人工智能：是欺骗还是现实？

人工智能：是欺骗还是现实？

[翻译] 致中和 2003-07-22 Adrian A. Hopgood, Nottingham Trent University
人工智能在45年间已成为一项分支庞大的研究项目。任何被过分欺骗的感知可能由于对人们每天行为难以置信的复杂性进行错误的评估所导致的。

在标准文章中人工智能的大多数定义对于这个领域的总体概括是过于复杂的，那末这里有一个简单的定义足以替代之：人工智能是由计算机模仿人类智能的科学。
查明人工智能研究的伊始是非常棘手的。乔治布尔（1815-1864）在思想过程的数学分析方面有很多思考，而且这个领域仍保留着他的一些独到见解。然而，既然他那时没有计算机，布尔就不能作为创始人保留在我简单的定义之中。
仅大西洋两岸的历史学家就谁创造了第一台可编程计算机这一问题都存在着不同的观点，他们同样在人工智能的起源方面存在着分歧。英国历史学家们瞄准了艾伦图灵1950年的文章，文章详细描述了现在所知道的确定计算机是否可以展示智能的图灵试验。1美国历史学家更倾向于1956年的达特茅斯会议，会议被明确提议作为人工智能的研究，并被认为是“artificial intelligence”这一术语的来源。
仅大西洋两岸的历史学家就谁创造了第一台可编程计算机这一问题都存在着不同的观点，他们同样在人工智能的起源方面存在着分歧。英国历史学家们瞄准了艾伦图灵1950年的文章，文章详细描述了现在所知道的确定计算机是否可以展示智能的图灵试验。1美国历史学家更倾向于1956年的达特茅斯会议，会议被明确提议作为人工智能的研究，并被认为是“artificial intelligence”这一术语的来源。

 智能行为的领域
我对人工智能简单定义的麻烦在于它留下一个相当含糊的智能概念。图1会通过展示基于理解水平的智能行为领域帮助澄清了这一概念。最低级别的行为包括本能反应，比如从一个热对象中拉出一只手或躲避一个抛射物。高级别的行为需要专家技术比如公司接管的法定要求，或大量光谱图的解释。
研究院已发展了传统处理技术为这一领域的低端去解决低级别决策的作出和所需要的控制。高效计算机系统为监视和控制一类设备而存在。例如，图2展示的是在移动机器人领域的新进展。本田开发，阿西莫有16个灵活的关节，需要4处理器计算机去控制它的平衡和移动。由于有坚硬的脊椎，机器人需要轻微的身长手臂去捡起地上的物体。阿西莫显示出与众不同的像人一样的移动，但是它不能自己思考。尽管还有声音和姿势，他的行为还是坚固的锚定在人工智能领域的较低端。

图1 人工智能领域从基础的反应到专家技术。

 

图2本田的阿斯莫机器人下楼梯。阿西莫有16个灵活的关节，需要4处理器计算机去控制它的平衡和移动，但他的智能是有限的。（本田许可使用此图片）

大量光谱测量学的专家领域和2细菌血液传染。3这些早期的成功产生了很大的信心。如果计算机可以为大多数普通人处理难以解决的问题，那末想必更多谦虚的人的论证将是直截了当的。不幸的是事实并非如此。在这一领域中段人类的行为，也就是我们几乎没有意识书表现出的行为，已证明对于计算机科学家去仿效是最困难的。虽然计算机软件比如数学能表现高级的微机分,计算机仍不能可靠的在可视图像中识别对象。
较早的人工智能研究，换句话说，聚焦于这一领域的高端。两个应用，例如，涉及大量光谱测量学的专家领域和2细菌血液传染。3这些早期的成功产生了很大的信心。如果计算机可以为大多数普通人处理难以解决的问题，那末想必更多谦虚的人的论证将是直截了当的。
不幸的是事实并非如此。在这一领域中段人类的行为，也就是我们几乎没有意识书表现出的行为，已证明对于计算机科学家去仿效是最困难的。虽然计算机软件比如数学能表现高级的微机分,计算机仍不能可靠的在可视图像中识别对象。
考虑一下图3中的照片。大多数人能在照片中认出兔子（尽管只有很少人事先知道他叫弗拉菲）。但之中感知是一种很复杂的行为。首先，认出对象间的分界是困难的。甚至是在对象被描述后，识别也并非那末轻松。例如，兔子以不同的形态、大小、颜色出现。他们能呈现出不同的姿态，同时他们可能被部分的遮蔽，如图3。一个视力完好的人能在片刻之间处理这些感知，不会把它认为是一个特殊的职能标记。但要是让计算机去解释照片，那这项工作会惊人的复杂。

