遇到困境思路就是出路_人工智能发展的困境和出路 投稿：韩煤煥 XX

  本文关键词：人工智能发展的困境和出路，由笔耕文化传播整理发布。

人工智能发展的困境和出路 投稿：韩煤煥

广西师范大学 硕士学位论文 人工智能发展的困境和出路 姓名：韦淋元 申请学位级别：硕士 专业：科学技术哲学 指导教师：胡新和 20090401 人工智能发展的困境和出路 姓 名：韦淋元 指导教师：胡新和 教授 专 业：科学技术哲学 研究方向：科学技术…

第２ｌ卷第１期 重庆 工 学 院学报２００７年１月 Ｖ０１．２１Ｎｏ．１ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙＪａｎ．２００７ ＩＩＩ■■■■■■■■■■■■—●●●■■■■■■■■■—■●■■■■■●■●●■…

食品工艺参考答案 食安freeheart出品 一、填空 1、食品的三个功能 营养、感官、保健 2果蔬中的果胶物质在不同的生长阶段三种形式。 原果胶、果胶、果胶酸 3、乳粉的喷雾干燥主要两种设备。 压力喷雾干燥、离心喷雾干燥 4、根据加工目的及所需的照…

广西师范大学

硕士学位论文

人工智能发展的困境和出路

姓名：韦淋元

申请学位级别：硕士

专业：科学技术哲学

指导教师：胡新和

20090401

人工智能发展的困境和出路

姓 名：韦淋元 指导教师：胡新和 教授

专 业：科学技术哲学 研究方向：科学技术与社会

年 级：2006级

中文摘要

自第一台数字计算机产生以来，人工智能己有50多年的发展历史。但以计算机为核心的人工智能研究并没有停下脚步，相反一如继往地飞速发展。本文通过分析人工智能研究领域的主要学派：符号主义学派、行为主义学派和联结主义学派的研究方法所遇到的不同程度的困难和质疑，积极地探讨人工智能研究的出路。笔者认为，人工智能的出路在于：正确认识人工智能是人类改造世界的工具，而不奢望制造达到甚至超过人类智能的人工智能系统，在弱AI的框架内，在“人机结合”技术路线的指引下，采用机制主义的研究方法，推动人工智能更快、更好的发展。

论文共分四部分：第一部分简要地介绍了人工智能的涵义、诞生及发展历程。第二部分，介绍了人工智能最具代表性的三大学派，即符号主义学派、行为主义学派和联结主义学派的发展和主要特点。第三部分，着重阐述了符号主义学派、行为主义学派和联结主义学派所面临的困境和遭受的质疑。第四部分，通过对强AI、弱AI可行性的分析以及对传统人工智能学派的方法论进行比较，尝试探讨人工智能研究的出路：在弱AI的前提下，以“人机结合”的技术路线为指引，采用融合了整体论和还原论思想的机制主义研究方法，以期人工智能研究能取得更大的突破。

关键词：人工智能；人机结合；机制主义；困境；出路

The Predicament and Outled on The Dvelopment

of Artificial Intelligence

Postgraduate：Wei Lin-yuan Major：Philosophy of Science and Technology Study Direction：Science，Technology and Society Grade：2006 Supervisor：Professor Hu Xin-he

Abstract

Since the invention of the first digital computer， artificial intelligence has been developed for over 50 years. However， the research of artificial intelligence， focusing on computer， still keeps its rapid development rather than slow down its pace. The author analyzes the difficulties existing in the research approaches of the major schools in artificial intelligence research area ---- symbolism， behaviorism and connectionism， and tries to put forward some solutions to tackle the difficulties. The author thinks that we should realize that artificial intelligence is an important tool for human beings to transform the world but to design an artificial system to reach or even surpass human intelligence. In the framework of weak AI， we should， by adopting the research approaches of mechanism， promote the development of artificial intelligence in a quicker and better way under the guidance of the technical principle of man-computer combination.

This thesis consists of four parts. The first part briefly introduces the definition， invention and development history of artificial intelligence. The second part introduces the development and main features of symbolism， connectionism and behaviorism， the three most representative schools of artificial intelligence. The third part lays emphasis on the predicament and challenges the three schools mentioned above are faced with. By analyzing the feasibility of strong AI and weak AI as well as the methodology of traditional artificial intelligence schools， the fourth part puts forward some solutions on artificial intelligence research. It is suggested that on the premise of weak AI， we should， by adopting the research approaches of mechanism which combines holism and reductionism， make breakthrough in artificial intelligence research under the guidance of the technical principle of man- computer combination.

Key words：artificial intelligence， man- computer combination，mechanism， strong AI， weak AI， Predicament，Outled

论文独创性声明

本人郑重声明：所提交的学位论文是本人在导师的指导下进行的研究工作及取得的成果。除文中已经注明引用的内容外，本论文不含其他个人或其他机构已经发表或撰写过的研究成果。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律责任。

研究生签名： 日期：

论文使用授权声明

本人完全了解广西师范大学有关保留、使用学位论文的规定。广西师范大学、中国科学技术信息研究所、清华大学论文合作部，有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布（包括刊登）论文的全部或部分内容。论文的公布（包括刊登）授权广西师范大学学位办办理。

研究生签名：日期：导 师签名：日期：

引言

（一）选题缘由

半个多世纪以来，人工智能领域的研究得到很大的发展，它引起众多学科和不同专业背景学者们的日益重视，成为一门广泛交叉的前沿学科。伴随着世界社会进步和科技发展的步伐，人工智能在世界范围内得到迅速传播与发展，并促进了其它学科的发展。

近年来，现代计算机在硬件和软件方面都取得了长足进步，对人工智能的研究也起到了极大的推动应用。尽管目前人工智能在发展过程中面临不少争论、困难和挑战，但挑战始终与机遇并存，争论是有益的，困难终将被克服，人工智能的研究必将跨入新的阶段，并为发展国民经济和改善人民生活做出更大贡献。

目前，人工智能研究领域的三大学派——符号主义学派、联结主义学派和行为主义学派在理论上和实践中都面临着不同程度的困难。本文希望通过对这三大学派进行深入分析，找出它们的优势和不足，取长补短，对如何走出一条突破人工智能研究困境的道路进行积极地探讨。

（二）国内外研究现状

国外对人工智能的研究始于20世纪60年代。1956年，美国计算机协会组织的达特茅斯会议上提出了“人工智能”一词。此后，人工智能的研究沿着三条迥异的路径不断发展成三个不同的学派：其一，以纽维尔、西蒙和威尔森等人为代表的符号主义学派，其代表性成果是纽维尔和西蒙等人研制的“逻辑理论家”的数学定理证明程序LT以及后来出现的各种专家系统；其二，以麦卡洛克、皮兹、罗森布拉特、霍普菲尔德等人为代表的联结主义学派，其代表性成果是MP模型，感知机，Hopfieid网，BP算法等；其三，以维纳、布鲁克斯等人为代表的行为主义学派，其代表性成果是布鲁克斯研制的 “机器昆虫”。

我国的人工智能研究起步较晚。纳入国家计划的“智能模拟”研究始于1978年；1984年召开了智能计算机及其系统的全国学术讨论会；1981年起，相继成立了中国人工智能学会（CAAI）等学术团体；1986年起把智能计算机系统、智能机器人和智能信息处理（含模式识别）等重大项目列入国家高技术研究计划；1993年起，又把智能控制和智能自动化等项目列入国家科技攀登计划。进入21世纪后，有更多的人工智能与智能系统研究获得各种基金计划支持。

中国的科技工作者，已在人工智能领域取得许多具有国际领先水平的创造性成果。在关于人工智能理论研究方面，国内学者除沿袭国外三大人工智能学派理论之外，具有代表

性的还有：我国人工智能学科的主要奠基人、中国人工智能学会的主要创始人之一涂序彦提出的广义人工智能（GAI），北京邮电大学钟义信教授提出的机制主义理论；北京师范大学教授刘晓力倡导的以“认知是算法不可完全的”理念为基础的研究纲领等。

现在，我国已有数以万计的科技人员和大学师生从事不同层次的人工智能研究与学习。人工智能研究已在我国的深入开展，必将为促进其它学科的发展和我国的现代化建设做出新的重大贡献。

（三）研究意义

21世纪将是人工智能飞速发展的世纪，如何改进现有的理论和研究方法，提高智能机器的效率和性能，使其更快更好地发展，从而更接近于人类智能，将成为人工智能研究的重要课题。这意味着我们必须重新审视目前的人工智能理论与技术，找出其中的优点和不足。

本文通过对人工智能研究领域主流学派所面临的困境入手进行分析，同时对人工智能研究的路线、方法、目标定位进行探讨，希望能对人工智能未来的发展方向进行尝试性的解答，并对人工智能研究提供一些参考。

一、人工智能的概念解析及其发展回顾

（一）智能的定义和本质

在了解人工智能之前，首先要了解什么是智能，智能的本质是什么。

智能一词来源于拉丁语，字面意思是采集、收集、汇集，并由此进行选择。一般认为：智能是指人类在认识世界和改造世界的活动中，由脑力劳动表现出来的能力。即个体对客观事物进行合理分析、判断及有目的的行动和有效的处理周围环境事宜的综合能力。[1]

目前科学界已经从不同的角度、不同的侧面、采用不同的方法阐述了智能的本质，其中已经达成共识的大致可以概括为以下几点：

1、智能具有感知能力

感知能力是指人们通过视觉、听觉、味觉、触觉等感觉器官感知外部世界的能力。人类的大脑具备感知能力，通过感知获取外部信息。如果没有感知，人类无法获取前提知识，也就不可能引发各种智能行为。因此，感知是智能活动的必要条件。

2、智能具有记忆和思维能力

记忆和思维是人脑最重要的功能，它们是人具有智能的根本原因，需要同时具备。记忆用于存储由感官器官感知到的外部信息以及由思维所产生的知识；思维用于对记忆的信息进行处理，利用已有知识对信息进行分析、计算、比较、判断、联想及对策等。思维是一个动态过程，是获取知识及运用知识求解问题的根本途径。而思维又分为几种：逻辑思维（抽象思维）、形象思维（直感思维）以及顿悟思维。

3、智能具有学习能力、自适应能力及行为能力

学习能力是指通过指导、实践等过程来丰富自身的知识和技巧的能力；自适应能力是指在各种环境下都能保持同等效率的能力；行为能力是指可以把思维决策转化为行动的能力。

（二）人工智能的定义

“人工智能”(Artificial Intelligence，英文缩写为AI)一词最初是在1956年美国计算机协会组织的达特茅斯（Dartmouth）会议上提出的，到目前为止，人工智能的发展已经走过了近半个多世纪的历程。虽然对于什么是人工智能，学术界有各种各样的说法和定义，但就其本质而言，“人工智能是研究如何制造出人造的智能机器或智能系统来模拟人类智能活动的能力，以延伸人类智能的科学”。 [2] (P4)

在不同的思维形式下，人工智能的定义是不一样的。可以说“人工智能（学科）是计算机科学中涉及研究、设计和应用智能机器的一个分支”；也可以说“人工智能（能力）是智能机器或系统所执行的通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动”。 [3](P4)

（三）人工智能的发展历史

1、萌芽时期（1956年以前）

自古以来，人类就力图根据认识水平和当时的技术条件，用机器来代替人的部分脑力劳动，以提高征服自然的能力。公元850年，古希腊就有制造机器人帮助人们劳动的神话传说。在我国公元前900多年，也有歌舞机器人传说的记载，这说明古代人就有人工智能的幻想。

随着历史的发展，到十二世纪末至十三世纪初年间，西班牙的神学家和逻辑学家Romen Luee试图制造能解决各种问题的通用逻辑机。十七世纪法国物理学家和数学家巴斯卡尔制成了世界上第一台会演算的机械加法器并获得实际应用。随后德国数学家和哲学家莱布尼兹在这台加法器的基础上发展并制成了进行全部四则运算的计算器。他还提出了逻辑机的设计思想，即通过符号体系，对对象的特征进行推理，这种"万能符号"和"推理计算"的思想是现代化"思考"机器的萌芽，因而他曾被后人誉为数理逻辑的第一个奠基人。十九世纪英国数学和力学家C.Babbage致力于差分机和分析机的研究，虽因条件限制未能完全实现，但其设计思想不愧为当时人工智能最高成就。

进入本世纪后，人工智能相继出现若干开创性的工作。1936年，年仅24岁的英国数学家图灵在他的一篇“理想计算机”的论文中，就提出了著名的图灵机模型，1945年他进一步论述了电子数字计算机设计思想，1950年他又在《计算机能思维吗？》一文中提出了机器能够思维的论述，可以说这些都是图灵为人工智能所作的杰出贡献。1938年德国青年工程师Zuse研制成了第一台累计数字计算机Z-1，后来又进行了改进，到1945年他又发明了Planka.kel程序语言。此外，1946年美国科学家莫奇利等人制成了世界上第一台电子数字计算机ENIAC。还有同一时代美国数学家维纳控制论的创立，美国数学家香农信息论的创立，英国生物学家W.R.Ashby所设计的脑等，这一切都为人工智能学科的诞生作了理论和实验工具的巨大贡献。

