《社会智能与综合集成系统》—第2章2.3节机器智能系统的综合集成

本节书摘来自异步社区《W社会智能与综合集成系统》一书中的第2章2.3节机器智能系统的综合集成，作者戴汝为 , 李耀东 , 李秋丹,更多章节内容可以访问云栖社区“异步社区”公众号查看。

2.3 机器智能系统的综合集成
社会智能与综合集成系统
机器智能是研究什么的，人们对此有各种不同的看法，这里不一一举例，下面一种观点得到较多人的赞同：机器智能是对各种定性模型（物理的、感知的、认知的、社会的、系统的模型）的获得、表示和应用的计算方法进行研究的技术。因为模型的建立和知识紧密相关，所以有关模型的获得、表示和应用自然包括了知识的获得、知识的表示和知识应用。应用这样的观点来看机器智能系统的设计，可以认为一个机器智能系统是由一些原理和运行方式不同的模型综合而成，应用各种定性的模型来设计机器智能系统的优点比较明显，一方面可以增加系统的功能，以提高性能，另外又可以独立地对模型自身和有关问题进行深入的研究，把得到的结果用来改进系统的设计。下面简单地探讨4类定性的模型（戴汝为，1995）。

2.3.1 基于逻辑的心理模型
自从20世纪50年代中期，Newell和Simon提出模拟人求解问题的心理过程后机器智能研究一直沿着这一原理进行发展。这个一般问题求解器（GPS）的原理的最大贡献，就是提出了启发式知识和启发式搜索。机器智能专家进而应用一阶谓词逻辑演算去论述问题求解的心理过程，从而建立了一种模型，称为基于逻辑的心理模型。在此基础上，Feigenbaum在1977年提出了知识工程的概念，专家系统这种特殊的计算机程序研究的最早任务已经告完成。从模拟人类问题求解的心理过程到专家系统的实现是一个飞跃，这个飞跃使得基于逻辑的心理模型的思想得到广泛应用。各种应用领域里专家系统的出现和在一定程度上的成功，使得人们受到鼓舞，同时大量的问题也提到了从事专家系统和机器智能的学者和工程师们的面前。

1．启发式分类
启发式知识的应用和启发式搜索是专家系统不同于一般计算程序的关键之一。启发式知识是一些难以精确论述的知识，它属于专家的经验，是对一些诊断的直观感觉，带有假设的色彩。我们可以把启发式知识定义为：有关现在问题状况和合适的解间的经验性知识。现在的专家系统中许多功能是实现分类，如医疗诊断、装置的故障诊断等。我们知道和机器智能紧密相关的学科——模式识别，主要研究的内容之一同样是分类问题，但是那是以论述模式形态特性的一些特征作为基础来进行分类的，没有判断机制。而启发式分类是将不同分类层次上互相联系的概念，应用不确定联想机制结合起来。启发式分类模型描述了专家系统的知识和判断形式的特征，刻画了经验性知识的组织和应用的一般原理，如下图所示。

在上面马蹄状的图中，问题求解最重要的一部分是启发式匹配。启发式是不确定的，是基于典型性假设的，有时是不容易理解的共生关系。不确定性是因为这类启发式知识跳过了大量因果关系的中间层次关系而建成的，由于中间层次在特定状况下可能不成立，由此也可以造成错误的判断。但是正是跨越了中间层次，从而在专家系统的问题求解中跨出了一步。在启发式分类中，解元的特征可能是由一些高层次的概念组成，为了生成这些概念，需要通过数据抽象，有时甚至需要通过几次抽象来完成。一般来说，抽象过程可以分成三类。

（1）定义性抽象

通过某个概念的特有属性抽象出来，这时原始数据是解元概念的某个特征。例如在一个化学物质分类系统中某个解元特征是否可以含有氧，应用一条数据抽象规则IF-THEN可以表示为：如果某物质的电荷数是8，则这个物质是氧。

（2）定性抽象

根据某个概念在特定的值域而判断出某个特征。例如在反应堆事故诊断中的一条规则是，如最新的重水放射性数据比本底高20％，则重水放射性增加。

（3）广泛化

从概念的下属类中抽象到高层概念。在这个抽象过程中，通过释放对特定概念的约束过渡到更加为广泛的概念，如动物是猫，则这个动物是哺乳类。

在启发式匹配过程中，问题求解的中心是从数据抽象成的概念映射到一类解元，从高层解元到特定解还有一个精炼过程，这个精炼过程就是对一类解元中的特定解根据问题的状况进行验证，以便确定确切的解元。抽象过程是逐步向上的，而精炼过程是逐步向下的。

