人工智能哲学

我们在本文中尝试地阐述这些一般特征中的一部分。这些一般特征主要是性质上的，而不是数学上的。它们更多地带有地质学或进化论生物学的味道，而不是理论物理学的味道。它们强有力的作用，足以使我们今天为范围相当大的任务域设计和建立中等智能的系统，同时对在许多情况下人类智能是如何工作的取得相当深入的理解。

下一步做什么？在以上论述中，我们提到了一些已经解决的问题和一些有待解决的问题，这两方面的问题都非常之多。我们看到，在过去的四分之一世纪里，围绕这一领域进行开拓性研究的热情丝毫没有减弱。在下一个四分之一世纪里，前进的速度将取决于两种资源的限制。一是可投入使用的计算机功能的大小，二是有才干的年轻计算机科学家中被吸引到他们所能应付的最具挑战性的这一研究领域中来的人数，这后者也许是更为重要的。

A·M·图灵在他著名的文章《计算机器与智能》中以这样的话总结道：“我们的目光所及，只能在不远的前方，但是可以看到，那里有大量需要去做的工作。

1950年时图灵认为需要去做的工作其中有不少已经完成了，但是我们的工作日程还像以往那样饱满。也许我们对他上面的简单论述理解得过于复杂了，不过我们还是倾向于认为，图灵在这里认识到了所有计算机科学家在直觉上都知道的基本真理。对于所有的物理符号系统来说，正如我们不得不对问题的环境作串行搜索一样，至关重要的问题永远是：下一步应该做什么？

人工智能哲学

142

6 人工智能之我见

D·C·玛尔\*

人工智能是对复杂信息处理问题的研究，这些问题常常植根于生物信息处理的某个方面。该学科的目标是确定值得研究、并有可能解决的信息处理问题，然后将它们解决。

信息处理问题的解答自然地分为两部分。第一部分是对特殊计算的基础性质的表征，并对它在物理世界中的基础作出理解。这一部分工作可以看作对要计算什么和为什么计算所作的抽象的系统阐述，我把它称为计算“理论”。第二部分由实现计算的特殊算法构成，所以它说明了怎样做的问题。算法的选择通常视运行这一过程的硬件而定，而同一计算可由多种算法来实现。另一方面，计算理论只取决于以它为解的问题的性质。贾丁和西布森(Jardine and Sibson 1971)解构簇分析主题时，用的正是这种方法，他们的术语“方法”就是指我所说的计算理论。

为了弄清这种区别，我们看一看富里埃分析的例子。富里埃变换的(计算)理论为大家所熟知，它的表达与计算它的具体方式无关。然而实现富里埃变换的算法有好几种，如快速富里埃变换(CooleyandTukey1965)是一种串行算法，并行“空间”算法是以相干光学机制为基础的。所有这些算法完成的都是同一计算，选用哪一种算法，则取决于所使用的硬件。顺便说一句，我们也注意到了串行和并行的区别是处在算法层次上的，而不是计算的深层特性。

143

因此严格地讲，一个人工智能结果是由以下方面组成：分离出特殊的信息加工问题，系统阐述用于该问题的计算理论，构造实现这一理论的算法，以及通过实践证明算法是成功的。对于一个特殊问题，算法理论一经建立，就再也不必重复做它，这是很重要的一点，也是可能取得进步的原因，在这方面，AI结果的表现与数学的或任何硬自然科学的结果有其相似之处。在确定一个问题的计算理论是否已得到恰当的系统阐述时，必须采用某种判断方式。“吃掉对方的王”这一陈述规定了国际象棋的目标，但是这很难说是国际象棋计算问题的恰当表征。1这里所需要的那种判断，看来与确定一个数学成果是否可作为一个新的实质性定理的判断十分类似，同时，如果未对这种判断的基础作出说明，我并不感到有什么不妥。[2]

