鄭文盼? ? ? 16020150021
【嵌牛導(dǎo)讀】1956年達特茅斯會議之后冯乘，人工智能迎來井噴發(fā)展，許多數(shù)學(xué)定理被計算機證明屈梁，程序可以戰(zhàn)勝跳棋州際冠軍点弯，在這個黃金時代扇调，人工智能看上去前景光明。然而好景不長蒲拉，更難的數(shù)學(xué)定理難倒了計算機肃拜，跳棋程序始終無法戰(zhàn)勝世界冠軍，相關(guān)科研經(jīng)費被大幅削減雌团，人工智能進入寒冬燃领。危難之間，攜帶大量人類知識來解決問題的專家系統(tǒng)出現(xiàn)了……
【嵌牛鼻子】AI,歷史
【嵌牛提問】人工智能的產(chǎn)生發(fā)展歷史脈絡(luò)是怎樣的呢锦援？
【嵌牛正文】
人工智能之夢——群龍問鼎（1980—2010）
專家系統(tǒng)猛蔽、知識工程的運作需要從外界獲得大量知識的輸入，而這樣的輸入工作是極其費時費力的，這就是知識獲取的瓶頸曼库。于是区岗，在20世紀80年代，機器學(xué)習(xí)這個原本處于人工智能邊緣地區(qū)的分支一下子成為了人們關(guān)注的焦點毁枯。
盡管傳統(tǒng)的人工智能研究者也在奮力掙扎慈缔，但是人們很快發(fā)現(xiàn)，如果采用完全不同的世界觀种玛，即讓知識通過自下而上的方式涌現(xiàn)藐鹤，而不是讓專家們自上而下地設(shè)計出來，那么機器學(xué)習(xí)的問題其實可以得到很好地解決赂韵。這就好比我們教育小孩子娱节，傳統(tǒng)人工智能好像填鴨式教學(xué)，而新的方法則是啟發(fā)式教學(xué)：讓孩子自己來學(xué)祭示。
事實上肄满，在人工智能界，很早就有人提出過自下而上的涌現(xiàn)智能的方案质涛，只不過它們從來沒有引起大家的注意稠歉。一批人認為可以通過模擬大腦的結(jié)構(gòu)（神經(jīng)網(wǎng)絡(luò)）來實現(xiàn)，而另一批人則認為可以從那些簡單生物體與環(huán)境互動的模式中尋找答案蹂窖。他們分別被稱為連接學(xué)派和行為學(xué)派轧抗。與此相對，傳統(tǒng)的人工智能則被統(tǒng)稱為符號學(xué)派瞬测。自20世紀80年代開始，到20世紀90年代纠炮，這三大學(xué)派形成了三足鼎立的局面月趟。
符號學(xué)派
作為符號學(xué)派的代表，人工智能的創(chuàng)始人之一約翰·麥卡錫在自己的網(wǎng)站上掛了一篇文章《什么是人工智能》恢口，為大家闡明什么是人工智能（按照符號學(xué)派的理解）孝宗。
（人工智能）是關(guān)于如何制造智能機器，特別是智能的計算機程序的科學(xué)和工程耕肩。它與使用機器來理解人類智能密切相關(guān)因妇，但人工智能的研究并不需要局限于生物學(xué)上可觀察到的那些方法。
在這里猿诸，麥卡錫特意強調(diào)人工智能研究并不一定局限于模擬真實的生物智能行為婚被，而是更強調(diào)它的智能行為和表現(xiàn)的方面，這一點和圖靈測試的想法是一脈相承的梳虽。另外址芯，麥卡錫還突出了利用計算機程序來模擬智能的方法。他認為，智能是一種特殊的軟件谷炸，與實現(xiàn)它的硬件并沒有太大的關(guān)系北专。
紐厄爾和西蒙則把這種觀點概括為“物理符號系統(tǒng)假說”（physical symbolic system hypothesis）。該假說認為旬陡，任何能夠?qū)⑽锢淼哪承┠Ｊ剑╬attern）或符號進行操作并轉(zhuǎn)化成另外一些模式或符號的系統(tǒng)拓颓，就有可能產(chǎn)生智能的行為。這種物理符號可以是通過高低電位的組成或者是燈泡的亮滅所形成的霓虹燈圖案描孟，當然也可以是人腦神經(jīng)網(wǎng)絡(luò)上的電脈沖信號录粱。這也恰恰是“符號學(xué)派”得名的依據(jù)。
在“物理符號系統(tǒng)假說”的支持下画拾，符號學(xué)派把焦點集中在人類智能的高級行為啥繁，如推理、規(guī)劃青抛、知識表示等方面旗闽。這些工作在一些領(lǐng)域獲得了空前的成功。