2．专家系统和面临的问题
前阶段研制的专家系统是以基于逻辑的心理模型为基础，并且应用逻辑作为工具去论述启发式知识和结构而建立的计算机程序。这类特殊类型的程序的研究，在近来取得很大的成功。这主要体现在研制这类系统中发展起来的技术，被广泛应用到计算机的科学和各个领域，并且被渗透到软件的设计中。但是就专家系统自身的研究和开发来说，却面临着很困难的问题，其中主要的问题是知识的获得。人因为长期经验的累积形成的知识是人具有某种技巧的标志。这种知识一方面难以应用一组规则来论述，另一方面这些知识一般难以应用简单的语言论述清楚。有些人称为这些知识是艺术性的，但是人们则通常应用常识知识来说明它的经验性（当然这种基于经验的知识仅仅是常识知识中的一类）。这种基于抽象思维模型的最大缺点在于，它想应用对知识的逻辑表示来代替人的其他思维方式。而这些具有艺术性的知识恰好不是逻辑模型能够表示的，如一个人说这画很美，这种美就很难言传。如在设备故障诊断中经验丰富的人能够迅速搜索到设备的毛病，但是他的思维过程绝对不是扫描维修手册。而中医诊断则是这类知识的更加典型的体现。恰好是这类知识反映了人的知识的多少，换句话说，这是初学者和专家的最大区别所在。所以对专家系统来说，获得这类知识并且编入系统中将是一个系统成败的关键。遗憾的是，第一代专家系统恰好不具有获得这类知识的能力，主要原因之一是人存储这类知识的方法和知识的逻辑表示模型不一致。我们将在下面的人工神经网络模型中介绍一种在一定程度上解决这个问题的方法。

3．结构不良问题
结构不良是机器智能系统的特征，也是基于逻辑心理模型建立的专家系统的特征，主要体现在系统中包括的知识是不完备的或者是不一致的。为了能够把专家解决特定问题涉及的各种知识尽量都改变成规则，那么规则的数目对一个比较复杂的系统来说是不能够容忍的。例如我们假设一个专家涉及的领域中规则的组合数由N个元素的是和非所决定，那么规则的组合总数是2N，当N是一个较大的数时，将导致组合爆炸。为了解决组合爆炸问题，只有一个方法，就是放弃知识的完备性和一致性。最典型的例子就是启发式搜索。在专家系统中因为应用启发式搜索，我们将允许解是不确切的或者没有解。但是如果加入解释程序而把专家系统的理解作为系统对最后目的的解释，将是解决组合爆炸的一个好的方法。但是问题是有时这个解释是不完备的。解决组合爆炸的另外一个有效的方法就是在系统中引入不确定因子，它可以大大压缩规则的数目。现在通常应用方法有：（1）Bayes决策理论；（2）Dempster-Shafer可以相信度函数；（3）模糊集理论等。但是这些方法有一个相同的问题，即它们需要专家事先给出概率、可以相信度或者隶属函数，这对任何一个专家来说都不是一件简单的事，因为这种表示和专家的知识结构是不一致的。解决知识不完备性的另外一个方法是应用人—机交互，这意味着将专家系统变成一个人—机共栖系统，问题则是需要一个有效的人—机界面。

2.3.2 定性的模型
模型一般是指对实际世界结构和行为的论述。这种论述一般应用微分方程、代数公式或者其他数学方法，它的特征是量间的关系是清楚的并且可以精确地在实数域中衡量。

在机器智能中，模型同样是对实际世界结构和行为的论述。但是论述的方法是不精确的，也就是说，它并不是以实数对此实际世界的量进行论述而是以一些定性的量值来论述，像升高、不变、减少等。这样的模型我们称为定性的模型。值得注意的是，定性的模型中的不确定性仅仅体现在对量的论述上，而对量间的关系却是精确的，这是和上面论述的基于逻辑的心理模型的根本区别。而对这些定性模型的应用，机器智能学者称为定性判断。

