基于因素空間的人工智能樣本選擇策略

崔鐵軍，李莎莎

（1. 遼寧工程技術大學 安全科學與工程學院，遼寧 阜新 123000; 2. 遼寧工程技術大學 工商管理學院，遼寧 葫蘆島 125105）

人工智能是面向人的，具備類人能力的實體或方法。人的最基本能力就是對事物的選擇能力。人能通過各種渠道獲得知識，而這些知識的主要應用就是人面對問題時的選擇。因此人工智能的最基本操作就是模仿人對問題做出選擇。人的選擇過程是宏觀到微觀的過程，先選擇關心的方面，再選擇具體的定性定量特征，這是從內涵到外延的過程。目前人工智能的三大主流學派及大數據和深度學習等都是基于數據的研究。即首先從大數據的處理開始，再進行數據歸類分析各類別之間的關系抽象為范圍，再根據范圍關系抽象為因素，最終用因素定義概念，完成外延到內涵的建立。因此人對樣本的選擇過程與現有人工智能樣本選擇過程是相反的。

關于人工智能的處理過程、理念及模型等有一些研究：知識驅動的智能生態網絡研究[1]；基于功能模型和層次分析法的智能方案構建[2]；基于深度確定性的智能車匯流模型[3]；多智能體情緒仿真模型[4]；小波智能模型時序預測[5]；智能電網可靠性模型預測[6]；智能化云制造系統[7]；智能網聯環境下的車輛跟馳模型[8]；智能制造成熟度評估模型[9]；智能模型與自主智能系統[10]；智能網聯車環境下的數據轉發模型[11]；機制主義人工智能理論[12]；人工智能的概念、方法、機遇[13]；人工智能與科學方法創新[14]。這些研究各有所長，解決的問題也各不相同。但正如莫拉維克悖論[15]所述，高級的人類思維需要數據較少；反而人類的基本行為需要大量數據描述。這其實并不矛盾，高級思維涉及的因素很多；而基本行為則很少。人在分析問題時首先關注因素而不是數據；但人工智能方法需要大量數據。

為解決莫拉維克悖論提出的問題，論文基于因素空間理論[16-18]和作者的相關研究[19-26]對人的基本選擇行為在人工智能框架下予以實現。最終建立了人工智能樣本選擇策略網絡模型。

1 莫拉維克悖論

20世紀80年代，由H.莫拉維克等人提出了一種現象：像邏輯演繹這樣高級理性思維只需要相對很少的計算能力，而實現感知、運動等低等級智能活動卻需要耗費巨大的計算資源，即莫拉維克悖論。

這也許成為人工智能發展的一個方向。目前普遍認為人工智能應涉及大數據智能理論；跨媒體感知；人機協同智能、群體智能、個體控制與優化、機器學習、類腦智能和量子智能等。但現有人工智能基礎普遍基于大數據分析抽象形成數學模型，進而模擬人受外界刺激后的響應。當然這是當下較為有效的方法。也形成了三大人工智能流派，即結構模擬(人工神經網絡)[27-29]、功能模擬(物理符號系統)[30-33]和行為模擬(感知動作系統)[34-35]。這些研究更加傾向于以數據為基礎的分析，但這并不是人腦真正的問題處理方式。正如莫拉維克悖論所說，人腦擅長對于邏輯、理念及感情方面的處理；而具體的定量數值處理則不擅長。例如：別人送了一些蘋果，你要選擇一個吃掉。你首先會根據自己的經驗來選擇因素從而判斷選擇哪個蘋果，從蘋果的顏色、大小、形狀等方面進行判斷。無論這次選擇是否令你滿意，其經驗都會留在大腦中。相反一般不會有人拿著色譜、直尺等去對每一個蘋果進行測量，再通過復雜的數學方法選擇。高度抽象和演繹行為的多數信息來源于人的直觀感受，比如視覺、聽覺、觸覺、味覺等。這些不提供具體信息，而只是客觀事物在某些因素的表象。人通過事前表象和事后效果來判斷是否完成目標，并形成對應關系。因此作者認為人對事物的理解首先是因素層面的理解與運算，如果難以確定才會使用因素的相進行模糊或精確分析。

