领域少女:RE?思维与智能的本质

RE 思维与智能的本质

转载

冯嘉礼

美国

属性

神经元

人工神经网络

文化

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：“大脑利用定型的电信号处理它接受和分析的所有信息。实质上，在所有神经细胞中的信号是一样的，它们都是符号。无论如何，与它们所代表的外部世界是不相像的，因此一个基本任务是破译这些信号。有充分证据表明，神经纤维的起点和它们在大脑中的终点决定它们传达的信息的内容。因此，视神经纤维只携带视觉信息，而在其它感觉神经中携带相同信号，例如起自皮肤的信号则传送完全不同的意义。单个神经元能将复杂信号和概念编码为简单的电信号，这些信号所包含的意义是来自各神经元间的具体连接情况。”
   感觉神经元仅对其敏感的事物属性作出反应的实验(Hubel和Wiesel)表明，感觉神经信号就是其敏感属性的感觉编码。由于外部事物属性一般通过光波、声波、电波等量化物理信息刺激人类感受器，而感觉神经元输出的感觉编码是一种可符号化的心理信息，因此，感觉属性检测是一种将数值信息转化为符号化信息的定性操作过程。或者说，感觉神经元实质上是将其敏感的事物属性从包含它们的物理刺激中抽取出来，并转化为该属性感觉映象的定性检测器，由于网络联结强度调节的是感觉阈限，对属性检测而言，其作用等价于定性基准调节，故感觉属性检测是一个集网络(数值)计算、符号的建构与处理、反馈控制与调节等诸多机制于一体的定性操作。我们给出了一个基于抽取与整合的感觉属性检测模型。其输入是包含事物各种属性的整体信息，输出则是被检测属性的感觉编码，感觉阈限或定性基准的调节由抽取与整合系数实现，因而是融网络、符号和自适应三者于一体的。值得指出的是，该模型竟与人工神经网络模型完全相同，这表明后者模拟的也许正是感觉属性检测。
   若将Edelman理论中的“节目单”(repertoire)理解为(先天或后天构造的)属性检测表的话，则该模型与Edelman的神经元群选择性理论也是吻合的。而所谓空间频率分析和特征提取可在该模型中得到统一解释的情况，更表明基于抽取和整合的感觉属性检测模型是有其内在的合理性的。感觉将事物属性转化为其感觉编码，不仅让大脑意识到该事物具有其检测的属性，还在事物属性集与人脑感觉记忆集之间建立了一个对应，故感觉属性检测又叫感觉定性映射。如果说大脑是靠逐级整合各级神经网络的功能，才形成其思维功能的话，那么，由于感觉神经元的输出是各种简单属性的感觉映象，故其高层神经网络整合的对象就只能是各种简单属性的感觉映象。于是，大脑怎样从这些简单属性的感觉映象中将对象的心理表象或记忆模式整合出来，并利用它们进行各种思维操作，就成了我们所要讨论的一个关键问题。
五、感觉同态原理与属性整合结构模型
   神经网络整合事物各简单属性的感觉映象的结果，得到的是该事物由这些简单属性整合而成的一个整合属性的感觉映象，如：大脑整合苹果的颜色属性(如红色)和形状属性(如圆形)的感觉映象的结果，应得到该苹果又红又圆这个整合属性的感觉映象。反过来，事物某整合属性的感觉映象又应该是该整合属性的各个因子属性的感觉映象的整合，如：苹果又红又圆这个整合属性的感觉映象，应该是红和圆这两个因子属性的感觉映象的整合。因此，在感觉映射下，事物属性结构与其感觉映象结构之间应保持不变，也就是说，感觉映射应该是事物属性集与其感觉记忆集之间的一个同态映射。通常所谓人脑认知结构是外部世界(结构)的反映，只是感觉同态的一种通俗说法而已。反过来，若感觉映射的确是一同映射的话，那么，事物属性的感觉映象结构与该事物的属性结构之间就应该是一致的。
   此外，因两不同事物简单属性的感觉映象的整合，形成的是这两事物间的一个关系或结构，在满足一定条件时，该关系可转化为这两个事物所成系统的一个属性。一般地，由于事物属性与n元关系和n元系统之间的生成转化关系可知，n个事物的n个属性的整合，得到的是这n个属性所确定的一个n元关系(结构)，因该。元关系(结构)又可转化为这n个事物所构成系统的一个整体属性(或结构)。因此，所谓系统结构与系统属性问题最终也可归结为其元素属性的整合与生成转化问题。
