1956年夏天，在Dartmoth大学，由麦卡锡（J.McCarthy）、明斯基（M.Minsky）、罗彻斯特（N. Lochester）和香农（E.Shannon）发起，邀请莫尔（T.More）、塞穆尔（A.Samuel）、赛夫利奇（O. Selfridge）、索罗孟夫（R.Solomamff）、纽厄尔（A. Newell）和西蒙（H.Simon）等10人参加，探讨计算机能做什么，不能做什么，用计算机模拟人类智能的各方面问题和特征，历时两个月之久。在这个会上第一次正式使用了Artificial Intelligence（人工智能）这一术语，它标志着人工智能这门学科的正式诞生。会后，在美国形成了三个以人工智能为目标的研究组织，并很快取得了多项重大突破，人工智能作为一门新兴学科受到世人的注目，它与原子能和空间技术一起被誉为20世纪的三大科学技术成就，人工智能的原理和方法已经渗透到计算机科学技术、信息科学技术和社会生产生活的方法面面，对21世纪的发展正在产生不可替代的重大影响。甚至有人预言整个21世纪将是智能科学的世纪，因为现在电子信息科学技术和生命科学技术正在成为推动整个时代迅速向前发展的带头学科，而生物信息系统和电子信息系统发展的最高水平都是智能，智能既是生命演化的最高形式，又是信息科学技术发展的最高层次。

今年是人工智能学科诞生50周年，也是中国人工智能学会创建25周年。十年树木，百年树人，人工智能学科更不可能在短期内发展成熟。它经历了逻辑推理、知识工程、机器学习和计算智能等发展阶段，经受了成功的狂热和失败的危机。回顾人工智能学科走过的艰难历程，总结它的经验和教训，展望未来发展，是我们每个人工智能工作者义不容辞的责任。本文将从逻辑学的独特视角出发，探讨人工智能学科的过去和未来，以期抛砖引玉。

一、逻辑在智能科学中的地位和作用    

    （一）逻辑和智能的同源性

人类最早是从自己的抽象思维能力中认识到智能的存在，尽管学术界对“什么是智能”仍在争论不休，但他们有一点是共同的，都认为“人是有智能的，智能存在于人的思维活动中”。同样地，人类也是最早从研究人的思维规律中发现并建立了逻辑。如果说智能表示的是思维的能力，逻辑则是思维的规律，智能和逻辑是同源的，它们在从不同的侧面研究同一个问题，有不解之缘。

什么是逻辑？逻辑是思维的法则，思维则是各种客观事物变化规律在大脑中的映像。所以逻辑无处不在，当我们把人类思维和客观规律的“语义内容”抽去后，留下来的共同遵循的“语法规则”就是逻辑。我们不仅可从数学的推理过程中抽象出逻辑规律，建立经典数理逻辑，也可以从日常思维活动中, 从认识的发生、发展和完善的过程中，从市场的形成、发展和完善的过程中，从人工生命研究中，去发现和总结出各种逻辑规律，建立各种非经典数理逻辑。经典数理逻辑发展成熟后，有人认为“经典数理逻辑就是逻辑，逻辑就是经典数理逻辑”，因而把所有能被经典数理逻辑描述的问题称为“逻辑问题”，把不能被经典数理逻辑描述的问题称为“非逻辑问题”。这种狭义的逻辑观禁锢了逻辑学的发展，也阻碍了以智能科学和生命科学为代表的、与复杂系统密切相关的学科群的兴起。

    （二）逻辑学的多样性

    认为“只有经典数理逻辑才是逻辑”的观点是片面的，逻辑存在多样性。从研究对象上看，逻辑学可分为形式逻辑和辨证逻辑两部分：形式逻辑研究具有内在同一性和外在确定性的概念、命题之间的必然联系；辨证逻辑研究具有内在矛盾性和外在不确定性的概念、命题之间的必然联系和演化。它们分别反映了两种不同“世界”的逻辑规律：形式逻辑反映了封闭、全信息、确定性的“理想世界”的逻辑规律，其中排除了一切形式的不确定性、矛盾和演化；辩证逻辑反映了开放、非全信息、非确定性的“现实世界”的逻辑规律，其中需要不同程度地考虑某种形式的不确定性、矛盾或演化。“理想世界”是对“现实世界”的一种简化或近似描述。

