普罗米修斯的复归:思维的演进模式

发展人工智能的非凡研究计划是冷战意识形态的产物。用过去时态描述人工智能是一种讽刺性的颠覆,因为人工智能总把自身定位于“未来时态”。现在,人工智能的发展还不能被穷尽。它终将要到来:人工智能的成功永远取决于下一步——一个跨越现有知识前沿的新发现。

人工智能运动(AIM)作为一种公认的研究方向出现在20世纪50年代的早期,尽管这时它还不够系统化。在第二次世界大战结束的时候,具有悠久史前史的计算机成为现实。紧随计算机之后,晶体管于1949年诞生,这奠定了计算机成为20世纪晚期标志性的科学技术。

人工智能(AI)的萌芽思想可以追溯到帕斯卡(Pascal)和莱布尼茨(Leibniz)独立但又与之相关的工作,他们试图制造一种能够计算并模拟人类思维功能的机器。人工智能的现代概念由艾伦·图灵(Alan Turing)在1950年发表的宣言《计算机器和智能》(Computing Machinery and Intelligence)引入到计算机科学的话语中,图灵勾勒了一个创造能思考的计算机的蓝图,并预测可以在2000年前实现。1956年,一些顶尖的计算机科学家召开了为期两个月的会议——即“关于人工智能的达特茅斯(Dartmouth)夏季研究项目”,这标志着人工智能运动的正式出现1。

这个项目直接的灵感来源于四位早期计算领域的创造性思想家的工作。他们包括:图灵,他1936年的论文《关于可计算数》(On Computable Numbers)描述了逻辑机器的理论、规范和局限;约翰·冯·诺伊曼(John von Neumann),他领导的研究小组设计并开发了当代基于内存的计算机中央处理器(CPU),这种计算机体系结构使用至今;诺伯特·维纳(Norbert Wiener),他奠定了一门新兴科学——“控制论”(cybernetics);克劳德·香农(Claude Shannon),他发展了信息理论,并广泛地激发了人们早期对传播进行社会学和科学研究的兴趣。实际形成并领导人工智能运动的研究者包括:艾伦·纽维尔(Alan Newell)和赫伯特·西蒙(Herbert Simon),两人曾同时就职于兰德公司和卡内基理工学院(即现在的卡内基—梅隆大学);还有麻省理工学院的马文·明斯基(Marvin Minsky)和西摩尔·巴波特(Seymour Papert),以及先后在达特茅斯大学、斯坦福大学就职的约翰·麦卡锡(John McCarthy)。大多数当代人工智能领域的科学家都曾与这些先驱中的一位或多位共同进行过研究。

共同的使命使这些研究者能够走到一起,超越当时对计算机普遍的理解,即计算机仅仅是只能够奉命而行的一种工具——先进的计算器。这段时期的主导观点可以用大家所熟知的程序设计人员的座右铭进行表达,即:“无意义的信息输入,无意义的信息输出”(garbage in,garbage out)。人工智能运动的目标旨在创造出能够进行“思考”和“学习”的计算机。就像西蒙(Simon)所指出的:“计算机只能够按照设计的程序运行,这种观点从直观上来说是显而易见的、确定无疑的,并且计算机不支持基于普通推理得到的暗示意义。”²但人工智能运动尝试着创造一种能够模拟复杂的人类思维的程序。这些模拟可以增强人类推理的能力,最终将比任何单一个人的思维能力更强,“这种模拟是一种能够运用某种方法分析自身性能、进行故障诊断、自动变化以提高其在未来的有效性的程序”³。

