来源:百度文库 编辑:九乡新闻网 时间:2024/04/23 18:59:27
RE 思维与智能的本质
(2011-09-16 13:18:33)转载 标签: 冯嘉礼
美国
属性
神经元
人工神经网络
文化
分类: 思维科学论文 思维与智能的本质
冯嘉礼
作者简介:湖南衡阳人,1948年12月1曰生,昌U教授,中国人工智能学会机器学习学会常务理事兼副秘书长,中国管理科学院思维科学研究所学术顾问,广西师范大学计算机应用技术研究所副所长。1982年2月广西师范大学数学系毕业,1988—1989年在北京师范大学数学系做访问学者,先后承担了两项863高技术计划课题、两项国家自然科学基金课题和一项广西自然科学基金课题的研究任务。
一、引 言
物质结构、宇宙演化、生命起源和大脑之谜是人类面临的四大科学难题。大脑是结构最复杂、组织最精细的物质,又是宇宙中进化最完美、功能最奇妙的系统和生命表现的最高形式,故大脑之谜是兼有前三者的大难题。思维与智能是大脑的高级功能,故有人形容思维与智能之谜是科学难题之最。恩格斯在《自然辩证法》中就曾说“思维是地球上最美丽的花朵”。
大脑由大约10(12次方)个神经元构成,每个神经元大约和其它1旷个神经元有联系,大致可分为:分子、突触、神经元、神经网络、神经回路、投射区、系统和中枢神经系统等不同层次。作为一个复杂的多级系统,大脑思维功能只能由各神经元的功能经逐级整合而成。即:大脑系统先将各神经元的功能整合为神经网络的功能,再将各神经网络的功能整合为神经回路的功能,并最终将它们整合为大脑的思维功能。由于每一个层次的功能都是其下一个层次各个子系统所不具有的“突生性质或功能”,因此,国际脑科学协会主席伊藤正男曾指出,思维问题“不能用还原论的方法来解决,即不能靠发现单个细胞的结构和物质分子来解决,揭示出能把大量神经元组装成一个功能系统的设计原理,才是问题的实质所在”。
由于系统属性(或功能)与其元素属性、诸元素间的关系(或结构)之间有互为因果的生成转化关系,即:系统x有某属性p(x),当且仅当,x各元素xi有由p(x)确定的属性qp(xi),使得n元关系rp(x1,…xn)是诸qp(xi)的整合,而p(x)是由rp(x1,…,xn)转化而成的系统属性:由此可见,首先弄清各神经元的基本功能,再研究大脑将神经元功能整合为其系统功能的整合与转化机制,是探索思维之谜的必经之路。
二、思维即计算
人们对神经元基本功能的认识,随研究手段和着眼点的不同而大不相同。如:神经科学家认为神经元及其网络的基本功能是进行电生理和生物化学的处理;认知心理学家认为它们处理的是各种心理信息;逻辑学家将其归结为判断和推理,计算机科学家则说是计算。自从McCull~h和Pitts将神经元的反应表达为Yes/No的形式,而Simon和Newell将心理活动表达为符号计算以来,随着感知、识别、推理、联想、记忆、故障诊断、优化决策等思维操作实现了计算机模拟,以及计算神经科学、认知心理学、生物智能、计算智能和人工智能等一系列新理论和新学科的不断提出,神经元基本功能是计算,和“思维即计算”,或“思维是从神经元的计算功能逐级整合而成”的观点已为人们所普遍接受。然而,在“为什么说神经元所进行的生物物理和化学反应是——种计算?”和“大脑是怎样将神经元的计算功能整合为其思维功能?”等问题上,人们仍提出了不少质疑。这里所谓的计算是指图灵(Tufing)计算。即:按照某种规则,将一组数值或符号串转换成另一组数值或符号串的操作过程。其严格的数学定义是英国数学家图灵给出的,他提出了“机械计算”的一个模型。即图灵机模型,它包括三部分:
1.一条存储信息的无限长的带子,带子上有许多格子,每个格子可以存储一个数字;
2.一个读写头,它可以从带子上读出数字,也可在带子的空格上写上数字;
3.一个控制装置,可以控制带子走动或控制读写头。图灵证明了一个重要定理:存在一种图灵机,它可模拟任意给定的一个图灵机。若将它看做是一个理想计算机,那么,这种可模拟任何图灵机的理想计算机就是通用计算机的一个模型。按照符号转换的定义,人脑或计算机进行的定理证明、文字处呷和——切可归结为符号处理的操作都是计算。从历史上讲,第一个提出思维可计算观点的是英国哲学家霍布斯。德国哲学家和数学家莱布尼茨(Leibniz)提出了“符号语言”和“思维演算”的重要设想。
