1.3 人工智能的研究方法及基本内容

1.3.1 人工智能的研究方法

人工智能的研究和传统的计算机程序设计在很多方面有所不同。从研究对象上看，人工智能系统是以符号表示知识，并以知识为主要研究对象，而传统的程序是以数值为研究对象，这说明了知识在人工智能中的重要性。知识是一切智能系统的基础，任何智能系统的活动过程都是一个获取知识和运用知识的过程。

由于人们对人工智能本质的不同理解和认识，形成了人工智能研究的多种不同的路径。不同的研究路径有不同的研究方法、不同的学术观点，形成了不同的研究学派。目前在人工智能界的主要研究学派有符号主义、行为主义和联结主义等学派。

1.符号主义学派

符号主义又称逻辑主义、心理学派或计算机学派，其理论基础是物理符号系统假设和有限合理性原理。著名哲学家Searle认为，我们由什么构成直接影响着我们的智能，思考仅发生在那些十分特殊的机器上，即有生命且由蛋白质构成的机器上。这一观点指出了智能的存在依赖于类似人类的生理机能。与Searle的观点相反，Newell和Simon指出了物理符号系统是类似数字计算机的机器，具备灵活处理符号数据的能力。所谓符号就是模式。任何一个模式，只要它能够和其他模式相区别，它就是一个符号。不同的英文字母就是符号。对符号进行操作就是对符号进行比较，找出哪几个符号是相同的符号，哪几个符号是不同的符号。物理符号系统的基本任务就是辨认相同的符号和区分不同的符号。

物理符号系统假设的重要性之一就是它指出了这种物理符号系统由什么构成并不重要。这一假设完全是中性的。一个智能实体能处理符号，它可以由蛋白质、半导体或其他材料构成，如人的神经系统、计算机系统等。因为计算机具有符号处理的推算能力，这种能力本身就蕴涵着演绎推理的能力，因此可以通过运行相应的程序来体现出某种基于逻辑思维的智能行为。故计算机可以看做是一种理想的物理符号系统，物理符号系统假设实际上也肯定了如下信念：计算机能够具有人的智能。

符号主义的代表性成果是Newell和Simon等人研制的“逻辑理论家”的数学定理证明程序LT。以符号主义的观点看，知识表示是人工智能的核心，认知就是处理符号，推理就是采用启发式知识及启发式搜索对问题的求解过程，而推理过程又可以用某种形式化的语言来描述。符号主义主张用逻辑的方法来建立人工智能的统一理论体系，但是其中包含“常识”问题以及不确定事物的表示和处理问题，因此，受到其他学派的批评。

尽管不是所有人都支持物理符号系统假设，大多数被称为“经典的人工智能”却是在此指导下产生的。这类方法的突出特点是将逻辑操作应用于说明性知识库中，即用说明性的语句来表达问题领域的“知识”，这些语句基于或实际上等同于一阶逻辑中的语句，采用逻辑推导可以对这种知识进行推理。当遇到实际领域中的问题时，使用该方法则要求具有问题领域的足够的知识，以对该领域的问题进行处理，这通常称为基于知识的方法。在大多数符号处理方法中，对需求行为的分析和为完成这些行为所做的工作要经过几个阶段。最高阶段是知识阶段，也就是知识层次，机器所需的知识在这里说明。接下来是符号阶段，即表示层次，其中，知识以符号组织表示，同时在此说明其操作。然后就是实现阶段，实施对符号的处理。

2.行为主义学派

行为主义又称为进化主义或控制论学派，是基于控制论和“感知-动作”型控制系统的人工智能学派，属于非符号处理方法。持有这种观点的人认为：人的智能经过了在地球上十亿年甚至是更长时间的进化，而制造出真正的机器，也必须沿着这些进化的步骤走。他们认为机器是由蛋白质还是由各种半导体构成是无关紧要的，智能行为是由所谓的“亚符号处理”（即“信号处理”）而不是“符号处理”产生的。如识别熟悉的人的面孔，对人来说易如反掌，但是对机器就很困难，最好的解释就是人类把图像或图像的各个部分作为多维信号（而不是符号）来处理的。因此，我们应该以复杂的现实世界为背景，研究简单动物如昆虫的信号处理能力并模拟和复制，沿着进化的阶梯向上进行。这一方案不仅能在短期内制造出实用的人造物，而且能为更高级的智能的建立打下坚实的基础。

行为主义方法在最低阶段采用信号的概念。在1991年Brooks提出了无需知识表示的智能和无需推理的智能。他认为智能只是在与环境的交互作用中才表示出来，不应采用集中式的模式，而是需要具有不同行为的模块与环境交互，以此来产生复杂的行为。基于行为主义的基本观点可以概括为以下几点。

