什么是人工智能上百個(gè)人工智能的經(jīng)典問(wèn)答

一、基本問(wèn)題

問(wèn)：什么是人工智能？

答：人工智能是研制智能機(jī)器尤其是智能計(jì)算機(jī)程序的科學(xué)與工程。它與使用計(jì)算機(jī)理解人類智能類似，但人工智能并不將它自己局限于生物意義上的方法。

問(wèn)：是的，那么什么是智能呢？

答：智能是指現(xiàn)實(shí)世界中達(dá)到目標(biāo)所需能力中的計(jì)算能力。不同種類、不同程度的智能表現(xiàn)在人、許多動(dòng)物和一些機(jī)器身上。

問(wèn)：智能難道還沒(méi)有公認(rèn)的、不依賴于人類智能的獨(dú)立定義嗎？

答：還沒(méi)有。問(wèn)題是，我們還不能一般性地刻畫哪一類計(jì)算過(guò)程我們想稱之為智能。我們懂得某些智能機(jī)制，但對(duì)其他的并不了解。

問(wèn)：人工智能是讓人們可以對(duì)“這臺(tái)機(jī)器有還是沒(méi)有智能？”這類問(wèn)題作出肯定或者否定回答的那種單一行為或心理特征嗎？

答：不是。智能涉及機(jī)制。人工智能研究已經(jīng)指出如何讓計(jì)算機(jī)施用其中的某些（但非所有）機(jī)制。如果完成一項(xiàng)任務(wù)只需要已被充分理解的機(jī)制，那么計(jì)算機(jī)程序能有令人印象深刻的表現(xiàn)。這樣的程序應(yīng)該被視為“有點(diǎn)兒智能”。

問(wèn)：人工智能不就是模擬人類智能嗎？

答：有時(shí)是，但不總是，也并非通常是。一方面，我們可以通過(guò)觀察別人或者直接觀察我們自己的行為方式來(lái)學(xué)習(xí)如何讓機(jī)器解決問(wèn)題。另一方面，人工智能領(lǐng)域的大部分工作都涉及研究現(xiàn)實(shí)世界給智能帶來(lái)的問(wèn)題和挑戰(zhàn)，而并非研究人或動(dòng)物本身。人工智能研究者可以自由使用尚未被人使用過(guò)的方法，或者所涉及的計(jì)算是人力無(wú)法完成的方法。

問(wèn)：計(jì)算機(jī)程序有智商（IQ）嗎？

答：沒(méi)有。智商是基于兒童智力的發(fā)展速度，它是指兒童在正常情況下獲得一定分?jǐn)?shù)時(shí)的年齡與其實(shí)際年齡的比值。這種測(cè)試也可以通過(guò)適當(dāng)方式擴(kuò)展到成人。智商與生活中各種衡量標(biāo)準(zhǔn)下成功或失敗的程度密切相關(guān)，而讓計(jì)算機(jī)在智商測(cè)試中能獲得高分與計(jì)算機(jī)的有用性卻關(guān)聯(lián)微弱。譬如，孩童復(fù)述長(zhǎng)串?dāng)?shù)字的能力與其其他方面的智力有著良好的相關(guān)性，這或許是因?yàn)榍罢吣軌蚝饬亢⑼瘑未慰商幚?a target="_blank">信息的多少。然而，這種“數(shù)字廣度”測(cè)試對(duì)計(jì)算機(jī)（即使是性能很低的計(jì)算機(jī)）而言也是微不足道的。

盡管如此，關(guān)于智商測(cè)試的一些問(wèn)題是對(duì)人工智能的有益挑戰(zhàn)。

問(wèn)：有關(guān)人類與計(jì)算機(jī)智能之間的其他對(duì)比呢？

答：人類智能研究領(lǐng)域的領(lǐng)軍人物亞瑟·羅伯特·詹森（Arthur R. Jensen）[Jen98] 提出“作為啟發(fā)式假設(shè)”的猜想：正常的人類具有相同的智能機(jī)制，而智能的差異與“定量的生物化學(xué)和生理學(xué)條件”有關(guān)。我將它們視為速度、短期記憶以及構(gòu)成精確且可提取的長(zhǎng)期記憶的能力。無(wú)論詹森有關(guān)人類智能的看法正確與否，目前人工智能的狀況卻與其相反。