从描述形式上看，逻辑学又有自然语言形态和数学形态两种：自然语言形态的逻辑叫传统逻辑；数学形态的逻辑叫数理逻辑。数理形式逻辑(即经典数理逻辑)是刚性逻辑，它只有一个，包括命题演算、一阶谓词演算、公理集合论、递归函数论、证明论和模型论，是一个完整的理论体系；数理辨证逻辑(指经典数理逻辑之外的其它各种逻辑)是柔性逻辑学。由于现实世界中的不确定性、矛盾和演化有无穷多种不同的表现形式，所以柔性逻辑学有无穷多个不等价的形式，它们正处在形成过程之中，目前尚无统一的理论体系（见图1和表1）。

图1 逻辑学的多样性

传统逻辑是用自然语言描述的，它便于人的阅读、理解和使用，但自然语言的多义性不仅影响了它的严谨性，对研究和应用不利，而且给机器的理解和使用带来了巨大的困难。数理逻辑是用数学语言描述的，没有多义性，便于机器的理解和使用，但对人来说，数学语言的抽象性会增加它阅读上的困难。由于自然语言理解水平的限制，至少在相当长的时间内，机器只能接受和使用数理逻辑，所以本文将局限在数理逻辑意义下讨论人工智能和逻辑学的关系。

表1 不同逻辑学的差别

    （三）对逻辑和智能关系的认识过程

在人工智能发展史上，对逻辑和智能关系的认识过程，反反复复地经历了几个不同的阶段：

1、人工智能学科的诞生经历了漫长的孕育过程，这段历史已经证明：思维机械化的前提条件是逻辑的数学化；形式逻辑的数学化产生了经典数理逻辑；在经典数理逻辑基础上建立了计算机，计算机科学和计算语言学，最后在它们的基础上为了克服计算机的“算法危机”诞生了人工智能。这一系列的事实使人们相信，逻辑是人工智能的理论基础。

2、人工智能最初的20年是逻辑学派占主导地位的时期，主要是发现了逻辑推理和启发式搜索在智能模拟中的重要作用，并依靠这些发现，很快在定理证明、问题求解、博弈、LISP语言和模式识别等关键领域取得重大突破。人工智能的先驱者认为，人工智能与传统计算机程序的本质差别就在于它能够进行逻辑推理。他们甚至预言，依靠逻辑中几个有待发现的推理定理和计算机的大容量及高速度，可以在不久的将来完全解决智能模拟问题。

３、但经过对消解原理和通用问题求解程序的深入研究后发现，这个预言根本无法实现，人工智能中的推理和搜索，与传统的数值计算一样，也存在组合爆炸问题，依然无法回避算法危机。依靠经典数理逻辑和通用问题求解程序彻底解决智能模拟问题的梦想失败了，人们从专家系统的成功终于发现，人类之所以能快速高效地解决各种复杂问题，不仅是由于人有逻辑推理和启发式搜索能力，更由于人具有知识，特别是有关领域的专门知识。人工智能的发展进入为期10年的知识工程时期，主要是发现了基于知识的推理在智能模拟中的重要作用，知识表示、知识利用和知识获取成为人工智能的三大关键技术，知识工程的方法很快渗透到人工智能的各个研究分支领域，并迅速地产生了许多奇迹般的效果，人工智能开始从实验室走向实际应用，有人甚至断言，一个智能化的时代已经到来。但是，高效率的专家知识常常是没有完备性和可靠性保证的经验知识，问题状态也不一定是真假分明的二值状态，经典数理逻辑对它无能为力，人们不得不依靠各种经验性的不精确推理模型。                                                                              
    4、上世纪80年代中期开始的人工智能理论危机彻底暴露了经典数理逻辑的局限性：各种经验知识推理、常识推理和机器学习过程都无法用经典数理逻辑描述和处理；群体智能中各 Agent只有局部的知识和智能，它们之间存在矛盾和利益冲突，不满足经典数理逻辑的使用条件。经典数理逻辑已经完全不能满足人工智能（符号主义）深入发展的需要。                         
    5、近十多年来蓬勃兴起的计算智能（包括连接主义、行为主义、神经计算、进化计算、免疫计算、生态计算等）用结构、模型、过程来描述智能，自称是不需“知识”和“逻辑”的智能。这从根本上动摇了逻辑在智能科学技术中的基础理论地位。

6、与此相反，不少逻辑学家正在努力拓展经典数理逻辑，以适应计算机科学，计算语言学和人工智能发展的需要，取得了丰硕的成果，这集中反映在由英国伦敦国王学院加贝（Dov M. Gabbay）教授和德国路德维希-麦克米兰大学冈瑟（F. Guenthner）教授共同主编的《哲学逻辑手册》(Handbook of Philosophical Logic)中。该书1983-89年间出版了4卷，从2001年开始出版第 2版，约18卷，迄今已经出版12卷，该手册被认为是当代研究和应用逻辑学的圣经。

