机制主义方法与人工智能统一理论��100字
机制主义方法与人工智能统一理论��100字 进入21世纪，传感、通信、计算、控制、以及基于通信和计算的互联网都获 得了长足的发展，智能传感、智能通信、智能计算、智能控制、智能信息处理、 智能机器人、智能信息安全、智能游戏等等已经成为备受关注的方向；因而它们 的共同基础�踩斯ぶ悄鼙旧淼姆⒄箍凸凵暇统晌�了当代信息技术发展的焦点。
�オザ�、人工智能研究现状简述�オ� 迄今，人工智能的研究形成了三种主流学说。
�ィㄒ唬�1943年以来形成的模拟人脑结构的“结构模拟学说”［1］［5］， 它的典型代表是人工神经网络（后来与模糊逻辑及进化计算相结合，称为计算智 能），它的特点是：通过对“信息样本的训练”获得经验知识和策略，用以解决 形象思维一类智能问题。
�ィǘ�）1956年以来兴起的模拟人脑逻辑思维功能的“功能模拟学说”［6］ ［10］，典型代表是符号逻辑系统（如专家系统），它的特点是：通过获取领域 相关的规范知识和运用逻辑演绎的方法获得求解问题的策略，求解逻辑思维一类 智能问题。
�ィㄈ�）1990年前后发展起来的模拟智能系统行为的“行为模拟学说” ［11］，它的典型代表是黑箱系统（如感知-动作系统）。它的特点是：需要建 立刺激与响应之间的关系（表现为常识知识），于是只要识别了刺激的类型，与 之相关的响应就可以自动产生。
�ツ壳暗娜斯ぶ悄艿难芯炕勾嬖谛矶辔侍狻Ｖ饕�问题之一是，在“三种学 说”各自取得进展的同时，却很少互相沟通。不仅如此，互相之间还存有“孰优 孰劣”的争论，有时争论还非常尖锐和激烈［12］，表现出三者之间的不和谐， 形成“鼎足三分”的格局。
�フ庵�“鼎足三分互不沟通”的状况，不能不使人们深思，并且逐渐醒悟：
看来，现有人工智能的各种研究方法还没有真正抓住智能问题的本质，致使“三 分”状态未能实现“归壹”；
为此，当务之急就是要加紧研究和发现更加深刻更加科学的研究方法。
�オト�、新进展之一：人工智能的第四方法——机制主义方法�オ� 智能是一种复杂的研究对象。智能系统的结构、功能、行为虽然都是窥探其 中奥秘的重要观察窗口，却不是最根本的入口。�� 本文的研究发现：探索智能奥秘的最具本质意义的途径，应当是探寻和阐明 “智能生成的机制”，回答“智能是怎样生成的”这样根本的问题，特别要把注 意力放在“智能生成的共性核心机制”的问题上。这就是人工智能研究的第四种 方法的基本理念。�� 按照这个新的理念，我们分析了典型的智能活动过程，考察了隐藏其中的普 遍规律。�� 典型的智能活动过程�� 无论何种场合，典型的智能活动过程一般都应当包含以下6个基本步骤：�� （1） 给定问题P、目标G和环境E，称为“任务给定”�� （2） 获得关于问题、目标、环境的信息，称为 “信息获取”，符号表示 为：I (P, G, E)�� （3） 把这些信息加工成为相应的知识，称为 “知识提炼”，符号表示为：
ζ= f (I)�� （4） 在目标的引导下把知识和信息演绎成为解决问题的策略，称为 “策 略生成”，�� 符号表示为：ξ= g (K, I, D)�� （5） 把策略转换为行为，求解问题，称为 “策略执行”，�� （6） 把求解的效果（误差）作为新的信息反馈至（2），通过（2）至（5） 的步骤调整 和优化策略，称为“反馈优化”；
逐次逼近，直至满意。�� 智能活动过程的普遍规律�ブ右逍�:机制主义方法与人工智能统一理论考 察上述典型的智能活动过程不难发现：通常，（1）是由人给定的，（2）至（6） 则可以由机器执行；
而机器执行的这些步骤之中，（2）至（4）信息获取、知识提炼、策略生成 -- 是核心步骤。考虑到“策略”是智能的集中体现，所以，策 略生成也可以成为智能生成。于是，这些核心步骤也可以表示为：信息获取、知 识提炼、智能生成。而且，信息获取、知识提炼、智能生成是逐层递进的过程， 由此可以得出结论：智能生成的共性核心机制是“信息-知识-智能转换”。符号 表示为：�� ξ= g (ζ, I, G) (1)�� 其中， ζ= f (I (P, G, E)) (2)�� 公式（2）表示的是由信息到知识的转换；
公式（1）表示的是在目标制导下 由信息和知识到智能的转换；