①知识的形式化表达和模型化方法是人工智能的重要障碍之一。

②智能取决于感知和行动，应直接利用机器对环境作用，以环境对作用的响应为原型。

③智能行为只能体现在世界中，通过与周围环境交互而表现出来。

④人工智能可以像人类智能一样逐步进化，分阶段发展和增强。

这种基于行为的观点开辟了人类智能研究的新途径。以这些观点为基础，Brooks研制出了一种机器虫，用一些相对独立的功能单元，分别实现避让、前进、平衡等功能，组成分层异步分布式网络，取得了一定的成功，特别是为机器人的研究开创了一种新的方法。尽管有人认为机器虫在行为上的成功并不能导致高级控制行为，但是该学派的兴起，表明了控制论、系统工程的思想将进一步影响人工智能的发展。

3.联结主义学派

以网络连接为基础的联结主义是近年来研究得比较多的一种方法，也属于非符号处理方法。这种方法研究能够进行非程序的、可适应环境变化的、类似人类大脑的信息处理方法的本质和能力，是基于神经网络及网络间的联结机制和学习算法的人工智能学派。持这种观点的人认为：大脑是一切智能活动的基础，因而从大脑神经元及其联结机制出发进行研究，搞清楚大脑的结构以及它进行信息处理的过程和机理，有望揭示人类智能的奥秘，从而真正实现人类智能在机器上的模拟。

联结主义研究非程序的、适应性的、类似大脑的信息处理的本质和能力。人们也称它为神经计算。由于它近年来的迅速发展，大量的神经网络的机理、模型、算法不断地涌现出来。神经网络主体是一种开放式的神经网络环境，提供典型的、具有实用价值的神经网络模型。

该方法的主要特征主要表现在：以分布式的方式存储信息，以并行方式处理信息，具有自组织、自学习能力，适合于模拟人的形象思维，可以比较快地得到一个近似解。正是这些特点，使得神经网络为人们在利用机器加工处理信息方面提供了一个全新的方法和途径。但是这种方法不适合模拟人们的逻辑思维过程，并且人们还发现，已有的模型和算法也存在一定的问题，理论上的研究也有一定的难点，因此单靠联结机制解决人工智能的全部问题也是不现实的。但是，随着深入、广泛的研究，将会克服这些困难，对神经网络的研究将会不断发展。

联结主义的代表性成果是1943年W.S.Mc Culloch和W.Pitts提出的一种神经元的数学模型，开创了神经计算的时代，为人工智能创造了一条用电子装置模拟人脑结构和功能的新的途径。从此以后，神经网络理论和技术研究不断发展，并在图像处理、模式识别等领域产生重要突破，这些都为实现联结主义的智能模拟创造了条件。

目前，符号处理系统和神经网络模型的结合是一个重要的研究方向。以上三种研究从不同侧面研究了人的自然智能，与人脑的思维模型有着对应的关系。

1.3.2 人工智能研究的基本内容

人工智能有多种研究领域，各个研究领域的研究重点也不相同。另外，在人工智能的不同发展阶段，研究的侧重面也有区别；那些本来是研究重点的内容，一旦理论上及技术上的问题都得到了解决，就不再成为研究内容。因此，我们只能在较大的范围内讨论人工智能的基本研究内容。结合人工智能的远期目标，可以认为人工智能的基本研究内容包括以下几个方面。

1.知识表示

世界上每一个国家或民族都有自己的语言和文字，它是人们表达思想、交流信息的工具，促进了人类的文明及社会的进步。人类语言和文字是人类知识表示的最优秀、最通用的方法，但人类语言和文字的知识表示方法并不适合于计算机处理。人类智能研究的目的是要建立一个能模拟人类智能行为的系统。为达到这个目的，就必须研究人类智能行为在计算机上的表示形式，只有这样才能把知识存储到计算机中去，以解决现实问题。

知识表示就是将人类知识形式化或者模型化，它是对知识的一种描述，或者说是一组约定，一种计算机可以接受的、用于描述知识的数据结构。对于知识表示方法的研究，离不开知识的研究与认识。由于目前对人类知识的结构及机制还没有完全搞清楚，因此关于知识表示的理论及规范还没有建立起来。但是，人们在对智能系统的研究和建立过程中，还是结合具体领域提出了一些知识的表示方法。这些方法大概可以分为两大类：符号表示法和连接机制表示法。

符号表示法是用各种包含具体含义的符号，以各种不同的方式和顺序组合起来表示知识的一类方法。它主要用来表示逻辑性知识。连接机制表示法是用神经网络表示知识的一种方法。它把各种物理对象以不同的方式及顺序连接起来，并在其间相互传递及加工各种包含具体意义的信息，以此来表示相关的概念和知识。相对符号表示法而言，连接机制表示法是一种隐式的表示知识的方法。

