智慧的疆界 从图灵机到人工智能

启发式搜索假说的提出，除了是因为纽厄尔和司马贺这些心智派学者一贯以参考人类智能行为作为研究导向外，还有一个很重要的原因是他们看见了逻辑派在推理效率上遇到了极大的困难（逻辑派的核心学说提出的时间要比心智派的早很多，如麦卡锡的《常识编程》是 1959 年发表的，而纽厄尔和司马贺关于物理符号系统假说的论文是在 1970 年发表的），即使有了归结原理^○这种普适的利器，并且人们不断改进算法来提升搜索效率，基于逻辑推理的程序也无法避免中间子句指数级的爆炸式增长，遇到稍微复杂一点的应用，逻辑派的程序就陷入“理论可行，实际不行”的窘境，毫无实用性可言。

结合物理符号系统，启发式搜索的具体执行过程可以总结为：首先将物理符号随机地初始组合成表达式，这个表达式的每一种变换形式构成了搜索树的各个分支，然后给定一个评价函数用于评价这个表达式的不同变换形式与目标形式的差距，选择一个差距最小的变换形式重复搜索过程，直至差距无法缩小为止。在这个过程中，对搜索结果产生决定性影响的是评估函数的设计方法，由于纽厄尔和司马贺没有给出人类智能行为的通用的评估函数，也没有给出专用于某种特定智能行为的评估函数的设计方法或原则，所以启发式搜索在人工智能领域还只能以假说的形式来讨论。但在人工智能领域之外，启发式搜索现在已成为解决许多问题，尤其是“NP 完全问题”（即无法在多项式时间内得出最优解的问题）的有效手段，如第 2 章中笔者使用遗传算法模拟蒙娜丽莎画像的例子，就是启发式搜索算法中的一种，类似的启发式算法还有“ A\* 算法”和“AO\* 算法”等，这些算法在人工智能和计算机科学中都有很广阔的应用场景。

第 3 章 符号主义学派

85

○一 归结（Resolution）是一种对于命题逻辑和谓词逻辑中的句子的推理规则。归结原理（Resolution Reasoning）是鲁宾逊（Robinson）于 1965 年提出的一种简单易行，尤其便于计算机实现和执行的反证法证明技术，也叫作“消解原理”。

虽然启发式搜索假说至今都没能解决计算机模拟人类智能活动的问题，但在心理学、经济学、决策论等其他学科中却取得了令人瞩目的成就。司马贺从启发式搜索假说中总结出了经济学和决策论中著名的“有限理性模型”（Bounded Rationality Model），这个成果使他获得了 1978 年的诺贝尔经济学奖^○一。认知心理学研究也表明，不仅仅是人，普通动物在进行决策时采取的也是启发式策略，从侧面说明了启发式搜索假说确实有可能是一条探索智能活动的可行之路。

3.4 知识！知识！知识！

20 世纪 50 年代到 60 年代间，人工智能的研究度过了符号主义的第一个阶段：“推理期”。在这个阶段，主流的研究方法是基于逻辑推理来寻找智能，该方法在人机对弈、问题求解、机器定理证明这类信息完全且问题空间封闭的领域中取得了一定的成功。但是，由于没有解决如何从少量公理性知识推导出整个世界的常识问题，所有的先验知识都只能靠事前的输入，因此机器这样依赖“死记硬背”来获取知识的方法，在应对开放性的问题时就显得捉襟见肘了，甚至在很多问题上都是完全无能为力的。

到了 20 世纪 70 年代中期，人工智能领域的学者逐渐放弃了仅靠符号系统从少量最基础的“公理性”知识中推导出智能的想法，不得不接受人类几千年积累的各种知识是难以仅靠若干条基础公理、一两个通用模型和推理演算程序就能灌输给机器的这个现实。另外，由于考古学对古代智人的研究得出了古代智人与现代人类在脑容量上并没有差距的结论，表明了人类智能行为表现出的问题求解能力更多是来源于人所具有的知识，而不仅仅是大脑思考和推理的能力，因此计算机采用形式化方法和推理策略来模拟智能的希望看似越来越渺茫了。

