歷史上，研究人工智能就像是在坐過山車，忽上忽下。夢(mèng)想的肥皂泡一次次被冰冷的科學(xué)事實(shí)戳破，科學(xué)家們不得不一次次重新回到夢(mèng)的起點(diǎn)。作為一個(gè)獨(dú)立的學(xué)科，人工智能的發(fā)展非常奇葩。它不像其他學(xué)科那樣從分散走向統(tǒng)一，而是從1956年創(chuàng)立以來就不斷地分裂，形成了一系列大大小小的子領(lǐng)域。也許人工智能注定就是大雜燴，也許統(tǒng)一的時(shí)刻還未到來。然而，人們對(duì)人工智能的夢(mèng)想?yún)s是永遠(yuǎn)不會(huì)磨滅的。
這里將按歷史的順序介紹人工智能的發(fā)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(xué)派：符號(hào)學(xué)派、連接學(xué)派和行為學(xué)派，以及近年來的新進(jìn)展：貝葉斯網(wǎng)絡(luò)、深度學(xué)習(xí)、通用人工智能；最后我們將對(duì)未來的人工智能進(jìn)行展望。
說來奇怪，人工智能之夢(mèng)開始于一小撮20世紀(jì)初期的數(shù)學(xué)家。這些人真正做到了用方程推動(dòng)整個(gè)世界。
歷史的車輪倒回到1900年，世紀(jì)之交的數(shù)學(xué)家大會(huì)在巴黎如期召開，德高望重的老數(shù)學(xué)家大衛(wèi)·希爾伯特（David Hilbert）莊嚴(yán)地向全世界數(shù)學(xué)家們宣布了23個(gè)未解決的難題。這23道難題道道經(jīng)典，而其中的第二問題和第十問題則與人工智能密切相關(guān)，并最終促成了計(jì)算機(jī)的發(fā)明。
希爾伯特的第二問題來源于一個(gè)大膽的想法——運(yùn)用公理化的方法統(tǒng)一整個(gè)數(shù)學(xué)，并運(yùn)用嚴(yán)格的數(shù)學(xué)推理證明數(shù)學(xué)自身的正確性。這個(gè)野心被后人稱為希爾伯特綱領(lǐng)，雖然他自己沒能證明，但卻把這個(gè)任務(wù)交給了后來的年輕人，這就是希爾伯特第二問題：證明數(shù)學(xué)系統(tǒng)中應(yīng)同時(shí)具備一致性（數(shù)學(xué)真理不存在矛盾）和完備性（任意真理都可以被描述為數(shù)學(xué)定理）。
希爾伯特的勃勃野心無疑激勵(lì)著每一位年輕的數(shù)學(xué)家，其中就包括一個(gè)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(shí)粉絲，并致力于攻克第二問題。然而，他很快發(fā)現(xiàn)，自己之前的努力都是徒勞的，因?yàn)橄柌氐诙栴}的斷言根本就是錯(cuò)的：任何足夠強(qiáng)大的數(shù)學(xué)公理系統(tǒng)都存在著瑕疵：一致性和完備性不能同時(shí)具備。很快，哥德爾倒戈了，他背叛了希爾伯特，但卻推動(dòng)了整個(gè)數(shù)學(xué)的發(fā)展，于1931年提出了被美國(guó)《時(shí)代周刊》評(píng)選為20世紀(jì)最有影響力的數(shù)學(xué)定理：哥德爾不完備性定理。
盡管早在1931年，人工智能學(xué)科還沒有建立，計(jì)算機(jī)也沒有發(fā)明，但是哥德爾定理似乎已經(jīng)為人工智能提出了警告。這是因?yàn)槿绻覀儼讶斯ぶ悄芤部醋饕粋€(gè)機(jī)械化運(yùn)作的數(shù)學(xué)公理系統(tǒng)，那么根據(jù)哥德爾定理，必然存在著某種人類可以構(gòu)造、但是機(jī)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(shù)學(xué)無法證明數(shù)學(xué)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(jī)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(jiǎn)單，上述命題成立的一個(gè)前提是人與機(jī)器不同，不是一個(gè)機(jī)械的公理化系統(tǒng)。然而，這個(gè)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(zhēng)論之中。關(guān)于此觀點(diǎn)的延伸討論請(qǐng)參見本書第4章。
另外一個(gè)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(xiàn)一生。這個(gè)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(gè)丟番圖方程有解的機(jī)械化運(yùn)算過程?！边@句話的前半句比較晦澀，我們可以先忽略，因?yàn)楹蟀刖涫侵攸c(diǎn)，“機(jī)械化運(yùn)算過程”用今天的話說就是算法。然而，當(dāng)年，算法這個(gè)概念還是相當(dāng)模糊的。于是，圖靈設(shè)想出了一個(gè)機(jī)器——圖靈機(jī)，它是計(jì)算機(jī)的理論原型，圓滿地刻畫出了機(jī)械化運(yùn)算過程的含義，并最終為計(jì)算機(jī)的發(fā)明鋪平了道路。
圖靈機(jī)模型（見圖1-2）形象地模擬了人類進(jìn)行計(jì)算的過程。假如我們希望計(jì)算任意兩個(gè)3位數(shù)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(gè)位到百位一位一位地按照10以內(nèi)的加法規(guī)則完成加法。我們還需要考慮進(jìn)位，例如9 + 9 = 18，這個(gè)1就要加在十位上。我們是通過在草稿紙上記下適當(dāng)?shù)臉?biāo)記來完成這種進(jìn)位記憶的。最后，我們把計(jì)算的結(jié)果輸出到了紙上。
圖靈機(jī)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(zhǎng)的紙帶，筆被模型化為一個(gè)讀寫頭，固定的10以內(nèi)的運(yùn)算法則模型化為輸入給讀寫頭的程序，對(duì)于進(jìn)位的記憶則被模型化為讀寫頭的內(nèi)部狀態(tài)。于是，設(shè)定好紙帶上的初始信息，以及讀寫頭的當(dāng)前內(nèi)部狀態(tài)和程序規(guī)則，圖靈機(jī)就可以運(yùn)行起來了。它在每一時(shí)刻讀入一格紙帶的信息，并根據(jù)當(dāng)前的內(nèi)部狀態(tài)，查找相應(yīng)的程序，從而給出下一時(shí)刻的內(nèi)部狀態(tài)并輸出信息到紙帶上。關(guān)于圖靈機(jī)的詳細(xì)描述，請(qǐng)參見本書第2章。