2、形成时期（1956-1961）

1956年在美国的达特茅斯大学的一次历史性的聚会被认为是人工智能学科正式诞生的标志，从此在美国开始形成了以人工智能为研究目标的几个研究组：如纽维尔和西蒙的Carnegie-RAND协作组；塞缪尔和格伦特的IBM公司工程课题研究组；明斯基和麦卡锡的MIT研究组等，这一时期人工智能的研究工作主要在下述几个方面。

1957年纽维尔和西蒙等人的心理学小组编制出一个称为逻辑理论机LT(The Logic Theory Machine)的数学定理证明程序，当时该程序证明了B.A.W.Russell和

A.N.Whitehead的《数学原理》一书第二章中的38个定理（1963年修订的程序在大机器上终于证完了该章中全部52个定理）。后来他们又揭示了人在解题时的思维过程大致可归结为三个阶段：

（1） 先想出大致的解题计划；

（2） 根据记忆中的公理、定理和推理规则组织解题过程；

（3） 进行方法和目的分析，修正解题计划。

这种思维活动不仅解数学题时如此，解决其他问题时也大致如此。基于这一思想，他们于1960年又编制了能解十种类型不同课题的通用问题求解程序GPS（General Problem Solving）。另外他们还发明了编程的表处理技术和NSS国际象棋机。和这些工作有联系的纽维尔关于自适应象棋机的论文和西蒙关于问题求解和决策过程中合理选择和环境影响的行为理论的论文，也是当时信息处理研究方面的巨大成就。后来他们的学生还做了许多工作，如人的口语学习和记忆的EPAM模型（1959年）、早期自然语言理解程序SAD-SAM等。此外他们还对启发式求解方法进行了探讨。

1956年塞缪尔研究的具有自学习、自组织、自适应能力的西洋跳棋程序是IBM小组有影响的工作，这个程序可以像一个优秀棋手那样，向前看几步来下棋。它还能学习棋谱，在分析大约175000幅不同棋局后，可猜测出书上所有推荐的走步，准确度达48％，这是机器模拟人类学习过程卓有成就的探索。1959年这个程序曾战胜设计者本人，1962年还击败了美国一个州的跳棋大师。

在MIT小组，1959年麦卡锡发明的表（符号）处理语言LISP，成为人工智能程序设计的主要语言，至今仍被广泛采用。1958年麦卡锡建立的行动计划咨询系统以及1960年明斯基的论文《走向人工智能的步骤》，对人工智能的发展都起到了积极的作用。

此外，1956年N.Chomsky的语法体系，1958年Selfridge等人的模式识别系统程序等，都对人工智能的研究产生有益的影响。这些早期成果，充分表明人工智能作为一门新兴学科正在茁壮成长。

3、发展时期（1961年以后）

六十年代以来，人工智能的研究活动越来越受到重视。为了揭示人工智能的有关原理，研究者们相继对问题求解、博弈、定理证明、程序设计、机器视觉、自然语言理解等领域的课题进行了深入的研究。几十年来，不仅使研究课题有所扩展和深入，而且还逐渐搞清了这些课题共同的基本核心问题以及它们和其他学科间的相互关系。1974年尼尔森对发展时期的一些工作写过一篇综述论文，他把人工智能的研究归纳为四个核心课题和八个应用课题，并分别对它们进行论述。

这一时期中某些课题曾出现一些较有代表性的工作，1965年罗宾森提出了归结（消解）原理，推动了自动定理证明这一课题的发展。70年代初，T.Winograd、R.C.Schank和西蒙等人在自然语言理解方面做了许多工作，较重要的成就是Winograd提出的积木世界中理解自然语言的程序。关于知识表示技术有格林于1996年发表的一阶谓词演算语句，昆利恩1996年的语义记忆的网络结构，西蒙等人的语义网结构，R.C.Schank（1972年）的概念网结构，明斯基的框架系统的分层组织结构等。关于专家系统，自1965年研制

DENDRAL系统以来，一直受到人们的重视，这是人工智能走向实际应用最引人注目的课题。1977年费根鲍姆提出了知识工程（Knowledge Engineering）的研究方向，导致了专家系统和知识库系统更深入的研究和开发工作。此外智能机器人、自然语言理解和自动程序设计等课题，也是这一时期较集中的研究课题，也取得不少成果。

从80年代中期开始，经历了10多年的低潮之后，有关人工神经元网络的研究取得了突破性的进展。1982年生物物理学家霍普菲尔德提出了一种新的全互联的神经元网络模型，被称为Hopfield模型。利用该模型的能量单调下降特性，可用于求解优化问题的近似计算。1985年霍普菲尔德利用这种模型成功地求解了"旅行商（TSP）"问题。1986年Rumelhart提出了反向传播（back propagation-BP）学习算法，解决了多层人工神经元网络的学习问题，成为广泛应用的神经元网络学习算法。从此，掀起了新的人工神经元网络的研究热潮，提出了很多新的神经元网络模型，并被广泛的应用于模式识别、故障诊断、预测和智能控制等多个领域。1997年5月，IBM公司研制的"深蓝"计算机，以3.5：2.5的比分，首次在正式比赛中战胜了人类国际象棋世界冠军卡斯帕罗夫，在世界范围内引起了轰动。这标志着在某些领域，人工智能系统经过努力可以达到甚至超过人类智能的水平。

本世纪六十年代，学术交流的发展对人工智能的研究有很大推动作用。1969年国际人工智能联合会成立，并举行第一次学术会议IJCAI-69（International Joint Conference on Artificial Intelligence），以后每两年召开一次。随着人工智能研究的发展，1974年又成立了欧洲人工智能学会，并召开第一次会议ECAI(European Conference on Artificial Intelligence)，随后也是相隔两年召开一次。此外许多国家也都有本国的人工智能学术团体。在人工智能刊物方面，1970年创办了《Artificial Intelligence》国际性期刊，爱丁堡大学还不定期出版《Machine Intelligence》杂志，还有IJCAI会议文集，ECAI会议文集等。此外ACM，AFIPS和IEEE等刊物也刊载人工智能的论著。

美国是人工智能的发源地，随着人工智能的发展，世界各国有关学者也都相继加入这一行列，英国在60年代就起步人工智能的研究，到70年代，在爱丁堡大学还成立了"人工智能"系。日本和西欧一些国家虽起步较晚，但发展都较快，前苏联对人工智能研究也开始予以重视。我国是从1978年才开始人工智能课题的研究，主要在定理证明、汉语自然语言理解、机器人及专家系统方面设立课题，并取得一些初步成果。我国也先后成立中国人工智能学会、中国计算机学会人工智能和模式识别专业委员会和中国自动化学会模式识别与机器智能专业委员会等学术团体，开展这方面的学术交流。此外国家还着手兴建了若干个与人工智能研究有关的国家重点实验室，这些都将促进我国人工智能的研究，为这一学科的发展作出贡献。

近年来，人工智能在很多方面取得了新的进展，尤其是随着因特网的普及和应用，对人工智能的需求，变得越来越迫切，也给人工智能的研究提供了新的广阔的舞台。

二、人工智能研究领域的主要学派概述

人工智能的研究和传统的计算机程序设计在很多方面有所不同。从研究对象上看，人工智能系统是以符号表示知识，并以知识为主要研究对象，而传统的程序是以数值为研究对象，这说明了知识在人工智能中的重要性。知识是一切智能系统的基础，任何智能系统的活动过程都是一个获取知识和运用知识的过程。[4](P14)

由于人们对人工智能本质的不同理解和认识，形成了人工智能研究的多种不同的路径。不同的研究路径有不同的研究方法和不同的学术观点，并形成了不同的研究学派。目前在人工智能界的主要研究学派有符号主义、联结主义和行为主义等学派。

（一）符号主义学派

符号主义又称逻辑主义、心理学派或计算机学派，其理论基础是物理符号系统假设和有限合理性原理。符号主义学派认为，人认知的基本元素是符号，认知过程即符号操作过程。同时，人可以看成是一个物理符号系统，计算机也是一个物理符号系统，因此，我们就能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。它还认为，知识是信息的一种形式，是构成智能的基础，人工智能的核心问题是知识表示、知识推理和知识运用。知识可用符号表示，也可用符号进行推理，因而有可能建立起基于知识的人工智能系统。这个学派的主要代表人物有纽维尔、肖.西蒙和威尔森等。

所谓符号就是模式，任何一种模式，只要它能够和其他模式相区别，它就是一个符号。例如：不同的英文字母就是符号。物理符号系统的基本任务就是对符号进行比较，辨认相同的符号和区分不同的符号。

符号主义的重要性之一就是它指出了这种物理符号系统由什么构成并不重要，这一假设完全是中性的。一个智能实体能处理符号，它可以由蛋白质、机械运动、半导体或其他材料构成，如人的神经系统等。计算机具有符号处理的推算能力，这种能力本身就蕴含着演绎推理的能力，因此可以通过运行相应的程序来体现出某种基于逻辑思维的智能行为，故计算机可以看作是一种理想的物理符号系统。物理符号系统假设实际上也肯定了如下信念：计算机能够具有人的智能。[5] (P14)

大量传统的人工智能研究是在这个学派的思想推动下进行的。早期的人工智能主要研究棋弈、逻辑和数学定理的机器证明以及机器翻译等问题。后来发展起来的专家系统和知识工程则是人工智能的重要应用领域，陆续开发出许多著名的专家系统，为工矿数据分析处理、医疗诊断、计算机设计、符号运算和定理证明等提供了强有力的工具。

符号主义的代表性成果是纽维尔和西蒙等人研制的“逻辑理论家”的数学定理证明程序LT。以符号主义的观点看，知识表示是人工智能的核心，认知就是处理符号，推理就是采用启发式知识及启发式搜索对问题的求解过程，而推理过程又可以用某种形式化的语言来描述。

（二）行为主义学派

行为主义又称为进化主义或控制论学派，是基于控制论和“动作-感知”型控制系统的人工智能学派，属于非符号处理方法。“行为主义者认为智能不需要知识、不需要表示、不需要推理；人工智能可以像人类智能一样逐步进化（所以称为进化主义）；智能行为只能在现实世界中与周围环境交互作用而表现出来。”[6]

1948年，维纳在《控制论》中指出：“控制论是在自控理论、统计信息论和生物学的基础上发展起来的，机器的自适应、自组织、自修复和学习功能是由系统的输入输出反馈行为决定的” [7]。持有这种观点的学者认为：人的智能经过了在地球上十亿年甚至更长时间的进化。而要制造出真正的机器，也必须沿着这些进化的步骤走。他们认为机器是由蛋白质构成还是由各种半导体构成是无关紧要的，智能行为是由所谓的“亚符号处理”（即信号处理）产生而不是由“符号处理”产生的。如识别熟悉的人的面孔，对人来说易如反掌，但是对机器就很困难，最好的解释就是人类把图像或图像的各个部分作为多维信号而不是符号来处理。因此，他们认为应该以复杂的现实世界为背景，研究简单动物如昆虫的信号处理能力并模拟和复制，沿着进化的阶梯向上进行。这一方案不仅能在短期内制造出实用的人造物，而且能为更高级的智能的建立打下坚实的基础。

行为主义方法在最低阶段采用信号的概念。60—70年代，行为主义学者模拟人在控制过程中的智能行为和作用，对自寻优、自适应、自修复、自镇定、自组织和自学习等控制论系统的研究，并进行“控制动物”的研制，使这些控制论系统的研究取得一定进展。80年代，随着计算机技术、仿生学等科学的发展，以美国麻省理工学院人工智能实验室的科学家布鲁克斯(Rodney Brooks)为代表的一批研究人员将行为主义的观点引入到人工智能的研究中，并逐步形成了有别于传统人工智能的新的研究方法。在1991年悉尼举行的国际人工智能联合会议上，布鲁克斯提出具有挑战性的“无需知识表征”及“没有推理”的智能系统，他认为：“首先要弄清楚生命系统在复杂的自然环境中所具有的生存和反应能力的本质，然后才有可能进一步探讨人类高水平的智能问题。其次许多作用物的行为能够通过一些分解的动物而合成。”[8](P15)他认为智能只是在与环境的交互作用中才表示出来，不应采用集中式的模式，而是需要具有不同的行为模块与环境交互，以此来产生复杂的行为。因此智能系统应该属于具体的环境之中，应该有躯干、眼睛等感官，应该与环境交互作用，只能是系统的各个部件交互作用、系统与环境交互作用所涌现出来的总的行为。布鲁克斯等人认为，既然人工智能的终极目标是复制人的智能，那么可以从复制动物的智能开始。其代表性的工作是布鲁克斯研制的有6条腿的“机器昆虫”。这种机器昆虫用一些相对独立的功能单元，分别实现避让、前进、平衡等功能，组成分层异步分布式网络，取得了一定的成功，特别是为机器人的研究开创了一种新的方法。

