智能是怎樣生成的

摘要：重點指出為了構建普適性的且可理解的智能生長機制，需要顛覆傳統科學的科學觀和方法論對人工智能研究的統領地位，確立信息科學的科學觀和方法論對人工智能研究的統領。探究了人工智能理論的核心問題：智能是怎樣生成的？結果表明，普適性的智能生成機制就是“信息轉換與智能創生”定律。

關鍵詞：人工智能;生成機制;信息轉換

Abstract： In this paper， it is emphatically pointed out that in order to set up the universal and understandable mechanism for intelligence growth， it is necessary to subvert the dominant position of the traditional scientific view and methodology over artificial intelligence research， and to establish the scientific view and methodology of information science leading artificial intelligence research. The core question of artificial intelligence theory is explored： how is intelligence created？ And the secret of intelligence creation is revealed as the law of “information conversion and intelligence creation”.

Key words： artificial intelligence; mechanism of intelligence creation; information conversion

最近幾年，人工智能的發展引起了全世界的高度重視。許多國家都把發展人工智能設定為國家重要戰略。2017年7月，中國國務院也發布了《新一代人工智能發展規劃》，提出了中國人工智能發展“三步走”的目標[1]。

因此，學術界都在認真思考：我們應當為人工智能的相關發展做些什么？

1 什么是最緊迫的人工智能

研究課題

人們提出了各種各樣的人工智能研究課題：大數據智能、群體智能、跨媒體智能、混合智能、自主智能、機器學習、類腦計算、量子計算、機器人、無人駕駛等，勝似雨后春筍。顯然，所有這些都很有意義。

不過，如果我們注意到人工智能研究的歷史和現狀，以及社會的深層需求，就可以發現：通用性的人工智能整體理論更加值得關注。

這是因為數十年來在“分而治之”方法論引領下，世界人工智能的研究被分解為人工神經網絡（結構主義人工智能）、物理符號系統/專家系統（功能主義人工智能）和感知動作系統/智能機器人（行為主義人工智能），形成三足鼎立的“三大學派”，并各自為戰，互不相容。雖然3個學派都取得了一些精彩的局部領域應用成果（如神經網絡的深度學習、專家系統的AlphaGo、感知動作系統/智能機器人的Sophia等），卻無法形成通用性、整體性的人工智能理論，這成為現代人工智能研究的最大痛點。這種狀況一直持續到現在。顯然，只有局部成果而沒有通用性、整體性理論支持的人工智能，是不成熟的人工智能，是沒有后勁的，因而也走不遠，很難持續地興旺發展。如果長此下去，新一輪的人工智能寒冬遲早還會再來。

令人欣喜的是，從1978年至今，經過40多年的艱辛探索和不懈努力，筆者提出并建立了“機制主義人工智能理論”[2]，西北工業大學何華燦提出并建立了“泛邏輯學理論（人工智能的邏輯基礎）”[3]，原北京師范大學現在遼寧工程技術大學工作的汪培莊提出并建立了“因素空間理論[4]（人工智能的數學基礎）”。從2015年開始，3位專家就一直尋求這3個理論的有機合成，形成了“機制主義人工智能基礎理論”，實現了長期互不相容的人工智能“三大學派”的和諧、統一，成為人工智能的整體性理論，并實現“基礎意識、情感、理智”三位一體的高等智能[5]。

為什么機制主義人工智能理論有這樣強大的威力？其關鍵在于發現并解決了人工智能理論的一個核心問題：智能究竟是怎樣生成的？是否存在普適的智能生成機制？一旦發現了這種普適的智能生成機制，人工智能理論的研究就看到曙光了。

2 建立普適的智能生成機制，

不是一般的技術問題

那么，智能到底是怎樣生成的呢？什么又是所謂的智能的普適生成機制呢？

如上所述，長期以來學術界一直認為：智能是人類（或生物）大腦工作的產物，因此為了探究智能的生成奧秘，就要“揭開大腦的神秘面紗”。近200年來，人們圍繞大腦的結構和功能展開了大量的研究，包括醫學界的大腦解剖技術、神經生理學界的各種掃瞄成像技術、認知科學界的各種心理實驗技術等。根據這些研究的進展，人工智能學界先后展開了模擬人類大腦新皮層結構的人工神經網絡研究（1943年開始）和模擬人腦邏輯思維功能的物理符號系統及專家系統研究（1956年開始）。所有這些方法的共同特點都是把大腦作為一個復雜的物質系統，按照分而治之的方法論把它分解為相對簡單的子系統進行研究，希望把各個子系統的研究結果加以合成就能揭秘大腦的工作機制;但是上述所有努力都沒有達到目的。

