸入給讀寫頭的程序，對于進位的記憶則被模型化為讀寫頭的內部狀態。于是，設定好紙帶上的初始信息，以及讀寫頭的當前內部狀態和程序規則，圖靈機就可以運行起來了。它在每一時刻讀入一格紙帶的信息，并根據當前的內部狀態，查找相應的程序，從而給出下一時刻的內部狀態并輸出信息到紙帶上。關于圖靈機的詳細描述，請參見本書第2章。

圖靈機模型一經提出就得到了科學家們的認可，這無疑給了圖靈莫大的鼓勵。他開始鼓起勇氣，展開想象的翅膀，進一步思考圖靈機運算能力的極限。1940年，圖靈開始認真地思考機器是否能夠具備類人的智能。他馬上意識到這個問題的要點其實并不在于如何打造強大的機器，而在于我們人類如何看待智能，即依據什么標準評價一臺機器是否具備智能。于是，圖靈在1950年發表了《機器能思考嗎？》一文，提出了這樣一個標準：如果一臺機器通過了“圖靈測試”，則我們必須接受這臺機器具有智能。那么，圖靈測試究竟是怎樣一種測試呢？

如圖1-3所示，假設有兩間密閉的屋子，其中一間屋子里面關了一個人，另一間屋子里面關了一臺計算機：進行圖靈測試的人工智能程序。然后，屋子外面有一個人作為測試者，測試者只能通過一根導線與屋子里面的人或計算機交流——與它們進行聯網聊天。假如測試者在有限的時間內無法判斷出這兩間屋子里面哪一個關的是人，哪一個是計算機，那么我們就稱屋子里面的人工智能程序通過了圖靈測試，并具備了智能。事實上，圖靈當年在《機器能思考嗎？》一文中設立的標準相當寬泛：只要有30%的人類測試者在5分鐘內無法分辨出被測試對象，就可以認為程序通過了圖靈測試。

2014年6月12日，一個名為“尤金”（Eugene Goostman）的聊天程序（見圖1-4）成功地在5分鐘內蒙騙了30%的人類測試者，從而達到了圖靈當年提出來的標準。很多人認為，這款程序具有劃時代的意義，它是自圖靈測試提出64年后第一個通過圖靈測試的程序。但是，很快就有人提出這只不過是一個噱頭，該程序并沒有宣傳的那么厲害。例如，谷歌公司的工程總監、未來學家雷?庫茲韋爾（Ray Kurzweil）就表示，這個聊天機器人號稱只有13歲，并使用第二語言來回答問題，這成為了該程序重大缺陷的借口。另外，測試者只有5分鐘與之展開互動，這大大增加了他們在短期內被“欺騙”的概率。

由此可見，圖靈將智能等同于符號運算的智能表現，而忽略了實現這種符號智能表現的機器內涵。這樣做的好處是可以將所謂的智能本質這一問題繞過去，它的代價是人工智能研制者們會把注意力集中在如何讓程序欺騙人類測試者上，甚至可以不擇手段。所以，對于將圖靈測試作為評判機器具備智能的唯一標準，很多人開始質疑。因為人類智能還包括諸如對復雜形式的判斷、創造性地解決問題的方法等，而這些特質都無法在圖靈測試中體現出來。

總而言之，圖靈的研究無疑大大推動了人工智能的進展。然而，圖靈本人卻于1954年死于一個被劇毒氰化物注射過的蘋果，享年僅僅42歲。傳聞他是一名同性戀，這在當時的英國是非法的。于是英國政府強行給他注射一種藥物抑制他的同性戀傾向，這導致他最終在治療期間痛苦萬分地自殺了。據說，蘋果公司為了紀念這位計算機科學之父，特意用那個被圖靈咬掉一口的蘋果作為公司的logo。1966年，美國計算機協會設立了以圖靈命名的圖靈獎，以專門獎勵那些對計算機事業作出重要貢獻的人，這相當于計算機領域的諾貝爾獎。

約翰?馮?諾依曼

就在哥德爾絞盡腦汁捉摸希爾伯特第二問題的時候，另外一個來自匈牙利布達佩斯的天才少年也在思考同樣的問題，他就是大名鼎鼎的約翰?馮?諾依曼（John von Neumann）。

然而，馮?諾依曼遠沒有哥德爾走運。到了1931年，馮?諾依曼即將在希爾伯特第二問題上獲得突破，卻突然得知哥德爾已經發表了哥德爾定理，先他一步。于是，馮?諾依曼一氣之下開始轉行研究起了量子力學。就在他的量子力學研究即將結出碩果之際，另外一位天才物理學家保羅?狄拉克（Paul Dirac）又一次搶了他的風頭，出版了《量子力學原理》，并一舉成名。這比馮?諾依曼的《量子力學的數學基礎》整整早了兩年。

