第2期 崔铁军，等：基于因素空间的人工智能样本选择策略 ·347· 能的最基本操作就是模仿人对问题做出选择。人 (物理符号系统)03]和行为模拟（感知动作系 的选择过程是宏观到微观的过程，先选择关心的 统)43。这些研究更加倾向于以数据为基础的分 方面，再选择具体的定性定量特征，这是从内涵 析，但这并不是人脑真正的问题处理方式。正如 到外延的过程。目前人工智能的三大主流学派及 莫拉维克悖论所说，人脑擅长对于逻辑、理念及 大数据和深度学习等都是基于数据的研究。即首 感情方面的处理；而具体的定量数值处理则不擅 先从大数据的处理开始，再进行数据归类分析各 长。例如：别人送了一些苹果，你要选择一个吃 类别之间的关系抽象为范围，再根据范围关系抽 掉。你首先会根据自己的经验来选择因素从而判 象为因素，最终用因素定义概念，完成外延到内 断选择哪个苹果，从苹果的颜色、大小、形状等方 涵的建立。因此人对样本的选择过程与现有人工 面进行判断。无论这次选择是否令你满意，其经 智能样本选择过程是相反的。 验都会留在大脑中。相反一般不会有人拿着色 关于人工智能的处理过程、理念及模型等有 谱、直尺等去对每一个苹果进行测量，再通过复 些研究：知识驱动的智能生态网络研究；基于 杂的数学方法选择。高度抽象和演绎行为的多数 功能模型和层次分析法的智能方案构建；基于 信息来源于人的直观感受，比如视觉、听觉、触 深度确定性的智能车汇流模型；多智能体情绪 觉、味觉等。这些不提供具体信息，而只是客观 仿真模型；小波智能模型时序预测；智能电网 事物在某些因素的表象。人通过事前表象和事后 可靠性模型预测，智能化云制造系统m:智能网 效果来判断是否完成目标，并形成对应关系。因 联环境下的车辆跟驰模型⑧，智能制造成熟度评 此作者认为人对事物的理解首先是因素层面的理 估模型；智能模型与自主智能系统，智能网联 解与运算，如果难以确定才会使用因素的相进行 车环境下的数据转发模型：机制主义人工智能 模糊或精确分析。 理论；人工智能的概念、方法、机遇；人工智 汪培庄教授提出的因素空间也对莫拉维克悖 能与科学方法创新。这些研究各有所长，解决 论提出了相同的观点：1)只要找到描述因素，高 的问题也各不相同。但正如莫拉维克悖论) 级理性思维活动都是简单的：2)低级本能活动之 所述，高级的人类思维需要数据较少；反而人类 所以困难，是因为人们不知道使用何种因素描述 的基本行为需要大量数据描述。这其实并不矛 它们；3)因素由人输给机器，输给因素越多，机器 盾，高级思维涉及的因素很多；而基本行为则很 就越聪明。根据莫拉维克悖论，基于数据的人工 少。人在分析问题时首先关注因素而不是数据： 智能方法很难完成对人脑智能的模拟；同时受大 但人工智能方法需要大量数据。 数据获得条件限制也难以完成。 为解决莫拉维克悖论提出的问题，论文基于 因素空间理论161网和作者的相关研究9：2对人的 2人的选择等同于比较 基本选择行为在人工智能框架下予以实现。最终 人的思维、感情及逻辑推理基本是对少量样 建立了人工智能样本选择策略网络模型。 本进行的。人们从古至今都是在少量样本组成的 1莫拉维克悖论 样本空间中选择。不同在于由于信息及大数据技 术的发展，选择的样本空间越来越大。因此从以 20世纪80年代，由H莫拉维克等人提出了 前的信息不对称变成了选择综合症。实际上人脑 一种现象：像逻辑演绎这样高级理性思维只需要 对大样本空间有自己的处理策略。人脑将大样本 相对很少的计算能力，而实现感知、运动等低等 空间细化，形成样本数量大致相同的子样本空间 级智能活动却需要耗费巨大的计算资源，即莫拉 来处理，当然这和个人的记忆和处理能力有关。 维克悖论。 通常的，人脑在子样本空间中选择最好的样本保 这也许成为人工智能发展的一个方向。目前 留，这样多个子样本空间就得到了各自最好的样 普遍认为人工智能应涉及大数据智能理论：跨媒 本组成下一轮样本空间进一步选择。该策略也应 体感知；人机协同智能、群体智能、个体控制与优 用于各大电商平台的购物车策略。过程中人脑基 化、机器学习、类脑智能和量子智能等。但现有 本使用因素及其相之间的推理和运算，这种运算 人工智能基础普遍基于大数据分析抽象形成数学 适合于人脑，且处理速度相当快。 模型，进而模拟人受外界刺激后的响应。当然这 在样本空间中选择最好样本的具体过程则是 是当下较为有效的方法。也形成了三大人工智能 比较，更为具体的是两两比较，类似于冒泡法，由 流派，即结构模拟（人工神经网络）229、功能模拟 于人脑并不擅长并行处理。那么回到莫拉维克悖能的最基本操作就是模仿人对问题做出选择。人 的选择过程是宏观到微观的过程，先选择关心的 方面，再选择具体的定性定量特征，这是从内涵 到外延的过程。