86

第二部分 学派争鸣

○一 传统经济学一直以完全理性为前提，但是在现实情况中，人们所获得的资讯、知识与能力都是有限的，所能考虑的方案也是有限的，未必能做出效用最大化的决策。因此，司马贺提出必须考虑人的基本生理限制，以及由此而引起的认知限制、动机限制及其相互影响的限制。

从此，人工智能的主要研究方向便从“逻辑推理”转到了“知识的表述”上，符号主义学派从“推理期”转入“知识期”的标志是三类“知识”研究开始被科学界关注而且取得了一定进展，它们分别是：“知识表示”出现了被广泛认可的方法、“知识工程”被提出并作为独立的学科进行研究，以及以专家系统为代表的“知识处理系统”开始展现出实际应用的价值。

3.4.1 知识表示

我们生活中的所有有效信息，不论是否高深都可以作为知识看待，从蕴含深刻物理含义的质能方程“ $E = M C ^ { 2 } { } ^ { \cdots }$ 到没有什么意义的“大海啊你全是水，骏马啊你有四条腿”都可以是知识。“知识表示”（Knowledge Representation）就是对知识及知识与知识之间关联关系的一种描述，本章前面花了大量篇幅介绍如何通过谓词逻辑来描述世界上的知识，这本身就可以作为一种知识表示方法，而且是最基础、最重要的知识表示方法。除了谓词逻辑之外，“产生式”（Production）、“本体表示”（Ontology）、“面向对象的表示”（Object-OrientedRepresentation）、“框架理论”（Frame Theory）、“语义网络”（Semantic Network）等都是目前常用的知识表示手段，其中框架理论是由明斯基提出的学术影响较大的方法，而司马贺则把心理学界的语义网络拿到人工智能应用中，也产生了颇为重要的影响。由于知识表示的方法多种多样而本书篇幅有限，笔者就不逐项介绍了，这里仅以语义网络为例，把它与谓词逻辑对比起来简要说明一下。

语义网络是罗斯·奎利恩（Ross Quillian）在 1966 年提出的一种心理学模型，最初是用来描述概念之间的联系的，形式大概和今天大家常用的思维导图差不多，后来司马贺把这个心理学模型推广应用到计算机领域中。语义网络是一种使用有向图来表示知识的方法，图由节点和连接弧组成，节点用于表示实体、概念和事实，连接弧用于表示节点之间的关系。用我们已经学习过的谓词逻辑来类比，如果谓词“ISA(x, y)”表示“x 属于y 的一种”，那么“ISA（燕子，小鸟）”可以用图 3-2 来表示。

第 3 章 符号主义学派

87

如果要表达“燕子是一种小鸟，所有的小鸟都有翅膀”，那在谓词逻辑中需要两个独立的式子“ISA（燕子，小鸟）”和“HAS-PART（小鸟，翅膀）”来描述，在语义网络中则仍然可以在一张图中把这两个关系表示出来，如图 3-3 所示。

假如我们再进一步增加待描述实体的数量，每个实体之间都可能存在关联关系，那么实体之间可能存在的关系总数会随实体数量的增加而呈指数级增长。谓词逻辑把不同的实体与规则当作独立的事实来处理，语义网络则将多个实体与规则视为一个整体来处理。在处理局部推理细节或者实体间有定量的动态关系时，谓词逻辑是很有效的工具，但在需要从全局层面考虑整体关系时，通过谓词来描述实体和关系就不是一个特别合适的选择，至少人类大脑肯定不是以这种方式来记忆和处理不同实体和实体间关系的。

语义网络的主要优势在于使用类似于人类记忆和联想的方式，把实体间的联系（结构、层次、因果等）清晰地表达出来。以语义网络为例，图 $3 { - } 4 ^ { \Theta }$ 描述了语义网络理论与学习、认知、记忆、智能等抽象概念之间的关系，如果我们要理解语义网络能够解决什么问题，使用这张整体的关系图就是一个很好的选择，如果我们要学习语义网络是如何解决这些问题的，才应该去看语义网络理论本身的理论和细节。

