一、什么是智能?

機器人能看到實體，所以大家并不陌生。但是人工智能對于大眾來講卻一直是一個很玄幻的概念，而且針對人工智能，很多謬誤也遍地開花。

所以，我就從一個基礎的角度講講人工智能到底是什么，把它從一個看似遙不可及的概念拉回到一個我們人人都能理解的層次。

“智人”，生物學分類中人屬的一個“種”，地球上現今全體人類的一個共有名稱，說的也就是我們自己。我們用“智能”作為和其他生物劃清界限的一個重要指標。

那到底什么是智能?

智能是我們所具有的基于神經器官一種高級的綜合能力，它包含有感知、知識、記憶、理解、聯想、情感、邏輯、分析、判斷、決定等多種能力，它是一種可以使我們做出導致成功的決策的能力。所以從字面上理解，人工智能自然就是由人工制造出來的系統所表現出來的一種智能。但是，真實的人工智能并不像我們字面上看到的這么簡單。

因為我們在研究人工智能的過程中，并不只是單單想制造出來一種機器或者一段程序，他的表現“看起來”像人一樣，因為我們自身也并非一種完美的存在，我們也有自己的不足和缺陷，所以我們要追求的人工智能需要從以下四個維度去定義。

先把圖放上：

在上圖的四種定義中，頂部的定義關注思維過程與推理，底部定義強調行為;左側的定義根據與人類表現的逼真度來權衡，右側的定義依靠合理性的理想的表現量來衡量。而合理的定義就是如果一個系統可以基于已知條件做正確的事情那么它就是合理的。

下面我們對這四種定義進行詳細敘述。

1、 像人一樣思考

如果我們說某個程序能像人一樣思考，那么我們必須找一個辦法來確定人是如何思考的，但是十分遺憾地說，目前并沒有一個十分有效的辦法來找出我們人類的思維方式。

所以我們到底是如何思考的至今仍然是一個待解的謎題。

雖然是個難題，但是我們也在試圖通過我們可以想到的辦法來解決它，一個是通過對人類思維行為的觀察和實驗，一個是對我們的大腦進行觀察與試驗，而對大腦解密也是聞名世界的人類大腦計劃(Human Brain Project, HBP)想要解決的一個子問題。

在第一種辦法中，我們可以通過兩項任務來完成：

一個是通過內省，也就是我們通過對自己思維過程的捕捉、回顧和思考來獲得我們自身的思維過程;

另一個便是通過心理實驗，也就是觀察工作和進行思維活動的人，我們通過對被觀察人的行為以及行為所表現出的特征，通過心理學等學科的方法，來逆向推測人類的思維活動。

但是我們很容易發現，這種方法中的兩項任務都具有很大的主觀性。所以這種方法遇到困難后人們就自然想繞過“心理”這個層面，直接對我們的大腦進行研究，所以我們的目標又投向了神經生理學以及神經信息學。只有具備了人腦足夠精確的理論，我們才能把這樣的理論表示成計算機程序。

人類大腦計劃的目標是利用現代化信息工具，將大量、不同層次的有關腦的研究數據分析、處理、整合與建模，建立神經信息學數據庫和有關神經系統所有數據的全球知識管理系統，以便從分子水平到整體系統水平研究、認識、保護、開發大腦。

大腦如何思維一直是困擾人類的一個問題。人類的“智能”正是來自人類極其復雜的大腦。在過去的六億年中，生物體通過進化產生出由大量神經元相互聯結而形成的神經網絡，解決了在不斷變化的復雜環境中人腦如何處理各種復雜信息的問題。

尤其是人的高級認知功能的高度發展，使得人類成為萬物之首，具備了主宰世界的能力。由于人腦的結構和功能極其復雜，所以我們需要從分子、細胞、系統、全腦和行為等不同層次進行研究和整合，才有可能揭示其奧秘。

2、像人一樣行動

如果說像人一樣思考說的是把模仿人的內部智能思維過程定義為人工智能，那么像人一樣行動則說的是把模仿人類智能外在表現稱為了人工智能。

值得注意的是，這種模仿并不是一種物理模擬。如果嚴格地說，要想讓一個機器能在“像人一樣行動”這個維度具有智能，他需要的能力包括：自然語言處理，知識表示，自動推理，機器學習，計算機視覺以及機器人學。說了這么多理論的東西，我們來舉一個具體的例子。

我們先設定一種情況：

假設在你面前站著一個黑衣人，他渾身都裹著一層布，所以你并不知道他是真正的人還是什么東西。就在這時你問了他一個問題：什么事情iPad能做，但是iPhone卻不能做?他思考片刻回答道：燜住方便面桶。說完，默默地拿起iPad就把你剛剛泡上的方便面用iPad蓋上了。這個時候再問你，你覺得他是一個真實的人類還是一種機器?

