第1期 钟义信：机制主义人工智能理论 一种通用的人工智能理论 年9市 那么，数据、信号、语法信息它们所载荷的“信 4.2认知（知识生成）：第二类信息转换原理 息”又是什么呢？严格地说，这里所说的信息其实不 对照图2的模型可以知道，“感知单元”获得的 是别的，正是“语义信息”。正如4.1.2节所阐明的， 是感知信息，相当于人类认识过程中的“感性认 “语义信息”可以代表语法信息和语用信息，当然也 识”。为了成功应对系统的外来刺激，仅有感性认识 就代表了语法信息、语用信息和语义信息。因此， 是远远不够的.必须设法把“感性认识”提升为“理性 只有“语义信息”才有资格简称为“信息”；而语法信 认识”，即“知识”。因此，感知单元之后应当有认知 息和语用信息都不能拥有这样的简称。可见，人们 单元，它的作用就是完成“感知信息→知识”的转换， 所说的“从数据中提炼信息”实际上说的应当是“从 即第二类信息转换原理。 语法信息中提炼语义信息”。于是，数据只是信息的 目前，人们对“认知”存在许多不同的理解。本 载体。这些概念就在信息科学概念体系中得到了很 文的理解是：“感知”是获得感性认识的认识过程， 好的厘清。 “认知”是获得理性认识的认识过程，“决策”是获得 进一步的问题是，怎么才能“从数据中提炼信 求解问题的智能策略的过程。为此，这里给出本文 息”？在数据科学中，这个问题似乎仍在探索之中。 的“认知”定义。 但是，既然“从数据中提炼信息”更准确地说就是“从 定义3认知。认知是感知（语义）信息转换为 语法信息中提炼语义信息”，那么，在信息科学理论 知识的过程，“获得知识”是认知过程的目的。 体系中（如图3~5），这个问题已经得到非常清晰的 那么，作为认知完成的标志，知识的定义又是 解答。 什么？ 由此可见，用信息科学的理论体系准确厘清“数 定义4知识。主体关于某类事物的知识，是 据和“信息”这类术语的真实含义之后，不但可以消 指主体从该类事物的大量感知信息中提炼出来的关 除术语含义上的混乱，而且可以准确而清晰地找到 于“该类事物共有的状态及其变化规律的形式、内 解决问题的有效方法。 涵和价值”的认识。 4.1.3信息选择 知识与感知信息具有天然联系，它们都是认识 对照图2，信息选择的作用是，根据系统的目 论范畴的概念，是主体对客体信息的感知和认知。 标G,针对作用于系统输入端的客体信息S(或由它 但知识与感知信息又有原则的不同：感知信息是对 映射得到的语法信息)，计算S相对于G的语用 某个事物的状态及其变化方式的形式、内容和效用 信息Z,并依据语用信息的大小做出决定：凡是与目 的无关的客体信息都予以舍弃，只需关心与目的有 的感知，知识是对某类事物运动状态及其变化规律 关的新鲜信息。这相当于认知科学的“注意”功能。 的形式、内涵和价值的认知。“变化方式”是具体的 这是智能系统的第一道关口：智能门户，根据 个别的，“变化规律”是抽象的普遍的。所以，感知信 系统目标对客体信息做出取舍。假如没有这道智能 息属于浅表的“现象”层次，知识则属于深刻的“本 门户，智能系统就可能被汹涌澎湃、排山倒海而来 质”层次。 的信息所淹没，变得手足无措自顾不暇，丧失信息 根据上述知识与认知的定义，“感知信息→知 处理的能力。因此，“信息选择”的作用极其重要。 识”的转换其实就是要完成“由现象到本质”的转 在当代“大数据(big data)"的信息环境下，这个 换。这就清楚地表明，完成“感知信息→知识”转换 “智能取舍”的作用具有特别重大的意义。这是因 的方法，通常是归纳型算法。第二类信息转换原 为，按照学术界的定义，所谓“大数据”是指那些具有 理：由感知信息到知识的转换，见图6。 巨大的规模(volume)、庞杂的种类(variety)、极高 图6的输人是“语义信息”，代表了主体对“问 的速度(velocity)而又具有潜在价值(value)的数 题的感性认识，是第一类信息转换的产物；输出是 据”，它的总体标志则是“现有信息技术的能力无法 “知识”，代表了“认知（第二类信息转换）”所得到的 处理的数据”。然而，通过智能系统的“选择”和“舍 结果。模型表明，“综合知识库”是认知系统的核心， 弃”功能，就可以直接把现有信息技术无法处理的 它要包含信息的表示、知识的表示、认知的目的、归 “大数据转变为可以轻松处理的“小数据”。“有舍 纳型的逻辑方法（包括归纳、类比、联想、分类、聚 才有得”，如果不懂得舍弃，大数据就会因为系统无 类、抽象化等)。没有这样的综合知识库，认知的任 法处理而无所收获。这是普通的辩证法。与“云计 务就难以完成。图6中的预处理是为了使用归纳型 算”和“云存储”方法相比，在系统输入端口的“智能 算法所要采取的一些预备步骤，后处理则是为了规 取舍”可以节约巨量的储算资源！ 范“知识的表示”所需要的一些处理。那么，数据、信号、语法信息它们所载荷的“信 息”又是什么呢？