淺嘗人工智能

商政淳

摘 要：人工智能是繼互聯(lián)網(wǎng)革命之后的又一次人類文明重大進步，將極大的改變?nèi)藗兩畹母鱾€方面，本文嘗試對人工智能科學和技術做一個深入淺出全貌梳理，以加深對其本質(zhì)的認識。

關鍵詞：人工智能；數(shù)理邏輯；機器學習

一、引子

人工智能在科學上不是一個生疏的名詞，由于近期阿爾法圍棋機器人在與人類頂級職業(yè)棋手的對決賽事上，戰(zhàn)績斐然，從而再次喚起了公眾對人工智能的高漲熱情。不僅如此，考試答題、新聞寫作、無人駕駛汽車、人臉識別等等，人工智能涉足眾多領域，發(fā)展前景令人期待。人工智能究竟是什么？這是一個廣闊且深邃的話題，這里嘗試著做一個簡明的闡述。概括地講：人工智能的目標是實現(xiàn)計算機像人類一樣思考和行動。

二、從計算談起

人類一直夢想把自己的思維數(shù)學化，即實現(xiàn)思維過程可計算，這是早期人工智能萌芽。計算分為：“運算”和“推理”，人工智能借助于后者。從自然語言中提煉知識，主要包括概念和推理。當然不是所有的自然語言都能用來思考，選擇能夠判斷非真即假的陳述句作為基本概念的描述，例如：“雪是白的”、“1+1=2”，叫做“命題”。大量陳述句可以被繼續(xù)分解為兩個部分，例如：“張三是學生”（主體身份）、“張三和李四是兄弟”（主體間關系），叫做“謂詞”。最終用非、和、或等進行組合搭配，形成接近現(xiàn)實社會的復雜概念。

概念之間存在從前提到結(jié)論的因果關系，語言實踐總結(jié)出三類推理關系。

（1）必要不充分：“地面潮濕（前提），下雨了（結(jié)論）”；

（2）充分不必要：“如果天不下雨（前提），我就去（結(jié)論）”；

（3）充分且必要：“觸犯刑律，當依刑法論處（互為前提和結(jié)論）”。

提取充分不必要為推理形式，即前提為真，結(jié)論必為真。

在直觀、不嚴謹、非形式化的基礎上，完成重要升華——數(shù)學化，主要包括形式化和公理化。

所謂形式化就是用符號替代自然語言。例如： P替代陳述句； P（x）替代謂詞，其中P代表屬性和關系，x代表主體；┐、∧、∨替代非、和、或；→替代推理等等。所謂公理化就是從最少的幾條公理出發(fā)，使用規(guī)則，進而得出所有結(jié)論。即用最少的符號、規(guī)則、公理、推理表達完整體系。至此就初步建立了一套數(shù)理邏輯的系統(tǒng)方法，模擬人腦的思考過程。

專家系統(tǒng)就是以數(shù)理邏輯為基礎開發(fā)的早期人工智能典型產(chǎn)品，它只需給出初始和約束條件，根據(jù)規(guī)則，就可以由計算機自動演繹得出結(jié)果。這個階段的人工智能非常初級，完全是以人的先驗知識為化身，沒有學習能力，理論上也存在重大缺陷，根據(jù)哥德爾不完全定理，存在既不能證明為真，也不能證明為假的命題。一句話，存在數(shù)理邏輯人工智能范疇無法求解的問題。

三、知識從哪里來

早期人工智能還存在一大問題，知識系統(tǒng)的開發(fā)需要領域?qū)＜液腿斯ぶ悄軐＜乙煌槿耄@給大規(guī)模應用普及帶來極大障礙，如何實現(xiàn)計算機自我學習——機器學習，成為下一代人工智能的迫切任務。

機器學習目標是研究知識的形成，參照人類經(jīng)驗：海量外部感知+人腦思考=知識，由此假想出機器學習技術組成是：輸入訓練數(shù)據(jù)+學習算法=輸出知識模型，學習算法是核心。

