下载掌阅APP，畅读海量书库
立即打开
随着第一台电子计算机的问世，人类拉开了人工智能技术发展的历史序幕。一般认为，人工智能是对人脑的模拟和扩展，是研究以人造的智能机器或智能系统来延伸人类智能的一门科学。人工智能研究者基于对“智能”的不同理解，形成了符号主义、联结主义和行为主义三大流派。本小节拟通过对人工智能研究领域的三大流派进行比较与分析，从中获得相关的有价值的启示。
早期的人工智能研究者绝大多数属于符号主义。符号主义的实现基础是纽威尔和西蒙提出的物理符号系统假设。该学派认为：“人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。”该学派认为，人是一个物理符号系统，计算机也是一个物理符号系统。因此，我们就能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。这种方法的实质就是模拟人的左脑抽象逻辑思维（见图2-2），通过研究人类认知系统的功能机理，用某种符号来描述人类的认知过程，并把这种符号输入到能处理符号的计算机中，就可以模拟人类的认知过程，从而实现人工智能。可以把符号主义的思想简单地归结为“认知即计算”。
从符号主义的观点来看，知识是信息的一种形式，是构成智能的基础，知识表示、知识推理、知识运用是人工智能的核心，知识可用符号表示，认知就是符号的处理过程，推理就是采用启发式知识及启发式搜索对问题求解的过程，而推理过程又可以用某种形式化的语言来描述，因而有可能建立起基于知识的人类智能和机器智能的同一理论体系。
符号主义的代表成果是1957年纽威尔和西蒙等人开发的成为“逻辑理论家”的数学定理证明程序“LT”。LT的成功，说明了可以用计算机来研究人的思维过程，模拟人的智能活动。以后，符号主义走过了一条启发式算法—专家系统—知识工程的发展道路，尤其是专家系统的成功开发与应用，使人工智能研究取得了突破性进展。
符号主义的代表性成就是专家系统。专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域的问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。20世纪60年代末至70年代，专家系统的出现使人工智能研究出现新高潮，同时也使得符号主义成为最成功的流派而一枝独秀。
图2-2 左、右脑图示
符号主义主张用逻辑方法来建立人工智能的统一理论体系，但却遇到了“常识”问题的障碍，以及不确知事物的知识表示和问题求解等难题，因此，受到其他学派的批评与否定。
20世纪80年代以后，符号主义逐渐衰落。从历史上看，从1926年到1956年，符号主义经历了从一枝独秀到逐渐衰落的过程。究其原因，主要是还原论的理性主义方法无法对复杂、系统的问题进行有效处理，简单的线性分解会使得系统复杂性遭到破坏，并且形式化的处理方式回避常见问题，但是到了20世纪70年代，常识问题对于人工智能而言却是无法回避的问题。于是，联结主义和行为主义趁势而起，通过最新的研究成果，开始逐渐占领人工智能的领地。
早在20世纪50年代，Ashby（1952）、Minsky（1954）、Rosenblatt（1962）等人设计了神经系统的计算方案。除了它们的生物属性之外，这些方案具有“学习”的能力，而不是像符号处理方案那样提前把各种程序都设计好。在这一阶段，符号处理模式和联结主义模式都被作为建立智力模型的选择方案。但是，符号处理方案在语言（Chomsky，1965）和解决问题（Newell&Simon，1972）等一些相关领域得到了比较成功的应用，而联结主义方案因为当时理论的局限性而被逐渐放弃。但是，随着认知科学研究的不断发展，符号处理模式的局限性也逐渐暴露出来，越来越多的研究者开始意识到符号主义虽然可以解决许多问题，但是它们在语言处理方面与人脑还有很大的差距，人类认知活动模式的建立需要更多地接近人类大脑工作的真实情况。因此，从20世纪80年代开始，人们又开始把目光转向联结主义模式。在最近20多年的时间里，有关的研究者又进一步发展了联结主义理论，并克服了该理论以往的一些局限（McClelland &Rumelhart，1986），这使得联结主义理论又重新成为与符号处理模式相并列的一种关于人类心理活动的理论。
联结主义和符号主义的根本区别体现在以下三个方面。第一，符号主义采用的符号模型与大脑的结构没有必然的相似性，而联结主义则确保其模型与大脑的结构及其工作原理相类似。第二，符号主义一般强调心理模式的外在符号的结构和内在操作的句法规则，而联结主义则强调从外部环境学习和以节点之间联结的方式。第三，符号主义认为内在的心理活动包含外在符号的操作，而联结主义则认为外在符号的操作并不能表示心理活动。