基于行为主义的基本观点可以概括为以下几点：

第一、知识的形式化表达和模型化方法是人工智能的重要障碍之一；第二、智能取决

与感知和行动，应直接利用机器对环境作用，以环境对作用的响应为原型；第三、智能行为体现在世界中，通过与周围环境交互而表现出来；第四、人工智能可以像人类智能一样逐步进化，分阶段发展和增强。

这种基于行为的观点开辟了人类智能研究的新途径。尽管有人认为机器昆虫在感知-行为上的成功并不能导致高级控制行为，但是该学派的兴起，表明了控制论、系统工程的思想将进一步影响人工智能的发展。[9](P15)

（三）联结主义学派

以网络连接为基础的联结主义是近年来研究得比较多的一种方法，也属于非符号处理方法，联结主义又称仿生学派或生理学派。[10]( P15)联结主义学派主要研究能够进行非程序的，可适应环境变化的，类似人类大脑风格的信息处理方法的本质和能力，是基于神经网络及网络间的连接机制和学习算法的人工智能学派。持这种观点的学者认为，认知的基本元素不是符号是神经细胞（神经元），认知过程是大量神经元的联接，而大脑是一切智能活动的基础，因而从大脑神经元及其连接机制出发进行研究，搞清楚大脑的结构以及它进行信息处理的过程和机理，就有望揭示人类智能的奥秘，从而真正实现人类智能在机器上的模拟。联结主义学派尝试对大脑的结构进行模拟，建立分布式并行计算系统，从而使该系统具备自学习、自组织、自适应、联想、模糊推理等方面的能力。

联结主义研究非程序的、实用性的、大脑工作风格的信息处理的本质和能力。人们也称它为神经计算。由于它近年来的迅速发展，大量的神经网络的机理、模型、算法不断地涌现出来。神经网络主题是一种开放式的神经网络环境，提供典型的、具有实用价值的神经网络模型。

40年代神经生理学专家麦卡洛克与数学家皮兹合作，对神经系统特别是神经元的活动机理、图灵的可计算数理论、罗素和怀特海的命题逻辑理论进行综合研究，提出形式神经元的数学模型。50年代末罗森布拉特设计了感知机，试图用人工神经网络模拟动物和人的感知和学习能力，形成人工智能的一个分支——模式识别，并创立了学习的决策论方法。但是由于受到计算机水平的限制，许多理论设想未能实现。60年代末明斯基和帕坡特从数学上分析了感知机的原理，指出它的局限性。这个打击使人工神经网络的研究走入低谷，研究队伍迅速解体。从80年代开始，经典符号主义人工智能的局限性逐步明朗化，而当年推出人工智能领域神经网络的一些学者及其后继者经过多年潜心研究，取得重要的突破，加上计算机硬件突飞猛进的发展，使神经网络的实现成为可能。80年代末神经网络迅速崛起，在声音识别、图像处理等方面取得很大成功。

该方法的主要特征表现在：以分布式的方式存储信息，以并行方式处理信息，具有自组织、自学习能力，适合于模拟人的形象思维，可以比较快地得到一个近似解。正是这些特点，使得神经网络为人们在利用机器加工处理信息方面提供了一个全新的方法和途径。

三、人工智能研究的三大学派面临的困境

虽然三大学派在对人工智能进行深入研究的过程中取得了令人鼓舞的成果，但同时它们也遇到了各种各样的困难：

（一）符号主义学派面临的困境

1、常识知识获取的困境

常识是指人们在日常生活中的知识， 特别是指那些不言自明的众所周知的知识，即所谓只可意会难于言传的东西。它是一种日常生活中的人们都在使用但又无须明显表达出来的客观知识。

科学家们已经发现，在人工智能研究中存在这样的问题，即对于一个儿童来说是非常容易的事情，人工智能方法经过多年努力仍然没法有效处理。这是因为在人类日常生活中要大量使用常识知识。人类专家的知识是以拥有大量的常识为基础的，常识知识表示研究的困难大致表现为下述几个方面：

首先是常识知识数量庞大。专业知识可以划分为几百或几千个事实，这样就足以建立可供使用的专家系统，但是我们却无法知道一个具有人类级智能的系统到底需要多少常识知识。有的人工智能专家希望通过构建巨大的知识库来建立智能系统。“知识工程之父”费根鲍姆在 20 世纪 70 年代提出通过建设大规模知识库来解决常识知识问题以实现人工智能，莱纳特等人筹建的 CYC(CYC 取自百科全书英文名encyclopedia 的一部分)海量知识库正是体现了费根鲍姆的这一思想。他建立的 CYC 知识库通过不断增加关于知识的事实来实现人类级的智能。但是 CYC 知识库的语境概念本质上是经验事实的总结，而并非可推演的理论体系，同时语境也是条件巨大无法穷尽的。在1990 年，莱纳特等就表示： “人工智能一直在设法摆脱这样一个事实：并没有任何优雅的、不费力的方法去获得这个巨大的知识库，至少开始时需要大量精力人工输入每一个断言。”[11]这样一来，若按照 CYC的设想，这个知识库必然会越来越大，而面临“知识爆炸”的危险。

其次，人们在研究专业知识的时候，可以比较容易将知识限定在某一范围之内，但是常识知识具有极大的语境相关性，这就要求表示常识知识必须要考虑到其语境因素。我们目前还不能很好的界定常识知识的边界问题，因为常识知识不但数量庞大，而且知识之间相互嵌套，相关此事物的知识又与其他事物相关。简单地讲，一些单纯的常识知识很难用自然语言来描述。例如，如果扔下一个物体，它将下落；再例如，在白天战斗行军中，当战场指挥员看到有鸟从森林中被惊起时，就会推测可能有敌人埋伏。对于这样的常识知识的表示已经不单纯是科学知识，还需要更广范围内的相关知识。这也就是常识知识的语境相关性问题，一般而言，语境有广义和狭义之分，狭义的语境仅指一个语词、一个句子出现的上下文；广义的语境除了上下文含义之外，还包括该语词或语句出现的整个背景知识。因此在人工智能的知识表示中，语境的这种社会文化相关性是人工智能处理常识知识问题的一个难点。所以，

只要人工智能的目标是使机器能够与人进行成功的交际，那么，其研究就必须使机器能够跨越语境因素进行自然语言理解和推理。[12]

最后，常识知识表示研究中的又一个困难是，人类的常识知识中还存在一类无法用自然语言清晰地描述出来的知识，例如与人类的心理状态相关的知识等。对这类知识的描述有时候仅仅是一个概括性的描述，因此在人工智能中就必然无法用逻辑方法表示出来。甚至早期支持人类级人工智能的明斯基也承认人工智能形式系统模型解决问题的缺陷：“认知和智能活动不是由建基在公理上的数学运算所能统一描述的。因此，要在认知科学领域有实质性突破，应当放弃唯理主义哲学，从生物学中得到启示和线索” [13]

2、解决“组合爆炸”的困难

“组合爆炸”最初源于离散数学，意思是随着问题中元素的增加，所出现的可能组合数剧烈增加，形象的说法就是组合爆炸。

组合爆炸的经典问题之一，旅行商问题（Traveling Salesman Problem，简称TSP）是英国数学家克曼（T．P．Kirkman）于19世纪初提出的一个数学问题：有若干个城市，城市之间的距离都是确定的，现有一旅行商从某城 市出发到每个城市旅行，途中只能在每个城市逗留一次，最后回到出发城市。问如何事先确定好一条最短的路线，使其旅行的费用最少。

人们在考虑解决这个问题时，一般首先想到的、又是最原始的一种方法就是：列出每一条可供选择的路线（即对给定的城市进行排列组合），计算出每条路线的总里程，最后从中选出一条最短的路线。

为了简化问题，我们假定只有四个城市，分别用A、B、C、D来表示，城市之间的距离如图1所示。我们假定旅行商从A城市出发，最后回到A城市。对于这 么一个简单的问题，我们不难找出所有可能的旅行路线，如图2所示。从图中不难看出，可供选择的路线共有6条，从中可以很快选出一条总距离最短的路线。 这是一个典型的组合路径问题，当城市数目为n时，组合路径数则为(n-1)！。比如，当n = 20时，组合路径数则为（20-1）！≈1.216×10 7。对于如此庞大的组合路径，即使计算机按每秒1000万条路线的速度计算，也需要花上386年的时间。

很显然，当城市数目不多时要找到最短距离的路线并不难，但随着城市数目的不断增大，组合数目将按指数方式急剧增长，一直达到无法计算的地步，这就是所谓的“组合爆炸问题”。

2001年，人们成功地解决了德国15112个城市之间的TSP问题。但这一工程代价也是巨大的，共使用了美国Rice大学和普林斯顿大学之间网 络互连的、由速度为500MHZ的CompaqEV6 Alpha处理器组成的110台计算机，所有计算机花费的时间总和为22.6年。

在人工智能领域，计算机在棋类游戏与人对弈时，多采用穷举法，即在限定的对弈规则下，将所有可能出现的局面都列举出来，然后再选择最优的下法。然而棋类游戏每过一个回合，下一步将面临很多种选择，而每种所选择走法的下一步又面临更多的选择，因此这些选择路线将呈几何级数增长，以致现有最快的超级计算机也无法处理，

1997年5月11日，IBM公司的大型计算机“深蓝”以3.5：2.5战胜了国际象棋冠军卡斯帕罗夫。深蓝的运算速度为每秒10亿次，即便如此，它也只能算是艰难地战胜了卡斯帕罗夫。因为下国际象棋的平均合法走法为35种，同时开局和终局是事先约定和十分明确的：开局的时候，所有的棋子都摆在棋盘上，王一旦被将死，不管还剩多少棋子，比赛就结束了。国际象棋每个棋子的重要性，是给定的，例如，假设给定王的重要性是10，那么，后是9、相是8和7、马是6和5、车是4和3，兵是2；每个棋子的走法是事先约定固定的，如何被吃也只有一种方式。因此，用计算机比赛，就可以根据棋子的重要性做局势分析的作业次序，根据走法判断面临的威胁和如何应对、或者计算再走几步就能定局。

但当超级计算机弈棋程序遇到围棋时，困难就显而易见了。虽然围棋形式简单，只有黑白两种棋子，规则也很简单，但是它的玄妙却是任何其他任何棋类所不能比超的。围棋的开局和终局，没有事先约定、都是不确定的，尤其不同的是，围棋的开始没有棋子，是一片空白；终局不是看一个棋子的存活，而是看所有存活棋子所占空间的大小。围棋每个棋子的重要性是等同的，或者说，没有重要性可参考：在没下子之前，那个棋子就没有任何意义、它的重要性不存在，而下好的棋子的重要性因局势改变而改变。因此，用计算机做围棋比赛，就不能根据棋子的重要性做局势分析，也不能根据走法判断面临的威胁和如何应对，就是做个最基本的棋子死活分析判断，计算机面临的挑战就非常巨大。

此外围棋的每个回合，棋手平均面临200种合法走法，由此计算，八个回合后，计算

机就要分析判断200^16≈6.5536 × 1036种局势可能，来决定第九个回合如何下手。面对如此情况，目前最强的超级计算机能处理吗？

2008年6月18日，每年公布两次全球超级计算机500强排名的TOP500.Org组织公布了最新的全球超级计算机500强排名。IBM为美国能源部洛斯阿拉莫斯国家实验室（Los Alamos National Laboratory）开发的“Roadrunner”计算机以峰值每秒1026万亿次（约等于1015次）位居榜首，并成为全球首台突破每秒1000万亿次浮点运算的超级计算机，运算能力相当于10万台目前性能最强的笔记本电脑。但即使以“Roadrunner”计算机日夜不停地计算，要对围棋八个回合后的所有可能局势进行穷举仍需要2 × 1012年！

组合爆炸不仅仅限于围棋方面，对于计算机数据库建立以大量知识为基础的数据库，随着数据库规模的增长，它的任何组合表达式都具有激烈的增长，它们代表着众多各种可能的根据特定规则对该知识基础的元素进行分组的方式，这种组合表达式的相互牵连达到一定规模时，相对于逻辑推理机也会形成“组合爆炸”的问题。[14]

3、机器翻译困境

所谓机器翻译 (MachineTranslation)，是利用计算机把一种自然语言转变成另一种自然语言的过程。机器翻译是实现全球无障碍交际的重要技术手段。操作时，首先把原文输人计算机，计算机根据人们所提供给它的机器字典信息特征以及程序化的语法规则，再对输入的语言进行分析、综合和词序的调整，最后转换成译文输出。

目前机器翻译的方法主要有两种：传统机器翻译和现代机器翻译。传统机器翻译的方法都是基于规则的机器翻译方法。目前国内市场上的多数翻译软件，其核心模块都是基于规则的产物，其特点是利用语法和语义理论，通过上下文的搭配关系进行分析和生成。由于分析技术的限制，大多数都以句法直译和句法转换为主；而现代机器翻译方法是基于经验的方法，其特点是利用一个含有各种句型的、双语对照的语料库，在翻译时从语料库中抽取与输入句子相类似的例句，然后模仿例句来实现源语言与目标语言的转换。

