浅谈人工智能是否会超越人类智能.doc

（学号：）浅谈人工智能是否会超越人类智能（计算机与信息工程学院，11计科一班）最近看了电影黑客帝国一系列，对其中的科幻生活有了很大的兴趣，不觉有了疑问：现在的世界是否会如电影中一样呢？人工智能的神话是否会发生在当前社会中的呢？在黑客帝国的世界里，程序员成为了耶稣，控制着整个世界，黑客帝国之所以成为经典，我认为，不是因为飞来飞去的超级人物，而是因为她暗自揭示了一个人与计算机世界的关系，一个发展趋势。谁知道200年以后会不会是智能机器统治了世界？人类正向信息化的时代迈进，信息化是当前时代的主旋律。信息抽象结晶为知识，知识构成智能的基础。因此，信息化到知识化再到智能化，必将成为人类社会发展的趋势。人工智能已经并且广泛而有深入的结合到科学技术的各门学科和社会的各个领域中，她的概念，方法和技术正在各行各业广泛渗透。智能是一个宽泛的概念。智能是人类具有的特征之一。然而，对于什么是人类智能，科学界至今还没有给出令人满意的定义。有人从生物学角度定义为“中枢神经系统的功能”，有人从心理学角度定义为“进行抽象思维的能力”，甚至有人同义反复地把它定义为“获得能力的能力”，或者不求甚解地说它“就是智力测验所测量的那种东西”。这些都不能准确的说明人工智能的确切内涵。虽然难于下定义，但人工智能的发展已经是当前信息化社会的迫切要求，同时研究人工智能也对探索人类自身智能的奥秘提供有益的帮助。所以每一次人工智能技术的进步都将带动计算机科学的大跨步前进。如果将现有的计算机技术、人工智能技术及自然科学的某些相关领域结合，并有一定的理论实践依据，计算机将拥有一个新的发展方向。关于人工智能是否会会超越人类智能这一问题，我认为关键在于学习。人类的学习能力是智能行为的一个非常重要的特征，没有学习，就没有人类知识的传承与积累，也就没有人类文明。学习是生物中枢神经系统的高级整合技能之一，是人类获取知识的重要途径和人类智能的重要标志；机器学习则是计算机获取知识的重要途径和人工智能的重要标志，是一门研究怎样用计算机来模拟或实现人类学习活动的学科，它是人工智能的核心，也是使计算机具有智能的根本途径。人类学习的研究与机器学习研究两者是一种相互影响、相互促进的关系，但是至今人们对学习的机理还不太清楚。这是因为长期以来，鉴于人的大脑结构与功能的极度复杂性，探索和揭示大脑的奥秘仅仅是人类一个美好的梦想，这也包括对大脑是如何进行学习的研究。如果我们另辟蹊径，把关于人类学习的研究重点从对大脑的研究转换到“学习”这个概念上，即把“学习”作为研究对象，对其本质从哲学的视野下从认知的角度进行探索，这将对机器学习的发展具有一定的借鉴意义。在古代，“学”字多用于表达获取知识、提高认识的含义，有时也用“知”字表达；“习”字多用于掌握技能、修炼德行等带有实践意义的行为，有时兼有“行”的意思。孔子在论语中说：“学而时习之，不亦说(悦)乎!”“学”是“习”的基础与前提，“习”是“学”的巩固与深化，强调学习过程中的知行统一，以及由此产生的愉悦的情感。由此可知，学习是人类智能的根本特征，但究竟什么是学习目前还没有一个统一的定义，这是因为“学习”这一概念非常复杂，包括很多方面的内容，几乎涉及各个领域。因此不同的学派对学习的解释也有所不同。在教育学领域中，学习一般被认为是人类个体在认识与实践过程中获取经验和知识，掌握客观规律，使身心获得发展的社会活动。这种观点把学习当作一种社会活动来进行考察，因此这种观点认为学习的本质就是人类个体的自我意识与自我超越。而在心理学领域内关于学习的定义是：学习是指人和动物因经验而引起的倾向或能力相对持久的变化过程，这些变化不是因成熟、疾病或药物引起的，而且也不一定表现出外显的行为。这种观点的侧重点是考察学习的心理机制，而且很明显，心理学中的学习的概念更为客观，认为学习的本质只是产生了变化，但并不考虑这种变化的方向。