有关由什么构成AI结果的这一看法，可能是大多数科学家都可以接受的。乔姆斯基(Chomsky1965)有关英语句法的“语言能力”理论的观点，恰恰就是我所说的这一问题的计算理论。它们都具有不涉及繁冗的算法细节的性质，然而在表现出语言能力(即实现计算)时，必须有算法的运行。这并不是说发明合适的算法是件容易的事，而是说，在我们可能发明算法之前，必须确切知道算法被假定用来做什么，而这一信息是通过计算理论来获取的。一个问题以这种方式解构之后，我将称它具备了1型理论。

美中不足的是，虽然许多生物信息加工问题具有1型理论，但是它们之所以具有这种理论的原因，却一点也不清楚。如果出现这种情况：在解决一个问题时，有众多过程同时行动，而这些过程的相互作用就是它本身的最简单描述，那么我称这种情况是2型理论。1预见蛋白质怎样折叠的问题，是2型理论很有希望的候选者。当一个大肽链在媒质中震动摇摆时，有大量的因素对其施加影响。在每一瞬间，只有少数几个可能的相互作用是重要的，但是它们的重要作用却具有决定性的意义。若要建构一个简化理论，必须忽略一些相互作用；但是如果在进行折叠的某个阶段上，大多数相互作用都是关键性的，就证明简化理论是不恰当的。值得一提的是，当前最有希望的蛋白质折叠研究是以蛮力方式进行的研究，它建立了一个相当细致的氨基酸模型，有与其序列相关联的几何形状，有与周围液体的疏水相互作用，以及随机热扰动，等等，然后让这一整套过程运行，直到获得一个稳定的构形为止(Levitt and Warshel 1975)。

人工智能哲学

\* D.C·玛尔，“人工智能之我见”，引自《人工智能》9(1977)：第37—48页。Elsevier科学出版社允许重印。

D.C·玛尔(David C. Marr)，麻省理工学院视觉研究实验室主任。

[1]一个在原理上能够解决国际象棋问题的计算理论，就是穷尽式搜索。然而真正有意义的做法是系统阐述人类用于下棋的计算步骤。可以假定，人们希望得到一个具有相当普遍的应用价值的计算理论，并辅之以该理论恰好可应用于某类国际象棋赛的证明，以及我们下这类棋的证据。

[2]在已知的计算理论没有得到新的实质性说明的情况下，也有可能再次发明实现这一理论的新的算法，如威诺格拉德(Winograd1976)的特快速富里埃变换，就没有对富单埃分析的性质作出任何新的说明。

144

AI的根本性困难在于，一个问题是否具有1型理论，是永远不能确切肯定的。如果找到了1型理论，那当然很好；但是如果没有找到，并不意味着它不存在。到目前为止，大多数的AI程序都相当于2型理论，而采用2型理论的危险是，它们可能将一些最终为该问题的正确1型解构提供钥匙的关键性决策埋藏在那些每当设计具体程序时不可避免的成堆的小型管理决策之下。这个现象使得AI研究难于深入进行，也难于判断。如果我们证明，一个给定的信息加工问题是由一个特殊的、界定清晰的计算理论解决的，那么结果就能得到保证。反之，如果解决问题时出现的是一组冗长繁琐的过程，我们就不能完全肯定对于一个或多个相关问题不再有简单的基础计算理论存在了，因为这理论的系统阐述显得有点朦朦胧胧。对于任何一个2型理论的候选者来说，程序的性能显得重要得多。因为它惟一能够表现出的优点可能就是行之有效，所以只有它做到这一点，它才是有价值的。常常出现这种情况：一项AI研究得出的结果是一个没有多少理论含量的大程序，它对该问题的处理得出的是2型结果，但是这个程序或者性能太差，不能给人留下什么印象，或者(更糟的是)甚至无法实现。对这种研究项目的判断只能是很粗陋的，因为它们的长远作用几乎看不到。

6 人工智能之我见

[1] 这里要强调的是，在物理学中常常有一些自然模化形式(例如，在常规条件下，电的相互作用与重力的相互作用无关)，但是有些过程同时包含多种模化形式，它们大致上同等重要，如蛋白质折叠。这样，1型一2型的区分就不是一个单纯的二分法，在它们之间有着一系列的可能性。