联结主义理论起源于人们对于大脑结构与工作方式的研究。大脑由大量的神经细胞构成（见图2-3），目前人们对于大脑中神经细胞的数量还没有一个准确的数字，据Murre和Sturdy（1995）的估计，大脑中神经细胞的数量应该为40×109左右，其中有1/5的神经细胞位于大脑新皮层，这一部分被认为负责包括语言处理在内的各种认知活动。大脑皮层的一个细胞与其他细胞平均具有4 000个联结，那么在大脑新皮层部分就有3.3×1013个联结。
图2-3 大脑神经细胞
这些神经细胞密切相连，构成一个复杂的网络系统。每一个神经细胞都可以被看作一个简单处理器。这些处理器收集输入的电化学脉冲，当输入的信号总量达到一定程度时，神经细胞就会产生行动电位（指神经脉冲的传递过程中在神经细胞表面发生的电位的暂时变化），并通过神经纤维把脉冲传递到神经轴突（为输出端）和神经纤维的分支上。另外，神经细胞之间似乎并不是相互交换符号信息的，而是通过由神经细胞的触发频率（firing rate）而产生的数值（numerical value）进行相互之间的联系，每个神经细胞都可以被看作一个处理器，它接受来自其他细胞的数字输入信号并转化为传递到其他神经细胞的数字输出信号。总体而言，神经细胞具有六个基本功能（Dudai，1989）：第一，输入功能，可以接受来自外部环境或者其他神经细胞的信号；第二，合成功能，可以对于接受的信号进行合成与加工；第三，传导功能，可以把合成的信息传递一定的距离；第四，输出功能，可以把信息传递给其他细胞；第五，计算功能，可以把一种信息映射转化为另一种信息；第六，表象功能，促进内部表象的形成。
联结主义认知模式的建立在许多方面体现了大脑的结构特点。联结主义认为，心理现象可以通过简单单元所构成的相互联结的网络结构来描述，而联结与节点形式可以根据实际情况而变化，而在描述语言处理过程时，节点可以是一个语言的基本单位（例如，词），而联结则是与之相关的因素（例如，语义相似性）。联结主义模型包含许多简单的处理单元或节点，它们可以传递一维信息，即激活。这些单元或节点不传递符号信息，只传递数值。每个节点都与许多其他节点相联结，节点相互之间同时协同进行信息处理的工作，并相互密切联结构成一个复杂的网络体系。节点之间联结的强度被称为权重（weight），权重值的大小可以通过学习（learning）进行调节。Rumelhart、Hinton和McClelland（1986）列举了并行分布处理（Parallel Distributed Processing，PDP）模型的八个基本特征：①一系列的处理单元；②激活状态；③每个单元的输出功能；④单元之间的联结模式；⑤通过网络联结的激活传播模式的传播规则。⑥把一个单元所接受的输入与该单元的现行状态相结合产生新的激活状态的激活规则；⑦通过经验调整联结模式的学习规则；⑧系统运行所处的环境。这八个特征可以很容易地与神经细胞的六个功能对应起来。处理单元就是细胞本身，激活状态和激活规则属于细胞输入和合成功能的一部分，输出功能与细胞的输出功能相对应，联结模式和传播规则与细胞的传导功能相对应，而学习规则与环境则与细胞的计算和表象功能相对应。
在过去的20多年里，联结主义理论研究取得了丰硕的成果，并被广泛地运用于心理语言学及计算心理语言学之中。下面我们介绍三个著名的语言处理试验，它们都反映了联结主义的发展近况及其在语言处理中的应用。NETtalk是由 Rosenberg等（1987）按照联结主义网络模型设计的一套可以用来阅读英语文本的系统，也是一个联结主义学习规则成功运用的范例。Sejnnowski和Rosenberg采用一个大的英语文本数据库对该系统进行训练，数据库中的英语文本及其相应的读音都用适合于语音合成器使用的代码进行编码。
在训练初期，系统发出的是无法识别的噪声，经过一定的训练之后，系统开始发出类似于婴儿的咿呀声，随着训练量的增加，系统的发音开始逐步接近英语读音，直至最后可以很好地朗读英语文本，即使是那些在训练数据库里所不包括的新的文本也可以进行朗读。另一个较有影响的试验是由Rumelhart和McClelland（1986）所设计的一套用于预测英语动词的过去式形式的单向输入的网络系统。英语中的绝大多数动词的过去式都是由动词原型加上后缀-ed构成，但是也有许多不规则的变化形式（例如，is/was，make/made等），该系统的主要任务就是预测那些不规则动词的变化。Rumelhart和McClelland首先使用大量的不规则动词，然后用460个动词（其中大多数为规则动词）对系统进行训练。经过200个循环的训练，系统很好地掌握了460个动词的过去式形式，而且能够很好地概括出动词过去式的变化规则。该系统甚至可以总结出不规则动词变化中的一些规律。在对系统进行训练的过程中，当所使用的训练材料中包含的规则动词较多时，系统就很容易把规则变化与不规则变化联合起来（例如，break/broke），这种过度概括的现象经过进一步的训练之后得以改进了。