人機大戰(zhàn)
計算機博弈（下棋）方面的成功就是符號學(xué)派名揚天下的資本蜜另。早在1958年适室，人工智能的創(chuàng)始人之一西蒙就曾預(yù)言，計算機會在10年內(nèi)成為國際象棋世界冠軍举瑰。然而捣辆，正如我們前面討論過的，這種預(yù)測過于樂觀了此迅。事實比西蒙的預(yù)言足足晚了40年的時間汽畴。
1988年，IBM開始研發(fā)可以與人下國際象棋的智能程序“深思”——一個可以以每秒70萬步棋的速度進行思考的超級程序耸序。到了1991年忍些，“深思II”已經(jīng)可以戰(zhàn)平澳大利亞國際象棋冠軍達瑞爾·約翰森（Darryl Johansen）。1996年坎怪，“深思”的升級版“深藍”開始挑戰(zhàn)著名的人類國際象棋世界冠軍加里·卡斯帕羅夫（Garry Kasparov）罢坝，卻以2:4敗下陣來。但是搅窿，一年后的5月11日嘁酿，“深藍”最終以3.5:2.5的成績戰(zhàn)勝了卡斯帕羅夫（見圖1-5），成為了人工智能的一個里程碑男应。
人機大戰(zhàn)終于以計算機的勝利劃上了句號闹司。那是不是說計算機已經(jīng)超越了人類了呢？要知道殉了，計算機通過超級強大的搜索能力險勝了人類——當時的“深藍”已經(jīng)可以在1秒鐘內(nèi)算兩億步棋开仰。而且，“深藍”存儲了100年來幾乎所有的國際特級大師的開局和殘局下法。另外還有四位國際象棋特級大師親自“訓(xùn)練”“深藍”众弓，真可謂是超豪華陣容恩溅。所以，最終的結(jié)果很難說是計算機戰(zhàn)勝了人谓娃，更像是一批人戰(zhàn)勝了另一批人脚乡。最重要的是，國際象棋上的博弈是在一個封閉的棋盤世界中進行的滨达，而人類智能面對的則是一個復(fù)雜得多的開放世界奶稠。
然而，時隔14年后捡遍，另外一場在IBM超級計算機和人類之間的人機大戰(zhàn)刷新了記錄锌订，也使得我們必須重新思考機器是否能戰(zhàn)勝人類這個問題。因為這次的比賽不再是下棋画株，而是自由的“知識問答”辆飘，這種競賽環(huán)境比國際象棋開放得多，因為提問的知識可以涵蓋時事谓传、歷史蜈项、文學(xué)、藝術(shù)续挟、流行文化紧卒、科學(xué)、體育诗祸、地理跑芳、文字游戲等多個方面。因此贬媒，這次的機器勝利至少證明了計算機同樣可以在開放的世界中表現(xiàn)得不遜于人類聋亡。
這場人機大戰(zhàn)的游戲叫作《危險》（Jeopardy），是美國一款著名的電視節(jié)目际乘。在節(jié)目中，主持人通過自然語言給出一系列線索漂佩，然后脖含，參賽隊員要根據(jù)這些線索用最短的時間把主持人描述的人或者事物猜出來，并且以提問的方式回答投蝉。例如當節(jié)目主持人給出線索“這是一種冷血的無足的冬眠動物”的時候养葵，選手應(yīng)該回答“什么是蛇？”而不是簡單地回答“蛇”瘩缆。由于問題會涉及各個領(lǐng)域关拒，所以一般知識淵博的人類選手都很難獲勝。
然而，在2011年2月14日到2月16日期間的《危險》比賽中着绊，IBM公司的超級計算機沃森（Watson）卻戰(zhàn)勝了人類選手（見圖1-6）谐算。
可以說攀圈，人機大戰(zhàn)是人工智能符號學(xué)派1980年以來最出風頭的應(yīng)用暴凑。然而，這種無休止的人機大戰(zhàn)也難逃成為噱頭的嫌疑赘来。事實上现喳，歷史上每次吸引眼球的人機大戰(zhàn)似乎都必然伴隨著IBM公司的股票大漲，這也就不難理解為什么IBM會花重金開發(fā)出一款又一款大型計算機去參加這么多無聊的競賽犬辰，而不是去做一些更實用的東西了嗦篱。
實際上，20世紀80年代以后幌缝，符號學(xué)派的發(fā)展勢頭已經(jīng)遠不如當年了灸促，因為人工智能武林霸主的地位很快就屬于其他學(xué)派了。
連接學(xué)派
