博文
计算机不能做什么？（2）
精选
|||
我把AI先分为两类，一类是爬树型的AI，另一类则是造火箭型的AI。分类的理由可见上一篇博文：计算机不能做什么？（1）。
http://blog.sciencenet.cn/home.php?mod=space&uid=257249&do=blog&id=607055
以后我对AI还有其他的分类方法，今天先来谈谈AI的历史吧。
AI曾经经历过大起大落，大落大起。
20世纪50-60年代是AI的初始时期。
最早一篇专门论述机器智能与现代数字计算机关系问题的论文是由英国数学家艾伦•图灵（Alan Turing）于1950年撰写的：计算机器与智能（Computing machinery and intelligence），引起了广泛的注意和深远的影响。
“1956年夏季，由年轻的美国数学家和计算机专家麦卡锡（McCarthy）、数学家和神经学家明斯基（Minsky）、IBM公司中心主任郎彻斯特（Lochester）以及贝尔实验室信息部数学家和信息学家香农（Shannon）共同发起，邀请了IBM公司的莫尔（More）和塞缪尔（Samuel）、MIT的塞尔夫里奇（Selfridge）和索洛蒙夫（Solomonff），以及兰德公司和CMU的纽厄尔（Newell）和西蒙（Simon）共10人，在美国的达特茅斯（Dartmouth）大学举办了长达两个月的研讨会，认真热烈地讨论用机器模拟人类智能的问题。会上，由麦卡锡提议正式使用‘人工智能’这一术语。[1]”
（注1：CMU为卡内基梅隆大学的英文缩写）
（注2：艾伦•图灵已经于1954年去世）
最初的AI研究着重是解决机器翻译、问题求解以及模式识别。早期的进展确实令人可喜，AI也得到了美国国防部的大力资助。所有的一切显示出来，AI的前景非常光明。西蒙乐观地预言到：“二十年内，机器将可以作任何人作的工作。[2]” 明斯基也信心满满地说：“再有一代人的时间，创建‘人工智能’的问题就基本解决了。[2]”
他们都低估了AI将要面对的困难。
随后，AI进入了一个衰落期，通常称为AI的冬天。持续的时间大约是10年（1966-1974[1]）。文献[1]分析了衰落的原因：“一方面，由于一些人工智能研究者 ‘被胜利冲昏了头脑’，盲目乐观，对人工智能的未来发展和成果做出了过高的预言，而这些预言的失败，给人工智能的声誉造成了重大伤害。同时，许多人工智能理论和方法未能得到通用化和推广应用，专家系统也尚未获得广泛开发。”
文献[1]还提出当时的AI存在三个局限性：知识局限性、解法局限性和结构局限性。
“1971年英国剑桥大学数学家詹姆士（James）按照英国政府的旨意，发表一份关于人工智能的综合报告，声称‘人工智能不是骗局，也是庸人自扰’。在这份报告影响下，英国政府削减了人工智能研究经费，解散了人工智能研究机构。[1]”
应该说，文献[1]的分析不是特别到位。首先来说，一个研究领域的衰落不可能是一份报告就能影响的。就算英国政府削减了经费，当时AI研究的中心应该在美国。
“1966年，“美国科学院科学研究委员会散发了一份政府报告----《语言与机器翻译》，这份报告宣告了机器翻译兴旺期的终结。这个委员会仔细对比了人与机器的翻译作品后得出结论说：
我们已经看到，虽然有一般科学文献的机助翻译，但没有可实用的机器翻译。况且，近期看不到也不可预测这种可实用的机器翻译的前景。[3]”
时间从那时算起已经将近50年，能够翻译出满意作品的计算机（软件）仍未诞生。
为什么会这样呢，我的回答是：“语义”！
翻译不是语法再加简单的单词对应。时间尽管过了很多年，“语义”仍然是AI难以翻越的一座高山。
这是机器翻译的命运。我们再来看问题求解。
今天我们一提到GPS，大家都会想到美国的卫星全球定位系统（Global Positioning System）。而早在1959年纽厄尔（Newell）和西蒙（Simon）再加上肖（Shaw）三个人开发了一个叫做通用问题求解程序（the General Problem Solver）也简称GPS。