88

第二部分 学派争鸣

○一 图片来源：http://cmapsinternal.ihmc.us/。

第 3 章 符号主义学派

89

万维网（World Wide Web，WWW）之父、图灵奖得主蒂姆·伯纳斯（TimBerners）在定义万维网的愿景时曾说：“虽然万维网是供人类阅读信息的巨大集合体，但万维网的终极目标是希望有朝一日计算机能够自动地分析、利用网络上的数据，形成有用的知识。”因此，定义 WWW 标准的万维网联盟（World Wide Web Consortium，W3C）早在 WWW 诞生不久就将语义网络列为 Web 的关键特性之一。21 世纪初，W3C 发布了被称为“链接数据”（LinkedData）的语义网络的标准格式，业界也相继出现了 DBpedia（专注于维基百科）、Freebase（专注于网上公共数据）等以链接数据为标准格式的开放数据集。2012 年，谷歌公司在 DBpedia 和 Freebase 等资源的基础上提出了“知识图谱”（Knowledge Graph）的概念，同时公开了一个包含 35 亿个“事实”，约 5 亿个人、地、物等实体及它们之间关系的巨型知识图谱。

以上源自语义网络的知识表示工作，最终令基于知识图谱的应用如搜索系统、推荐系统和情感分析等成为人工智能应用的一条主要分支。也正是因为有了这些工作，才奠定了 ChatGPT 等语言模型的训练语料基础，间接造就了后来大语言模型的兴盛。今天 ChatGPT 等模型已经能够在一定程度上利用互联网上原本供人类使用的知识来训练和改进自身，WWW 构建之初所许下的愿景总算见到了些许达成的曙光，但是让计算机完全理解网络世界中的人类信息依然是一项极其浩大的工程，截至 2024 年，网站数量已有数十亿个，但其中仅有数百万至千万级别的网站带有语义网络的标记信息^○一。所以，时至今日，语义网络依然被列为最新的 Web 3.0 标准的关键特征之一。

虽然笔者在本章中仅选择了语义网络作为例子进行讲解，但必须说清楚，这并不是在讨论谓词逻辑和语义网络谁更好、谁更先进，不同的知识表示方法并没有好坏优劣之分，各方面都存在不足的技术必然已经被历史淘汰掉了，现存的知识表示方法都有自己的适用场景。把谓词逻辑和语义网络对比来看，谓词逻辑系统具有特定的演绎结构，而语义网络不具有特定的演绎结构；谓词逻辑的推理是自底向上，从细节到整体进行推理，而语义网络推理是知识的高层次推理，是知识的整体表示。在语义网络中，由于结构关系，检索和推理的效率是非常高的，但它不适用于定量、动态的知识，也不便于表达过程性、控制性的知识。

90

第二部分 学派争鸣

○一 关于全球网站总数量和带有语义网络标记的网站数量，笔者并没有查到权威的统计资料，这是通过 ChatGPT 得到的大致统计范围。

脑科学的发展告诉我们，人脑是通过神经元的连接来存储知识的，但人脑是如何表示知识的，目前尚不知道。不过，将谓词逻辑、语义网络和其他各有特点的知识表示方法合在一起，总算是在应用层面初步解决了如何将知识描述清楚，并存储于计算机的问题，这是一项基础性的工作，后续发展起来的知识工程、知识系统都要建立在这个前提之上。