目前人工智能的三大主流学派及 大数据和深度学习等都是基于数据的研究。即首 先从大数据的处理开始，再进行数据归类分析各 类别之间的关系抽象为范围，再根据范围关系抽 象为因素，最终用因素定义概念，完成外延到内 涵的建立。因此人对样本的选择过程与现有人工 智能样本选择过程是相反的。 关于人工智能的处理过程、理念及模型等有 一些研究：知识驱动的智能生态网络研究[1] ；基于 功能模型和层次分析法的智能方案构建[2] ；基于 深度确定性的智能车汇流模型[3] ；多智能体情绪 仿真模型[4] ；小波智能模型时序预测[5] ；智能电网 可靠性模型预测[6] ；智能化云制造系统[7] ；智能网 联环境下的车辆跟驰模型[8] ；智能制造成熟度评 估模型[9] ；智能模型与自主智能系统[10] ；智能网联 车环境下的数据转发模型[11] ；机制主义人工智能 理论[12] ；人工智能的概念、方法、机遇[13] ；人工智 能与科学方法创新[14]。这些研究各有所长，解决 的问题也各不相同。但正如莫拉维克悖论[ 1 5 ] 所述，高级的人类思维需要数据较少；反而人类 的基本行为需要大量数据描述。这其实并不矛 盾，高级思维涉及的因素很多；而基本行为则很 少。人在分析问题时首先关注因素而不是数据； 但人工智能方法需要大量数据。 为解决莫拉维克悖论提出的问题，论文基于 因素空间理论[16-18] 和作者的相关研究[19-26] 对人的 基本选择行为在人工智能框架下予以实现。最终 建立了人工智能样本选择策略网络模型。 1 莫拉维克悖论 20 世纪 80 年代，由 H.莫拉维克等人提出了 一种现象：像逻辑演绎这样高级理性思维只需要 相对很少的计算能力，而实现感知、运动等低等 级智能活动却需要耗费巨大的计算资源，即莫拉 维克悖论。 这也许成为人工智能发展的一个方向。目前 普遍认为人工智能应涉及大数据智能理论；跨媒 体感知；人机协同智能、群体智能、个体控制与优 化、机器学习、类脑智能和量子智能等。但现有 人工智能基础普遍基于大数据分析抽象形成数学 模型，进而模拟人受外界刺激后的响应。当然这 是当下较为有效的方法。也形成了三大人工智能 流派，即结构模拟 (人工神经网络) [27-29] 、功能模拟 (物理符号系统) [ 3 0 - 3 3 ] 和行为模拟 (感知动作系 统) [34-35]。这些研究更加倾向于以数据为基础的分 析，但这并不是人脑真正的问题处理方式。正如 莫拉维克悖论所说，人脑擅长对于逻辑、理念及 感情方面的处理；而具体的定量数值处理则不擅 长。例如：别人送了一些苹果，你要选择一个吃 掉。你首先会根据自己的经验来选择因素从而判 断选择哪个苹果，从苹果的颜色、大小、形状等方 面进行判断。无论这次选择是否令你满意，其经 验都会留在大脑中。相反一般不会有人拿着色 谱、直尺等去对每一个苹果进行测量，再通过复 杂的数学方法选择。高度抽象和演绎行为的多数 信息来源于人的直观感受，比如视觉、听觉、触 觉、味觉等。这些不提供具体信息，而只是客观 事物在某些因素的表象。人通过事前表象和事后 效果来判断是否完成目标，并形成对应关系。因 此作者认为人对事物的理解首先是因素层面的理 解与运算，如果难以确定才会使用因素的相进行 模糊或精确分析。 汪培庄教授提出的因素空间也对莫拉维克悖 论提出了相同的观点：1) 只要找到描述因素，高 级理性思维活动都是简单的；2) 低级本能活动之 所以困难，是因为人们不知道使用何种因素描述 它们；3) 因素由人输给机器，输给因素越多，机器 就越聪明。根据莫拉维克悖论，基于数据的人工 智能方法很难完成对人脑智能的模拟；同时受大 数据获得条件限制也难以完成。 2 人的选择等同于比较 人的思维、感情及逻辑推理基本是对少量样 本进行的。人们从古至今都是在少量样本组成的 样本空间中选择。不同在于由于信息及大数据技 术的发展，选择的样本空间越来越大。因此从以 前的信息不对称变成了选择综合症。实际上人脑 对大样本空间有自己的处理策略。人脑将大样本 空间细化，形成样本数量大致相同的子样本空间 来处理，当然这和个人的记忆和处理能力有关。 通常的，人脑在子样本空间中选择最好的样本保 留，这样多个子样本空间就得到了各自最好的样 本组成下一轮样本空间进一步选择。该策略也应 用于各大电商平台的购物车策略。过程中人脑基 本使用因素及其相之间的推理和运算，这种运算 适合于人脑，且处理速度相当快。 在样本空间中选择最好样本的具体过程则是 比较，更为具体的是两两比较，类似于冒泡法，由 于人脑并不擅长并行处理。那么回到莫拉维克悖 第 2 期 崔铁军，等：基于因素空间的人工智能样本选择策略 ·347·