从以上两种机译方法的特点，我们可以发现，它们分别是以语法规则和语料库为基础的。理论上，输进计算机中的规则和语言材料越多，翻译的质量也就越高。如果能把人类语言的规律和现象都统统存入电脑，则机器翻译就可以完全代替人工翻译。然而，各式各样的人类语言是不可能用一些理论的东西代替的。连人类自身都无法把握、无法捉摸的语言现象，仅靠语料库是不可能办到的。研究者们研究了语法和词典，语言学家们也创建了成千上万条规则库。覆盖了相当大范围的语言现象。随着规则库规模越来越大，句子分析的成功率也提高了很多。机器翻译就其自身的发展而言，确实是取得了令人瞩目的成就。然而，机器翻译的发展受到了限制，单纯的语言处理系统难以应付现实世界中自然语言的复杂多变的现象。机器翻译所面临的这一难题，在机器翻译的实际应用中会受到进一步的考验，机器翻译的缺陷，也会在机器翻译的实践中显现出来。

机器翻译虽有速度快、词汇多、成本低等诸多优点，但仍然存在各种各样的缺陷：

(1)大大降低译文的准确度和可读性。机器往往不能很好地把握词性、词义，不能根据语篇、语境的实际需要准确地译出原文的意思，因此常常造成词性分析失误，出现误译、漏译；

(2)机器对句子结构的识别能力很低，对各类修饰、限定成分，如各种短语、从句、非谓语动词等分析能力很差。句子结构稍一复杂，修饰限度成分稍一增多，机器往往就显得死板，只能套用已知的信息，不能灵活地运用语法，无法根据上下文正确地判断、处理一些简单易懂的句型；

(3)对英语中广泛使用的小品词，如冠词、连词等，机器好像对它们无能为力。这些词在英语中不可或缺，而在汉语中用得却并不多。这些词什么时候应当省，什么时候应当留，机器往往没有把握。这同样给翻译的句式转换造成麻烦，也影响译文的可读性；

(4)机器译文的连贯性和流畅性也很难让人满意，这往往是由于词序不当、风格欠佳、语气欠妥所致；

(5)至于机器的翻译的文化缺陷，更是不用说了。我们又如何能让计算机了解比如宗教，民族习俗等等纯精神方面的文化呢。任何语言都永远是文化的一部分，它们都或多或少表达了一种文化。没有相关文化，词汇就失去了它的意义。[15]

综上所述，可以得出这样的一个结论：要实现机器能翻译，就必须先给计算机输入语言构成的规则和一定的语料库。要想机器翻译的质量高，输入的规则和词汇就要多。基于规则的语料库理论所带来的另一个问题是，分析的层次越深，需要的信息越丰富，语料库就越难建造。显然，人工翻译时，所依靠的不仅仅是语言方面的知识，文字只是信息内容的实现方式之一。上下文之间的关系、语气、语境本身都各有其涵义。更重要的是，任何一篇成熟的文章都是人类智力的结晶，是一种语言精华，机器翻译决不是靠规则所能行得通的。

此外，目前机器翻译的准确率较低，其可读性更差。机器译文还需要人们进行大量的修改和调整，有时修改所花费的时间远远超过了人工直接翻译的时间。这就难怪许多人，特别是翻译能力强的人，宁愿舍弃机器翻译而选择自己翻译。机器翻译所面临的最大问题是解决翻译质量问题，虽然目前的机器翻译有一定的实用性，在某些方面可以大大提高人们的工作效率，但距离人们所要求达到的人工翻译的水准还有比较长的一段路。

（二）行为主义学派受到的质疑

行为主义学派作为当前对人类心智探索的一个代表，具有独特的理论价值和实践价值，并且在机器模拟实践方面取得了一定的进展。但是行为主义学派无论在实践和理论上仍受到不少的质疑。

1、自下而上的还原主义方法论使研究模型的完善性受到质疑

行为主义研究纲领的模型是一种自下而上的系统，即事先储备相关知识，建立高层认知任务，然后把任务分解为子任务，实现系统的整体性。因此存在设计过程中只注意细节

上的技巧，对于系统的高层次的智能处理能力——思维能力，则很难把握。从世界观来看，它仍然深受经典物理学的原子论世界观影响。这是一种单方面的自下而上的分析的机械决定论，正是这种观点导致了一种片面的客观性原则的形成。根据物质的原子理论，宇宙完全是由我们称为基本粒子的极小的物理实体构成的，世界中所有巨大的和较大的实体如星系、行星、火车等，都是由较小的实体构成的，它们自身又是由更小的实体构成，直至最终达到分子、原子和基本粒子层次。正如量子物理学家斯塔普所指出的，“经典物理学没有为意识留下一个合理的位置，因为它在逻辑上就已是完全的。”[16]在经典物理学中，物理世界完全只是由各种粒子和场构成的。宇宙中存在的一切不过是运动中的物质。在这种理论结构中，诸如意识这样的东西没有任何逻辑的位置。这种原子主义的世界观内含着一种观点与方法，即：由更小事物构成的较大事物的许多特性是由更小事物的特性和行为决定的，并且可以根据更小事物来解释。这是一种典型的还原主义的方法论。因此，行为主义研究纲领的模型的完善性也受到怀疑。

2、行为主义的理论基础——复杂适应系统难以建立

对于复杂适应系统（简称CAS）的行为主义，因为霍兰先生的工作，更接近为行为主义奠定理论基础，然而霍兰先生在《隐秩序》一书中坦承：“经过一个多世纪的不懈努力，我们至今还不能构建具有CAS许多基本功能的模型，我们也不能构造出它们的行为模型，不能把我们不熟悉的复杂情形解析为我们熟知的元素，更不用说将其构建成为基于经验的内部模型了。分布式的、形形色色的CAS与我们称之为意识的现象之间的关系至今还不清楚。”[17]( P3)，“为CAS建立理论是十分困难的，因为CAS的整体行为不是其各部分行为的简单加和，CAS充满了非线性，这意味着我们通常使用的从一般观察归纳出的工具，如趋势分析、均衡测定、样本均值等等都失灵了” [18]( P6)。因此，CAS理论难以建立，可作以下结论：一是参量多；二是结构层次多，聚集体结构呈多元化；三是结构法则难以把握。[19]( P38)

3、同样的心理状态可以产生不同的行为

行为并不是与单一心理状态相联系的，而是与这一心理状态和其他心理状态的复杂相互作用相联系的。对将某一种心理状态进行行为描述是不可能的。而不同的心理状态也可以有相同的行为表现。也就是说，两个具有不同心理状态的个体可能在行为或行为倾向上有完全一样的表现。行为主义研究纲领最终要将心智还原为行为来研究，还是不能回避上述问题的质疑。普特南在《脑与行为》这篇文章中批评行为主义不能说明像痛苦这样的“现象状态”，认为这种自明的非行为的“原始感觉”的存在，构成了反行为主义的一个证据。他做了一个思想实验来说明问题。假想有一个“超级斯巴达人”社会，这个社会中的人从小受到严格的训练，可以忍受一切痛苦，即使当他们说他们痛苦时，也是以平和的口吻说的，而且没有任何显得痛苦的行为。那么他们究竟有没有痛苦呢？普特南的回答是肯定的。他还设想，“超超级斯巴达人”甚至连“痛苦”一词都不说，他可以假装既不知道这个词，

也不知道它所指的现象，然而实际上他有痛苦，他也清楚地知道这一点。在《精神状态的本质》中，普特南再次表示，假如一个人被切除了痛苦纤维，另一个人强制自己压抑了一切痛苦反应，那么，他们实际的和潜在的外显行为可能是同样的，但一个人感到了痛苦，而另一个人则没有。在痛苦中，我们确实感受到了某种东西，这正是我们精神生活的实质的内在的丰富的方面，而行为主义却一笔抹消了。[20]

4、忽视了主观性、意向性等人类行为的重要特质

事实上，人的行为中是包含着意向的，它是意向的行为，因此它是一种行动，而不只是一种身体的运动。

意向性的现代意义是由布伦塔诺和胡塞尔赋予的。布伦塔诺以意向性作为区分心理现象和物理现象的标志，胡塞尔延用了这一概念，并不断拓展其内涵，最终将它改造为一个纯哲学用语，还把它作为他本人创立的哲学体系——现象学的重要基石。此外，由于意向性与意义的产生有着密切的关系，也在语言哲学中占有重要的一席。尤其在计算机出现后，机器主体化问题、语言指称等问题使意向性问题受到更多的关注，其中语言哲学家塞尔的观点很具代表性。依照布伦塔诺的观点，物理现象只涉及物理对象本身，而心理现象包括了心理主体和它指向的外部对象的方式。意向性则反映了这种内外联系的特性。意向性最鲜明的特点是指向性、关于性，这一点在胡塞尔体系中得到进一步发展。任何意识活动都是指向一定对象的，统摄对象是意识活动的前提。意识活动的特点还表现在既意识到对象的存在，也意识到意识自身的存在，而且是通过对象的存在而意识到意识自身存在的[21]。意向性刻画的正是这样一种特点。进一步分析意向性，则要从意向活动和意向对象两个方面来看。意向性结构的一端是代表主体的自我，意向性结构的另一端是与(内部和外部)世界发生联系的意向对象。意向性与生命现象所表现出的目的性有着内在的联系。可以说，包含在意向性中的目的性是对认知过程中盲目性、散漫性的克服，是意向性“带领”心灵走出了原始的混沌状态和低水平的组织层次。

由此可见，要想达到人类智能的水平，解析意向性是极其关键的一环。然而行为主义学派采用的自下而上的还原主义研究方法，并不能很好的完成这一任务。

综上所述，行为主义的研究方法作为对人工智能研究路线的一种探索，虽然在机器模拟实践方面取得了一定的进展，但是在客观上存在着理论和模型的不完善，还存在着来自哲学、心理学等方面的质疑。因此，行为主义学派的发展也是困难重重。

（三）联结主义学派面临的困境

联结主义学派主要的灵感是来自大脑或神经系统，当然，它的目标不是建立脑活动的模型，而是以类似于脑的神经元网络的系统建立认知活动的模型。联结主义不是把认知解释成符号运算，而是看成网络的整体活动。联结主义学派对人工神经网络的研究经历了两个兴盛时期，却也遇到了不同的困难。

1、单层神经网络的发展和衰落

早在1943年，麦克卡尔洛奇和皮兹就提出了一个人工神经元模型并给出三种逻辑运算的人工神经元。这是公认的世界上第一个人工神经元模型。1949年，赫伯在其专著中提出神经元群——神经网络的概念，并给出相应的学习算法——著名的Hebb算法，成为脑模拟研究的经典理论。1958年，罗森布拉特提出了著名的“知觉器”的模型，试图在有关知觉和记忆的假设基础之上制造一个包括形式神经元并能学习再认——类似于人类视觉模式的简单装置，以使其能把许多不同的输入模式归入其各自的类域中，这种简单的装置被称为感知机。罗森布莱特指出知觉过程具有统计分离性，第一次把神经网络研究从纯理论的探讨付诸工程实现，掀起神经计算机研究的第一次高潮。60年代以后，由于数字计算机的飞速发展，传统人工智能初期研究的巨大成功吸引了大量的专家投入数字计算机的研究，同时发现神经网络的极大局限性。明斯基和帕坡特仔细分析了以感知机为代表的神经网络系统的局限性之后，于1969年出版《Perceptron》一书，指出感知机只能解决一阶谓词逻辑，不能解决高阶谓词逻辑，对像XOR（异或）这样简单的非线性问题亦无法求解，对神经网络的功能持悲观态度。这对神经网络的研究无疑是一个打击，再加上冯·诺依曼机在技术上、规模上和速度上的快速发展，使得神经网络的研究进入低潮。

2、多层神经网络研究的发展和困境

70年代以来．随着新三论（耗散结构理论、协同论和突变论）的提出，人们对自然界复杂性的认识日趋深入，人们突出地感到了传统人工智能的严重缺陷．在这种背景下，霍普菲尔德（J. J. Hopfieid）提出了离散的神经网络模型，从而有力地推动了神经网络的研究。到1984年，他提出了连续的神经网络模型，并设计出简明的电路[22]模拟他的网络，证明模拟电路装置具有的性能。他选择了一些现代计算机能解的线性规划问题及难解的所谓N-P完全问题，如著名的旅行商问题(TSP)等。

但该模型仍存在一些问题：

（1）很难精确地分析Hopfieid网的性能。

例如在设计联想存储器时必须确定该网络中吸引子的个数，每个吸引子吸引域的范围，并且检验存储和检索的效果，而这是很难的。又如：虽然用这种网络成功地求得了TSOP(旅行商优化问题)某些小规模实例的好解，但由于缺乏必要的理论分析，以至于后来的工作表明这种方法不适用于TSOP规模较大的实例。

