什麼是人工智慧?

Extinguished philosophies lie about the cradle of every science as the　　　　

strangled snakes beside that of Hercules. - adapted from T. H. Huxley　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　WHAT IS ARTIFICIAL INTELLIGENCE?　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　 John McCarthy　　　　　　　　　　　　　　

　　　　　　　　 Computer Science Department　　　　　　　　　　　　

　　　　　　　　　　　Stanford University　　　　　　　　　　　　　　

　　　　　　　　　　　Stanford, CA 94305　　　　　　　　　　　　　　

　　　　　　　　　　　jmc@cs.stanford.edu　　　　　　　　　　　　　　　

　　　　　　　　http://www-formal.stanford.edu/jmc/　　　　　　　　　　　　　　

　　　　　　　　　　 1999 Nov 23, 8:39 p.m.　　　　　　　　　　　　　　　　　　

　　　　　　　　　　Revised November 23, 1999:　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

1．基本問題　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

問：什麼是人工智慧？

答：人工智慧是實現具有智能的機器，尤其是具有智能的電腦程式的科學和工程

技術。人工智慧與用電腦理解人的智力的目標有一些關係，但它並不一定要使用

生物學上的方法。

 

問：哦，那什麼是智能呢？

答：智能是指達到目標的能力中的計算部分。人、許多動物和一些機器具有不同類

別不同程度的智能。

 

問：是否存在一種一般意義上的"智能"，它不取決於人的智能

答：沒有。我們現在還不能確定在一般意義上怎樣的計算過程可以被稱為"智能"。

我們知道智能的某些機制，而對其他的並不瞭解。　　　　　　　　　　　　　　　　　　　　　　

 

問：智能是否是孤立的？比如，是否可以簡單地判斷"某台機器是否有智能"？

答：不。智能包含很多機制，人工智慧研究者已經深入瞭解了其中的某些部分，並

且能夠用電腦實現這些機制，而對另一些部分則不行。如果某個任務只需要現在

已經理解得非常好的那些機制，則電腦程式能夠相當出色地完成。這樣的程式就

算有"一些智能"了。

 

問：人工智慧就是類比人類的智能嗎？

答：有時是，但並不總是，或者說，往往不是。一方面，我們可以通過觀察人類在

解決問題時的方式來對智能有所瞭解；另一方面，人工智慧中的大量的成果不是通

過研究人或動物的活動，而是通過直接研究需要智能解決的各種問題得到的。人工

智能研究者可以自由的採用人類所沒有使用的方法和超出人類的計算能力。

 

問：那麼IQ呢？電腦程式會有嗎？

答：沒有。IQ是以孩子們的智力發展速度為基礎的。它是被測人得到的分數所對應

的年齡與他的實際年齡之比。這種衡量方法以相對合適的方式推廣到成年人。IQ的

高低和在實際生活中的成功失敗有著良好的關聯，但是對於電腦則不然，在IQ測

試中得到的高分和他們在實際中用處的大小沒什麼關係。比如說，一個小孩反向複

述一長串有序數位能力可以反映他在其他方面的能力，這可能是因為這可以衡量

這個小孩的Realtime Compute能力。然而，一個功能非常有限的電腦都可以完成其"數字

範圍"的序列長度。

　　當然，IQ測試中的一些問題也還是對人工智慧的有益的挑戰。

 

問：人類與電腦之間有關智能的其他比較如何呢？

答：人類智能研究的最主要一位研究者Arthur R. Jensen [Jen98]提出一個"啟發

假說"：所有的正常人都具有相同的智能機制，智力上的差別是由於"生物化學及生

理學上的數量條件"不同。我把這些條件看作為速度、短時程記憶以及形成準確並

可恢複的長時程記憶的能力。

　　Jensen關於人類智能的假說正確與否，尚無定論；不過，現在人工智慧中的情況

卻相反。

　　電腦有極高的速度和巨大的容量，但它的能力取決於程式設計者充分理解的並

在程式中實現了的智能機制。有些一般要到十幾歲的時候人才可能具有的能力現在計

算機已經具備了，而另一些兩歲大的小孩就有的能力電腦卻沒有。由於認識科學還

不能夠精確的定義人具有的能力是什麼，我們對它的理解就更加困難。一般來說，人

工智能的智能機制的構成與人的智能機制的構成常常是不同的。

　　只要人在某些問題上表現得比電腦好，或者電腦通過使用大量的計算也只能

做出和人一樣的表現，就說明程式的設計者對於高效解決這個問題所需要的智能機制

的理解還不夠充分。

 