根据计算机能进行符号计算的事实,图灵在1950年发表的《计算机能思维吗?》中明确提出了计算机能思维的观点,并给出了检验计算机是否能思维的一个实验,又称图灵实验:一个人在不接触对象的情况下,同对象进行一系列对话,如果他不能根据这些对话判断出对象是人还是计算机,那么就可以认为这台计算机具有与人相当的智能。1956年夏,美国的McCarthy、Mirsky、Simon和Newell等一批年轻科学家在Dartmouth大学讨论了用机器模拟人类智能的问题,提出了人工智能的概念,1976年,Simon和Newell提出了物理符号假设:任何一个系统,如果它能表现出智能,则它必定能执行(1)输入符号(input);(2)输出符号(output);(3)存储符号(store);(4)复制符号(copy);(5)建立符号结构(build symbol structure);(6)条件性迁移(conditionaltransfer)等六种操作。反之,任何系统如果能执行这六种操作,那么,它就能够表现出智能。该假设有三个推论:(1)人具有智能,故人是一个物理符号系统;(2)计算机是——个物理符号系统,故它必定能表现出智能;(3)计算机能模拟人。该假设为人工智能提供了一个理论基础,其核心是将智能归结为六种符号操作或计算。
由于人类抽象思维的各种逻辑规则,可用数理逻辑中的谓词表示,而谓词的真假又可用1和0表示,故谓词演算可转化为计算机中的数字计算,于是,人们普遍认为抽象逻辑思维不仅可归结为符号计算,并可用计算机加以模拟。
另——方面,如:文字(特别是手写汉字)、语音和图像的感知、记忆、识别、联想、组合规划、优化决策和故障诊断等具形象思维特点的操作,已在人工神经网络中实现,故有人认为形象思维可用网络计算加以模拟,并提出只要将人工神经网络和人工智能结合起来,即可模拟人类思维与智能的观点。然而,该观点碰到了如下一些问题。
首先,人工神经网络模拟形象思维的基本机制或原理是什么?尽管人工神经网络采用了各种拟人技术,如按人脑神经网络结构联结其神经元;模仿人脑神经元间突触可变的Hebb律调节各结点间的联结强度,并根据自适应反馈控制原理设计其联结强度的调整算法等。然而,正如飞机上天靠的是空气动力学,而不是翅膀,任何结构与功能的模拟和仿真都不等同于基本原理的揭示。因此,人工神经网络的首要问题是其基本原理的揭示。如存储机制问题,人工神经网络由若干输入神经元、隐含层和输出神经元构成,各神经元通过联结强度相互连接。若该网络是一个模式分类器,那么,它先要从输入样本中找出并记住其识别模式的特征(或判断基准),否则,网络就无法对后续模式进行识别。特征提取是通过联结强度的调节实现的。因该过程相于学习,故其调节算法称学习算法。所谓根据反馈控制原理设计学习算法是指,算法必须保证联结强度的调节要保证输出函数与目标函数之差朝减少的方向进行。例如:识别模式为A,当输入样本)c二A时,希望网络输出yes,若样本x不是A时,则希望网络输出凹,故其目标函数为:
显然,只要神经网络的输出与目标函数一致,它就是模式A的分类器。学习算法是让网络自行调整其联结强度,并保证其输出为目标函数“x)。因调整好的一组联结强度恰对应于——类模式,相当于神经网络记住了该模式的识别特征,故联结强度调节又称特征提取。我们的问题是:为什么说网络联结强度调节等价于模式识别特征的提取和记忆?对此,Hinton,McClelland&Rumelhart试图田“连接等价于微推理”加以解释,即:每一个结点可看做是一个师(itern)的微特征(microfeature),联结强度是它们间的微推理(microinference)。所谓一个项可由调整好的一组联结强度存储,是指支持该项的微推理都被激活。若干项的存储,可由寻找支持它们的全部微推理实现。反过来,一个处理提供的微推理相当于—些提示,使得网络去寻找那些恰好满足给定微推理一联结强度所对应的项。显然,若这种解释合理的话,那么,人工神经网络所表现出来的许多征,如自学习、自适应、自组织和自联想,以及能对畸变信息、模糊信息甚至混沌信息等进行处理的特征,都可从诸微推理及其扰动机制中得到适当的解释。