（2）难于找到通用的学习算法。

目前，Hopfieid网解题的能力源于连接权的精巧设计。由于大规模非线性动力学系统的固有复杂性，用设计BP算法的那套方法来处理Hopfieid网是行不通的。

（3）这类网络的动力学行为过于简单。

Hopfieid网只有不动点吸引子。是一种消极、被动的神经网络。现代非线性动力学理论告诉我们：大型非线性动力系统不仅可能有不动点吸引子，而且可能有极限环吸引子、

环面吸引子以及各种混沌吸引子。由此可见：与其说Hopfieid网为我们提供了解决问题的一种实用方法，不如说它为我们提供了这样一种新思想：大规模非线性动力学系统具有各类吸引子这种性质有可能被利用来执行有用的计算。[23]

受霍普菲尔德工作影响，1985年一些一直对并行分布加工感兴趣的计算机科学家如生物物理学家赛杰诺斯基和辛顿等对霍普菲尔德模型做了随机性推广，这即所谓玻茨曼（Boltzmann）机。与此同时，这些工作受到计算机科学领域内对并行分布加工感兴趣的联结主义者的响应。他们发展“感知机”式的神经网络，提出了所谓“往回传播”(backpropagation)学习算法，相应的神经网络是现时最流行的模型之一，我们称这样的神经元网络模型为B-P模型。但B-P神经网络也同样存在问题：

（1）学习时间过长，甚至可能达不到学习的目的。

①算法本质上是梯度下降法，它所要最小化的目标函数又非常复杂，其等值面远不是超球面，因此必然会出现“锯齿形现象”，这注定了这算法是低效的。

②为了让网络能够执行算法，不能采用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这使得算法更加低效。

③即使是非常简单的问题，网络学习训练集的次数也要成百上千才能正确地求解它。 ④从问题中选取典型实例组成训练集是困难的。

⑤网络的学习过程是对一个高度非线性函数求全局最优解的过程，有可能落入“局部最优陷阱”，达不到学习的目的。虽然采用了种种措施来试图解决上述问题，但这些措施只在某些特殊情况下有效，未能从根本上解决问题。

（2）难以解决应用问题的实例规模和网络规模之间的矛盾。

应用问题的实例规模往往很大理论上要求求解这个问题的网络的规模与实例的规模相匹配。从另一方面来看，网络规模过大将大大降低网络的推广能力。网络只是在学习一些实例，不能从中提取出求解问题的合理规则，同时在软件模拟和硬件实现时都会遇到很大的困难。

自20世纪90年代以来，提出的新模型不多，真正的符合人脑信息处理特性的硬件模型也一直没能问世，使一些开始热衷于神经网络研究的人们感到泄气，使得20世纪90年代中后期神经网络的研究处于低潮。

四、人工智能研究的出路探寻

（一）人工智能的目标定位

在探讨人工智能现实的出路之前，我们应当首先对人工智能研究所要实现的目标进行准确的定位。

1、强AI与弱AI

关于人工智能的发展，众所周知，存在两个激烈对立的派别：乐观主义派别与悲观主义派别。乐观主义认为人工智能前途无量，人工智能与人类智能并无实质性差别，它不仅能替代、而且将超过人类智能；悲观主义则把人工智能贬低为现代“炼金术”，认为它不过是零敲碎打和拼拼凑凑，它仅是在局部表面上对人类智能的模仿，远未达到对人类智慧的实质了解。这种争论从一定意义上说已经成为历史，因为人工智能的发展似乎没有单独支持哪一派的立场，它既朝着深入认识、反映人类智慧的方向一步步前进，又未能实现当初的许多既定目标。争论双方开始冷静下来，意识到了对方观点中的合理因素，但是这并不意味着争论的结束，取而代之的是强Al与弱Al之分歧。

人工智能研究基本上有两种目标：一是企图以启发式程序设计法去改良或发明类似人类思维的程序，以解决传统程序不能解决的问题；另一目标是研究以计算机程序运算去模拟人的心理活动，以建立关于人类心理活动的理论。为此，塞尔提出了“强AI”和“弱AI”的划分。 “弱AI”把人工智能当作一种科技手段，而不问它是否恰当地模拟了人类的心理历程，只是把计算机作为研究心灵哲学的一个有力的工具。相应的，“强AI”则主张人工智能最终必能完全模拟人类的心智活动，计算机硬件配上适当的程序后，可能创造出和人类无异的智能体，其差别只是在构成材料上的不同而已。也就是说，恰当编程的计算机就是一个心灵。塞尔把这种观点概括为，心对于脑的关系就是计算机程序对于计算机硬件的关系。因此，思想就是由大脑运行程序产生的，正如计算机硬件运行软件。

2、强AI是否可能实现

弱AI的实现在实践上和理论上都已经取得了很大的发展，在此，笔者主要探讨一下强AI实现的可能性。

（1）人工智能能否产生心智

针对强AI和图灵测试，塞尔设计了中文房间思想实验。中文房间思想实验是建立在反对图灵测试的基础上，而形成的一个判断机器是否具备理解能力的标准。图灵和塞尔都强调他们所提到的机器是指数字计算机。塞尔认为，所谓数字计算机就是说它运行的是有合适输入输出的程序，它的运算能被形式化地表示出来。塞尔明确地指出，他的反驳和任何特殊的计算机技术阶段无关，即不能期待某种尚未创造的技术奇迹，所有反驳只与一台数字计算机的定义有关。由此，塞尔就提出了一个前提：数字计算机进行的都是纯形式的

操作。

为了证明自己的观点，塞尔设计了一个巧妙的思想实验：在中文房间思想实验中，塞尔就是操作符号的人，和计算机所做的操作一样。这样一来，如果在符号操作之后，塞尔不能理解这些符号及其联接，那么毫无疑问的，计算机也不理解这些符号及其联接。

首先，他假定自己是一个不识中文的美国人，坐在一间只有一个窗口的房间。房间内有一本如何操作中文符号的指导手册（英文版）。这本手册说明当他收到怎么样子的中文符号时，他就从窗口递出怎么样的中文符号。手册不谈符号的意义，只谈及符号的形式。假定从窗口送进来了一组中文符号，懂中文的人知道那是一个问题。可是他不知道那是一句表达问题的句子，他只知道去查手册，然后依照手册指示，从窗口送出另一组他完全不知其意义的中文符号，懂中文的人知道那是一句回答。如果程序设计师很能干，写了一本很周全理想的手册，房间里的塞尔忙着操作中文符号。外边不知情的旁观者会以为他了解了问题，并且递出了适当的答案。

塞尔认为，此时，强AI的观点肯定认为计算机已经理解了这些故事，同时，这个程序在某种意义上解释了人类的理解。但是，塞尔明确的指出，自己完全不理解中文，甚至根本不知道自己所处理的符号就是中文，更不知道自己正确地回答了中文问题。在句法的层次上，塞尔所做的操作完全就是计算机所做的，它们运行操作的形式符号不可能有意思，它们甚至不是符号操作，因为这些符号毫无意义。用语言学的术语来说，它们只是句法的，而不是语义的。所以，计算机也不能理解中文。

在塞尔的实验中，中文房间里的人可以给出回答，屋外的人也可能会认为屋内是一个中文母语者，换句话说，计算机是可以通过图灵测试的。但塞尔认为即使计算机通过了图灵测验，在外显行为上和人的心理行为毫无两样，计算机仍不能做真正的思考，或扩大来说，计算机根本不能拥有与人相似的智能。符号操作只需语法，不需要语意。所以计算机（加上程序）只有语法而没有语意。没有语意就谈不上真正的理解，也就谈不上真正的智慧。

塞尔指出了计算机的一个特性：计算机操作符号时是根据一定的规则去执行的。计算机做的事情只有一件事，即执行一长串的指令（规则）。符号的操作没有意义，它们不具有语义内容，它们也不涉及任何事物。它们只能纯粹按照形式的或语法的结构加以确定。数字计算机也正是因为这个特点而特别的强大。但把程序运行的过程理解为心理的过程是不对的，因为人心不仅仅是形式的或语法的过程，它是有内容的。

我们可以把塞尔的思想总结成一个三段论。大前提，如果强AI是真的，那么肯定存在一个关于中文的程序，不管在什么硬件上运行，这个程序都能产生理解；小前提，“我”可以运行一个关于中文的程序，但是这个程序不会因此而理解中文；结论，纯形式的句法不足以产生心，强AI的思想是错误的。

（2）人工智能是否能通过进化达到甚至超过人类智能

首先，我们来看进化的定义：“进化（evolution）这个概念指的是事物的演化或发展。

它的含义极其广泛，包括天体的消长、生物的演变、社会的发展等等。狭义地说，指生物的进化。”[24]从此处可以看出人工智能进化并不包含在狭义的生物的进化之中，毕竟就现在的人工智能的程度而言，人工智能还不具备生命的特征。那么人工智能是不是包含在天体的消长及社会的发展之中呢？看来并非如此，毕竟人工智能现阶段的进化还离不开人类智能的指导和帮助，不能完成独立的进化进程。因此，人工智能的所谓的“进化”确切的讲应该称作“升级”，这一点就像计算机软硬件的升级。

人们通过对人类智能的探索和发现，得到相应的理论，再通过人工智能进行模仿来验证，最后可以完成对理论的确认。人工智能在这一系列的过程中客观上得到了升级。 其次，人工智能就算是可以勉强纳入进化的概念中也不可能实现。进化的必要条件人工智能仍不具备，这其中包括生命特征、进化的外因和进化的目的即内因。

①从生命特征来看：“生命是由核酸与蛋白质组成的、具有自我更新和自我复制能力的多分子体系。”[25]由于人工智能目前和可以预见的将来仍不具备生命所必需的特征，遗传和变异无从谈起，因此，缺少生命特征，就不具备进化的先决条件。

②从进化的外因来看：进化的外因是引起进化的必要条件。人工智能和外部环境的联系是通过人类间接来完成的，没有直接和外部环境紧密关系，无法纳入生物链，和别的种群无法关联。也就是说外部环境的变动对其不会产生直接的影响。人工智能作为相对独立于外部环境的非生命的东西显然不会对外界环境的变化产生相应的适应性变化。

③从进化的目的来看：进化的内因是进化的动力。当外因不能引起进化时，内因就成了唯一的动力了。但是，人工智能由于缺乏适应性进化，其内因也不具备。人工智能不会因为自己的需要而去特意的“用进废退”，其发展和升级取决于人类智能的价值取向。因此，人工智能不可能自己主动去完成“进化”。

（3）从唯物主义观点出发理性分析强AI

人工智能是人类智能的必要补充，但是人工智能与人类智能仍存在着本质的区别： ①人工智能系统是由一些电子管、晶体管、集成电路等电子元件和线路所组成的装置，系无意识的、机械的运动过程而不是主观能动的过程。它不具备世界观、人生观、情感、意志、兴趣、爱好等心理活动所构成的主观世界。而人类智能则是在人脑生理活动基础上产生的心理活动，使人形成一个主观世界。因此，人工智能系统与人脑虽然在信息的输入和输出的行为和功能上有共通之处，但在这方面两者的差别是十分明显的。从信息的输入看，同一件事，对于两个智能机具有相同的信息量，而对于两个不同的人从中获取的信息量却大不相同。“行家看门道，外行看热闹”就是这个道理。从信息的输出方面看，两台机器输出的同一信息，其信息量相等。而同一句话，对于饱于风霜的老人和天真幼稚的儿童，所说的意义却大不相同。

②人工智能在解决问题时，并不探求任务本身的含义，不会意识到这是什么问题，它有什么意义，它只是执行指令而不顾后果。电脑没有自觉性，是靠人的操作完成其机械的运行机能；而人脑智能，人的意识都有目的性，可控性，人脑的思维活动是自觉的，能动的。

③人工智能必须接受人的指令，按预定的程序或规则进行工作，所谓结论，只不过是输入程序和输入数据的逻辑结果。它不能自主地提出问题，创造性地解决问题，在遇到没有列入程序的“意外”情况时，就束手无策或中断工作。人工智能没有创造性。而人脑功能则能在反映规律的基础上，提出新概念，作出新判断，创造新事物，具有丰富的想象力和创造性。

④人工智能系统没有社会性。作为社会存在物的人，其脑功能是适应社会生活的需要而产生和发展的。人们的社会需要远远超出了直接生理需要的有限目的，是由社会的物质文明与精神文明的发展规律所决定的。因此，作为人脑功能的思维能力，是通过社会的教育和训练，通过对历史上积累下来的文化的吸收逐渐形成的。人的内心世界所以丰富多彩，是由于人的社会联系是丰富的和多方面的，人类智能具有社会性。所以要把人脑功能全面模拟下来，就需要再现人的思想发展的整个历史逻辑。这是无论多么“聪明”的人工智能系统都做不到的。随着科学技术的发展，思维模拟范围的不断扩大，电脑在功能上会不断向人脑接近。但从本质上看，它们之间只能是一条渐近线，它们之间的界限是不会清除的。模拟是近似而不能是等同，更不可能是超越。

