复杂性中的思维物质-第32章
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
牧橄喙匦浴Ｏ低巢⒎亲苁瞧洳糠种雍汀！�
科学哲学中的一些划界可以翻译为以知识为基础的系统的性质。如果研究使得理论概念得到广泛运用而成为一个理论的固有特性，那么发现过程就可以描述为依赖理论的（理论推动的）。相反的观点，通常叫做培根观点，把大批数据作为其起始点。那么，发现过程就称作数据推动的。在理论的和数据的知识处理之间的划界，在AI中是众所周知的。
现在我将从以知识为基础的系统中勾画出一些程序，这些系统使得各种各样学科的任务得以完成，其优点前面也已经提到了。我的第一个例子涉及到数学。AM是一个以知识为基础的系统，可以说，它从数论中递归地产生出和重新发现了概念。与经验科学中的程序形成鲜明对照的是，AM成功的标准并非是一个概念与经验数据的吻合，“有趣”的方面却是它产生出例子、新问题等等的能力。这种程序是1977年用LISP语言写出的，始于诸如集合、表格、相等和操作这样的基本概念，可以提出引导发现过程的建议。启发过程是在原来的基础上提出新任务并创立新概念。新的任务按照其有趣的程度整理成一定次序。由若干不同启发过程提出的种种任务，比由单个规则提出的任务更为有趣。
运用这种措施来引导它对数学概念空间进行搜索，AM为整数、乘法和质数定义了概念，并发现了关于质数的命题（例如因子唯一分解性定理）。
不过，更深入的分析表明，对发现的历史过程进行模拟的要求是难以满足的。AM的成功完全决定于编程语言LISP的特征。然而，分析显示了与人们研究过程的有趣类似。
如同其名称LISP表明的，符号表是系统地作出的。两个表可以递归地定义为相等的，当两者是原子的且原子是相等的，否则当表头是相等的且表的其余部分是相等的。在LISP中，递归的布尔函数标记如下：
（DE LIST－EQUAL（XY）
（COND（（OR（ATOM X）（ATOM Y））
（EQ X Y））
（T（AND
（LIST－EQUAL（CAR X）（CAR Y））
（LIST－EQUAL（CDR X）（CDR Y））））））
这里，CAR和CDR分别是LISP中，对于给定的符号表进行表头和表的其余部分分类的基本操作。AM的一个启发的概括规则推广了等价这一术语。然后，两个表被称作“广义相等的”，如果两者是原子的且原子是相等的，否则表的其余部分是“广义相等的”。在LISP中：
（DEL－E－1（XY）
（COND（（OR（ATOM X）（ATOM Y））
（EQ X Y）
（T（L－E－1（CDR X）（CDR Y）））））
由此推广，所有具有相同长度的表都被看作是等价的。它们定义了叫做“数”的一类。儿童面对具体对象时实现的这种发现过程，由AM通过变换规则进行了模拟。加法是两个表的连接。由启发变换规则来形成已产生概念的逆时，发现了质数概念。在AM基础上改进的EURISKO（1983），不仅仅可以发现新的概念，还可以发现新的启发过程。
一系列叫做BACON的程序对定量经验定律的发现进行了分析。BACON系统的名字取自弗朗西斯·培根，因为其中运用了培根关于科学推理性质的思想。它们是数据驱动的知识处理系统，其中包括数据收集，找出在两个或更多个变量之间的规则并对其进行检验。BACON的基本方法并不需要涉及数据的语法意义，它们对于数据进行操作，不对数据的结构作任何特殊的假定。有时，需要人们对于独立项进行实验控制，传统的“一次改变一项”的方法可以用来从相关变量中分开每一独立项的效应。BACON程序可以再产生出物理定律，包括波义耳定律、开普勒第三定律、伽利略定律和欧姆定律。
有关考察表明，这种以知识为基础的系统至少要遵从这样的前提条件：对于不同学科间规律的关联，应该满足同样的方法论和启发框架条件。相应的以知识为基础的系统，不仅仅是再产生一定的定律，这些定律是在不同的历史背景中发现的，而且也对称地产生出完整的方法论概念的范围和挑选出有趣的应用。最新的BACON程序不仅仅是数据推动的，因而是严格的意义上的“培根式的”，而且还是理论推动的。在其对称性和守恒定律的理论前提下，它产生出了例如动量守恒定律。
另一系列程序能够从经验数据中归纳出定性定律（GLAUBER，STAHL，DALTON）。这些程序还可以从一些现象中归纳出结构性和解释性模型。定性定律通常是化学中的定律。
科学家与机器之间的竞争并非是有意的。不过，对于科学定律和理论做出系统的结构性分类已经实现。它可以使人们对科学定律及其发现条件的复杂性进行新的洞察。
对于科学发现的多种多样活动的若干方面，诸如发现定量定律，产生出定性定律，推导出物质的成分和提出结构模型。一种整合的发现系统已经显示出曙光，它把个别系统作为组件结合起来。每一组件都接受其他一个或多个组件的输入。
例如，STAHL集中在确定化学物质的成分上，而DAL－TON则关心反应中涉及到的微粒数目。因此，STAHL可以看作是，为DALTON所论的问题奠定了详细的结构模型基础。以这种方式，有可能发展起越来越复杂的以知识为基础的系统，将研究分解为知识处理和问题求解。
