第3期 钟义信：“范式变革”引领与“信息转换”担纲：机制主义通用人工智能的理论精髓 ·621· 所生成的智能策略能够满意地达到预设的目标 两个问题：“引领”解决的是研究方向问题，“担纲” 为止。 解决的是实施方略问题。 以上7个步骤，构成了人工智能理论研究的 在表2所示的科学研究各种要素结构体系 基本问题，也反映了“人类认识世界和改造世界并 中，学科理论属于“显要素”，科学范式、学科定 在改造客观世界的过程中同时改造自己”的过 位和学科基础则属于“隐要素”。“显要素”是看 程。人类就是在“不断地认识世界和改造世界并 得见的，“隐要素”是看不见的；但是，正如“思想 在改造客观世界的过程中同时改造自己”的过程 指导行动”的道理一样，“显要素”是由“隐要素” 中不断进步，不断求得越来越好的生存与发展。 决定的。这也是“有（有形的）生于无（无形的）” 人工智能系统也就在这样的过程中逐渐实现主体 的道理。 目标。 所以，科学研究工作者应当同时关注显要素 从图2和上述7个步骤，可以非常清晰和确 和隐要素，甚至应当更加关注隐要素，也就是要 切地体会到：为什么在研究通用性和整体性人工 有刨根问底的精神。不无遗憾的是，人们往往只 智能理论的时候一定要以“信息转换”来担纲。实 看见“显要素”，不太关心甚至完全忽视“隐要 际上，主体生成智能策略和智能行为的整个过程 素”。这是缺乏创新特别是源头原始创新的思维 就是实施信息转换的纲领的过程。 根源。学科理论是怎么来的？学科理论应当怎 图2所示的智能系统模型是通用的模型，既 样定位？应当遵守哪些重要的约束？比学科理 适用于人类智能，也适用于生物智能和人工智 论更为深刻的“科学范式、学科定位、学科基础” 能。当然，生物智能可以看作是人类智能的特殊 是怎样支配着学科的理论？只有正本清源，才能 情形，模型将要适当简化和特化，但原理是一致 在源头上发现问题，在源头上创新，直至进入学 的。人工智能的情形也与此类似，特别是，人工 术研究的“无人区”。因此，本文的讨论应当是有 智能系统的“目的”是人类主体赋予的。 益的。 通用模型的另一层意义是：它适合于解决各 种不同领域的问题。它的通用程度主要取决于综 参考文献： 合知识库所存储的知识领域范围：不管是什么具 [1]MCCULLOCH W S,PITTS W.A logical calculus of the 体的领域，解决问题的系统框架和工作机制是一 ideas immanent in nervous activity[J].The bulletin of 致的，所不同的只是具体的信息内容、知识内容 mathematical biophysics,1943,5(4):115-133 和智能内容。 [2]ROSENBLATT F.The perceptron:a probabilistic model 在建立了通用性整体性人工智能的理论模型 for information storage and organization in the brain[J]. 之后，接下来的问题就是要研究模型中每个模块 Psychological review,1958,65(6):386-408. 的技术原理和系统实现。目前，这些问题已被解 [3]HOPFIELD JJ.Neural networks and physical systems 决。不过，由于篇幅的考虑，这些问题很难在 with emergent collective computational abilities[J].Pro- 篇文章里都得到阐述。建议有这方面兴趣的读者 ceedings of the national academy of sciences of the United 可以参阅作者的相关论著22。 States of America.1982,79(8):2554-2558 5结束语 [4]KOHONEN T.The self-organizing map[J].Proceedings of EEE,1990,78(9):1464-1480 处理好显要素与隐要素的关系。人工智能现 [5]MCCLELLAND JL.RUMELHART D E.Parallel distrib. 今的各种应用，多少已经有点令人眼花缭乱，然 uted processing[M].Cambridge:MIT Press,1986 而，对于人工智能下一步的发展来说，当前社会 [6]MCCARTHY J,MINSKY ML,ROCHESTER N,et al.A 更为关注的却是通用性和整体性人工智能。而 proposal for the Dartmouth summer research project on ar- 且，如果没有这方面的理论成果的进步，原有理 tificial intelligence[R].Dartmouth College,1955. 论演绎出来的应用（如模式识别等）热情一旦减 [7]NEWELL A.Physical symbol systems[J].Cognitive sci- 退，新一轮人工智能的寒冬迟早还会再度来临。 ence,1980,4(2:135-183 为此，本文主要根据笔者自己长期的研究积 [8]TURING A M.Can machine think?[M]//FEIGENBAUM 累，论述了通用性整体性人工智能理论研究的成 E A,FELDMAN J.Computers and Thought.New York: 功之路：“范式革命引领”和“信息转换担纲”。这 McGraw-Hill,1963. 是通用性和整体性人工智能理论研究最为关键的 [9]NEWELL A,SIMON H A.GPS,a program that simulates所生成的智能策略能够满意地达到预设的目标 为止。 