計(jì)算機(jī)有很快的計(jì)算速度和充足的存儲(chǔ)空間。計(jì)算機(jī)程序的能力與智能機(jī)制相對(duì)應(yīng)，而智能機(jī)制則由設(shè)計(jì)者在對(duì)其充分理解的基礎(chǔ)上編入程序。計(jì)算機(jī)具備的某些能力，孩童可能要到少年時(shí)才能發(fā)展起來(lái)，而兩歲幼兒具備的某些能力，計(jì)算機(jī)目前都還不具備。目前認(rèn)知科學(xué)尚不能準(zhǔn)確定義什么是能力，這一事實(shí)讓問(wèn)題變得更為復(fù)雜。就人工智能而言，智能機(jī)制的組織在使用時(shí)很有可能與其在人身上不一樣。

無(wú)論什么時(shí)候，只要某些工作人比計(jì)算機(jī)做得更好，或者計(jì)算機(jī)要花費(fèi)大量的計(jì)算才能和人做得一樣好，那就說(shuō)明程序設(shè)計(jì)者缺少對(duì)有效完成任務(wù)所需智能機(jī)制的理解。

問(wèn)：人工智能研究是從什么時(shí)候開(kāi)始的？

答：二戰(zhàn)后，許多人開(kāi)始獨(dú)立地從事智能機(jī)器的研究工作。英國(guó)數(shù)學(xué)家艾倫·圖靈（Alan Turing）可能是其中的第一位。他在1947年作了一個(gè)有關(guān)智能機(jī)器的演講。他或許就是認(rèn)定人工智能的研究最好是通過(guò)編制計(jì)算機(jī)程序而非制造機(jī)器的第一人。到了20世紀(jì)50年代后期，已有很多人在研究人工智能，他們的工作大都基于計(jì)算機(jī)程序設(shè)計(jì)。

問(wèn)：人工智能的目的是要將人腦植入計(jì)算機(jī)嗎？

答：一些研究者宣稱他們以此為目標(biāo)，不過(guò)他們借用這一說(shuō)法或許只是作個(gè)比喻。人腦非常奇特，我不確定是否真有人想完完全全地模擬它們。

問(wèn)：什么是圖靈測(cè)試？

答：艾倫·圖靈在1950年發(fā)表的題為Computing Machinery and Intelligence的文章[TUR50]中討論了機(jī)器可以視為具有智能的條件。他認(rèn)為，如果機(jī)器在擁有知識(shí)的觀察者面前能夠成功地偽裝成人類，那么你就應(yīng)該認(rèn)為它具有智能。這個(gè)測(cè)試會(huì)令大多數(shù)人（但非所有哲學(xué)家）感到滿意。觀察者可以通過(guò)電傳打字機(jī)（以避免要機(jī)器模仿人的外表或聲音）與機(jī)器和人互動(dòng)：人試圖說(shuō)服觀察者他自己是人，而機(jī)器則嘗試愚弄觀察者。

圖靈測(cè)試是一種單邊測(cè)試。一臺(tái)通過(guò)了測(cè)試的機(jī)器當(dāng)然應(yīng)該被視為具有智能，而沒(méi)有充分了解人類就能模仿人的機(jī)器自然也可以被視為具有智能。

丹尼爾·丹尼特（Daniel Dennett）的著作《BrainChildren》[Den98]中對(duì)圖靈測(cè)試和已經(jīng)實(shí)現(xiàn)的各種部分（即觀察者的人工智能知識(shí)和提問(wèn)的題材有局限性的）圖靈測(cè)試有精彩的討論。結(jié)果是，有些人很容易被誤導(dǎo)以至相信相當(dāng)愚笨的程序具有智能。

問(wèn)：人工智能是以達(dá)到人類的智力水平為目標(biāo)嗎？

答：是的。努力至極是為了讓計(jì)算機(jī)程序和人類一樣，能夠解決實(shí)際問(wèn)題、達(dá)到預(yù)定目標(biāo)。然而，許多在特定領(lǐng)域從事研究的人遠(yuǎn)遠(yuǎn)沒(méi)有那么雄心勃勃。

問(wèn)：人工智能離達(dá)到人類智能的水平還有多遠(yuǎn)？到什么時(shí)候才會(huì)達(dá)到？

答：有些人認(rèn)為，通過(guò)編寫大量人們現(xiàn)在在編寫的那種程序、構(gòu)建由目前用來(lái)表示知識(shí)的語(yǔ)言所表達(dá)的各種事實(shí)組成的海量知識(shí)庫(kù)，人類智能的水平終究是可以達(dá)到的。