两者的综合表示了“信息-知识-智能”的转换。关 于公式中的转换g和f，原则上可以认为：f 是一类由大量信 机制主义方法与人工智能统一理论�� 摘 要：本文报导人工智能研究的一项重要进展：由于发现了人工智能研究 的“机制主义”模拟方法和“知识的生态学结构”，使原来“鼎足三分”的三个 主流学说（结构模拟、功能模拟和行为模拟学说）在“机制主义方法”的基础上 实现了和谐的统一，形成了统一理论。�� 一、引言：人工智能成为信息科学技术的焦点�オ� 人，是地球上所存在的最高级信息系统。人体信息系统的进化表现了一个重 要的科学规律：在感觉器官、神经系统、古皮层旧皮层、行动器官成熟之后，新 皮层就成为整体发展的焦点。信息技术的发展也遵循同样的规律：在传感（感觉 器官功能的扩展）、通信（传导神经系统功能的扩展）、计算（古皮层旧皮层功 能的扩展）、控制（行动器官功能的扩展）充分发展起来之后，人工智能（新皮 层功能的扩展）就成为信息技术整体发展的�┙沟恪＊� 这样，如果令 �捅硎净�制模拟方法，ζ和 ξ分别表示“信息-知识-智能 转换”的知识和智能策略，令 ��(S), ��(F) 和��(B) 分别表示结构模拟方法、功能模拟方法和行为模拟方法，令ζ(E), ζ(R) 和ζ(C) 分别表示经验 知识、规范知识和常识知识，ξ(E), ξ(R) 和ξ(C) 表示经验性智能策略、规 范性智能策略和常识性智能策略，那么，就分别有�� �酮莠� (S)，若 ζ= ζ(E)；
(3)�� 和 �酮莠� (F)，若 ζ= ζ(R)；
(4)�� 以及：
�酮莠� (B),若 ζ= ζ(C) (5)�� 且有：
�酮莠� (S)�� (F) ∪ (B) (6) �� 上述公式的含义和表1的含义完全等效，两者都说明：人工智能的结构模拟 方法、功能模拟方法和行为模拟方法在机制模拟方法的框架内实现了和谐的统一。
�オチ�、结论�オ� 本文注意到人工智能研究领域三大主流学说之间存在“互不认可”的矛盾， 认识到其中的本质的问题是研究方法不完善；
于是，通过自己的深入研究提出和 建立了“机制主义方法”，进而又发现和总结了“知识内生态结构”与“知识外 生态结构”。综合以上提出的方法和两项发现，建立了人工智能的统一理论，使 整个人工智能的研究由原来“鼎足三分”的状态转变为“三分归壹”。这一研究 成果，对于人工智能理论研究的进一步发展具有重要的意义。
�� ［1］W. C. McCulloch & W. Pitts. A Logic Calculus of the Ideas Immanent in Nervous Activity ［J］.Bulletin of Mathematical Biophysics, 1943（5）: 115-133.�� ［2］Rosenblatt, F.The Perceptrom: A Probabilistic Model for Information Storage and Organization in the Brain［J］. Psych. Rev.，1958（65）:386-408.�� ［3］Hopfield, J. J. Neural Networks and Physical Systems with EmergentCollective Computational Abilities［J］. Proc. Natl. Acad. Sci., 1982 （79）:2554-2558.�� ［4］Grossberg, S. Studies of Mind and Brain: Neural Principles of Learning Perception, Development, Cognition, and Motor Control ［M］. Boston: REidel Press, 1982.�� ［5］Rumelhart, D. E. Brain Style Computation: Leaning and Generalization［M］ //S.F. Zornetzer. an Introduction to Neural and Electronic Networks. New York: Academic Press, 1995.�� ［6］Newell, A. & Simon, H. A., GPS, A Program That Simulates Human Thought ［M］// E.A. FEIgenboum & ,eds. Computers and Thought.New York:McGraw��Hill, 1963:279-293.