人工智能領域大事記

本文試着給出一個适當視角，來看待人工智能（AI），回顧我們所做的工作和取得的成就。我們列出了半個世紀以來在人工智能領域的成就，并讨論了最近IBM的沃森-危險邊緣挑戰賽。我們也權衡了從未達到過人類級别的人工智能的前景。

首先

，我們回顧了搜尋、知識表示和學習在人工智能系統建設中的重要性，并給出了示例，說明合适的知識表示有助于解決問題。

其次

，我們介紹了在神話和文學中反複出現的一個主題——創造生命或智能體的嘗試總會遇到可怕的後果。也許，我們應該向人工智能界提出一些警告。

​

本文說明了計算機科學中無法求解的問題的概念，即不存在求解算法的問題。

我們自問是否能夠創造人類級别的人工智能，就是這樣的問題。

接着，我們回顧了半個世紀以來在人工智能領域的成就。

然後，我們讨論了IBM的沃森系統。

2011年3月，在一場觀衆衆多的電視比賽中，IBM計算機擊敗了危險邊緣挑戰賽中的兩位常勝Jeopardy冠軍。

最後，我們回顧了關于創造生命的若幹理論，并解釋了智能和意識。

人工智能概述

之前我們開始了人工智能旅程。當時我們說，如果你想設計智能軟體，那這個軟體就需要具備以下特點。

（1）搜尋能力。

（2）知識表示的語言。

（3）學習的能力。

在早期的工作中，這就已經顯而易見，盲目的搜尋算法（即沒有領域知識），如廣度優先搜尋和深度優先搜尋的算法，無法有效、成功地越過它們所面臨的大規模搜尋空間這個障礙。

如本書中所述，

一 條有用的指導原則是

，如果你想設計用于執行某項任務的系統，請先檢視自然中是否已經存在類似的系統。

如果現在是1902年，而你想設計一個“飛行機器”，那麼你的注意力應該集中在鳥類上。1903年，萊特兄弟成功地制造了飛機。飛機的機身相對較薄，并且有兩個突出的大飛翼，這一點都不奇怪。（見圖1.1）

​圖1.1

盲目搜尋算法不具備所必需的功能來應對人工智能領域出現的大規模的搜尋問題。

但是，人類是專家級别的“問題求解機器”。紐厄爾和西蒙認識到了這一特點，研究了在問題求解過程中被要求“說出自己思想”的人類。

1957年，這項研究最終導緻了一般問題求解器（GPS）的發明。一般問題求解器具有從人類學科中提取出來的啟發式，成功解決了以下問題：水壺問題、傳教士和食人族問題以及康尼斯堡橋問題等。

1736年，萊昂哈德·歐拉寫了關于圖論的第一篇論文，給出這樣的結論：當且僅當圖17.3所示的橋包含了一個環，且這個環包含了所有的邊和頂點時，圖17.2所示的橋才可以如所描述的那樣周遊。Euler得出結論，當且僅當每個頂點的度是偶數時，這個圖才包含這樣一個環（現在稱為“歐拉環”）。

顯然，問題的表示對于有效地發現解有着巨大的影響。上述指導原則帶領我們得到了兩種學習範式。

人腦（和神經系統）是自然學習系統中最引人注目的例子。

第二個範式是進化，這也許不是那麼明顯。達爾文描述了植物和動物物種如何适應環境得以生存。在此處，是物種本身而不是個體在學習。第12章概述了兩種進化學習方法—遺傳算法和遺傳規劃。在從排程到優化的問題求解領域中，這兩種方法都獲得了成功。

普羅米修斯歸來

在希臘神話中，普羅米修斯是個神，他從天庭中偷取火種，并把火種帶到了人間。有些記述也賦予了他将人類從黏土中造出來的重任。在文學中，以無生命的材料創造生命的主題是普遍存在的。也許最令人毛骨悚然的描述出現在《Frankenstein》一書或瑪麗·雪萊的小說《The Modern Prometheus》中。

毫無疑問，

讀者熟悉這個科學家創造生命然後對自己的創造物感到驚恐的故事。

1931年，由詹姆斯·惠爾執導的電影中，鮑裡斯·卡洛夫扮演了怪物的角色。

Shelly小說的第一版出版于1818年，當時工業革命正如火如荼地進行着。人類利用蒸汽動力在制造業和紡織業領域進行了翻天覆地的改革。電報的發明使遠距離通信實際上變成了即時通信。