145

这样我们就清楚了，AI在从事研究信息处理问题时，易于出现两种类型的求解方式。其一是传统意义上的规范的基础理论。视觉研究中有一些这样的例子：霍恩(Horn1975)的描影构形法，表述图像密度变化和局部形状的基本框图的观念(Marr1976)，厄尔曼(Ullman 1976)的测定光源法，宾福德(Binford1971)的广义柱体表述法，在此基础上的玛尔和西原(Marr and Nishihara 1978)的三维结构内部表述和处理，近期的立体视觉理论(Marr 1974；Marr and Poggio 1976)1]，以及波焦和赖卡特(Poggio and Reichardt 1976)的家蝇视觉定向行为分析。这些结果的一个特征是，在对智能功能的全面探讨中，它们往往处在较低层次上，这个层次常常是那些意在研究“更高级、更核心”的智能问题的人所不屑一顾的。对于这种批评，我们的回答是，低层次问题表现的也许的确是较容易的类型，但这正是要首先研究它们的原因。只有在解决了更多的这类问题之后，我们才会对研究较深层问题时出现的问题有更清楚的了解。

但是即使这样一些比较明显的1型理论，其中也包含着2型理论。例如，玛尔和西原的三维表述理论提出，深层基本结构是建立在一个可以看作直线型的分布式的、以对象为中心的坐标系之上的，同时这一表述方式显然在图像分析过程中得到处理。除非也能证明这种描述可以根据图像来计算，并能按照所要求的方式来处理，否则这种理论就只不过是推测而已。要这样证明，会牵涉到数个中间理论，其中有些可望最终成为1型状态，但另一些只能勉强地看作是2型状态。例如，根据对象在图像中形成的轮廓线确定恰当的局部坐标系的问题，其中有一部分目前就存在着1型理论(Marr1977)。但是，对一些在基本框图上运作、以帮助图形从背景中分离出来的基本分组过程，为它们推导1型理论，也许是不可能的。图形背景“问题”可能不是单一的问题，而是几个子问题的混合，它们结合起来实现了图形的分离，就像不同的分子相互作用而结合从而引起蛋白质折叠一样。事实上，没有理由认为图形背景问题的解答应当从单一的基础理论中得出。其原因是，它必须包含对许多有关图像事实的过程性表述，而这些图像最终还是经由物理世界中的事物所具有的聚合性和连续性演化推导而成的。这中间包含着多种知识和不同的技术，我们只好把它们一一拣出。随着每一点的积累，整体性能就得到改善，同时所能处理的图像的复杂性也在提高。

人工智能哲学

[1]联合计算或松弛标定的概念(Zucker1976)是算法层次上的概念。它提出了一个实现特定计算的方法，而不是着重说明应当实现什么问题，而这一点看来是关于视觉的真正争议点，其重要性不低于其他方面。

146

我们已经看到，如果一个问题实际上具备的是1型理论，那么寻求它的2型理论就会是危险的。这种危险最突出地表现在过早地强行进入高层次问题，因为这时作为它最终的1型理论基础层的那些概念没有或几乎没有形成，结果将是全然不能对实际所涉及的问题作出正确的系统阐述。然而，意识到较低层次上存在着反面危险，也是同样重要的。例如，在目前的视觉加工理论中，基本框图观念看来是相当不错的，但是人们也许会对使它解码的分组过程的美学特征产生怀疑。有很多这样的过程，它们的细节多少有些混乱，这样就会出现一些看起来是任意的取舍(例如，在垂直方向或水平方向形成组织)。一个明显的2型理论的例子就是我们提出的：组织与视觉的辨别是建立在这些分组过程，以及在图像基本框图中应用于该信息的一阶辨别之上的(Marr1976)。这样，与朱尔兹(Julesz1975)规范的(1型)理论相比，它的吸引力就小一些，朱尔兹的理论认为，只有当组织的密度分布在一阶或二阶统计中存在差异时，它们才是可以辨别的。但是正如朱尔兹本人看到的那样，有一些模式虽然带有不同的二阶统计数据，仍然是无法辨别的。事实上，我本人所做的工作也可以看作是试图精确定义出什么样的二阶统计结构特征造成了辨别力(参阅Schatz1977，待印)。