圖靈機(jī)模型一經(jīng)提出就得到了科學(xué)家們的認(rèn)可，這無疑給了圖靈莫大的鼓勵(lì)。他開始鼓起勇氣，展開想象的翅膀，進(jìn)一步思考圖靈機(jī)運(yùn)算能力的極限。1940年，圖靈開始認(rèn)真地思考機(jī)器是否能夠具備類人的智能。他馬上意識(shí)到這個(gè)問題的要點(diǎn)其實(shí)并不在于如何打造強(qiáng)大的機(jī)器，而在于我們?nèi)祟惾绾慰创悄?，即依?jù)什么標(biāo)準(zhǔn)評(píng)價(jià)一臺(tái)機(jī)器是否具備智能。于是，圖靈在1950年發(fā)表了《機(jī)器能思考嗎？》一文，提出了這樣一個(gè)標(biāo)準(zhǔn)：如果一臺(tái)機(jī)器通過了“圖靈測(cè)試”，則我們必須接受這臺(tái)機(jī)器具有智能。那么，圖靈測(cè)試究竟是怎樣一種測(cè)試呢？
如圖1-3所示，假設(shè)有兩間密閉的屋子，其中一間屋子里面關(guān)了一個(gè)人，另一間屋子里面關(guān)了一臺(tái)計(jì)算機(jī)：進(jìn)行圖靈測(cè)試的人工智能程序。然后，屋子外面有一個(gè)人作為測(cè)試者，測(cè)試者只能通過一根導(dǎo)線與屋子里面的人或計(jì)算機(jī)交流——與它們進(jìn)行聯(lián)網(wǎng)聊天。假如測(cè)試者在有限的時(shí)間內(nèi)無法判斷出這兩間屋子里面哪一個(gè)關(guān)的是人，哪一個(gè)是計(jì)算機(jī)，那么我們就稱屋子里面的人工智能程序通過了圖靈測(cè)試，并具備了智能。事實(shí)上，圖靈當(dāng)年在《機(jī)器能思考嗎？》一文中設(shè)立的標(biāo)準(zhǔn)相當(dāng)寬泛：只要有30%的人類測(cè)試者在5分鐘內(nèi)無法分辨出被測(cè)試對(duì)象，就可以認(rèn)為程序通過了圖靈測(cè)試。
2014年6月12日，一個(gè)名為“尤金”（Eugene Goostman）的聊天程序（見圖1-4）成功地在5分鐘內(nèi)蒙騙了30%的人類測(cè)試者，從而達(dá)到了圖靈當(dāng)年提出來的標(biāo)準(zhǔn)。很多人認(rèn)為，這款程序具有劃時(shí)代的意義，它是自圖靈測(cè)試提出64年后第一個(gè)通過圖靈測(cè)試的程序。但是，很快就有人提出這只不過是一個(gè)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(jiān)、未來學(xué)家雷·庫茲韋爾（Ray Kurzweil）就表示，這個(gè)聊天機(jī)器人號(hào)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(cè)試者只有5分鐘與之展開互動(dòng)，這大大增加了他們?cè)诙唐趦?nèi)被“欺騙”的概率。
由此可見，圖靈將智能等同于符號(hào)運(yùn)算的智能表現(xiàn)，而忽略了實(shí)現(xiàn)這種符號(hào)智能表現(xiàn)的機(jī)器內(nèi)涵。這樣做的好處是可以將所謂的智能本質(zhì)這一問題繞過去，它的代價(jià)是人工智能研制者們會(huì)把注意力集中在如何讓程序欺騙人類測(cè)試者上，甚至可以不擇手段。所以，對(duì)于將圖靈測(cè)試作為評(píng)判機(jī)器具備智能的唯一標(biāo)準(zhǔn)，很多人開始質(zhì)疑。因?yàn)槿祟愔悄苓€包括諸如對(duì)復(fù)雜形式的判斷、創(chuàng)造性地解決問題的方法等，而這些特質(zhì)都無法在圖靈測(cè)試中體現(xiàn)出來。
總而言之，圖靈的研究無疑大大推動(dòng)了人工智能的進(jìn)展。然而，圖靈本人卻于1954年死于一個(gè)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(dāng)時(shí)的英國(guó)是非法的。于是英國(guó)政府強(qiáng)行給他注射一種藥物抑制他的同性戀傾向，這導(dǎo)致他最終在治療期間痛苦萬分地自殺了。據(jù)說，蘋果公司為了紀(jì)念這位計(jì)算機(jī)科學(xué)之父，特意用那個(gè)被圖靈咬掉一口的蘋果作為公司的logo。1966年，美國(guó)計(jì)算機(jī)協(xié)會(huì)設(shè)立了以圖靈命名的圖靈獎(jiǎng)，以專門獎(jiǎng)勵(lì)那些對(duì)計(jì)算機(jī)事業(yè)作出重要貢獻(xiàn)的人，這相當(dāng)于計(jì)算機(jī)領(lǐng)域的諾貝爾獎(jiǎng)。
就在哥德爾絞盡腦汁捉摸希爾伯特第二問題的時(shí)候，另外一個(gè)來自匈牙利布達(dá)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(yuǎn)沒有哥德爾走運(yùn)。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(jīng)發(fā)表了哥德爾定理，先他一步。于是，馮·諾依曼一氣之下開始轉(zhuǎn)行研究起了量子力學(xué)。就在他的量子力學(xué)研究即將結(jié)出碩果之際，另外一位天才物理學(xué)家保羅·狄拉克（Paul Dirac）又一次搶了他的風(fēng)頭，出版了《量子力學(xué)原理》，并一舉成名。這比馮·諾依曼的《量子力學(xué)的數(shù)學(xué)基礎(chǔ)》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(chǔ)數(shù)學(xué)轉(zhuǎn)向了工程應(yīng)用領(lǐng)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(jì)算機(jī)EDVAC的設(shè)計(jì)，并提出了我們現(xiàn)在熟知的“馮·諾依曼體系結(jié)構(gòu)”。