图3认兔子。解释相片是一项复杂的行为，人类可以很快完成，但对于计算机则困难之至。

 来自流行小说的预想
小说人物比如《2001：太空奥德赛》中的Hal、《禁星》的Robbie，还有更近的，斯皮尔伯格《人工智能》中的David更助长了人们对术语“artificial intelligence”如魔法般召唤来的无限期盼。在每个案例中，虚拟智能系统通过交流和行动与外部环境相互作用。后两个例子中，虚拟智能系统也存在于机器人体内。
当前技术落后于这些受欢迎的影像，这使得影片很容易找到观众，因为人工智能没能达到人们的期望。然而，我们显然不能把这些科幻小说作为衡量这个领域进步的标准。如果人工智能被命名为“漂亮的计算机程序”，这将无疑会被认为是不成功的。

 实现人工智能的方法
当前人工智能技术分为两个主要的范畴：
     （1） 用词和符号表述的外在模型
（2）用数字技术表示的内在模型
第一范畴包括的技术，诸如基于规则、模型、框架、事件的推理。在这一范畴中，外在规则可以仿效这一问题：如果压力很大并且释放值被封闭，那末释放值会被粘住。

图4 4号地球资源卫星的部分映像接受自六个不同波段。（NASA许可使用）


图5多层感知器 三层的网络从六个波段输入数据，依据五个国家使用的种类输出映像。

更多复杂的变量试图考虑不定性：即如果压力很大并且释放值被封闭，那末释放值可能会被粘住。
    虽然这些技术在窄域中已成功，担任有内在的局限。他们只能解决有模型的情况，而不能处理不熟悉的。
    基于观察和经验，数字的表示方法在某种程度上通过让计算机建立自己的模型克服了这些困难。特别是神经网络，能从一组例子中学会联系，然后在以前没有见过的案例中应用他们。这些联系给数据模型分裂非常有效。
    例如，图4展示的是密西西比三角洲地区在来自卫星六种不同无线电波映射下的图像。图5展示的是一个简单的神经网络体系，多层感知器，他被训练去联合六个不同的用于国家通讯的波段映像。映像像素组成了输入部分，而国家使用的五种类型组成了输出部分：水，树，耕地，岩石，沼泽。神经网络被训练成只要逐一像素扫描这些影响顶部的1/16级可检验出整幅映像。
图6显示结果。分类通常是正确的，虽然结果与真实的国家使用还有些区别。我们可以推敲神经网络的参数来更进一步改善其表现，但连表面上的差异，也无疑证明网络充有限组例子中归纳的能力。

图6正是国家使用地图和神经网络的输出结果

    1985年对神经网络的兴趣如潮水般汹涌，随之而来的是高校学习算法的发现。4然而，神经网络也曾陷落为夸大的牺牲品，可能是因为它的名字被想象成人工大闹得不现实的概念。
    其他技术比如遗传算法，模仿低温退火，人工免疫系统，和模糊逻辑也都有用。5但是还没有一个展示出了智能行为。

 黑板系统：是不同的技术相结合
    黑板方法建立人工智能系统在多种应用软件中证明是有用的，不管合成系统是否能被正确的描述为智能。
    黑板模型与一对专家聚集在写着问题和数据的黑板前是类似的。任何队员都可以贡献出解决问题的方法或做出解释。黑板系统用了一块共享的计算机存储区域来替代物理黑板，而专家则是不同的软件模块。
黑板方法认为不同的子程序需要不同的技术。第一次出版的黑板系统程序是1975年的名为Hearsay-II的语言识别系统6。更大的发展是在1980年，7黑板技术模型现在被看成是多路存储萌芽领域一项关键技术。8在八十年代末，我和我的同事们在函授大学发展了算法和机遇规则的黑板系统，我们随后将其应用于不同问题，包括超声波映像9的解释和等离子体沉积处理。10
    最近，ARBS被作为分布式系统被从新设计为DARBS，软件子程序可在其中并行运行，可能在分开的计算机上经由因特网联接。11

 人工智能定位：与外界环境相互作用
    我们最新的DARBS应用软件拓展了我们在控制等离子体沉积方面的工作。正如图7所示，该软件被定位-像科幻的智能计算机一样，它可以通过探测外部环境的传感器和传动装置与外界相互作用。

图7 DARBS软件 系统通过传感器和传动装置与等离子体沉积设备相互作用。

三叶虫自动吸尘器（http://trilobite.electrolux.se）图解说明了在被定位的人工智能的最新进展。正如图8a所示，这个三叶虫是一个具有商业利用价值的机器人，瑞典依赖克斯制造。机器人借用了史前动物的外形和名字，如图8b，这些动物清理了2.5亿到5.6亿年前海洋底部。

图8 (a)三叶虫自动真空吸尘器，来自伊莱克斯；
(b) 三叶虫化石-清理了2.5亿到5.6亿年前海洋底部的原始动物。

三叶虫自动吸尘器使人工智能计划系统具体化：
 建立了它的环境模式；它通过环航房间的四壁，特定的去遍历整个可以到达的地板区域；它建立了一个目标 ；他集合了一整套行为去达到这个目标。当被需要去应付宇宙模型中的变化时， 他会重新规划，比如路上的障碍。

