科普|人工智能前传：从逻辑到知识的伟大跨越

来源| 萤火虫程序员沙龙

 

人工智能

是一件水到渠成的事情

究其起源

人门甚至可以追溯到哲学，虚构和想象

在近代

电子学，工程学

以及其它许多领域里的早期发现

都深远地推动了它的发展

包括但不限于：

控制论（诺伯特·维纳）

生物学（威廉·阿什比，麦卡洛克和沃尔特·皮茨）

实验心理学（西蒙）

通讯理论（香农）

博弈论（冯·诺依曼和奥斯卡·摩根斯特恩）

数学和统计学（欧文·约翰·古德）

逻辑学和哲学（图灵，丘奇，亨佩尔）

语言学（诺姆·乔姆斯基）

在这些领域当中

对于如何解决问题

对知识的学习和表达

对语言的理解和翻译

对定理的证明

这一些列共性问题的提出和解答

都成为了人工智能演进道路上的里程碑

▼

人工智能的古典哲学

 

亚里士多德首先创立逻辑学

作为知识精确的搜索手段

他引入了「三段论」并发明了演绎逻辑

这便是符号知识表达的逻辑学起源

 

 

到了力学时代

机械论观点盛行

笛卡尔把人脑看作知识的仓库

 

莱布尼茨深受这种思想的影响

他的「普遍数学」（mathesis universalis）

要求一种通用的形式语言（lingua universalis）

来表达计算步骤中人的思想

然后这些计算步骤又能够在机械计算机当中执行

 

1666年，莱布尼茨发表了《组合的艺术》

（Dissertatio de artecombinatoria）

进一步提出了「人类思想字母表」的概念

认为所有的思想

都只是相当少的一些简单概念的组合

「组合艺术」是「一切发明之母」

将引领人们「发现所有事物」

 

1763年，伟大的贝叶斯提出了概率推理框架

贝叶斯推理方法论走上历史舞台

 

1854年，英国数学家乔治布尔提出

逻辑推理可以使用解方程组的方式系统地进行

 

到了19世界末

数学，科学，逻辑，哲学都蓬勃发展

弗雷格（Gottlob Frege）在1879年

定义了「形式语言」(Formal language)

开启了后人使用数学逻辑的方式来定义问题 

 

人们此后开始思考

可不可以有一个计算模型

帮助人类解决数学的证明问题呢？

 

1931年

哥德尔的理论让大卫希尔伯特梦碎

这就是「哥德尔不完备定理」

震撼了整个逻辑和数学界

一个公理系统无法证明自己会不会产生矛盾的结论

 

 

哥德尔之前

大卫希尔伯特还提出了「决策问题」

「Entscheidungsproblem」

这是一个比「Hilbert’s Program」更一般的问题

这里不去判断数学定理是否正确

而是判断一个更简单的逻辑句子是否正确

 

 

直到丘奇Alonzo Church和图灵Alan Turing

同一时间发表独立研究

用新的计算模型得出结论：

「Entscheidungsproblem」无法被解决

又一次

大卫希尔伯特的尝试被判死刑

 

大卫希尔伯特两个假说相继败下阵来

但却开启了璀璨的全新领域

图灵没有停下探索的脚步

一手打造出了一个完整的全新理论框架

发明了「图灵机」(Turing machine)

这个抽象的计算模型概念

 

我们日常使用的每一台电脑

虽然硬件结构存在差异

但他们都是图灵机延伸出来的成果

 

 

这套理论被冠名以「自动机理论」

(Automata Theory)

自动机计算模型

与需要人类操作的算盘或计算器有着本质的区别

机器就好像被注入了「灵魂」

行为能力的自由度大幅提升

能够处理更全面性的问题

 

从高度抽象的角度

自动机可看作是三个重要部分的组成

「符号」，「规则」，「状态」

 

 

自动机，圆圈是「状态」

黑色线条代表「规则」

英文字母是「符号」

在这个模型里

我们要判断输入的字符串是否为aaa或bbb

在最开始的状态里

当自动机读到a就会变成状态1

读到b就变成状态3

都不是的话，就输出No

一旦输入的是连续的字母aaa或bbb，就输出Yes

 