馮·諾依曼的計(jì)算機(jī)與圖靈機(jī)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(jù)指定的地址，隨機(jī)地跳到相應(yīng)的位置完成讀寫。這也就是我們今天所說的隨機(jī)訪問存儲(chǔ)器（Random Access Memory，RAM）的前身。關(guān)于馮·諾依曼體系結(jié)構(gòu)和現(xiàn)代計(jì)算機(jī)的工作原理，請(qǐng)參見本書第3章。
馮·諾依曼的計(jì)算機(jī)終于使得數(shù)學(xué)家們的研究結(jié)出了碩果，也最終推動(dòng)著人類歷史進(jìn)入了信息時(shí)代，使得人工智能之夢(mèng)成為了可能。
我們要介紹的最后一位數(shù)學(xué)家是美國(guó)的天才神童諾伯特·維納（Norbert Wiener）。據(jù)說維納三歲的時(shí)候就開始在父親的影響下讀天文學(xué)和生物學(xué)的圖書。七歲的時(shí)候他所讀的物理學(xué)和生物學(xué)的知識(shí)范圍已經(jīng)超出了他父親。他年紀(jì)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(xué)的各個(gè)領(lǐng)域。后來，他留學(xué)歐洲，曾先后拜師于羅素、希爾伯特、哈代等哲學(xué)、數(shù)學(xué)大師。維納在他70年的科學(xué)生涯中，先后涉足數(shù)學(xué)、物理學(xué)、工程學(xué)和生物學(xué)，共發(fā)表240多篇論文，著作14本。
然而，與我們的主題最相關(guān)的，則要數(shù)維納于1948年提出來的新興學(xué)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(jī)器與人的統(tǒng)一性——人或機(jī)器都是通過反饋完成某種目的的實(shí)現(xiàn)，因此他揭示了用機(jī)器模擬人的可能性，這為人工智能的提出奠定了重要基礎(chǔ)。維納也是最早注意到心理學(xué)、腦科學(xué)和工程學(xué)應(yīng)相互交叉的人之一，這促使了后來認(rèn)知科學(xué)的發(fā)展。
這幾位數(shù)學(xué)大師不滿足于“躲進(jìn)小樓成一統(tǒng)”，埋頭解決一兩個(gè)超級(jí)數(shù)學(xué)難題。他們的思想大膽地?fù)肀Я税唏g復(fù)雜的世界，最終用他們的方程推動(dòng)了社會(huì)的進(jìn)步，開啟了人工智能之夢(mèng)。
在數(shù)學(xué)大師們鋪平了理論道路，工程師們踏平了技術(shù)坎坷，計(jì)算機(jī)已呱呱落地的時(shí)候，人工智能終于橫空出世了。而這一歷史時(shí)刻的到來卻是從一個(gè)不起眼的會(huì)議開始的。
1956年8月，在美國(guó)漢諾斯小鎮(zhèn)寧靜的達(dá)特茅斯學(xué)院中，約翰·麥卡錫（John McCarthy）、馬文·閔斯基（Marvin Minsky，人工智能與認(rèn)知學(xué)專家）、克勞德·香農(nóng)（Claude Shannon，信息論的創(chuàng)始人）、艾倫·紐厄爾（Allen Newell，計(jì)算機(jī)科學(xué)家）、赫伯特·西蒙（Herbert Simon，諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主）等科學(xué)家正聚在一起，討論著一個(gè)完全不食人間煙火的主題：用機(jī)器來模仿人類學(xué)習(xí)以及其他方面的智能。
會(huì)議足足開了兩個(gè)月的時(shí)間，雖然大家沒有達(dá)成普遍的共識(shí)，但是卻為會(huì)議討論的內(nèi)容起了一個(gè)名字：人工智能。因此，1956年也就成為了人工智能元年。
達(dá)特茅斯會(huì)議之后，人工智能獲得了井噴式的發(fā)展，好消息接踵而至。機(jī)器定理證明——用計(jì)算機(jī)程序代替人類進(jìn)行自動(dòng)推理來證明數(shù)學(xué)定理——是最先取得重大突破的領(lǐng)域之一。在達(dá)特茅斯會(huì)議上，紐厄爾和西蒙展示了他們的程序：“邏輯理論家”可以獨(dú)立證明出《數(shù)學(xué)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(jì)算機(jī)上以3~5分鐘的時(shí)間證明了《數(shù)學(xué)原理》中有關(guān)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?qū)す希╓olfgang Haken）等人利用人工和計(jì)算機(jī)混合的方式證明了一個(gè)著名的數(shù)學(xué)猜想：四色猜想（現(xiàn)在稱為四色定理）。這個(gè)猜想表述起來非常簡(jiǎn)單易懂：對(duì)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(gè)相鄰的國(guó)家不會(huì)重色；然而證明起來卻異常煩瑣。配合著計(jì)算機(jī)超強(qiáng)的窮舉和計(jì)算能力，阿佩爾等人把這個(gè)猜想證明了。
另一方面，機(jī)器學(xué)習(xí)領(lǐng)域也獲得了實(shí)質(zhì)的突破，在1956年的達(dá)特茅斯會(huì)議上，阿瑟·薩繆爾（Arthur Samuel）研制了一個(gè)跳棋程序，該程序具有自學(xué)習(xí)功能，可以從比賽中不斷總結(jié)經(jīng)驗(yàn)提高棋藝。1959年，該跳棋程序打敗了它的設(shè)計(jì)者薩繆爾本人，過了3年后，該程序已經(jīng)可以擊敗美國(guó)一個(gè)州的跳棋冠軍。
1956年，奧利弗·薩爾夫瑞德（Oliver Selfridge）研制出第一個(gè)字符識(shí)別程序，開辟了模式識(shí)別這一新的領(lǐng)域。1957年，紐厄爾和西蒙等開始研究一種不依賴于具體領(lǐng)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(fā)表了一個(gè)符號(hào)積分程序SAINT，輸入一個(gè)函數(shù)的表達(dá)式，該程序就能自動(dòng)輸出這個(gè)函數(shù)的積分表達(dá)式。過了4年后，他們研制出了符號(hào)積分運(yùn)算的升級(jí)版SIN，SIN的運(yùn)算已經(jīng)可以達(dá)到專家級(jí)水準(zhǔn)。