甚至在这样的扩大了的研究框架中，我们仍然没有涉及到实验计划或新测量手段的发明所依赖的机制。任何固有的概念与实施测量的实验安排结合起来，都可以用作一种科学的工具。在此情形下，工具的发现恰好也就与概念自身的发现是重合的。
还有一些以知识为基础的系统，它们考虑了实验的设计以及它们与其他科学研究活动的相互作用。在图5．11中示意了一个叫做KEKADA的系统（由西蒙研究小组发明），其中有假说产生者、实验选取者和预期设定者等等。它已经发展到为生物化学中的实验设计建立模型（克雷布斯1935年发现尿素循环）。如同知识工程师，西蒙和他的小组分析了克雷布斯的实验室记录，定义了他的研究方法论规则，并将其翻译成LISP类型的编程语言。
如果该系统没有确定哪一任务继续进行，问题选取者就将决定该系统将继续进行某一任务。当遇到了新的问题时，假说产生者就造出假说。假说或策略建议者将选取一种策略继续进行下去。然后，实验建议者将提出将要进行的实验。两种类型的启发过程可能都需要决策者。实验者的结果由假说修订者和确证修订者来加以解释。合适时，问题产生者可能把新问题加入进来。如果实验的结果与对于实验的预期相抵触，那么对于这种迷惑人的现象的研究就成为一个任务，并列入议程。
甚至该系统的组件也是一种操作者，它是由产生规则表来定义的。除了专业领域启发过程以外，系统还包含一般的规则，它们是一般研究方法论的部分。引人瞩目的是，特定的规则定义了这样的情形，即实验结果是某种“迷惑人的现象”。科学发现因此就成为了由问题求解启发过程引导的一个渐进过程，而不是由个别的“洞察闪光”或突然飞跃所导致的。这些以知识为基础的系统的例子，在例如程序DENDRAL是化学家的实验室助手的意义上，可以解释为哲学家对科学进行研究的助手。借助它们，可以对某些启发性规则产生的整个可能规律的空间进行调查。但是，它们是精确的助手，而不是主人。它们的“洞察的闪光”，这种由系统识别到的“惊奇之举”，是取决于程序框架的，是由主人设定的。
激发了早期AI研究者的图林问题怎么样呢？“机器能否思维”？机器有“智能”吗？在我看来，这种问题对于计算机技术是一种形而上学的问题，因为“思维”和“智能”都不是清晰定义的计算机科学或AI的概念。
这就是我们今天所能说的一切。如果一个程序产生出一种结构，该结构可以解释为一种新概念，那么所用变换规则就隐含地包含了这种概念和相应的数据结构。引导这些规则应用的算法，使得这种隐含给出的概念和数据结构变得明白起来。在关于AI的哲学讨论中，多数含混都是由AI的术语引起的，它是在技术意义上引入的，但是却结合进了一些往往是陈旧的和精致的哲学和心理学意义。在其他学科中，我们不得不与传统的术语和概念生活在一起，同样，如果将它们从其技术内容中抽象出来，那么它们就可能是高度含混的。“人工智能”（AI）中的“智能”概念就是一个例子。
一个常常迷惑哲学家的术语是AI中“知识”的用法。让我再一次强调，在“以知识为基础的系统”术语中的“知识”具有技术上的意义，并不声称要解释整个哲学的、心理学的或社会学的知识概念。在AI技术中，作为实际的计算机科学的部分，完全没有涉及到哲学还原论。
在所谓的“以知识为基础的系统”中的“知识处理”意味着一种新的复杂信息处理，这要与过去的仅仅是数字的数据处理区别开来。它涉及到翻译和解释的复杂变换规则，其特点是处于编程语言（今天是LISP或PROLOG）层次结构的较高水平上。这种水平接近于自然语言，但是当然不是等同于自然语言，而只是抓住了人类知识的广泛意义的一些方面（图5。12）。然而，知识处理仍然是程序控制的，并处在莱布尼茨的思维机械化的传统中。
如果人的精神被认为一种图林类型的计算机，那么支配着人的身体和大脑的自然规律之间就没有什么关联。计算机软件中的算法程序并不取决于物理机械的硬件，而取决于数学上理想化的图林机概念。但是如果把人的精神理解为自然进化的产物，那么关于人的精神的形成的物理、化学和生物学的规律的关联性就必须加以考察。在现代物理学中，基本的物质理论是量子力学。在经典物理学中，物理系统的相互作用被设想成与人类观察者完全无关的过程，而现在看来人的意识也在测量过程中起着关键性的作用。首先，我将要尽量地批判这些解释，但是采取怀疑式的探究方式。然而，业已表明，量子力学是高效的广义量子计算机和量子复杂性理论的物理学框架，它们与经典的图林机和经典的复杂性理论是不相同的。
显然，图林机可以在经典物理学框架中得到解释（图5．13）。这种计算机是一个物理系统，其动力演化使之从一组输入状态之一进入到一组输出状态之一。状态以某种系列方式加以标记。让机器处于一定输入水平的某个状态，随之进行某种确定性运动，然后再测量其输出状态。对于一个经典确定性系统，所测得的输出标记是输入标记的一个函数f。原则上，该标记值可以由外部观察者进行测量，这就是说该机器计算出了函数f。但是，经典的随机计算机和量子计算机并不计算上述意义上的函数。一台随机计算机的输出状态是随机的，依赖于输入状态的可能输出只是某种几率分布函数。量子计算机的输出状态，尽管完全是由输入状态确定的，但并非可观测的，因此观测