然而，大多數(shù)人工智能研究人員相信，人工智能要達(dá)到人類智能的水平，根本性的原創(chuàng)思想是必不可少的，因而現(xiàn)在還很難預(yù)測(cè)何時(shí)人工智能才會(huì)達(dá)到人類智能的水平。

問(wèn)：計(jì)算機(jī)是適合智能化的那種機(jī)器嗎？

答：可以通過(guò)編程讓計(jì)算機(jī)模擬任何類型的機(jī)器。

許多研究人員發(fā)明了其他非計(jì)算機(jī)類型的機(jī)器，他們希望這種機(jī)器與計(jì)算機(jī)程序具有不同形式的智能。這些研究人員通常在計(jì)算機(jī)上模擬他們所發(fā)現(xiàn)的機(jī)器，因而他們最終變得懷疑新機(jī)器是否值得制造。由于數(shù)十億美元已被用于提升計(jì)算機(jī)的運(yùn)算速度，因此要改用另一種機(jī)器，該機(jī)器就必須很快，快到能讓其表現(xiàn)比計(jì)算上模擬它的程序更加出色。

問(wèn)：計(jì)算機(jī)已快到足以被智能化了嗎？

答：有些人認(rèn)為，更快的計(jì)算機(jī)和全新的想法都是必需的。我個(gè)人的觀點(diǎn)是，30年前的計(jì)算機(jī)就已經(jīng)足夠快了，要是我們知道如何為其裝配好軟件程序。當(dāng)然，拋開(kāi)人工智能研究者的雄心，計(jì)算機(jī)也會(huì)越來(lái)越快。

問(wèn)：并行機(jī)如何？

答：帶有多個(gè)處理器的機(jī)器要比只帶單個(gè)處理器的機(jī)器快很多。并行本身并沒(méi)有展現(xiàn)出優(yōu)勢(shì)，而且并行機(jī)器對(duì)于程序設(shè)計(jì)來(lái)說(shuō)又有點(diǎn)讓人尷尬。然而，需要極速時(shí)，我們則必須面對(duì)這種尷尬。

問(wèn)：可否研制一臺(tái)能夠通過(guò)閱讀和經(jīng)驗(yàn)學(xué)習(xí)而不斷獲得改進(jìn)的“童子機(jī)”？

答：這個(gè)想法從20世紀(jì)40年代開(kāi)始就被多次提出，它最終也會(huì)變成現(xiàn)實(shí)。然而人工智能程序尚未達(dá)到能學(xué)習(xí)很多孩童從物理經(jīng)驗(yàn)中所學(xué)的這一水平。當(dāng)前程序?qū)φZ(yǔ)言的理解能力也未高到能通過(guò)閱讀學(xué)習(xí)的水平。

問(wèn)：通過(guò)思考人工智能，人工智能系統(tǒng)能否將自身引導(dǎo)至越來(lái)越高的智能水平？

答：我想是，但我們還不在開(kāi)啟這個(gè)過(guò)程的人工智能層面上。

問(wèn)：國(guó)際象棋如何？

答：俄羅斯人工智能研究者亞歷山大·克朗羅德（Alexander Kronrod）說(shuō)，“國(guó)際象棋是人工智能的果蠅”。他曾以遺傳學(xué)家使用果蠅研究遺傳作類比，使用國(guó)際象棋研究人工智能。下棋需要某些但并非所有智能機(jī)制?，F(xiàn)在的國(guó)際象棋程序是大師級(jí)的，但與人類棋手相比，這些程序僅使用了有限的智能機(jī)制，并且用大量的計(jì)算來(lái)替代理解。等我們更好地理解了下棋的智能機(jī)制，我們就能編制計(jì)算量比現(xiàn)有程序少得多的、人類水平的象棋程序。

不幸的是，讓計(jì)算機(jī)下棋的競(jìng)爭(zhēng)和商業(yè)趨向已經(jīng)比將象棋智能作為一個(gè)科研方向更為優(yōu)先。這就好比1910年之后，基因?qū)W家組織果蠅競(jìng)賽，而將精力集中在培育能夠贏得競(jìng)賽的果蠅上。