综上所述，在人工智能的发展史中，对逻辑与智能关系的认识大致经历了三个不同的时期：在早期是完全肯定的回答，人工智能认为经典数理逻辑是它的重要理论基础之一；在中期由于人工智能理论危机和计算智能的出现，有人认为存在不需要知识和推理的智能，对逻辑和智能的关系产生了怀疑和动摇；现阶段随着智能概念的泛化，知识和逻辑的概念也在泛化，人们正在探索泛化意义下逻辑和智能的关系，希望能找到肯定的答案。

搞清楚逻辑和智能的关系意义十分重大，它有助于深刻认识智能的本质，为智能科学奠定重要的理论基础，使人工智能有一个统一可靠的逻辑基础，这是人工智能由实证科学向理论科学过渡的必要条件。我们认为逻辑始终是智能科学中的基本科学问题，当前的问题不是智能可以脱离逻辑而存在，而是逻辑要适应智能科学的发展而发展。

下面通过具体的历史事实详细讨论这个问题。

二、人类对思维规律和智力机器的不懈探索

回顾人类几千年的文明史，人工智能的出现是人类对思维规律和智力机器长期研究的结果。自古以来就有人探索人脑思维的奥秘，希望发现规律，用机器代替、延伸和增强人的智力，以提高人类认识自然、改造自然和与自然和谐相处的能力。

    （一）哲学思想上的重大突破

古希腊哲学家亚里士多德（Aristotle, 384--322, B. C）是研究人类思维规律的鼻祖，他首先在《物理学》中把物质(matter)与它的形式(form)加以区分：如雕像是用青铜材料做成的，它的外形象人。这种思想为许多现代科学概念奠定了哲学基础，比如符号计算和数据抽象等。

亚里士多德还在《工具论》(organon)中把思维的形式和它的内容相分离，抽象出了形式逻辑和演绎法，创立了逻辑学。例如如果知道“所有人都会死”和“苏格拉底是人”，那就可以推出“苏格拉底会死”。这个广泛存在的思维法则就是逻辑中著名的三段论，一种假言推理的演绎推理形式。尽管公理形式的经典数理逻辑是2000多年后在弗雷格、罗素、哥德尔、图灵和塔尔斯基等人的努力下才真正建立起来，但其思想根源是亚里士多德的把思维的形式和内容分离开来进行研究。

现代科学方法论形成过程中的最重要事件是哥白尼的日心学说，他以“非显而易见”的日心模型，推翻了“显而易见”的地心模型。第一次发现了认识与存在的分离，也就是主观和客观的分离，这对现代科学研究起到了关键的作用。伽利略进一步扩大了哥白尼的突破，他以数学作为描述世界的工具，强调了我们对世界的认识与世界本身的差别。科学方法论的系统应用，使人们不再把自己的直观感觉作为理解世界的工具。

至此人类在哲学思想上完成了以下重要的转变：1）把思维的形式从思维的具体内容中分离出来，发现各种不同内容的思维过程都遵循着相同的思维法则，这导致了专门研究思维法则的逻辑学的诞生；2）把意识从物理世界中分离出来，发现人对世界的认识结构不一定与世界的物质结构完全相同，这个思想奠定了现代科学方法论的哲学基础。也就是说，精神过程有其自身的存在形式和运动法则，它可以被独立地研究和描述；3）把意识从它存在的肉体中分离出来，发现意识是独立于肉体的实体，可对它进行单独地研究和描述。同时，必须找到一种方式把它们重新联系起来，因为精神和肉体的相互作用是人类存在的关键。一般地讲，精神过程需要通过像大脑(或计算机)这样的物理系统来实现，这个思想奠定了计算机和人工智能的哲学基础。

    （二）逻辑学的建立和数学化

要制造可以模拟人类思维的智力机器，必须首先研究思维的规律，几千年前我们祖先提出的阴阳学说蕴涵着丰富的哲理，对逻辑学和计算机的发展有重大影响。世界上最早系统研究逻辑学的是亚里士多德，他早在2300多年前就发现了著名的三段论，在《工具论》中提出了形式逻辑和演绎法，创立了逻辑学。17世纪英国哲学家和自然科学家培根（F. Bacon, 1623--1662）创立了归纳法，并提出了“知识就是力量”的著名论断。随后，德国数学家和哲学家莱布尼茨（G. W. Leibniz，1646—1716）提出了“万能符号”和“推理计算”的思想，希望把一切逻辑推理都化归为计算，并建立一套普遍适用的符号语言。这是数理逻辑和智力机器思想的萌芽，由于这一贡献，他被尊为数理逻辑的第一奠基人。