   由集合论的概括公理可知：任给一个属性，存在一个由所有具有该属性的元素构成的集合。若引入特征公理：任给两不同事物，至少存在一个属性，使得它是一事物区别于另——事物的特征。则可证明：“给定一(组)特征，存在唯一一个恰具有该特征的事物(或系统)。”也就是说，一个事物(或系统)可由它所具有的特征予以确定(或定义)。(注意，这是包括关系和结构的特征。)“由给定特征确定其对应(或定义)之事物”既是人类识别事物的原则，也是大脑形成该事物记忆模式的根据。如猜谜语时，大脑就是根据谜面给定的若干特征，将谜底对象猜(或产生)出来的。也就是说，大脑记忆模式是由事物特征(包括属性、关系和结构)的感觉映象经神经网络、神经回路和神经中枢系统逐级整合而成的思维表象。由感觉同态原理可知，属性感觉映象的整合模式(即所谓思维表象)应该是各对应属性的整合属性的同态映象。于是，所谓人脑记忆模式及其变化规律的问题，也可同态地转化为相应事物属性的整合模式及其变化规律的问题。可见，能否弄清事物属性整合模式及其变化规律，就成了记忆模式及其变化规律的核,DI司题。
   我们研究了事物x的属性集px基于整合的数学结构，并给出了它的几何结构模型，即属性坐标系。通俗地讲，它由一个n维单纯形(或多面体)构成，它的n+1个顶点上置放着x的n+1个素属性(即不能由其它属性整合出来的属性)。两个素属性整合而成的合属性，被置放在这两个素属性所在边的中点(重心)上；二个素属性的整合属性，被置放在这三个素属性点所构成三角形的重心点上，余此类推。因为任何属性与所谓平凡素属性的整合，乃是该属性，故平凡素属性所在的顶点可作坐标原点，它与其它素属性的连线作坐标轴。这样构成的所谓属性坐标系，可看做是——•个特殊的线性坐标系，它的每个轴代表事物的一个素属性，轴长度代表其属性值的大小。两个素属性整合而成的合属性，用这两素属性的轴所形成角的平分线代表，三个素属性的整合属性，闲这三个素属性的轴所形成的三面角的中心轴代表，余此类推。可以证明，事物x的任何属性(包括它的素属性和整合属性)都恰对应于x的属性坐标系中的一条轴或由原点出发的射线。该坐标有许多优点，例如，事物属性间由整合诱导的推理关系，可由它们之间的重心坐标(一种特殊的数学坐标)加以表示。若将人工神经网络的输入和输出分别联结于一个属性单纯形的顶点和重心点，根据单纯形各顶点属性的整合等于其中心点属性的规则可知，Hinton等提出的“联结等于微推理”解释，只是属性重心坐标表示模型的一个椎论而已。
   为讨论复杂关系、结构和系统模式的生成问题，我们还研究了基于属性整合的关系生成与转化机制的数学结构，给出了n元关系、结构(或系统属性)r(xl，…，xn)生成与转化机制的关系一属性坐标表示法。在此基础上，又提出了一个基于关系一属性坐标系的知识表示法。并指出，传统知识表示中采用的框架和语义网络等可自然地嵌入到对应的关系一属性坐标系中。基于整合的事物属性集结构及其数学表示模型(包括关系一属性坐标结构模型)的研究，是针对事物属性生成关系的。并未涉及事物属性自身定性的变化问题。在讨论感觉属性检测时，我们曾提到，受联结强度控制的感觉阈限变化，会使人类感觉属性检测和定性的基准产生某些变化，并导致属性定性产生相应的不确定性。显然，在事物属性的感觉映象产生不确定性的情况下，有它们整合出来的整合属性、n元关系、结构和系统属性，以及由它们诱导出来的各种高层关系，如推理、相似、对称和联想等也将产生相应的不确定性。为讨论这些问题，我们有必要从更基本的层次上，讨论所谓属性或质的不确定性问题。
六、属性变化规律与质的不确定性