我們知道涵卵，人類的智慧主要來源于大腦的活動浴栽，而大腦則是由一萬億個神經(jīng)元細胞通過錯綜復(fù)雜的相互連接形成的。于是轿偎，人們很自然地想到典鸡，我們是否可以通過模擬大量神經(jīng)元的集體活動來模擬大腦的智力呢？
對比物理符號系統(tǒng)假說坏晦，我們不難發(fā)現(xiàn)萝玷，如果將智力活動比喻成一款軟件嫁乘，那么支撐這些活動的大腦神經(jīng)網(wǎng)絡(luò)就是相應(yīng)的硬件。于是球碉，主張神經(jīng)網(wǎng)絡(luò)研究的科學(xué)家實際上在強調(diào)硬件的作用蜓斧，認為高級的智能行為是從大量神經(jīng)網(wǎng)絡(luò)的連接中自發(fā)出現(xiàn)的，因此汁尺，他們又被稱為連接學(xué)派法精。
神經(jīng)網(wǎng)絡(luò)
連接學(xué)派的發(fā)展也是一波三折。事實上痴突，最早的神經(jīng)網(wǎng)絡(luò)研究可以追溯到1943年計算機發(fā)明之前搂蜓。當時，沃倫·麥卡洛克（Warren McCulloch）和沃爾特·匹茲（Walter Pitts）二人提出了一個單個神經(jīng)元的計算模型辽装，如圖1-7所示帮碰。
在這個模型中，左邊的I1,I2,…,IN為輸入單元拾积，可以從其他神經(jīng)元接受輸出殉挽，然后將這些信號經(jīng)過加權(quán)（W1,W2,…,WN）傳遞給當前的神經(jīng)元并完成匯總。如果匯總的輸入信息強度超過了一定的閾值（T）拓巧，則該神經(jīng)元就會發(fā)放一個信號y給其他神經(jīng)元或者直接輸出到外界斯碌。該模型后來被稱為麥卡洛克-匹茲模型，可以說它是第一個真實神經(jīng)元細胞的模型肛度。
1957年傻唾，弗蘭克·羅森布拉特（Frank Rosenblatt）對麥卡洛克-匹茲模型進行了擴充，即在麥卡洛克-匹茲神經(jīng)元上加入了學(xué)習(xí)算法承耿，擴充的模型有一個響亮的名字：感知機冠骄。感知機可以根據(jù)模型的輸出y與我們希望模型的輸出y*之間的誤差，調(diào)整權(quán)重W1,W2,…,WN來完成學(xué)習(xí)加袋。
我們可以形象地把感知機模型理解為一個裝滿了大大小小水龍頭（W1,W2,…,WN）的水管網(wǎng)絡(luò)凛辣，學(xué)習(xí)算法可以調(diào)節(jié)這些水龍頭來控制最終輸出的水流，并讓它達到我們想要的流量职烧，這就是學(xué)習(xí)的過程扁誓。這樣，感知機就好像一個可以學(xué)習(xí)的小孩蚀之，無論什么問題跋理，只要明確了我們想要的輸入和輸出之間的關(guān)系，都可能通過學(xué)習(xí)得以解決恬总，至少它的擁護者是這樣認為的。
然而肚邢，好景不長壹堰，1969年拭卿，人工智能界的權(quán)威人士馬文·閔斯基給連接學(xué)派帶來了致命一擊。他通過理論分析指出贱纠，感知機并不像它的創(chuàng)立者羅森布拉特宣稱的那樣可以學(xué)習(xí)任何問題峻厚。連一個最簡單的問題：判斷一個兩位的二進制數(shù)是否僅包含0或者1（即所謂的XOR問題）都無法完成。這一打擊是致命的谆焊，本來就不是很熱的神經(jīng)網(wǎng)絡(luò)研究差點就被閔斯基這一棒子打死了惠桃。
多則不同
1974年，人工智能連接學(xué)派的救世主杰夫·辛頓（Geoffrey Hinton）終于出現(xiàn)了辖试。他曾至少兩次挽回連接學(xué)派的敗局辜王，1974年是第一次，第二次會在下文提到罐孝。辛頓的出發(fā)點很簡單——“多則不同”：只要把多個感知機連接成一個分層的網(wǎng)絡(luò)呐馆，那么，它就可以圓滿地解決閔斯基的問題莲兢。如圖1-8所示汹来，多個感知機連接成為一個四層的網(wǎng)絡(luò)，最左面為輸入層改艇，最右面為輸出層收班，中間的那些神經(jīng)元位于隱含層，右側(cè)的神經(jīng)元接受左側(cè)神經(jīng)元的輸出谒兄。
