2
今年8月，雷鋒網將在深圳舉辦一場盛況空前有全球影響力的人工智能與機器人創新大會。屆時雷鋒網將發布“人工智能&機器人Top25創新企業榜”榜單。目前，我們正在拜訪人工智能、機器人領域的相關公司，從中篩選最終入選榜單的公司名單。如果你也想加入我們的榜單之中，請聯系：2020@leiphone.com。
編者按：本文作者周劍銘、柳渝，來自北郵人機與認知實驗室。
蒸汽機被看作近代社會開始的標志，或許也可以把計算機看作當代社會開始的一個標志。計算機正在成為一件視而不見的事物，比如我們不會把手機當作計算機，但它確實也是計算機，或許有人會說，手機是通訊工具，但就會有人給你解釋，“網絡交換機”就是相互聯接的計算機，手機不過是一個終端。
當手機升級為智能手機后，問題也進了一層，手機是人工智能嗎？或者稍專業一點，計算機是人工智能嗎？這些看似簡單的提問總是讓人摸不著頭腦，在硬的技術解釋與軟的常識的哲學性之間，人們往往沒有共同的語言。
本文首先弄清楚這些似乎簡單的問題為什么這么難，在這個基礎上才可能去理解“算法”、“人工智能”等概念的性質和本質。
按照丘奇-圖靈論題，“計算機是人工智能嗎？”這個問題與下例問題等價：
算法是人工智能嗎？
圖靈機是人工智能嗎？
我們可以作“是”和“不是”的情況分別進行考慮：
計算機是人工智能嗎？
如果回答“是”，就無法回答下一個必然問題：為什么會有與計算機不同的“人工智能”的廣泛觀念和事實 ？
如果機器回答“不是”，那末這個不同于計算機的人工智能又是什么？
這種提問和回答都要求對計算機和人工智能進行基本性質的比較和判別，這不是簡單分類的問題，在商店、家中可以隨習慣而定，但在生產、研究的前沿技術領域和戰略決策的認知觀念上，要求對問題的進行本質性的判斷，這些問題的提出和回答牽涉到算法、計算機、圖靈機、丘奇－圖靈論題、“判定問題”、“圖靈檢驗”等基本理論，實際上要求把可計算性理論，不確定性理論和人工智能統一在一個更大的平臺上進行考察、研究，這種關于問題本質的研究是科學理論和哲學上的最困難問題。
比如著名的希爾伯特第十問題，圖靈以“圖靈機”的構造過程完滿回答了，這個問題的提出和解決就是計算機時代進步的深層動力，現在，對計算機與人工智能的基本性質和關系的判斷同樣會有深刻的影響，在這種高度上理解，“圖靈檢驗”就具有希爾伯特－圖靈機的“判定問題”類似的意義和價值，本文以智能哲學的角度提出和分析這些問題。
計算工具是人類所有工具中最特別的一種，最古老又最新潮，它的物理工具性與抽象形式緊密纏繞，以前只有一個直覺的觀念：計算是機械步驟，現在又有一個丘奇－圖靈論題：計算機是“算法”。
當你兒時數手指頭的時候，你就是在用算法了，雖然今天我們以電子計算機代替了手指頭，算法的性質并未變，而且，我們卻仍然難以回答“什么是算法？”這樣的問題。人們認為數學家和科學家都是最聰明的人，更何況是偉大的數學家和科學家，他們之中對這個問題最聰明的回答就是那個丘奇－圖靈論題，這似乎有些“皇帝的新衣”的感覺，我們都只看到計算機，我們不知道什么是算法，當你數手指頭時，是在用算法，但手指頭不是算法，現在我們可以說，軟件是算法，但與機器何干？
因此面對“人工智能”時，我們只是同樣在問，機器中的“智能”與人腦袋中的智能都是算法嗎？這些問題的一個關鍵性質“算法和人工智能究竟是基于語法的還是基于語義的？”就是哲學、邏輯學、語言學、計算機和人工智能等不同領域中的共同的基本問題，這個問題最令人困惑在于物理形式與抽象形式相互緊密纏繞，層層交織。丘奇—圖靈論題脫離不了這種直覺性質：我們知道皇帝穿了龍袍，但是我們看不見。