图9 麻省理工大学的Kismet, 他是一个社交机器人通过听觉、视觉、语音、面部表情和姿势交流沟通。（Cynthia Breazeal，麻省理工大学人工智能实验室许可使用）

   图9所示的是天命(http://www.ai.mit.edu/projects/ humanoid-robotics -group/kismet/),一个机器头，麻萨诸塞州技术学院制造。天明没有身体和四肢，但它能通过听觉、视觉、语音、面部表情和姿势。天命用九个计算机独立视觉，他有二是一个电动机控制脸和脖子。调查者让天命学习机器人与他所接触的人社交，特别是孩子们。12
    人工智能在图1所示智能领域的两端都已取得了重大的进展，但在“常识”方面仍存在缺陷。建立一个能对每天不熟悉的情况做出明智判断的系统，非专家域仍是困难的。
    然而，像分布黑板将继续在专家域中快速延伸似乎是可能的。这种平静的吸引很少新闻关注的变革能够对我们的生活做出巨大的贡献。它包括当前在硬件和软件系统中嵌入人工智能的趋势。
    同时，对于出现在像人一样的机器人上的受欢迎的人工智能的观念，我们同样可以期待他的进步。这些发展需要在我们往往想当然的模仿行为方面有更大前进，明确说就是视觉、语言、常识和适应性。
    人工智能并不是欺骗，因为许多真实地正在使用的软件运用了人工智能技术。然而，人工智能也现实，因为我们还是不得不开发一套足以辐射人工智能行为个各个领域的系统。

鸣谢：
如下人为ARBS、DARBS及其软件的开发做出了很大贡献：Lars Nolle，Patrick Wong，Kum Wah Choy， Gary Li， Heather Phillips，Hua Meng，Neil Woodcock，and Nicholas Hallam。Nick Braithwaite and Phil Picton 监制等离子体控制工程。为解释卫星映像的神经网络的示范基于一项由Tony Hirst和Hywel Evans设计的有关协作的工程，使用数据由Paul Mather提供。这篇文章基于我在诺丁汉特伦特大学的就职教授的演说。

References
1. A.M. Turing, “Computing Machinery and Intelligence,”
Mind, vol. 59, 1950, pp. 433-460.
2. B.G. Buchanan, G. Sutherland, and E. Geirgenbaum,
“Heuristic DENDRAL: A Program for Generating
Explanatory Hypotheses in Organic Chemistry,”
Machine Intelligence 5, B. Meltzer and D. Michie,
eds., Elsevier, 1969.
3. E.H. Shortliffe, Computer-Based Medical Consultations:
MYCIN, Elsevier, 1976.
4. D.E. Rumelhart, G.E. Hinton, and R.J. Williams,
“Learning Representations by Back-Propagating
Errors,” Nature, vol. 323, 1986, pp. 533-536.
5. A.A. Hopgood, Intelligent Systems for Engineers and
Scientists, 2nd ed., CRC Press, 2001.
6. V.R. Lesser et al., “Organization of the Hearsay-II
Speech Understanding System,” IEEE Trans.
Acoustics, Speech, and Signal Processing, vol. 23,
1975, pp. 11-24.
7. H.P. Nii, “Blackboard Systems, Part One: The Blackboard
Model of Problem Solving and the Evolution
of Blackboard Architectures,” AI Magazine, vol. 7,
1986, pp. 38-53.
8. G. Brzykcy et al., “Multiagent Blackboard Architecture
for a Mobile Robot,” Proc. IEEE RSJ Int’l Conf.
on Intelligent Robots and Systems, vol. 4, IEEE Press,
2001, pp. 2369-2374.
9. A.A. Hopgood et al., “Interpreting Ultrasonic Images
Using Rules, Algorithms, and Neural Networks,”
European J. Non-Destructive Testing, vol. 2, 1993,
pp. 135-149.
10. A.A. Hopgood et al., “Fuzzy Logic in a Blackboard
System for Controlling Plasma Deposition Processes,”
Artificial Intelligence in Engineering, vol. 12,
1998, pp 253-260.
11. L. Nolle, K.C.P. Wong, and A.A. Hopgood, “DARBS:
A Distributed Blackboard System,” Research and
Development in Intelligent Systems, vol. 18, M.
Bramer, F., Coenen, and A. Preece, eds., Springer,
2001, pp. 161-170.
12. C. Breazeal and L. Aryananda, “Recognition of
Affective Communicative Intent in Robot-Directed
Speech,” Autonomous Robots, vol. 12, 2002, pp. 83-
104.
Adrian A. Hopgood是计算的专家，英国诺丁汉特伦特大学数学和计算学院的领导人物，它也是函授大学的客座教授。他的主要研究兴趣是智能系统及其应用软件。Hopgood在1984年在牛津大学获得了材料物理学博士学位。他是英国计算机协会的成员，激起人工智能专家组的委员。联系请通过他的网站www.adrianhopgood.com 。
                                英文文章来源：www.computer.org