問：人工智慧的研究是什麼時候開始的？

答：二戰後，許多人開始各自獨立的進行智能機器的研究。英國數學家Alan Turing或

許是第一個。他在1947年就這個問題做了一個講演。他還首次確認利用可程式化電腦

研究人工智慧的方法要比直接製造機器進行研究要好得多。到五十年代末，已經有許

多人工智慧的研究者，他們中的大部分都是在可程式化電腦上進行工作的。

 

問：人工智慧打算將人的"思想"植入電腦中嗎？

答：一些研究者表示他們有這樣的打算，但可能他們只是用這個詞打個比方。人的

"思想"具有非常多的特性，而我不認為會有人真的要模仿實現所有的特性。

 

問：什麼是圖靈測試？

答：Alan Turing 1950的文章《電腦器和智能》[Tur50]討論了在什麼條件下機器

可以被認為是具有智能的。他認為如果一台機器可以成功地使一個具有一定知識的

觀察者認為他是人，那麼就當然可以認為這台機器是具有智能的。這個測試標準對

除了哲學家外的大多數人來說都是可以接受的。測試中的那個觀察者可以通過一個

電傳打字機與被測機器和一個人進行互動，這樣做是為了避免讓機器模仿人的外表

和聲音。那個人試圖說服觀察者他是個人；那台機器則試圖欺騙觀察者它是人。

　　圖靈測試只是一種測試。一台通過了圖靈測試的機器當然可以被認為是具有智

能的，但是一台對人類瞭解不多而不能很好的模仿人的機器也可以被認為是具有智

能的。Daniel Dennett寫的《腦力勞動的產物》（Brainchildren [Den98]）一書對

於圖靈測試及各種部分圖靈測試（對測試中的觀察者在人工智慧方面的知識及詢問

的內容有所限制）做了很精彩的討論。結果表明一些功能很差的程式也會被一些人

輕易的認為是具有智能的。

 

問：人工智慧的目標是達到人類水平的智能嗎？

答：是的。最終的努力就是要使電腦程式可以和人一樣在世界上解決問題並達到

目標。然而，在特殊的研究領域上的工作很多人並沒有這樣的雄心。

 

問：人工智慧距離達到人類水平的智能還有多遠？什麼時候它將成為現實呢？

答：有少數人認為人類水平的智能可以通過這樣的方式得到：即基於現在人們用來

編寫並積累為大量的知識的語言可以表示知識這一事實，使用它來寫大量的程式，

以達到人類水平的智能。

　　但是，絕大多數人工智慧的研究者認為還需要一些新的基本的思想。因此，現

在還不能預測人類水平的智能何時才能實現。

 

問：電腦是用來產生智能的合適的機器嗎？

答：電腦可以通過編程類比任何一種機器。許多研究者發明了一些非電腦的機

器，希望它們在某些方面可以比電腦具有更多的智能。然而，他們通常在電腦

上類比他們發明的機器後就懷疑這種新的機器是否值得在實際中實現。因為不計其

數的資金投入已經使得電腦的速度越來越快，另一種機器實際實現的效能必須要

比它在電腦上的類比實現的效能要好的多才行。

 

問：對於獲得智能，現在的電腦的速度足夠快嗎？

答：一些人認為在需要新思想的同時也需要更快的電腦。我個人的觀點是，只要

我們知道如何編程實現智能，三十年前電腦的速度就已經是足夠的了。當然，除

了人工智慧研究者的遠大目標外，電腦還會保持越來越快。

 

問：並行電腦怎麼樣呢？

答：具有多個處理器的電腦的速度比單處理機電腦的速度要快得多。並行本身

並沒有提供任何優勢，而且並行機比較難以使用。只有當需要很高的速度時，使用

這種難以使用的機器才是必須的。

 

問：製造可以通過閱讀和從經曆中學習而自我提高的"孩子似的機器"如何呢？

答：這個想法從20世紀40年代以來，已經被多次提出了。最終，它將會被製造出來。

然而，目前人工智慧程式還不能象孩子那樣有效地從自然經驗中學習。現在的程式

還不能很好的理解語言，更不要說從閱讀中學習了。

 

問：一個人工智慧系統能夠通過思考人工智慧而靠它本身的努力不斷提高自己的智

能水平？

答：我想是可以的。但是人工智慧現在還沒有達到可以實現這樣的過程的水平。

 