所有這一切來得太快了，勝利沖昏了人工智能科學(xué)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(jì)算機(jī)將會(huì)成為世界象棋冠軍，證明重要的數(shù)學(xué)定理，譜出優(yōu)美的音樂。照這樣的速度發(fā)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(xué)家們。1965年，機(jī)器定理證明領(lǐng)域遇到了瓶頸，計(jì)算機(jī)推了數(shù)十萬步也無法證明兩個(gè)連續(xù)函數(shù)之和仍是連續(xù)函數(shù)。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(jìn)一步戰(zhàn)勝世界冠軍。
最糟糕的事情發(fā)生在機(jī)器翻譯領(lǐng)域，對(duì)于人類自然語言的理解是人工智能中的硬骨頭。計(jì)算機(jī)在自然語言理解與翻譯過程中表現(xiàn)得極其差勁，一個(gè)最典型的例子就是下面這個(gè)著名的英語句子：
The spirit is willing but the flesh is weak. （心有余而力不足。）
當(dāng)時(shí)，人們讓機(jī)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(yàn)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(zhì)了。）
這簡(jiǎn)直是驢唇不對(duì)馬嘴嘛。怪不得有人挖苦道，美國(guó)政府花了2000萬美元為機(jī)器翻譯挖掘了一座墳?zāi)?。有關(guān)自然語言理解的更多內(nèi)容，請(qǐng)參見本書第10章。
總而言之，越來越多的不利證據(jù)迫使政府和大學(xué)削減了人工智能的項(xiàng)目經(jīng)費(fèi)，這使得人工智能進(jìn)入了寒冷的冬天。來自各方的事實(shí)證明，人工智能的發(fā)展不可能像人們?cè)缙谠O(shè)想的那樣一帆風(fēng)順，人們必須靜下心來冷靜思考。
經(jīng)歷了短暫的挫折之后，AI研究者們開始痛定思痛。愛德華·費(fèi)根鮑姆（Edward A. Feigenbaum）就是新生力量的佼佼者，他舉著“知識(shí)就是力量”的大旗，很快開辟了新的道路。
費(fèi)根鮑姆分析到，傳統(tǒng)的人工智能之所以會(huì)陷入僵局，就是因?yàn)樗麄冞^于強(qiáng)調(diào)通用求解方法的作用，而忽略了具體的知識(shí)。仔細(xì)思考我們?nèi)祟惖那蠼膺^程就會(huì)發(fā)現(xiàn)，知識(shí)無時(shí)無刻不在起著重要作用。因此，人工智能必須引入知識(shí)。
于是，在費(fèi)根鮑姆的帶領(lǐng)下，一個(gè)新的領(lǐng)域?qū)＜蚁到y(tǒng)誕生了。所謂的專家系統(tǒng)就是利用計(jì)算機(jī)化的知識(shí)進(jìn)行自動(dòng)推理，從而模仿領(lǐng)域?qū)＜医鉀Q問題。第一個(gè)成功的專家系統(tǒng)DENDRAL于1968年問世，它可以根據(jù)質(zhì)譜儀的數(shù)據(jù)推知物質(zhì)的分子結(jié)構(gòu)。在這個(gè)系統(tǒng)的影響下，各式各樣的專家系統(tǒng)很快陸續(xù)涌現(xiàn)，形成了一種軟件產(chǎn)業(yè)的全新分支：知識(shí)產(chǎn)業(yè)。1977年，在第五屆國(guó)際人工智能大會(huì)上，費(fèi)根鮑姆用知識(shí)工程概括了這個(gè)全新的領(lǐng)域。
在知識(shí)工程的刺激下，日本的第五代計(jì)算機(jī)計(jì)劃、英國(guó)的阿爾維計(jì)劃、西歐的尤里卡計(jì)劃、美國(guó)的星計(jì)劃和中國(guó)的863計(jì)劃陸續(xù)推出，雖然這些大的科研計(jì)劃并不都是針對(duì)人工智能的，但是AI都作為這些計(jì)劃的重要組成部分。
然而，好景不長(zhǎng)，在專家系統(tǒng)、知識(shí)工程獲得大量的實(shí)踐經(jīng)驗(yàn)之后，弊端開始逐漸顯現(xiàn)了出來，這就是知識(shí)獲取。面對(duì)這個(gè)全新的棘手問題，新的“費(fèi)根鮑姆”沒有再次出現(xiàn)，人工智能這個(gè)學(xué)科卻發(fā)生了重大轉(zhuǎn)變：它逐漸分化成了幾大不同的學(xué)派。
專家系統(tǒng)、知識(shí)工程的運(yùn)作需要從外界獲得大量知識(shí)的輸入，而這樣的輸入工作是極其費(fèi)時(shí)費(fèi)力的，這就是知識(shí)獲取的瓶頸。于是，在20世紀(jì)80年代，機(jī)器學(xué)習(xí)這個(gè)原本處于人工智能邊緣地區(qū)的分支一下子成為了人們關(guān)注的焦點(diǎn)。
盡管傳統(tǒng)的人工智能研究者也在奮力掙扎，但是人們很快發(fā)現(xiàn)，如果采用完全不同的世界觀，即讓知識(shí)通過自下而上的方式涌現(xiàn)，而不是讓專家們自上而下地設(shè)計(jì)出來，那么機(jī)器學(xué)習(xí)的問題其實(shí)可以得到很好地解決。這就好比我們教育小孩子，傳統(tǒng)人工智能好像填鴨式教學(xué)，而新的方法則是啟發(fā)式教學(xué)：讓孩子自己來學(xué)。
事實(shí)上，在人工智能界，很早就有人提出過自下而上的涌現(xiàn)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(rèn)為可以通過模擬大腦的結(jié)構(gòu)（神經(jīng)網(wǎng)絡(luò)）來實(shí)現(xiàn)，而另一批人則認(rèn)為可以從那些簡(jiǎn)單生物體與環(huán)境互動(dòng)的模式中尋找答案。他們分別被稱為連接學(xué)派和行為學(xué)派。與此相對(duì)，傳統(tǒng)的人工智能則被統(tǒng)稱為符號(hào)學(xué)派。自20世紀(jì)80年代開始，到20世紀(jì)90年代，這三大學(xué)派形成了三足鼎立的局面。
作為符號(hào)學(xué)派的代表，人工智能的創(chuàng)始人之一約翰·麥卡錫在自己的網(wǎng)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(hào)學(xué)派的理解）。