上述努力達不到目的的原因何在？原來，雖然人工智能和大腦原型確實都是由物質構成的，但在“信息和智能的研究視角”下，它們卻都是復雜的信息系統，更準確地說是復雜的物質系統所支持的復雜信息系統，而不再是純粹的物質系統。更為重要的是，人們對大腦系統的關注，不再是它們的物質結構，同樣也不簡單是這些物質結構所支持的系統功能，而是這些物質結構和系統功能共同支持的“信息過程以及在這種信息過程中所展現的各種神奇能力”。

需要指出，這種“研究視角”的改變，不是簡單的技術性問題，而是科學研究的“科學觀”問題，以及由這種科學觀所孕育的“方法論”問題。技術問題是科學研究的低層問題，科學觀和方法論問題是科學研究最高層的問題。低層的技術問題當然非常重要，沒有技術理論就無法具體實現;但低層技術問題要服從高層的科學觀和方法論的支配和管理（不管是否意識到）。所以，上述所有的分而治之方法都達不到建構人工智能整體理論目的，這主要不是因為技術能力不夠，而是所秉持的“科學觀和方法論”不對路。

根據我們數十年的研究，到目前為止，科學研究存在2大類科學觀和方法論：工業時代所形成的傳統科學的科學觀和方法論;信息時代所需要的信息科學的科學觀和方法論。2種科學觀和方法論的對照見表1。可以看出，2種科學觀和方法論很不相同。

毫無疑問，人工智能是一類“復雜物質系統所支持的復雜信息系統”，是信息科學技術的高端產物;因此，人工智能的研究應當遵循信息科學的科學觀和方法論。遺憾的是，當人工智能在20世紀中葉問世時，世界上還沒有信息科學的科學觀和方法論（因為信息科學的科學觀和方法論須在信息科學研究長期實踐的基礎上才能逐步被人們總結和提煉出來），于是人們就沿用了那時已經非常成功因而非常流行的傳統科學的科學觀和方法論。結果，人工智能的研究就被分而治之的方法論分解成為了前面所提到的3大學派。

那么，為什么傳統科學的科學觀和它的分而治之方法論不能建立人工智能的整體性理論而只能形成一些局部的理論和技術呢？

顯然，當人們對復雜信息系統施行分而治之的時候，就不可避免地割斷了這個復雜信息系統各個子系統之間復雜而看不見的信息聯系，而這些復雜而看不見的信息聯系正是復雜信息系統的生命線。既然生命線被割斷了，原來的復雜信息系統就不再可能被還原了。這是分而治之方法論在人工智能研究領域不能發現更不能建立“普適的智能生成機制”的根本原因，也是分而治之方法論不可能建立人工智能整體理論的根本原因。

3 顛覆了傳統科學觀和方法

論的統領，答案便躍然紙上

明白了這個道理，以發現普適性智能生成機制為目標的人工智能基礎理論研究就必須堅決放棄分而治之的方法論思想，雖然后者在數百年的近代科學研究領域一直是放之四海而皆準的鐵律。人工智能理論研究的出路則在于研究和總結適合于人工智能這種復雜信息系統性質的新的科學方法論——信息科學的科學觀和方法論（見表1）。用現在比較時髦的語言來說，就是要堅決顛覆傳統科學的科學觀和方法論對人工智能研究的統領地位，確立信息科學的科學觀和方法論對人工智能研究的統領。

有了這樣的認識，我們就有了全新的研究視角—— 信息科學的科學觀和方法論。按照這個科學觀念和方法，人工智能的研究模型就不再是單純的“腦模型”，而是“主體與客體之間相互作用的模型”;因為 “智能”不是大腦憑空產生的，而是在主體與客體相互作用的過程中產生出來的[2]，[5]，如圖1所示。