（4）小结

塞尔通过“中文屋”实验指出，计算机在处理符号时只是根据一定的规则机械执行人制订的程序。整个操作过程不具有语义内容，它们也不涉及任何事物。它们只能纯粹按照形式的或语法的结构加以确定。数字计算机也正是因为这个特点而特别的强大。但程序运行的过程并不能理解为心理的过程，智能系统更不会因此产生心理，因为人心不仅仅是形式的或语法的过程，它是有内容的，它牵涉到环境、社会和文化等各个方面。

通过对进化论的分析，我们可以明确，人工智能并不具备进化的必要条件，即生命特征、进化的外因和内因。不能通过“进化”达到人类智能的水平。

通过辩证唯物主义观点的分析，我们可以清楚知道，人工智能与人类智能仍存在着本质的区别：它是机械的、物理的过程而不是生理的、心理的过程；它没有自觉性、目的性和主观能动性；它不具有想象力和创造性；它没有社会性。

综上所述，人工智能无法达到主张强AI的学者所描述的那样——不仅仅是实现人类智能的工具，而且事实上就等同于人类智能。

从总体上看，人工智能是人类意识自我认识的产物，是人类意识器官的延长，是人类在认识和改造世界的实践过程中智慧积累的结晶，人工智能的功能在局部领域已经大大的超越了人脑（如记忆的存储、计算的速度、动作的准确性等）。但在本质上、技术上它都不具备达到人类智能的客观条件。因此，人工智能研究的目标不能定位在设计制造达到甚至超过人类智能的强AI系统，只能在弱AI的框架中对人工智能进行研究。

（二）人工智能研究的技术路线探寻

在人工智能早期的研究取得一系列成果的鼓舞下，1958年就有人工智能专家预言：

进入八十年代将是全面实现人工智能的时代。然而人工智能研究的实践所给出的回答使人们的头脑逐渐冷静了下来。实际情况是从六十年代到七十年代人工智能取得的成果远远达不到专家们的期望。

哲学家休伯特·德雷福斯在1979年的《计算机不能做什么——人工智能的极限》一书中，提出了一些重要的和带有根本性的问题。他看到所有的人工智能基础研究进展都十分缓慢，他把这种进展缓慢看作是存在着不可逾越障碍的标志，而不是那种为克服困难取得成功之路上所应付出的正常代价。

德雷福斯把智能活动分成四类。第一类是刺激－反应，这是心理学家最的熟悉的领域，其中包括各种形式的初级联想型行为。第二类是帕斯卡的思维领域，它由概念世界而不是感知世界构成，问题完全形式化了，并完全可以计算。第三类是原则上可形式化而实际上无法驾驭的行为，称为复杂－形式化系统，包括那些实际上不能用穷举算法（象棋、围棋等）处理的，因而需要启发式程序的系统。第四类是那些非形式化的行为领域，包括有规律但无规则支持的、我们人类所有的日常活动。在该书最后一节，标题是人工智能的未来，提出了人与机器相结合的观点，他谈到以前巴希莱尔、奥·格尔和约翰·皮尔斯他们都主张采用可使计算机与人共生的系统，并强调了罗森布里斯在1962年一次学术会议上的观点“人同计算机一起能够完成谁也无法单独完成的事”。 [26] (P308)

该书的中文译本于1986年出版，校者马希文在校者的话中写道：“从应用上来看谈论人脑与计算机的彼此替代未免空泛、消极，不如研究使两者取长补短的人机共生系统。这样做，不只有实用意义，而且对于我们对思维的认识、对信息处理在思维中地位的认识将提供许多有启发性的实验资料。”[27] (P11)

在现实研究中，日本的第五代机的研制未达到预期的效果；中国的智能计算机计划也是类似的结果，可以说是对传统人工智能的又一次冲击。部分学者从实践中认识到，利用并发挥人的心智和计算机的高性能。把人和计算机相结合是正确的途径。换句话说，我们要研究的应当是是人与计算机结合的智能系统。[28]人机智能系统是人脑与电脑构成的统一体，是人与计算机各自完成自己最擅长的任务、优势互补的统一体。人机智能系统就是使智能计算机与人之间形成一种合作关系，系统的智能是人机合作的产物。在人机结合的智能系统中，不是把人排除在外，是要始终发挥人的主导作用。与思维科学和认知科学不同，人机结合系统研究的着重点在于人的智能与计算机的高性有两者的结合。构建人机结合的智能系统。思维科学着重研究思维的规律旨在建立人工智能的基础。认知科学着重于研究人的认知，并扩展为研究动物的智能及机器智能。

钱学森在1991年4月18日与他指导的科研集体中的部分成员做过如下一次总结性的谈话：“智能机是非常重要的，是国家大事，关系到下一个世纪我们国家的地位。如果在这个问题上有所突破，将能深远的影响。我们要研究的问题不是智能机，而是人与机器相结合的智能系统。不能把人排除在外，是一个人机智能系统。”谈话的内容还包括以下三点：第一，人的意识活动是很丰富的，包括自觉的意识、下意识，人是靠这些来认识世界

的。第二；为认识世界和改造世界，人始终发挥着主导作用，我们要研究的是人与机器相结合的智能系统；第三，现在还不可能很快实现这种人机智能系统，目前只能做些“妥协”，

[29] 实事求是，尽量开拓当前计算机的科学技术，使计算机尽可能多地帮助人来做些工作。

在众多科学家的努力下，人机结合研究也已经取得了一定的进展。其中一个生动例子是，2004年，美国布朗大学的科学家将96个电极植入一名四肢瘫痪的志愿患者马特.纳高的大脑，直达运动皮层——即大脑中处理有关运动信息的区域。与计算机绑定后，在一群技术人员的帮助下，纳高能够移动光标发出不同的指令——比如打开电子邮件或者关掉电视。

（三）人工智能研究的新方法探寻——机制主义研究方法

1、机制主义研究方法概述

在人工智能领域，符号主义采取的是一种还原主义思想，试图将人类的所有心智借助研究知识并将之概念化，抽象成规则，进行符号程序编写，以便在计算机中进行运作，以达到完成人类心智的机器化，它成功模拟了人类心智中逻辑思维等高级形式。而联结主义学派则表现出整体主义的研究方法，它建立在“人工神经网络”理论的基础上，通过底层网络中神经元个体的相互作用而表现出来的“涌现”来模拟人类心智。这种“涌现”既是一种整体的行为，同时强调个体神经元的行为与作用。[30]行为主义学派则认为，智能的产生无需知识和推理，它能通过刺激——反应从低级向高级逐步进化。

北京邮电大学钟义信教授则认为，虽然结构、功能、行为都是系统的重要属性，但是对于智能系统来说，真正能够揭示系统本质的，却是系统的“工作机制”。他由此提出了机制主义的研究方法。

机制主义研究方法关注的是智能生成的共性核心机制，即“信息—知识—智能的转换”。该理论认为，信息、知识、智能之间存在着本质的联系与区别：信息表现的是“事物运动的状态和状态变化的方式”；知识表现的是“事物运动的状态和状态变化的规律”，智能表现的是“利用抽象的知识和具体的信息，生成求解问题的策略，进而解决问题达到目标的能力”。 [31]

信息是具体的、表象的，而知识是抽象的本质的。首先，抽象的知识只能从具体的信息中提炼出来，信息也只有被抽象为知识才具有更大的价值。信息是原材料，知识是从信息提炼出来的抽象产物。其次，知识只是“事物运动状态及其变化规律”的表述，其本身并不能解决实际的问题。因此，面对具体的问题及其环境（约束条件），针对预期的目标，必须把知识激活成为求解问题的智能策略，进而再将智能策略转换为求解问题的智能行为，才能最终有效地解决实际问题。

任何智能的生成都遵循“信息—知识—智能”的转换的原则，只是转换的具体过程会随着问题的不同而有所不同；在某些相对简单的情况下，这个转换过程也可以有所简化。

在一般的情况下，由信息创建智能需要通过知识的桥梁，而知识本身又存在三种不同的形态：经验性知识、规范性知识和常识性知识。如果所使用的知识形态不同，那么由信

息提炼知识和把知识激活成智能的方法也就不同。如果所利用的知识是经验性知识，那么，联结主义倡导的人工神经网络的训练学习就可以成为由信息生成知识和把知识激活成为智能策略的有效方法；而如果所使用的知识是规范性知识，那么符号主义采用创建知识数据库和用逻辑推理的方法把知识激活成为智能策略就是一种不错的选择；如果所使用的知识是常识性知识，只要感知到了某种类型的输入信息，那么行为主义采取的按照常识直接选定而无需通过学习与推理的过程，也具有合理性。实际上，三种智能理论学派其实都遵循着同样的“智能生成机制”：首先由信息提炼知识，然后由知识激活智能。

按照机制主义的观点，智能创建的共性机制就是“由信息生成知识，，由知识激活智能”。因此，在机制主义的统一框架体系下，符号主义、联结主义和行为主义研究方法不再是排斥和竞争的关系，而是有机互补的关系。由此可见，机制主义研究方法是一种融合了还原论和整体论的研究方法，它既重视底层信息到知识的转换过程，又注重知识转换到智能策略进而生成智能行为的过程。

2、机制主义方法论探讨

（1）还原论指导思想的困境

在人工智能学派中，符号主义、行为主义学派是以还原论为指导思想的。还原论主张把高级运动形式还原为低级运动形式的一种哲学观点。它认为现实生活中的每一种现象都可看成是更低级、更基本的现象的集合体或组成物，因而可以用低级运动形式的规律代替高级运动形式的规律。还原论派生出来的方法论手段就是对研究对象不断进行分析，恢复其最原始的状态，化复杂为简单。科学哲学中还原论的著名代表为德国逻辑实证主义哲学家卡尔纳普。他应用还原论研究逻辑语言的分析问题，主张可以从直接观察到的物体来给一切科学理论下定义或进行解释，复杂的知识经验体系都可分解为简单的因素，科学规律等同于许多观察报告的组合。

20世纪前半期风靡美国的行为主义心理学也采用了还原论的立场。行为主义的创始人华生认为，心理学应以客观的、可观察的行为为研究对象，放弃对捉摸不定的主观心理状态或意识状态进行探讨。行为主义者眼中的“心理”就是有机体的肌肉收缩或腺体分泌，“心理学规律”就应用S-R联结对行为的不同描述。实际上行为主义者在反对“心理”存在的过程中早已把“心理”还原为物理-化学变化了，因此行为主义被讥笑为“没有头脑的心理学”。行为主义者在对本能、习惯、情绪、动机、语言、思维的解释中贯穿了还原论的基本观点。例如，华生认为，言语动作就像打球、游泳一样，只不过是喉头内部一组肌肉的协调动作；言语习惯只不过是动作习惯的缩短或代替，婴儿学习言语的过程和养成其他动作习惯的过程是一致的。对于思维，华生也把它归结为细小的肌肉运动。华生还原论的最终归宿必然是将心理等同于身体变化的心身同一论。

还原论者看到了事物不同层次间的联系，想从低级水平入手探索高级水平的规律，这种努力是可贵的。但是，低级水平与高级水平之间毕竟有质的区别，如果不考虑所研究对

象的特点，简单地用低级运动形式规律代替高级运动形式规律，那就会犯机械论的错误。在心理学研究中，面临的研究对象十分复杂，而研究方法又很不成熟，在某种程度上，对研究对象进行科学分解，在更适合的研究水平上进行研究，对提示心理学规律来说，不仅是可取的，而且是必需的。但这种分解必须考虑心理学科的特殊性，不能在分解中丢掉原有心理现象的特殊意义，而将生动丰富的心理现象变为毫无意义的元素的集合体。[32]

还原论的适用条件是事物间关系简单，因果明了，能够用精确的数学方式表述。这些条件在经典科学中得到充分满足，因而还原论也得以发展成熟。但在复杂性科学中，确定性不在了，而复杂性的表现也多种多样，如在混沌系统中，混沌就是复杂性；在热力学系统中，负熵就是复杂性；耗散系统中，涨落就是复杂性；生命系统中，不可逆就是复杂性；社会系统中，非线性就是复杂性；数学系统中，不确定就是复杂性。按照查德的互斥原理，一个系统愈复杂，其数学表述的精确性愈差，当复杂性超过某一临界值，其复杂性与描述的精确性将互斥。[33]

（2）整体论指导思想的不足

在人工智能学派中，联结主义学派是以整体论为指导思想的。整体论是一个用得很广的概念，它的基本含义仍然是亚里士多德早已提出的“整体大于其部分之和”观点，但由于它概括了20世纪科学革命和哲学发展的成果，与现代有机论、系统论、突现论、完形论、理性直观说等新学说相互渗透，使当代整体论的反还原主义特征和实用化的方法论主张得以彰显，极大地改变了几百年来西方科学文化的根基——牛顿—笛卡儿的自然观、知识论和科学范式。在这方面，美国哲学家蒯因(W.V.Quine )的知识整体论和本体论相对性学说的提出具有十分重大的意义。它不仅为以库恩为代表的科学哲学历史主义学派奠定了哲学基础，也是我们今天谈论科学形态的多元化，认为有可能存在以整体论和实用化方法为特征的第二次科学革命的理论依据所在。[34]