我們用概念去定義一個事物，可以用“外延”或“內涵”的方法，簡單地說，前者就是舉例：什么是“可計算的”東西？后者則是論理：什么是“可計算性”？前者容易，后者很難。數學家就是用前一種方法定義“算法”的，在數學中有一門經典的專門理論——遞歸函數論，遞歸函數就是“可計算的”函數類，這樣就從外延上“精確地”定義了“算法”，就是說，“算法”就是“可計算的”。對此或許大家都不滿，大數學家希爾伯特換一個角度提出問題：能否 “發明一種辦法”（To devise a process）去判定，任何一個丟番圖方程問題是可計算的？
這就是著名的“希爾伯特第十問題”。
圖靈理解這個問題的真正要求，既然數學中的遞歸函數無法直接回答什么是算法這樣的問題，那就得用非數學的方法去表現算法，圖靈模仿人的算法過程，創造了“圖靈機”，圖靈機最大的意義就是展示了算法的機械過程性質，把數學意義上的“可計算的”表達為“可計算的”過程，揭示了算法的“能行性”本質，所以“丘奇－圖靈論題”說，“能行可計算的”就是圖靈機可計算的。
借助于圖靈機，圖靈回答了希爾伯特第十問題，但不是“回答”某個確定的答案，而是合理地拒絕：這個問題是不可判斷的！希爾伯特第十問題的提出和圖靈的拒絕式回答，現在統稱為“判定問題”。
這個問題的提問和回答方式之間的關系太拐彎了，后來人們簡化了對這個問題的理解，把“判定問題”（Entscheidungsproblem）換成了“停機問題”（the Halting problem），但這種解釋卻拐了另一個大彎，采用邏輯悖論的方式，設計一臺計算機的自我指涉，即讓一臺計算機去計算自己，從直覺上就能理解，這是不可能的。
但這種對“判定問題”的“停機”解釋方法卻帶來了另一個更大的麻煩，如果一臺計算機不能判定自己是不是“可計算的”，就可能推翻了“可計算性”這個概念，“停機問題”意味著——“可計算的”機器不能肯定自己的“可計算性”。就是說，“停機問題”這種悖論式解釋“判定問題”的代價只是將問題推進到一個更深的纏繞層次。
實際上，圖靈對“判定問題”的拒絕式回答，是建立在“圖靈機”的建造過程上，可計算的算法機器是可以建造的——這就是“圖靈機”，但圖靈說，具有一般性“判定”能力機器是造不出來的！所以希爾伯特第十問題無解，這是圖靈對希爾伯特第十問題的判定，就是說，圖靈對“判定問題”的拒絕是人的判斷而不是機器得到的答案。
這種不同也正是“停機問題”與“判定問題”的分別。“停機問題”的解釋方法則是設想用一臺建造好的圖靈機去判斷自己，雖然得到了想要的結果，但卻否定圖靈機本身，雖然否定了“判定問題”也否定了算法本身。
對“判定問題”和對這個問題的解決的分析，給我們現在要回答的問題在認識論和方法論上以啟示，這些都成了NP理論和智能哲學的基本案例。
從“判定問題”的歷史發展中得到的啟示，我們就可以把“什么是人工智能？”的問題轉變成一個判斷問題：有何方法去判斷一臺機器是不是人工智能？實際上這個問題也是圖靈最先提出來的，是圖靈設計的方法，現在稱為“圖靈檢驗”（Turing Test TT）。
但“圖靈檢驗”與“判定問題”（Entscheidungsproblem EP）大有不同。EP實質是要求以算法判斷算法，TT則是以人去判定算法能力與人的思考能否分別，實際是人工智能與人的智能的判別，但判斷者是人，是人的標準，因此，如果為TT制定了一個具體的形式化的標準，這個標準就可以由另一臺機器充當了，但這也就把TT變成了“判定問題”。這就是TT與ET的不同。
正因為TT是由人充當判定者的，所以TT是開放性的，就是說，TT是一個檢驗模式，人們可以在這個模式上設計具體的檢驗，設計相關的具體標準，去做不同水平的檢驗或試驗，在這個意義上，“圖靈檢驗”與“圖靈機”具有相似性。所以TT不會有一個統一的具體化的標準。