图灵通过对人类思考方式的细微观察和高度抽象

建造了这个伟大的计算模型

图灵机是一个既符合人类思考方式

又具备强大计算能力的计算模型

1936年至今

仍被视为计算理论的基石

 

计算理论界往往有一种误解

认为图灵机能够解决

所有其它计算模型能够处理的问题

甚至跟人脑一样强

但是图灵或着他的老师丘奇从来没说过这样的话

有趣的是

目前被世人不断引用的「Church-Turing Thesis」

那几篇经典论文里

大多都在探讨图灵机本身的局限性

并没有提及其它计算模型

或者与人脑计算做过对比

 

后来人们陆续构建出比图灵机还要强大的计算模型

比如「超电脑」(Hypercomputer)

这些模型通常更加复杂，更难分析

 

 

然而其实目前人类对于图灵机都尚未参透

所以业界关注点还是放在图灵机

和其它实用又好操作的计算模型上

▼

人工智能从理想到商业化

 

在20世纪

「计算认知主义」和「图灵的可计算理论」

两者同时出现

在这一类「功能主义」思想里

心智被看作是计算机的软件

计算机硬件则对应着人脑的「湿件」（Wetware）

 

 

图灵则证明了

如果人类的心智是可计算的

它就可以表达为一个图灵程序

技术上就可以使用一台常规用途的计算机处理

人工智能的发展进入新时代

 

然而

探讨图灵问题

有一种倾向

常常将我们的视线引向哲学，心理学和社会学

 

为了解决实际问题

我们必须回到实用计算机科学领域里谈人工智能

毕竟在业务实践当中

知识的处理仍然受到程序控制

并被局限在莱布尼茨的机器化思维里

在这个语境下

我们可以将知识系统纯技术性的探索分为五个阶段

 

在现代人工智能发展的第一个阶段（1957-1962）

「启发式编程」成为核心问题

次核心的课题才是找到让机器学习的方法

这意味着

在逻辑推导之树当中自动寻找人类问题的解

并用启发法控制和评价

 

 

《逻辑理论家》

就是一个非凡的尝试

它为罗素和怀特海的《数学原理》

书中前38条定理给出了证明

它的启发方法

是从人们在心理测试中使用的经验里提取出来的

启发式学习的一个例子

是让机器自己寻找象棋取胜的策略

亚瑟·塞缪尔在50年代就写了一个西洋棋程序

可以让程序和人对战并不断提高自己下棋的能力

看来，普通的智能就可以轻松应对这类游戏

在第二阶段里（1963-1967）

对学习的思考减少了

人工智能被刻画为「专门程序」的发展

比如解决简单代数问题的「STUDENT」

模拟物体模式识别的「ANALOGY」

这个阶段MIT的领袖马文明斯基放弃心理仿真

他说：现行的方法没有特设解

给出的是复杂智力活动的假象

成功的实用编程取决于「专门知识」的表达

 

 

在第三阶段（1967-1972）

人工智能实用和专门程序得到了促进

比如「DENDRAL」程序

把化学家的专门知识用在了质谱学

以寻找分子的结构式

 

还有「SHRDLU」程序

它能够理解英语指令

将指令分解为一些列操作

在虚拟世界里操纵积木

它能够理解做什么和为什么做

并用英语描述其行为

在第四个阶段（1972-1977）

米切尔费根鲍姆开发出了「知识工程学」

在「MYCIN」程序当中

可以模拟一个掌握了细菌感染医学知识的医生

第五个阶段（1977-1986）

是托马斯库恩提到的「常规」阶段

专家系统得以商业化

就像批量生产汽车一样

人工智能从实验室和哲学研究当中脱颖而出

并成为世界范围知识产业的关键技术

 

▼

知识系统战胜逻辑推理

知识有两类

第一类是写在教科书和专业期刊的：

某个领域的「事实」

另一类叫做「启发式的知识」

这是关于一个领域当中最佳业务实践的判断

它是实验性的知识

是一个人类专家从多年的工作中取得的「悟性」

 