随着对还原论的研究和批判的深入，整体论逐渐兴盛起来。首先，系统科学提供了一种从整体出发思考和解决问题的观点，引导人们将事物视为一个有机的整体，充分考虑它所有的因素之间那种相互关联、不断变化的复杂关系。其次，整体论深入到现代科学许多的经典理论中，它们有很多种具体的形式，如：混沌学、结构主义、功能主义、进化论等等。在这些理论中整体论的思想发挥着重要作用，这也是当代科学技术发展的一个基本特征。但是，在整体论发展的过程中，其局限性也日渐凸现。

上世纪50年代，蒯因从分析哲学的角度对整体论有所发展，其思想与更早一些的比利时物理学家杜桓的观点非常一致，被合称为“杜恒——蒯因论题”。这一论题主要关注知识的整体主义。蒯因认为，任何一个陈述、哪怕是经验陈述都不可以独立为真。人们的观察材料不能用来单个地检验科学假设，而只能检验科学假设的整个体系。蒯因的结论是，经验证实或证伪的是一个整体而不是单个的假设。这一结论后来招致了广泛的驳斥，批评者说蒯因将整体论无限泛化，造成了整体论的极端化。[35]

贝塔朗菲把一般系统论界定为关于整体性的科学，把整体性界定为一种“涌现的”性

质。系统研究的首要任务集就是阐明整体为何大于部分之和，然后制定描述大于部分之和的整体性质（即涌现性）的方法。为解决这一问题，贝塔朗菲首先提出“涌现”概念。至于什么是涌现？涌现的如何运作？能否用数学工具描述？如何利用计算机进行模拟？等等问题，可以说都还没有定论。中西方的很多权威，通过长时间的探讨之后都深感困惑。霍兰(JohnHolland)在《涌现》一书中，则视之为建立涌现论科学的心理障碍。但在同一本书中，霍兰本人也不得不承认：“我们对于涌现的探究还远远不够，即使我自己，对涌现的认识也很贫乏”。[36]生命科学中的“生命力”和按照细胞结构模式进行组织所带来的涌现性同样难以解释， “生命现象如此，一切涌现现象都如此，遗憾的是对于这些都无法给出确切描述。在涌现现象大量不同的例子中，隐藏其间的那些意外出现的新奇事物的虚假轨迹，给我们分离涌现现象的基本要素造成了许多困难”。[37] (P12)

此外，苏联哲学家瓦·尼·萨多夫斯基提出“整体性悖论”，即把给定系统描述为某种整体性的任务，只有在解决了把该系统以“整体性的方式”划分为部分的任务之后才能解决；而以“整体性的方式”把该系统划分为部分的任务，只有在解决了把该系统描述为某种整体性的任务之后才能解决。[38]如果不解决整体性悖论，就无法对整体进行有效的把握与调控，更谈不到利用整体论对现代科学研究去进行有效的功能模拟。

由此，我们可以得出，整体论的局限性即在于其过于强调整体，对部分与个体的自由有所忽略。整体论对事物的处理，大方向是对的，但是因为不注重了解细节，这样的处理则会是带有主观主义和经验主义的成分。这些不足，在有些情况下可能对事物的处理没有明显错误的影响，这是好的结果，但是，一定会有某一些情况，这些不足对事物的处理有明显错误的影响，这是不好的结果。

（3）小结

系统科学的产生和发展历程表明：“不要还原论不行，只要还原论也不行；不要整体论不行，只要整体论也不行。不还原到元素层次，不了解局部的精细结构，我们对系统整体的认识只能是直观的、猜测性的、笼统的，缺乏科学性。没有整体观点，我们对事物的认识只能是零碎的，只见树木，不见森林，不能从整体上把握事物，解决问题。科学的态度是把还原论与整体论结合起来。”[39] (P36)系统科学的使命在于将还原论和整体论取长补短，进而实现还原论与整体论的统一。按钱学森的观点就是：“还原论是不行的，但是不要还原论去考虑整体也不行；西方的东西，大概还原论的观点是比较多的，而中国的整体观是比较多的；任何一个方面都有片面性，一定要综合，用辩证法”。[40]用辩证法就是指在进行科学研究和探索工作中，应以全面的、联系的、发展的观点看问题。任何事物的发展都是不断地自我完善与发展的过程，同时这一过程是由一系列存在着内在联系的阶段性过程的统一。由于事物发展的复杂性、曲折性，对还原论与整体论实行在“辩证否定”基础上的有机结合，也是科学发展的必然趋势。

近代西方科学以还原论为指导思想，充分发展了逻辑分析与实验方法，取得巨大成就。但在面对诸如宇宙、地球、生物体和人类社会这样复杂且需要整体考察的对象时，便显露

出了局限性。系统论尤其是随后陆续出现的以复杂性研究为核心内容的系统科学群，开始了向整体论的转移。在中国与西方的科学传统中，均有整体论存在，西方古典整体论始于希腊的爱利亚学派和毕达哥拉斯学派，但没有充分发展，西方自然哲学的主流最终偏向了还原论；而中国古典整体论自先秦道家和阴阳家成型起，一直是中国自然哲学的主流，保持至今未有大的变化。尽管还原论方法在以物理学为背景的简单系统研究中取得不少进展，但随着系统科学的深化，它在以社会科学与生命科学为背景的系统研究中有明显不足，于是引入整体论，建立与还原论有机结合，适用于复杂系统研究的新理念、新方法便成为学术界的普遍诉求。

鉴于脑的功能是成千上万具有不同专门功能的子系统协作的结果，人类智能的本质不可能归结为几个像波函数或运动学三定律那样规整、简洁、漂亮的基本原理，人工智能也很难以单一的理论向前发展，而机制主义将符号主义、联结主义和行为主义的优势进行互补，实现有机统一，同时融合还原论和整体论的研究策略不失为人工智能研究的一种有效的新方法。

3、对机制主义研究方法硬件支持的探讨

工欲善其事，必先利其器，如果离开了强有力的硬件支持，再好的理念和程序设计也难以实现。传统的人工智能研究学派，都是以冯·诺依曼结构的计算机为技术支持的。冯·诺依曼结构的计算机优势在于高速的数值计算能力，以往的信息处理系统只能处理条理清晰、经络分明的数据，而人的大脑却具有能处理支离破碎、含糊不清信息的灵活性，因而人工智能研究的进一步发展需要新一代较大程度上类似人脑的智慧和灵活性计算机，需要探索全新的计算机技术。目前世界上处于研究热点的，被众多科学家寄予厚望，代表着面向未来的计算机主要有三类，分别是：光子计算机、生物计算机和量子计算机。

光子计算机以光子作为传递信息的载体，光互连代替导线互连，以光硬件代替电子硬件，以光运算代替电运算，利用激光来传送信号，并由光导纤维与各种光学元件等构成集成光路，从而进行数据运算、传输和存储。光子计算机将使运算速度在目前基础上呈指数上升。但目前这类计算机还处于实验阶段。

量子计算机是根据原子或原子核所具有的量子学特性来工作，运用量子信息学，基于量子效应构建的一个完全以量子位（量子比特）为基础的计算机。它利用一种链状分子聚合物的特性来表示开与关的状态，利用激光脉冲来改变分子的状态，使信息沿着聚合物移动，从而进行运算。虽然世界各地的许多实验室正在以巨大的热情追寻着这个梦想，但是迄今为止，世界上还没有真正意义上的量子计算机。

相对而言，生物计算机研究更为实际。生物计算机主要是以生物电子元件构建的计算机。它利用蛋白质有开关特性，用生物工程技术产生蛋白质分子，并以它们做元件制成集成电路一也就是生物芯片。生物芯片本身具有天然独特的立体化结构，其密度要比平面型的硅集成电路高5个数量级，因此生物元件比硅芯片上的电子元件要小很多，甚至可以小

到几十亿分之一米。此外，由于生物具有自我修复功能，生物芯片一旦出现故障，不需要人工修理也可以进行自我修复。所以，生物计算机具有“半永久性”和很高的可靠性。再者，生物计算机的元件是由有机分子组成的生物化学元件，它们是利用化学反应工作的，所以，只需要很少的能量就可以工作了。因此，不会像电子计算机那样，工作一段时间后，机体会发热，而且它的电路间也没有信号干扰。

生物计算机目前主要有以下几类：①生物分子或超分子芯片。其立足于传统计算机模式，从寻找高效、体微的电子信息载体及信息传递体入手，目前已对生物体内的小分子、大分子、超分子生物芯片的结构与功能做了大量的研究与开发。“生物化学电路”即属于此。②自动机模型。以自动理论为基础，致力于寻找新的计算机模式，特别是特殊用途的非数值计算机模式。目前研究的热点集中在基本生物现象的类比，如神经网络、免疫网络、细胞自动机等。不同自动机的区别主要是网络内部连接的差异，其基本特征是集体计算，又称集体主义，在非数值计算、模拟、识别方面有极大的潜力。神经计算机属于此类。③仿生算法。以生物智能为基础，用仿生的观念致力于寻找新的算法模式，虽然类似于自动机思想，但立足点在算法上，不追求硬件上的变化。④生物化学反应算法。立足于可控的生物化学反应或反应系统，利用小容积内同类分子高拷贝数的优势，追求运算的高度并行化，从而提高运算的效率。DNA计算机属于此类。

接下来主要介绍属于自动机模型一类的神经计算机。神经计算机具有模仿人的大脑判断能力和适应能力、可并行处理多种数据，可以判断对象的性质与状态，并能采取相应的行动，而且可同时并行处理实时变化的大量数据，并引出结论。用许多微处理机模仿人脑的神经元结构，采用大量的并行分布式网络就构成了神经电脑。神经电脑除有许多处理器外，还有类似神经的节点，每个节点与许多点相连。若把每一步运算分配给每台微处理器，它们同时运算，其信息处理速度会大大提高。神经电子计算机的信息不是存在存储器中，而是存储在神经元之间的联络网中。若有节点断裂，电脑仍有重建资料的能力，它还具有联想记忆、视觉和声音识别能力。

在按形式化方法逻辑推理和进行精确数值计算的场合，当前高速数字计算机已经能够显示出巨大的威力，而在智能型的信息处理，如模式识别、模糊处理、自适应控制和组合优化等方面，神经计算机将发挥它独特的优越性。[41]( P51-59)

神经计算机着重于模仿人类大脑的模糊处理功能、并行化处理功能和模式识别功能，而传统的冯.诺依曼型计算机则着重与高速的运算能力。二者通过有机结合而产生的新一代计算机，将可以为机制主义研究方法提供强有力的硬件支持，同时也更能充分发挥模拟人脑和高速计算机各自的优势。可以预见，冯.诺依曼机和神经计算机相结合而诞生的新一代计算机，将会把人工智能的乃至更大范围的科学和技术推向新的高峰。

结 语

人工智能研究走过了半个多世纪的路程，在探索的路上，科学家们不断开拓创新，沿着不同的路径不懈前行，然而人工智能的三大主流学派——符号主义学派、联结主义学派和行为主义学派在取得令人鼓舞的成果的同时，也面各自临着不同的困境。

本文首先对人工智能的发展历史以及人工智能三大主流学派的发展历程，所取得的成果以及面临的困难进行深入分析，从而得出以下结论：以单纯的还原论为指导思想的符号主义、行为主义研究方法和以单纯的整体论为指导思想的联结主义研究方法都不可避免地存在局限性和片面性，而不能正确认识人工智能发展的目标也会导致人工智能研究走进类似“永动机”的死胡同。因此，应当认识到，人工智能是人类改造世界和延展自身智能的工具，不奢望制造达到甚至超过人类智能的人工智能系统。在弱AI的框架内，在“人机结合”技术路线的指引下，运用整体论和还原论相结合的机制主义研究方法，采用神经计算机与传统的冯·诺依曼计算机结合的模拟人脑功能的新系统，将有可能使人工智能的研究突破目前的困境，走上一条崭新的道路。

注 释：

[1] 金聪、戴上平、郭京蕾、张维，人工智能教程[M].北京：清华大学出版社，2007.

[2] 金聪、戴上平、郭京蕾、张维，人工智能教程[M].北京：清华大学出版社，2007.

[3] 金聪、戴上平、郭京蕾、张维，人工智能教程[M].北京：清华大学出版社，2007.

[4] 金聪、戴上平、郭京蕾、张维，人工智能教程[M].北京：清华大学出版社，2007.

[5] 金聪、戴上平、郭京蕾、张维，人工智能教程[M].北京：清华大学出版社，2007.

[6] 黄伟，聂东，陈英俊，人工智能研究的主要学派及特点[J].赣南师范学院学报，2001

（2）．

[7] 约翰.沃生著，李维译，行为主义[M].杭州：浙江教育出版社，1998，P56.