還是以水流管道為例來說明绵咱。當網(wǎng)絡(luò)執(zhí)行決策的時候碘饼，水從左側(cè)的輸入節(jié)點往右流，直到輸出節(jié)點將水吐出悲伶。而在訓(xùn)練階段艾恼，我們則需要從右往左來一層層地調(diào)節(jié)各個水龍頭，要使水流量達到要求麸锉，我們只要讓每一層的調(diào)節(jié)只對它右面一層的節(jié)點負責就可以了钠绍，這就是反向傳播算法。事實證明花沉，多層神經(jīng)網(wǎng)絡(luò)裝備上反向傳播算法之后柳爽，可以解決很多復(fù)雜的識別和預(yù)測等問題媳握。
幾乎是在同一時間，又有幾個不同的神經(jīng)網(wǎng)絡(luò)模型先后被提出磷脯，這些模型有的可以完成模式聚類蛾找，有的可以模擬聯(lián)想思維，有的具有深厚的數(shù)學(xué)物理基礎(chǔ)，有的則模仿生物的構(gòu)造。所有這些大的突破都令連接學(xué)派名聲大噪物遇，異軍突起。
統(tǒng)計學(xué)習(xí)理論
然而幻枉，連接學(xué)派的科學(xué)家們很快又陷入了困境。雖然各種神經(jīng)網(wǎng)絡(luò)可以解決問題绑雄，但是展辞，它們究竟為什么會成功以及為什么在有些問題上會屢遭失敗，卻沒有人能說得清楚万牺。對網(wǎng)絡(luò)運行原理的無知罗珍，也使得人們對如何提高神經(jīng)網(wǎng)絡(luò)運行效率的問題無從下手。因此脚粟，連接學(xué)派需要理論的支持覆旱。
2000年左右，弗拉基米爾·萬普尼克（Vladimir Naumovich Vapnik）和亞歷克塞·澤范蘭杰斯（Alexey Yakovlevich Chervonenkis）這兩位俄羅斯科學(xué)家提出了一整套新的理論：統(tǒng)計學(xué)習(xí)理論核无，受到連接學(xué)派的頂禮膜拜扣唱。
該理論大意可概括為“殺雞焉用宰牛刀”。我們的模型一定要與待解決的問題相匹配团南，如果模型過于簡單噪沙，而問題本身的復(fù)雜度很高，就無法得到預(yù)期的精度吐根。反過來正歼，若問題本身簡單，而模型過于復(fù)雜拷橘，那么模型就會比較僵死局义，無法舉一反三，即出現(xiàn)所謂的“過擬合”（overfitting）現(xiàn)象冗疮。
實際上萄唇，統(tǒng)計學(xué)習(xí)理論的精神與奧卡姆剃刀原理有著深刻的聯(lián)系。威廉·奧卡姆（William Occum术幔，1287—1347）是中世紀時期的著名哲學(xué)家另萤，他留下的最重要的遺產(chǎn)就是奧卡姆剃刀原理。該原理說诅挑，如果對于同一個問題有不同的解決方案仲墨，那么我們應(yīng)該挑選其中最簡單的一個勾缭。神經(jīng)網(wǎng)絡(luò)或者其他機器學(xué)習(xí)模型也應(yīng)該遵循類似的原理，只有當模型的復(fù)雜度與所解決的問題相匹配的時候目养，才能讓模型更好地發(fā)揮作用。
然而毒嫡，統(tǒng)計學(xué)習(xí)理論也有很大的局限性癌蚁，因為理論的嚴格分析僅僅限于一類特殊的神經(jīng)網(wǎng)絡(luò)模型：支持向量機（Supporting Vector Machine）。而對于更一般的神經(jīng)網(wǎng)絡(luò)兜畸，人們還未找到統(tǒng)一的分析方法努释。所以說，連接學(xué)派的科學(xué)家們雖然會向大腦學(xué)習(xí)如何構(gòu)造神經(jīng)網(wǎng)絡(luò)模型咬摇，但實際上他們自己也不清楚這些神經(jīng)網(wǎng)絡(luò)究竟是如何工作的伐蒂。不過，他們這種尷尬局面也是無獨有偶肛鹏，另外一派后起之秀雖然來勢洶洶逸邦，卻也沒有解決理論基礎(chǔ)問題，這就是行為學(xué)派在扰。
行為學(xué)派