問：可以談談國際象棋嗎？

答：一位俄羅斯的人工智慧研究者Alexander Kronrod認為"國際象棋是人工智慧研

究中的果蠅"。他在這裡打了個比方，果蠅常被遺傳學家用來對遺傳進行研究。下棋

需要某種智能機制，但對其他的一些機制則不需要。國際象棋的程式現在可以達到

大師級的水平，但和人類棋手比較起來，它只使用了很簡單的智能機制，即用大量

的計算來代替理解。一旦我們對於下棋的智能機制有了更好的瞭解，我們就可以做

出一個比現在需要的計算少很多，但同樣有著人類下棋水平的象棋程式。

　　不幸的是，製造下棋程式現在更多的是用來作為商業方面的競爭手段，而不是

作為一種科學領域的研究方法。這就如同1910年開始組織果蠅比賽以後，遺傳學家

們就集中力量為贏得比賽而飼養果蠅一樣。

 

問：再談談圍棋好嗎？

答：中國和日本的圍棋也是用兩個棋手依次在一個棋盤下子。圍棋暴露了當前我們

對人類下棋的智能機制理解的不足。儘管也做了相當多的研究（沒有在國際象棋上

的研究多），但圍棋程式的棋藝還是很差。這個問題可能是由於在圍棋中的一個棋

局可以被自然的分成一些子棋局，然後先獨立的分析每個子棋局再分析各子棋局之

間的聯絡。人可以在下棋時使用這樣的方法，但是圍棋程式就不可以，它只能把整

個棋盤作為一個整體考慮。下棋程式只能利用大量的計算來彌補這種智能機制的缺

失。這種計算通常是比人要多上千倍，而對於深藍而言則是數以百萬倍。

　　總會有一天，人工智慧的研究者可以克服這種令人反感的缺點。

 

問：不是有些人認為人工智慧是有害的想法嗎？

答：哲學家John Searle認為非生物的機器會擁有智能的想法是不合邏輯的。哲學

家Hubert Dreyfus認為人工智慧是不可能實現的。電腦科學家Joseph Weizenbaum

認為人工智慧是反人類不道德的猥褻想法。各種各樣的人堅持既然現在人工智慧還

沒達到人類水平的智能，那它一定是不可能達到的了。還有一些人則對他們投資的

公司破產感到失望。

 

問：計算理論和計算複雜性理論對於人工智慧有沒有關鍵性的作用？[註：計算理論

和計算複雜性理論是數理邏輯和電腦科學的相當有技巧的分支，並且解決其中的

問題也需要相當的技巧。]

答：不。那些理論和人工智慧相關，但並不能解決人工智慧的基本問題。

　　　　20世紀三十年代，以Kurt Godel和Alan Turing為代表的數理邏輯學家們確

定不存在演算法可以判定某些重要的數學領域中的所有問題。一階邏輯中命題真假的

判定是一個例子；一個多變數的多項式等式是否有整數解是另一個例子。但人類一

直在解決這些領域中的問題。這個結果給出了這樣的一種觀點（通常還有所誇大），

即電腦在本質上是不能夠做一些人類可以完成的事情的。可是，人們也不能保證

人類可以解決這些領域中的任何一個問題。

　　　　20世紀六十年代，以Steve Cook和Richard Karp為代表的電腦科學家們

建立了NP完全性的理論。一個NP完全的問題是可解的，但極可能是需要和問題規模

成指數式的時間。命題演算中命題的可滿足問題是一個NP完全問題的基本例子。人

類常常可以用比一般演算法短很多的時間來解決某些特殊問題，但對於一般的問題還

是不能很快地解決。

　　　　人工智慧中重要的是得到能夠和人一樣解決問題的演算法。確認好的演算法是

否存在的領域是重要的，但眾多人工智慧問題的求解並不和這一領域相關。

　　　　關於一般各類問題的難度的理論稱為計算複雜性理論。到目前為止，這個

理論還沒有像曾生理期望的那樣與人工智慧產生相互影響。人和人工智慧程式在問題

求解中的成功所依賴的問題的屬性和問題求解的方式，好像是複雜性的研究者和人

工智能的研究者都不能完全確定的。

　　　　由Solomonoff，Kolmogorov和Chaitin各自獨立發展起來的演算法複雜性理

論也是一樣的。它定義一個符號對象的複雜性為可以產生它的最短程式的長度。已

經證明了尋找一個最短的或者接近最短的程式的問題是不可解的，但是用短的可以

產生這些符號的程式來表示它們常常是很有啟發性的，當然你並不能證明這個程式

是最短的。

 2 人工智慧的分支

問：人工智慧的分支有那些？

答：這裡列出了一些，但是有些分支在這裡沒有出現，因為沒有人能夠確認

它們，這其中的有些被認為是概念或主題，而不是完整的分支。

 