受到兩次打擊之后，馮?諾依曼開始把部分注意力從基礎數學轉向了工程應用領域，終于大獲成功。1945年，憑借出眾的才華，馮?諾依曼在火車上完成了早期的計算機EDVAC的設計，并提出了我們現在熟知的“馮?諾依曼體系結構”。

馮?諾依曼的計算機與圖靈機是一脈相承的，但最大的不同就在于，馮?諾依曼的讀寫頭不再需要一格一格地讀寫紙帶，而是根據指定的地址，隨機地跳到相應的位置完成讀寫。這也就是我們今天所說的隨機訪問存儲器（Random Access Memory，RAM）的前身。關于馮?諾依曼體系結構和現代計算機的工作原理，請參見本書第3章。

馮?諾依曼的計算機終于使得數學家們的研究結出了碩果，也最終推動著人類歷史進入了信息時代，使得人工智能之夢成為了可能。

諾伯特?維納

我們要介紹的最后一位數學家是美國的天才神童諾伯特?維納（Norbert Wiener）。據說維納三歲的時候就開始在父親的影響下讀天文學和生物學的圖書。七歲的時候他所讀的物理學和生物學的知識范圍已經超出了他父親。他年紀輕輕就掌握了拉丁語、希臘語、德語和英語，并且涉獵人類科學的各個領域。后來，他留學歐洲，曾先后拜師于羅素、希爾伯特、哈代等哲學、數學大師。維納在他70年的科學生涯中，先后涉足數學、物理學、工程學和生物學，共發表240多篇論文，著作14本。

然而，與我們的主題最相關的，則要數維納于1948年提出來的新興學科“控制論”（Cybernetics）了。“Cybernetics”一詞源于希臘語的“掌舵人”。在控制論中，維納深入探討了機器與人的統一性——人或機器都是通過反饋完成某種目的的實現，因此他揭示了用機器模擬人的可能性，這為人工智能的提出奠定了重要基礎。維納也是最早注意到心理學、腦科學和工程學應相互交叉的人之一，這促使了后來認知科學的發展。

這幾位數學大師不滿足于“躲進小樓成一統”，埋頭解決一兩個超級數學難題。他們的思想大膽地擁抱了斑駁復雜的世界，最終用他們的方程推動了社會的進步，開啟了人工智能之夢。

夢的延續（1956—1980）

在數學大師們鋪平了理論道路，工程師們踏平了技術坎坷，計算機已呱呱落地的時候，人工智能終于橫空出世了。而這一歷史時刻的到來卻是從一個不起眼的會議開始的。

達特茅斯會議

1956年8月，在美國漢諾斯小鎮寧靜的達特茅斯學院中，約翰?麥卡錫（John McCarthy）、馬文?閔斯基（Marvin Minsky，人工智能與認知學專家）、克勞德?香農（Claude Shannon，信息論的創始人）、艾倫?紐厄爾（Allen Newell，計算機科學家）、赫伯特?西蒙（Herbert Simon，諾貝爾經濟學獎得主）等科學家正聚在一起，討論著一個完全不食人間煙火的主題：用機器來模仿人類學習以及其他方面的智能。

會議足足開了兩個月的時間，雖然大家沒有達成普遍的共識，但是卻為會議討論的內容起了一個名字：人工智能。因此，1956年也就成為了人工智能元年。

黃金時期

達特茅斯會議之后，人工智能獲得了井噴式的發展，好消息接踵而至。機器定理證明——用計算機程序代替人類進行自動推理來證明數學定理——是最先取得重大突破的領域之一。在達特茅斯會議上，紐厄爾和西蒙展示了他們的程序：“邏輯理論家”可以獨立證明出《數學原理》第二章的38條定理；而到了1963年，該程序已能證明該章的全部52條定理。1958年，美籍華人王浩在IBM704計算機上以3~5分鐘的時間證明了《數學原理》中有關命題演算部分的全部220條定理。而就在這一年，IBM公司還研制出了平面幾何的定理證明程序。

1976年，凱尼斯?阿佩爾（Kenneth Appel）和沃夫岡?哈肯（Wolfgang Haken）等人利用人工和計算機混合的方式證明了一個著名的數學猜想：四色猜想（現在稱為四色定理）。這個猜想表述起來非常簡單易懂：對于任意的地圖，我們最少僅用四種顏色就可以染色該地圖，并使得任意兩個相鄰的國家不會重色；然而證明起來卻異常煩瑣。配合著計算機超強的窮舉和計算能力，阿佩爾等人把這個猜想證明了。

另一方面，機器學習領域也獲得了實質的突破，在1956年的達特茅斯會議上，阿瑟?薩繆爾（Arthur Samuel）研制了一個跳棋程序，該程序具有自學習功能，可以從比賽中不斷總結經驗提高棋藝。1959年，該跳棋程序打敗了它的設計者薩繆爾本人，過了3年后，該程序已經可以擊敗美國一個州的跳棋冠軍。