人類存在兩種主要學習方式：對已有知識的學習（監(jiān)督、半監(jiān)督學習）和自我學習（無監(jiān)督學習）。

（一）監(jiān)督學習

監(jiān)督學習是有參照學習。例如：西瓜包括色澤、根蒂、敲聲、重量、產(chǎn)地等一系列“特征”，每個特征又包括一系列“值”，如色澤：青綠、烏黑、淺白……；根蒂：卷縮、稍卷、硬挺……；敲聲：濁響、沉悶、清脆……；產(chǎn)地：南方瓜、本地瓜、北方瓜……。每個西瓜都有一組數(shù)據(jù)，一堆西瓜構(gòu)成一組輸入訓練數(shù)據(jù)。參照標準可以是簡單的“好瓜”、“壞瓜”，也可以是復雜的“沙瓤瓜”、“水瓤瓜”……。依據(jù)參照標準進行分類（算法），當很多組訓練數(shù)據(jù)反復訓練之后，就得到一個選擇西瓜的“模型”。

（二）無監(jiān)督學習

無監(jiān)督學習是無參照學習。例如：一堆西瓜，分別測量每個西瓜的指標，如“密度”、“含糖率”、…，反復對比西瓜之間的數(shù)據(jù)，最后將相似度高的放在一類。

（三）人工神經(jīng)元網(wǎng)絡

為了深度模擬人類思考，機器學習人工智能干脆直接移植了人腦神經(jīng)元網(wǎng)絡機制，也稱“深度學習”。神經(jīng)元由細胞體和細胞突組成，細胞突又分為樹突和軸突，樹突接收外來刺激（多個），軸突發(fā)出刺激（一個），無數(shù)神經(jīng)元相互對接，連接成神經(jīng)元網(wǎng)絡。參照建立人工神經(jīng)元網(wǎng)絡模型：用突觸（可賦權值的多路輸入）替代樹突；用替加法器代細胞體；用激活函數(shù)替代軸突。由于“模型”先定，訓練數(shù)據(jù)是逆向傳播（輸出到輸入），核心算法是“加權取合”，最后正向求解（輸入到輸出）。例如：選西瓜從神經(jīng)元網(wǎng)絡的輸出端反向訓練，每個西瓜都在多路輸入上留下“權值”：青綠（色澤）、卷縮（根蒂）、濁響（敲聲）……反復訓練數(shù)據(jù)后得到具體問題的神經(jīng)元網(wǎng)絡。

四、實踐出真知

神經(jīng)元網(wǎng)絡幾乎涵蓋了所有震撼應用！激發(fā)了對人類原始智能進化的空前興趣，探索低級智能機制——行為人工智能，成為人工智能研究的又一大亮點。

遺傳算法是行為人工智能的典型代表。與人工神經(jīng)元網(wǎng)絡一樣，行為人工智能直接移植了自然生物進化機制。

自然生物進化的機理是：物競天擇。種群中優(yōu)質(zhì)個體有機會勝出是“物競”，實際勝出則是“天擇”。

參照建立人工遺傳算法機制：確定初始種群；適應度計算替代物競；選擇、交叉和變異替代天擇。

人工遺傳算法的步驟是：計算出種群中所有個體接近未來目標的系數(shù)（適應度計算）；用概率選出優(yōu)秀個體（選擇）；個體間大概率成對交叉復制重組（交叉）；個體內(nèi)小概率突變（變異）；在沒有外界干預下反復迭代完成進化。

五、智慧之光伸向遠方

數(shù)理邏輯、機器學習、行為智能是三個發(fā)展階段，是從高、中、低三個層次模擬人類智能，也是一個整體。數(shù)理邏輯是自上而下的方法，把先驗知識存儲在“黑箱”中，不必知道黑箱內(nèi)部構(gòu)造。優(yōu)點是：用接近人類自然語言的形式表達知識和推理。不足是：應用繁雜，無法普及，沒有學習能力。

機器學習是自下而上的方法，設計“黑箱”內(nèi)部結(jié)構(gòu)，基于部分先驗知識，自我訓練。優(yōu)點是：應用簡潔，效率突出，具備學習能力。不足是：知識表達隱含晦澀。行為智能也是自下而上的方法，借鑒人類智慧歷經(jīng)漫長實踐進化而來的事實，模擬身體的運作機制，物競天擇。優(yōu)點是：擅長解決適應性、行為反應等問題。不足是：無法解決高級智能問題。

總之，人工智能無論在理論和實踐上還都相當初級，只是借助計算機技術的鼎力相助，使原始的人工智能得以在應用中大放異彩，人工智能的未來充滿坎坷，但無限美好。