   从哲学上讲，事物质的规定性是内在的规定性，量的规定性是附属于质的，度是质和量的统一，是量变的限定范围。由于属性是事物与其它事物发生联系时表现出来的质，属性值是该质的量，而事物x的某种质，即其表现属性一旦确定为p(x)，我们就说x具有性质p(x)，因此，所谓质的“度”就是该质的定性基准，即性质p(x)的定性基准。例如：温度T是物体分子运动的质的表现属性，温度值t是该质的量，当物体x的温度t(x)囿于其某种定性的质或物态，如液态的度(即定性基准)时，则被定性液体也称x具有液体的性质。一般地，若设A(x)为事物某质的表现属性，a(x)为A(x)的属性值，mn(x)为性质p(x)的定性基准，则称事物x的质或其表现属性A(x)被定性为p(x)[也称x具有性质p(x))，当且仅当，属性值a(x)固于定性基准mn(x)。当mn(x)表现为属性A(x)及其值a(x)的某个变化范围时，它对应于属性坐标系中的一个邻域。于是，所谓事物是否具有性质p(x)的定性操作，就是看其属性值a(x)是否属于p(x)的定性基准域nmn(x)。此外，因定性基准n＼(x)可随外部条件、评判者经验结构等因素而变，故事物质的定性，即性质p(x)也会随mn(x)之变而产生各种不确定性。如：在一般情况下，95cC的U20的液态是水，但在高海拔下，却是气体；随着气温变化，人的体表温也会产生相应的变化，放同样是20℃的井水，夏天因人的体表温高而被定性为凉水，冬天变为温水。按通常标准，25岁的人应是年轻人，但按运动员的标准，却只能将他定性为“老运动员”。凡此种种，不胜枚举。由此可见，定性基准(或“度”)的变化是导致事物性质变化(或质变)的决定性因素之一。
   根据感觉同态原理，事物性质(或质的定性)由此而产生的模糊性、非单调性和矛盾性等各种不确定性，不仅要同态地映射到人的感知记忆集中，而且，要在人的各种思维活动中反映出来。也就是说，所谓人类思维与智能的各种不确定性，实质上只是事物性质(或质的定性)的各种不确定性的表现而已。反过来，人类自身感觉阈限，或定性基准也要产生各种变化，感觉输出的各种不确定性感觉映象，又被整合为更高级的、带有各种不确定性的整合属性、关系和结构的记忆模式，人们利用这些记忆模式作其思维的素材，其思维当然会产生各种不确定性。根据感觉同态原理，思维中的这些不确定性是可转化到相应的事物属性集中来加以同态地讨论的，因而，也是可由属性坐标系加以数学表达的。
   笔者以高考招生为例，分析丁(1)因各专业要求不同； (2)因对象信息增减； (3)因档次变化，上线人数多寡； (4)因评判者感觉阈限等诸多因素而导致的满意度评判基准变换的过程，和由此引起的评判和决策的不确定性问题，并给出了相应的关系一属性坐标表示法。最近，又与合作者一起提出了动态记忆模式的属性一关系坐标表达模型；此外，笔者的研究生们还分别给出了故障诊断、思维联想、形象整合和语义歧义等问题的关系一属性坐标表示法，并讨论了属性坐标表示的面向对象模型。初步结果表明，基于关系一属性坐标表示的知识方法，可为我们讨论某些思维与智能问题提供一些有用的数学工具和手段。
七、思维与智能本质不再神秘
然而，思维与智能本质所涉及问题之多，复杂程度之高是我们难以预测的。因此，要想根本解决它，仍有待人们去作更深入的探讨。值得庆幸的是，不少科学家已不再将思维与智能看做神秘不可知的，如诺贝尔生理学和医学奖获得者P．Crick所说：“大多数神经科学家现在认为，精神的所有方面，包括其最不可思议的属性——意识或察觉，很可能用一种较唯物主义的方式得到解释，就是把精神活动的所有方面看成是相互作用的神经元的一些巨大组合的作用。”就连曾刘‘人工智能作过悲观预测的著名人工智能专家D．Lenat，在对人类常识的所谓预备知识结构进行了十多年的认真研究，并为矛盾性知识提供了——种称为“微论点，或上下文’’的解决办法之后，也改变其看法说：“人工智能总目标的实现在望。”

                         吉林人民出版社出版的《20世纪100个世界难题》一书中的一篇

注：冯嘉礼教授后曾任上海海事大学信息学院院长。现任上海思维科学学会筹备组组长。