汪培莊教授提出的因素空間也對莫拉維克悖論提出了相同的觀點：1)只要找到描述因素，高級理性思維活動都是簡單的；2)低級本能活動之所以困難，是因為人們不知道使用何種因素描述它們；3)因素由人輸給機器，輸給因素越多，機器就越聰明。根據莫拉維克悖論，基于數據的人工智能方法很難完成對人腦智能的模擬；同時受大數據獲得條件限制也難以完成。

2 人的選擇等同于比較

人的思維、感情及邏輯推理基本是對少量樣本進行的。人們從古至今都是在少量樣本組成的樣本空間中選擇。不同在于由于信息及大數據技術的發展，選擇的樣本空間越來越大。因此從以前的信息不對稱變成了選擇綜合癥。實際上人腦對大樣本空間有自己的處理策略。人腦將大樣本空間細化，形成樣本數量大致相同的子樣本空間來處理，當然這和個人的記憶和處理能力有關。通常的，人腦在子樣本空間中選擇最好的樣本保留，這樣多個子樣本空間就得到了各自最好的樣本組成下一輪樣本空間進一步選擇。該策略也應用于各大電商平臺的購物車策略。過程中人腦基本使用因素及其相之間的推理和運算，這種運算適合于人腦，且處理速度相當快。

在樣本空間中選擇最好樣本的具體過程則是比較，更為具體的是兩兩比較，類似于冒泡法，由于人腦并不擅長并行處理。那么回到莫拉維克悖論，這時樣本空間中的樣本已經很少，同時也基本符合人腦根據經驗、邏輯和推理得到的結果。在只能選擇一個樣本時，人腦將使用類似冒泡法進行比較。這時考慮蘋果需要裝入方形禮盒，而禮盒的尺寸是固定的，那么要具體考慮蘋果的尺寸和形狀因素的具體相。形狀因素的相盡可能方正；尺寸因素的相盡量適合。對于尺寸的相可使用模糊和精確測量，當然這取決于樣本數。可通過測量找到小于禮盒尺寸且又最接近禮盒尺寸的蘋果放入禮盒。

因此可以說，人的思維、推理和判斷過程是一個選擇比較過程，過程中樣本數量是較少的，不需要大數據支持；通過選擇適合的因素、因素概念相(如較大、紅色)和因素量化相(如10 cm)來最終選擇適合的樣本。但這剛好與基于大數據的人工智能策略相反。

3 人工智能樣本選擇策略

人工智能選擇是人工智能理論實現的方式之一。人工智能目標是使機器代替人進行工作，而人最基本的工作就是樣本選擇。因此從莫拉維克悖論來看人工智能完成樣本選擇應無需大數據支持，但現狀卻相反。這里作者提出一種基于莫拉維克悖論和因素空間理論的人工智能樣本選擇策略。以人工智能系統本身為主體，將人、物和環境作為輔助系統，考慮選擇因素、因素概念相和因素量化相，在環境系統中按照人的要求對物(樣本)進行選擇。圖1為研究對象的關系圖。

圖 1 研究對象關系圖Fig. 1 Relationship of research objects

解釋圖1中符號含義。人工智能：代替人具有類人智能的實體或程序，其中包括信息接收、處理和存儲的一系列子結構，但這里并不關心該結構。人：指自然人，用于為人工智能提供需求、以往積累的經驗及可能的推理和理智策略等。一般環境：經驗積累過程中出現的環境。一般物：經驗積累過程中出現的物。實例環境：人工智能具體實施選擇實例物時的環境。實例物：人工智能具體實施選擇的物。圖中關系有人對一般環境和一般物的以往處理過程和結果形成的人已有經驗；人向人工智能提出工作需求；實例環境提供人工智能可感知的因素及其相；實例物提供人工智能可感知的因素及其相；人工智能對實例物進行選擇。