严格地说，这里所说的信息其实不 是别的，正是“语义信息”。正如 4.1.2 节所阐明的， “语义信息”可以代表语法信息和语用信息，当然也 就代表了语法信息、语用信息和语义信息。因此， 只有“语义信息”才有资格简称为“信息”；而语法信 息和语用信息都不能拥有这样的简称。可见，人们 所说的“从数据中提炼信息”实际上说的应当是“从 语法信息中提炼语义信息”。于是，数据只是信息的 载体。这些概念就在信息科学概念体系中得到了很 好的厘清。 进一步的问题是，怎么才能“从数据中提炼信 息”？在数据科学中，这个问题似乎仍在探索之中。 但是，既然“从数据中提炼信息”更准确地说就是“从 语法信息中提炼语义信息”，那么，在信息科学理论 体系中 (如图 3～5)，这个问题已经得到非常清晰的 解答。 由此可见，用信息科学的理论体系准确厘清“数 据”和“信息”这类术语的真实含义之后，不但可以消 除术语含义上的混乱，而且可以准确而清晰地找到 解决问题的有效方法。 4.1.3 信息选择 对照图 2，信息选择的作用是，根据系统的目 标 G，针对作用于系统输入端的客体信息 S(或由它 映射得到的语法信息 X)，计算 S 相对于 G 的语用 信息 Z，并依据语用信息的大小做出决定：凡是与目 的无关的客体信息都予以舍弃，只需关心与目的有 关的新鲜信息。这相当于认知科学的“注意”功能。 这是智能系统的第一道关口：智能门户，根据 系统目标对客体信息做出取舍。假如没有这道智能 门户，智能系统就可能被汹涌澎湃、排山倒海而来 的信息所淹没，变得手足无措自顾不暇，丧失信息 处理的能力。因此，“信息选择”的作用极其重要。 在当代“大数据 (big data)”的信息环境下，这个 “智能取舍”的作用具有特别重大的意义。这是因 为，按照学术界的定义，所谓“大数据”是指那些具有 “巨大的规模 (volume)、庞杂的种类 (variety)、极高 的速度 ( velocity) 而又具有潜在价值 (value) 的数 据”，它的总体标志则是“现有信息技术的能力无法 处理的数据”。然而，通过智能系统的“选择”和“舍 弃”功能，就可以直接把现有信息技术无法处理的 “大数据”转变为可以轻松处理的“小数据”。“有舍 才有得”，如果不懂得舍弃，大数据就会因为系统无 法处理而无所收获。这是普通的辩证法。与“云计 算”和“云存储”方法相比，在系统输入端口的“智能 取舍”可以节约巨量的储算资源！ 4.2 认知 (知识生成)：第二类信息转换原理 对照图 2 的模型可以知道，“感知单元”获得的 是感知信息，相当于人类认识过程中的“感性认 识”。为了成功应对系统的外来刺激，仅有感性认识 是远远不够的，必须设法把“感性认识”提升为“理性 认识”，即“知识”。因此，感知单元之后应当有认知 单元，它的作用就是完成“感知信息→知识”的转换， 即第二类信息转换原理。 目前，人们对“认知”存在许多不同的理解。本 文的理解是：“感知”是获得感性认识的认识过程， “认知”是获得理性认识的认识过程，“决策”是获得 求解问题的智能策略的过程。为此，这里给出本文 的“认知”定义。 定义 3 认知。认知是感知 (语义) 信息转换为 知识的过程，“获得知识”是认知过程的目的。 那么，作为认知完成的标志，知识的定义又是 什么？ 定义 4 知识。主体关于某类事物的知识，是 指主体从该类事物的大量感知信息中提炼出来的关 于“该类事物共有的状态及其变化规律的形式、内 涵和价值”的认识。 知识与感知信息具有天然联系，它们都是认识 论范畴的概念，是主体对客体信息的感知和认知。 但知识与感知信息又有原则的不同：感知信息是对 某个事物的状态及其变化方式的形式、内容和效用 的感知，知识是对某类事物运动状态及其变化规律 的形式、内涵和价值的认知。“变化方式”是具体的 个别的，“变化规律”是抽象的普遍的。所以，感知信 息属于浅表的“现象”层次，知识则属于深刻的“本 质”层次。 根据上述知识与认知的定义，“感知信息→知 识”的转换其实就是要完成“由现象到本质”的转 换。这就清楚地表明，完成“感知信息→知识”转换 的方法，通常是归纳型算法。第二类信息转换原 理：由感知信息到知识的转换，见图 6。 图 6 的输入是“语义信息”，代表了主体对“问 题”的感性认识，是第一类信息转换的产物；输出是 “知识”，代表了“认知 (第二类信息转换)”所得到的 结果。模型表明，“综合知识库”是认知系统的核心， 它要包含信息的表示、知识的表示、认知的目的、归 纳型的逻辑方法 (包括归纳、类比、联想、分类、聚 类、抽象化等)。没有这样的综合知识库，认知的任 务就难以完成。图 6 中的预处理是为了使用归纳型 算法所要采取的一些预备步骤，后处理则是为了规 范“知识的表示”所需要的一些处理。 第 1 期 钟义信：机制主义人工智能理论——一种通用的人工智能理论 ·9·