[8] 金聪、戴上平、郭京蕾、张维，人工智能教程[M].北京：清华大学出版社，2007.

[9] 金聪、戴上平、郭京蕾、张维，人工智能教程[M].北京：清华大学出版社，2007.

[10] 金聪、戴上平、郭京蕾、张维，人工智能教程[M].北京：清华大学出版社，2007.

[11] Guha，Lenat. Cyc：A Midterm Report [J] . AI Magzine，Fall，1990 (33)，P33-59.

[12] 王丽慧，常识知识表示：通向“人工智能”的途径，自然辩证法研究[J].2007(8)，P39

[13] 《21世纪初科学技术发展趋势》编写组，21世纪初科学技术发展趋势[M].北京：科学出版社，1996，P108，314.

[14] 崔鑫，人工智能研究纲领的困境和走向，硕士学位论文，南京航空航天大学.

[15] 刘雅嫦、邹莉，机器翻译的进展与问题研究，科技信息[J].2008（14），P290

[16] 曾向阳，行为主义的哲学困境透视，自然辩证法通讯[J].1999（4）

[17] 约翰·H·霍兰著，周晓牧，韩晖译，隐秩序：适应性造就复杂性[M].上海：上海科技教育出版社，2000

[18] 约翰·H·霍兰著，周晓牧，韩晖译，隐秩序：适应性造就复杂性[M].上海：上海科技教育出版社，2000

[19] 王迪兴，准信息系统论与智能计算机[M].北京：长征出版社，2004，P26.

[20] 曾向阳，行为主义的哲学困境透视，自然辩证法通讯[J].1999（4）

[21] 郭强. 我的知识经济观[ M] . 中国经济出版社，1999. P13 - 16.

[22] 王宝斡，神经网络理论与神经计算机研究进展，生物物理学报[J].1989（3），P97-106.

[23] 杨晓帆、陈廷槐，人工神经网络固有的优点和缺点，计算机科学[J].1994(4)，P23

[24] 李难，进化论教程[M].北京：高等教育出版社，1990

[25] 李难，进化论教程[M].北京：高等教育出版社，1990

[26] 休伯特.徳雷福斯著，计算机不能做什么[M].北京：三联书店，1986，P308

[27] 休伯特.徳雷福斯著，计算机不能做什么[M].北京：三联书店，1986，P308

[28] 戴汝为，开辟人机结合的新天地，电子出版[J].2004（8）

[29] 戴汝为，开辟人机结合的新天地，电子出版[J].2004（8）

[30] 崔鑫，人工智能研究纲领的困境和走向，硕士学位论文，南京航空航天大学.

[31] 钟义信，机制主义：人工智能的统一理论，北京邮电大学学报 [J].2006(6).

[32] 郭垒，现代自主论和还原论的各自困境，科学技术与辩证法[J].1997(4)

[33] 高隆昌，数学及其认识 [M] . 北京：高等教育出版社，2001

[34] 肖显静，段伟文，刘劲杨，科学研究的新路径——整体论，光明日报[J].2007(07)

[35] 李习彬，汤敏轩，整体论的局限与总体论的突破[J]. 湖南师范大学社会科学学报2004(7)

[36] 约翰·霍兰著，陈禹等译，涌现：从混沌到有序[M].上海：上海科学技术出版社，2006，P175.

[37] 约翰·H·霍兰著，周晓牧，韩晖译，隐秩序：适应性造就复杂性[M].上海：上海科技教育出版社，2000

[38] 曾永寿，系统之谜[M].北京：中国商业出版社，2002，P3-5.

[39] 许国志，系统科学[M].上海：上海科技教育出版社，2000，70.

[40] 钱学森，论人体科学与现代科技[M].上海：上海交通大学出版社，1998，P173.

[41] 靳蕃，神经网络与神经计算机的基本原理和应用，计算机应用[J].1991(3)

参考文献：

一、著作类：

[1] 金聪、戴上平、郭京蕾、张维，人工智能教程[M].北京：清华大学出版社，2007.

[2] 约翰.沃生著，李维译，行为主义[M].杭州：浙江教育出版社，1998，P56.

[3] 《21世纪初科学技术发展趋势》编写组，21世纪初科学技术发展趋势[M].北京：科学出版社，1996.

[4] 约翰·H·霍兰著，周晓牧、韩晖译，隐秩序：适应性造就复杂性[M].上海：上海科技教育出版社，2000

[5] 王迪兴，准信息系统论与智能计算机[M].北京：长征出版社，2004.

[6] 郭强. 我的知识经济观[ M] . 中国经济出版社，1999.

[7] 李难，进化论教程[M].北京：高等教育出版社，1990.

[8] 休伯特.徳雷福斯著，计算机不能做什么[M].北京：三联书店，1986.

[9] 高隆昌，数学及其认识 [M] . 北京：高等教育出版社，2001.

[10] 约翰·霍兰著，陈禹等译，涌现：从混沌到有序[M].上海：上海科学技术出版社，2006.

[11] 曾永寿，系统之谜[M].北京：中国商业出版社，2002.

[12] 许国志，系统科学[M].上海：上海科技教育出版社，2000.

[13] 钱学森，论人体科学与现代科技[M].上海：上海交通大学出版社，1998.

[14] 杰夫.霍金斯，贺俊等译，人工智能的未来，[M].西安：陕西科学技术出版社，2006.

[15] 吴文俊.王者之路———机器证明及其应用[M].长沙：湖南科技出版社，1999年.

[16] 玛格丽特.博登著，刘西瑞、王汗琦译，人工智能哲学[M].上海：上海译文出版社，2001.

[17] 库恩著，金吾伦/胡新和译，科学革命的结构[M].北京大学出版，2003年.

[18] 周昌乐，无心的机器[M].长沙：湖南科技出版社，2000年.

[19] 维纳著， 郝季仁译，控制论[M].科学出版社，1985年.

[20] 钱学森，关于思维科学[M].上海：上海人民出版社，1986.年

[21] 李难，进化论教程[M].北京：高等教育出版社；1990年.

[22] 弗里德曼著，张陌，王芳博译，制脑者：创造堪与人脑匹敌的智能[M].北京：三联书店，2001.

[23] 董新华，人工智能的挑战[M].广西：广西人民出版社，1989.

[24] 涂序彦编，人工智能：回顾与展望[M].北京：科学出版社，2006.

[25] 查尔默斯著，查汝强等译，科学究竟是什么? [M ].北京:商务印书馆，1982.

二、论文类

[1] Guha，Lenat. Cyc：A Midterm Report [J] . AI Magzine，Fall，1990 (33)，P33-59.

[2] 王丽慧，常识知识表示：通向“人工智能”的途径，自然辩证法研究[J].2007(8)

[3] 刘雅嫦、邹莉，机器翻译的进展与问题研究，科技信息[J].2008（14）

[4] 崔鑫，人工智能研究纲领的困境和走向[D].南京，南京航空航天大学.

[5] 曾向阳，行为主义的哲学困境透视，自然辩证法通讯[J].1999（4）

[6] 黄伟，聂东，陈英俊，人工智能研究的主要学派及特点[J].赣南师范学院学报，2001（2）

[7] 王宝斡，神经网络理论与神经计算机研究进展，生物物理学报[J].1989（3）

[8] 杨晓帆、陈廷槐，人工神经网络固有的优点和缺点，计算机科学[J].1994(4)，P23

[9] 戴汝为，开辟人机结合的新天地，电子出版[J].2004（8）

[10] 贾林祥，试论新联结主义的方法论，南京师大学报(社会科学版)[J].2004(2)，92-96.

[11] 郭垒，现代自主论和还原论的各自困境，科学技术与辩证法[J].1997(4)

[12] 肖显静，段伟文，刘劲杨，科学研究的新路径——整体论，光明日报[J].2007(07)

[13] 李习彬，汤敏轩，整体论的局限与总体论的突破[J]. 湖南师范大学社会科学学报2004(7)

[14] 肖静宁，裂脑研究与思维方式互补，人文杂志[J].1991（3），1-7.

[15] 靳蕃，神经网络与神经计算机的基本原理和应用，计算机应用[J].1991(3)

[16] 刘西瑞,王汉琦，人工智能中的形式化问题 [J].自然辩证法研究,2002(4).

[17] 刘长林，论信息的哲学本性[J].中国社会科学，1985(2).

[18] 童天湘，人工智能与第N代计算[J].哲学研究，1985(5).

[19] 乌锟等，关于信息论研究中几个问题的探讨[J].社会科学评论,1986(1).

[20] 路高，人工智能的困境与自组织思维方法[J].北京师范大学学报,1990(5).

[21] 杜雄柏，人工智能问题的认识论分析[J].湘潭大学学报 (哲学社会科学版)，1999(3).

[22] 郝宁湘，对信息本质的分析和认识[J].青海社会科学,1989(5).

[23] 钱俊生，人工智能问题的哲学分析[J].理论月刊,1985(4).

[24] 周荫祖，控制论的哲学意义[J].中州学刊,1986(1).

[25] 毛华滨，高新民，从意向性看人工智能的发展方向[J].科学技术与辩证法，2005(10).

[26] 钱铁云，人工智能是否可以超越人类智能?[J].科学技术与辩证法,2004(5).

[27] 孙鹏文，赵永红，富秀荣，浅析人工智能和人类智能的关系[J].内蒙古工业大学学报（人文社科版）1999(5).

[28] 郦全民，人工智能中的达尔文主义[J].自然辩证法研究1998(7).

[29] 康兰波，论人工智能的哲学意蕴含[J].重庆大学学报，2002(7).

[30] 陈庆霞，人工智能研究纲领的发展历程和前景[J].科技信息，2008(33).

[31] 王培，Artificial General Intelligence: a GentleIntroduction [J].心智与计算，2007(2).

[32] 钟义信，机制主义—人工智能的统一理论[J].电子学报，2006(2)

[33] 钟义信，论“信息-知识-智能转换规律” [J].北京邮电大学学报，2007(1)

[34] 钟义信，人工智能理论——从分立到统一的奥秘[J].北京邮电大学学报，2006(3)

[35] 钟义信，探索信息-生命交叉科学的奥秘——“信息-知识-智能统一理论”的研究[J].科学中国人，2003(7)

[36] 刘晓力，认知科学研究纲领的困境与走向[J].中国社会科学，2003(1)

[37] 刘晓力，数学是不可完全的——哥德尔的哲学手稿[J].自然辩证法研究,1998(4)

致 谢

转眼间，紧张而充实的三年求学时间过去了。回首这段美好的时光，我想，我将永生难以忘怀。恩师的谆谆教诲，同窗的手足之谊，将会成为我人生的宝贵财富。

在求学的过程中，我尽自己的努力去学习，但终因自己资质愚钝，能力有限，论文仍显粗糙，深感辜负了恩师的期望，惭愧非常。

在此，我要深深感谢我的导师胡新和教授。从本论文的选题到论文的批改，恩师不辞辛劳，仔细审阅，严格把关。最令我感动的是，在论文初稿的审阅中，恩师逐字逐句批阅，甚至连每个词句的斟酌和每个标点符号的错误都为我一一标注出来，治学态度之严谨，让我自愧弗如，感激之情，更是难以言表。

此外，还要感谢我的老师黄瑞雄教授，在求学的过程中，他不但交给我学习的方法，治学的态度，更教给我做人的道理，让我获益匪浅。

感谢林春逸教授、尹鑫教授、吴国萍教授、谢林诚主席、苏平富教授、李恩来教授、吴全兰教授等对我的指导。

此外，论文写作过程中，参照了许多前辈的研究成果，在此也一并致谢！

感谢师兄张浩、吴振宇、王飞，师姐甘霞，姚丽华等为我的论文提出建设性的建议。 感谢我的同学金云亮、毛献峰、崔素娟、潘娟等等对我的关心和帮助！

韦淋元

2009 年4 月于桂林

广西师范大学 硕士学位论文 人工智能发展的困境和出路 姓名：韦淋元 申请学位级别：硕士 专业：科学技术哲学 指导教师：胡新和 20090401 人工智能发展的困境和出路 姓 名：韦淋元 指导教师：胡新和 教授 专 业：科学技术哲学 研究方向：科学技术…

广西师范大学 硕士学位论文 人工智能发展的困境和出路 姓名：韦淋元 申请学位级别：硕士 专业：科学技术哲学 指导教师：胡新和 20090401 人工智能发展的困境和出路 姓 名：韦淋元 指导教师：胡新和 教授 专 业：科学技术哲学 研究方向：科学技术…

广西师范大学 硕士学位论文 人工智能发展的困境和出路 姓名：韦淋元 申请学位级别：硕士 专业：科学技术哲学 指导教师：胡新和 20090401 人工智能发展的困境和出路 姓 名：韦淋元 指导教师：胡新和 教授 专 业：科学技术哲学 研究方向：科学技术…

>> 查看更多相关文档

  本文关键词：人工智能发展的困境和出路，由笔耕文化传播整理发布。