现在人工智能的发展历程已有半个世纪。在过去,一些先前的狂热者将人工智能描述为:作为一种自动修正的智能活动,已超越了自我而成为服务于其他研究的基础4。人工智能运动的其他构想仍在进行之中,但其发展史由两个迥然相异的阶段所组成。各种各样的形容词被用来定义这种转变,以示强调。在第一阶段,西蒙和纽维尔将人工智能形容为一种“非凡的”、“自顶向下的”或“传统的”方法,这一阶段从人工智能领域开端伊始直至20世纪80年代的中期;而在20世纪80年代中期以来的第二阶段中,一种“弱的”^[1]、“自底向上的”、“涌现的”或“新浪潮”的方法出现了。这种自底向上的方法也延续了一些起初是基于过去的、自顶向下的传统方法的研究项目,例如,发展专家系统、机器人及其他一些基于人工智能的商业应用。诚然,新浪潮的标志是重新配置查询领域的隐喻性定义。逻辑—数学模型(Logico-mathematical models)让位于或是与生物学隐喻融合成为新的研究目标,被构想成为人工生命(A-life)的创造,而非人工智能⁵。

自顶向下的方法聚焦于高层运作的模式和规则,以及大脑的符号处理结构,而忽视了低层的物理处理过程。自顶向下的方法经过三十多年的研究还无法产生一些重要的结果,因此,自底向上的方法应运而生。自顶向下的方法忽视了生物学,相比之下,自底向上方法的着眼点在于可以解释认知能力的大脑的物理结构。自底向上的方法试图设计出能够模拟大脑中神经网络结构的计算机装置,即对孩子的发展进行建模的装置,它能够观察和学习⁶。这种方法被称之为“联结论”^[2],并从属于“新的复合体科学”(new sciences of complexity)这一更为宽泛的领域⁷。一些人工智能编年史将明斯基(Minsky)的《心智社会》(The Society of Mind,1987)作为标志;另一些则追溯到1987年的“人工生命”会议⁸。但是大多数学者认为这种方法从最初的观点到现在的方法是一种渐进的转变,而非革命式的范式替代。

尽管自顶向下方法与自底向上方法的对比,对解释人工智能自身的发展历史而言是有帮助的,但在当前科学技术日新月异的环境下,两者的区别在一些方面仍然是难以理解的,该状况由来已久。冷战的结束引发了对“伟大科学”的重构。通过各种具体措施,这次重构比最为乐观的各类项目还要快速、宽泛与成功。这种新的研究和发展模式,通过在政府、大学、研究所、开发机构之间建立新的广泛合作,改善并吸收了先前具有国防色彩的研究,从而更加卓有成效,并在政府、大学及其公司企业之间建立了新的、综合的伙伴关系,但使美国政府感到颇为沮丧的是,20世纪七八十年代日本人成了这一模式的先驱者。计算机科学与技术、基因、生物工程已经成为新的科技愿景(technovisions);这一研究领域的商业化更刺激了美国20世纪90年代股票市场的繁荣。公司企业资本的注入使计算机网络、机器人学、纳米技术得到了迅猛的发展,超越了人工智能而不是把人工智能扔在后面。一些人工智能领域的顶尖科学家以及设有人工智能实验室的地方,在信息经济的科技基础构建中继续发挥着举足轻重的作用。毫不夸张地说,许多人工智能实验室中诞生的技术已经融入我们美好的新的信息世界。仅仅十多年之前,人工智能宣言的乌托邦和反乌托邦项目,仅仅是懵懂的科幻小说的想象,似乎还令人难以置信;而现在,我们正在构筑能够支撑它们虚拟想象的全球性基础设施。

非凡的人工智能程序发展的起落大致与奠基性的一代学者的学术生涯的持续时间是一致的,但是明斯基(Minsky)却是一个例外。当他参与达特茅斯大学夏季项目酝酿阶段的时候,还只是一个研究生。他是一个起到承上启下作用的人物。人工智能发展的起落同样呈现出与科学整体影响相一致的特征,它也是科学的一部分。自顶向下方法的人工智能研究的命运以及研究资金的提供,与冷战的进程紧密相连;而过渡时期自底向上方法的研究与美国政府用于国防资金的大量扩张,并优先考虑提升经济的“竞争性”的因素紧密相关。这种对于竞争性的关注通过保证所谓的人工智能的复兴,而为信息经济的瞬间启动提供了先决条件。在这一时期,当具有企业家精神的人工智能科学家开始积极地促使他们的工作进行商业应用的同时,更多的像约翰·麦卡锡(John McCarthy)一样的理想主义的人工智能奠基者,有时却会因此而感到沮丧和忧虑9。