1956年，奧利弗?薩爾夫瑞德（Oliver Selfridge）研制出第一個字符識別程序，開辟了模式識別這一新的領域。1957年，紐厄爾和西蒙等開始研究一種不依賴于具體領域的通用問題求解器，他們稱之為GPS（General Problem Solver）。1963年，詹姆斯?斯拉格（James Slagle）發表了一個符號積分程序SAINT，輸入一個函數的表達式，該程序就能自動輸出這個函數的積分表達式。過了4年后，他們研制出了符號積分運算的升級版SIN，SIN的運算已經可以達到專家級水準。

遇到瓶頸

所有這一切來得太快了，勝利沖昏了人工智能科學家們的頭腦，他們開始盲目樂觀起來。例如，1958年，紐厄爾和西蒙就自信滿滿地說，不出10年，計算機將會成為世界象棋冠軍，證明重要的數學定理，譜出優美的音樂。照這樣的速度發展下去，2000年人工智能就真的可以超過人類了。

然而，歷史似乎故意要作弄輕狂無知的人工智能科學家們。1965年，機器定理證明領域遇到了瓶頸，計算機推了數十萬步也無法證明兩個連續函數之和仍是連續函數。薩繆爾的跳棋程序也沒那么神氣了，它停留在了州冠軍的層次，無法進一步戰勝世界冠軍。

最糟糕的事情發生在機器翻譯領域，對于人類自然語言的理解是人工智能中的硬骨頭。計算機在自然語言理解與翻譯過程中表現得極其差勁，一個最典型的例子就是下面這個著名的英語句子：

The spirit is willing but the flesh is weak. （心有余而力不足。）

當時，人們讓機器翻譯程序把這句話翻譯成俄語，然后再翻譯回英語以檢驗效果，得到的句子竟然是：

The wine is good but the meet is spoiled.（酒是好的，肉變質了。）

這簡直是驢唇不對馬嘴嘛。怪不得有人挖苦道，美國政府花了2000萬美元為機器翻譯挖掘了一座墳墓。有關自然語言理解的更多內容，請參見本書第10章。

總而言之，越來越多的不利證據迫使政府和大學削減了人工智能的項目經費，這使得人工智能進入了寒冷的冬天。來自各方的事實證明，人工智能的發展不可能像人們早期設想的那樣一帆風順，人們必須靜下心來冷靜思考。

知識就是力量

經歷了短暫的挫折之后，AI研究者們開始痛定思痛。愛德華?費根鮑姆（Edward A. Feigenbaum）就是新生力量的佼佼者，他舉著“知識就是力量”的大旗，很快開辟了新的道路。

費根鮑姆分析到，傳統的人工智能之所以會陷入僵局，就是因為他們過于強調通用求解方法的作用，而忽略了具體的知識。仔細思考我們人類的求解過程就會發現，知識無時無刻不在起著重要作用。因此，人工智能必須引入知識。

于是，在費根鮑姆的帶領下，一個新的領域專家系統誕生了。所謂的專家系統就是利用計算機化的知識進行自動推理，從而模仿領域專家解決問題。第一個成功的專家系統DENDRAL于1968年問世，它可以根據質譜儀的數據推知物質的分子結構。在這個系統的影響下，各式各樣的專家系統很快陸續涌現，形成了一種軟件產業的全新分支：知識產業。1977年，在第五屆國際人工智能大會上，費根鮑姆用知識工程概括了這個全新的領域。

在知識工程的刺激下，日本的第五代計算機計劃、英國的阿爾維計劃、西歐的尤里卡計劃、美國的星計劃和中國的863計劃陸續推出，雖然這些大的科研計劃并不都是針對人工智能的，但是AI都作為這些計劃的重要組成部分。

然而，好景不長，在專家系統、知識工程獲得大量的實踐經驗之后，弊端開始逐漸顯現了出來，這就是知識獲取。面對這個全新的棘手問題，新的“費根鮑姆”沒有再次出現，人工智能這個學科卻發生了重大轉變：它逐漸分化成了幾大不同的學派。

群龍問鼎（1980—2010）

專家系統、知識工程的運作需要從外界獲得大量知識的輸入，而這樣的輸入工作是極其費時費力的，這就是知識獲取的瓶頸。于是，在20世紀80年代，機器學習這個原本處于人工智能邊緣地區的分支一下子成為了人們關注的焦點。

盡管傳統的人工智能研究者也在奮力掙扎，但是人們很快發現，如果采用完全不同的世界觀，即讓知識通過自下而上的方式涌現，而不是讓專家們自上而下地設計出來，那么機器學習的問題其實可以得到很好地解決。這就好比我們教育小孩子，傳統人工智能好像填鴨式教學，而新的方法則是啟發式教學：讓孩子自己來學。