还有符号机制与网络机制的统一问题,传统人工智能采用逻辑推理结合启发式规则调用的知识库方法,即专家系统法。为模拟某专家在解决其领域内某问题的思维决策过程,必须预先编制好相应的计算机程序,当计算机碰到同类问题时,就可将模拟该专家决策过程的程序调出来,以实现模拟专家决策的效果,专家系统的主要操作是推理和规则调用,理论基础是(经典和非经典)逻辑,以及经验和常识推理理论。而人工神经网络的基本操作是识别和判断,操作规则的生成来自网络联结强度的调节,或学习,其基本原理是自适应和自组织控制。它不必为自己面临的问题编制程序,再加上它不按地址存储,而靠联结强度存储其学习结果的记忆机制等等,都与符号机制背道而驰,故两者似乎根本无法统一。
三、计算智能与控制智能
如果说网络与符号之战只是模拟思维的两种技术手段之战的话,那么,逻辑学与控制论之争则是体现智能的两种基础理论之争。逻辑学被定义为研究思维形式结构及其规律的学科。从Alistot12以来,人类智能体现为逻辑推理的观点是根深蒂固的,人工智能中大量利用经典和非经典逻辑的情况,更使这种观点得到了证实和加强。然而,自从Wiener提出反馈是人类和动物自适应控制机制的看法以来,随着机器人技术的深入与发展,人们已研制出一系列能表现出一定智能水平的机器人,如美国麻省理工学院Brooks研制的Creatures,就“是一个基于感知一动作模式的模拟昆虫行为的控制系统”,而1994年美国用于活火山探险的机器人,更是一个能自行适应危险环境,并能自主完成各项任务的高级智能机器人。
由于Creatures等没有推理和所谓的知识表示法,故以Brooks为代表的控制论学派提出了“不用推理和表示的人工智能”观。尽管意见较偏激,但其中之“三味”却不由人不“三省”。事实上,当一个人对问题和环境一无所知时,他既不能进行任何有意义的推理,又不能期待别人提供咨询意见,他所能做的唯一一件事就是“摸着石头过河”,通过“吃一堑,长一智”的学习,建立起相关问题的逻辑知识库。因此,在环境适应与模式识别等这样一些看起来简单,但推理和已有知识毫无用武之地的场合,反馈原理就成了百试不爽的真理。事实上,反馈是人类与其它动物的一种本能,人类进化之所以能获得根本性突破,仅因为人类建立了自己的知识表示和逻辑推理系统。因此,能否从本能的自适应性学习中,建立起自己的逻辑和知识表示系统,并利用它们去解决各种实际问题。应该是衡量一个人(包括动物)是否有智能的最低标准,该能力越大,说明其智能越高。
用这个标准分别对人工神经网络和专家系统进行衡量不难发现:前者不仅具有自适应性学习的能力,而且能解决感知识别、组合优化、故障诊断和联想决策等实际问题。但由于其逻辑推理或知识库系统隐含于网络之中,人们无法显式地将它们表示出来,故在语言交流等需显式知识的场合根本使不上劲。因此,即便人工神经网络算得上是一个智能系统,但其智能也因知识无法表示而难于交流和进化。反过来,专家系统具有明确的逻辑推理或知识库系统,但由于缺乏本能的自适应控制功能,因此,在碰到新问题时,很难适应新环境,故显得十分脆弱。因此,即便它具有高级的推理功能,在某些领域内也算得上是一个智能系统,只是——个畸形的智能儿而已。
四、网络、符号、反馈机制与感觉神经检测模型
上面介绍了将思维与智能分别归结为网络计算、符号计算和自适应反馈控制的三种观点,它们又称连接机制、符号机制和行为机制。根据研究手段的不同,它们又分各种流派,如连接机制中又有PDP,即并行分布式(Rumelhart&McClelland)、遗传算法(Holland)、计算视觉理论(Mart)、神经元群的选择性理论或神经达尔文主义(Edelman)、信息几何(Amari)等学派;符号机制中又有心理学(Simon,Newell&MinskV)、逻辑(Nilsson&McCar—thY)、知识工程或专家系统(Feigenbaum)等学派。如果说三种观点分别看到了思维与智能的三种机制的话,那么,神经科学实验则证实了,这三大机制在感觉神经检测中是不可或缺的。
事实上,早在1949年,Hebb就提出了学习的突触联结强度变化机制;1963年,Tauc、 'Kandel和Hawkins等的实验又证明存在一种突触联结强度变化的新类型。1964年,Hubel和Wiesel发现了视觉的特征功能柱和特征提取(featuredetect)现象。并提出了特征分析理论和层级结构学说。1969年,lakemore和Campbell则发现:在人视觉系统中存在着一系列分析空间频率的神经信息通道。每个简单细胞仅对某——‘特定频率敏感,高于或低于此频率的一半,则细胞不反应。据此人们又提出了视觉的空间频率分析器理论,并将它表示为傅里叶积分。显然,若不能统一这三大机制,就不可能将感觉神经检测讲清楚。Kufiqer指出:“