定性的模型从知识角度来说不同于启发式的心理模型，后者更加强调直感，如有A就应该具有B，而并不关心A和B间的状态，而前者则相反。如全楼的灯熄灭，可能是保险丝断了，这是启发式模型中的一条规则。全楼的灯熄灭，因为没有电流通过，没有电流通过是因为保险丝断了，这是一个定性中的一条规则。这条规则不但关心全楼灯和保险丝的状态，还关心电流和其他量的状态。启发式的心理模型，事实上仅仅关心人的经验知识，这对一个复杂对象的论述来说是不够的，而对系统来说无论从判断精度还是从解释能力都是不能够令人满意的。没有书本知识的人，不能够称为一个真正的专家。而定性的模型恰好就是定义这些书本知识的模型，区别仅仅在于各个量的论述是定性的而不是定量的。

最早的第一代专家系统没有将定性的模型作为单独问题来研究，这对解决复杂问题来说是一个缺点。定性模型的表示、应用和解释正成为下一代专家系统中不可缺少的一部分。

定性的模型和传统模型一样由三个部分组成：（1）结构论述；（2）行为的论述；（3）仿真。它们可以比较如下：

对一个实际的系统来说，定性模型的结构事实上是由一组节点组成的，这些节点组成一个网络。而定性模型的行为则是对不同的输入值得到的在这些节点上的值。仿真的任务则是根据一组规则（这些规则被分别附加在不同的连线上）来表示值在特定结构上的传播（即行为）。

2.3.3 可视知识模型
应用图形表示意思是人知识中不可缺少的一部分，图形更加直观、更加集中的带有大量的信息。所以研究可视知识并且将这类模型作为机器智能系统一部分的想法是自然的结果。

计算机图形学的发展已经为这个模型的研究提供了条件。这实际上已经大大接近可视知识，因为所谓图形意义的引入，已经脱离了仅仅论述图形的范畴而更加强调如何应用图形。因此我们进而提出可视知识的问题，将图形纳入知识的范畴。这将突破以前这个方面的研究限制。

在人应用的图形中事实上，可以分成3类：（1）表示一种抽象意义，像树类型；（2）表示一种物理实体的示意图，像流程图、电路图等；（3）图像特征的图，像曲线等。前两种图恰好对应了本节上面探讨的基于逻辑的心理模型和定性的模型，而人工神经网络模型应该对应第三类图形。所以图形模型应该支持上面三种类型。对图形模型来说，还有论述它自身意义的一些功能，像动态ICON、图形构造原则等问题。

因为可视知识模型和专家系统的其他模型有着重要的关系，所以可以想象到它在一个专家系统中的作用。

（1）第一个作用

它将是一个重要的解释工具。我们知道，在专家系统中因为知识的不完备性，它的解不可能对全部例子都是确切的或者对全部例子都有解（这是常规意义），所以对一个系统来说应该具有答复为什么得到此解或者为什么没有解的问题的能力。以前的方法是在知识的不同层次应用重做，去组成文字来解释，有了图形则可以应用动态ICON给出这种解释。这项工作不但对定性的模型有效，对另外两个模型同样有效。

（2）第二个作用

应用图形进行编辑，从而达到知识获得的目的，这对定性模型中的知识显得更加重要。这种方法可以减少许多可能发生的错误。

当然最重要的作用，还是在加入图形后导致的人对这类系统在心理上的可接受程度，所以这个问题一般影响着专家系统的应用。

2.3.4 人工神经网络模型
对人来说，有些知识一般是通过一系列例子总结出来的，这类知识通常应用于进行分类的系统中。如对它们进行穷举编码，将会碰到组合爆炸的问题。能否应用另外的知识表示方式呢？例如表示某个概念时，不是用一一对应的方法，而是把表示这个概念的有关信息分布在许多单元上，将信息应用某种分布的方式加以表示。这样即使某个单元上的信息属性发生了改变和失真，也不至于使表示的概念属性发生重大的改变。另外有些相同的单元上的信息，也可以用来表示相类似的概念，这就是近来提出来的并行分布处理的精髓所在。人存储知识的方法，也许不像现在计算机那样按单元存储而是按分布式方式存储，这就是人的知识越多，人越聪明，而专家系统中包括的知识越多，系统解决问题搜索的时间越长，所以越笨的原因之一。这里我们将探讨应用人工神经网络模型作为专家系统中的一部分，以解决知识的获得和表示的问题。

