人工智能时代：破解人机共存密码（套装共10册）

20世纪70年代，人工智能研究重点专注于技术和专业技能。主要想法是与专家进行访谈对话，利用条件规则复制他们在专业领域的知识，构建所谓专家系统，参见Introduction to Expert Systems和Building Expert Systems的例子。论文Skill in chess和The expertmind提到了国际象棋专家。休伯特·德雷福斯和图尔特·德雷福斯（Stuart Dreyfus）共同完成了国际象棋专家在下国际象棋的同时，还要进行复杂运算这一实验（参见Mind Over Machine: The Power ofHuman Intuition and Expertise in the Era of the Computer）。他们是如是说：

我们最近做了个实验，要求国际象棋大师胡利奥·卡普兰（Julio Kaplan）与另外一位水平稍差但也是大师级的棋手下5秒一步的国际象棋，同时卡普兰还要以每秒一个数字的速度将听到的数字加在一起。即使分析思维完全被数字所占据，卡普兰依然能够棋高一着，多次击败对手。

What Computers Still Can’t Do: A Critique of ArtificialReason一书介绍了他们对人工智能、专家系统的看法，还从哲学角度对专家和新手进行了观察分析。

第8章 符号与符号处理

这一章名为“符号与符号处理”，实际是介绍计算机科学。计算机科学始于艾伦·图灵的图灵机研究（见On computable numbers,with an application to the Entscheidungsproblem）。有些学者推崇非符号形式的人工智能（例如文章Connectionist AI, symbolicAI, and the brain），但他们实际谈论的依然是符号处理，只不过是在用数字代表符号（如符号代数中的例子），而非使用非数字概念（如符号逻辑中的例子）。

这两个例子谈到的问题是计算机科学的核心，且非常有趣。一道题可以有多种解答方法，并且属性各不相同，计算机科学家花了大量时间和精力研究算法，即题的各种解答方法（参见Algorithmics: TheSpirit of Computing）。

在符号代数中，求解方程组的标准算法是高斯消元（GaussianElimination）（参见Schaum’s outline of theory and problemsof linear algebra）。其属性是，对于具有n个变量的n个方程，通过大约n³步可以求得一个解。这就是说，即使方程组里有成百上千万个变量，依然能够解决。

但在符号逻辑当中，目前为止最好的算法可能就是DPLL（数字锁相环，可参见文章Satisfiability solvers的例子）。逻辑问题存在有n个变量，求解大约需要2ⁿ步The intractability of resolution。（而证明这点则需要根据消解规则，对DPLL进行变体（A machine-oriented logic based on the resolution principle），文中已经提到）。这就是说，即使是最快的计算机，对于只有100个变量的逻辑问题也无能为力。

这又引出了两个问题。首先，我们在想是否会有比DPLL更好的算法。在数学领域，这个问题的精确版就是著名的P=NP问题，这个问题由斯蒂芬·库克（Stephen Cook）于20世纪70年代首次提出（参见Thecomplexity of theorem-proving procedures）。从那时起到现在，虽然已有成千上万名计算机科学家和数学家竭尽全力，试图攻克难题，但是依然没有答案。由于这个问题与其他众多题目息息相关，因此被视为计算机科学领域最为重要的开放问题（参见文章The statusof the P versus NP problem）。

第二个问题涉及前一章提到的长尾现象。DPLL的工作方式是系统性地搜索逻辑上的所有可能。有趣的是，在随机构建的测试当中，DPLL执行此类操作所需的步骤却都很少。实际上，上述测试所需的步骤与上一章中的长尾数字非常相似。因为样本测试案例越多，平均值就越高，所以在实践中，根本不可能估算出DPLL所要求的步数。有关详 情 ， 请 参 阅 Heavy-tailed phenomena in satisfiability andconstraint satisfaction problems一文。

如果需要其他材料来教孩子系统学习这些程序，请参考Computational thinking一文。

第9章 基于知识的系统

Leibniz: A Biography是伟大的思想家戈特弗里德·莱布尼茨的传记。但是他的思想大都分散在他旅途中书写的一万多封信里。《哲学百科全书》（The Encyclopedia of Philosophy）中的文章对他进行了更为全面的介绍。

查尔斯·达尔文在《物种起源》中谈到了眼睛的进化。他如是说：

眼睛通过其无与伦比的结构，可以调整焦距以适应不同距离，可以调节光线强度，还可以校正球面色差，如果要说这种能力是通过自然选择而来，那么我只能说，这种说法简直荒谬至极。

Origins of the modern mind: three stage of the evolution of culture and cognition （ 带 有 评 论 ） 和 The Symbolic Species:The Co-Evolution of Language and the Brain讨论了思想 本身的进化过程。