許多人認為這場革命的後遺症并不完全是有益的。我們對蒸汽和煤電，然後是石油，以及最近的核能的依賴，已經嚴重污染了星球、水體，還有空氣。還有人認為，工業革命促進了堕落的物質主義。

文學評論家則非常深刻地指出，《弗蘭肯斯坦》的道德是，社會必須警惕其試圖掌控大自然的嘗試。随着在整個21世紀，人們對智能知識的掌控持續增強，這也許需要不斷向人工智能界強調這個警告。

其中一個作者（S. L.）在其童年時期看過這部電影：但是到了今天，他睡覺時仍然開着燈。

計算機科學是一門涉及資訊和計算的科學領域。其重點是問題的算法解。20世紀讓這個新生學科謙虛謹慎。由于人們發現了問題可解性的基本限制，是以這個學科就愈加謹慎起來。

也就是說，可能存在一些問題，這些問題不存在算法解。著名的問題就是所謂的“停機問題”。

給定任意流程P，運作任意資料w，P（w）會暫停嗎？例如，四色問題也許是圖論中著名的開放性問題。它的命題是“對地圖進行着色，四種顔色是否足以使兩個相鄰區域的顔色不一樣？”1976年，阿佩爾和哈肯對這個問題做出了肯定的回答。

對于這個問題，計算機程式求解了幾百個小時。如果運作這個程式的作業系統可以預測該程式最終會停止，那麼這将大有裨益。停止問題告訴人們，這種先驗知識并不總是可能的。

本書早些時候提到了阿蘭·圖靈。1936年，他正在研究什麼樣的函數是可計算的這個問題。例如，加法是一個可計算的函數，也就是說，可以給出一個逐漸的過程，這樣如果将整數X和Y作為輸入，那麼在有限的計算步驟之後，可以獲得它們的和X + Y。

他提供了一個現在稱為圖靈機的計算模型（見圖1.2）。圖靈機由如下三部分組成。

（1）輸入/輸出錄音帶，在輸入/輸出錄音帶寫上輸入問題；同時在錄音帶上也寫入了結果。存在各種圖靈機模型；圖1.2所示的是一種雙向無界錄音帶的模型。錄音帶被分成了單元格，并且在每個單元格中都可以寫入一個符号。錄音帶上的每個單元格預先加載了空白符号（B）。

（2）一種包含算法（即求解問題的分步過程）的有限控制。

（3）讀/寫頭，這可以讀取錄音帶上的符号，并将符号寫入此錄音帶。它可以向左或向右移動。

​圖1.2  圖靈機

Turling讨論了通用圖靈機的概念—這種圖靈機能夠運作其他圖靈機的程式，即能夠模拟“普通”圖靈機的行為。Turling證明，對于任意的圖靈機（T），任意輸入（w），即T（w），不可能确定圖靈機（T）是否會停止。這就是所謂的圖靈機停機問題。

這個問題更一般的版本（即停機問題），不能被證明是不可判定的。人們不假思索地接受了，圖靈-邱奇論文給出的這個觀點。這篇論文中提到，圖靈機與數字計算機的計算能力相當，結果就是，大多數計算機科學家認為，在圖靈機上無法解決的問題在算法上也是無法解決的。

是以，計算有根本的限制。

作為計算機科學的子學科，人工智能也具有這些基本的限制。人們想知道的是，人類級别人工智能的創造是否也有這些限制。

人工智能的成果

我們回到創造人類級别人工智能的可行性。現在，我們簡要介紹之前所描述的人工智能的成

就。

搜尋方面

視訊遊戲設計中已納入了A*，這使遊戲變得更加真實。

Mapquest、Google和Yahoo地圖使用啟發式搜尋。許多GPS和智能手機應用程式都內建了這種技術。

用Hopfield網絡和進化方法找到難題，有時甚至是NP完全問題（如TSP）的近似解。

博弈方面

Minimax評估使計算機可以玩比較簡單的遊戲，如tic-tac-toe和nim。

由啟發式和其他機器學習工具輔助，通過alpha-beta修剪的Minimax評估使得計算機可以玩錦标賽級别的跳棋和國際象棋（Deeper Blue擊敗世界國際象棋冠軍Garry Kasparov）。

錦标賽級别的奧賽羅程式（Logistello，1997），以及西洋雙陸棋（TD-Gammon，1992）、橋牌（Jack和WBridge 5，2000s）和撲克中的“精通玩家”。