圖1的研究對象中心是人工智能系統，而不是人。更為重要的是該人工智能系統并不基于大數據，而是人的已有經驗。這些經驗往往不是具體的或模糊的數值，而是如上所述的因素及其相之間的邏輯推理和運算，結果形成了對應關系結構。這些操作在作為智能科學數學基礎的因素空間理論中已有研究。該結構可定義為具體個人的喜好和偏向。選擇具體對象時，根據這些偏好及對應的實例環境選擇實例物。繼續蘋果的例子，考慮因素為尺寸∧顏色(∧表示合取[17])，相f(尺寸)={大，中，小}和f(顏色)={紅，綠，黃}，f(尺寸∧顏色)={大紅，中紅，小紅，大綠，中綠，小綠，大黃，中黃，小黃}。人甲偏好可能是大紅；而乙則偏好小黃。那么他們挑選蘋果時選擇的因素是尺寸∧顏色，這是第1次因素選擇。選擇的相分別是大紅和小黃，這是第二次因素概念相選擇；蘋果需要裝入禮盒考慮尺寸因素，度量禮盒(實例環境)尺寸和蘋果尺寸(實例物)選擇蘋果，這是第三次因素量化相選擇。對人而言，再復雜的選擇都可通過這三步完成。目前各種方法論和數學方法等都是幫助人完成這三次選擇的，同樣也可幫助人工智能完成實例物的選擇。

圖2給出了類人的人工智能樣本選擇策略過程。這種策略分成3次選擇實例物。第一次選擇基于人的經驗，是人工智能對人的學習結果。是基于實例環境和實例物所提供的可比較因素而非數據條件下完成的因素選擇。其特點是速度快且少數據，人的因素選擇往往是一瞬間。當人深思熟慮時，可能面臨的是多因素、多樣本，且需要后兩次選擇參與。但對因素的選擇不會花費太長時間，當了解人偏好和需求時人工智能也是如此。第2次選擇是對第一次選擇得到因素的相的選擇，包括概念相和量化相。參考人的目的和偏好，比較不同實例物(樣本空間)相同因素的不同概念相，進行實例物選擇。第3次選擇是更為具體的對因素量化相的測量。這時因素量化相可以是模糊范圍或精確數值，比較實例環境與各實例物的匹配性，從而選擇實例物。通過這3次選擇逐漸減少樣本數量，最終選擇適合的實例物。

圖3給出了最終得到的人工智能樣本選擇策略網絡結構。其中，f代表因素，共n個；x代表某因素下的因素相，共m個；x11、x13、x23、x4n-1為因素概念相；xm11、x53、x1n-1為因素量化相；Object()表示實例物的目標函數。圖中3個層次都對應一種網絡結構。第1次的網絡結構基于人的現有經驗(邏輯、概念、心理、理智、主觀、偏好)，將所有因素與被選因素的對應關系形成網絡結構，即何物需要何種因素進行選擇。第2次的網絡結構基于實例環境和實例物，將所有被選因素的所有相與被選相(概念相和量化相)組成網絡結構，即該物可在相同因素的何種程度進行選 擇(只針對概念相選擇)。第3次基于現有工具可測量的具體量化相，將所有量化相與目標函數形成網絡。第3次是具體數據處理；第2次是因素相選擇；第1次是因素選擇。因此從該角度看，人工智能樣本選擇策略使用的數據量應該很小；而多數處理來源于因素相的比較和因素選擇，基于人的經驗。這符合莫拉維克悖論，也可簡化目前基于大數據的人工智能方法，為其發展提供一條選擇因素、因素概念相和量化相的樣本選擇策略道路。可在樣本空間中不斷選擇適合樣本，最終得到最優樣本。