邏輯人工智慧

一般來說，一個程式所知道的關於這個世界的知識是在特定的情形下的事實，

在這個情形中程式必須有所動作，並且它的目標是把所有這些用數理邏輯的語

句表示出來。程式通過推理達到目標的適當的行為來決定該怎麼做。處理這個

問題最早的文章是[McC59]，而[McC89]是近期的總結，[McC96]列出了一些包含

在邏輯人工智慧中的概念，[Sha97]則是一份重要的檔案。

 

搜尋

人工智慧程式經常要搜尋大量的可能性，例如，在棋類遊戲中的移動或通過定理

證明程式來推理。在很多不同的領域，人們正在繼續發現各種方法來提高程式的

效率。

 

模式識別

當一個程式觀察某類事物的時候，它通常被設計成所見事物與模式的比較。例如，

一個視覺為了找到一張臉，它會試圖去匹配一個情境中的眼睛和鼻子的模式。更

複雜的模式，例如一個自然語言的文本，棋類遊戲中的一個位置，或被研究的事

件的曆史。這些更複雜的模式比絕大多數已經被研究過的簡單模式需要更不同的

方法。

 

表示　

關於世界的知識必須以某種方式表示出來。通常使用的是數理邏輯的語言。

 

推理

從一些事實可以推出另一些事實。對某些目的來講，數理邏輯演繹已經夠用了，

但是自從70年代以來，已經發展了一種叫做非單調推理的方法。

 

常識知識和常識推理

這個領域是人工智慧距離人的水平最遠的，儘管自從50年代以來這一直是一個非

常活躍的研究領域。雖然取得了一些相當大的進展，比如非單調推理系統和行為

理論的發展，但是我們需要更多的新思想。Cyc系統包含了大量的但並不可靠的常

識事實的集合。

 

從經驗中學習

程式必須做到這個。對人工智慧的基於串連和神經網路處理就是專門做這個的。還

有包括對用邏輯表達的法則的學習。[Mit97]是一本關於機器學習的本科教材。程式

只能學習那些能夠被他們的形式所表示的事實和行為，但是不幸的是，學習系統都

是基於非常有限的表示資訊的能力的。

 

規劃

規劃程式以關於世界（特別是關於行為的結果的事實）或關於特殊情形和目標表述

的一般事實開始。然後，它們產生一個達到這個目標的策略。在很多共同的情況下，

這個策略就是一系列的行為。

 

認知論　

這是對我們需要用來解決世界中的問題的知識的種類的研究。　　　　　　　　　　　　　　　　　　　　　　　　　　

 

存在論

存在論研究存在的事物的種類。在人工智慧中，程式和語句要處理大量的對象，而我

們要研究的是這些對象的種類和它們的基本性質。對存在論的重點研究開始於90年代。　　　　　　　　　　　　　　　　　　　　　　　

 

啟發學習法

啟發學習法是一種試圖在程式中發現思想和其他一些東西的方法。在人工智慧裡，這個術

語用得很廣泛。啟發學習法函數用在對搜尋的處理上，它衡量在一棵搜尋樹中的節點離目

標節點還有多遠。啟發學習法謂詞用來比較一棵搜尋樹中的兩個節點是否其中的一個比另

一個好，也就是取得通向目標的進展。按照我的觀點，啟發學習法謂詞更有用。

 

遺傳程式設計

遺傳程式設計是一項技術，它通過雜交隨機化的Lisp程式和從成千上萬代中選擇最合

適的程式來完成任務。John Koza領導的小組發展了遺傳程式設計，這裡附帶了一份

指南。 (http://www.genetic-programming.com/gpanimatedtutorial.html).　　　　

問：人工智慧的應用在哪裡？

答：這裡列出了一些

 

遊戲

你可以花上很少的幾百美元買一個具有大師級水平的棋類遊戲的機器。其中就有

人工智慧，但是它們主要通過盲目計算--看成千上萬個位置來與人對弈。通過盲

目計算要打敗一個世界冠軍，則啟發學習法需要每秒觀察2億個位置。

 

語音辨識

90年代，為了某些特定目的，電腦語音辨識已經達到了實用水平。雖然有可能

指導某些電腦使用語音，但是為了方便，人們還將繼續使用鍵盤和滑鼠。

 

自然語言理解

僅僅輸入一個字元序列到電腦中是不夠的。句子解析也是不夠的。電腦必須

能理解文本有關的領域，而這目前只對非常有限的領域有可能。

 