模糊邏輯方面

手持式錄影機自動補償虛假的手部移動。

汽車牽引力控制裝置。

數位相機、洗衣機和其他家用電器的控制裝置。

專家系統方面

具有内置推理和解釋性裝置的知識密集型軟體或所謂的專家系統（ES），可幫助消費者選擇合适的車型、浏覽線上網站、進行購物等。

ES還可用于分析、控制、診斷（患者有哪些疾病？）、指導和預測（我們應該在哪裡挖石油？）。

ES用于多個領域，如藥物、化學分析和計算機配置。

隻要ES系統用于幫助而不是取代人類，将ES作為人工智能領域最大的成就之一就不會引起争議。

神經網絡方面

雷克薩斯汽車有倒車攝像頭、聲納裝置和神經網絡。采用這些技術，汽車可以自動并行停放。

當車輛太靠近其他車輛或物體時，梅賽德斯汽車以及其他汽車有自動停止控制。

Google汽車幾乎完全自主，但是它自動駕駛時，車内必須有人。

光學字元讀取器自動路由大量郵件。

自動語音識别系統得到廣泛的應用。軟體智能體例行公事地幫助我們浏覽信用卡和銀行交易。

在機場，當檢測到在“禁飛”名單中的人時，軟體會提供自動安全警報。

神經網絡協助醫學診斷和經濟預測。

進化方法方面

電信衛星的軌道排程，防止通信漸隐消失。

優化天線和超大規模內建（VLSI）電路設計的軟體。

資料挖掘軟體使資料對公司更有價值。

自然語言處理（NLP）方面

會話智能體為個人提供旅遊資訊，并協助預約酒店等。

GPS系統通常向使用者發出語音指令，例如“在下一個路口，左轉”。一些智能手機具有應用程式，允許人們說出請求：“最近的能制作卡布奇諾的咖啡店在哪裡？”

Web請求允許跨語言進行資訊檢索，并在需要時進行語言翻譯。

互動式智能體向正在學習閱讀的兒童提供口頭協助。

 具有神經網絡、自然語言處理（見第13章）、語音了解和規劃的機器學習應用程式，在機器人技術方面取得了顯著的進步。

總體來說，對于一個開始其第二個50年發展的計算機科學子學科，來說這是一個不太糟的成績。

應用之窗

1998年，斯坦福大學研究所學生拉裡·佩奇和謝爾蓋·布林創立了Google。Google最初是一個名為BackRub的搜尋引擎，這個搜尋引擎使用連結來評價網頁的重要性。

Google搜尋引擎是對“googol”這個詞的戲稱，但是獲得了巨大的成功，并迅速成為地球上強大、知名和主流的搜尋引擎。多年來，Google還開發了同樣成功的電子郵件系統“Gmail”和大受歡迎的公共視訊系統“YouTube”。 Google還開發了一款無人駕駛汽車。

​​Google無人駕駛汽車的工程師之一是德米特裡·多爾戈夫，這個項目的負責人是塞巴斯蒂安·特倫博士。Thrun是斯坦福大學人工智能實驗室的前任主管，并且是Google街景視圖的共同發明人。

Google汽車已經測試了好幾年，并且在未來的幾年裡，仍将繼續以實驗的形式呈現。雖然無人駕駛汽車看起來離大規模生産還需要幾年的時間，但是技術人員認為，在不久的将來，它們将像手機和GPS系統一樣受人歡迎。

Google認為這項技術可能多年無法盈利，但是在其他無人駕駛汽車制造商的資訊和導航服務的可能銷售中，Google可以預見到巨額利潤。

Google汽車使用人工智能技術，如雷射點标記感測附近任何事物的痕迹（如在地上的标記和标志），做出人類駕駛員應該做出的決定，如轉向以避免障礙或看到行人時停車。

根據法律規定，為了防止出現問題，方向盤後必須有人，還需要技術人員監控導航系統

，確定測試安全、不會發生事故。對于不同的駕駛員，你可以選擇不同的駕駛個性，如“小心駕駛”“防守駕駛”和“積極駕駛”。

機器人的反應通常比人類快。基于感受器和裝置，機器人能夠全面感覺。它也不會分心，也不會有通常會導緻事故的其他因素，如疲勞、藥物和粗心。工程師的目标是使這些無人駕駛汽車比人類更可靠。人為錯誤是造成許多事故的原因。

此外，這些無人駕駛汽車使用的軟體必須經過仔細測試，必須沒有病毒和惡意軟體。其他關注點是燃油效率和空間效率——也就是說，理論上，無人駕駛汽車是不會發生事故的，是以汽車可能會“擁擠”在道路上。