尽管人们对于Rumelhart和 McClelland的系统是否能够反映儿童语言习得过程中对于动词过去式变化的掌握情况争论很多（Pinker &Prince，1988），但是Niklasson和Van Gelder（1994）仍然认为我们还是有可能通过联结主义模型来反映儿童语言习得过程的。Elman（1990）采用简单循环网络模型并训练它对于句子语法结构的识别能力。网络的训练采用23个简单的英语单词，并利用关系从句使它们构成各种长度和语法结构的句子，然后要求系统能够使得后面的动词与其主语相一致。例如，Any man that chases dogs that chase cats…runs。在上面的句子中，句子的主语是一个名词的单数形式man，其后被许多词隔开，而且这些词中包含一些名词的复数形式，这都给系统造成了很大的困难，系统很可能会因为这些复数形式而选择run。
联结主义认为智能是脑神经元构成的信息处理系统，认为大脑是由神经元构成的神经网络联结而成，而人类智能的实现过程就是通过神经网络中神经元之间的交互而实现的，所以智能是大脑神经元组成的信息处理系统。联结主义通过对神经网络模型的建立来实现对大脑的模拟，与符号主义不同，联结主义主张结构模拟，他们认为智能行为同功能与结构紧密相关。联结主义通过模拟人类神经系统的结构功能来实现对智能行为的模拟，认为相互连接的人工神经网络中，通过对传递规则、连接权重及阈值的设定进行运算形成认知的基础，动态变化的连接权重能够在不断训练中实现对情境认知效率的提高，这些正是“形而上学”式的符号主义所缺乏的。因此，与符号主义的“认知就是计算”的观点不同，联结主义认为人类的认知是脑神经元运动的经验结果。
近些年来，由于大数据技术的出现，通过深度学习等技术，联结主义对于知识结构的分析获得了较多成果。深度学习算法运用多层神经网络，以无监督学习的方式，通过对数据特征的逐层递归使得学习结果获得质的飞跃，可以视为对人类归纳推理能力的“再现”，这种自下而上的范式，更加容易实现实践领域上的应用价值。
在人工智能研究兴起阶段，联结主义与符号主义各自沿着自己的研究模式前进。由于联结主义排斥符号主义，引发了同符号主义关于认知架构的学理论争。20世纪60年代，联结主义在与符号主义关于项目和资金的残酷竞争中失败，导致联结主义陷入困境。人工神经网络科学研究是联结主义研究的重要部分，但由于随着网络层数的增加，训练过程无法保证“收敛”，因而曾严重受挫。可喜的是，随着脑神经科学研究的进展，联结主义的研究也逐渐取得新的突破。直至2016年，深度学习技术瓶颈的突破，打破了深度网络难以收敛的局面。从此，深度学习迅猛发展，特别是号称“学习从零开始”的AlphaGo Zero，在通过几天的自我博弈后，将曾击败李世石的AlphaGo Lee（见图2-4）打败，从而引发学界的震动。深度学习算法加上强大的计算能力，使得机器在一些领域拥有了超越人类平均水平的智能，从而引发了人们对于人工智能能否超越人类智能甚至最终取代人的激烈讨论。
图2-4 AlphaGo Lee与李世石
控制论把神经系统的工作原理与信息理论、控制理论、逻辑及计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。到20世纪六七十年代，上述这些控制论系统的研究取得了一定进展，播下了智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起了许多人的兴趣。这一学派的代表作品首推布鲁克斯（Brooks）的六足行走机器人，它被看作新一代的“控制论动物”，是一个基于“感知—动作”模式模拟昆虫行为的控制系统。
行为主义认为，智能是通过感知外界环境做出相应的行为的。智能行为就是通过与环境进行交互，从而对感知结果做出相应反应。对外界信息的交互感知，是行为主义研究的一个重要方面。行为主义根据“感知—动作”型控制系统模拟人对行为的控制与实现，认为相同智能水平上的行为表现就是智能，而并不需要知识、表示与推理，所以对于认知活动，行为主义认为是对外界环境“感知—动作”的反应模式。行为主义主张行为模拟，认为只有在真实环境中的反复学习，才能够最终学会在复杂的未知环境中处理问题。
基于“感知—动作”型控制系统，行为主义利用感应器对外部情景进行信息感知，模拟生物体在该情景中所表现的反应，通过从感知到动作的映射规则，力图使智能体在相同情景下产生相似的经验行为。与联结主义一样，行为主义也认同功能结构同智能行为的密切关系。他们通过仿生学原理，模拟生物体结构制造出机器人，用其进行对生物体行为的模拟。由于行为主义的经验主义表现，在智能的实现过程中，不存在符号主义里无限的形式系统的尴尬，也不像联结主义那样需要对人体结构极度透彻的了解。它只需要智能体通过“感知—动作”型控制系统，以进化计算或强化学习的方法，通过对外部感知而做出的反应进行进化和学习，同时找寻合理的协调机制对智能体内部进行自我协调与主体间协调。其中，自我协调使主体内部每一个模块之间避免冲突，主体间协调通过多个主体之间进行交互，避免主体间发生死锁或活锁情况，如此即可使智能体的自适应行为逐步进化。与符号主义及联结主义相比，行为主义不再执着于“内省式”的沉思，而是在与外界交互过程中用具体行为去拥抱真实世界。