人工智能路徑轉變關于邏輯推理的批判性思考

彭雪

摘 要：隨著人工智能的不斷發展，人工智能研究路徑由傳統以思維為導向的邏輯推理路徑到以大數據為驅動的機器學習的研究路徑的轉變。本文以IBM深藍及沃森與Google阿爾法三代對比為切入口，通過對大數據工程式的累積哲學反思邏輯推理。基于邏輯推理在人工智能發展的歷史，結合以處理信息不完全的非單調邏輯推理，力致在傳統路徑與現代路徑保持必要張力，以促進人工智能深入的發展。

關鍵詞：人工智能;大數據;邏輯推理;反思

中圖分類號：F24 ? ? 文獻標識碼：A ? ? ?doi：10.19311/j.cnki.1672-3198.2021.20.039

以數據為驅動的人工智能，只能在不斷的海量的數據中訓練和學習，在根據已有的規則和模式下，完成某個專業領域任務，雖然具有強大的計算能力和快速的搜索能力，計算出來的事物甚至超過人類的完美度，但是很難知識遷移，缺乏自我學習能力，因此向通用人工智能的前進，必須重視邏輯推理，如同人類一樣，在面對大數據時，厚積薄發，由厚讀薄，從讀薄的規則和模式出發，在演繹歸納推理中自由切換，充分發揮人類智能。

1 人工智能路徑轉變

IBM深藍沃森和Google 阿爾法三代對比，以符號主義人工智能為核心的邏輯推理。

案例：1997年IBM深藍和2011沃森以推理為核心的代表。

（1）1997年IBM的深藍。

深藍是混合決策，通過檢索數據庫的算法還有，邏輯，規劃，推理，是基于更小的數據集，將通用超級計算機處理器與象棋加速器芯片結合，在超級計算機運行的軟件執行一部分運算，更復雜的棋步交予加速器處理，然后計算出可能的棋步和結果，超級計算機根據這些結果決定最終的棋步。就一般的國際象棋手能想到7步，但是深藍想到12步，甚至40步，IBM深藍擊敗世界象棋冠軍卡斯帕羅夫，最終比分3.5∶2.5。

（2）2011年沃森，即QA問答系統。

主持人問：Kathleen Kenyons excavation of city mentioned in Joshua showed the walls had been repaired 17 times.Kathleen Kenyon對這個在《圣經約書亞記》中提到的城市的發掘表明，該城市的城墻曾被修復17次。

沃森回答：What is Jericho（耶利哥城市是什么？）

基于Kathleen，Kenyon，Kathleen Kenyon，Joshua，沃森的反饋機制：首先把第一個K和第二個K作為單獨的名詞，以及把二者作為一個復合名詞，和把Joshua作為一個名詞，向搜索引擎發出請求。發現第一個K和第二個K孤立存在，反饋很少，發現二者的組合是一個牛津大學的考古學家曾經對耶利哥，耶路撒冷，拉吉進行過發掘，發現只有耶利哥在《圣經約書亞記》出現過，于是回答出來正確問題。

這是一種基于邏輯推理不斷尋求答案，給出最終結果，即根據已有的知識和關系，推理機推出原本沒有的關系。這種推理方式與人類邏輯推理相似，解釋性強。

下面分析以數據驅動為核心的機器學習。

案例：人機博弈Alphaco。

第一代 Alphaco lee。

goole設計了一套五層卷積神經網絡，通過大數據監督學習，利用16萬人類選手棋局約3000萬棋譜，研究黑白棋的落子，讓兩個會下棋的神經網絡自我博弈，強化學習，機器對弈產生數以萬計的棋局，第一代Alphaco上升為五段選手。

第二代 Alphaco master。

goole讓兩個9段機器相互博弈，最終擊敗世界排名最高的圍棋選手柯潔，比分為3∶0。

第三代 Alphaco Zero。

僅僅依靠強化學習，沒有人類數據、指導、專業知識，總計運行29000萬次自我對弈，相比于人類圍棋的歷史長達4000年，僅僅通過40天的學習，就擊敗了第二代Alphaco master，比分為89∶11。

目前這種依賴于大數據機器學習的應用在現實生活中極其廣泛，如人臉語音識別系統、導航系統、特斯拉的機器自動駕駛、谷歌公司的圖像標注系統、醫學診斷、DNA序列測序等。

2 困境與難題：大數據的工程式累積的批判性思考

以大數據為驅動的人工智能機器學習正蓬勃發展，大數據挖掘，大規模計算，互聯網的發展為信息的收集帶來極大意義，但是也不得不思考，人工智能機器學習的“黑箱”，加深了“理解”與“推理”的鴻溝。

2.1 缺乏實質理解，自我認知懷疑

人類理解世界，通過探索世界的規律，實現自我認知。大數據的挖掘正逐漸表明，原理、規律并不是那么重要。萬有引力規律支配世間萬物運動，在向遠處擲實心球時，如果沒有到達理想的距離，我們不會質疑它的拋弧線距離，更多是歸于意外自己手滑，但是機器學習正在弱化我們把握世界的規律。谷歌的阿法爾對圍棋一無所知，只是從13萬場有記錄棋局中分析出6000萬步棋，基于數據之間一組復雜得難以形容的加權關系，即使阿法爾無法用人類語言描述下每一步棋的理由，但它仍然擊敗了全世界排名最高的人類棋手。深度學習的算法，比任何人類都能更好地捕捉到宇宙的復雜性、流動性;機器學習，使我們漸漸被動接受，直面我們日常生活中難以理解的錯綜復雜;也是我們對于理解世界和世界上發生的事情的堅持的放棄，換句話說既然他們能在不能理解實質情況下，做得如此完美，人類產生了自我認知的懷疑。新工具，特別是機器學習，讓我們認識到我們周圍數據和信息的廣泛性，開始被動接納作為人類這個物種的傳統自我認知，我們的大腦無法像人工智能那樣準確快速地分析和預測事件，數據告訴競選網站應該發布的內容類似于瀏覽淘寶，為了獲得點擊量和購買的可能性，以買家瀏覽數據記錄作為支撐推薦給買家，也不知不覺表明，原理、歸納的重要性正在減弱，人類認識世界的意義也似乎在被邊緣化。