知识表示假说引自布莱恩·史密斯（Brian Smith）的博士论文（Reflection and Semantics in a Procedural Language）。人们通常会将此观点归功于约翰·麦卡锡，但是显而易见，其他研究人员与他的观点很相似。对于艾伦·纽厄尔（Allen Newell）和赫伯·西蒙（Herb Simon）而言，重点更多放在象征领域，因此他们的版本被称为物理符号系统假说（physical symbol system hypothesis），他们认为：“物理符号系统是普遍智能行为的充分必要条件”（见Computer Science as empirical inquiry: Symbols and search）。（马文·明斯基作为早期人工智能的研究人员之一，他发现了逻辑和数值方法对于人工智能都有很大局限，提出应将这些方法进行融合，可 参 见 Logical versus symbolic versus connectionist or neatversus scruffy。）

Knowledge Representation and Reasoning 和 KnowledgeRepresentation, Reasoning and Declarative Problem solving这两本书专门介绍了人工智能中的知识表示和推理领域。此外，还有每两年举行一次的该领域的学术会议（见http://kr.org）。可以在Readings in knowledge Representation中找到相关的早期内容。Logical Foundations of Artificial Intelligence和ComputationalIntelligence: A Logical Approach提出了逻辑是人工智能统一的主题，The role of logic in knowledge representation and commonsense reasoning和The role of gic in knowledge representation对此进行了进一步讨论。马文·明斯基关于逻辑的论述摘自Aframework for representing knowledge 第 262 页 。 Logic,probability and human reasoning 是从心理学方面看待推理。关于根据信仰程度不同，用概率的方法进行推理的优势，可参见BayesianRationality: The Probabilistic Approach to Human Reasoning。

关于建设大型知识库这一问题，CYC是相关的一个长期项目，参见Building Large Knowledge-Based Sytems: Representation andInference in the Cyc Project。（由于无法深入了解，因此目前很难说清CYC取得了何种成果，总体来说不太像可控的科学研究。）斯坦福 国 际 研 究 院 的 HALO （ 见 A question-answering system for APchemistry: assessing KR&R technologies. ） 和 AURA （ 参 见Achieving intelligence using prototypes, composition, andanalogy）、艾伦人工智能研究所的ARISTO（见Elementary schoolscience and math tests as a driver for AI: Take the Aristochallenge!）是其他相关且更为专业的工作。关于从网络自动从文本中提取知识的前景，请参阅Open information extraction from theweb一文的回顾。

最后，在网页（https://sites.google.com/site/krr2015/）上可以看到，该研讨会对调和GOFAI中的逻辑方法与AML中的统计方法进行了新的尝试。

第10章 人工智能技术应用

关于人工智能的未来，本章涉及的仅仅是几个棘手的问题。Artificial Intelligence and the End of the Human Era一书对于这一话题有更为全面的解读。雷蒙德·库兹韦尔（RaymondKurzweil）提出了技术奇点的想法（见The Singularity Is Near:When Humans Transcend Biology ） ， 并 在 The TechnologicalSingularity一书中有进一步的讨论。斯蒂芬·霍金（2014年12月2日，网址http://www.bbc.com/news/）、埃隆·马斯克（2014年10月8日，网址http: // www.vanityfair.com/news/）和比尔·盖茨（2015年1月28日，网址https: //www.reddit.com/r/IAmA/comments/）在访谈中均讲到了人工智能的潜在危险。

科幻小说家阿瑟·C.克拉克（他与斯坦利·库布里克共同完成了电影《2001：太空漫游》的剧本）在Profiles of the Future: AnEnquiry into the Limits of the Possible一书中提出了三大定律，具体内容如下：

1. 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。

1. 想要找到可能性的极限，唯一的办法就是超越可能，实现不可能。

1. 任何先进技术都与魔法无二。

科幻小说作家艾萨克·阿西莫夫提出的机器人三大定律最早出现于I，Robot一书中（据说是引自将于2058年出版的机器人手册），其内容如下：

1.机器人不能伤人，也不能在人受到伤害时无动于衷。

2.机器人必须服从人的命令，除非该命令与第一定律冲突。

3.在不违反第一、第二定律的前提下，机器人须尽力保护自身安全。

阿西莫夫后来写的故事都是围绕遵循这些规律的机器人会出现问题展开的。

马文·明斯基在HAL‘s Legacy: 2001’s Computer as Dreamand Reality里的一段采访中谈到了自己参与电影《2001:太空漫游》的情况。拉杰·雷迪（Raj Reddy）在2000年一次讲座中引用了约翰·麦 卡 锡 ， 具 体 内 容 可 以 访 问 网 页http://www.rr.cs.cmu.edu/InfiniteMB.doc阅读。玛格丽特·撒切尔的话引自《妇女界》杂志（Woman's Own）1987年9月23日的采访。Faster Than Thought:A Symposium on Digital Computing Machines介绍了艾伦·图灵早期涉足国际象棋的经历。深蓝的故事在DeepBlue: An Aritificial Intelligence Milestone一书中有介绍。关于凯瑟琳·赫本在电影中引用的名言和人类超越进化的观点，请参见TheBlank Slate。

参考文献