智能科学反思与展望

原创：单博

大家好，今天给大家分享的主题是智能科学反思与展望。为什么选这个主题呢？

其实对于前沿的技术来说，军事博弈与对抗问题是各国都在发力的点，国际上都在做，比如说美国的那种用AI来打星际争霸，其实看做是用AI完成战略博弈与对抗。例如AlphaGo，就是一对一博弈的问题。

星际争霸它属于那种战略游戏，Dota属于那种战术级游戏，它们都可以认为是与军事是相关的，属于多人竞技类的游戏。游戏背后可以把每一个玩家想象成一个人，如果对数学建模来说，它就是一个智能体，那么其实就可以把这个问题抽象，也就是数学建模成一个多智能体博弈，或者说叫多智能体对抗的问题。“对抗”或者“博弈”和合作也是相对的概念。

这种问题怎么解？其实它再往早的话就有点像博弈论，或者说像运筹学中要解决的这些问题，但是现在随着人工智能的发展，然后现在主要解决这类问题的算法就是强化学习算法。

也就是说其实我们把现实生活中的一些问题建模成了数学问题，然后用什么方法来解这些数学问题？我们现在用的是人工智能的方法来解这些数学问题，智能相关学习，这也是我选择这个主题来分享的一个原因，就是人工智能根本性的这样一种认知。

还有一个原因，有关计算机的一个永恒命题。

当前阶段的人工智能技术可以称为是“弱人工智能”，主要是依靠人工神经网络将判断决策行为进行简单化、抽象化、符号化的模拟。

也就是说是推理性质的，这也是Dartmouth当时创建人工智能的一个根基，需要有明确的、可解释性的数理逻辑推理。

但是其实我们人不是这么思考工作的，并没有一套公式说我一定要这么执行，然后从事的这种与或非，然后0、1加减乘除这样的运算，不是这种线性逻辑的思考方式。

所以从根本上对人工智能的假设可能就和人不一样。这是关键的点。

我们现在的研究，它肯定是最终想实现一个比如“强人工智能”的状态，什么是强人工智能？有理性的也有感性，甚至还有更多层面的，一个终极状态。如果要达到这种终极的状态，或者追求这种更高级的人工智能，它可能这种科学的范式或者方法论会和现在不一样，就是从根本上去做一个思考。

顺着这个思路，我们可以去探讨很多问题。接下来我会主要从脑科学、思维科学以及辩证逻辑三个方面，对现阶段的智能科学做出一个探讨及未来发展的展望。

一、进一步借鉴脑科学

人工智能的终极目的是使机器能够通过感知进行决策，或者说具有思维。

虽然近年发展起来的深度强化学习算法是人类实现人工智能终极目的的一个很有前景的方法，因为它结合了深度学习，解决了像图像识别、语音识别相关的感知问题，但是应该注意的是，深度强化学习自身还有很大的局限性。

近年来，随着脑研究中一些标志性成果的突破，基于生物层面的脑结构和功能图谱、脑重大疾病机理、神经元与突出联接机制等成为研究热点，为人工智能的下一轮发展提供了新启发。

也就是说通过脑科学研究，“破译”大脑在信息处理与神经编码的原理，再通过信息技术予以参照、模拟和逆向工程，形成以大数据驱动的通用人工智能数学模型与算法理论体系。

其实这些的基本与核心的数学理论基础还是Kolmogorov-Arnold表示定理，

简单来说就是通过函数的适当加和嵌套结构，可以具有“万能逼近”的效用。目前借鉴初级视觉皮层的架构构建深度神经网络起到了显著的作用。

但如何进一步通过模拟人脑皮层下系统的增强学习与皮层上系统的有监督学习，构建新型仿生网络结构，从而提出认知计算的学习算法及其架构也就成了目前研究的前沿问题。

因为生物体的生长发育过程和大脑神经系统的可塑性有着密切的关系，

借助一些神经元网络耦合模型-建模，比如Integrate-and-Fire，再结合动态的网络结构以及相关强化学习等信息处理，创新类脑算法，也成为了发展通用人工智能数学模型和算法理论的重要领域之一。