19世纪，英国的数学家布尔（G. Boole，1815—1864）在《思维法则》一书中，第一次用符号语言描述了思维的基本法则，真正使逻辑代数化，初步实现了莱布尼茨的理想，创立了逻辑代数。布尔代数是经典数理逻辑和计算机科学的核心。他之所以伟大，是因为布尔系统具有非常的能力和简洁性：逻辑计算的核心只有“与”(∧)、“或”(∨)和“非”( )三种运算，这些运算是形式逻辑的基础，也是计算机设计的基础。布尔还注意到“逻辑符号服从一种特殊的数量符号不服从的定律”：对任意元素X，X∧X=X，X∨X=X，它表示一旦知道了某件事为真，无论那么重复也不会增大这一信息。布尔系统不仅为二进制算术提供了理论基础，也说明非常简单的形式系统足以捕捉逻辑的全部威力。布尔系统奠定了现代形式逻辑研究的基础，从罗素和怀海德的《数学原理》，到图灵和哥德尔的研究，直到现代的推理系统。

对经典数理逻辑贡献最大的是德国数学家弗雷格(Gottlob Frege)，他不仅完善了命题逻辑，还在《算术基础》中创建了一种数学语言，可精确明了地描述算术的基本概念。利用这个语言，弗雷格形式化了亚里士多德在《逻辑学》中提出的很多问题。后人称这种语言为一阶谓词演算，它不仅提供了一种工具来描述命题和真值指派这样的推理要素，而且为这些表达式的“意义”建立了公理基础。谓词演算形式系统(包括谓词符号、函数理论和变量)的目的是成为一种描述数学及其哲学基础的语言，在创建人工智能的表示理论和推理理论中起到了非常重要的作用。此外，意大利数学家皮亚诺在《算术原理：新的论述方法》一书里也对算术系统进行公理化。

怀特黑德（A. N. Whitehead）和罗素（B. A. W. Russel）合著的《数学原理》，标志着经典数理逻辑走向成熟。罗素和怀海德的著作对奠定人工智能的基础起到了非常重要的作用，因为他们的目标是通过对一系列公理的形式运算导出数学的全部内容。尽管人们已经通过基本定理建立了很多数学系统，但罗素和怀海德这次是从纯形式系统的角度来重新研究它们。也就是说公理和定理会完全被当成字符串，证明过程是应用完善定义的规则来对这些字符串进行操作。这样，证明的过程就不再依赖于直觉或定理的意义。证明的所有步骤都是严格地把形式(句法)规则应用到公理或者以前证明的定理上，即使对于那些被当成是“显而易见”步骤的传统证明也是如此。系统的逻辑推导过程，不需要定理和公理的语义参与。这种纯粹从形式角度（因而也就可以从机械角度）处理数学推理的方法为数学推理在物理计算机上的自动化实现奠定了理论基础。罗素和怀海德开发的逻辑句法和形式推理规则至今仍然是自动定理证明系统的基础，同时也是人工智能的理论基础。

塔斯基(Alfred Tarski)是另一位为人工智能奠定理论基础的数学家。塔斯基创立了指涉理论(theory of reference)，该理论使用了弗雷格或罗素和怀海德的合式公式(well-formed formulae)，以精确的方式指涉物理世界，这一成果成为大多数形式语义理论的基础。在论文《真理的语义概念和语义基础》中，塔斯基描述了指涉理论和真值关系。他对形式系统语义的深入的研究，丰富了逻辑语义学。

哥德尔 (Kurt Friedrich Godel, 1906--1978)对一阶谓词完全性定理与N形式系统的不完全性定理进行了证明，为二十世纪立下了一个不朽的丰碑。哥德尔完全性定理在谓词演算的语法概念与语义概念之间架起了一座桥梁，这里语法概念是指形式系统，语义概念是指数学模型。哥德尔完全性定理是：形式系统的一合式公式(或称命题，也称语句)集合S叫做协调的，如果此系统内不存在一合式公式A，使得从S出发公式A与 A都是可证的。哥德尔完全性定理是关于形式系统整体特征性的定理，而不是系统内部的形式定理。哥德尔完全性定理是当代模型论的基本定理之一，由它导出了一系列重要结果。哥德尔第一不完全性定理是：如果P是协调的，则有一算术的形式命题A（即A为P中一命题)，并且A与 A在P中都是不可证明的。哥德尔第二不完全性定理是：如果系统P是协调的，那么它的协调性在系统P中是不可证明的。哥德尔的上述结果对逻辑学和数学特别是数学基础学产生了巨大的影响，使它们在新的起点上获得了新的发展，揭示了机械的与非机械的思维活动的基本性质，论证了形式系统的逻辑标准和局限性，这些都是人类认识史上的重大结果。根据海伯伦(J. Herbrand)和哥德尔的意见，克林(S. C. Kleene)对一般递归函数理论作了深入的研究，丘奇(A. Church)建立了λ演算理论，图灵(A. M.Turing，1912—1954)建立了另一种描述算法的机械性思维过程，人们称为图灵机。上述几种机械性思维过程的概念和理论都是等价的，可以相互转换。