一些Google無人駕駛汽車已經有了1600多千米的行駛記錄，而且沒有任何事故或人為幹預。這些車輛經過少量的人為修正，也具有了十萬多千米的行駛記錄。

Google無人駕駛汽車的一個測試是在舊金山附近的校園外開始的。它在約182米的範圍内使用了各種傳感器，并遵循編入汽車的全球定位衛星系統或GPS的路線。這輛車在加利福尼亞州的規定速度下，以每小時約105千米的速度行駛。

就像人類一樣，在轉彎時，汽車變慢了，接下來加速了一點點。位于汽車頂部的裝置提供了詳細的環境及其周圍情況的映射版本，是以它知道需要采用哪些路、哪些路要避開、哪些路是死路。

它能夠在忙碌的高速公路上行駛幾英裡，并且可以無事故地離開高速公路。它也可以開車穿行，停在紅燈和停止标志處，能夠與行人互動。如果有人類出現，它會等待他們移動。它有一個語音系統，向車上的人或駕駛員宣布其動作。

當人工智能系統檢測到傳感器存在問題時，也會提醒駕駛員。

它也可以防止事故，使用檢測系統來指出發生了什麼。駕駛員也可以通過按下右手附近的紅色按鈕、觸摸制動器或轉動方向盤來重新獲得對汽車的控制。

當汽車無人駕駛，系統自動控制時，這稱為巡航模式，此時，汽車裡的人可以放開方向盤。實際上，它成了一種公共交通工具，無費用，不擁擠，不會東張西望且不會有其他因素（這些因素會令普通汽車司機感到分心）。

不過，這仍存在一些法律問題

，例如，如果發生意外，誰将為之負責。所有允許無人駕駛汽車測試的州，在無人駕駛汽車時會發生事故的情況方面都沒有制定相關的法律。Google發現，隻要無人駕駛汽車的車輛内有人，這個人可以掌控任何可能發生的錯誤，那麼駕駛無人汽車就是合法的。

Google汽車将減少對私家汽車的需求，進而減少交通流量，使得人們有了更多可用的土地，無須更廣泛地鋪設道路。

最近，Google一直在建構具有正常控制标準的實驗性電動汽車，其除了啟動和停止車輛之外，不需要駕駛員控制。人們可通過智能手機應用程式指令汽車自動驅動，到達需要它的人們的所在地，并将人帶到目的地。

這輛汽車還發明了一個功能，就是所謂的交通堵塞輔助功能，這允許無人駕駛汽車在行駛過程中跟随另一輛車。

Google對無人駕駛汽車的計劃是，擁有至少100台電力驅動的新型原型車。Google的團隊将限定它們以約40千米/小時的速度在市區和郊區行駛。測試将由Google人員進行，這将有助于在狹小封閉的地區進行測試。很自然，這需要一段時間來說服監管機構，讓他們接受人們使用無人駕駛汽車是安全的。

21世紀的人工智能

回到先前讨論中提出的懸而未決的問題：人類級别人工智能的創造是否會超出人工智能的基本界限？我們先來思考一下人類智力的起源，然後再思考一下生命本身的起源。

英國著名科學家理查德·道金斯解決了後一個問題，他在達爾文的進化論中找到了見解。當然，40億年前，地球上沒有動物或植物——隻是基本原子的“原始湯”。

Dawkins認為，達爾文的理論可以推廣到“穩定者生存”，

換句話說，穩定的原子（和分子）更有可能在這個古老的地球上生存下去。

他進一步推測，在早期的曆史上，這個星球擁有豐富的水、二氧化碳、甲烷和氨，是以可能形成氨基酸（作為蛋白質的組成成分的複合分子）。

蛋白質是已知生命的前驅體。Dawkins設想，在這個星球漫長的生命之路上，下一步是所謂的“複制因子”的意外創造。這個複制因子具有一個顯著的性質—能夠忠實地複制自己。他認為，在這個原始環境中，能夠快速準确地複制自己的複制因子是穩定的。

複制（或繁殖）過程本身需要有穩定的基本“原材料”的供給。毫無疑問，不同的複制因子不斷競争，以獲得充分的水、二氧化碳、甲烷和氨的供給。這一進化過程持續了40億年。Dawkins認為，經曆了這個漫長的進化回合，在當今栖息在這個星球上的動植物中，我們可以找到繼承者—這就是基因。