知识之外

还需要一个「推论程序」

结合知识和问题数据并提供理解和行动的推理方法

这个步骤独立于知识库

建立在不同的哲学方法论基础上

 

启发式的学习

确立了人工智能领域的一个基本准则

赫伯西蒙称之为「“满意”准则」：

当缺乏一种有效的方法

可以确保找到问题的解决方案时

在合理的时间内

启发法可以引导决策者

找到一个令人满意的解决方案

尽管此方案不一定是最优解

 

然而，专家系统是有很高设计挑战的

主要有以下四个方面

「知识表达」

如何将知识表达为计算机存储中的数据结构

并支持问题解决

「知识利用」

如何和设计推论引擎

「知识获取」

如何自动获取对问题解决的答案

「知识决策」

专家系统的专门知识库如何影响人类专家决策

这需要一种人生观和世界观伦理的引导

比如

医生手术的决策也要纳入患者非客观印象的考量

病人的家庭，职业，收入等等

 

波普尔主义的观点是

有趣的假设+严格的检验

另一种观点

则是把复杂问题

分解为较简单的部分或不那么复杂的子问题

乔治波利亚的启发式数学指导书《怎样解题》

就是秉持这种观点的集大成之作

然而这种机械论式的思维

往往带有一种浪漫的偏执

因为在一个复杂的系统里

并不总是可以分解而不改变系统的原始状态的

系统并非总是部分之和

 

 

除开机械论的论调

对于推理的重视也受到了同时代哲学家们的青睐

鲁道夫卡尔纳普

天生地不相信培根的一般归纳法得出的结论

他认为正确的结论总是演绎出来的

而非存在逻辑漏洞的归纳法

哲学的论断往往不一定正确

还是实践出真知

两种被实践验证过的策略

在人工智能领域已经被广为应用

一方面是「理论驱动」

相反的观念，通常叫做「培根主义」

把大量的数据作为出发点

发现的过程是「数据驱动」

首先收集数据

然后发现两个或以上变量之间的规律性

最后测试定律

 

 

「BACON」程序就是一个「数据驱动」的例子

能够从经验当中找到「定量的定律」

以弗兰西斯培根命名

「BACON」程序

可以靠自己的能力重新发现物理学定律

这包括了玻意耳定律，开普勒第三定律

伽利略定律，欧姆定律等等

还有一些程序能够从经验数据归纳出「定性定律」

「GLAUBER」，「STAHL」，「DALTON」

它们通常应用在化学领域

这些程序能为某种现象归纳结构和解释模型

 

「STAHL」专注于确定化学物质的构成

「DALTON」则关于一个反映所涉及的粒子数量

因此前者可以被看作后者的模型基础

通过这样的联合

人类得以开发出越来越复杂的知识系统

 

还有专门用来「实验设计」（DOE）

并与与其他科学研究活动之间互动的知识系统

这就是「KEKADA」程序

包括了假说生成器

实验选择器

预期设定器等等

可以用来给生物化学的一个实验设计建模

（1935年克雷布斯的尿素循环）

面临一个新的问题时

假说生成器创造假说

成百上千的专家系统在数个领域证明了

少量知识对决策行为的重要性

尽管依然有诸多制约

但阶段性的成功印证了古老的寓言：

“知识就是力量”

在此之前

基于逻辑的推理和解决问题的理论是观念的主流

这是一次伟大的「范式转换」

科学的发现

成为了由问题解决启发法指导的进阶过程

而不是一次单独的“灵光闪现“或突然飞跃

知识系统的这些例子程序

可以解释为科学哲学家研究的助手

它们能够创造出

由某些启发规则所产生的所有可能的定律

「定量定律」，「定性定律」

推断物质的构成，阐明事物结构的模型

都可能被自动化地实现

机器与人类科学家之间的大战看似已经不远了

然而他们仍然只是有限度的智能

那些精巧的程序可以是得力的助手

却不是决策的主人

这种可能性之所以存在

一部分正是因为我们人类自身也是伟大的梦想家

同时，就像那些在生物实验室里

试图创造人工生命的研究人员一样

应该对我们试图理解和模拟的东西怀有虔诚的敬意

END

喜欢的话，就点一下“好看”吧！