3.4.2 知识工程

20 世纪 70 年代中期，距提出人工智能的达特茅斯会议已经过去了 20 年时间，如果把人工智能作为一个人来看待，那么此时他已经不再处于嗷嗷待哺的婴幼期了。社会上逐渐出现一些声音，敦促人工智能不要再局限于纯学术的探索研究，开始对人工智能提出一些商业上和工程可行性上的要求。如果读者对人工智能的历史有所了解，或者听说过人工智能“三起两落”的故事，那便会知道这个时间点正是人工智能历史上的首次低谷，是人工智能“第一个冰河期”^○一的开始。在不久的将来，政府和社会对人工智能发展的态度就会从乐观转为悲观，原来不计成本的投入也随之戛然而止。

与此同时，电子计算机经过 30 年的发展，在 20 世纪 70 年代开始出现同时具备大容量存储和超高运算速度的计算机，譬如 Burroughs 公司（今天的Unisys，宝来公司）在 1975 年发布的 Burroughs ILLIAC 4 计算机（见图 3-5）的运算能力达到 1946 年初代 ENIAC 的 50 万倍^○二，并且可以使用硬盘来存储数据，容量达到了“惊人的”80MB 以上。在高性能的硬件支持下，一些以前“理论可行”的想法，逐渐在工程实践上具备可行性了。

第 3 章 符号主义学派

91

○一 关于人工智能第一次冰河期的内容，将在下一章介绍同一时间连接主义学派的理论时介绍。

○二 ILLIAC 4 的浮点运算能力是 150 MFLOPS，ENIAC 是 300 FLOPS（因为 ENIAC 的浮点运算是靠整数运算模拟的，整数运算能力是 100 KFLOPS，实际差距并没有 50 万倍那么大）。作为对比，2017 年手机上主流的骁龙 820 处理器（含 GPU）的运算能力大约是 450GFLOPS，是 ILLIAC 4 的 3000 多倍。

在知识表示方法已经成熟、社会要求人工智能有商业成果产出和计算机运算能力有长足发展的内外因共同作用下，人工智能的研究变得越来越务实。1977 年美国斯坦福大学计算机科学教授爱德华·费根鲍姆（EdwardFeigenbaum）在第五届国际人工智能会议上发表了一篇名为《人工智能的艺术： 知 识 工 程 课 题 及 实 例 研 究》（“ The Art of Artificial Intelligence: Themesand Case Studies of Knowledge Engineering ”）的论文，首次提出“知识工程”（Knowledge Engineering）的概念：让计算机对那些原本需要专家知识才能解决的应用问题提供求解的手段。

由于结构和原理的天然差异，计算机擅长处理许多人类难以处理的问题，但是同时计算机也在很多人类毫不费力就能处理好的问题上停滞不前。人工智能的主流研究方向从一开始追求拟人化的通用智力，变为追求解决特定专业领域的知识问题，这是无奈之举，但也是务实的进步，令原本虚无缥缈的目标看到了可行性的曙光。知识工程的概念提出后，很快得到政府、科学界和社会的普遍认同，迅速演变为一门有明确的研究领域、跨越社会科学与自然科学的新兴工程技术学科。后来，费根鲍姆也因在知识工程方向的贡献而获得了 1994年的图灵奖。

知识工程研究如何获取知识、如何验证知识的正确性、如何表示知识、如何根据知识推导结论、如何解析推理结果的含义这整个过程中面临的学术和工程问题，以及解决这些问题所涉及的支撑技术。提及知识工程，读者需要注意将它与另一个相近但早已存在的学科“知识管理”（Knowledge Management）区分开来。知识管理的内容中也涉及获取知识、组织知识与检索知识的问题，还涉及数据挖掘、文本聚类、数据库与文档管理等计算机技术。但是，知识管理的核心是无序知识有序化，使之成为人类可以利用的资源，而知识工程的核心是揭示知识本身的表示和关联关系，以及解决计算机如何利用知识的问题。一言以蔽之，知识管理的目标是建立供人使用的知识库，而知识工程的目标是建立供计算机使用的知识库。

