**第2章 机器智能的发展和应用
2.1 机器智能的发展**
社会智能与综合集成系统
早期机器智能的起源是基于心理学的研究，搜索启发式知识在人类思维过程中的作用，把这类知识表示为逻辑形式加以应用，这是机器智能最早的模型。早期以逻辑为基础的机器智能研究，可以概括为符号表示、启发式编程、逻辑判断或者称为深思熟虑的思维模型（傅京孙，1987），这可以说是机器智能研究的最初阶段或者称为传统机器智能时期。
2.1.1 传统机器智能
在机器智能的发展过程中，由康奈尔大学心理学家Rosenblatt设计的感知器在训练之后可以对图像进行分类。感知器代表了一种全新的机器智能研究的方法。在20世纪60年代，机器智能专家转向研制感知器或者相类似的人工神经网络（ANN）。但是感知器因为是两层网络，其局限性是仅仅具有能够进行线性分类的功能，因此曾经遭受到Minsky等人不公正的批评。20世纪80年代，人们对人工神经网络的热情增大，在致力于构建人工神经网络模型过程中，习惯于传统机器智能方法的一些机器智能专家对此感到奇怪。Minsky、McCarthy、Feigenbaum等机器智能权威人士相信，得到机器智能唯一明智的方法是搜索到一个正式的框架，能够再现知识和判断，然后针对此方案进行编程。这些权威人士认为，想要通过加强连接的人工神经网络使机器创造出知识和逻辑是死路一条。
其实人工神经网络是很有道理的。它的特征是以分布方式表示信息，也就是应用若干个节点，每两个节点间可以连接起来的网络用来表示信息，以前用以表示知识的语义网络是一个节点与一个概念对应，而人工神经网络是以节点的一种分布模式和加权量的大小与一个概念对应。这样即使每个节点上的信息属性发生了改变和失真，也不至于使网络表示的概念的属性产生重大改变。另外有些相同单元上的信息也可以应用来表示相类似的概念，这就是在谈到人工神经网络时，人们津津乐道的并行分布处理（PDP）的精髓所在。
人工神经网络对知识的表示从显式变成隐式，这种知识不是通过人的加工改变成规则，而是通过学习算法自动获得的。对特定领域来说，即将输入模式中各个抽象概念改变成人工神经网络的输入数据，并且根据领域特征适当解释人工神经网络的输出数据（鲍约翰，1992）。
当时有的学者把机器智能研究的作用概括为以符号处理为中心的传统方法和网络链接为主的链接机制方法。从模拟人的思想的角度来想，这是很自然的。人的两种主要思维方式是抽象思维和形象思维（Simon，1996）。符号处理可以认为主要在于模拟人的抽象思维，链接机制主要致力于模拟人的形象思维。关于形象思维，虽然人们认识到它的重要性，但是应用现在的计算机来模拟形象思维是很困难的，需要在计算机的体系结构上有新的突破。人们对网络模型的结构抱有很大的希望，以前比较有名的人工神经网络模型有Hopfield网络、反向传播网络、自适应共振理论网络等。在20世纪80年代，Hopfield的工作和反向传播理论受到关注，许多研究人员蜂拥到这个领域时，自适应共振理论的创建人Grossberg是很少几个坚持自己的工作又对建立这个领域有所贡献的人。Grossberg在大脑学习和机器智能方面从事了30多年的工作，逐步形成一套建立在人工神经网络基础上的模式。人工神经网络得到蓬勃发展的这段时期，可以说是机器智能发展的第二阶段。这两个阶段一般称为传统机器智能时期（戴汝为等，1991）。
2.1.2 现场机器智能
一件令机器智能研究领域中震惊的事件是1991年8月在澳大利亚悉尼举行的国际机器智能联合大会，世界上有23个国家近1500人参加了这次大会。在这次大会上，美国麻省理工学院（MIT）的年轻教授Brooks获得了大会授予的计算机和思维项目奖，他在会上做了题为《没有表示的智能》的学术报告，提出的机器智能的一些新观点和传统看法大相径庭。他论述了计算机、机器人等的发展情况和他自己长期从事的人工昆虫即具有六条腿的像蝗虫一样的自动装置。他以自己的实践和经验论述了20世纪40年代由Wiener创立的《控制论》思想对机器智能的影响，其中最重要的一点是要研制一个具有智能的系统，自然要问系统在什么样的环境中运行，也即系统和环境是不可分的。