TT的最大意義是通過人的判斷模式去展示“什么是智能的？”，即以有判斷能力的人去判斷人的智能與機器智能的相同與不同。
TT建立在一個前提上，人是能夠理解被判定的對象和這些對象包括判斷者在內之間的符號交流能力的，這也意味著事先肯定了人的理解能力是人的基本智能，因此TT是建立在人的理解能力基礎上的人的判斷。
歷史性地理解，就是把建立在算法能力基礎上的EP推進到建立在人的理解能力基礎上的判斷，前者只是通過“什么是可計算的？”表現對算法本質的理解，后者則是通過“什么是可理解的？”表現對智能本質的理解，如果人與機器交流中能夠相互“理解”，并且這種相互理解是人的標準，則機器才具有與人相同的“智能”。這種高度對人與人工智能的比較是至關重要的。
對TT的分析表明，人的智能不只是“理解”，而且是“理解‘理解’”，因此，雖然TT沒有回答“什么是智能？”，但展示了“什么是智能的？”。實際上，現有的人工智能的成果表現了“什么是人工智能的？”，但回答不了“什么是人工智能？”，在這些比較的意義上，對TT的本身就是智能哲學的科學展開形式，比如賽爾的“中文屋子”就是這樣的一個著名案例。
所以我們對TT的理解，并不是限于如何去進行實際的檢測，一臺實際機器是否達到了某個機器標準，這只是回答“什么是人工智能的？”問題。TT的價值在于提供了一種設計人工智能判斷的一般性原則，正如圖靈機是所有具體機器的模型，也可以說，TT是所有具體的檢驗人工智能標準的一般模型。對TT的研究實質上指出：我們對人工智能可以期望什么。因此TT是一個具有開放性檢驗模式，TT本身就具有“不確定性問題，NP”的性質，TT的具體標準類似最優近似的方法（NP-algorithm），通過不斷地去研究、設計TT的具體標準，而推進對人工智能的理解。
對TT研究的啟示是：人的智能和人工智能不可能存在一般性的比較標準。——這也可以理解為，對“智能是可以判斷的嗎？”這樣的問題的一個拒絕式的回答。如果是這樣，也就是把“判定問題”發展成人工智能領域中的一個高級版本。
更重要的是，我們可以在這些基礎上，進一步去研究人的“智能”與“理解”的內涵關系，這也可能是智能哲學的一個最大的貢獻。
對“人工智能”定義一部份在于“人工的”與“人工性”的區別，前者是事物的屬性，后者是事物的本質，前者是概念的外延性枚舉，后者是與“自然性”相對的本質性問題，只能在哲學的高度上討論。
大體說來，非自然的創造物（不涉及宗教）就是“人工的”，機器當然是“人工的”，所以“人工智能”大體上就等于“機器的智能”，即機器智能具有人工性，這只是說，人工的機器是可以模仿人的智能的機器；但如果把“人工智能”理解成“人工的智能”，就是“承諾”了“人工性智能”與“自然性的智能”的某種同質性了，這種理解是導致“強人工智能”甚或“超人工智能”觀念產生的基本原因。
比如“機器人”是“人工的人”還是“人的機器（工具）”？前者似乎是“人是機器”的反演，是本質性的；后者則只是同義反復：人的＝人工的。
所以“人工智能”這術語不僅在“智能”這個概念上是不確定的，在“人工的”這個用語的修飾性上也是不確定的。“人工性”對立于“自然性”，不能由“人工的”綜合得來，這些關系實質上是傳統哲學中的“共相”、“唯名論”、“唯實論”、“懷疑論”等等解不開的結的再現。
因此當我們問和回答 “計算機是人工智能嗎？” 遠遠不像表面看去那么簡單，比如，可以理解為“計算機是一種機器智能嗎？”這與“算法只是機器的‘思考’嗎？”相同；但如果理解成“計算機是人工的智能嗎？”意義就相當于“算法是人造的智能嗎？”這些不同的理解有層次上的不同，往往導致互不針對、“雞同鴨講”的無謂論爭，使問題變得更困難，這正是這些看似簡單的問題卻成為最無頭緒的論爭的原因。