行為學(xué)派的出發(fā)點與符號學(xué)派和連接學(xué)派完全不同缕减，他們并沒有把目光聚焦在具有高級智能的人類身上，而是關(guān)注比人類低級得多的昆蟲芒珠。即使這樣簡單的動物也體現(xiàn)出了非凡的智能桥狡，昆蟲可以靈活地擺動自己的身體行走，還能夠快速地反應(yīng)皱卓，躲避捕食者的攻擊裹芝。而另一方面，盡管螞蟻個體非常簡單娜汁，但是嫂易，當很多小螞蟻聚集在一起形成龐大的蟻群的時候，卻能表現(xiàn)出非凡的智能存炮，還能形成嚴密的社會分工組織炬搭。
正是受到了自然界中這些相對低等生物的啟發(fā)，行為學(xué)派的科學(xué)家們決定從簡單的昆蟲入手來理解智能的產(chǎn)生穆桂。的確宫盔，他們?nèi)〉昧瞬诲e的成果。
機器昆蟲
羅德尼·布魯克斯（Rodney Brooks）是一名來自美國麻省理工學(xué)院的機器人專家享完。在他的實驗室中有大量的機器昆蟲（如圖1-9所示）灼芭。相對于那些笨拙的機器人鐵家伙來說，這些小昆蟲要靈活得多般又。
如果說符號學(xué)派模擬智能軟件，連接學(xué)派模擬大腦硬件熟嫩，那么行為學(xué)派就算是模擬身體了秦踪，而且是簡單的、看起來沒有什么智能的身體掸茅。例如椅邓，行為學(xué)派的一個非常成功的應(yīng)用就是美國波士頓動力公司（Boston Dynamics）研制開發(fā)的機器人“大狗②。如圖1-10所示倦蚪，“大狗”是一個四足機器人希坚，它能夠在各種復(fù)雜的地形中行走、攀爬陵且、奔跑裁僧，甚至還可以背負重物∧焦海“大狗”模擬了四足動物的行走行為聊疲，能夠自適應(yīng)地根據(jù)不同的地形調(diào)整行走的模式。
進化計算
約翰·霍蘭（John Holland）是美國密西根大學(xué)的心理學(xué)、電器工程以及計算機的三科教授烤送。他本科畢業(yè)于麻省理工學(xué)院寒随，后來到了密西根大學(xué)師從阿瑟·伯克斯（Arthur Burks，曾是馮·諾依曼的助手）攻讀博士學(xué)位。1959年妻往，他拿到了全世界首個計算機科學(xué)的博士頭銜互艾。別看霍蘭個頭不高，他的骨子里卻有一種離經(jīng)叛道的氣魄讯泣。他在讀博期間就對如何用計算機模擬生物進化異常著迷纫普，并最終發(fā)表了他的遺傳算法。
遺傳算法對大自然中的生物進化進行了大膽的抽象判帮，最終提取出兩個主要環(huán)節(jié)：變異（包括基因重組和突變）和選擇局嘁。在計算機中，我們可以用一堆二進制串來模擬自然界中的生物體晦墙。而大自然的選擇作用——生存競爭、優(yōu)勝劣汰——則被抽象為一個簡單的適應(yīng)度函數(shù)肴茄。這樣晌畅，一個超級濃縮版的大自然進化過程就可以搬到計算機中了，這就是遺傳算法寡痰。
遺傳算法在剛發(fā)表的時候并沒有引起多少人的重視抗楔。然而，隨著時間的推移拦坠，當人工智能的焦點轉(zhuǎn)向機器學(xué)習(xí)時连躏，遺傳算法就一下子家喻戶曉了，因為它的確是一個非常簡單而有效的機器學(xué)習(xí)算法贞滨。與神經(jīng)網(wǎng)絡(luò)不同入热，遺傳算法不需要把學(xué)習(xí)區(qū)分成訓(xùn)練和執(zhí)行兩個階段，它完全可以指導(dǎo)機器在執(zhí)行中學(xué)習(xí)晓铆，即所謂的做中學(xué)（learning by doing）勺良。同時，遺傳算法比神經(jīng)網(wǎng)絡(luò)具有更方便的表達性和簡單性骄噪。
無獨有偶尚困，美國的勞倫斯·福格爾（Lawrence Fogel）、德國的因戈·雷伯格（Ingo Rechenberg）以及漢斯·保羅·施韋費爾（Hans-Paul Schwefel）链蕊、霍蘭的學(xué)生約翰·科扎（John Koza）等人也先后提出了演化策略事甜、演化編程和遺傳編程。這使得進化計算大家庭的成員更加多樣化了滔韵。
人工生命
無論是機器昆蟲還是進化計算逻谦，科學(xué)家們關(guān)注的焦點都是如何模仿生物來創(chuàng)造智能的機器或者算法∽嗍簦克里斯托弗·蘭頓（Chirstopher Langton）進行了進一步提煉跨跨，提出了“人工生命”這一新興學(xué)科。人工生命與人工智能非常接近，但是它的關(guān)注點在于如何用計算的手段來模擬生命這種更加“低等”的現(xiàn)象勇婴。