圖1是智能系統（人類智能或人工智能）的典型模型，具有普遍的意義。在該模型中，存在2類不同的對象：一類是環境中的客體事物，一類是人類主體（當然也可以是生物主體或人工智能主體，最具典型意義的是人類主體。以下的敘述，都將以人類主體為例展開），還有主體與客體之間的相互作用——客體產生的客體信息作用于主體，主體則生成智能行為反作用于客體。眾所周知，任何人類主體和生物主體都具有自己的目的和先前積累起來的知識（人工智能系統的目的和知識則是由人類主體所賦予的）。人類主體的永恒目的是“生存與發展”，人類正是通過這種相互作用來實現自己的目的。

如果考察圖1模型中的相互作用過程，關于智能的一系列問題就能得到十分簡明而又十分清晰的理解。比如：為什么主體需要智能？如果主體沒有智能情況會怎樣？主體所需要的智能“是怎樣生成的”？這種智能的生成機制為什么是“普適”的？

我們首先考察：為什么主體需要智能？

從圖1可以看出，受到客體信息的作用之后，主體就應當生成“智能行為”反作用于客體，以便通過這種相互作用來實現主體“生存和發展”的目的。但是，成功實現這個目的的前提是主體生成的行為必須具有足夠的智能水平，否則，主體就達不到自己的目的，這個行為就成為了失敗的行為。另一方面，如果主體生成的行為“不夠智能”，還可能會破壞環境運行的客觀規律，后者又會反過來給主體的生存發展帶來風險。可見，在主體客體相互作用的過程中，一方面為了實現主體自身生存與發展的目的，同時也為了維護環境運行的客觀規律，主體都必須生成具有足夠智能水平的行為。這就是智能問題的全部意義：如果沒有智能，人類主體就難以生存更難以發展。

那么，主體所需要的智能行為是怎樣生成的？

圖1的模型也同樣非常明確地告訴我們：主體必須根據自己的目的，運用已有的先驗知識，設法把從外部客體收到的“客體信息”轉化為自己所需要的“智能行為”。這就是：在目的牽引下、在知識支持下“把信息轉換為智能”。舍此，別無他途。

這就揭示了一個非常重要的根本規律：信息轉換與智能創生。意思是說，為了創生智能而展開的信息轉換是生成智能的根本規律。這個規律是根本性的，是唯一的，也是普遍適用的。這種普遍適用的根本規律通常被稱為“定律”。因此，普適的智能生成機制——信息轉換與智能創生是關于如何生成智能的一條基本定律。

相映成趣的是，我們在基礎科學已經發現了“質量轉換與物質不滅”定律和“能量轉換與能量守恒”定律，如今在信息科學（人工智能是信息科學的制高點）我們又發現了“信息轉換與智能創生”定律。這樣，物質、能量、信息三大資源領域的“轉換定律”就齊備了。質量轉換定律和能量轉換定律揭示了物質世界和能量世界運行的客觀規律;信息轉換定律則揭示了人類如何把信息資源轉換為智能求得生存和發展的人類生存與發展的規律。因此，普適性智能生成機制的探索，是一項意義極為重大的科學研究。

值得注意的是，普適性智能生成機制的定律無需強制“要用人工神經網絡來創生智能”，也無需強制“要用物理符號系統/專家系統來創生智能”，更無需強制“要用感知動作系統/智能機器人來創生智能”，只強調了“要通過信息轉換來創生智能”。

由此說明，“人工智能是信息科學技術的制高點和高端產物”這一認識是何等準確而深刻！而人們以前持有的“人工智能是計算機科學的分支”的說法和“人工智能是自動化學科的延伸”的說法則顯得牽強。實際上，在以往的人工智能研究中，人們確實重視了計算機科學技術和自動化技術，或多或少地忽視了信息科學技術，忽視了信息和信息轉換理論的重要性。這種認識看來需要做出調整。

指出這一結論也很重要，因為這樣就可以使人們明白，在研究人工智能的時候，信息的觀念和信息轉換的觀念是最重要的。這絲毫也沒有貶低“算法和算力”的作用，因為一切信息轉換的實現都要得到算法和算力的支持。但是，需要進一步明確的是，算法和算力都是為了實現相應的“信息轉換與智能創生”而服務的。

當然，這里所說的“信息科學”不是指Shannon信息論，因為Shannon信息論的信息只是一種統計性的語法信息，丟失了信息的“內容”和“價值”因素[5]，不足以支持人工智能的研究。由于篇幅的緣故，有關這一問題的討論就不在這里詳細展開。