系统复杂性不但体现在系统自身也体现在环境方面。如研制一个家用机器人和一个工业方面完成某种部件装配的机器人大不相同。家用机器人的运行环境零乱并且复杂，这类机器人必须要能够识别环境中的各种物体，绕过各种障碍物，所以想到家庭这样的运行环境，家用机器人是一个复杂问题。从历史的发展来看，早在机器智能这门学科问世的20世纪50年代，原苏联自动控制领域的一些专家就在研制能够适应环境的自动化装置。如已经演示过一种安装有敏感部件，可以绕过障碍物的机械乌龟。
所以Brooks（1991—）认为：以现有计算机体系结构为基础，引导开辟了一些机器智能的方向，但是生物系统的智能完全不同。在《控制论》发展的开始阶段，计算模型是模拟的而不是数字的，这个领域的许多工作实际上是朝着对动物智能的了解并且希望探明动物如何通过学习来改变它们的行为，以及对于整个机体如何导致对环境的适应去的。
早在1952年，一位《控制论》专家阿希贝（Ashby）就认识到并且明白地论述过：为了理解机体产生的行为，一个机体和它周围的环境必须一起组成模型，引入反馈的目的就是当环境有改变时，系统能够保持稳定。
Brooks本人是一位机器智能专家，他在1991年的《机器智能》杂志上还发表过《没有表示的智能》一文。他以人工昆虫的研究为例子，对传统机器智能中的中心概念的表示和判断提出了异议，提出人工昆虫的包容结构。对于机器人或者其他智能系统来说，周围世界必须包括在系统的模型中。他概括了在人工昆虫这类机器人研究中突出的4个概念。
（1）机器人所处的现场：机器人处于一定的环境中，它们不涉及抽象的论述而是处在直接影响机器人行为的现场。
（2）具体化：机器人有躯干、眼睛，在干什么、在什么地方都是具体的，具有直接来自周围的经验。它的作用是全部现场的动态行为的一部分。它的器官起作用后立即会有反馈。
（3）智能：机器人看起来有智能行为。智能的来源不仅仅限于计算装置，也来自周围的情景、感知器间的信息传送和机器人与周围环境的交互作用。对于智能的来源和传统说法不很一样。
（4）涌现：智能是由许多部件的交互作用和环境的交互作用产生的系统所涌现出来的总的行为。
上面这些观点表明，智能行为可以在没有明显的判断系统情况下产生，智能是系统和周围环境进行交互作用后涌现出来的。Brooks的工作代表了机器智能的新方向，称为现场机器智能。智能系统一方面要从运行的环境中获得信息，另一方面要通过自己的动作对环境施加影响，互相影响，一起演化。其实现场机器智能的思想并不深奥，中国老百姓有一句通俗的话：“一匹马是好马还是坏马，拉到野外去遛遛就知道了。”这里说的野外，就是上面说的现场，马只有在野外活动，才能够体现出它的好坏。研制机器智能系统，不能够仅仅想电脑部分，还有驱体、各种敏感部件、执行机构等，还要能够对运行的环境有理解能力。
2.1.3 以自然为基础的机器智能
但是以Clancey为代表的一些学者则认为，符号理论不能够解释人类智能行为，不是像计算机中央处理器的方式那样操作，而是一种能够同时协调感觉——动作的机能。智能行为是感觉——动作许多次循环的结果，不是深刻的判断和决策。学习不是一个存储新程序的过程而是一种能够同时协调感觉——动作的辨证机能。这种感觉——动作的神经结构和组织过程是在运动中创造的，是通过它们的不断激活、竞争选择和重新组合，得到的一种自组织机制。围绕着物理符号系统假设（PSSH），以年轻的克兰西为代表的一方和有名的Simon为代表的一方展开了激烈的争论。以物理符号系统假设作为唯一基础的研究，转向和环境进行交互为重点的现场认知是新的方向之一。在方法方面则不仅仅局限于以前心理学领域中习惯的通过被试者的口述报告的方法，而是应用先进的技术，如功能性核磁共振成像技术（FMRI）、正电子发射断层显像（PET）等技术，来研究脑功能成像。应用现代高技术、新技术为工具，进行脑功能定位的研究，从大脑的角度提出各种认知理论：如克兰西和以诺贝尔奖获得者Edelman提出的神经达尔文理论为基础，给出一种自适应神经系统的观点，对知觉的产生做了猜测。