6 人工智能之我见

147

我们终于迫不得已放弃了朱尔兹那个简明理论的长处，但是我感到我们不应由于在这一研究水平上需要对相当杂乱无章的细节进行开发而过于沮丧。我们已经知道，对视觉信息的其他方面运动、立体感、荧光性、颜色进行计算时，肯定有各别的模数存在，所以也就没有理由要求它们都建立在单一理论的基础上。诚然，人们也会预期到情况的另一面，在不断前进的进化过程中，新的模数出现了，它们能够涵盖更多方面的数据，以使动物在范围更广的环境中生存下去。仅有的重要限制是，系统作为一个整体，应该粗略地模数化，这样增添起新工具来就能比较容易。

所以即使我们找不到1型理论也许就不存在这样的理论，我们也不必放弃努力，特别是在较外围的感觉信息处理的阶段上，当然也不排除在接近中枢神经的地方。更重要的是，即使有1型理论存在，也没有理由说这一理论同包含更多中枢神经现象的理论有着密切的联系。例如，在视觉中，有的理论认为三维表述是以直线型坐标系为基础的，并且说明了怎样处理它们，这种理论与基本框图理论无关，或者因此也与从图像到表述的大多数其他中间阶段无关。这里特别要指出，假定近似的外围过程理论对较高层次的操作有什么重要作用，是尤其危险的。例如，由于朱尔兹的二阶统计学思想是如此简洁，又与大量数据相吻合，人们也许受其影响提出这样的问题：二阶相互作用的思想是否可以以某种方式作为较高过程的核心思想。在这样做时，不应当忘记视觉组织辨别力的真正解释，在本质上可能是全然不同的，即使该理论对视觉性能作出的正确预言非常之多。

我们所以在这一点上花如此长的篇幅，是因为它影响着另一争议点——自然语言语法所具有的理论类型问题。我们假定人类语言的目的是将一个原本不是一维的数据结构转换成一维形式，以便按顺序发声的方式传递，然后在听者头脑中被重新译作某种近似的副本。根据这一观点，完全有可能并不存在转换语法试图要定义的那种类型的英语句法的1型理论—这个理论规定了一些类似的硬性惯例，涉及的是执行这一冗长的但却极其重要的操作的一些实用方法，而不是关于智能性质的深层原理。抽象的句法理论有可能是一种幻想，朱尔兹的二阶统计学理论近似于一套实现组织视觉过程的行为，句法理论只是在这种意义上近似于真实情况，而这一套过程归根结底就是这个理论的全部内容。换句话说，自然语言语法具有的很可能是2型理论，而不是1型理论。

人工智能哲学

148

即使生物信息处理问题只有2型理论，还是有可能从它的解答中推论出比解答本身更多的东西。这种情况的出现是因为，在实现一组过程中的某个点上，那些附加在机器上的以使机器运行的设计规定，会开始对实现方式的结构产生影响。这一观察结果为语言学家和人工智能圈内的学者进行的两种类型的研究增添了不同的视角。如果句法理论确实是2型的，那么有关CNS的任何重要的内在意义，都有可能从实现它的组成过程的方法细节中得到，这些内在意义往往只有通过实现这些过程才能得到开发。

1. 本观点意义所在

如果接受了关于AI研究的这一观点，就可以根据较为清楚的判据来判断它的成果。已离析出什么样的信息处理问题？解决它的规范理论已经形成了吗？如果形成了，支持它的论据的充分程度如何呢？如果规范理论尚未给出，那么支持一组过程解答的证据是什么，或者指出它不存在单一规范理论的证据是什么呢？以及，所提出的这套机制工作得顺利吗？对于像理解故事这样相当高层的问题，当前的研究往往是纯探索性的。也就是说，在这些领域中，我们的知识还相当贫乏，我们甚至还无法开始归纳出恰当的问题，更不用说解决它们了。必须看到，个人的冒险，这是人类作任何尝试时都难以避免的局面(几乎可以肯定，所有做探索的先驱者本人在寻找实用性问题方面都是不成功的)，但是这是最后成功所必不可少的前奏。

