人工智能是怎么思考的

人工智能是怎么思考的

逻辑推理的规则明确简单，自古希腊的亚里士多德起就为人所知。人工智能最初的一步，就是教会机器逻辑推理的方法，也就是具体的算法。

但在考虑算法之前，有一个更根本的问题：我们怎么知道逻辑推理一定正确，而正确的命题必定能通过逻辑推理得到？换句话说，真理是否相当于能被证明？这属于数理逻辑的范畴，对于不同的逻辑系统，答案也不一样。

幸好，哥德尔证明了，在所谓“一阶谓词演算”的体系中，答案是肯定的。这个定理铺平了自动逻辑推理的道路。从上世纪六十年代开始，各种自动推理系统陆续出现，只要向它们输入以逻辑命题表达的某个领域的知识，它们就摇身一变，成为所谓的“专家系统”，能自动进行推理，回答人们提出的相关问题。自动安排任务的人工智能也基于类似的系统，在航空航天等领域得到了广泛的应用。

作为早期的人工智能技术，自动推理系统曾被寄予厚望，但人们逐渐发现它有不少弱点。先不说需要专家的宝贵时间来将知识整理成逻辑命题，就算是这些知识，也常常充满各种例外，难以用逻辑完全概括。勉强去概括的话，得到的就是一个头脑简单的“人工智能”，虽然能正确应对大多数情况，但面对少见的情况会束手无策甚至闹出笑话，所以目前它主要被用在一些相对狭隘简单的领域，比如数学和交通调度。

怎样才能避免这个缺点呢？

专家系统的问题在于，它需要专家为它总结知识，但专家也是人，在整理自己的知识时，难免有疏漏，忽略某些罕见的情况，就像医生遇见感冒症状，并不会一下子想到心肌炎。但医生在结合其他少见的症状后，仍然能作出正确的诊断，这就是人的优势：懂得变通。

能不能将这个优势移植到人工智能上呢？还是举医生的例子，让医生用自己的经验为人工智能编写一部教科书，这是个艰巨的任务，但医生的经验同样体现在诊断结果上。如果能直接从医生经手的病历中学到他们的经验，这不仅节省了时间，还不会漏掉那些不常见但确实会出现的病例。

但统计学习也有无法解决的问题。要判断一张照片中有没有猫，对于人类来说小菜一碟，但对于机器来说，图片包含的信息太多，即使对于统计学习，要利用这样的数据还是太棘手了。

那么，人类的大脑又是怎么处理这些信息的呢？能不能将这种处理方法搬到机器上呢？

在大脑中，负责处理数据的是上千亿名为“神经元”的细胞。它们之间通过电脉冲互相传递信息，每个神经元受到一定阈值的刺激，就会向自身连接的其他神经元发送电信号，这些信号有的起到刺激作用，有的起抑制作用。这些信号纷繁复杂的舞蹈组成了人类的思维。

跟人一样，神经网络也需要利用相应的数据进行大量的学习，才能用于解决问题，而学习的方法会深刻影响最后的结果。

目前神经网络的研究主要集中于所谓的“前馈神经网络”，数学家证明了它们在理论上足以解决所有问题。为了得到实用的神经网络，科学家利用数学分析中的知识，借鉴人脑的部分结构，设计了特殊的神经网络结构，还有配套的高速并行学习算法，能利用大型计算机、显卡以及专用芯片提供的大量计算能力，训练出优秀的神经网络以供应用。只要向训练好的神经网络输入数据，它就能输出相应的计算结果。

神经网络应用广泛，特别是在图像处理方面。之前提到的自动识别车牌就是实例之一，现在还出现了“刷脸支付”，只要在摄像头前点点头，神经网络就能识别出你的身份，自动记录你应付的账单。

而神经网络最有名的应用，恐怕是击败世界围棋第一人柯洁的围棋人工智能AlphaGo。它的神经网络能将棋盘当作一幅图画，从中“看出”目前局势的优劣。再结合其他算法，AlphaGo得到了远超人类的围棋水平。这不是人类的造物第一次超过人类自身，但也许是最震撼的一次，因为我们其实并不完全理解AlphaGo为什么能下出如此犀利的围棋。

尽管人工智能现在已经能解决很多问题，但对它的研究才刚刚开始。之前提到的所有实现人工智能的方法，无不需要处理海量的数据，但反观人类自身，我们能举一反三，不需要阅读整个互联网的数据，就能学会一种语言或者一门学科。如何将这种触类旁通的能力移植到机器上，这是对人类智慧的又一个挑战。