论人工智能的局限及方向

【摘要】人工智能已经用于各个领域并取得了丰硕的成果，然而人工智能无法取代或超越人类智能。之所以称之为“智能”，是因为它所体现的自动化水平提高到了一定程度，但仍未超出工具的范畴。人工智能作为一门学科仍隶属于计算机科学，包括模式识别、机器学习、数据挖掘等等，这也是它局限性的体现。本文在比较人工智能与人类智能的基础上阐述人工智能的局限，并为人工智能应有的发展方向提出自己的观点。

【关键词】人工智能；局限；方向

人的思维往往是瞬时的，不存在检索和计算的过程。这源于人脑的高度复杂性，电信号传递的状态就能产生意识。所以无论是从输入信息还是处理结果上都比人工智能复杂的多，用时也短得多。下面将基于Hebb原理，自下而上探究人类智能的各个层面，并对应得给出人工智能的根本局限。

1、感知层

感官并不产生感觉，例如人的眼耳并不能产生视觉和听觉。视觉和听觉产生于大脑的感知层。这一层负责保存外界的“印象”、短时记忆、还负责产生概念的一般表象，在概念识别和思维的过程中发挥重要作用。根据Hebb原理，当感知层接受刺激时，一部分神经元同时处于兴奋状态，因此它们之间的连接被增强，这便记录了外界的信息。当大脑再次受到同样或相近的刺激时，大脑会感知到这些印迹，这些印迹被综合为一个值得注意的对象，很多基本的概念是这样形成的。刺激是综合的，人可以从中抽象出形状、色彩、声音、温度等，说明感知层是多维的，其中最重要的两个维度是空间和时间。

人工智能的模式识别本质是特征分析，它所记录的外部信息是离散的、数字化的，数字与数字之间无关联，只能针对某一特征对数据逐一分析来达成该特征的识别。人脑的感知层不仅能连续得记录外部信息，以对照的方式进行整体识别，还能感知信息间的关联，提取任何可能存在的共性，从而在感觉的基础上形成知觉。

2、概念层

概念是人思维的最核心要素，语言是它的外像。关于概念的两个基本问题是概念的产生和概念的识别。上文已经基于Hebb原理阐述了基本概念（用于概括一类直观对象）的产生和识别，这类概念直接来自于感觉，很难为这些概念下一个定义，比如“直线”。复合概念，顾名思义是由基本概念联接而成，其产生和识别都来自于基本概念的关联，即它的定义。

概念间的联接确切来讲是被强化的联接，联接被强化之前也必然存在实质的联接，也就是突触，联接的强化就是突触权值的改变。神经网络模型已经以数据结构的形式模拟了这一过程，但这一模型较真正的神经网络有很大的不同。神经网络模型中神经元的个数是有限的，每个神经元承载了复杂的算法，神经元之间的联接是单一的，这使得神经网络模型只能针对包含有限参数的具体问题，每次信息输入（学习、训练）都会使突触权值发生变化，其本质是参数逼近。而真正的神经网络可以存储大量的印迹，每次印迹都互不干扰。这说明感知层的各个维度之间，概念层的各个概念之间的联系是完全的，而且绝不是单一的（否则会造成印记覆盖）。这样才能记忆现实中的大量信息，并能抽象出任意模式。

3、思维

三段论是人思维的自然形式。其中小前提是概念的识别，大前提是已形成的概念联接。作出判断则是神经兴奋在概念联接中的一次传递，传递的结果又反馈到当前信息。外来信息会与内在的概念网络形成对照，这也是对外来信息的审核。通过审核的信息会被过滤出去，不被察觉。如果对照后存在矛盾或者不存在对应的联接就会产生问题。特别的，如果人在阅读或者交流的过程中，如果不存在相关的概念及联接，就会启动一个问题解决（或者理解）的过程。以问题解决为目的的思维存在演绎和归纳两种形式。

3.1 演绎是基于已有联系的。通过演绎来解决一个问题，本质上是找到前提到结论的通路——思路。思路一般按照概念发散的顺序进行，发散的方向主要受概念联接的强度印象，也会受目的及潜在的意愿影响。思路可以是上行的，即通过高层概念来取得联接。也可以是下行的（分析的），即通过底层概念来取得联系。下行的过程会深入到感知层，也就是表象。表象在思维的过程中发挥了重要作用。概念及联接是外部信息的简化，神经兴奋在概念间传递时耗时和耗能都是最小的，这是人应对日常信息或者解决一般问题的形式。而表象是外在的“印象”，信息丢失的程度较小，会像外部信息一样较为综合的激活上层概念，使上层较弱的且关键的联接被激活，从而形成思路。

人工智能可以实现自动推理，但仍无法胜任日常问题的解决。根本原因在于人工智能只能从孤立的联系中思考问题。人脑可以通过表象把问题放在普遍联系中去思考，更容易发现问题的关键，且能做到具体问题具体分析。

3.2 归纳则是建立新的联系。人面对的世界是复杂的、连续的，人从中提取的概念及联接则是有限的、离散的，所以永远不可能是充分的。人脑要能适应外界，就必须不断的产生出新的概念和联接，这便是人脑学习的过程。由Hebb原理可知，概念之间存在潜在的联接，它们是人脑在接收外界信息时，由感知层而上在概念层形成的强化，是外部信息在概念层留下的印迹。所谓“潜在”，即这些联接并未获得注意，未形成判断以语言的形式被表达。然而在思维时，当人的注意集中在某些概念上时，相关的潜在的联接会被激活，并被人意识到，进而形成判断并表达出来。这种思维方式即归纳，是哲学家或思想家较为擅长的思维方式。

在人工智能中发现事物关联的技术是数据挖掘。数据间的关联不是天然存在的，而是通过分析每条记录的属性值得到的，因此从效率上比人类智能要差多。不否定数据挖掘可以发现人所未能发现的关联，但这些关联的价值仍需人来评估。

4、结论

人工智能与人脑的本质区别在于结构，基于存储-计算模型的硬件结构，和基于数据结构-算法的软件结构，决定了现代计算机无法实现真正的智能。目前人对大脑结构的认识还处于初级阶段，但该结构的轮廓已经可以通过认识论、神经生理学方面的成果加以描述。这些成果足以说明人工智能的局限和实现真正智能的方向。要实现真正的人工智能，需找到模拟神经元工作的基本电路，使其具有相同的记忆和计算特性，这点是目前可以实现的。还需揭示神经元协同工作产生意识的完整过程，并以此建立与大脑相似的庞大网络，这点目前还很难实现。