事實上，在人工智能界，很早就有人提出過自下而上的涌現智能的方案，只不過它們從來沒有引起大家的注意。一批人認為可以通過模擬大腦的結構（神經網絡）來實現，而另一批人則認為可以從那些簡單生物體與環境互動的模式中尋找答案。他們分別被稱為連接學派和行為學派。與此相對，傳統的人工智能則被統稱為符號學派。自20世紀80年代開始，到20世紀90年代，這三大學派形成了三足鼎立的局面。

符號學派

作為符號學派的代表，人工智能的創始人之一約翰?麥卡錫在自己的網站上掛了一篇文章《什么是人工智能》，為大家闡明什么是人工智能（按照符號學派的理解）。

（人工智能）是關于如何制造智能機器，特別是智能的計算機程序的科學和工程。它與使用機器來理解人類智能密切相關，但人工智能的研究并不需要局限于生物學上可觀察到的那些方法。

在這里，麥卡錫特意強調人工智能研究并不一定局限于模擬真實的生物智能行為，而是更強調它的智能行為和表現的方面，這一點和圖靈測試的想法是一脈相承的。另外，麥卡錫還突出了利用計算機程序來模擬智能的方法。他認為，智能是一種特殊的軟件，與實現它的硬件并沒有太大的關系。

紐厄爾和西蒙則把這種觀點概括為“物理符號系統假說”（physical symbolic system hypothesis）。該假說認為，任何能夠將物理的某些模式（pattern）或符號進行操作并轉化成另外一些模式或符號的系統，就有可能產生智能的行為。這種物理符號可以是通過高低電位的組成或者是燈泡的亮滅所形成的霓虹燈圖案，當然也可以是人腦神經網絡上的電脈沖信號。這也恰恰是“符號學派”得名的依據。

在“物理符號系統假說”的支持下，符號學派把焦點集中在人類智能的高級行為，如推理、規劃、知識表示等方面。這些工作在一些領域獲得了空前的成功。

人機大戰

計算機博弈（下棋）方面的成功就是符號學派名揚天下的資本。早在1958年，人工智能的創始人之一西蒙就曾預言，計算機會在10年內成為國際象棋世界冠軍。然而，正如我們前面討論過的，這種預測過于樂觀了。事實比西蒙的預言足足晚了40年的時間。

1988年，IBM開始研發可以與人下國際象棋的智能程序“深思”——一個可以以每秒70萬步棋的速度進行思考的超級程序。到了1991年，“深思II”已經可以戰平澳大利亞國際象棋冠軍達瑞爾?約翰森（Darryl Johansen）。1996年，“深思”的升級版“深藍”開始挑戰著名的人類國際象棋世界冠軍加里?卡斯帕羅夫（Garry Kasparov），卻以2:4敗下陣來。但是，一年后的5月11日，“深藍”最終以3.5:2.5的成績戰勝了卡斯帕羅夫（見圖1-5），成為了人工智能的一個里程碑。

圖片來源：http://cdn.theatlantic.com/static/mt/assets/science/kasparov615.jpg。

人機大戰終于以計算機的勝利劃上了句號。那是不是說計算機已經超越了人類了呢？要知道，計算機通過超級強大的搜索能力險勝了人類——當時的“深藍”已經可以在1秒鐘內算兩億步棋。而且，“深藍”存儲了100年來幾乎所有的國際特級大師的開局和殘局下法。另外還有四位國際象棋特級大師親自“訓練”“深藍”，真可謂是超豪華陣容。所以，最終的結果很難說是計算機戰勝了人，更像是一批人戰勝了另一批人。最重要的是，國際象棋上的博弈是在一個封閉的棋盤世界中進行的，而人類智能面對的則是一個復雜得多的開放世界。

然而，時隔14年后，另外一場在IBM超級計算機和人類之間的人機大戰刷新了記錄，也使得我們必須重新思考機器是否能戰勝人類這個問題。因為這次的比賽不再是下棋，而是自由的“知識問答”，這種競賽環境比國際象棋開放得多，因為提問的知識可以涵蓋時事、歷史、文學、藝術、流行文化、科學、體育、地理、文字游戲等多個方面。因此，這次的機器勝利至少證明了計算機同樣可以在開放的世界中表現得不遜于人類。

這場人機大戰的游戲叫作《危險》（Jeopardy），是美國一款著名的電視節目。在節目中，主持人通過自然語言給出一系列線索，然后，參賽隊員要根據這些線索用最短的時間把主持人描述的人或者事物猜出來，并且以提問的方式回答。例如當節目主持人給出線索“這是一種冷血的無足的冬眠動物”的時候，選手應該回答“什么是蛇？”而不是簡單地回答“蛇”。由于問題會涉及各個領域，所以一般知識淵博的人類選手都很難獲勝。