92

第二部分 学派争鸣

○一 图片来源：http://www.computerhistory.org/collections/catalog/102651997。

知识工程本身就是一个很有实用价值的多学科交叉的领域，把知识工程的诞生放到当时人工智能所处的历史背景上看，就有了更特殊的意义。在社会要求人工智能研究产出成果时，知识工程作为人工智能的主要发展方向，成为将知识应用于特定领域和特定问题的工程实践方法，客观上避免了人工智能研究陷入全面、彻底衰退的境地。

3.4.3 知识系统

符号主义从推理期进入知识期，如果说理论上的成就是出现了知识工程这门新学科，那实践上的成就是终于出了一些被成功应用于商业的、基于知识的系统^○一（Knowledge Based System）。基于知识的系统从软件架构上一般可以划分为知识库和推理引擎两个部分，知识库用于在计算机系统里面反映出真实世界中的知识，推理引擎则负责使用知识库中的内容推理求解，得到用户提出的问题的答案。典型的基于知识的系统包括决策支持系统、推荐系统、专家系统等，这些系统目前仍然应用得非常广泛，其中又以专家系统的历史影响最为突出。

专家系统（Expert System）是一种依靠计算机模拟人类特定领域的专家，对特定问题做出解答或者决策的人工智能程序。它与人机对弈、模式识别、自动定理证明这些早期的人工智能应用不一样，早期的人工智能应用更偏向学术研究，而专家系统的直接商业价值是显而易见的。如果能用机器这种极为经济的手段完成专家的工作而不需要聘请有经验的专家，必然会极大地减少企业的劳务开支和人员培养成本，且由于软件的可复制性，专家系统能够广泛传播专家知识和经验，推广因专业人员数量限制而无法广泛传播的产品和技术。

第 3 章 符号主义学派

93

○一 并非所有基于知识的系统在商业上都是成功的，后文提到的专家系统的建设热潮出现后，一批系统仓促推出，导致失败的项目更多，但是无论如何，基于知识的系统都是人工智能大规模在商用领域取得成果的第一种应用类型。

专家系统在软件形式上可以大致理解为一种面向领域专家而非软件程序员的“软件开发工具”，这种系统的关键特征是以直观、易于理解和实践的方式，直接由领域的业务专家而不是软件技术人员来制定出系统能够理解的运行规则，从而构建出完整的软件系统。在许多企业级的大型项目建设过程中，就有大量的专业系统虽然未被冠以专家系统的名称，但也是以特定领域的业务专家主导配置系统来完成实施的，如著名的 SAP ERP 产品，这类产品也可视为广义上的专家系统。业界常见的用于专家系统开发的工具有 Gensym G2^○一这样图形化的配置平台，也有 Prolog 这样专门面向逻辑推理的程序语言^○二。

世界上第一个专家系统程序是费根鲍姆主导开发的“ DENDRAL”。DENDRAL 系统被灌输了化学专家的专业知识和质谱仪相关的知识，能够根据给定的有机化合物的分子式和质谱图，从几千种可能的分子结构中挑选出正确的分子结构。影响力更大、更具有代表性的专家系统是斯坦福大学研发的帮助医生对住院的血液感染患者进行诊断和使用抗生素类药物进行治疗的专家系统“ MYCIN”，如图 3-6 所示。该系统基于 LISP 语言开发，采用了可信度表示技术，不仅可以做确定性的判断，还可以进行不确定性的推理，并对推理结果的各种可能性进行解释。现在，MYCIN 系统成为知识工程的一个标杆式的实践样板，它基本解决了知识表示、知识获取、搜索策略、不确定性推理和结构设计等知识工程中的重要问题。MYCIN 对在它之后的专家系统的设计产生了深远的导向性影响，以 MYCIN 专家系统作为基础平台，人们开发出了更多其他专业领域的专家系统，如 EMYCIN 等。

1983 年，世界上第一款面向商用的专家系统 EXSYS^○三被研发出来，这个系

94

第二部分 学派争鸣

○一 Gensym G2 主页：http://www.gensym.com。

○二 主流的用于专家系统开发的工具还有 CLIPS、Jess、MQL 4 等。

○三 EXSYS 公司主页：http://www.exsys.com。