历史的记载表明，1984年德国科学家Braitenberg提出一个新的综合心理学学科。他的思想和智能可能是从一些部件的交互作用中涌现出来的，这里说的基本部件称为人工神经。另外他不但提出想法，还设计了分别和爱、恨、侵犯等对应的活动小车。我们可以说复杂系统中的重要特征涌现最早是Braitenberg认识到的。Brooks 的贡献是他提出了人工昆虫的包容结构并且应用有限状态自动机代替了人工神经。
Brooks 的包容结构是1984年提出的，在20世纪80年代还有另外一些科学家对机器智能领域应用的研究方法产生了怀疑，开始提出新的想法和研究的作用。其中麻省理工学院附近的罗兰德研究机构的Wson，早在20世纪80年代初就相信机器智能研究已经走入误区。他认为：在研究各种独立的人类智能方面，机器智能项目可以说是其中最杰出的代表，有些成果是令人惊奇的，但是这些研究的对象是过于具体化的功能，没有方法从中总结出规律性。另外一个问题是它们不会直接从周围的环境中吸取需要而仅仅会呆在那里，直到人们给它们信息，然后也仅仅是复制这些信号，而全然不知道其意义。它们中没有一个程序能够从周围的环境中学习或者适应环境，而这些则是哪怕最简单的生物也会具有的功能，却被我们的机器智能学者忽略了。他开始寻找机会跳出传统机器智能的圈子，了解更多信息并且重新开始想努力的方向，开发一种简单的机器人。他于1987年把他的人造生物取名为“Animaton”，以后又简化为“Animat（动化物）”。在比较短的时间内，在美国甚至欧洲的机器智能学者都开始纷纷议论起这个机器智能化动物。
既然机器智能研究的最终努力方向是复制人类智能，那么就从复制动物的智能开始吧。Wilson和他的同事们迅速使它成为机器智能领域内一种全新的以自然为基础的机器智能的一种主张。
Brooks说：“即使是最低级的智能行为都是自然发生的，而不是应用人的程序确切规定的”，这种想法对机器智能来说是比较新鲜的。自然发生特征的概念在20世纪80年代得到了许多单位的注意，其中有名的是新墨西哥州以研究复杂性而著名的圣菲研究所。自然发生特性在理解复杂系统为适应改变做的动作方面变得很重要，特别是它几乎成了研究大自然设计方案的关键。其中典型的例子是DNA——这是一种在创造生活有机体过程中具有编码信息的分子，也是一种从简单体发展为复杂体的模型。
1987年圣菲研究所的Langton提出人工生命的概念，并且开创了一个新的领域。人工生命是指在物理媒体（如计算机）上的生命形式。Langton认为：生命是一个过程，并且它不管硬件什么情形；如果模拟物和生物学家最早为生命所定的标准互相吻合（它支持自身，能够自我繁殖，能够演化），那么它就有根据被认为具有生命。他主张：我们的目的不是直接走向智能，但是某种低层次的生命构件的存在提示我们搜索解决智能问题的新方法，从而有计划、有逻辑地代替其他方法。
所以Brooks等人的工作使机器智能转向现场机器智能，以后他和Wson等人的工作又形成以自然为基础的机器智能这样一个领域。以自然为基础的机器智能为基础的机器智能的一些主张可以概括如下：
（1）既然机器智能研究的最终努力方向是复制人类智能，那么就从复制动物的智能开始吧；
（2）智能是自然发生的，具有简单元素间进行互相作用的特征；
（3）智能很复杂，不可能从下面开始设计，所以应该改变研究的方向，应该遵从大自然提供的蓝图，在这里蓝图就是人工神经网络；
（4）智能不可能被插入一个系统里，它必然是在系统和外界环境互相作用的过程中被开发出来的。
传统机器智能研究基于当时迅速发展的微电子技术、认知心理和信息技术，开始时声势浩大。以自然为基础的机器智能的基础是分子生物学、人工神经网络和复杂自适应系统，这些学科近来取得了很大发展。因为吸取了这些学科的成功经验，以自然为基础的机器智能取得了迅速的发展。
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。