“人工智能一般领域中大多数早期研究工作，特别是关于博弈和问题求解的工作都是在纽厄尔、肖和西蒙（兰德（RAND）公司和Garnegie Institute of Tech）的思想启发和支配下进行的。他们研究的方法叫作认知模拟（CS），因为所采用的技巧一般是先以人为对象，采集原型，然后对这些原型进行分析，以发现这些对象所使用的启发法，再写出一个体现类似经验的作法的程序来。[3]”
纽厄尔、肖和西蒙早期的工作是成功的，1957年他们使用按照启发规则进行的试错搜索法，证明了《数学原理》中52个定理中的38个。正是这种成功，两年后他们提出了GPS。
“早在1961年西蒙情绪高涨的时候，明斯基已经看到，把试错技巧应用于真正复杂问题时将遇到的困难：
……在较复杂的问题中，随着搜索空间的扩大和每次尝试时间和工作增加，这种方法就不适用了。人们再不能够采用那种尝试、失败、再尝试的策略了，因为每次在一个困难问题上的尝试中所作的努力甚大，人们必须确保无论努力的结果如何，都不能是全然徒劳的。[3]”
模式识别的研究和前面提到的两个问题一样，都是在早期取得了一定的成功，再想深入地作下去时就遇到了几乎是无法克服的困难。文献[3]引用早期模式识别研究人员的话说：“……虽然已经成功地实现了多种印刷单词的识别，可是所有想满意地解决手写稿识别的尝试都失败了。”“天呀，我觉得许多渴求的目标恰好是些瓷制的鸡蛋，无论加温多长，也孵不出小鸡来，因为正是单独工作的机器需要有模式的发现，而这一任务需要人类的品质。”
这里我们看到，当时的科研人员似乎都比较诚实，他们如实地把自己工作遇到的困难和失败描述出来。这很值得现在的科研人员学习。
文献[3]对早期AI作了深入的分析。其中一句话也很值得我们深思：“否定的成果只要人们正视它，是很有意义的。”
文献[3]就人的认知本质和机器工作方法作了探讨。分别是“边缘意识和启发引导搜索”、“对歧义的容忍性及与上下文环境无关的精确性”、“本质/非本质区分与试错探索”。
“……只有费根鲍姆这些人会感到奇怪，他们未看到区分本质与非本质的能力是人类‘信息加工’的一种形式，在学习和问题求解中都是必不可少的，但不适用于机械搜索。……正是智能的这种功能，阻碍了问题求解领域中的进展。[2]”
如果上面介绍的概念比较抽象，让我们用一些具体的例子来说明一下吧。
无论婴儿说“吃饭”、“饭”或者“饭饭”，其父母都能理解。和一个人对话时，尽管有时他颠三倒四，有语法错误或者结结巴巴的，我们都能理解他的意思。这就是“对歧义的容忍”。
“你…你今…今天…吃…吃…吃饭了没…没有？”我们每个人都可以理解。计算机就不一定了（暂且假设计算机可以理解一部分自然语言）。
对于一个三角形的识别，我们人类只要一眼扫过就能识别，我们是靠一种“洞察力”。而计算机要先把它当成一个一般的图形，经过复杂的计算才能完成。对于一张桌子，无论它是大是小，无论它式样、颜色如何、无论它是正着放还是反着放，无论他是否少了一条或两条腿，我们都轻易地能识别，这就是因为我们具有区分本质特征和非本质特征的能力。
说到边缘意识，钟表的滴答声，只有它停止时，我们才被注意到，这就是边缘意识。确切地说，我们其实不是没意识到，但把它放在无关紧要的地位了。正是这样，我们在解决很多问题时，可以不采用穷举的方式。
后来，大概是在20世纪80年代AI又重新开始复苏，并成为了最热门研究领域之一。为什么会这样呢？我们下一篇博文再谈。
参考文献
[1] 蔡自兴、徐光祐. 人工智能及其应用(第4版)[M]. 北京：清华大学出版社，2010
[2] Artificial intelligence. Wikipedia.
http://en.wikipedia.org/wiki/Artificial_intelligence (2012/08/31)
[3] 休伯特·德雷福. 计算机不能做什么（中译本）北京：生活••读书•新知三联书店，1986
https://blog.sciencenet.cn/blog-257249-607829.html
上一篇：计算机不能做什么？ （1）
下一篇：恼人的交通路牌
