科普：什么是人工智能

定义一：AI 就是让人觉得不可思议的计算机程序
人工智能就是机器可以完成人们不认为机器能胜任的事——这个定义非常主观，但也非常有趣。一个计算机程序是不是人工智能，完全由这个程序的所作所为是不是能让人目瞪口呆来界定。这种唯经验论的定义显然缺乏一致性，会因时代不同、背景不同、评判者的经验不同而套用不同的标准。但这一定义往往反映的是一个时代里最大多数的普通人对人工智能的认知方式：每当一个新的人工智能热点出现，新闻媒体和大众总是用自己的经验来判定人工智能技术的价值高低，而不管这种技术在本质上究竟有没有“智能”。http://www.jkkaoyan.com/

计算机下棋的历史就非常清楚地揭示了这一定义的反讽之处。众学简快

早期，碍于运行速度和存储空间的限制，计算机只能用来解决相对简单的棋类博弈问题，例如西洋跳棋，但这毫不妨碍当时的人们将一台会下棋的计算机称作智能机器，因为那时，普通计算机在大多数人心目中不过是一台能用飞快的速度做算术题的机器罢了。1951 年，英国曼彻斯特大学的 Christopher Strachey 编写了第一个会下西洋跳棋的计算机程序。1950 年代中期，IBM 的 Arthur Samuel 开发的西洋跳棋程序就可以和业余选手对抗了。1962 年，Arthur Samuel 的程序战胜了一位盲人跳棋高手，一时间成了不小的新闻事件（Jill Cirasella, Danny Kopec, The History of Computer Games, 2006），绝大多数媒体和公众都认为类似的西洋跳棋程序是不折不扣的人工智能。

可没过多久，不少粗通编程的人发现，计算机基本上是在用搜索或优化搜索的方式来解决博弈问题。虽然其中有各种避免穷举的算法技巧，但在公众眼中，程序只不过是按事先编写的搜索策略一步步找到最佳走棋步骤而已。随着PC机普及，每台个人电脑都可以运行一个水平相当高的西洋跳棋程序，会下棋的计算机逐渐褪去了神秘的光环。人们开始怀疑西洋跳棋程序的智能程度，不少人会用国际象棋作为例子，挑衅式地说，“下西洋跳棋有什么了不起？哪天在国际象棋棋盘上赢了世界冠军，那才叫人工智能。”

后面的事情大家都很熟悉了。1996 年，IBM 研究团队倾力打造的计算机深蓝挑战世界棋王卡斯帕罗夫，当年虽遗憾败北，但人们已经看到了计算机战胜人类的希望。1997 年，深蓝卷土重来，在六局棋的对抗赛中战胜卡斯帕罗夫后声誉大振。当时，几乎全世界的人都在讨论深蓝的强大和可怕，没人怀疑深蓝就是人工智能的代表，至少，公众愿意相信，在深蓝巨大的黑色机箱内，拥有一颗在棋类博弈领域不输人类的特殊“大脑”。

好景不长，与西洋跳棋相似的历史很快就再次上演。当国际象棋、中国象棋已经被计算机玩得滚瓜烂熟，连一部手机、一台平板电脑上的象棋程序都能与人类高手分庭抗礼，公众立即开始怀疑这样的博弈程序是不是还算得上人工智能。道理很简单，公众总是乐于证明人类在智慧层面的独一无二。不管是不是真的懂得算法细节，人们总会说，计算机只不过是在程序控制下机械地完成搜索或穷举罢了。事实上，与下棋类似的事情也发生在 OCR 等失去了新鲜感的计算机算法身上（Roger C. Schank, Where’s the AI? AI Magazine Volumen 12 Number 4, 1991），本文开头提到的人脸识别也不例外。

拒绝承认象棋程序是人工智能后，公众找到了维护人类智慧尊严的最后阵地——围棋。直到 2016 年年初，除了一个叫樊麾的职业围棋选手和 Google DeepMind 的一只规模不大的研发团队外，几乎所有地球人，包括围棋高手和不少计算机专家都经常会说，“下象棋有什么了不起？真有智能的话，来跟世界冠军下盘围棋试试？围棋可是一项无法穷尽搜索，需要依靠人类大局观的智力运动，是唯一一种计算机无法战胜人类的棋类比赛。”

很不幸，人类的自以为是又一次被快速发展的人工智能算法无情嘲笑了。2016 年 3 月 9 日，围棋世界冠军李世石坐在 AlphaGo 面前，宿命再一次降临。随着 AlphaGo 在五番棋中以四比一大胜，有关人工智能的热情和恐慌情绪同时在全世界蔓延开来，也因此引发了一波人工智能宣传、研发和投资的热潮。