然而，在2011年2月14日到2月16日期間的《危險》比賽中，IBM公司的超級計算機沃森（Watson）卻戰勝了人類選手（見圖1-6）。

圖片來源：http://cdn.geekwire.com/wp-content/uploads/IBM-Watson.jpg。

這一次，IBM打造的沃森是一款完全不同于以往的機器。首先，它必須是一個自然語言處理的高手，因為它必須在短時間內理解主持人的提問，甚至有的時候還必須理解語言中的隱含意思。而正如我們前文所說，自然語言理解始終是人工智能的最大難題。其次，沃森必須充分了解字謎，要領會雙關語，并且腦中還要裝滿諸如莎士比亞戲劇的獨白、全球主要的河流和各國首都等知識，所有這些知識并不限定在某個具體的領域。所以，沃森的勝利的確是人工智能界的一個標志性事件。

可以說，人機大戰是人工智能符號學派1980年以來最出風頭的應用。然而，這種無休止的人機大戰也難逃成為噱頭的嫌疑。事實上，歷史上每次吸引眼球的人機大戰似乎都必然伴隨著IBM公司的股票大漲，這也就不難理解為什么IBM會花重金開發出一款又一款大型計算機去參加這么多無聊的競賽，而不是去做一些更實用的東西了。

實際上，20世紀80年代以后，符號學派的發展勢頭已經遠不如當年了，因為人工智能武林霸主的地位很快就屬于其他學派了。

連接學派

我們知道，人類的智慧主要來源于大腦的活動，而大腦則是由一萬億個神經元細胞通過錯綜復雜的相互連接形成的。于是，人們很自然地想到，我們是否可以通過模擬大量神經元的集體活動來模擬大腦的智力呢？

對比物理符號系統假說，我們不難發現，如果將智力活動比喻成一款軟件，那么支撐這些活動的大腦神經網絡就是相應的硬件。于是，主張神經網絡研究的科學家實際上在強調硬件的作用，認為高級的智能行為是從大量神經網絡的連接中自發出現的，因此，他們又被稱為連接學派。

神經網絡

連接學派的發展也是一波三折。事實上，最早的神經網絡研究可以追溯到1943年計算機發明之前。當時，沃倫?麥卡洛克（Warren McCulloch）和沃爾特?匹茲（Walter Pitts）二人提出了一個單個神經元的計算模型，如圖1-7所示。

在這個模型中，左邊的I1,I2,…,IN為輸入單元，可以從其他神經元接受輸出，然后將這些信號經過加權（W1,W2,…,WN）傳遞給當前的神經元并完成匯總。如果匯總的輸入信息強度超過了一定的閾值（T），則該神經元就會發放一個信號y給其他神經元或者直接輸出到外界。該模型后來被稱為麥卡洛克?匹茲模型，可以說它是第一個真實神經元細胞的模型。

1957

年，弗蘭克?羅森布拉特（Frank Rosenblatt）對麥卡洛克?匹茲模型進行了擴充，即在麥卡洛克?匹茲神經元上加入了學習算法，擴充的模型有一個響亮的名字：感知機。感知機可以根據模型的輸出y與我們希望模型的輸出y*之間的誤差，調整權重W1,W2,…,WN來完成學習。

我們可以形象地把感知機模型理解為一個裝滿了大大小小水龍頭（W1,W2,…,WN）的水管網絡，學習算法可以調節這些水龍頭來控制最終輸出的水流，并讓它達到我們想要的流量，這就是學習的過程。

這樣，感知機就好像一個可以學習的小孩，無論什么問題，只要明確了我們想要的輸入和輸出之間的關系，都可能通過學習得以解決，至少它的擁護者是這樣認為的。

然而，好景不長，1969年，人工智能界的權威人士馬文?閔斯基給連接學派帶來了致命一擊。他通過理論分析指出，感知機并不像它的創立者羅森布拉特宣稱的那樣可以學習任何問題。連一個最簡單的問題：判斷一個兩位的二進制數是否僅包含0或者1（即所謂的XOR問題）都無法完成。這一打擊是致命的，本來就不是很熱的神經網絡研究差點就被閔斯基這一棒子打死了。

多則不同

1974年，人工智能連接學派的救世主杰夫?辛頓（Geoffrey Hinton）終于出現了。他曾至少兩次挽回連接學派的敗局，1974年是第一次，第二次會在下文提到。辛頓的出發點很簡單——“多則不同”：只要把多個感知機連接成一個分層的網絡，那么，它就可以圓滿地解決閔斯基的問題。如圖1-8所示，多個感知機連接成為一個四層的網絡，最左面為輸入層，最右面為輸出層，中間的那些神經元位于隱含層，右側的神經元接受左側神經元的輸出。

但接下來的問題是，“人多吃得多”，那么多個神經元，可能有幾百甚至上千個參數需要調節，我們如何對這樣復雜的網絡進行訓練呢？辛頓等人發現，采用幾年前阿瑟?布賴森（Arthur Bryson）等人提出來的反向傳播算法（Back propagation algorithm，簡稱BP算法）就可以有效解決多層網絡的訓練問題。

