彭雪

摘 要：隨著人工智能的不斷發(fā)展，人工智能研究路徑由傳統(tǒng)以思維為導(dǎo)向的邏輯推理路徑到以大數(shù)據(jù)為驅(qū)動的機器學(xué)習(xí)的研究路徑的轉(zhuǎn)變。本文以IBM深藍及沃森與Google阿爾法三代對比為切入口，通過對大數(shù)據(jù)工程式的累積哲學(xué)反思邏輯推理?；谶壿嬐评碓谌斯ぶ悄馨l(fā)展的歷史，結(jié)合以處理信息不完全的非單調(diào)邏輯推理，力致在傳統(tǒng)路徑與現(xiàn)代路徑保持必要張力，以促進人工智能深入的發(fā)展。

關(guān)鍵詞：人工智能;大數(shù)據(jù);邏輯推理;反思

中圖分類號：F24 ? ? 文獻標識碼：A ? ? ?doi：10.19311/j.cnki.1672-3198.2021.20.039

以數(shù)據(jù)為驅(qū)動的人工智能，只能在不斷的海量的數(shù)據(jù)中訓(xùn)練和學(xué)習(xí)，在根據(jù)已有的規(guī)則和模式下，完成某個專業(yè)領(lǐng)域任務(wù)，雖然具有強大的計算能力和快速的搜索能力，計算出來的事物甚至超過人類的完美度，但是很難知識遷移，缺乏自我學(xué)習(xí)能力，因此向通用人工智能的前進，必須重視邏輯推理，如同人類一樣，在面對大數(shù)據(jù)時，厚積薄發(fā)，由厚讀薄，從讀薄的規(guī)則和模式出發(fā)，在演繹歸納推理中自由切換，充分發(fā)揮人類智能。

1 人工智能路徑轉(zhuǎn)變

IBM深藍沃森和Google 阿爾法三代對比，以符號主義人工智能為核心的邏輯推理。

案例：1997年IBM深藍和2011沃森以推理為核心的代表。

（1）1997年IBM的深藍。

深藍是混合決策，通過檢索數(shù)據(jù)庫的算法還有，邏輯，規(guī)劃，推理，是基于更小的數(shù)據(jù)集，將通用超級計算機處理器與象棋加速器芯片結(jié)合，在超級計算機運行的軟件執(zhí)行一部分運算，更復(fù)雜的棋步交予加速器處理，然后計算出可能的棋步和結(jié)果，超級計算機根據(jù)這些結(jié)果決定最終的棋步。就一般的國際象棋手能想到7步，但是深藍想到12步，甚至40步，IBM深藍擊敗世界象棋冠軍卡斯帕羅夫，最終比分3.5∶2.5。

（2）2011年沃森，即QA問答系統(tǒng)。

主持人問：Kathleen Kenyons excavation of city mentioned in Joshua showed the walls had been repaired 17 times.Kathleen Kenyon對這個在《圣經(jīng)約書亞記》中提到的城市的發(fā)掘表明，該城市的城墻曾被修復(fù)17次。

沃森回答：What is Jericho（耶利哥城市是什么？）

基于Kathleen，Kenyon，Kathleen Kenyon，Joshua，沃森的反饋機制：首先把第一個K和第二個K作為單獨的名詞，以及把二者作為一個復(fù)合名詞，和把Joshua作為一個名詞，向搜索引擎發(fā)出請求。發(fā)現(xiàn)第一個K和第二個K孤立存在，反饋很少，發(fā)現(xiàn)二者的組合是一個牛津大學(xué)的考古學(xué)家曾經(jīng)對耶利哥，耶路撒冷，拉吉進行過發(fā)掘，發(fā)現(xiàn)只有耶利哥在《圣經(jīng)約書亞記》出現(xiàn)過，于是回答出來正確問題。

這是一種基于邏輯推理不斷尋求答案，給出最終結(jié)果，即根據(jù)已有的知識和關(guān)系，推理機推出原本沒有的關(guān)系。這種推理方式與人類邏輯推理相似，解釋性強。