现在人工神经网络的研究中，最有代表性的工作是并行信息分布处理模型。这种模型实际上也不是什么新的东西。早在1950年，Rosenblatt（1957）就提出了感知器这类人工神经网络，这是一个线性分类器，Rosenblatt当时还给出了它的学习算法并且证明了这个算法的收敛性。1969年Minsky和Papert证明了感知器的局限性，使其销声匿迹，但是Minsky当时提出如果将感知器的两层网络扩大为多层网络，有可能克服其局限性，问题是算法是什么。近来这个问题又受到外国一些心理学家的重视，掀起了研究热潮。这种模型假设信息的处理是通过大量称为单元的简单处理部件的交互进行的，每个单元对上面全部单元发出激励或者抑制信号。这里并行性指网络是针对全局的，全部的目的同时计算，分布性指信息散布在整个网络内部，在每个节点和连线上仅仅表示一部分信息而不是表示一个具体概念。在这种机制中，关键是应用了非线性的隐藏单元。要求在一定的输入下具有需要的输出，把实际的输出和需要的输出互相比较，以均方差（如其他指标）作为准则，通过学习算法来决定网络从一个单元到另外单元间的加权量，而学习算法就是为达到给定准则而建立起来的。只要有足够多的隐藏节点，就一定会得到一种内部表示，使网络能够执行任何从输入通过隐藏节点到输出的匹配。在并行分布模型中，知识的获得是在给定输入模式和输出模式下，通过学习过程自动地调整各个层间权的数值和隐藏节点的阈值来完成。和传统知识的获得不同，在这样一个网络中理论上可以拥有大量的知识。如果人工神经网络有N个输入单元，输入模型是二值逻辑，则可以提供表示的知识的样本数为2N。人工神经网络在一定程度上模拟了专家凭直感来解决状况的不确定性问题。当输入模式接近于学习过程中的训练样本输入时，网络的判理结果也体现出接近样本输出的倾向。更加主要的是，人工神经网络以连续的方式进行学习，当输入和输出不匹配时，可以在原有基础上学习，提高学习精度，并且在原有基础上增加新的训练样本，继续学习，以产生对输入来说符合要求的输出。

综合上面论述，机器智能系统的设计是对各种模型进行综合的观点，即机器智能是对下面4种重要并且广泛的知识模型的扩展：（1）基于逻辑的心理模型；（2）定性的模型；（3）可视知识模型的获得、表示和应用计算机方法；（4）人工神经网络模型。并且在此基础上，使这些模型集成起来，以获得符合需要的机器智能系统。

2.3.5 模型的综合集成
前面提到，钱学森提炼出从定性到定量的综合集成研讨厅工程。他的构思是把现在世界上成千上万人的聪明才智和古人的智慧都综合起来。这里所说的综合集成，也可以应用于智能系统的研制。综合集成是人和计算机两者结合，计算机发挥自己的速度优势和擅长于逻辑运算等特性，而人发挥自己的感知、形象思维能力。所以计算机能够完成的工作就让计算机去做，这当然需要把这部分问题加以形式化，才能够由计算机去完成。至于关键的、没有方法形式化的部分则由人加以解决。

应用从定性到定量的综合集成法处理复杂问题的步骤，可以总结如下。

（1）明确任务、目的是什么。

（2）尽可能多的请有关的专家提意见和建议。专家的意见是一种定性的认识，一定不完全一样。另外还要搜索大量的有关文献资料，仔细地了解情况。

（3）通过上面两个步骤，有了定性的认识，在此基础上建立一个系统模型。建立模型的过程中必须注意和实际调查数据结合起来，统计数据有多少就需要多少个参数。然后应用计算机进行建立模型的工作。模型建立后，通过计算机的运行得出结果。但是结果的可靠性如何，需要把专家请来，对结果反复进行检验、修改，直到专家认为满意时，这个模型才算完成。

（4）在知识工程师的协助下提出问题求解的约束条件和期望的目的，选择合适的求解方法，根据求解结果判断是否可以达到所期望的目的。如果没有达到，则生成新的问题求解状态，继续进行，不断循环地进行求解，直到满意为止。在计算机工作时，可以根据中间结果和获得的信息不断给计算机增加新的知识，修改期望的目的，也可以终止计算机的运行，重新设定问题求解的开始状态。

上面步骤综合了许多专家的意见和大量书本资料的内容，不是某个专家的意见，而是专家群体的意见，是定性的、不全面的感性认识的综合集成。达到对总的方面的定量的认识，所以说是一种集大成的智慧，在一定程度上体现了把专家的经验、知识注入到系统中，对各种机器智能模型来说达到优势互相弥补，人—机结合，逐步综合集成为从定性到定量的不断上升的认识，水平和层次不断地提升（戴汝为，1995）。

本文仅用于学习和交流目的，不代表异步社区观点。非商业转载请注明作译者、出处，并保留本文的原始链接。