人工智能与机器学习:算法基础和哲学观点

2018-10-16 10:59 来源:《上海师范大学学报.哲学社会科学版》 作者: 克劳斯·迈因策尔

Artificial Intelligence and Machine Learning:Algorithmic Foundations and Philosophical Perspectives

 

  作者简介:克劳斯·迈因策尔,欧洲科学院院士,德国工程院院士,德国慕尼黑工业大学教育学院哲学与社会教席荣休教授,德国复杂性系统协会主席,主要从事哲学和复杂性系统研究。

  译 者:贾积有,北京大学教育学院。

  原发信息:《上海师范大学学报.哲学社会科学版》第20183期

  内容提要:图灵将人工智能简化为具有形式逻辑、自动证明和计算能力的符号处理系统。但是人类智能与语言理解有关。文章提出一个可以在自然界和技术上实现的关于智能度的工作定义来替代图灵测试关于机器智能的定义。自然智能在具有不同程度复杂性的神经系统和大脑的自然进化中出现。人工智能是在技术发明中发展起来的,依赖于传统图灵机计算机能力的指数增长。大脑、自动机和机器似乎是完全不同的,但它们在语言识别方面是数学等价的。具有不同复杂程度的自动机和机器的层次结构是可以区分的,因为它们可以通过适当的神经网络识别相同类型的语言。根据这样的工作定义就得到了自然和技术上的智能度。特别值得注意的是模拟神经网络,它能够像人类大脑那样具有自然语言能力,这超出了图灵可计算性。因此,需强调可通过神经形态计算体系结构实现的模拟和数字智能。但是,智能决不简单等同于大脑和计算机。模拟和数字元素也被整合到全球物联网中,以解决不同程度的智能问题。

  Since Alan M.Turing,Artificial Intelligence (AI) was reduced to symbolic AI with formal logic,automatic proving and computing.But,human intelligence has also been associated with language understanding.Instead of the Turing test,I suggest a working definition of intelligence degrees which can be realized in nature and technology.Natural intelligence emerged during the natural evolution of nervous systems and brains with different degrees of complexity.Artificial intelligence was developed in technical inventions depending on an exponential growth of computer power in tradition of the Turing machine.Brains, automata,and machines seem to be completely different,but they are mathematically equivalent with respect to language recognition.A hierarchy of automata and machines with different degrees of complexity can be distinguished.They recognize the same kinds of languages which are recognized by appropriate neural networks(and with that by corresponding biological brains with this degree of complexity).According to our working definition,we get degrees of intelligence in nature and technology.It is remarkable that analog neural networks can realize natural languages beyond Turing computability like human brains.Therefore,this paper argues for analog and digital intelligence which can be realized by neuromorphic computational architecture.But intelligence is by no means reduced to single brains and computers.Analog and digital aspects are also integrated in the global Internet o

  关键词:人工智能/可计算性/智能度/语言识别/自动驾驶/工业4.0/区块链/artificial intelligence/computability/intelligence degrees/language recognition/autonomous car driving/industry 4.0/block chain

 

  一、什么是人工智能?

  人工智能(AI)在很多人不知情的情况下统治我们的生活很久了。与我们说话的智能手机、记录我们健康数据的手表、自动安排的工作程序、自动驾驶的汽车和飞机、有自主逻辑的交通和能量系统,以及探测远方星球的机器人,都是连接成网的智能系统世界的例证。它们向我们展示了人们的日常生活是如何受到人工智能功能影响的。

  艾伦·麦席森·图灵(1912-1954)在后来以其姓命名的测试中定义一个系统是否具有智能性的判断校准为:如果该系统的回答和反应与人类的无法区别时,则该系统是智能的。①这个定义的不足之处是用人类作为测试标准。很多生物体也是智能系统的范例,它们和人类一样,在进化中出现并能够或多或少地、独立有效地解决问题。有时自然是技术发展的模板。但是信息科学和工程技术科学也经常会找到一些与自然界不同甚至更好、更高效的解决问题的方法。所以,图灵所定义的智能并不严谨,智能应是指通过技术或自然系统有效而自动地解决问题的程度或者等级。因此,笔者为一个系统的智能性提出一个暂时的工作概念,如果一个系统能独立而有效地解决问题,则它就是智能的。②一个系统的智能度由系统的独立性程度、问题的复杂程度以及解决问题过程的效率大小决定:智能度我们能够测量。据此,动物(和人类)的意识和感觉对于智能来说并非必需的。