問(wèn)：圍棋呢？

答：中國(guó)和日本的圍棋是棋手輪流下子的棋盤類游戲，它揭示了我們目前對(duì)人類游戲中智能機(jī)制理解的不足。盡管做了相當(dāng)多的努力（但不像國(guó)際象棋那么多），圍棋程序仍然非常糟糕。其中的問(wèn)題似乎是，人們?cè)谙缕鍟r(shí)會(huì)將當(dāng)前棋盤狀態(tài)在頭腦中劃分為一系列子狀態(tài)，先分析每個(gè)子狀態(tài)，然后再分析子狀態(tài)的交互作用。人類在下象棋時(shí)也會(huì)使用這種方法，但象棋程序?qū)⒚恳粻顟B(tài)作為一個(gè)整體。象棋程序通過(guò)上千次——在使用超級(jí)計(jì)算機(jī)深藍(lán)的情形，上百萬(wàn)次——的計(jì)算來(lái)彌補(bǔ)這種智能機(jī)制的缺失。

不過(guò)，人工智能研究遲早會(huì)補(bǔ)足這類難堪的缺陷。

問(wèn)：不是有人說(shuō)人工智能是壞主意嗎？

答：哲學(xué)家約翰·塞爾（John Searle）說(shuō)，非生物智能機(jī)器的想法言之不清、述之無(wú)理。他提出了“中文房間”這一思維實(shí)驗(yàn)www-formal.stanford.edu/jmc/chinese.html。哲學(xué)家休伯特·德萊弗斯（Hubert Dreyfus）說(shuō)，人工智能是不可能的。計(jì)算機(jī)科學(xué)家約瑟夫·維森鮑姆（Joseph Weizenbaum）說(shuō)，人工智能的想法令人生厭，是反人類的、不道德的。各種各樣的人都說(shuō)過(guò)，由于人工智能到目前為止還達(dá)不到人類水平的智能，它一定是不可能的。還有一些人，他們對(duì)其投資的（人工智能）公司的破產(chǎn)感到失望。

問(wèn)：可計(jì)算性理論和計(jì)算復(fù)雜性不是人工智能的重點(diǎn)和關(guān)鍵所在嗎？[非計(jì)算機(jī)科學(xué)領(lǐng)域的讀者和初學(xué)者需要注意：可計(jì)算性理論和計(jì)算復(fù)雜性是數(shù)理邏輯和計(jì)算機(jī)科學(xué)的兩個(gè)非常技術(shù)性的分支，因此該問(wèn)題的回答不得不涉及一些技術(shù)性的細(xì)節(jié)。]

答：不是。這些理論與人工智能相關(guān)，但它們并未論及也未破解人工智能的基本問(wèn)題。

20世紀(jì)30年代，數(shù)理邏輯學(xué)家，特別是庫(kù)爾特·哥德?tīng)枺↘urt G?del）和艾倫·圖靈（Alan Turing），建立的可計(jì)算性理論表明，在某些重要的數(shù)學(xué)領(lǐng)域，不存在能夠解決所有問(wèn)題的算法。判定一階邏輯語(yǔ)句是否為定理、多元多項(xiàng)式方程是否有整數(shù)解都是這類不可解問(wèn)題的例子。人類一直在解決這些領(lǐng)域中的問(wèn)題，這已經(jīng)被當(dāng)作“計(jì)算機(jī)本質(zhì)上做不了人所做的事情”這一（通常帶有修飾的）論據(jù)。這是羅杰·彭羅斯（Roger Penrose）作出的論斷。其實(shí)，人也無(wú)法保證自己能解決這些領(lǐng)域中的任意問(wèn)題。參見(jiàn)我的書(shū)評(píng)Review of The Emperor’s New Mind（羅杰·彭羅斯著）。更多捍衛(wèi)人工智能研究的論文和評(píng)述見(jiàn)諸于[McC96a]。

20世紀(jì)60年代，計(jì)算機(jī)科學(xué)家，特別是史蒂夫·庫(kù)克（Steve Cook）和理查德·卡普（Richard Karp），建立了NP完全問(wèn)題類理論。NP完全問(wèn)題類中的問(wèn)題都是可解的，但求解問(wèn)題所需的時(shí)間可能會(huì)隨問(wèn)題規(guī)模變大而呈指數(shù)級(jí)增長(zhǎng)。命題演算中哪些語(yǔ)句是可滿足的就是一個(gè)NP完全問(wèn)題類中的一個(gè)基本實(shí)例。人類解決NP完全問(wèn)題類中的問(wèn)題所花的時(shí)間常常會(huì)比通用算法所需要的時(shí)間短很多，但一般來(lái)說(shuō)人類卻不能很快解決這類問(wèn)題。