两个points：

Ⅰ基于生物脑模拟发展全脑计算架构。

现在的深度网络主要模拟了大脑的视觉皮层，增强学习则主要受皮层下奖赏系统的启发，新的网络结构可以将这两部分做一个结合，模拟发展全脑计算架构。

Ⅱ基于数学理论发展新型学习算法。

将所发展的新型学习算法理论应用于全脑计算架构的训练，设计出一套有效的全脑计算架构训练算法，可以探索神经脉冲计算模型，为实现高效节能的神经网络计算提供新的可能。

最大的一个应用价值就是在耗能这块，像当时阿尔法狗出来的时候，它背后的服务器耗电量是巨大的，但对于咱们人来说，一天三顿饭，有人等效估算了下，大脑消耗在25W，可以进行高效的运转，就是节能这块。

接着来说第二部分，思维科学这块。

二、发展思维科学

思维科学是钱学森初创的，主张把思维科学当作一门多学科的综合科学、系统科学来研究，提出了关于思维科学体系的设想。在某种意义上，思维科学与认知科学的目标是一致的。

关于人的思维逻辑的研究，可以追溯到柏拉图、苏格拉底的时代，关于思维的心理学和精神病学的研究，也早在计算机问世以前就已开始，计算机的应用又加速了心理学研究的发展。

几乎与发展AI同时，既是心理学家、又是计算机科学家的Newell和Simon等人也倡导用信息处理的观点和方法来研究心理学，在心理学界形成了认知心理学的新方向。认知心理学这个术语则是心理学家U. Neisser在1967年提出而被广泛引用。后来，Simon等人又进一步把认知心理学的研究和AI结合起来，开拓了认知科学（cognitive science）这一新领域。

认知科学的创导人之一Simon曾在学术报告《对认知科学的展望》中强调了这样一个观点：

当前人工智能研究中的“瓶颈”不在于计算机技术，而是对基本理论探讨不深，需要有创新思想。同时指出“只有把计算机的智能与我们的智能结合起来，我们才能较快地对计算机和人的智力逐步取得更完整、更清晰的概念”。

总而言之，认知科学和思维科学的使命，就是探索来源于物质的智力的本质，这张图可以参考：

对于AI发展目前面临的根本性难题来说，思维科学或许是未来的发展道路。沿着过去的发展路径，先进的计算机技术为思维科学的研究提供了得力的工具，思维科学的研究也孕育着新的AI基本理论，同时也将对计算机科学理论和技术的进一步发展起重要的推动作用。

我们接着来说第三个部分：向辩证逻辑演进

三、向辩证逻辑演进

如果说人工智能的诞生一半来自于脑科学与神经科学，另一半则说是源自哲学，或者说逻辑学，再具体一些是数理逻辑。

之前也说了，人的一些东西是不能形式化表达的，或者说不能被规则的程序设计的。虽然现在我们不知道它是什么，但极有可能还会出现这种东西。

图灵著名的文章“计算机与智能”（Computing Machinary and Intelligence）也是发表在哲学杂志Mind上。

雷蒙克（Ray Monk）称图灵为十二位伟大的哲学家之一。

第一波人工智能的成功来自于机器定理证明，主导人是王浩。其实在前一年，人工智能先驱Newell、Shaw和司马贺（Simon）在兰德公司写的程序“逻辑理论家”也证明了《数学原理》第二章52个定理中的38个，当时被拒了，所以没发表。

其实，王浩与Simon代表了人工智能未来的两个不同方向：王浩依靠数学算法，而Simon等则企图模仿人。

之前说了，人工智能的一个根本出发点是：客观上有规律的东西都可以得到形式化的表述。

恰恰人工智能面临困难的根源就在于“思维即计算”这一认识。不论是传统的程序设计还是人工智能算法程序，都可以归属与“基于规则的程序设计”。

这并不奇怪。

因为只有可计算的问题，才可能在计算机上求解。而可计算的问题必有算法可遁。抽象地说，一定是图灵机可解的。

换句话说，离不开“思维即计算”理论上的约束。

对于辩证逻辑这一块，其实目前还没有相关的研究成果出现，但它是一个核心的研究方向，突破点可能会在量子这块。这个方向或许会通往通用人工智能的研究方向。

大概就是这三个方向，我简要总结一下：

现在人工智能面临困难的根源在于“思维即计算”这一认识、图灵计算模型理论上的局限性，以及基于冯诺依曼机的实现环境在技术上的局限性这三点。

对于根源问题，之后需要通过思维科学，研究辩证思维，来为机器赋予辩证逻辑层面的智能。

这就是我今天分享的内容，谢谢大家。