--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能时代：破解人机共存密码（套装共10册）" author: null edition: null publisher: null year: null isbn: "9787521719512" library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5" source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced" pdf_physical_page_count: 3314 pdf_physical_page_index_base: 0 range_start: 1140 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=1140&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=1140&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=1130&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=1150&limit=10" --- # 人工智能时代：破解人机共存密码（套装共10册） > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=1140 | PRINTED_PAGE=NOT_DETECTED 说人类可能是从一种类似于符号和符号处理这样精准复杂的过程中进化成知识型，这个想法不禁有些荒谬。至少在最初期时，很多事情不像是进化的产物。（例如，查尔斯·达尔文曾讨论过眼睛与视觉系统。）很明显，书面语言具有象征意义。那么这样看来，进化已经产生了一个能够处理并解释这些符号的物种。正如人类学家特伦斯·迪肯（Terrence Deacon）所说，我们就是那个象征性的物种。不难想到，我们使用和处理内部符号的能力也许与使用和处理外部符号的能力相关。 这一点值得记住。然而，知识型问题是一个设计议题。即使人们真的是以知识为基础，我们也不是希望神经学家们必须达到前面第2章的要求：在大脑中找到相应的符号结构，以证明人类可能无法反向设置神经元。因此，即使我们确信人类是以知识为基础，这也未必是因为我们发现人脑可以储存知识。相反，我觉得应该是这样：我们会确信，只有知识型的设计才能解释人们的所作所为。我们将研究各种各样的人造系统设计，我们将会看到知识型系统产生的像魔术一样的行为。换句话说，在第二个问题的引导下，我们能够回答第一个问题。 那么第二个问题呢？专家们对此有着不同的意见。直到20世纪90年代左右，麦卡锡提出的基于知识的方法都始终占据主流。但是GOFAI的研究却一直止步不前，为两个基本的未解之题所阻拦： • 要用什么样的符号结构来表达智能系统的想法？ • 要怎样处理符号才能传播其代表的想法，以便它们以正确的方式影响行为？ 这两个问题分别被称作表示和推理问题。 ## PDF_PHYSICAL_PAGE_INDEX=1141 | PRINTED_PAGE=NOT_DETECTED 知识表示与推理 1958年，当麦卡锡首次提出他对人工智能的看法和研究计划时，他已经将有关的知识表示和推理问题详细地纳入自己的论文“常识编程”（Programs with Common Sense）中。他设想的系统能够将存储的知识作为一阶谓词演算的符号公式，即20世纪初为数学形式化而开发的人工逻辑语言。在他设想的系统中，推理包含计算推导，换句话说，这个系统能够计算其所存储知识的逻辑后果。麦卡锡如是说： 人们会相信：设想的这个系统能够计算出其一切被告知及存储知识的直接逻辑后果。这个属性与人类所具有的常识具有共同之处。 从那以后，包括麦卡锡本人在内的许多研究人员开始相信，这些关于表示和推理问题的答案有些过于严谨。毕竟，作为符号表示语言的一阶谓词演算并不是完美无缺的，而由规则推理出来的逻辑结果也并不完美。 事实上，在推理问题中，古典逻辑所起的作用既微妙，又复杂。