關于這個星球上可能的生命起源，Dawkins通過解釋這些基因如何努力確定生存來繼續其非凡的論述。在過去大約6億年的時間裡，它們的行為非常像虛構的精靈。

它們一直在塑造人類的眼睛、耳朵、肺等，生命之舟（即身體）也就從這些器官中建構而來。在這一論述中，動物的身體和植物好像隻是保護所有重要基因生存的保護性隔斷。最近，随着深入（SL）閱讀Dawkins的作品，我的思緒回到了“星球大戰”系列電影中的一個場景。

在這個場景中，敵方部隊将士兵置于裝有巨腿的機器人戰鬥機器中，這形成了士兵的保護殼。即使我們接受了Dawkins的理論，但還是有一個問題—“人類意識的起源在哪裡？”

Dawkins可能會認為那些擁有意識的動物（再次通過自然選擇産生的）将具有優勢，是以可以實作相對的穩定性，進而確定生存。

傑拉德·埃德爾曼是一名生物學家，曾獲得了諾貝爾獎。

他提出了一種意識生物學理論，這個理論也建立在達爾文主義的基礎上。

他認為意識和心靈純粹是生理現象。神經元組自組織成許多複雜和适應性強的子產品。

Edelman認為，腦具有功能可塑性，也就是說，由于人類基因組沒有足夠的編碼能力來完全指定腦結構，是以大量的腦組織是自我定向的。

在實體學中，統一場理論應該是關于一切事物的理論，這個理論試圖将自然界中發生的各種力統一起來，例如重力、電磁力、強力和弱力。

Marvin Minsky在《Society of Mind》中解決了一個更為廣泛的問題。他問：“大腦是如何組織的？”“認知是如何發生的？”正如Dawkins告訴我們的，人類的大腦是曆經數億年演變而來的。統一場理論無法簡單直白地解釋人類頭骨内複雜器官的功能。

建構一種智慧好比組建一支沒有指揮者的管弦樂隊。其中，樂器就是智能體，它們不是在播放音樂，而是在解釋世界。一些智能體有助于了解語言，另一些智能體可以解釋視覺場景，還有一些智能體為人類提供了常識。

除非智能體之間能進行有效的通信，否則這一切毫無意義。Minsky假設，在任何時間點，個人的心理狀态可以解釋為一種功能，這個功能中的智能體子集是活躍的。也許人工智能還是太過年輕的一個領域，還沒有準備好提出一個像Minsky這樣的智能“統一場理論”。

但是，當人工智能成熟的時候，Minsky的《Society of Mind》可能會在其中發揮突出的作用。

2015年，在生物和化學層面上，人們完全了解了個體神經元的功能。在人類的知識中，依然存在的不足是，一群神經元如何處理感覺資料、編碼經驗、了解語言，以及在更一般意義上如何促進認知、啟動意識。目前的研究使用X射線和其他掃描技術，在功能子產品層面獲得對大腦的了解。Kurzweil預測，到21世紀中葉，我們将對人類大腦有一個完整的、體系架構般的了解。

此外，他推測，計算機元件的小型化将會提升到一個新階段，到那時，使用硬體來完全實作大腦是可行的——這種實作可能需要數十億個人工神經元和數萬億甚至數十億個神經元的連接配接。也許在那時，我們将有足夠的力量來實作人類層次的人工智能。

對我們而言，

比較明智的做法是記住普羅米修斯創造完全意識人類的“獎勵”

，即他被捆綁着，這樣獅子就可以享用他的肝髒，然後他的肝髒再生，讓獅子再次享用他的肝髒。

科幻文學概述了人類創造人類層次人工智能的無數情景。我們希望，如果人工智能可以永遠遵循這個崇高的目标，那麼這個獎勵将比給普羅米修斯的“獎勵”更令人滿意。

《人工智能（第2版）》

[美] 史蒂芬·盧奇（Stephen Lucci） 著

美國經典入門教材，被譽為人工智能領域百科全書。人工智能領域近十年來最前沿教程，更加适合大學生使用。

本書基于人工智能的理論基礎， 向讀者展示全面、新穎、豐富多彩且易于了解的人工智能知識體系。本書給出諸多的示例、應用程式、全彩圖檔和人物轶事，以激發讀者的閱讀和學習興趣；還引入了機器人和機器學習的相關進階課程，包括神經網絡、遺傳算法、自然語言處理、規劃和複雜的棋盤博弈等。

掃碼關注我們

點選閱讀原文，直接購買

閱讀原文