命题演算和一阶谓词演算的提出标志这经典数理逻辑的诞生，公理集合论、递归函数论、模型论和证明论的形成标志经典数理逻辑的成熟，它为人工智能的诞生奠定了逻辑基础。

    （三）计算机的出现和广泛应用

在探索思维规律的同时，人们一直在研究会思维的智力机器。例如我国古代发明的算筹和算盘是帮助人进行计算的古典机械，发明的水运仪象台是帮助人进行天文观测与星象分析的仪器，发明的候风地动仪是测报与显示地震的仪器等。在世界历史上，关于制造可完成计算、推理和其他智能机制的思维机器的记载更是不胜枚举。12世纪末至13世纪初西班牙逻辑学家罗门· 卢乐（Romen Luee）最早提出制造可解决各种问题的通用逻辑机。17世纪法国物理学家和数学家帕斯卡（B. Pascal，1623--1662）制成了世界上第一台机械式加法器，并在他生前就得到广泛地应用。莱布尼茨还在帕斯卡加法器的基础上制成了可进行四则运算的计算器。

在整个19世纪中，研究智力机器的最高成就属于英国的数学家巴贝奇（C. Babbage，1791—1871），他是操作学研究的创始人之一，也是第一台可编程机械计算机器的设计者，同时还可以把他看成是人工智能的早期实践者。他毕生致力于差分机和分析机的研究，差分机是一种专门用来计算特定多项式函数值的机器，也是分析机的先驱。分析机是一种通用的可编程计算机器，巴贝奇的设计动机是想应用当时的科技把人们从繁重的数学计算中解放出来。在这种热情鼓舞下，凭借着他从机备角度建立的计算机观念，完全以19世纪的术语构思着计算机的蓝图。其中已经包含了很多对现代计算机十分有用的思想，如是数字机而不是模拟机的概念；存储器和处理器分离(他称为“仓库”(store)和“工厂”(mill))；基于执行一系列编码在穿孔卡片上的操作的可编程能力等。从结构上看，分析机已经包含了一个通用数字计算机必须具有的输入器（把数据和指令序列输入机器）、存储器（保存数据和指令序列）、控制器（控制指令序列的执行）、运算器（执行指令规定的运算）和输出器（把结果告诉用户）等五大部分，可以说是现代电子数字计算机的雏形。但终因时代和个人财力的限制，分析机未能取得最后成功，巴贝奇也抱憾死去，他超人的思想一并被埋进了坟墓，致使一百年后计算机科学家们不得不重走一遍他已走过的探索之路，成为科学史上的一大憾事。

在20世纪，为现代计算机和人工智能的诞生作了大量开拓性贡献的是英国数学家图灵，他是一个超时代的奇才，1936年24岁的图灵就提出了理想计算机模型（即图灵机），创立了自动机理论，把智力机器的研究大大地向前推进了一步。所谓图灵机由逻辑自动机、磁头和磁带三部分组成，逻辑自动机是一个布尔函数，它详细规定了磁头如何读、写和移位；磁带是一个具有无穷多单元的记忆装置，每个单元可通过磁头写0、写1或不写，也可以通过磁头把单元中的内容读出来，送给逻辑自动机；磁头受逻辑自动机的控制，在磁带上完成读、写和移位等动作。已经证明，所有可计算的函数都可以在图灵机上运行，所有在图灵机上运行的函数都是可计算的。图灵机是整个20世纪中提出的最重要的数学概念之一，它奠定了整个计算机科学的理论基础。1945年图灵在为英国ACE计算机提出的一份长达50页的设计说明书中，进一步阐述了他关于电子数字计算机的设计思想。遗憾的是这些超人的见解大部分未被当局采纳，也未公诸于世。直到1977年英国计算机学报才透露说：图灵1945年设计思想的21种特点中，已有15种由别人重新提出并在计算机上实现了。如变址寄存器、微程序设计、虚拟存贮器和变指令系统等。1950年图灵在《计算机能思维吗？》一文中明确提出了“机器能思维”的观点，并设计了一种检验机器智能的实验（即著名的图灵测验）。