今天，没有人怀疑 AlphaGo 的核心算法是人工智能。但想一想曾经的西洋跳棋和国际象棋，当时的人们不是一样对战胜了人类世界冠军的程序敬若神明吗？再过几年，当手机上的围棋程序可以轻松战胜职业棋手，当所有围棋比赛都要严查手机作弊时，人们还会认为计算机下围棋是一件不可思议的事吗？人们还会将围棋程序视为人工智能的代表吗？

定义二：AI 就是与人类思考方式相似的计算机程序
这是人工智能发展早期非常流行的一种定义方式。另一种类似的，同样从思考方式本源出发的定义是：AI 就是能遵照思维里的逻辑规律进行思考的计算机程序。

从根本上讲，这是一种类似仿生学的直观思路。既然叫人工智能，那用程序来模拟人的智慧就是最直截了当的做法。但历史经验证明，仿生学的思路在科技发展中不一定可行。一个最好也最著名的例子就是飞机。人类在几千年的时间里一直梦想着按照鸟类扑打翅膀的方式飞上天空，但反讽的是，真正带着人类在长空翱翔，并打破了鸟类飞行速度、飞行高度纪录的，是飞行原理与鸟类差别极大的固定翼飞机。

人类思考方式？人究竟是怎样思考的？这本身就是一个复杂的技术和哲学问题。要了解人类自身的思考方式，哲学家们试图通过反省与思辨，找到人类思维的逻辑法则，而科学家们则通过心理学和生物学实验，了解人类在思考时的身心变化规律。这两条道路都在人工智能的发展历史上起到过极为重要的作用。

思维法则，或者说，逻辑学，是一个人的思考过程是不是理性的最高判定标准。从古希腊的先贤们开始，形式逻辑，数理逻辑，语言逻辑，认知逻辑等分支在数千年的积累和发展过程中，总结出大量规律性的法则，并成功地为几乎所有科学研究提供了方法论层面的指导。让计算机中的人工智能程序遵循逻辑学的基本规律进行运算、归纳或推演，这是许多早期人工智能研究者的最大追求。

世界上第一个专家系统程序 Dendral 是一个成功地用人类专家知识和逻辑推理规则解决一个特定领域问题的例子。这是一个由斯坦福大学的研究者用 Lisp 语言写成的，帮助有机化学家根据物质光谱推断未知有机分子结构的程序。Dendral 项目在 1960 年代中期取得了令人瞩目的成功，衍生出一大批根据物质光谱推断物质结构的智能程序（Dendral）。

Dendral 之所以能在限定的领域解决问题，一是依赖于化学家们积累的有关何种分子机构可能产生何种光谱的经验知识，一是依赖符合人类逻辑推理规律的大量判定规则。Dendral 的成功事实上带动了专家系统在人工智能各相关领域的广泛应用，从机器翻译到语音识别，从军事决策到资源勘探。一时间，专家系统似乎就是人工智能的代名词，其热度不亚于今天的深度学习。

但人们很快就发现了基于人类知识库和逻辑学规则构建人工智能系统的局限。一个解决特定的、狭小领域问题的专家系统很难被扩展到稍微宽广一些的知识领域中，更别提扩展到基于世界知识的日常生活里了。一个著名的例子是早期人们用语法规则与词汇对照表来实现机器翻译时的窘境。1957 年苏联发射世界上第一颗人造卫星后，美国政府和军方急于使用机器翻译系统了解苏联科技动态。但用语法规则和词汇对照表实现的俄语到英语的机器翻译系统笑话百出，曾把“心有余而力不足（the spirit is willing but the flesh is weak）”翻译为“伏特加不错而肉都烂掉了（the vodka is good but the meat is rotten）”，完全无法处理自然语言中的歧义和丰富多样的表达方式（Stuart Russell, Peter Norvig, Artificial Intelligence: A Modern Approach, Third edition）。在后起的统计模型、机器学习等技术面前，专家系统毫无优势可言，从 1990 年代开始就备受冷落。科研机构甚至不得不解雇过时的语言学家，以跟上技术进展的脚步。

另一方面，从心理学和生物学出发，科学家们试图弄清楚人的大脑到底是怎么工作的，并希望按照大脑的工作原理构建计算机程序，实现“真正”的人工智能。这条道路上同样布满荆棘。最跌宕起伏的例子，非神经网络莫属。

生物学家和心理学家很早就开始研究人类大脑的工作方式，其中最重要的一环，就是大脑神经元对信息（刺激）的处理和传播过程。早在通用电子计算机出现之前，科学家们就已经提出了有关神经元处理信息的假想模型，即，人类大脑中的数量庞大的神经元共同组成一个相互协作的网络结构，信息（刺激）通过若干层神经元的增强、衰减或屏蔽处理后，作为系统的输出信号，控制人体对环境刺激的反应（动作）。1950 年代，早期人工智能研究者将神经网络用于模式识别，用计算机算法模拟神经元对输入信号的处理过程，并根据信号经过多层神经元后得到的输出结果对算法参数进行修正。