人工生命認為忱嘹，所謂的生命或者智能實際上是從底層單元（可以是大分子化合物，也可以是數(shù)字代碼）通過相互作用而產(chǎn)生的涌現(xiàn)屬性（emergent property）耕渴【性茫“涌現(xiàn)”（emergence）這個詞是人工生命研究中使用頻率最高的詞之一，它強調(diào)了一種只有在宏觀具備但不能分解還原到微觀層次的屬性橱脸、特征或行為础米。單個的蛋白質(zhì)分子不具備生命特征，但是大量的蛋白質(zhì)分子組合在一起形成細胞的時候添诉，整個系統(tǒng)就具備了“活”性屁桑，這就是典型的涌現(xiàn)。同樣地栏赴，智能則是比生命更高一級（假如我們能夠?qū)⒅悄芎蜕殖刹煌燃壍脑挘┑挠楷F(xiàn)——在生命系統(tǒng)中又涌現(xiàn)出了一整套神經(jīng)網(wǎng)絡(luò)系統(tǒng)蘑斧，從而使得整個生命體具備了智能屬性。現(xiàn)實世界中的生命是由碳水化合物編織成的一個復(fù)雜網(wǎng)絡(luò)须眷，而人工生命則是寄生于01世界中的復(fù)雜有機體竖瘾。
人工生命的研究思路是通過模擬的形式在計算機數(shù)碼世界中產(chǎn)生類似現(xiàn)實世界的涌現(xiàn)。因此花颗，從本質(zhì)上講捕传，人工生命模擬的就是涌現(xiàn)過程，而不太關(guān)心實現(xiàn)這個過程的具體單元扩劝。我們用01數(shù)字代表蛋白質(zhì)分子庸论，并為其設(shè)置詳細的規(guī)則，接下來的事情就是運行這個程序今野，然后盯著屏幕葡公，喝上一杯咖啡，等待著令人吃驚的“生命現(xiàn)象”在電腦中出現(xiàn)条霜。
模擬群體行為是人工生命的典型應(yīng)用之一催什。1983年，計算機圖形學(xué)家克雷格·雷諾茲（Craig Reynolds）曾開發(fā)了一個名為Boid的計算機模擬程序（見圖1-11）宰睡，它可以逼真地模擬鳥群的運動蒲凶，還能夠聰明地躲避障礙物。后來拆内，肯尼迪（Kennedy）等人于1995年擴展了Boid模型旋圆，提出了PSO（粒子群優(yōu)化）算法，成功地通過模擬鳥群的運動來解決函數(shù)優(yōu)化等問題麸恍。
類似地灵巧，利用模擬群體行為來實現(xiàn)智能設(shè)計的例子還有很多搀矫，例如蟻群算法、免疫算法等刻肄，共同特征都是讓智能從規(guī)則中自下而上地涌現(xiàn)出來瓤球，并能解決實際問題。
然而敏弃，行為學(xué)派帶來的問題似乎比提供的解決方法還多卦羡。究竟在什么情況下能夠發(fā)生涌現(xiàn)？如何設(shè)計底層規(guī)則使得系統(tǒng)能夠以我們希望的方式涌現(xiàn)麦到？行為學(xué)派绿饵、人工生命的研究者們無法回答。更糟糕的是瓶颠，幾十年過去了拟赊，人工生命研究似乎仍然只擅長于模擬小蟲子、螞蟻之類的低等生物粹淋，高級的智能完全沒有像他們預(yù)期的那樣自然涌現(xiàn)要门，而且沒有絲毫跡象。
三大學(xué)派間的關(guān)系
正如我們前面提到的廓啊，這三個學(xué)派大致是從軟件、硬件和身體這三個角度來模擬和理解智能的封豪。但是谴轮，這僅僅是一個粗糙的比喻。事實上吹埠，三大學(xué)派之間還存在著很多微妙的差異和聯(lián)系第步。
首先，符號學(xué)派的思想和觀點直接繼承自圖靈缘琅，他們是直接從功能的角度來理解智能的粘都。他們把智能理解為一個黑箱，只關(guān)心這個黑箱的輸入和輸出刷袍，而不關(guān)心黑箱的內(nèi)部構(gòu)造翩隧。因此，符號學(xué)派利用知識表示和搜索來替代真實人腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)呻纹。符號學(xué)派假設(shè)知識是先驗地存儲于黑箱之中的堆生，因此，它很擅長解決利用現(xiàn)有的知識做比較復(fù)雜的推理雷酪、規(guī)劃淑仆、邏輯運算和判斷等問題。