匈牙利数学家冯· 诺依曼（John. Von. Neumann）1945年提出了存储程序的思想，奠定了通用数字计算机体系结构的基础，标志着通用数字计算机时代的开始，至今的通用电子数字计算机仍然是冯· 诺依曼型的体系结构。1946年美国的数学家莫克利（J. W. Mauchly，1907—1980）和研究生埃克特（J. P. Eckert）合作，研制成功了第一台通用电子数字计算机 ENIAC，以后又出现了计算机软件、计算机语言和计算机理论。在这个基础上出现了各种计算机应用，从此开始了以通用电子数字计算机为主的新时代。

计算机的迅速发展和广泛应用，为人工智能学科的诞生准备了充足的物质条件。

1948年美国数学家维纳（N. Wiener）创立《控制论》、香农创立《信息论》、美籍奥地利生物学家贝塔朗菲（L. V. Bertalanffy）创立《系统论》，英国生物学家阿希贝（W. R. Ashby）出版《设计脑》一书。1956年初香农和麦卡锡广泛收集了关于思维机器研究的十三篇论文，汇编成《自动机研究》一书。这些成果充分显示出人工智能学科已经是躁动于母腹中的即将出世的婴儿了。

三、人工智能学科的诞生和早期发展

    （一）算法危机促进了人工智能学科的诞生

促使人工智能学科诞生的直接原因是20世纪50年代中期在传统计算机应用中出现了“算法危机”。电子数字计算机诞生后，曾经有人认为人类已经找到了模拟和放大人类智力的理想工具，只要能找到某个智能问题的数学模型和算法解，并把它编制成程序，就可以用计算机来完成它，据此人们形象地称计算机为“电脑”。但随着计算机的广泛应用和计算机科学研究的深入，人们发现事情并不象想象的这样简单。传统计算机应用的基本思想是“数学+程序”，在这里，利用计算机解决问题需要三个先决条件：

1）能建立被解问题的数学模型，即能找到该问题输入和输出之间的数量关系，把它转化为一个数学问题；

2）能求解这个数学问题，即能找到该数学问题的算法解；

3）能根据算法解编制可以在计算机上实际运行的程序。

然而理论计算机科学家们经过深入研究后惊奇地发现，算法的能力是十分有限的：

1）人类思维中的绝大部分问题都无法转化为一个数学问题；

2）绝大部分数学问题不存在或很难找到算法解；

3）绝大部分有意义的算法解都是指数型的实际不可计算的。

这就是计算机科学中所谓的“算法危机”。可是常识告诉我们，在人的思维过程中并不存在这种危机，这说明传统计算机应用中“数学+程序”的思想只能解决一小部分理想化的问题，它对智能模拟来说是远远不够的。于是人们产生了通过对人脑快速高效解决各种复杂问题能力的研究和模拟，来克服算法危机，使计算机更加聪明和有用的愿望，这就是在计算机科学的基础上，又出现了人工智能学科的由来。

1956年的Dartmoth会议后，在美国形成了三个以人工智能为目标的研究组织，并很快取得了多项重大突破，引起世人的注目：

1）Carnagie—RAND研究小组

1957年，纽厄尔、肖（J. Shaw）和西蒙合作编制了能模拟人用数理逻辑证明定理的逻辑理论机（The Logic Theory Machine简称 LT）程序。它用分解（把一个问题分解为若干子问题）、代入（用常量代入变量）和替换（用一个逻辑符号替换另一个逻辑符号）等方法处理待证的定理，如果这些子问题最终能变换成公理或已证明过的定理，该定理就可得证。分解、代入和替换属于推理规则，先解决子问题然后解决总问题是程序给定的解题策略。只要事先在机器中存入一组公理和一组推理规则，LT程序就可以在探索中求解问题。利用LT程序，纽厄尔等人证明了怀特黑德和罗素的名著《数学原理》第二章中的38条定理（1963年在一部较大的计算机上终于完成了该章中全部52条定理的证明）。学者们普通认为，这是用计算机对人类高级思维活动进行研究的第一个重大成果，是人工智能研究的真正开端。

2）IBM研究小组

1956年，塞穆尔在IBM704机上研制成功了具有自学习、自组织和自适应能力的西洋跳棋程序，它和LT程序都是第一次在计算机上运行的启发式程序。这个跳棋程序可以象一个优秀的棋手那样向前看几步后再走棋，可以向人学习下棋经验或自已积累经验，还可以学习棋谱。这是模拟人类学习过程的一次卓有成效的探索。1959年这个程序已击败了它的设计者，1962年又击败了美国一个州的冠军。