著名的人工智能专家西蒙(Simon) 给出的学习概念更接近我们常识中的“学习”，他认为：学习是系统内部的适应性变化，使系统在以后从事同一任务或同一问题范围中类似的任务时，效率更高。与此类似的是，明斯基也简单地把学习定义为：“学习”是我们心智内部有用的变化。除了上面给出的学习的定义，还有许多与此不同或类似的定义，不过大致可以归结如下：学习就是获得明确的知识，是系统自身性能的改进，或称为效率的提高。而且人的学习不仅仅是获取知识和技能，也不仅仅是导致行为的改变，还应当包括在知识经验的基础上，养成良好的行为习惯，以形成高尚的道德品质和充分发挥自身的潜能和价值。学习是有目的的行为，这个目的就是要解决问题，即发现新的知识。人工智能专家温斯顿对学习的概念及本质进行了专门探索，在人工智能一书中，他将学习分成四类：(1)根据被编制的程序而学习；(2)根据指示进行学习；(3)根据观察样品而学习；(4)根据发现而学习。他认为学习是一个包括各类学习的嵌套式的层次结构系统。学习形式每上升一类都在已有的简单学习类型的机制上再加上一些东西。正是温斯顿的这种系统划分，使我们对学习的本质进行研究和解读有了根据和层次，同时也使得人类的学习有了被计算机模拟和实现的可能性。下面本文试图从哲学视野对学习的本质进行解读。本质是一事物区别于其他事物的质的规定性，因此对人类的学习进行研究，首先就要确定学习的本质。从本质上说，人类学习是学习者在本人遗传素质的基础上，利用自然界、人类社会创造的文明信息载体(语言、书刊、人类创造的事物等)以及人类文明信息的传播者(家庭成员、教师和其他社会成员等) ，通过刺激反应、探索尝试、反复实践和继承创造等多种途径，将外部信息转化为学习者智慧和品德，使学习者的知识、智力、能力和心理品质结构系统由建立、发展、完善到优化，以达到认识和改造主客观世界为目的的终生行为变化的过程。也就是说，人类的学习是一个积极主动的建构过程，学习者不是被动地接受外在信息，而是根据先前认知结构主动地有选择性地感知外在信息，建构当前事物的意义。这一学习的本质要点在于：(1)学习是人类所特有的个体化、社会性的活动；(2)学习的对象是一切人类知识及创造的文明；(3)学习的机制是将外部信息不断转化为学习者的内在智慧；(4)学习的结果是学习者学习系统的完善和优化；(5)学习的目的是认识和改造主客观世界。综上所述，本文将人类学习的本质抽象概括为“互动建构评价式”模型。这一模型也可以说是将行为主义学习理论、认知主义学习理论、建构主义学习理论以及人本主义学习理论相结合的模型，同时也是本文所研究的机器学习借鉴人类学习的一个范式。“互动建构评价式”模型不是一种具体的形式，而是基于“互动”、“建构”以及“评价”这三个核心理念，糅合了学习的主体性和行为主义学习理论、建构主义学习理论等，联系学习的实际情况而提出来的通用的学习本质的模式。当学习者的认知结构中不具备相关的概念时，学习者可能将外来的新知识生硬地、肤浅地搬到自己的认知结构中去，成为机械学习。而学习本质的关键，就是在新知识与已有的概念之间建立起一座认知的桥梁。如果新知识带来了比原有的概念更为深入的一层关系，在认知结构中内化出的概念因此具有新的含义，这时就产生了深化学习。当学习深化到一定程度的时候，学习主体突然会发现表面上互不相同甚至是矛盾的概念之间的内在联系，将它们连接起来，实现知识的系统化和网络化，这一过程称为整合。“互动建构评价式”模型的重要理念就在于向学习主体提供能够促进其实现知识整合的内容，并引导主体通过类比和分析去建立起知识之间的联系。“互动建构评价式”学习模型首先强调每一学习阶段都要有明确的学习目标。在制定目标的过程中应注意：( 1)目标的规定应具体、简明、易懂；( 2)预定的目标要符合当前学习主体的水平与实际，要针对存在的现实问题；( 3)目标应前后连贯，逻辑合理、深浅有序、循序渐进，对学习者的学习起导向作用；( 4)预定的目标可作为评价的依据。制定目标的目的是在于给学习主体正确的导向，定好目标并不是“目标”这一环节的终结，而是引导学习主题明确目标、主动向目标迈进的起点。