對(duì)人工智能來(lái)說(shuō)，重要的是有算法，它們能像人一樣解決問(wèn)題。確定存在良好算法求解其中問(wèn)題的問(wèn)題子類非常重要，但許多人工智能問(wèn)題求解器都沒(méi)有與容易確定的問(wèn)題子類相關(guān)聯(lián)。

計(jì)算復(fù)雜性是用于描述通類問(wèn)題求解困難程度的理論。到目前為止，這一理論與人工智能的互動(dòng)還沒(méi)有人們所希望的那么多。人類和人工智能程序能否成功解決問(wèn)題似乎取決于問(wèn)題的特性和問(wèn)題求解的方法，這兩者計(jì)算復(fù)雜性研究者和人工智能界都還不能確定。

所羅門諾夫（Solomonoff）、柯?tīng)柲宸颍↘olmogorov）和蔡廷（Chaitin）（彼此獨(dú)立）建立的算法復(fù)雜性理論也與人工智能相關(guān)。該理論將符號(hào)對(duì)象的復(fù)雜性定義為生成它的最短程序的長(zhǎng)度。證明候選程序最短或者接近最短是一個(gè)不可解問(wèn)題，但用最短生成程序表示對(duì)象的想法應(yīng)該常給我們啟發(fā)，即便我們無(wú)法證明候選程序最短。

二、人工智能的分支

問(wèn)：人工智能有哪些分支？

答：這里有份清單，但肯定不完整，因?yàn)檫€沒(méi)有人確定到底有哪些分支。清單中有些條目可以看作是概念和主題，而不是完整的分支。

邏輯人工智能（logical AI）：程序所認(rèn)知的世界，一般來(lái)說(shuō)是其作用于特定狀態(tài)的事實(shí)，和程序的目標(biāo)都是用某種數(shù)理邏輯語(yǔ)言的語(yǔ)句來(lái)表示。程序先推斷確定適合達(dá)到目標(biāo)的操作再?zèng)Q定去做什么。該想法在文章[McC59]中首次提出。文獻(xiàn)[McC89]是一個(gè)近期的總結(jié)，[McC96b]列出了一些邏輯人工智能所涉及的概念，而[Sha97]是一本重要的教材。

搜索（search）：人工智能程序經(jīng)常需要檢驗(yàn)大量的可能性，譬如，國(guó)際象棋棋子可能的移動(dòng)或定理證明程序中可能的推理。在不同領(lǐng)域，人們都不斷有如何進(jìn)行更有效檢驗(yàn)的發(fā)現(xiàn)。

模式識(shí)別（pattern recognition）：當(dāng)進(jìn)行某種觀測(cè)時(shí)，程序經(jīng)常被設(shè)計(jì)得將其所觀測(cè)到的與某個(gè)模式相比較。比如，視覺(jué)程序可以嘗試匹配場(chǎng)景中眼睛和鼻子的模式來(lái)找到面部。已被研究的更復(fù)雜的模式還包括出現(xiàn)在自然語(yǔ)言文本、國(guó)際象棋的棋盤狀態(tài)或某些歷史事件中的種種模式。與已經(jīng)廣泛研究的簡(jiǎn)單模式相比，這些復(fù)雜模式的研究更需要頗為不同的方法。

表示（representation）：有關(guān)現(xiàn)實(shí)世界的事實(shí)必須以某種方式表示。數(shù)理邏輯語(yǔ)言通常被用于此類表示。

推斷（inference）：從某些事實(shí)可以推斷出另外一些事實(shí)。數(shù)理邏輯的演繹推理在某些情形是合適的，但自1970年以來(lái)，非單調(diào)推理的新方法也逐步發(fā)展起來(lái)。最簡(jiǎn)單的一類非單調(diào)推理是默認(rèn)推理，其中結(jié)論是要通過(guò)默認(rèn)推出，而結(jié)論可以撤回如果存在相反證據(jù)。譬如，當(dāng)我們聽(tīng)到鳥(niǎo)叫時(shí)，我們可以推斷它會(huì)飛。這一結(jié)論在我們聽(tīng)出它是一只企鵝后可以被推翻。有可能，推理的結(jié)論也必須撤回，這就形成了推理的非單調(diào)特征。通常的邏輯推理，在能從一組假設(shè)得出的結(jié)論組是這些假設(shè)的單調(diào)遞增函數(shù)這個(gè)意義下，都是單調(diào)的。限定推理是非單調(diào)推理的另一種形式。