（人工智能）是關(guān)于如何制造智能機(jī)器，特別是智能的計(jì)算機(jī)程序的科學(xué)和工程。它與使用機(jī)器來理解人類智能密切相關(guān)，但人工智能的研究并不需要局限于生物學(xué)上可觀察到的那些方法。
在這里，麥卡錫特意強(qiáng)調(diào)人工智能研究并不一定局限于模擬真實(shí)的生物智能行為，而是更強(qiáng)調(diào)它的智能行為和表現(xiàn)的方面，這一點(diǎn)和圖靈測(cè)試的想法是一脈相承的。另外，麥卡錫還突出了利用計(jì)算機(jī)程序來模擬智能的方法。他認(rèn)為，智能是一種特殊的軟件，與實(shí)現(xiàn)它的硬件并沒有太大的關(guān)系。
紐厄爾和西蒙則把這種觀點(diǎn)概括為“物理符號(hào)系統(tǒng)假說”（physical symbolic system hypothesis）。該假說認(rèn)為，任何能夠?qū)⑽锢淼哪承┠Ｊ剑╬attern）或符號(hào)進(jìn)行操作并轉(zhuǎn)化成另外一些模式或符號(hào)的系統(tǒng)，就有可能產(chǎn)生智能的行為。這種物理符號(hào)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(dāng)然也可以是人腦神經(jīng)網(wǎng)絡(luò)上的電脈沖信號(hào)。這也恰恰是“符號(hào)學(xué)派”得名的依據(jù)。
在“物理符號(hào)系統(tǒng)假說”的支持下，符號(hào)學(xué)派把焦點(diǎn)集中在人類智能的高級(jí)行為，如推理、規(guī)劃、知識(shí)表示等方面。這些工作在一些領(lǐng)域獲得了空前的成功。
計(jì)算機(jī)博弈（下棋）方面的成功就是符號(hào)學(xué)派名揚(yáng)天下的資本。早在1958年，人工智能的創(chuàng)始人之一西蒙就曾預(yù)言，計(jì)算機(jī)會(huì)在10年內(nèi)成為國(guó)際象棋世界冠軍。然而，正如我們前面討論過的，這種預(yù)測(cè)過于樂觀了。事實(shí)比西蒙的預(yù)言足足晚了40年的時(shí)間。
1988年，IBM開始研發(fā)可以與人下國(guó)際象棋的智能程序“深思”——一個(gè)可以以每秒70萬步棋的速度進(jìn)行思考的超級(jí)程序。到了1991年，“深思II”已經(jīng)可以戰(zhàn)平澳大利亞國(guó)際象棋冠軍達(dá)瑞爾·約翰森（Darryl Johansen）。1996年，“深思”的升級(jí)版“深藍(lán)”開始挑戰(zhàn)著名的人類國(guó)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(lán)”最終以3.5:2.5的成績(jī)戰(zhàn)勝了卡斯帕羅夫（見圖1-5），成為了人工智能的一個(gè)里程碑。
圖片來源：http://cdn.theatlantic.com/static/mt/assets/science/kasparov615.jpg。
人機(jī)大戰(zhàn)終于以計(jì)算機(jī)的勝利劃上了句號(hào)。那是不是說計(jì)算機(jī)已經(jīng)超越了人類了呢？要知道，計(jì)算機(jī)通過超級(jí)強(qiáng)大的搜索能力險(xiǎn)勝了人類——當(dāng)時(shí)的“深藍(lán)”已經(jīng)可以在1秒鐘內(nèi)算兩億步棋。而且，“深藍(lán)”存儲(chǔ)了100年來幾乎所有的國(guó)際特級(jí)大師的開局和殘局下法。另外還有四位國(guó)際象棋特級(jí)大師親自“訓(xùn)練”“深藍(lán)”，真可謂是超豪華陣容。所以，最終的結(jié)果很難說是計(jì)算機(jī)戰(zhàn)勝了人，更像是一批人戰(zhàn)勝了另一批人。最重要的是，國(guó)際象棋上的博弈是在一個(gè)封閉的棋盤世界中進(jìn)行的，而人類智能面對(duì)的則是一個(gè)復(fù)雜得多的開放世界。
然而，時(shí)隔14年后，另外一場(chǎng)在IBM超級(jí)計(jì)算機(jī)和人類之間的人機(jī)大戰(zhàn)刷新了記錄，也使得我們必須重新思考機(jī)器是否能戰(zhàn)勝人類這個(gè)問題。因?yàn)檫@次的比賽不再是下棋，而是自由的“知識(shí)問答”，這種競(jìng)賽環(huán)境比國(guó)際象棋開放得多，因?yàn)樘釂柕闹R(shí)可以涵蓋時(shí)事、歷史、文學(xué)、藝術(shù)、流行文化、科學(xué)、體育、地理、文字游戲等多個(gè)方面。因此，這次的機(jī)器勝利至少證明了計(jì)算機(jī)同樣可以在開放的世界中表現(xiàn)得不遜于人類。
這場(chǎng)人機(jī)大戰(zhàn)的游戲叫作《危險(xiǎn)》（Jeopardy），是美國(guó)一款著名的電視節(jié)目。在節(jié)目中，主持人通過自然語言給出一系列線索，然后，參賽隊(duì)員要根據(jù)這些線索用最短的時(shí)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(dāng)節(jié)目主持人給出線索“這是一種冷血的無足的冬眠動(dòng)物”的時(shí)候，選手應(yīng)該回答“什么是蛇？”而不是簡(jiǎn)單地回答“蛇”。由于問題會(huì)涉及各個(gè)領(lǐng)域，所以一般知識(shí)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(xiǎn)》比賽中，IBM公司的超級(jí)計(jì)算機(jī)沃森（Watson）卻戰(zhàn)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(jī)器。首先，它必須是一個(gè)自然語言處理的高手，因?yàn)樗仨氃诙虝r(shí)間內(nèi)理解主持人的提問，甚至有的時(shí)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(lǐng)會(huì)雙關(guān)語，并且腦中還要裝滿諸如莎士比亞戲劇的獨(dú)白、全球主要的河流和各國(guó)首都等知識(shí)，所有這些知識(shí)并不限定在某個(gè)具體的領(lǐng)域。所以，沃森的勝利的確是人工智能界的一個(gè)標(biāo)志性事件。