以上 7 个步骤，构成了人工智能理论研究的 基本问题，也反映了“人类认识世界和改造世界并 在改造客观世界的过程中同时改造自己”的过 程。人类就是在“不断地认识世界和改造世界并 在改造客观世界的过程中同时改造自己”的过程 中不断进步，不断求得越来越好的生存与发展。 人工智能系统也就在这样的过程中逐渐实现主体 目标。 从图 2 和上述 7 个步骤，可以非常清晰和确 切地体会到：为什么在研究通用性和整体性人工 智能理论的时候一定要以“信息转换”来担纲。实 际上，主体生成智能策略和智能行为的整个过程 就是实施信息转换的纲领的过程。 图 2 所示的智能系统模型是通用的模型，既 适用于人类智能，也适用于生物智能和人工智 能。当然，生物智能可以看作是人类智能的特殊 情形，模型将要适当简化和特化，但原理是一致 的。人工智能的情形也与此类似，特别是，人工 智能系统的“目的”是人类主体赋予的。 通用模型的另一层意义是：它适合于解决各 种不同领域的问题。它的通用程度主要取决于综 合知识库所存储的知识领域范围：不管是什么具 体的领域，解决问题的系统框架和工作机制是一 致的，所不同的只是具体的信息内容、知识内容 和智能内容。 在建立了通用性整体性人工智能的理论模型 之后，接下来的问题就是要研究模型中每个模块 的技术原理和系统实现。目前，这些问题已被解 决。不过，由于篇幅的考虑，这些问题很难在一 篇文章里都得到阐述。建议有这方面兴趣的读者 可以参阅作者的相关论著[22-24]。 5 结束语 处理好显要素与隐要素的关系。人工智能现 今的各种应用，多少已经有点令人眼花缭乱，然 而，对于人工智能下一步的发展来说，当前社会 更为关注的却是通用性和整体性人工智能。而 且，如果没有这方面的理论成果的进步，原有理 论演绎出来的应用 (如模式识别等) 热情一旦减 退，新一轮人工智能的寒冬迟早还会再度来临。 为此，本文主要根据笔者自己长期的研究积 累，论述了通用性整体性人工智能理论研究的成 功之路：“范式革命引领”和“信息转换担纲”。这 是通用性和整体性人工智能理论研究最为关键的 两个问题：“引领”解决的是研究方向问题，“担纲” 解决的是实施方略问题。 在表 2 所示的科学研究各种要素结构体系 中，学科理论属于“显要素”，科学范式、学科定 位和学科基础则属于“隐要素”。“显要素”是看 得见的，“隐要素”是看不见的；但是，正如“思想 指导行动”的道理一样，“显要素”是由“隐要素” 决定的。这也是“有 (有形的) 生于无 (无形的)” 的道理。 所以，科学研究工作者应当同时关注显要素 和隐要素，甚至应当更加关注隐要素，也就是要 有刨根问底的精神。不无遗憾的是，人们往往只 看见“显要素” ，不太关心甚至完全忽视“隐要 素”。这是缺乏创新特别是源头原始创新的思维 根源。学科理论是怎么来的？学科理论应当怎 样定位？应当遵守哪些重要的约束？比学科理 论更为深刻的“科学范式、学科定位、学科基础” 是怎样支配着学科的理论？只有正本清源，才能 在源头上发现问题，在源头上创新，直至进入学 术研究的“无人区”。因此，本文的讨论应当是有 益的。 参考文献： MCCULLOCH W S, PITTS W. A logical calculus of the ideas immanent in nervous activity[J]. The bulletin of mathematical biophysics, 1943, 5(4): 115–133. [1] ROSENBLATT F. The perceptron: a probabilistic model for information storage and organization in the brain[J]. Psychological review, 1958, 65(6): 386–408. [2] HOPFIELD J J. Neural networks and physical systems with emergent collective computational abilities[J]. Pro￾ceedings of the national academy of sciences of the United States of America, 1982, 79(8): 2554–2558. [3] KOHONEN T. The self-organizing map[J]. Proceedings of IEEE, 1990, 78(9): 1464–1480. [4] MCCLELLAND J L, RUMELHART D E. Parallel distrib￾uted processing[M]. Cambridge: MIT Press, 1986. [5] MCCARTHY J, MINSKY M L, ROCHESTER N, et al. A proposal for the Dartmouth summer research project on ar￾tificial intelligence[R]. Dartmouth College, 1955. [6] NEWELL A. Physical symbol systems[J]. Cognitive sci￾ence, 1980, 4(2): 135–183. [7] TURING A M. Can machine think?[M]//FEIGENBAUM E A, FELDMAN J. Computers and Thought. New York: McGraw-Hill, 1963. [8] [9] NEWELL A, SIMON H A. GPS, a program that simulates 第 3 期 钟义信：“范式变革”引领与“信息转换”担纲：机制主义通用人工智能的理论精髓 ·621·