于是你陷入了沉思，這貨不論是從問題回答的正確性以及行為動作而言根本看不出有什么漏洞，而且竟然還會機智地說段子，然后你承認你無法判斷。

例子講完了，其實剛才那個過程就是所謂的圖靈測試的生動版。

人類的大腦能學習幾乎所有東西，比如兩三歲的孩子已經能夠掌握至少一門的語言、能從極其復雜的環境中一眼認出父母，不管他們的站姿和表情。但這與人工智能相距甚遠，更不用說搞清楚“智力”這種玄乎的東西了。

3、合理地思考

雖然我們人類的智能是偉大的，但是盡管如此，我們仍然需要面對一個十分嚴酷的結論，我們人類并不是完美的。而在追求完美的路上，我們遇到了人工智能，所以我們是將人工智能向人的方向發展還是向更加完美、在一定程度上已經脫離了人這個本體的方向來發展，這也是我們如何定義人工智能的一個重要議題。

所以在討論了“像人一樣”的話題后，我們要開始談論“合理地”這個話題了。上面已經對什么是合理進行了說明，即如果一個系統可以基于已知條件做正確的事情那么它就是合理的。

希臘的哲學家亞里士多德是首先識圖嚴格定義“正確思考”的人之一，他將其定義為不可反駁的推理過程。他提出的三段論為在給定正確前提時總產生正確結論的論證結構提出了模式，這就是三段論推理模式。

三段論推理說的是這樣一種簡單判斷推理，它包含兩個直言命題構成的前提，和一個直言命題構成的結論。一個正確的三段論有且僅有三個詞項，其中聯系大小前提的詞項叫中項，在前提中出現兩次;出現在大前提中，又在結論中做謂項的詞項叫大項;出現在小前提中，又在結論中做主項的詞項叫小項。

概念有點復雜，我們舉一個例子：牛有四條腿，奶牛是牛，所以奶牛有四條腿，這便是三段論。

這些先賢認為這些思維法則正是支配頭腦運行的基本法則，并且開創了被稱為邏輯學的領域，而且19世紀的邏輯學家門為了世上各種對象以及對象之間關系的陳述制訂了一種精確的表示法。

從表面上看這種表示法似乎距離我們所說的人工智能又近了一步，但是遺憾的是，這種方法卻存在著很大的兩處缺陷：

一個就是由于這種表示法為了精確表達各種對象之間的關系所以必須做到事無巨細，但是這就導致了，有些稍微復雜的問題，他們之間的邏輯表示可能要幾百上千條，但是電腦的運行資源是有限的，可能在求解一個只有幾百條事實的問題就已經耗盡任何計算機的資源。

其實人工智能自1947年圖靈在倫敦數學學會真正提出來之后的將近70年的時間里，人工智能經歷了很長一段的瓶頸期，直到現在才又重新蓬勃發展起來，邏輯學的這種思路正是一個重要原因。

也就是，人們總是希望創造或者用規則復現出一種合理推理的“規則”，然后讓計算機照著這種規則來運行，但是問題就在這里：

一方面這種規則的制定并不是一件容易的事情，他需要的人力以及智力都遠遠超乎想象，況且世界上那么多需要“列舉”的規則，能列舉的完嗎。

另一方面即使列舉出了這些規則，但是要想將這些規則描述為計算機程序，龐大的計算量也并不是計算機所能承載的，更況且是幾十年前的計算機，所以這也是一大缺陷。

另一個大的缺陷就是，在我們這個世界上，并不是所有的關系都是確定的，而且真正的事實是，大部分的關系都不能真正用邏輯來表示。

凡此種種，我們都不能用一個“百分之百”的知識來表示，這也是人工智能瓶頸期的重要制約因素，這也是為什么隨著機器學習等優秀的處理概率事件的方法面市后人工智能得到飛速發展的一個重要原因。

4、合理地行動

為了說明行動這個具有行為要素的概念，我們需要引入一個叫Agent的概念，它是一種能夠行動的東西。

我們平時所說的機器人只是Agent的一種表現形式，會寫新聞稿的那段程序也是Agent的一種表現形式。所以合理Agent是一個為了實現最佳結果，或者當存在不確定性時，為了實現最佳期望結果而行動的Agent。

總體來看，“合理的行動”相對于“像人一樣”避免了人類思維和行動上的缺陷，也避免了“合理地思考”的局限性，故合理Agent可以看做是對人工智能最好的一種逼近。

在實現人工智能“思維法則”的途徑中，一個很重要的部分就是正確地推理，而且做出正確的推理也是合理Agent的重要組成部分——因為合理行動的一種方法就是邏輯地推理出給定行動將實現其目標的結論，然后遵照這個結論進行行動。

但是在這里需要注意的一點是，正確的推理只能是合理性的一部分，因為有些事情是合理的，但是它并不需要推理，正確推理是合理性的充分不必要條件。

例如手被火苗燙了一下，縮手就是一種反射行為，并且這也是一種合理行動，但是我們不能說這里面涉及了推理，而且這種行為比仔細考慮后采取的較慢的行為更成功。

合理Agent這個維度的定義與以上三種維度定義主要有兩大優點：

第一點是合理地行動比合理地思考具有更加普遍的適用性。

因為它允許“可能性”這種機制的存在，當我們遇到一個沒有 “百分之百”的決策的時候，我們可以通過先驗概率和后驗概率，得出一個實現最佳期望結果的決策。這樣，我們世界中基本上所有的事情就都可以通過這種方法而使Agent有所行動了。

第二點就是這種途徑比“像人一樣”，即基于人類行為或者人類思維的途徑更經得起科學發展的檢驗。

合理性的標準在數學上定義十分明確而且完全通用，所以這種情況就完全避免了人的主觀性，這種合理性是可以通過科學方法驗證能夠實現的，“能被客觀證明”這種特質也是“合理地行動”這個維度定義的一大優點。

小結

雖然第四種維度的定義普遍被認為是對人工智能的一種很好的逼近，但是如果把一個合理Agent放到一個十分復雜的環境中，由于環境參數巨大，決策難度和復雜度都超過了計算的限度。

這個時候，如果我們還想要實現完美的合理化，即總做正確的事情，恐怕這并不可行。不過我相信，隨著算法的簡化以及計算能力的提升，我們距離真正實現合理Agent人工智能的目標也一定會越來越近的。