還是以水流管道為例來說明。當網絡執行決策的時候，水從左側的輸入節點往右流，直到輸出節點將水吐出。而在訓練階段，我們則需要從右往左來一層層地調節各個水龍頭，要使水流量達到要求，我們只要讓每一層的調節只對它右面一層的節點負責就可以了，這就是反向傳播算法。事實證明，多層神經網絡裝備上反向傳播算法之后，可以解決很多復雜的識別和預測等問題。

幾乎是在同一時間，又有幾個不同的神經網絡模型先后被提出，這些模型有的可以完成模式聚類，有的可以模擬聯想思維，有的具有深厚的數學物理基礎，有的則模仿生物的構造。所有這些大的突破都令連接學派名聲大噪，異軍突起。

統計學習理論

然而，連接學派的科學家們很快又陷入了困境。雖然各種神經網絡可以解決問題，但是，它們究竟為什么會成功以及為什么在有些問題上會屢遭失敗，卻沒有人能說得清楚。對網絡運行原理的無知，也使得人們對如何提高神經網絡運行效率的問題無從下手。因此，連接學派需要理論的支持。

2000年左右，弗拉基米爾?萬普尼克（Vladimir Naumovich Vapnik）和亞歷克塞?澤范蘭杰斯（Alexey Yakovlevich Chervonenkis）這兩位俄羅斯科學家提出了一整套新的理論：統計學習理論，受到連接學派的頂禮膜拜。

該理論大意可概括為“殺雞焉用宰牛刀”。我們的模型一定要與待解決的問題相匹配，如果模型過于簡單，而問題本身的復雜度很高，就無法得到預期的精度。反過來，若問題本身簡單，而模型過于復雜，那么模型就會比較僵死，無法舉一反三，即出現所謂的“過擬合”（overfitting）現象。

實際上，統計學習理論的精神與奧卡姆剃刀原理有著深刻的聯系。威廉?奧卡姆（William Occum，1287—1347）是中世紀時期的著名哲學家，他留下的最重要的遺產就是奧卡姆剃刀原理。該原理說，如果對于同一個問題有不同的解決方案，那么我們應該挑選其中最簡單的一個。神經網絡或者其他機器學習模型也應該遵循類似的原理，只有當模型的復雜度與所解決的問題相匹配的時候，才能讓模型更好地發揮作用。

然而，統計學習理論也有很大的局限性，因為理論的嚴格分析僅僅限于一類特殊的神經網絡模型：支持向量機（Supporting Vector Machine）。而對于更一般的神經網絡，人們還未找到統一的分析方法。所以說，連接學派的科學家們雖然會向大腦學習如何構造神經網絡模型，但實際上他們自己也不清楚這些神經網絡究竟是如何工作的。不過，他們這種尷尬局面也是無獨有偶，另外一派后起之秀雖然來勢洶洶，卻也沒有解決理論基礎問題，這就是行為學派。

行為學派

行為學派的出發點與符號學派和連接學派完全不同，他們并沒有把目光聚焦在具有高級智能的人類身上，而是關注比人類低級得多的昆蟲。即使這樣簡單的動物也體現出了非凡的智能，昆蟲可以靈活地擺動自己的身體行走，還能夠快速地反應，躲避捕食者的攻擊。而另一方面，盡管螞蟻個體非常簡單，但是，當很多小螞蟻聚集在一起形成龐大的蟻群的時候，卻能表現出非凡的智能，還能形成嚴密的社會分工組織。

正是受到了自然界中這些相對低等生物的啟發，行為學派的科學家們決定從簡單的昆蟲入手來理解智能的產生。的確，他們取得了不錯的成果。

機器昆蟲

羅德尼?布魯克斯（Rodney Brooks）是一名來自美國麻省理工學院的機器人專家。在他的實驗室中有大量的機器昆蟲（如圖1-9所示）。相對于那些笨拙的機器人鐵家伙來說，這些小昆蟲要靈活得多。

這些機器昆蟲沒有復雜的大腦，也不會按照傳統的方式進行復雜的知識表示和推理。它們甚至不需要大腦的干預，僅憑四肢和關節的協調，就能很好地適應環境。當我們把這些機器昆蟲放到復雜的地形中的時候，它們可以痛快地爬行，還能聰明地避開障礙物。它們看起來的智能事實上并不來源于自上而下的復雜設計，而是來源于自下而上的與環境的互動。這就是布魯克斯所倡導的理念。