6 人工智能之我见

149

AI(现在已满16岁了)的大部分历史是由探索性研究构成的，其中最著名的有斯莱格尔(Slagle1963)的符号积分程序，魏岑鲍姆(Weizen-baum 1965)的Eliza程序，埃文斯（Evans1968)的模拟程序，拉斐尔(Raphael 1968)的 SIR，奎连(Quillian 1968)的语义网络，和威诺格拉德(Winograd 1972)的 Shrdlu。(回顾)所有这些程序，其特点是或者太简略，构不成有价值的1型理论，或者虽然非常复杂，可是性能太差劲，也不能严格地作为2型理论看待。AI早期出现的真正成功的2型理论，也许只有沃尔兹(Waltz1975)的程序。但是我们从这些经验中学到了很多东西—大多是反面教训(例如，关于智能有可能是怎样工作的这一问题的已知的前20个观点，要么太简单，要么是错误的)，当然也包括若干正面经验。MACSYMA代数处理系统(Moses 1974)无疑是成功和有用的，它植根于一些程序，如斯莱格尔的程序。这个领域中出现的错误，不在于进行了这样一些研究——它们构成了AI发展的基本方面，而主要在于错误地判断了这些研究的价值，因为早期研究本身几乎没有归纳出任何可解的问题，这一点现在已经很清楚。这些内部判断失误的原因，部分在于这一领域早期成果受到的外部压力，但是这终究是一些政治问题，这里不打算讨论。

然而，我认为，人们在对这些判断的错误作出判断时，又错误地采取了过于苛刻的态度。它们只是必要的热情所产生的难以避免的结果，其出发点是认为这一领域具有持久的重要性，在我看来这是正确的。人类锲而不舍的所有重要事业，都是契而不舍地以基于信念、而不是基于后果的个人献身精神作为开始的。AI正是这样的例子。只有褊狭的、爱挑剔的、缺乏冒险精神的人才会用它作为反对我们的

人工智能哲学

150

理由。

1. 当前趋势

探索性研究是重要的。这一领域中的许多人都怀有这种期望：在我们理解智能的核心思想深处，至少会有一个、也可能是若干个关于怎样组织和表述知识的重要原理，从而在某种意义上弄清了什么是有关我们智力一般性质的重要东西。乐观主义者或许在一些程序如萨斯曼和斯托尔曼(Sussman and Stallman 1975)的程序、玛尔和西原(Marr andNishihara1978)的程序中，在明斯基(Minsky1975)就核心问题提出的全面见解中，还可能在尚克的一些工作(Schank1973，1975)中，看到这种原理的少许端倪，虽然我有时感到尚克没有抓住要点。尽管还有些疑云，如下一些观点看来正在兴起(它们在很大程度上归功于早期的探索性研究）：

1. 有关推理、语言、记忆和感知的“组块”应该比当前心理学理论所容许的大多数情况更大一些(Minsky1975)。它们还必须是非常灵活的—至少与玛尔和西原的直线型三维模型一样灵活，或许更加灵活。由“框架”、“端点”这些术语提出的简易机制当然过于死板了。

1. 对一个事件或一个对象的感知必须包含对它的几种不同描述的联立计算，这些描述涉及事件或对象的用途、目的或环境的一些不同方面。

1. (2)中提及的各种描述既有粗略形式，也有精细形式。在根据(1)中的要求选择恰当而全面的情节梗概时，以及正确规定那些造成这些情节梗概被选定的对象和行动所起的作用时，这些粗略描述是一个很重要的环节。

用一个例子可以更清楚地说明这些观点。如果某人读到：

(A) 一只苍蝇在玻璃窗上讨厌地嗡嗡叫。

6 人工智能之我见

151