可以說，人機(jī)大戰(zhàn)是人工智能符號(hào)學(xué)派1980年以來最出風(fēng)頭的應(yīng)用。然而，這種無休止的人機(jī)大戰(zhàn)也難逃成為噱頭的嫌疑。事實(shí)上，歷史上每次吸引眼球的人機(jī)大戰(zhàn)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(huì)花重金開發(fā)出一款又一款大型計(jì)算機(jī)去參加這么多無聊的競(jìng)賽，而不是去做一些更實(shí)用的東西了。
實(shí)際上，20世紀(jì)80年代以后，符號(hào)學(xué)派的發(fā)展勢(shì)頭已經(jīng)遠(yuǎn)不如當(dāng)年了，因?yàn)槿斯ぶ悄芪淞职灾鞯牡匚缓芸炀蛯儆谄渌麑W(xué)派了。
我們知道，人類的智慧主要來源于大腦的活動(dòng)，而大腦則是由一萬億個(gè)神經(jīng)元細(xì)胞通過錯(cuò)綜復(fù)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(jīng)元的集體活動(dòng)來模擬大腦的智力呢？
對(duì)比物理符號(hào)系統(tǒng)假說，我們不難發(fā)現(xiàn)，如果將智力活動(dòng)比喻成一款軟件，那么支撐這些活動(dòng)的大腦神經(jīng)網(wǎng)絡(luò)就是相應(yīng)的硬件。于是，主張神經(jīng)網(wǎng)絡(luò)研究的科學(xué)家實(shí)際上在強(qiáng)調(diào)硬件的作用，認(rèn)為高級(jí)的智能行為是從大量神經(jīng)網(wǎng)絡(luò)的連接中自發(fā)出現(xiàn)的，因此，他們又被稱為連接學(xué)派。
連接學(xué)派的發(fā)展也是一波三折。事實(shí)上，最早的神經(jīng)網(wǎng)絡(luò)研究可以追溯到1943年計(jì)算機(jī)發(fā)明之前。當(dāng)時(shí)，沃倫·麥卡洛克（Warren McCulloch）和沃爾特·匹茲 （Walter Pitts）二人提出了一個(gè)單個(gè)神經(jīng)元的計(jì)算模型，如圖1-7所示。
在這個(gè)模型中，左邊的I1, I2, … ,IN為輸入單元，可以從其他神經(jīng)元接受輸出，然后將這些信號(hào)經(jīng)過加權(quán)（W1, W2, … ,WN）傳遞給當(dāng)前的神經(jīng)元并完成匯總。如果匯總的輸入信息強(qiáng)度超過了一定的閾值（T），則該神經(jīng)元就會(huì)發(fā)放一個(gè)信號(hào)y給其他神經(jīng)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(gè)真實(shí)神經(jīng)元細(xì)胞的模型。
1957年，弗蘭克·羅森布拉特（Frank Rosenblatt）對(duì)麥卡洛克?匹茲模型進(jìn)行了擴(kuò)充，即在麥卡洛克?匹茲神經(jīng)元上加入了學(xué)習(xí)算法，擴(kuò)充的模型有一個(gè)響亮的名字：感知機(jī)。感知機(jī)可以根據(jù)模型的輸出y與我們希望模型的輸出y*之間的誤差，調(diào)整權(quán)重W1, W2, …, WN來完成學(xué)習(xí)。
我們可以形象地把感知機(jī)模型理解為一個(gè)裝滿了大大小小水龍頭（W1, W2, …, WN）的水管網(wǎng)絡(luò)，學(xué)習(xí)算法可以調(diào)節(jié)這些水龍頭來控制最終輸出的水流，并讓它達(dá)到我們想要的流量，這就是學(xué)習(xí)的過程。這樣，感知機(jī)就好像一個(gè)可以學(xué)習(xí)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(guān)系，都可能通過學(xué)習(xí)得以解決，至少它的擁護(hù)者是這樣認(rèn)為的。
然而，好景不長(zhǎng)，1969年，人工智能界的權(quán)威人士馬文·閔斯基給連接學(xué)派帶來了致命一擊。他通過理論分析指出，感知機(jī)并不像它的創(chuàng)立者羅森布拉特宣稱的那樣可以學(xué)習(xí)任何問題。連一個(gè)最簡(jiǎn)單的問題：判斷一個(gè)兩位的二進(jìn)制數(shù)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(jīng)網(wǎng)絡(luò)研究差點(diǎn)就被閔斯基這一棒子打死了。
1974年，人工智能連接學(xué)派的救世主杰夫·辛頓（Geoffrey Hinton）終于出現(xiàn)了。他曾至少兩次挽回連接學(xué)派的敗局，1974年是第一次，第二次會(huì)在下文提到。辛頓的出發(fā)點(diǎn)很簡(jiǎn)單——“多則不同”：只要把多個(gè)感知機(jī)連接成一個(gè)分層的網(wǎng)絡(luò)，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(gè)感知機(jī)連接成為一個(gè)四層的網(wǎng)絡(luò)，最左面為輸入層，最右面為輸出層，中間的那些神經(jīng)元位于隱含層，右側(cè)的神經(jīng)元接受左側(cè)神經(jīng)元的輸出。
但接下來的問題是，“人多吃得多”，那么多個(gè)神經(jīng)元，可能有幾百甚至上千個(gè)參數(shù)需要調(diào)節(jié)，我們?nèi)绾螌?duì)這樣復(fù)雜的網(wǎng)絡(luò)進(jìn)行訓(xùn)練呢？辛頓等人發(fā)現(xiàn)，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(jiǎn)稱BP算法）就可以有效解決多層網(wǎng)絡(luò)的訓(xùn)練問題。
還是以水流管道為例來說明。當(dāng)網(wǎng)絡(luò)執(zhí)行決策的時(shí)候，水從左側(cè)的輸入節(jié)點(diǎn)往右流，直到輸出節(jié)點(diǎn)將水吐出。而在訓(xùn)練階段，我們則需要從右往左來一層層地調(diào)節(jié)各個(gè)水龍頭，要使水流量達(dá)到要求，我們只要讓每一層的調(diào)節(jié)只對(duì)它右面一層的節(jié)點(diǎn)負(fù)責(zé)就可以了，這就是反向傳播算法。事實(shí)證明，多層神經(jīng)網(wǎng)絡(luò)裝備上反向傳播算法之后，可以解決很多復(fù)雜的識(shí)別和預(yù)測(cè)等問題。