下面分析以數(shù)據(jù)驅(qū)動為核心的機器學(xué)習(xí)。

案例：人機博弈Alphaco。

第一代 Alphaco lee。

goole設(shè)計了一套五層卷積神經(jīng)網(wǎng)絡(luò)，通過大數(shù)據(jù)監(jiān)督學(xué)習(xí)，利用16萬人類選手棋局約3000萬棋譜，研究黑白棋的落子，讓兩個會下棋的神經(jīng)網(wǎng)絡(luò)自我博弈，強化學(xué)習(xí)，機器對弈產(chǎn)生數(shù)以萬計的棋局，第一代Alphaco上升為五段選手。

第二代 Alphaco master。

goole讓兩個9段機器相互博弈，最終擊敗世界排名最高的圍棋選手柯潔，比分為3∶0。

第三代 Alphaco Zero。

僅僅依靠強化學(xué)習(xí)，沒有人類數(shù)據(jù)、指導(dǎo)、專業(yè)知識，總計運行29000萬次自我對弈，相比于人類圍棋的歷史長達4000年，僅僅通過40天的學(xué)習(xí)，就擊敗了第二代Alphaco master，比分為89∶11。

目前這種依賴于大數(shù)據(jù)機器學(xué)習(xí)的應(yīng)用在現(xiàn)實生活中極其廣泛，如人臉語音識別系統(tǒng)、導(dǎo)航系統(tǒng)、特斯拉的機器自動駕駛、谷歌公司的圖像標注系統(tǒng)、醫(yī)學(xué)診斷、DNA序列測序等。

2 困境與難題：大數(shù)據(jù)的工程式累積的批判性思考

以大數(shù)據(jù)為驅(qū)動的人工智能機器學(xué)習(xí)正蓬勃發(fā)展，大數(shù)據(jù)挖掘，大規(guī)模計算，互聯(lián)網(wǎng)的發(fā)展為信息的收集帶來極大意義，但是也不得不思考，人工智能機器學(xué)習(xí)的“黑箱”，加深了“理解”與“推理”的鴻溝。

2.1 缺乏實質(zhì)理解，自我認知懷疑

人類理解世界，通過探索世界的規(guī)律，實現(xiàn)自我認知。大數(shù)據(jù)的挖掘正逐漸表明，原理、規(guī)律并不是那么重要。萬有引力規(guī)律支配世間萬物運動，在向遠處擲實心球時，如果沒有到達理想的距離，我們不會質(zhì)疑它的拋弧線距離，更多是歸于意外自己手滑，但是機器學(xué)習(xí)正在弱化我們把握世界的規(guī)律。谷歌的阿法爾對圍棋一無所知，只是從13萬場有記錄棋局中分析出6000萬步棋，基于數(shù)據(jù)之間一組復(fù)雜得難以形容的加權(quán)關(guān)系，即使阿法爾無法用人類語言描述下每一步棋的理由，但它仍然擊敗了全世界排名最高的人類棋手。深度學(xué)習(xí)的算法，比任何人類都能更好地捕捉到宇宙的復(fù)雜性、流動性;機器學(xué)習(xí)，使我們漸漸被動接受，直面我們?nèi)粘Ｉ钪须y以理解的錯綜復(fù)雜;也是我們對于理解世界和世界上發(fā)生的事情的堅持的放棄，換句話說既然他們能在不能理解實質(zhì)情況下，做得如此完美，人類產(chǎn)生了自我認知的懷疑。新工具，特別是機器學(xué)習(xí)，讓我們認識到我們周圍數(shù)據(jù)和信息的廣泛性，開始被動接納作為人類這個物種的傳統(tǒng)自我認知，我們的大腦無法像人工智能那樣準確快速地分析和預(yù)測事件，數(shù)據(jù)告訴競選網(wǎng)站應(yīng)該發(fā)布的內(nèi)容類似于瀏覽淘寶，為了獲得點擊量和購買的可能性，以買家瀏覽數(shù)據(jù)記錄作為支撐推薦給買家，也不知不覺表明，原理、歸納的重要性正在減弱，人類認識世界的意義也似乎在被邊緣化。