  二、从图灵到符号主义人工智能和自动证明

  1956年,受到图灵“机器会思考吗”这一问题的启发,约翰·麦卡锡(John McCarthy)、艾伦·纽厄尔(Allen Newell)、赫伯特·西蒙(Herbert Simon)等多位权威研究人员出席了在达特茅斯举行的有关机器智能的会议。人工智能研究的第一阶段至少在于形式逻辑中探求解决问题的通用方法上取得了成就。为了证明公式的逻辑上的普遍适用性,设计了一种机械的处理方法。这种处理方法可以被计算机程序执行,也将自动定理证明引入了计算机科学。

  在实践中论证一个逻辑推论的普遍适用性可能会非常复杂。因此,1965年鲁滨逊(J.A.Robinson)提出了所谓的归结方法,借此能够推导出逻辑驳议过程的证明。③人们从对立的猜测(否定),即逻辑推论不具有普遍适用性开始;接着证明这一假设的所有可能的应用实例都将导致自相矛盾的结果。否定之否定和逻辑推论的否定是普遍有效的。鲁滨逊的归结方法使用了逻辑化简法,据此人们可以将所有逻辑公式转换成合取范式。在命题逻辑中一个合取范式由可以否定的和不可否定的命题变量(字符串)组成,这些变量由合取(∧)和析取(∨)符号连接起来。一个常规公式的组成元素被称为子句。

  对于谓词逻辑的公式来说,也有一个通用的归结过程,以便再次从一个公式的一般无效假设推导出矛盾。为此,一个谓词逻辑的公式必须被变换为一个常规形式,从它的子句中可以机械地推断出矛盾。但是,因为在谓词逻辑中(不同于命题逻辑)一般不能判断一个公式的普遍适用性,所以,有可能发生归结过程无法结束的情况。计算机程序就这样无限制地运行下去。因此,重要的是找到一些子类,其中的过程不仅有效而且能够结束。机器智能提高并加速决定过程的效率,但机器智能像人类智能一样受制于逻辑决定性的原则界限。

  在逻辑学和数学中,公式(也是字符串)是一步步被推导出来的,直到完成一个命题的论证。计算机程序的运行归根结底就像论证。程序根据确定的规则一步步推导出字符串,直到找到一个解决问题答案的形式表达。类似地,我们想象流水线上某个工件的组装过程,相应的计算机程序规定了预设的零件如何一步步地根据规则组装成这个工件。一个顾客想从一个计算机科学研究者那里得到一个能解决这样问题的程序,在一个非常复杂又不清晰的生产过程中,顾客一定想先得到这个程序能正确运行的证据。可能发生的错误是危险的,也可能带来巨大的额外费用。计算机科学研究者依据一种软件,这种软件可以自动从问题的形式特征中提取出证据。就像被投入到“数据挖掘”中寻找数据或者数据相关性的软件一样,相应的软件也被投入到证据的自动寻找中。

  这就产生了一个问题,软件自动提取证据是否可靠。在一个准确地预先确定的框架内,能够对以此为基础的软件进行可靠性论证,顾客就能确定这个计算机程序是否能够正确工作以解决问题。这种“自动证明”不仅对现代软件技术有巨大的影响,④还导致了深刻的哲学问题,即数学的思维可以被自动化到什么程度。⑤但是,这种软件的正确性论证却是由一个数学家进行的。如果我们想要使这种证明自动化,一个基本的认识论的问题就产生了:这是否将我们引入一个回归,它的终点是人类(必须是人类)?

  三、从一般问题解决器到专家系统

  人工智能研究的第一阶段大约在20世纪50年代中期到60年代中期,仍被欣快的期待所刺激着。⑥人们应用计算机来设计通用问题解决方法,但是实践的结果令人非常失望。大约在20世纪70年代中期到80年代中期,以知识为基础的专家系统进入人们视野,这是人工智能的第一次实际应用。有限而明确的人类专家的专业知识,比如工程和医学等领域的专业知识被写进专家系统,应用到日常生活领域。⑦

  以知识为基础的专家系统作为一种人工智能程序,储存相关领域的知识并根据这些知识自动进行推理,以便找出正确答案或者提供某些情形下的诊断。⑧专家系统与人类专家的不同之处在于,专家系统的知识被限制在专门的信息基础里,没有结构化的、关于世界的常识性知识。要建造一个专家系统,必须首先将专家的知识用规则表达出来,然后翻译成程序语言,并用问题解决策略进行处理。

查看余下全文
(责任编辑:李秀伟)
更多学术内容,请关注 www.cssn.cn
';?> ';?>