对“互动建构评价式”模型来说，更重要的是“建构”环节，即让学习主体如何沿正确的方向一步一步地解决问题。为此，“互动建构评价式”模型强调要从学习主体已有的知识出发，真正领会到学习的目标所在，再进一步做深入的探讨与评价。“互动建构评价式”学习模型的一般概念是，认为学习主体知识的形成过程，既不是接收式的，也不是单纯的发现式的，而是通过外界环境中有意义的信息与学习主体原有的知识和思维方式的相互作用，产生新知识。这也正体现了人类学习概念的核心内涵。学习能力是智能行为的一个非常重要的特征，人在一生中都在不断地积累知识。但是我们不得不面对的事实是，如果我们的生命一旦结束，这些知识也就和生命一起消失了，因为人类的学习过程受到生命年限的限制。随着计算机及人工智能科学的进一步发展，人们越来越意识到，如果机器能够成功地实现人类的学习过程，那么就可以把学习不断地延续下去，这样就避免了大量的重复学习，使知识积累达到了一个新的高度。因此，从人类的学习本质到机器学习的实现，是科学技术的发展，也是社会的进步及下一步的进化方向。机器学习(Machine Learning )是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，方式上主要使用归纳、综合而不是演绎。机器学习在人工智能的研究中具有十分重要的地位，一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但以往的智能系统都普遍缺少学习的能力。对机器学习的讨论和机器学习研究的进展必将促使人工智能和整个科学技术，特别是人类社会的进一步发展，这就是对从学习的本质到机器学习进行哲学探索的意义所在。另外，如果我们将机器学习与人类学习相比较，机器学习的实现还具有一定的难度，而且机器学习还有一些自身难以克服的问题。首先就是机器学习的后果难预测。在前面提到过，机器一旦具有了学习的功能，那么也许有一天连设计者本人都不知道机器进化到了何种程度，也就是说，机器学习后知识库发生了什么变化都很难预测。这是因为目前的大多数专家系统都是脱离环境的学习，即将人类专家准备好的知识，以某种方式传授给机器。但是如果将机器学习的目的扩展到从环境中、从工作中、从人机交互中自动提取、更新知识，那么学习产生的效果就更加不可预测。人类制造机器学习的重要目的是为我所用，如果机器超出了人类的控制与预测，却并不是人类制造它们的初衷。其次，机器学习作为人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，但是这种学习应用的方式主要是使用归纳、综合而不是演绎。然而归纳本身就存在着一定的缺陷，现有的归纳推理只保证假，不保证真。而且，归纳的结论是无限多的，其中相当多是假的，给生成的知识带来不可靠性。这与演绎的方法不同，演绎推理是从多数现象中总结出结论，即从一般的现象推导出总结性的结论。就人类的学习而言，确是演绎与归纳两种方法并用的，因为这两种方法并不矛盾，相反却是互相促进的。机器学习由于自身的局限性，主要采用归纳与综合，但是归纳的结论有可能是假的，其推理过程中又要使用很多假设和约定，这些都说明机器学习中依然存在着不可靠性。最后，相对与人类学习的目标明确性，机器学习目前却很难判断什么重要、什么有意义、应该学习什么。这也就决定了机器学习的应用只是专家系统的部分应用，还无法完全从环境中获得和提取知识，实现完全的自动学习。因此，我们在研究人类学习与机器学习时要特别注意两者之间的特点与差异。机器学习的研究目的是使机器具有学习能力，但是机器具有智能和机器能够思维毕竟是两个概念，虽然让机器具有思维是人工智能学者们研究的最终目的。思维能把系统的行为高度限定在任务目标中，并能从环境中提取线索，以便指示过程沿着目标前进，它将知识转化为方法，去处理、控制、变革变化着的对象。这一点起码目前机器学习是无法做到的，而这却是人类学