4 智能生成機制與人工智能

通用模型

當然，任何定律都是普遍適用的，也是抽象的。如果要把定律的內涵具體化，就需要根據神經科學、認知科學、信息科學、人類學、人文科學等學科的相關知識來構建人工智能的通用模型，圖2表示的就是這樣的人工智能通用模型[2]，[5]。

其實，圖2和圖1一樣，都刻畫了人類主體與客體相互作用的過程。圖2的橢圓表示的是環境及其中的客體（也可稱為問題），其余部分則表示主體生成智能行為的整個過程，也就是信息轉換與智能創生定律——普適性智能生成機制的實施過程，包括如下7個典型階段：

（1）客體（或問題）呈現的客體信息作用于主體。

（2）由客體信息到感知信息/語義信息的轉換（感知與注意）。由于主體具有目的和知識，主體就通過“感知與注意”模塊來判斷這個客體信息是否與自己的目的有關，如果無關就不予理會（這就是“舍棄”），如果有關（無論是正面相關還是負面相關）就予以關注并生成感知信息。感知信息具有3個分量：反映客體形態的“語法信息”，反映客體對于主體目的而言的效用利害關系的“語用信息”以及定義在語法信息和語用信息之上的“語義信息”。根據語義信息的定義，它可以代表語法信息和語用信息，因此也就可以代表整個感知信息。

（3）由語義信息到知識的轉換（認知）。根據語義信息，主體就可以在綜合知識庫檢索到與這個客體相關的知識，包括常識知識、經驗知識和規范知識（甚至本能知識，取決于知識庫的質量）。

（4）由語義信息到智能策略的轉換（謀略與決策）。根據語義信息，主體就可以利用檢索到的本能知識和常識知識生成相應的基礎意識反應，利用本能知識、常識知識和經驗知識生成情感反應，利用本能知識、常識知識、經驗知識和規范知識生成理智反應，并將它們綜合成為應對這個客體的智能策略（這個過程比較復雜，將在另文闡述）。

（5）由智能策略到智能行為的轉換（執行）。主體通過執行機構把智能策略轉換成為智能行為。

（6）由偏差信息到優化策略的轉換（檢驗與優化）。在一般情況下，由于信息轉換的每個步驟都存在不理想性和不確定性，把智能行為反作用于客體之后的結果往往與目標之間會存在偏差。這種偏差實際上就是一種新的信息，表示策略的智能程度還不夠;因此，需要把這種偏差信息反饋到整個系統的輸入端，產生新的感知信息/語義信息，學習和提取新的知識，并根據新的信息和知識改進策略，優化效果。這種反饋、學習、優化的過程通常要進行多次，直到偏差足夠小為止。這時所得到的策略才是真正可用的智能策略，可以把它存儲在綜合知識庫（策略庫）中備用。

（7）重設目標（更新）。如果經過多次偏差反饋、學習、優化過程都不能以滿意的程度達到目標，主體就要考慮原來預設的目標可能有問題，需要重新預設目標，重新進行上述信息轉換過程，直到信息轉換過程所生成的智能策略能夠達到預設的目標為止。

以上7個步驟，就是普適性的智能生成機制（適用于人類智能，也適用于人工智能），它們構成了人工智能理論研究的基本問題，也反映了“人類認識世界和改造世界并在改造客觀世界的過程中同時改造自己”的過程。人類就是在“不斷地認識世界和改造世界并在改造客觀世界的過程中不斷改造自己”的過程中不斷進步，不斷求得越來越好的生存與發展。

5結束語

本文探討了人工智能理論的核心問題：智能是怎樣生長的？結果表明，普適性的智能生成機制就是“信息轉換與智能創生”定律。文中還著重指出：為了能夠理解和構建普適性的智能生長機制，需要顛覆傳統科學的科學觀和方法論對人工智能研究的統領地位，確立信息科學的科學觀和方法論對人工智能研究的統領。這是人工智能理論研究的至關重要的問題。在此基礎上，本文給出了人工智能的通用模型及其意義。

參考文獻

[1] 國務院. 新一代人工智能發展規劃[M]. 北京：人民出版社， 2017

[2] 鐘義信. 機制主義人工智能理論[J]. 智能系統學報， 2018， （1）： 2-18

[3] 何華燦. 泛邏輯學理論[J]. 智能系統學報， 2018， （1）：19-36

[4] 汪培莊. 音速空間理論[J]. 智能系統學報， 2018， （1）： 37-54

[5] 鐘義信. 高等人工智能原理[M]. 北京：科學出版社， 2014