2.机器感知

所谓机器感知就是机器（计算机）具有类似于人的感知能力，以机器视觉与机器听觉为主。机器视觉是让机器能够识别并理解文字、图像、物景等；机器听觉是让机器能识别并理解语言、声响等。例如，口语识别，它建立在自然语言理解的基础之上，包括语音分析、词法分析、语句分析等。机器视觉在机器人装配、卫星图像处理、工业过程监控、飞行器跟踪和制导，以及电视时况转播等领域获得广泛的应用。机器听觉在实用化和工程化方面取得重要的进展。

机器感知是机器获取外部信息的基本途径，是使机器具有智能不可缺少的组成部分，正如人的智能离不开感知一样，为了使机器具有感知能力，就需要为它配置上能“听”、会“看”的感觉器官，为此人工智能中已经形成了两个专门的研究领域，即模式识别与自然语言理解。

机器感知不仅是对人类感知的模拟，也是对人类感知的延伸。因为人的感知能力是有限的，例如，对声音的感知只能限于一定的声波频率范围。在这一点上，人的感觉灵敏度亚于昆虫等，计算机一旦实现感知能力，其能力则必将超过人类自身。

3.机器思维

所谓机器思维是指对通过感知得来的外部信息及机器内部的各种工作信息进行有目的的处理。正像人的智能是来自大脑的思维活动一样，机器智能也主要是通过机器思维来实现。因此，机器思维是人工智能研究中最重要、最关键的部分。它使机器能模拟人类的思维活动，可以像人那样进行逻辑思维，也可以进行形象思维。

机器思维有如下特点：

①包含意义不明确或不确定信息的各种复杂情况的集成。

②主动获取必要的信息和知识，通过归纳学习规范化知识。

③系统本身能适应用户和环境的变化。

④根据处理对象系统进行自组织。

⑤容错处理能力。

4.机器学习

人类具有获取新知识、学习新技能，并在实践中不断完善、改进的能力，机器学习就是使计算机具有这种能力。人们可以把有关知识归纳、整理在一起，并用计算机可接受、可处理的方式输入计算机中，使计算机具有知识。显然，这种方法不能及时地更新知识，特别是不能适应环境的变化。为了使计算机能有智能，必须使计算机像人类那样，具有获得新知识、学习新技能，并在实践中不断完善、改进的能力，最终实现自我完善。

目前，机器学习的研究处于初级阶段。只有机器学习的研究取得进展，人工智能和知识工程才会取得重大突破。目前机器学习领域的研究工作主要围绕以下几个方面进行。

①面向任务的研究：研究和分析改进一组预定任务执行性能的学习系统。

②认知模型：研究人类学习过程并进行计算机模拟。

③理论分析：从理论上探索各种可能的学习方法和独立于应用领域的算法。

按学习方法分类，机器学习一般可以分为机械学习、指导学习、解释学习、类比学习、发现学习等。这些学习方法都属于所谓的符号学习。除符号学习外，还有连接学习。这就是说，按现实途径分类，机器学习又可分成符号学习和连接学习。当然，这两种途径各有优缺点，因此，将两者结合，使其互补是当前机器学习的一个发展方向。

今后机器学习的研究重点是研究学习过程的认知模型、机器学习的计算理论、新的学习算法、综合多种学习方法的机器学习系统等。

5.机器行为

与人的行为能力相对应，机器行为主要是指计算机的表达能力，即“说”、“写”、“画”等能力。对于智能机器人，它还应该具有人的四肢能力，即能走路、取物、能操作等。

感知能力可以使机器人认识对象和环境，但解决问题还要依靠规划功能拟订行动计划步骤和动作序列。例如，给定工作装配任务，机器人按照什么步骤去操作完成？在杂乱的环境下，机器人如何寻求避免与障碍碰撞的路径，去接近某个目标？机器人规划系统的基本任务是：在一个特定的工作区域中自动地生成从初始步骤到结束步骤的动作序列、运动过程等控制程序。例如，自然语言生成，用计算机等模拟人说话的行为；机器人行为规划，模拟人的动作行为；倒立摆智能控制，模拟杂技演员的平衡控制行为；机器人的协调控制，模拟人的运动协调控制行为；工业窑炉的智能模糊控制，模拟窑炉工人的生产控制操作行为；轧钢机的神经网络控制，模拟操作工人对轧钢机的控制行为等。

除此以外，为了实现人工智能的近期目标及远期目标，还要建立智能系统及智能机器，开展对模型、系统分析与构造技术、建造工具及语言等的研究。