正是“人工智能”這個概念本質上的不確定性，所以不存在一般意義上的“人工智能”的準確定義，所以TT標準也只能是一個開放的課題，在這些意義上，人工智能只是一個不斷地接近人的本質的發展道路。
基于上述的思想，以機器的能力標準而言，算法只是機械步驟，不能以超過自身的能力“自發地”進行發明、創造或自己學習，具體的計算機最大能力最終是由廠家和程序員們決定。在這個標準上，計算機不是“人工智能的”，也不是“人工智能”。（根據我們的對Agent的解釋，計算機不是Agent。）
注意，在計算機中建模進行的基于ANN的“機器學習”等方法，是將“人工神經網絡”函數化、算法化的結果，這種研究方法具有兩者的混合性質，在這種情況下，不能混淆地回答“計算機是人工智能嗎？”這樣的問題，理清這種情況，正是本文的目的之一。
現在也可以簡單地回答“計算機可以思考嗎？”的問題了：計算機可以“像人”一樣進行思考——但這只是“像”人的“思考”而己，就是說，計算機（算法）不等于人的“思考”，也不等于“人工智能”，更不等于人的“思考”。
“人工智能”這個術語最先是1956年達特茅斯會議上提出并被廣泛接受的，此前圖靈1950年論文題目是“計算機器與智能”（Computing Machinery and Intelligence），但文中提出的問題是“機器能夠思考么?”（Can machines think?）如同他1936年論文中所做的那樣，圖靈避免了對“機器”和“思考”的直接定義，而是設計了“模仿游戲”，也就是TT，在人們的一般的觀念中，“思考”就是智能過程，所以TT也可以稱之為“智力檢驗”，因為TT是檢驗機器的“思考”能力，“思考”比“智能”一詞更多地分離了“智能”這個概念中的不確定性的部份，類似的也有人用過“人工思維”（Artificial Thinking）這樣的術語，所以計算機作為TT中“機器”一方，但這并不妨礙TT作為人工智能的評價方式，TT是一個開放性的模式。
人工智能研究領域一直存在“算法計算”與“Agent代理（計算）”兩種路線，對這種現象的認識與爭論已經成了人工智能的哲學問題[1]，它們在相對的意義上有各種稱呼，如符號主義、機能主義、邏輯或程序主義、聯接主義等等，達特茅斯會議上提出的“人工智能”這個概念大體包括了這兩個方面的工作而被大家接受，但如果區分了算法計算與人工智能，“人工智能”這個概念就更多地具有明斯基所說的Agent （代理）的意義，因此Agent 是狹義、嚴格的“人工智能”。
但正如計算機中建模的基于ANN的人工智能研究具有混合性質一樣，芯片化和基于互聯網的ANN研究也離不開算法，兩者總是在混合中發展的，但從理論上分清兩個方向的功能原理，對指導人工智能的發展是很重要的。
對那些不耐煩啰嗦形式的人來說，一個粗糙但不失本質的定義是可以接受的：計算機是人的思維的工具，人工智能是人的智能的代理（Agent）。
參閱：
[1] 人工智能哲學，瑪格麗特·博登編，劉西瑞等譯，上海譯文出版社，2001.
[2] 周劍銘，智能哲學：人與人工智能， 網文
[3] 周劍銘 柳渝，機器與“學習”——尋找人工智能的幽靈，網文
[4] 周劍銘 柳渝，人與機器的“戰爭”與“學習”，網文
[5] 柳渝，不確定性的困惑與NP理論
雷鋒網注：轉載請聯系我們授權，并注明出處和作者，不得刪減文章。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