幾乎是在同一時(shí)間，又有幾個(gè)不同的神經(jīng)網(wǎng)絡(luò)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(lián)想思維，有的具有深厚的數(shù)學(xué)物理基礎(chǔ)，有的則模仿生物的構(gòu)造。所有這些大的突破都令連接學(xué)派名聲大噪，異軍突起。
然而，連接學(xué)派的科學(xué)家們很快又陷入了困境。雖然各種神經(jīng)網(wǎng)絡(luò)可以解決問題，但是，它們究竟為什么會(huì)成功以及為什么在有些問題上會(huì)屢遭失敗，卻沒有人能說得清楚。對(duì)網(wǎng)絡(luò)運(yùn)行原理的無知，也使得人們對(duì)如何提高神經(jīng)網(wǎng)絡(luò)運(yùn)行效率的問題無從下手。因此，連接學(xué)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(xué)家提出了一整套新的理論：統(tǒng)計(jì)學(xué)習(xí)理論，受到連接學(xué)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(jiǎn)單，而問題本身的復(fù)雜度很高，就無法得到預(yù)期的精度。反過來，若問題本身簡(jiǎn)單，而模型過于復(fù)雜，那么模型就會(huì)比較僵死，無法舉一反三，即出現(xiàn)所謂的“過擬合”（overfitting）現(xiàn)象。
實(shí)際上，統(tǒng)計(jì)學(xué)習(xí)理論的精神與奧卡姆剃刀原理有著深刻的聯(lián)系。威廉·奧卡姆（William Occum，1287—1347）是中世紀(jì)時(shí)期的著名哲學(xué)家，他留下的最重要的遺產(chǎn)就是奧卡姆剃刀原理。該原理說，如果對(duì)于同一個(gè)問題有不同的解決方案，那么我們應(yīng)該挑選其中最簡(jiǎn)單的一個(gè)。神經(jīng)網(wǎng)絡(luò)或者其他機(jī)器學(xué)習(xí)模型也應(yīng)該遵循類似的原理，只有當(dāng)模型的復(fù)雜度與所解決的問題相匹配的時(shí)候，才能讓模型更好地發(fā)揮作用。
然而，統(tǒng)計(jì)學(xué)習(xí)理論也有很大的局限性，因?yàn)槔碚摰膰?yán)格分析僅僅限于一類特殊的神經(jīng)網(wǎng)絡(luò)模型：支持向量機(jī)（Supporting Vector Machine）。而對(duì)于更一般的神經(jīng)網(wǎng)絡(luò)，人們還未找到統(tǒng)一的分析方法。所以說，連接學(xué)派的科學(xué)家們雖然會(huì)向大腦學(xué)習(xí)如何構(gòu)造神經(jīng)網(wǎng)絡(luò)模型，但實(shí)際上他們自己也不清楚這些神經(jīng)網(wǎng)絡(luò)究竟是如何工作的。不過，他們這種尷尬局面也是無獨(dú)有偶，另外一派后起之秀雖然來勢(shì)洶洶，卻也沒有解決理論基礎(chǔ)問題，這就是行為學(xué)派。
行為學(xué)派的出發(fā)點(diǎn)與符號(hào)學(xué)派和連接學(xué)派完全不同，他們并沒有把目光聚焦在具有高級(jí)智能的人類身上，而是關(guān)注比人類低級(jí)得多的昆蟲。即使這樣簡(jiǎn)單的動(dòng)物也體現(xiàn)出了非凡的智能，昆蟲可以靈活地?cái)[動(dòng)自己的身體行走，還能夠快速地反應(yīng)，躲避捕食者的攻擊。而另一方面，盡管螞蟻個(gè)體非常簡(jiǎn)單，但是，當(dāng)很多小螞蟻聚集在一起形成龐大的蟻群的時(shí)候，卻能表現(xiàn)出非凡的智能，還能形成嚴(yán)密的社會(huì)分工組織。
正是受到了自然界中這些相對(duì)低等生物的啟發(fā)，行為學(xué)派的科學(xué)家們決定從簡(jiǎn)單的昆蟲入手來理解智能的產(chǎn)生。的確，他們?nèi)〉昧瞬诲e(cuò)的成果。
羅德尼·布魯克斯（Rodney Brooks）是一名來自美國(guó)麻省理工學(xué)院的機(jī)器人專家。在他的實(shí)驗(yàn)室中有大量的機(jī)器昆蟲（如圖1-9所示）。相對(duì)于那些笨拙的機(jī)器人鐵家伙來說，這些小昆蟲要靈活得多。
這些機(jī)器昆蟲沒有復(fù)雜的大腦，也不會(huì)按照傳統(tǒng)的方式進(jìn)行復(fù)雜的知識(shí)表示和推理。它們甚至不需要大腦的干預(yù)，僅憑四肢和關(guān)節(jié)的協(xié)調(diào)，就能很好地適應(yīng)環(huán)境。當(dāng)我們把這些機(jī)器昆蟲放到復(fù)雜的地形中的時(shí)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(shí)上并不來源于自上而下的復(fù)雜設(shè)計(jì)，而是來源于自下而上的與環(huán)境的互動(dòng)。這就是布魯克斯所倡導(dǎo)的理念。
如果說符號(hào)學(xué)派模擬智能軟件，連接學(xué)派模擬大腦硬件，那么行為學(xué)派就算是模擬身體了，而且是簡(jiǎn)單的、看起來沒有什么智能的身體。例如，行為學(xué)派的一個(gè)非常成功的應(yīng)用就是美國(guó)波士頓動(dòng)力公司（Boston Dynamics）研制開發(fā)的機(jī)器人“大狗② 。如圖1-10所示，“大狗”是一個(gè)四足機(jī)器人，它能夠在各種復(fù)雜的地形中行走、攀爬、奔跑，甚至還可以背負(fù)重物。“大狗”模擬了四足動(dòng)物的行走行為，能夠自適應(yīng)地根據(jù)不同的地形調(diào)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(dāng)這只大狗伴隨著“沙沙”的機(jī)器運(yùn)作聲朝你走來時(shí)，你一定會(huì)被它的氣勢(shì)所嚇到，因?yàn)樗臉幼雍芟袷且活^公牛呢！
我們從生物身上學(xué)到的東西還不僅僅是這些。從更長(zhǎng)的時(shí)間尺度看，生物體對(duì)環(huán)境的適應(yīng)還會(huì)迫使生物進(jìn)化，從而實(shí)現(xiàn)從簡(jiǎn)單到復(fù)雜、從低等到高等的躍遷。