連接學(xué)派則顯然要把智能系統(tǒng)的黑箱打開哥力，從結(jié)構(gòu)的角度來模擬智能系統(tǒng)的運作蔗怠，而不單單重現(xiàn)功能。這樣，連接學(xué)派看待智能會比符號學(xué)派更加底層寞射。這樣做的好處是可以很好地解決機器學(xué)習(xí)的問題渔工，并自動獲取知識；但是弱點是對于知識的表述是隱含而晦澀的怠惶，因為所有學(xué)習(xí)到的知識都變成了連接權(quán)重的數(shù)值涨缚。我們?nèi)粢x出神經(jīng)網(wǎng)絡(luò)中存儲的知識，就必須要讓這個網(wǎng)絡(luò)運作起來策治，而無法直接從模型中讀出脓魏。連接學(xué)派擅長解決模式識別、聚類通惫、聯(lián)想等非結(jié)構(gòu)化的問題茂翔，但卻很難解決高層次的智能問題（如機器定理證明）。
行為學(xué)派則研究更低級的智能行為履腋，它更擅長模擬身體的運作機制珊燎，而不是腦。同時遵湖，行為學(xué)派非常強調(diào)進化的作用悔政，他們認為，人類的智慧也理應(yīng)是從漫長的進化過程中逐漸演變而來的延旧。行為學(xué)派擅長解決適應(yīng)性谋国、學(xué)習(xí)、快速行為反應(yīng)等問題迁沫，也可以解決一定的識別芦瘾、聚類、聯(lián)想等問題集畅，但在高級智能行為（如問題求解近弟、邏輯演算）上則相形見絀。
有意思的是挺智，連接學(xué)派和行為學(xué)派似乎更加接近祷愉，因為他們都相信智能是自下而上涌現(xiàn)出來的，而非自上而下的設(shè)計逃贝。但麻煩在于谣辞，怎么涌現(xiàn)？涌現(xiàn)的機制是什么沐扳？這些深層次問題無法在兩大學(xué)派內(nèi)部解決泥从，而必須求助于復(fù)雜系統(tǒng)科學(xué)。
三大學(xué)派分別從高沪摄、中躯嫉、低三個層次來模擬智能纱烘，但現(xiàn)實中的智能系統(tǒng)顯然是一個完整的整體。我們應(yīng)如何調(diào)解祈餐、綜合這三大學(xué)派的觀點呢擂啥？這是一個未解決的開放問題，而且似乎很難在短時間內(nèi)解決帆阳。主要的原因在于哺壶，無論是在理論指導(dǎo)思想還是計算機模型等方面，三大學(xué)派都存在著太大的差異蜒谤。
分裂與統(tǒng)一
于是山宾，就這樣磕磕碰碰地，人工智能走入了新的世紀鳍徽。到了2000年前后资锰，人工智能的發(fā)展非但沒有解決問題，反而引入了一個又一個新的問題阶祭，這些問題似乎變得越來越難以回答绷杜，而且所牽扯的理論也越來越深。于是濒募，很多人工智能研究者干脆當起了“鴕鳥”鞭盟，對理論問題不聞不問，而是一心向“應(yīng)用”看齊瑰剃。爭什么爭呀懊缺，實踐是檢驗真理的唯一標準，無論是符號培他、連接、行為遗座，能夠解決實際問題的鳥就是好鳥舀凛。
群龍無首
在這樣一種大背景下，人工智能開始進一步分化途蒋，很多原本隸屬于人工智能的領(lǐng)域逐漸獨立成為面向具體應(yīng)用的新興學(xué)科猛遍，我們簡單羅列如下：
自動定理證明
模式識別
機器學(xué)習(xí)
自然語言理解
計算機視覺
自動程序設(shè)計
每一個領(lǐng)域都包含大量具體的技術(shù)和專業(yè)知識以及特殊的應(yīng)用背景，不同分支之間也幾乎是老死不相往來号坡，大一統(tǒng)的人工智能之夢仿佛破滅了懊烤。于是，計算機視覺專家甚至不愿意承認自己搞的叫人工智能宽堆，因為他們認為腌紧，人工智能已經(jīng)成為了一個僅僅代表傳統(tǒng)的符號學(xué)派觀點的專有名詞，大一統(tǒng)的人工智能概念沒有任何意義畜隶，也沒有存在的必要壁肋。這就是人工智能進入2000年之后的狀況号胚。
貝葉斯統(tǒng)計