常識(shí)知識(shí)與推理（common sense knowledge and reasoning）：盡管常識(shí)知識(shí)與推理自20世紀(jì)50年代以來(lái)一直是一個(gè)活躍的研究領(lǐng)域，但它仍是人工智能與人類智能水平相差最遠(yuǎn)的領(lǐng)域。盡管在非單調(diào)推理系統(tǒng)研發(fā)和行為理論研究等方面已有相當(dāng)多的進(jìn)展，但更多新思想仍然是迫切需要的。Cyc系統(tǒng)收集了為數(shù)眾多但良莠不齊的常識(shí)事實(shí)。

經(jīng)驗(yàn)學(xué)習(xí)（learning from experience）：程序自己學(xué)習(xí)?；谶B接主義和神經(jīng)網(wǎng)絡(luò)的人工智能方法擅長(zhǎng)于此。也有由邏輯表達(dá)的規(guī)律學(xué)習(xí)。[Mit97]是一本關(guān)于機(jī)器學(xué)習(xí)的綜合性本科教材。程序只能學(xué)習(xí)其形式體系能表示的事實(shí)或行為，但不幸的是，學(xué)習(xí)系統(tǒng)幾乎都是基于表示信息能力非常有限的形式體系。

規(guī)劃（planing）：從有關(guān)現(xiàn)實(shí)世界的一般事實(shí)（特別是有關(guān)行為效果的事實(shí)）、有關(guān)特定場(chǎng)景的事實(shí)以及目標(biāo)陳述開(kāi)始，規(guī)劃程序生成一個(gè)達(dá)到目標(biāo)的策略。在最常見(jiàn)的情形，策略就是一系列的動(dòng)作。

認(rèn)識(shí)論（epistemology）：認(rèn)識(shí)論研究解決現(xiàn)實(shí)問(wèn)題所需的那種知識(shí)。

本體論（ontology）：本體論研究存在的那種事物。在人工智能中，程序和語(yǔ)句處理各種對(duì)象，而我們研究的是，這種對(duì)象是什么，它們的基本特性是什么。本體論在20世紀(jì)90年代開(kāi)始受到重視。

啟發(fā)式策略（heuristics）：?jiǎn)l(fā)式策略是一種嘗試發(fā)現(xiàn)事物的方式或者嵌入到程序中的想法。該術(shù)語(yǔ)在人工智能領(lǐng)域被廣泛使用。在某些搜索方法中，啟發(fā)式函數(shù)被用于度量搜索樹(shù)中的節(jié)點(diǎn)與搜索目標(biāo)大致相差有多遠(yuǎn)。用于比較搜索樹(shù)兩個(gè)節(jié)點(diǎn)以確定一個(gè)是否比另外一個(gè)更好（也即確定前者是否朝著目標(biāo)更進(jìn)一步）的啟發(fā)式謂詞或許更有用。 [我的觀點(diǎn)]

遺傳程序設(shè)計(jì)（genetic programming）：遺傳程序設(shè)計(jì)是一種讓程序通過(guò)配對(duì)隨機(jī)Lisp程序和選取數(shù)百萬(wàn)后代中的最優(yōu)者來(lái)完成任務(wù)的技術(shù)。該技術(shù)由約翰·科扎（John Koza）的研究小組開(kāi)發(fā)，這里有一個(gè)教程。

三、人工智能的應(yīng)用

問(wèn)：人工智能的應(yīng)用有哪些？

答：部分應(yīng)用羅列如下。

博弈（game playing）：你花幾百美元就能買到具有大師級(jí)水平的下棋機(jī)器。它們有一些人工智能，但主要還是通過(guò)蠻力計(jì)算（每秒查看成千上萬(wàn)種可能狀態(tài)）與人對(duì)弈。要用已有可靠的啟發(fā)式方法和蠻力計(jì)算戰(zhàn)勝世界冠軍，程序每秒至少需要查看兩億個(gè)狀態(tài)。

