向Lotfi Zadeh院士学习四种创新思维

   首先让我首先简单介绍一下 Lotfi Zadeh教授。Lotfi Zadeh（1921-2017），美国工程院院士，美国加州大学伯克利分校计算机系终身教授，模糊逻辑之父，世界著名的人工智能专家，是IEEE, AAAS, ACM, AAAI 等国际学会的Fellow和多个国家的外籍院士。Zadeh教授共以第一作者或者唯一作者发表论文论著200篇以上，总引用约为15万次，每年还在持续增加中。

Zadeh教授 入选IEEE在2011年评选的人工智能名人堂（AI Hall of Fame）第一批10人组，与很多人工智能的创始人、图灵奖和诺贝尔奖获得者并列，也是我2009年在美国UC Berkeley（加州大学伯克利分校）访问的导师。

  我与Zadeh教授在伯克利相处了1年多。虽然他已88高龄，退休多年， 每个工作日几乎都坚持上班，每周组织我们开圆桌研讨会（Roundtable Discussion），每学期给伯克利的师生做1-2次公开大报告(Open Presentation)。Zadeh的一生是创新的一生，以创新为乐，才思泉涌，绵延不绝。通过他的言传身教，我认为，从他的身上我们可以学习四种创新思维。

1.      模糊集（Fuzzy Set） 的逆向思维

在经典集合论中，一个元素要不属于一个集合，要不不属于，隶属度非0即1，是个离散变量。 Zadeh先生发现在人类的一些经验和感知的语言表述中，存在模糊现象（比如年轻人，美女，很热等等），很难分得很特别清楚。从经典集合进行逆向思维，他就创造出模糊集合（Fuzzy Set）的概念。在模糊集中，隶属度在[0 1]之间， 是个连续变量。

 这个逆向思维产生的想法（Idea）像一粒小小的荠菜种，在Zadeh教授几十年的精心培育下，逐渐茁壮成长为模糊系统的参天大树，包括模糊集合，模糊规则，模糊推理，模糊合成，解模糊，模糊控制等等。这篇在1965年发表的原创论文，至今被引用了8万次以上，可谓百年难遇。由此也产生了很多国际期刊，比如IEEE Trans. on Fuzzy Systems, Fuzzy Set and Systems 等20多个以Fuzzy为标题的国际著名期刊。

2.      软计算（Soft Computing）的集成思维

 90年代初，各种智能算法的研究百花齐放，如模糊逻辑、神经网络、概论推理，遗传算法、混沌理论等。Zadeh经过多年的认真思考和反复琢磨，提炼了这些方法的共同点：对不确定、不精确及不完全真值的容错。然后，提出了一个新的理论叫软计算（Soft Computing），将已这些神似而形不似的相关理论都集成起来，有了统一的旗帜。

Zadeh教授在20世纪90年代初，率先在伯克利成立了世界上第一个软计算研究中心（Berkeley Initiative in Soft Computing，BISC），成为世界软计算研究的发源地和中心。据说最辉煌的时候，有上百名来自世界各国的研究人员和访问学者在此交流访问。国际上，也随后出来了很多以软计算命名的著名期刊，如Soft Computing，Applied Soft Computing等10多个国际期刊。 软计算其实不软，计算速度快，计算效率高，计算效果好。

3.      不确定性一般理论（General Theory of Uncertainty，GTU） 的统一思维

自从模糊理论被提出，一直被传统的概率论专家所否定。他们坚持认为：凡是能用模糊解决的问题，概率论均可以解决，甚至解决得更好。Zadeh教授曾经写了很多论文解释这二者之间的不同，以及模糊逻辑的重要性和对概率的互补性。但是，概率论是一个有几百年历史的经典学科，广大研究者都形成了自己的思路，是很难改变的。

到了晚年，大约在80岁之后，Zadeh先生工作的重点就是将这两者统一起来，他称之为不确定性的一般理论GTU。我在伯克利听过2次他的公开报告，就是介绍他关于GTU的思考和一些理论推导。这个问题太大，如同爱因斯坦的“统一场论”，Zadeh先生也仅仅开了一个头，实在没有精力完成它，希望后继有人能完成这个伟大而艰巨的任务。

4.      可解释性人工智能(Explainable AI，EAI)的前瞻思维

        2009年，深度神经网络（DNN）快速崛起，很多人工智能的科研人员纷纷转向DNN研究及其应用。我在伯克利访问期间，也看到很多教授和研究生转向DNN，就去问Zadeh教授，这是否是未来的发展方向。Zadeh告诉我，we will discuss it in our roundtable discussion(我们将在我们的圆桌讨论会上讨论).

Zadeh教授不仅没有跟风，而且持续召开多次“Interpretability VS Accuracy（可解释性 VS 精度”）研讨会，指出神经网络虽然精度高，但是可解释性差，号召我们研究面向复杂系统的高精度而且可解释性强的新型智能算法。我有幸亲自参与了这些研讨会， 对Zadeh的前瞻性思维记忆犹新，对Zadeh的亲自上白板演算历历在目。

5.    总结

今年4月初，我国国家自然科学基金委员会（NSFC)发布原创探索项目-面向复杂对象的人工智能理论基础研究项目指南，提出“聚焦人工智能可解释性问题”，直指“基于深度神经网络的人工智能具有不可解释性”，鼓励我国学者提出新的人工智能基础理论，方法和应用。

谨以此文纪念和蔼可亲的Zadeh先生，创新不断的Zadeh教授，提携后进的Zadeh院士。希望我们能在先生的指引下，发扬光大模糊理论和软计算理论，努力完成先生未竟的GTU和EAI。

作者简介：陈德旺，IEEE高级会员，IEEE Trans.on ITS 编委，中国自动化学会混合智能专委会副主任，中国运筹学会智能计算分会副理事长，美国加州大学伯克利分校访问学者，福州大学数学与计算机科学学院教授、博士生导师，主要研究方向包括人工智能、大数据和智能交通。至今发表论文120余篇，其中SCI检索论文40余篇，IEEE Transaction论文13篇，他引3000余次；获得各类科研奖励10多项。