約翰·霍蘭（John Holland）是美國(guó)密西根大學(xué)的心理學(xué)、電器工程以及計(jì)算機(jī)的三科教授。他本科畢業(yè)于麻省理工學(xué)院，后來到了密西根大學(xué)師從阿瑟·伯克斯（Arthur Burks，曾是馮·諾依曼的助手）攻讀博士學(xué)位。1959年，他拿到了全世界首個(gè)計(jì)算機(jī)科學(xué)的博士頭銜。別看霍蘭個(gè)頭不高，他的骨子里卻有一種離經(jīng)叛道的氣魄。他在讀博期間就對(duì)如何用計(jì)算機(jī)模擬生物進(jìn)化異常著迷，并最終發(fā)表了他的遺傳算法。
遺傳算法對(duì)大自然中的生物進(jìn)化進(jìn)行了大膽的抽象，最終提取出兩個(gè)主要環(huán)節(jié)：變異（包括基因重組和突變）和選擇。在計(jì)算機(jī)中，我們可以用一堆二進(jìn)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(jìng)爭(zhēng)、優(yōu)勝劣汰——?jiǎng)t被抽象為一個(gè)簡(jiǎn)單的適應(yīng)度函數(shù)。這樣，一個(gè)超級(jí)濃縮版的大自然進(jìn)化過程就可以搬到計(jì)算機(jī)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(fā)表的時(shí)候并沒有引起多少人的重視。然而，隨著時(shí)間的推移，當(dāng)人工智能的焦點(diǎn)轉(zhuǎn)向機(jī)器學(xué)習(xí)時(shí)，遺傳算法就一下子家喻戶曉了，因?yàn)樗拇_是一個(gè)非常簡(jiǎn)單而有效的機(jī)器學(xué)習(xí)算法。與神經(jīng)網(wǎng)絡(luò)不同，遺傳算法不需要把學(xué)習(xí)區(qū)分成訓(xùn)練和執(zhí)行兩個(gè)階段，它完全可以指導(dǎo)機(jī)器在執(zhí)行中學(xué)習(xí)，即所謂的做中學(xué)（learning by doing）。同時(shí)，遺傳算法比神經(jīng)網(wǎng)絡(luò)具有更方便的表達(dá)性和簡(jiǎn)單性。
無獨(dú)有偶，美國(guó)的勞倫斯·福格爾（Lawrence Fogel）、德國(guó)的因戈·雷伯格（Ingo Rechenberg）以及漢斯·保羅·施韋費(fèi)爾（Hans-Paul Schwefel）、霍蘭的學(xué)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(jìn)化計(jì)算大家庭的成員更加多樣化了。
無論是機(jī)器昆蟲還是進(jìn)化計(jì)算，科學(xué)家們關(guān)注的焦點(diǎn)都是如何模仿生物來創(chuàng)造智能的機(jī)器或者算法?？死锼雇懈ァぬm頓（Chirstopher Langton）進(jìn)行了進(jìn)一步提煉，提出了“人工生命”這一新興學(xué)科。人工生命與人工智能非常接近，但是它的關(guān)注點(diǎn)在于如何用計(jì)算的手段來模擬生命這種更加“低等”的現(xiàn)象。
人工生命認(rèn)為，所謂的生命或者智能實(shí)際上是從底層單元（可以是大分子化合物，也可以是數(shù)字代碼）通過相互作用而產(chǎn)生的涌現(xiàn)屬性（emergent property）?！坝楷F(xiàn)”（emergence）這個(gè)詞是人工生命研究中使用頻率最高的詞之一，它強(qiáng)調(diào)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(gè)的蛋白質(zhì)分子不具備生命特征，但是大量的蛋白質(zhì)分子組合在一起形成細(xì)胞的時(shí)候，整個(gè)系統(tǒng)就具備了“活”性，這就是典型的涌現(xiàn)。同樣地，智能則是比生命更高一級(jí)（假如我們能夠?qū)⒅悄芎蜕殖刹煌燃?jí)的話）的涌現(xiàn)——在生命系統(tǒng)中又涌現(xiàn)出了一整套神經(jīng)網(wǎng)絡(luò)系統(tǒng)，從而使得整個(gè)生命體具備了智能屬性?，F(xiàn)實(shí)世界中的生命是由碳水化合物編織成的一個(gè)復(fù)雜網(wǎng)絡(luò)，而人工生命則是寄生于01世界中的復(fù)雜有機(jī)體。
人工生命的研究思路是通過模擬的形式在計(jì)算機(jī)數(shù)碼世界中產(chǎn)生類似現(xiàn)實(shí)世界的涌現(xiàn)。因此，從本質(zhì)上講，人工生命模擬的就是涌現(xiàn)過程，而不太關(guān)心實(shí)現(xiàn)這個(gè)過程的具體單元。我們用01數(shù)字代表蛋白質(zhì)分子，并為其設(shè)置詳細(xì)的規(guī)則，接下來的事情就是運(yùn)行這個(gè)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(xiàn)象”在電腦中出現(xiàn)。
模擬群體行為是人工生命的典型應(yīng)用之一。1983年，計(jì)算機(jī)圖形學(xué)家克雷格·雷諾茲（Craig Reynolds）曾開發(fā)了一個(gè)名為Boid的計(jì)算機(jī)模擬程序（見圖1-11），它可以逼真地模擬鳥群的運(yùn)動(dòng)，還能夠聰明地躲避障礙物。后來，肯尼迪（Kennedy）等人于1995年擴(kuò)展了Boid模型，提出了PSO（粒子群優(yōu)化）算法，成功地通過模擬鳥群的運(yùn)動(dòng)來解決函數(shù)優(yōu)化等問題。
類似地，利用模擬群體行為來實(shí)現(xiàn)智能設(shè)計(jì)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(guī)則中自下而上地涌現(xiàn)出來，并能解決實(shí)際問題。關(guān)于人工生命的詳細(xì)討論，可以參考本書11～13章。
然而，行為學(xué)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(fā)生涌現(xiàn)？如何設(shè)計(jì)底層規(guī)則使得系統(tǒng)能夠以我們希望的方式涌現(xiàn)？行為學(xué)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(zhǎng)于模擬小蟲子、螞蟻之類的低等生物，高級(jí)的智能完全沒有像他們預(yù)期的那樣自然涌現(xiàn)，而且沒有絲毫跡象。
圖片來源：http://www.red3d.com/cwr/boids/。
點(diǎn)擊左下角【閱讀原文】或者回復(fù)AI獲取更多內(nèi)容。
聯(lián)系客服