�� ［7］Feigenbaum, E. A., eds. Computers and thought ［M］. New York:McGraw��Hill, 1963.�� ［8］Simon, H. A. The Sciences of Artificial ［M］.Cambridge, MA: The MIT Press, 1969.�� ［9］Newell, A. & H. A. Simon. Human Problem Solving ［M］.New Jersey: Prentice��Hall, 1972.�� ［10］Minsky, M. L. The Society of Mind ［M］.New York:Simon and Schuster,1986.�� ［11］Brooks, R. A. Intelligence without Representation ［J］.Artificial Intelligence, 1991（47）: 139-159.�� ［12］钟义信，机器知行学原理�残畔�仓�识�仓悄茏�换理论 ［M］， 科学出版社，2007. 息样本提炼共性知识的“归纳算法”，而g则是在目标制导下由相关知识和 信息演绎智能策略的“演绎算法”。因此，它们在原则上是可以操作和可以实现 的。不过，关于g和f 还需要做出如下的说明：�� (a) 在规范的场合，转换g和f可能由“”表达式来严格地表示并进行运算；
�� (b) 在更多的场合，由于智能问题的复杂性，这些转换不一定能够用现有的 数学表达 式来表示。这时，可能要借助“逻辑”来表达和推理。�� (c) 在许多更为复杂的情形，现有的也无能为力。这时，可以用“算法程序” 来表示和处理；
�� (d) 在那些极为复杂的情形，甚至还要借助“人工”的方法来处置。�� 本文确信，在各种“智能问题求解需求”强烈推动之下，各种新的“数学方 法”、“逻辑方法”和“算法程序”必将陆续应运而生。正像经典微积分方法处 理不了随机现象的时候就诞生了概率论等统计数学方法、经典微积分和统计数学 方法处理不了模糊现象的时候就催生了模糊数学方法一样。�� 于是，以公式（1）和（2）表示的“信息-知识-智能转换”就是“智能生成 的共性核心机制”。只要给定了具体的问题、环境约束和目标，原则上就可以通 过（1）和（2）的转换来获取信息、提炼知识、生成智能（策略），使问题得到 满意的解决。�� �ニ摹⑿陆�展之二：知识的生态学结构�オ� 本文研究发现：知识并非孤立静止的对象，相反，它是一个不断动态生长着 的复杂运动过程：在先天知识的支持下，在各种信息的激励下，不断生长出“欠 成熟”的经验知识，其中一些经验知识会成长为“成熟”的规范知识，并进一步 成长为“过成熟”的常识知识；
后者的一部分又可能沉淀成为下一代的先天知识。
如此不断生长，不断进化，成为一个“有始无终”的开放的生态过程。这就是“知 识的生态学”，它的结构也可以由图1表示。
�ト绻�把这个“知识生态学系统”看作是知识的“内部”生长过程的规律， 称为“知识的内生态系统”，那么，前面所讨论的“信息-知识-智能转换”则可 以看作是知识的“外部”生长过程的规律，称为“知识的外生态系统”。
�オノ濉⑿陆�展之三：人工智能的统一理论�オ�表面看，这里所揭示的“知识内生态系统”并没有什么新奇而不可理解或不 可接受的概念。然而，正是这个“知识内生态系统”与“知识外生态系统（即智 能生成的共性核心机制）”结合在一起，却产生了一个非常有意义的重要结果， 这就是：依所用知识类型的不同，机制主义方法有A、B、C型之分；
而神经网络 （结构模拟）、专家系统（功能模拟）、感知-动作系统（行为模拟）分别是A、 B、C型的机制主义方法特例，如表1所示。�オ� �ケ�1说明：机制主义方法的实现是“信息-知识-智能转换”；
当其中的 知识属于经验知识的时候，机制模拟可以退化为“结构模拟”；
当其中的知识属 于规范知识的时候，机制模拟可以退化为“功能模拟”；
当其中的知识属于常识 知识的时候，机制模拟可以退化为“行为模拟”。换言之，结构模拟、功能模拟、 行为模拟都是机制模拟分别在经验知识、规范知识、常识知识条件下的特例。而 根据知识的内生态结构，经验知识可以成长为规范知识并进而可能成长为常识知 识，因此，结构模拟、功能模拟、行为模拟之间构成了一种各司其职、相互支持 和相辅相成的生态关系，而不存在先前那种“孰优孰劣”的矛盾。��