如果說符號學派模擬智能軟件，連接學派模擬大腦硬件，那么行為學派就算是模擬身體了，而且是簡單的、看起來沒有什么智能的身體。例如，行為學派的一個非常成功的應用就是美國波士頓動力公司（Boston Dynamics）研制開發的機器人“大狗②。如圖1-10所示，“大狗”是一個四足機器人，它能夠在各種復雜的地形中行走、攀爬、奔跑，甚至還可以背負重物。“大狗”模擬了四足動物的行走行為，能夠自適應地根據不同的地形調整行走的模式。推薦感興趣的讀者掃描下方二維碼觀看視頻介紹。

圖片來源：http://grant.solarbotics.net/walkman.htm。BigDog，參見http://www.bostondynamics.com/robot_bigdog.html。

當這只大狗伴隨著“沙沙”的機器運作聲朝你走來時，你一定會被它的氣勢所嚇到，因為它的樣子很像是一頭公牛呢！

進化計算

我們從生物身上學到的東西還不僅僅是這些。從更長的時間尺度看，生物體對環境的適應還會迫使生物進化，從而實現從簡單到復雜、從低等到高等的躍遷。

約翰?霍蘭（John Holland）是美國密西根大學的心理學、電器工程以及計算機的三科教授。他本科畢業于麻省理工學院，后來到了密西根大學師從阿瑟?伯克斯（Arthur Burks，曾是馮?諾依曼的助手）攻讀博士學位。1959年，他拿到了全世界首個計算機科學的博士頭銜。別看霍蘭個頭不高，他的骨子里卻有一種離經叛道的氣魄。他在讀博期間就對如何用計算機模擬生物進化異常著迷，并最終發表了他的遺傳算法。

遺傳算法對大自然中的生物進化進行了大膽的抽象，最終提取出兩個主要環節：變異（包括基因重組和突變）和選擇。在計算機中，我們可以用一堆二進制串來模擬自然界中的生物體。而大自然的選擇作用——生存競爭、優勝劣汰——則被抽象為一個簡單的適應度函數。這樣，一個超級濃縮版的大自然進化過程就可以搬到計算機中了，這就是遺傳算法。

圖片來源：http://www.militaryfactory.com/armor/detail.asp?armor_id=184。

遺傳算法在剛發表的時候并沒有引起多少人的重視。然而，隨著時間的推移，當人工智能的焦點轉向機器學習時，遺傳算法就一下子家喻戶曉了，因為它的確是一個非常簡單而有效的機器學習算法。與神經網絡不同，遺傳算法不需要把學習區分成訓練和執行兩個階段，它完全可以指導機器在執行中學習，即所謂的做中學（learning by doing）。同時，遺傳算法比神經網絡具有更方便的表達性和簡單性。

無獨有偶，美國的勞倫斯?福格爾（Lawrence Fogel）、德國的因戈?雷伯格（Ingo Rechenberg）以及漢斯?保羅?施韋費爾（Hans-Paul Schwefel）、霍蘭的學生約翰?科扎（John Koza）等人也先后提出了演化策略、演化編程和遺傳編程。這使得進化計算大家庭的成員更加多樣化了。

人工生命

無論是機器昆蟲還是進化計算，科學家們關注的焦點都是如何模仿生物來創造智能的機器或者算法。克里斯托弗?蘭頓（Chirstopher Langton）進行了進一步提煉，提出了“人工生命”這一新興學科。人工生命與人工智能非常接近，但是它的關注點在于如何用計算的手段來模擬生命這種更加“低等”的現象。

人工生命認為，所謂的生命或者智能實際上是從底層單元（可以是大分子化合物，也可以是數字代碼）通過相互作用而產生的涌現屬性（emergent property）。“涌現”（emergence）這個詞是人工生命研究中使用頻率最高的詞之一，它強調了一種只有在宏觀具備但不能分解還原到微觀層次的屬性、特征或行為。單個的蛋白質分子不具備生命特征，但是大量的蛋白質分子組合在一起形成細胞的時候，整個系統就具備了“活”性，這就是典型的涌現。同樣地，智能則是比生命更高一級（假如我們能夠將智能和生命分成不同等級的話）的涌現——在生命系統中又涌現出了一整套神經網絡系統，從而使得整個生命體具備了智能屬性。現實世界中的生命是由碳水化合物編織成的一個復雜網絡，而人工生命則是寄生于01世界中的復雜有機體。

人工生命的研究思路是通過模擬的形式在計算機數碼世界中產生類似現實世界的涌現。因此，從本質上講，人工生命模擬的就是涌現過程，而不太關心實現這個過程的具體單元。我們用01數字代表蛋白質分子，并為其設置詳細的規則，接下來的事情就是運行這個程序，然后盯著屏幕，喝上一杯咖啡，等待著令人吃驚的“生命現象”在電腦中出現。

模擬群體行為是人工生命的典型應用之一。1983年，計算機圖形學家克雷格?雷諾茲（Craig Reynolds）曾開發了一個名為Boid的計算機模擬程序（見圖1-11），它可以逼真地模擬鳥群的運動，還能夠聰明地躲避障礙物。后來，肯尼迪（Kennedy）等人于1995年擴展了Boid模型，提出了PSO（粒子群優化）算法，成功地通過模擬鳥群的運動來解決函數優化等問題。