電腦視覺

世界是由3D 物件組成的，但是輸入到人的眼睛和電腦電視照相機中的影像是

二維的。一些有用的程式在二維中能獨立地工作，但是完整的電腦視覺需要部

分三維的資訊而不止是一些二維映像。目前只有有限的方法來直接表示三維的信

息，而這也還沒有人類所使用的好。

 

專家系統

一個"知識工程師"通過採訪某個領域中的專家，試圖把它們的知識在電腦程式

中體現出來以完成某項任務。這工作得如何依賴於完成任務所需要的智力機制是

否包含在人工智慧的目前狀態中。如果這被證明不是這樣的，那麼會出現許多令

人失望的結果。最早的專家系統之一是1974年出現的MYCIN，它用來診斷血液是否

被細菌感染，並且建議如何治療。它比醫學院的學生和已經工作的醫生工作得都

要好，儘管人們也發現了它的缺陷。顧名思義，它的存在性包括細菌、癥狀和治

療，二不包括病人、醫生、醫院、死亡、康複和即時發生的事件。它的交流依賴

於一個被考慮的簡單的病人。因為被知識工程師採訪的專家熟悉病人、醫生、死

亡、康複等等的情況，所以必須有知識工程師把專家告訴他們的情況輸入到一個

預先決定的架構裡。從目前人工智慧的狀況來看，確實是這樣的。目前通行的專

家系統的有用性依賴於具有常識的使用者。

 

啟發學習法分類

利用目前人工智慧的知識，最可行的專家系統之一是把資訊輸入到一個固定的使

用一些原始資訊的類型集合中。例如建議是否接受所提議的信用卡交易。關於信

用卡的主人、付款紀錄、購買的物品以及購買物品的公司等資訊應該是可以得到

的（例如，關於這個公司以前是否有過信用卡詐騙的資訊）。

：人工智慧的研究是如何進行的。

答：人工智慧的研究包括理論和實驗兩方面，而實驗方面還有基礎和理論之分。

　　人工智慧的研究主要有兩條線索。一條是生物學的，基於這樣的思想：既

然人類有智能，那麼人工智慧就應該學習人類，類比它們的心理和生理。另一

條是現象學的，基於對關於世界的常識事實和為了達到目標而提出來的問題的

研究和形式化。這兩個方面在某種程度上是互相作用的，並且最終兩者都會取

得成功。這是一場賽跑，但是兩個參賽者好像卻在走。　　　　　　　　　　　　　　　　　　　　　　　　　

 

問：在學習人工智慧前必須先學習什嗎？

答：學習數學，特別是數理邏輯。一般來講，有關的科學知識學得越多越好。

用生物學處理人工智慧，必須學習心理學和神經系統的生理學。學會幾種程式

設計語言，至少是C,Lisp和Prolog。學習一門基本的機器語言也是一個好主意。

進一步的工作可能要依靠熟知目前流行的語言。90年代末，包括C++和Java。

 

問：關於人工智慧有那些好的教材？

答：Stuart Russell和Peter Norvig寫的，Prentice Hall出版社出版的《人工

智能》是1997最通用的教材，那裡表述的一些一般觀點和本文並不一致。Nils

Nilsson寫的，Morgan Kaufman出版社出版的《人工智慧：一個新的綜合》可能

更容易讀。

 

問：與人工智慧有關的組織和出版物有哪些？

答：美國人工智慧協會(AAAI) (http://www.aaai.org)，歐洲人工智慧合作委員

會(ECCAI)(http://www.eccai.org/)和人工智慧和行為類比協會(AISB)

(http://www.cogs.susx.ac.uk/aisb)是跟人工智慧研究有關的科學協會。電腦

協會(ACM)有個特別有趣的小組跟人工智慧有關，叫做SIGART

(http://www.acm.org/sigart).　　　　　　　　　　　　　　　　　　　　　　

 

　　國際人工智慧聯合會(IJCAI)(http://www.ijcai.org)是最主要的國際會議。

《人工智慧的電子學報》Electronic Transactions on Artificial Intelligence

(http://www.ida.liu.se/ext/etai/)、《人工智慧》Artificial Intelligence

(http://www.elsevier.nl/locate/artint/)、《人工智慧研究雜誌》Journal of

Artificial Intelligence Research (http://www.jair.org/)和《IEEE模式分析

和機器智能學報》IEEE Transactions on Pattern Analysis and Machine

Intelligence(http://computer.org/tpami/)是四個發表人工智慧研究論文的最主

要的雜誌。我能夠找到的所有資訊都已經包含在這裡了。

 

　　首頁Positive Reviews(http://www.cs.utexas.edu/users/vl/ppr/)列出了一

些專家們認為重要的論文。.