語(yǔ)音識(shí)別（speech recognition）：20世紀(jì)90年代，局限在某些情形，計(jì)算機(jī)語(yǔ)音識(shí)別達(dá)到了實(shí)用水平。美國(guó)聯(lián)合航空公司用一個(gè)通過(guò)語(yǔ)音識(shí)別航班號(hào)和城市名的系統(tǒng)替換了它關(guān)于航班信息的鍵盤樹(shù)。它用起來(lái)相當(dāng)方便。另一方面，用語(yǔ)音控制計(jì)算機(jī)是可能的，然而大多數(shù)用戶還是回到了鍵盤和鼠標(biāo)，因?yàn)樗鼈冞€是更為方便。

自然語(yǔ)言理解（understanding natural language）：僅將單詞序列輸入到計(jì)算機(jī)是不夠的，只解析語(yǔ)句也是不夠的。要實(shí)現(xiàn)自然語(yǔ)言理解，還必須讓計(jì)算機(jī)能夠理解文本的領(lǐng)域。目前，這只對(duì)很有限的領(lǐng)域才可能做到。

計(jì)算機(jī)視覺(jué)（computer vision）：現(xiàn)實(shí)世界是由三維物體組成的，而人眼、計(jì)算機(jī)的電視攝像機(jī)接收的輸入?yún)s是二維的。一些有用的程序只能處理二維信息，但完整的計(jì)算機(jī)視覺(jué)則需要部分不就是一組二維視圖的三維信息。目前，直接表示三維信息的方式非常有限，這些方式也不如人類平常所用的方式那樣好。

專家系統(tǒng)（expert systems）：一個(gè)“知識(shí)工程師”訪談某個(gè)領(lǐng)域的專家們，試圖將他們的知識(shí)嵌入到計(jì)算機(jī)程序中以自動(dòng)完成某種任務(wù)。這項(xiàng)工作的效果取決于完成任務(wù)所需的智能機(jī)制是否超出了人工智能的現(xiàn)狀。如果確實(shí)如此，結(jié)果大都令人失望。最早的一個(gè)專家系統(tǒng)是1974年完成的MYCIN，它被用于診斷血液細(xì)菌感染、提供治療建議。它比醫(yī)科學(xué)生和實(shí)習(xí)醫(yī)生做得都好，其前提是它的局限性已觀察清楚。也就是說(shuō)，它的本體知識(shí)包括細(xì)菌、癥狀和治療方案，但不包括病人、醫(yī)生、醫(yī)院、死亡、康復(fù)以及突發(fā)事件等信息。其互動(dòng)依賴于單個(gè)被診治的病人。由于被咨詢的專家們了解病人、醫(yī)生、死亡、康復(fù)等信息，知識(shí)工程師只需將專家告知的信息塞入預(yù)先設(shè)定的框架即可。這就是當(dāng)前人工智能發(fā)展的現(xiàn)狀。目前專家系統(tǒng)有用與否取決于其用戶是否具備常識(shí)。

啟發(fā)式分類（heuristic classification）：鑒于人工智能的現(xiàn)有知識(shí)，最可行的一種專家系統(tǒng)是使用多信息源將信息進(jìn)行分組歸類。一個(gè)具體的例子是建議是否接受提議的信用卡購(gòu)物。已知的信息包括信用卡持有人，他的付款記錄，他正在購(gòu)買的商品以及他購(gòu)買商品的商家（如該商家以前是否有過(guò)信用卡欺詐行為）等。

四、其他問(wèn)題

問(wèn)：人工智能研究做得如何？

答：人工智能研究有理論和實(shí)驗(yàn)兩個(gè)方面。實(shí)驗(yàn)又有基礎(chǔ)和應(yīng)用兩個(gè)方面。人工智能研究有兩條主線。一條是生物學(xué)的，它基于“由于人類具有智能，所以人工智能應(yīng)該研究人類并且模仿人類的心理和生理”這一想法。另一條是現(xiàn)象性的，基于研究、形式化有關(guān)現(xiàn)實(shí)世界的和為達(dá)到目標(biāo)現(xiàn)實(shí)世界呈現(xiàn)的問(wèn)題的常識(shí)事實(shí)。這兩種途徑在一定程度上會(huì)相互作用，二者最終都應(yīng)該成功。這是一場(chǎng)賽跑，但兩名跑步選手似乎都還在行走。

問(wèn)：人工智能與哲學(xué)有什么關(guān)系？

答：人工智能與哲學(xué)尤其是現(xiàn)代分析哲學(xué)之間有很多關(guān)系。兩者都研究人腦和思想，也研究常識(shí)。這方面最好的參考文獻(xiàn)是[Tho03]。