早期神经网络技术没有发展太久就陷入低谷。这主要有两个原因，一是当时的人工神经网络算法在处理某些特定问题时有先天局限，亟待理论突破，二是当时的计算机运算能力无法满足人工神经网络的需要。1970 到 1980 年代，人工神经网络的理论难题得到解决。1990 年代开始，随着计算机运算能力的飞速发展，神经网络在人工智能领域重新变成研究热点。但直到 2010 年前后，支持深度神经网络的计算机集群才开始得到广泛应用，供深度学习系统训练使用的大规模数据集也越来越多。神经网络这一仿生学概念在人工智能的新一轮复兴中，真正扮演了至关重要的核心角色。

客观地说，神经网络到底在多大程度上精确反映了人类大脑的工作方式，这仍然存在争议。在仿生学的道路上，最本质的问题是，人类至今对大脑如何实现学习、记忆、归纳、推理等思维过程的机理还缺乏认识，况且，我们并不知道，到底要在哪一个层面（大脑各功能区相互作用的层面？细胞之间交换化学物质和电信号的层面？还是分子和原子运动的层面？）真实模拟人脑的运作，才能制造出可以匹敌人类智慧的智能机器。

定义三：AI 就是与人类行为相似的计算机程序
和仿生学派强调对人脑的研究与模仿不同，实用主义者从不觉得人工智能的实现必须遵循什么规则或理论框架。“黑猫白猫，逮住耗子就是好猫。”在人工智能的语境下，这句话可以被改造成，“简单程序，复杂程序，聪明管用就是好程序。”

也就是说，无论计算机以何种方式实现某一功能，只要该功能表现得与人在类似环境下的行为相似，就可以说，这个计算机程序拥有了在该领域内的人工智能。这一定义从近似于人类行为的最终结果出发，忽视达到这一结果的手段。另一种对人工智能的近似定义则更强调人工智能的实用色彩：AI 就是可以解决问题并获得最大收益的计算机程序。

略懂些编程的人都知道，几乎所有程序设计语言都提供了类似 if … else … 的分支结构，那么，与 if … else … 相关的一个哲学问题是，程序根据某个条件进行判断并完成相应操作的时候，这个“判断”以及随后的“决定”是由计算机自己做出的，还是由编程序的人做出的？如果是由计算机自己做出的，那能不能说所有执行了 if … else … 语句的计算机程序都是人工智能？如果相反，那计算机根据运行时的情况做决策时，人又在哪里呢？

哲学思辨容易陷入这样的两难境地，但实用主义者根本不把这当回事——执行 if … else … 的程序是否有智能，完全要看那个程序是不是做了和人相似的有智能的事。像 Dendral 这样的专家系统就是靠大量 if … else … 来模仿人类专家的判定规则，这当然属于人工智能的范畴，而普通的数值计算程序即便用了 if … else …，也不能被称作智能。

实用主义者推崇备至的一个例子是麻省理工学院于 1964 到 1966 年间开发的“智能”聊天程序 ELIZA。那个程序看上去就像一个有无穷耐心的心理医生，可以和无聊的人或需要谈话治疗的精神病人你一句我一句永不停歇地聊下去。当年， ELIZA 的聊天记录让许多人不敢相信自己的眼睛。可事实上，ELIZA 所做的，不过是在用户输入的句子里，找到一些预先定义好的关键词，然后根据关键词从预定的回答中选择一句，或者简单将用户的输入做了人称替换后，再次输出，就像心理医生重复病人的话那样。ELIZA 心里只有词表和映射规则，它才不懂用户说的话是什么意思呢。

这种实用主义的思想在今天仍有很强的现实意义。比如今天的深度学习模型在处理机器翻译、语音识别、主题抽取等自然语言相关的问题时，基本上都是将输入的文句看成由音素、音节、字或词组成的信号序列，然后将这些信号一股脑塞进深度神经网络里进行训练。深度神经网络内部，每层神经元的输入输出信号可能相当复杂，复杂到编程者并不一定清楚这些中间信号在自然语言中的真实含义，但没有关系，只要整个模型的最终输出满足要求，这样的深度学习算法就可以工作得很好。在研究者看来，深度学习模型是不是真的跟人类大脑神经元理解自然语言的过程类似，这一点儿都不重要，重要的是，整个模型可以聪明地工作，最终结果看起来就像人做的一样。