但是，世界總是那么奇妙浸遗，少數(shù)派總是存在的猫胁。當人工智能正面臨著土崩瓦解的窘境時，仍然有少數(shù)科學(xué)家正在逆流而動跛锌，試圖重新構(gòu)建統(tǒng)一的模式弃秆。
麻省理工學(xué)院的喬希·特南鮑姆（Josh Tenenbaum）以及斯坦福大學(xué)的達芙妮·科勒（Daphne Koller）就是這樣的少數(shù)派髓帽。他們的特立獨行起源于對概率這個有著幾百年歷史的數(shù)學(xué)概念的重新認識菠赚，并利用這種認識來統(tǒng)一人工智能的各個方面，包括學(xué)習(xí)氢卡、知識表示锈至、推理以及決策。
這樣的認識其實可以追溯到一位18世紀的古人译秦，這就是著名的牧師峡捡、業(yè)余數(shù)學(xué)家：托馬斯·貝葉斯（Thomas Bayes）。與傳統(tǒng)的方法不同筑悴，貝葉斯將事件的概率視為一種主觀的信念们拙，而不是傳統(tǒng)意義上的事件發(fā)生的頻率。因此阁吝，概率是一種主觀的測度砚婆，而非客觀的度量。故而突勇，人們也將貝葉斯對概率的看法稱為主觀概率學(xué)派——這一觀點更加明確地凸顯出貝葉斯概率與傳統(tǒng)概率統(tǒng)計的區(qū)別装盯。
貝葉斯學(xué)派的核心就是著名的貝葉斯公式，它表達了智能主體如何根據(jù)搜集到的信息改變對外在事物的看法甲馋。因此埂奈，貝葉斯公式概括了人們的學(xué)習(xí)過程。以貝葉斯公式為基礎(chǔ)定躏，人們發(fā)展出了一整套稱為貝葉斯網(wǎng)絡(luò)（示例見圖1-12）的方法账磺。在這個網(wǎng)絡(luò)上，研究者可以展開對學(xué)習(xí)痊远、知識表示和推理的各種人工智能的研究垮抗。隨著大數(shù)據(jù)時代的來臨，貝葉斯方法所需要的數(shù)據(jù)也是唾手可得碧聪，這使得貝葉斯網(wǎng)絡(luò)成為了人們關(guān)注的焦點冒版。
通用人工智能
另外一個嘗試統(tǒng)一人工智能的學(xué)者是澳大利亞國立大學(xué)的馬庫斯·胡特（Marcus Hutter），他在2000年的時候就開始嘗試建立一個新的學(xué)科逞姿，并為這個新學(xué)科取了一個響當當?shù)拿郑和ㄓ萌斯ぶ悄埽║niversal Artificial Intelligence）壤玫。
胡特認為豁护，現(xiàn)在主流的人工智能研究已經(jīng)嚴重偏離人工智能這個名稱的本意。我們不應(yīng)該將智能化分成學(xué)習(xí)欲间、認知楚里、決策、推理等分立的不同側(cè)面猎贴。事實上班缎，對于人類來說，所有這些功能都是智能作為一個整體的不同表現(xiàn)她渴。因此达址，在人工智能中，我們應(yīng)該始終保持清醒的頭腦趁耗，將智能看作一個整體沉唠，而不是若干分離的子系統(tǒng)。
如果非要堅持統(tǒng)一性和廣泛性苛败，那么我們就不得不放棄理論上的實用性满葛，這恰恰正是胡特的策略。與通常的人工智能研究非常不同罢屈，胡特采用的是規(guī)范研究方法嘀韧，即給出所謂的智能程序一個數(shù)學(xué)上的定義，然后運用嚴格的數(shù)理邏輯討論它的性質(zhì)缠捌。但是锄贷，理論上已證明，胡特定義的智能程序是數(shù)學(xué)上可構(gòu)造的曼月，但卻是計算機不可計算的——任何計算機都無法模擬這樣的智能程序——只有上帝能計算出來谊却。
不可計算的智能程序有什么用？相信讀者會有這樣的疑問哑芹。實際上因惭，如果在20世紀30年代，我們也會對圖靈的研究發(fā)出同樣的疑問绩衷。因為那個時候計算機還沒有發(fā)明呢，那么圖靈機模型有什么用呢激率？這也仿佛是傳說中英國女王對法拉第的詰難：“你研究的這些電磁理論有什么用呢咳燕？”法拉第則反問道：“那么，我尊敬的女王陛下乒躺，您認為招盲，您懷中抱著的嬰兒有什么用呢？”
胡特的理論雖然還不能與圖靈的研究相比嘉冒，但是曹货，它至少為統(tǒng)一人工智能開辟了新方向咆繁，讓我們看到了統(tǒng)一的曙光。我們只有等待歷史來揭曉最終的答案顶籽。