圖 2 人工智能樣本選擇策略層次Fig. 2 Strategy level of artificial intelligence sample selection

圖 3 人工智能樣本選擇策略網絡模型Fig. 3 Strategy network model of artificial intelligence sample selection

4 選擇對象過程

使用上述策略，分析一道智力題，如圖4所示。

圖 4 圖形選擇Fig. 4 Graph selection

第1次因素選擇：f={顏色，形狀，內線條數，內線條交叉，內線溢出}。第2次因素概念相選擇：f(顏色)={黑}，f(形狀)={正方形，圓形}。第3次因素量化相選擇：f(內線條數)={1，2}，f(內線條交叉)={0，1}，f(內線溢出)={0，2}。那么這5個圖形的特征如表1所示。

表 1 5個圖形的特征Table 1 Characteristics of five graphs

Object={a,b,c,d,e}。Object(顏色)={a,b,c,d,e}/f(顏色)={a,b,c,d,e}；Object(顏色,形狀)={a,b,c,d,e}/f(形狀)={a,c}+ {b,d,e}；Object(顏色,形狀,內線條數)= ({a,c}+ {b,d,e})/f(內線條數)={a,c}+{b}+{d,e}；Object(顏色,形狀,內線條數, 內線條交叉)= ({a,c}+ {b}+{d,e})/f(內線條交叉)={a,c}+{b}+{d,e}；Object(顏色,形狀,內線條數, 內線條交叉, 內線溢出)= ({a,c}+ {b}+{d,e})/f(內線溢出)={a,c}+ {b}+{d,e}。從該過程來看，b是區別于其他圖像的選項，因此最終選擇b圖。同時也可了解到圖a和c可以歸為一類；d和e可以歸為一類。如果再增加因素內線交叉角度，則a和c，d和e可進一步區分。但這時也進一步增大了b與他們的區別。也有類似的決定度等相關概念可區分對象[17]。

綜上，實例分析過程基本是因素及因素相的運算，最后才涉及具體的數據統計和測量。這是人對樣本的選擇過程，也是人工智能樣本選擇應具備的策略。當然例子是簡單的，大規模分析需實現圖3中3次網絡結構，組成人工智能樣本選擇策略網絡。基于目前情況，第1、2次選擇可通過因素空間理論實現，第3次可通過現有神經網絡實現。因此我們得到實現人工智能的基礎是學習人思維的本質。人思維的本質是依靠因素進行大規模的樣本篩選從而確定關注點，再根據因素的定性相(概念相)選擇喜好樣本，最后才是根據因素的定量相(量化相)獲得匹配最好的樣本。從該角度分析，目前的人工智能面向大數據的驅動可能是背道而馳，大數據驅動的人工智能只能顯示表象，冗余和虛假信息對結果有很大影響。這部分研究有待進一步展開。

5 結論

論文提出了一種人工智能樣本選擇策略。主要結論如下：

1)利用因素空間思想論述了莫拉維克悖論的合理性。認為人對事物的理解首先是因素層面的理解與運算，如果難以確定才會使用因素相進行模糊或精確分析。

2)人的選擇過程就是比較過程。人的思維、推理和判斷過程是選擇比較過程，樣本數量是較少的，不需大數據支持；通過選擇適合的因素、因素概念相和因素量化相來選擇適合樣本。

3)建立了人工智能樣本選擇策略。首先給出了研究對象中人、機、環境及人工智能系統之間的關系。建立了人工智能樣本選擇策略結構，3次選擇分別對應了因素、因素概念相和因素量化相選擇。給出了3次選擇的特點、基礎和方法。最終建立人工智能樣本選擇策略網絡模型，模型中3次選擇對應于3種網絡結構。

4)通過實例演示了人工智能樣本選擇策略。過程中基本是因素及因素相的運算，最后才涉及具體的數據統計和測量。該策略是人對樣本的選擇過程，也是人工智能樣本選擇應具備的策略。