問(wèn)：人工智能和邏輯程序設(shè)計(jì)是如何關(guān)聯(lián)的？

答：最最起碼，邏輯程序設(shè)計(jì)提供了有用的程序設(shè)計(jì)語(yǔ)言（主要是Prolog）。

除此之外，有時(shí)候，人工智能中有用的理論T可以表示為霍恩（Horn）子句集H，而要達(dá)到的目標(biāo)G則可以表示為尋找變量x1,x2,...,xn的值使其滿足表達(dá)式g(x1,x2,...,xn)。該問(wèn)題有時(shí)可以通過(guò)運(yùn)行由G和H組成的Prolog程序來(lái)解決。

將AI當(dāng)作邏輯程序設(shè)計(jì)會(huì)有兩種可能的障礙。首先，霍恩理論對(duì)一階邏輯的研究并不徹底。其次，用于表達(dá)理論的Prolog程序可能效率極低。比執(zhí)行表達(dá)理論的程序更多、更精細(xì)的控制是經(jīng)常需要的。地圖著色提供了這類問(wèn)題的示例。

問(wèn)：準(zhǔn)備或者正在學(xué)習(xí)人工智能時(shí)，我還應(yīng)該學(xué)習(xí)什么？

學(xué)習(xí)數(shù)學(xué)，尤其是數(shù)理邏輯?？茖W(xué)如物理學(xué)或者生物學(xué)，你學(xué)得越多越好。對(duì)于人工智能生物學(xué)方法，去學(xué)習(xí)心理學(xué)和神經(jīng)系統(tǒng)的生理學(xué)。還應(yīng)該學(xué)習(xí)一些程序設(shè)計(jì)語(yǔ)言——至少應(yīng)該學(xué)習(xí)C語(yǔ)言、LISP語(yǔ)言和Prolog語(yǔ)言。再學(xué)一種基礎(chǔ)的機(jī)器語(yǔ)言也是一個(gè)好主意。就業(yè)可能會(huì)取決于你是否熟悉或者通曉當(dāng)前流行的程序設(shè)計(jì)語(yǔ)言。在20世紀(jì)90年代后期，這類語(yǔ)言包括C++和Java。

問(wèn)：人工智能的好教材是哪一本？

答：由普倫蒂斯·霍爾出版社出版的、斯圖爾特·拉塞爾（Stuart Russell）和彼得·諾維格（Peter Norvig）編著的《人工智能》是1997年最通用的教科書(shū)。該書(shū)中表示的一般觀點(diǎn)與本文中的觀點(diǎn)并不完全一致。尼爾斯·尼爾森（Nils Nilsson）和摩根·考夫曼（Morgan Kaufman）編著的《Artificial Intelligence: A New Synthesis》可能更容易閱讀。還有一些人更喜歡1998年牛津大學(xué)出版社出版的，大衛(wèi)·普爾（David Poole）、艾倫·麥克沃思（Alan Mackworth）和蘭迪·戈貝爾（Randy Goebel）編著的《Computational Intelligence》一書(shū)。

問(wèn)：哪些組織和出版物關(guān)注人工智能？

答：美國(guó)人工智能協(xié)會(huì)（AAAI）、歐洲人工智能會(huì)議（ECCAI）和人工智能與行為模擬協(xié)會(huì)（AISB）都是有關(guān)人工智能研究的學(xué)會(huì)。計(jì)算機(jī)協(xié)會(huì)（ACM）有一個(gè)人工智能的專業(yè)分會(huì)（SIGART）。

國(guó)際人工智能聯(lián)合會(huì)議（IJCAI）是主要國(guó)際會(huì)議。美國(guó)人工智能協(xié)會(huì)組織一個(gè)關(guān)于人工智能的國(guó)內(nèi)會(huì)議?！禘lectronic Transactions on Artificial Intelligence》、《Artificial Intelligence》、《Journal of Artificial Intelligence Research》、《IEEE Transactions on Pattern Analysis and Machine Intelligence》是發(fā)表人工智能研究論文的四個(gè)主要期刊。我還沒(méi)有找到所有應(yīng)該出現(xiàn)在這一段的內(nèi)容。

Page of Positive Reviews列出了專家們認(rèn)為重要的論文。

美國(guó)國(guó)家研究委員會(huì)所編的《Funding a Revolution: Government Support for Computing》一書(shū)中的第九章表述了對(duì)人工智能研究的支持。