3）MIT研究小组

1958年，麦卡锡研制成功了行动规划咨询系统。

这以后人工智能在经典数理逻辑和启发式搜索的基础上蓬勃发展。1956年侨姆斯基（N. Chomsky）提出了一种文法的数学模型，开创了形式语言的研究，具有有深远的影响。形式语言和自动机是等价的，它们都可以用来研究思维过程。1958年麦卡锡建立了人工智能程序设计语言LISP，它可以更方便地处理符号，为人工智能研究提供了重要工具。1963年纽厄尔发表了问题求解程序，使启发式程序有更大的普适性。1968年Quillian提出了语义网络的知识表示方法。1972年Winograd发表了自然语言理解系统SHRDLU。法国马赛大学的Colmerauer创建了PROLOG语言。1973年Schank提出了概念从属理论。1974年明斯基提出了重要的框架知识表示法。

这时期人工智能研究的特点是以计算机为通用工具，从心理学的观点出发，撇开大脑的微观结构和智能的进化过程，单纯利用程序进行人类抽象思维功能的模拟，人们把它称为符号主义、逻辑主义、心理学派、语言学派和计算机学派。由于符号主义的这些特点，避开了当时知之甚少的大脑思维规律中许多深层次的复杂问题和专用机器的研制，利用比较成熟有效的心理学和逻辑学方法，这在当时的条件下显得特别简单、灵活、成本低、见效快，所以很快成为智能模拟的主流学派，独领风骚达30年之久。在这期间如果不特别声明，通常认为人工智能就是符号主义，符号主义就是人工智能，其它学派在很长一段时间内几乎被人遗忘。

    （二）纯逻辑的方法依然存在组合爆炸

人工智能诞生后的20年间是逻辑推理占统治地位的时期，这期间主要研究的是一批可以确切定义并具有良性结构的确定性难题，经典数理逻辑和启发式搜索在其中发挥了关键的作用。人工智能早期的巨大成就使人们产生了一种错觉，误以为依靠有待发现的几个推理定律，再加上计算机的高速度和大容量，就可以彻底解决智能模拟问题，机器不仅可以很快具有专家水平的智能，而且可以超过人类。例如1958年人工智能的创始人纽厄尔和西蒙就曾经很自信地预言：

10年内计算机将成为世界象棋冠军，除非通过一项比赛规则不准它参加；

10年内计算机将发现并证明当时还未发现的数学定理；

10年内计算机将能谱写出具有优秀作曲家水平并被评论家认可的乐曲；

10年内大多数心理学的理论将采用计算机程序来形成。

在这种思想指导下，人工智能学术界十分重视具有一般意义的推理算法和搜索策略的研究，轻视与问题直接有关的领域知识。后来的实践否定了这些认识，人们发现缺乏领域知识支持的弱方法存在致命的弱点：组合爆炸仍然会迅速地吞噬掉计算机的时空资源，数学方法中存在的算法危机在逻辑方法中仍然存在，最具有代表性的例子是消解原理和GPS研究计划。

消解原理。早在1930年海伯伦已证明一阶谓词演算是半可判定的，他给出了一个检验永真公式的算法：如果一个命题是永真的，则该算法可在有限步内停止；如果不是永真的，则无法在有限步内判定。海伯伦定理奠定了推理算法的理论基础，但海氏算法非常繁琐。1965年鲁滨逊（J.A.Robinson）根据海氏定理，提出一阶谓词逻辑的消解原理(Resolution Method)，大大简化了判定步骤，使推理算法达到了可实用的程度。但是纯粹根据消解原理只能证明十分简单的定理，对稍微复杂一点的数学定律，必须引入数学家的启发式经验知识，否则就会出现严重的组合爆炸。例如在利用消解原理证明“两个连续函数的和仍然是连续函数”时，推导了10万步还没有得到结果。

GPS研究计划。纽厄尔、肖和西蒙等人通过心理学实验，发现人在解题时的思维过程大致可以分为三个阶段：

1）首先想出大致的解题计划；

2）根据记忆中的公理、定理和解题规则，按计划实施解题过程；

3）在实施解题过程中不断进行目的和方法的分析，修订解题计划。

这是一个具有普遍意义的思维活动过程，其中最活跃的是目的和方法的分析。基于这一发现，他们在 1960年编制了一个通用问题求解程序GPS（General Problem Solving）。该程序可以解十一种不同类型的课题，例如不定积分、三角函数、代数方程、猴子与香蕉问题、河内塔问题、传教士和野人问题、人-羊过河问题等，使启发式程序有了较大的普适性。但他们在向更大范围内推广GPS研究计划时发现，GPS并不能解决所有的问题，因为通过差异来寻找方法必须满足两个前提条件：