在很多情况下，“用你所知”确实有从你现有信念得出合乎逻辑的结论的含义（如第3章中关于亨利的讨论），但它的含义不止于此。 第一，会有许多与你的目标无关、浪费时间的逻辑结论。事实上，如果你有任何矛盾的信念，每一句话都会成为你的信念的逻辑后果。第二，会有可能相关、令人费解、需要纸笔演算的逻辑结论。（如第8章中所讨论的鲍勃是否有罪的逻辑谜题。）第三，会有根本不符合逻辑的结论。假设虽然合理，但是结论却违背逻辑。例如，你可能会得出这样一个结论：一个你从未见过的柠檬是黄色的。但由于你并不相信每个柠檬都是黄色的，所以这条结论不符合逻辑。（据你所知，有些盲人会把柠檬画成红色。）第四，会有许多“用你所知”但却得不出结论的方法。比如，问问自己：导致柠檬不是黄色的因素有哪些？ ## PDF_PHYSICAL_PAGE_INDEX=1142 | PRINTED_PAGE=NOT_DETECTED 总而言之，我们实际需要考虑的与我们所知的逻辑后果之间还有巨大的鸿沟。因此，许多研究人员认为，我们应当放弃古典逻辑，并选择一种从外部触及逻辑的推理模式。如同马文·明斯基曾说的：“逻辑推理不够灵活，不足以作为思考的基础。 事实上，这么多包含我们所知、所用的设想都难以保证其真实性，这使得众多研究人员开始将重点从逻辑转向概率和信念程度（这一点在第3章中提过）。毕竟，我们能够清楚地区分句意不明但为真、句意不明却为假的句子。但是，概率很快就会遇到与逻辑同样的难题：会出现可能为真却无关的结论，会有可能为真却难寻的结论，会有无对立信息才可得出的结论，更会有一些与得出结论无关的方法。 至于表示问题，也存在不少疑问。如果麦卡锡提出的一阶谓词演算不合适，那什么更合适？我们可以考虑使用英语（或其他人类语言）作为符号表示语言。我们会使用“bears hibernate”来表示“熊冬眠”的信息。也许知识库的容量足够大，能够存储一系列英文单词。我们在书中使用英语，但也能够在线提供英语信息。事实上，将英语作为表示语言的最大障碍在于第二个问题——推理。（显然，表示和推理问题相互依存。）系统如何使用英文语句得出结论？特别是，理解这些语句（如解释威诺格拉德模式中出现的代词）需要知识背景做铺垫。如果需要知识才能使用英语，那么英语本身又怎能成为我们知识的来源呢？至少，我们需要解开这个无限循环的退化谜团。 人工智能研究的子领域之一是知识表示和推理，其研究围绕表示与推理的问题以多种方式展开。由于受到人工智能其他子领域（如自适应机器学习）研究的挑战，信念在这些子领域中所占的分量极少，有关知识表示和推理问题的研究进展缓慢。一方面，其他子领域的研究进展卓越；另一方面，它们却都没有试图解释那些需要广博背景知识的行为（如第4章所述）。 ## PDF_PHYSICAL_PAGE_INDEX=1143 | PRINTED_PAGE=NOT_DETECTED 谁才是唯一的选择？ 在我看来，知识与符号处理之间的关系就如同科学中的进化与自然选择的关系。有了化石和DNA分析的证据支持，进化就成为一个科学事实。但是，查尔斯·达尔文提出的实际进化机制——自然选择，并没有如此多的数据支持。我们会对进化论存疑，反而觉得自然选择更为可信。这是因为自然选择的过程听起来更加合理，合理到我们想象不出还有其他的可能性。 我还认为，在某些常识性行为中运用的背景知识也是一个事实（如回答威诺格拉德模式问题时）。就像某人某天大声念出电影《2001：太空漫游》的上映日期，并且该行为会影响他今后某天所做的事情。这一行为狗做不到，下棋智能人或恒温器也做不到，但人做得到。 据我所知，如果现在需要一个机制来解释这个事实，那么本章概述的基于知识的内容便是我们的唯一选择。也许直到你需要用到电影《2001：太空漫游》中的知识时，你都无法解释这些知识是怎样存储于你的脑海中的。这便陷入了僵局。关于知识表示和推理问题，我们可能永远都无法给出一个令人满意的答复。然而，在现阶段，除了发问，我们别无选择。 另外，如果这种基于知识的方法是有效的，也就是说，如果有一个能够访问，并且可以使用人类一切知识的计算系统，那么它就需要一个庞大的知识库和一个足以高效处理大量符号结构的计算应用程序。这些要求也制约了其自身。 ## PDF_PHYSICAL_PAGE_INDEX=1144 | PRINTED_PAGE=NOT_DETECTED 我认为，如果没有相应的巨大进步，任何建立大型知识体系的企图都注定失败。