類似地，利用模擬群體行為來實現智能設計的例子還有很多，例如蟻群算法、免疫算法等，共同特征都是讓智能從規則中自下而上地涌現出來，并能解決實際問題。關于人工生命的詳細討論，可以參考本書11～13章。

然而，行為學派帶來的問題似乎比提供的解決方法還多。究竟在什么情況下能夠發生涌現？如何設計底層規則使得系統能夠以我們希望的方式涌現？行為學派、人工生命的研究者們無法回答。更糟糕的是，幾十年過去了，人工生命研究似乎仍然只擅長于模擬小蟲子、螞蟻之類的低等生物，高級的智能完全沒有像他們預期的那樣自然涌現，而且沒有絲毫跡象。

圖片來源：http://www.red3d.com/cwr/boids/。

三大學派間的關系

正如我們前面提到的，這三個學派大致是從軟件、硬件和身體這三個角度來模擬和理解智能的。但是，這僅僅是一個粗糙的比喻。事實上，三大學派之間還存在著很多微妙的差異和聯系。

首先，符號學派的思想和觀點直接繼承自圖靈，他們是直接從功能的角度來理解智能的。他們把智能理解為一個黑箱，只關心這個黑箱的輸入和輸出，而不關心黑箱的內部構造。因此，符號學派利用知識表示和搜索來替代真實人腦的神經網絡結構。符號學派假設知識是先驗地存儲于黑箱之中的，因此，它很擅長解決利用現有的知識做比較復雜的推理、規劃、邏輯運算和判斷等問題。

連接學派則顯然要把智能系統的黑箱打開，從結構的角度來模擬智能系統的運作，而不單單重現功能。這樣，連接學派看待智能會比符號學派更加底層。這樣做的好處是可以很好地解決機器學習的問題，并自動獲取知識；但是弱點是對于知識的表述是隱含而晦澀的，因為所有學習到的知識都變成了連接權重的數值。我們若要讀出神經網絡中存儲的知識，就必須要讓這個網絡運作起來，而無法直接從模型中讀出。連接學派擅長解決模式識別、聚類、聯想等非結構化的問題，但卻很難解決高層次的智能問題（如機器定理證明）。

行為學派則研究更低級的智能行為，它更擅長模擬身體的運作機制，而不是腦。同時，行為學派非常強調進化的作用，他們認為，人類的智慧也理應是從漫長的進化過程中逐漸演變而來的。行為學派擅長解決適應性、學習、快速行為反應等問題，也可以解決一定的識別、聚類、聯想等問題，但在高級智能行為（如問題求解、邏輯演算）上則相形見絀。

有意思的是，連接學派和行為學派似乎更加接近，因為他們都相信智能是自下而上涌現出來的，而非自上而下的設計。但麻煩在于，怎么涌現？涌現的機制是什么？這些深層次問題無法在兩大學派內部解決，而必須求助于復雜系統科學。

三大學派分別從高、中、低三個層次來模擬智能，但現實中的智能系統顯然是一個完整的整體。我們應如何調解、綜合這三大學派的觀點呢？這是一個未解決的開放問題，而且似乎很難在短時間內解決。主要的原因在于，無論是在理論指導思想還是計算機模型等方面，三大學派都存在著太大的差異。

分裂與統一

于是，就這樣磕磕碰碰地，人工智能走入了新的世紀。到了2000年前后，人工智能的發展非但沒有解決問題，反而引入了一個又一個新的問題，這些問題似乎變得越來越難以回答，而且所牽扯的理論也越來越深。于是，很多人工智能研究者干脆當起了“鴕鳥”，對理論問題不聞不問，而是一心向“應用”看齊。爭什么爭呀，實踐是檢驗真理的唯一標準，無論是符號、連接、行為，能夠解決實際問題的鳥就是好鳥。

群龍無首

在這樣一種大背景下，人工智能開始進一步分化，很多原本隸屬于人工智能的領域逐漸獨立成為面向具體應用的新興學科，我們簡單羅列如下：

? 自動定理證明

? 模式識別

? 機器學習

? 自然語言理解

? 計算機視覺

? 自動程序設計

每一個領域都包含大量具體的技術和專業知識以及特殊的應用背景，不同分支之間也幾乎是老死不相往來，大一統的人工智能之夢仿佛破滅了。于是，計算機視覺專家甚至不愿意承認自己搞的叫人工智能，因為他們認為，人工智能已經成為了一個僅僅代表傳統的符號學派觀點的專有名詞，大一統的人工智能概念沒有任何意義，也沒有存在的必要。這就是人工智能進入2000年之后的狀況。

【未完】待續......

閱讀原文?