那种企图将一台空白的电脑联网，让其自学，让其自行完成所有费力工作的想法就是空想。通过自学认识猫是一回事，通过自学学会阅读是一回事，而学习阅读维特根斯坦（Wittgenstein）的著作又是另一回事。在计算系统从我们所知中获益之前，它需要先填鸭式地接收我们所了解的一切，并能有效地使用。即使我们知道如何回答表示和推理问题，但把这些想法付诸实践仍然是一个令人却步的挑战。 不过，这就是所有的猜测了。最后，我们所剩的只有一个经验性的问题：怎样的计算设计才足以解释其对应的智能行为呢？ 本章的讨论至此结束，接下来是有关人工智能研究的内容。 ## PDF_PHYSICAL_PAGE_INDEX=1145 | PRINTED_PAGE=NOT_DETECTED 第10章人工智能技术应用 ## PDF_PHYSICAL_PAGE_INDEX=1146 | PRINTED_PAGE=NOT_DETECTED 本书的主要内容就是人工智能科学，即研究某种可观察的自然现象：如在第4章中谈到的人们回答威诺格拉德模式测试相关问题必须具备的能力等智能行为。 但是，具备回答威诺格拉德模式测试问题的能力并没有什么实际价值。因此，对于科学领域的问题兴趣不大的人就会问，那我们何必这么大费周章？（人工智能的）应用到底是什么？我们怎样才能有效利用我们已掌握的知识？而且，人工智能吸引着越来越多的关注（和资金），人们对其可能带来的实用技术寄予了厚望。换而言之，人工智能是在研究如何设计并创造智能机器，即我们所说的“构建人工智能”。 当然，一段时间以来，我们已经看到了数量有限、版本各异的人工智能技术。虽然这些现在被称为“智能”的产品与我们在进行人类研究时所说的智能还不可同日而语，但是像与手机进行对话，让它完成一些简单的任务，或者乘坐无人驾驶汽车行驶在普通道路上这样即使10年前还看似遥不可及的事情，现在已经司空见惯了。不过，我们所希望的未来的人工智能技术是人类所展示出的功能更强大、更成熟可靠、用途更广泛的智能。 让我先亮出底牌。我并非人工智能技术专家，而且自认为也不是该领域的爱好者。作为普通人，我所期待的技术——除了经济耐用、环保无害等大众化标准之外——就是可靠性和可预见性。我想使用的技术是我能够学会，然后还能将其忘记的技术。如果在使用某项技术时，我还得猜测下一步将会怎样，或因害怕误用而担忧，或者担心将事情做得过了头，那么这些都不是我想要的技术。（典型例子就是微软办公软件助手“大眼夹”，曾几何时，这个东西会在使用文字处理软件Word的过程中突然弹出，让我不胜其烦。） 但是，人工智能技术的发烧友们可能会这样问我：“难道你不想有个聪明能干的助手吗？它对你的兴趣爱好、生活习惯了如指掌，它不知疲倦、永不抱怨，它唯一的目标就是为你排忧解难。”我要用另外一个问题回答他们：“你能保证我的这个人工智能助手可靠且可预知吗？” ## PDF_PHYSICAL_PAGE_INDEX=1147 | PRINTED_PAGE=NOT_DETECTED 说到技术，我宁愿使用虽有局限或不足，但是安全可靠、可以预知的技术，也不愿使用虽然能力更强，结果却难以预知的技术。（当然，在和人打交道的时候，我不会有这种想法。但是我们在这里讨论的是技术。）而且我还切实地发现，有些人使用某种技术，甚至某种尚有缺陷的技术是出于客观需要，而非主动选择。这种情况下，个人偏好就无关紧要了。 有了这些警示，我们再继续往下说。 人工智能的未来 谈到未来的人工智能技术，可能你首先想到的问题就是：我们能否开发出具备某种常识的计算机系统，能够洞察世间万物，处理日常事务，应对突发情况？这是个很好的问题，我也希望我知道答案。但我认为，我们应该谨慎对待这类问题，擅自尝试做出预测非常鲁莽，也很草率。 阿瑟·C.克拉克（Arthur C. Clarke）第一定律如是说： 如果一位德高望重的科学家说，某件事是有可能的，那么他几乎肯定是正确的。如果他说某件事是不可能的，那么他或许已经谬之千里了。 因此，无论这位德高望重的科学家对于人工智能的未来如何预测，根据这项定律，都可以肯定人工智能是大势所趋。这就是我的观点。迄今为止，我们还没有发现任何与此观点相左的证据。 ## PDF_PHYSICAL_PAGE_INDEX=1148 | PRINTED_PAGE=NOT_DETECTED 但是，如果人工智能真的是大势所趋，那么为什么我们还没实现人工智能呢？2001年早已过去，但是我们在《2001：太空漫游》等影片里看到的那种智能计算机依然没有出现。（当前对人工智能的定义之一，就是研究如何开发出具有电影里那种行为方式的计算机。） 我认为这主要有两个原因。第一个原因显而易见：我们目前尚落后于早期人工智能爱好者（包括马文·明斯基，他是电影《2001：太空漫游》的顾问）的预测，因为我们还未完全搞明白我们需要什么，在科学领域还有一些重大障碍需要跨越。第9章讨论的表示和推理问题基本还未有答案。此外，正如第9章末尾所说，即使跨越了所有的科学障碍，开发一台真正具备智能行为的机器，仍须面对工程学领域的重大挑战。 第二个原因或许争议性更大一些：人工智能迄今没有出现是因为需要巨大的投入，目前需求不足，投入也就不够。这听起来可能有些荒谬可笑，但是可以用下棋机器人来做类比。 人们在计算机时代刚开启时就开发了能够下棋的机器人。图灵本人也曾亲自试水。虽然这些机器人运行起来都很不错，但远不及特级大师的水平。当然，机器人也在不断升级。到了1997年，IBM公司开发出一款名为深蓝（Deep Blue）的机器人，它击败了当时的国际象棋世界冠军加里·卡斯帕罗夫（Garry Kasparov）。从那以后，这些机器人就踏上了不断升级提高的道路。 但是，想想我们现在是如何使用这种先进的计算机下棋技术的。我们见过人类与顶级智能机器人之间的常规对决吗？事实证明，人机对战的需求非常小，可以说，对于电脑玩家来说根本就没有需求。人们没有将最先进的计算机国际象棋机器人用于竞技，而是用于人类选手的赛前练习。计算机国际象棋机器人成为人类的练习工具和陪练搭档。 ## PDF_PHYSICAL_PAGE_INDEX=1149 | PRINTED_PAGE=NOT_DETECTED 同样，如果翻看一下报纸娱乐版块的国际象棋专栏，你会发现关于电脑玩家参与的比赛的报道并不多见。普通人对此似乎兴趣不大。在报道人类棋手之间的比赛时，专栏可能会写：“非常有趣的一步棋，计算机建议走马比较好”；或者可能会写：“计算机认为最好是把兵吃掉。”计算机国际象棋机器人又成了肯定或否定人类棋手某一步决策的工具，人们甚至认为计算机国际象棋机器人的名字都不值一提。在真人棋手参与的比赛当中，棋手们好像都是充满创造力的艺术家，而计算机象棋机器人只是在后面充当记录的角色，所有决策都由真人棋手做出，只是有时会用计算机来核实一些常规数据，预测一下比赛的走向。 因此，虽然技术上来说，人们可能制造出拥有自主决策能力的计算机，而且它可以充当少数现役棋手的对手，用于练习，但看起来人们对此并不感兴趣。 我们可以这样理解。大家肯定都和计算机机器人玩过竞技游戏（不一定是国际象棋，也可以是双陆棋、扑克或围棋）。在游戏当中，如果你想中途离开，或者在某一步出了错，只需点击一下“复位键”（reset）。这下你就明白为什么与电脑棋手比赛没多大意思了。 主要问题在于，我们在和计算机机器人比赛时不会全情投入。人们认为这种比赛与和真人竞技相比无足轻重，在与真人进行比赛时会形成竞争：游戏也会成为一场战斗，赢了会让人兴奋，输了会令人沮丧。但如果对手是计算机，人类棋手在情感上对于结果输赢的投入就会大打折扣。因为比赛不会产生任何影响，所以就算计算机机器人的棋艺比我们高超，那又能怎样？它做乘法运算也比我们好，但也没关系，又不存在竞争。 由此可见，计算机国际象棋程序，即这种开发计算机程序、使之具备自主下棋能力的技术，并没有真正的市场。 因此，我的观点是，人工智能可能会沦为和国际象棋一样的结局。我们确实希望未来的计算机系统具备各个方面的智能，但是既没有需求，也没有人有意愿承担开发具有人类智能的集成化自动系统所需的投入。即使实现人工智能的所有科学问题都能解决，剩下的仅仅是完成这一鸿篇巨制的操作性问题了，但是可能就是因为需求不足，无人愿意承担随之而来的巨大成本。相反地，市场可能更为青睐不同种类的电脑机器人，虽然这些机器人远未达到智能，但是也能完成一些要求很高的任务，包括一些我们至今仍不知该如何实现自动化的工作。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=1150&limit=10)