1）对所有问题中的每一种差异，知识库中至少有一种方法与之对应，这意味着它必然是一个海量知识库；

2）存在一种快速搜索算法，它能在海量知识库中迅速查找所需要的知识。

事实上不仅海量知识库难以建立，而且海量知识和快速搜索之间是相互矛盾的，在现实的机器环境中很难同时做到。

现在，半个世纪已经过去了，纽厄尔和西蒙的预言并没有实现，人工智能程序在许多方面甚至不如一个3岁的小孩。人类智能可以巧妙地回避组合爆炸，高效率地解决问题，这表明智能模拟不能纯粹依靠逻辑推理和启发式搜索，它需要寻找更加有效的方法。

    （三）专门知识在智能模拟中的重要作用

人工智能学科诞生后的最初十年，主要是一批科学家在实验室中进行人工智能基本原理和方法的研究。他们认为：如何将人工智能的一般原理和方法应用到各个专门领域中去，是该领域工程师的事，人工智能科学家如果陷入各个应用领域，将会妨碍学科自身的发展。鉴于缺乏领域知识支持的弱方法的局限性，美国斯坦福大学的费根宝姆（E. Feigenbaum）教授力排众议，积极倡导人工智能要研究如何解决实际领域中的具体问题。1965年在他领导的研究小组内开始了第一个专家系统DENDRAL的研究，1968投入使用。该系统是一个化学质谱分析系统，能根据质谱仪的数据和核磁谐振的数据并利用有关知识推断出有机化合物的分子结构，其能力相当于一个年轻的博士。DENDRAL系统的成功，为人工智能开拓了一个新的研究领域—专家系统。1972年费根宝姆研究小组又开始了医疗专家系统 MYCIN的设计，该系统是为协助内科医生诊断细菌感染病人，为患者选择适当的抗菌药物而设计的。它的工作过程大致分四步：

1）确定患者是否有重要的病菌感染及是否需要治疗；

2）对致病细菌进行分类；

3）判断哪些抗菌素对该病菌起作用；

4）为患者选择最佳处方。

该系统能识别51病菌，正确使用23种抗菌素，它的全部医学知识包含在200条产生式规则之中。它还能够向医生学习新的规则，修改已有规则，向用户解释自己的诊断过程。无论从人工智能角度还是从医学角度看，MYCIN系统的设计都是相当成功的。1976年前后，美国对MYCIN系统组织了两次严格的考核，特别是第二次由八名医学专家组成的考核组，对包括医学教授、临床医师、医科大学生和MYCIN系统在内的众多对象进行了一次统考，结果是MYCIN荣获冠军。MYCIN系统的成功使它几乎成了专家系统的标准模式。从此，人工智能研究进入了一个新的发展阶段，各人工智能研究中心都开始了实验性专家系统的开发，各种不同领域的专家系统相继涌现，比较著名的有1971年MIT研制的数学专家系统MACSYMA，1976年斯坦福人工智能研究中心杜达（R.D.Duda）等人研制的地质探矿专家系统PROSPECTOR，1982年它预测到华盛顿州的一个钼矿，1978年拉特格尔斯大学研制的青光眼诊治专家系统CASNET等。

1977年，在第五届国际人工智能会议上，费根宝姆在专家系统的基础上进一步提出了知识工程（Knowledge Engineering）的概念，他认为，知识工程是人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段，并预言 80年代是专家系统发展的黄金时代。从此人工智能研究进入到知识工程时期，这时期的主要成就是确定了知识在智能模拟中的重要地位，知识工程的方法很快渗透到人工智能的各个分支领域，人工智能开始从实验室研究走向实际应用，并迅速地产生了许多奇迹般的效果。

进入80年代以来，专家系统的研究和应用已经迅速地渗透到各个产业部门，据1983年的一个统计资料表明，仅美国就建造了或正在建造50多个专家系统，从事专家系统的研究机构仅美、日两国就有70多个，且其中80％属于企业界。费根宝姆已被誉为知识工程之父。专家系统的成功、使人们更深刻地认识到：知识是人类智慧的源泉。人工智能系统应该是一个知识信息处理系统，知识表示，知识利用和知识获取是其中的三个基本问题。这一思想已经逐渐为人工智能的各个研究分支所接受、如自然语言理解，物景分析、文字识别和机器翻译等。

基于知识信息处理的思想，1982年日本政府正式宣布投资开发第五代计算机，极大地推动了人工智能的发展。许多国家制订相应的计划，进行人工智能和智能计算机系统的研究，我国也将智能计算机系统的研究列入国家863高技术计划。

众所周知，高效率的专家知识是针对性很强的、处在不断演变完善中的、没有完备性和可靠性保证的经验性知识，在专家知识中问题的状态也不一定象数学知识那样具有真假分明的二值状态，这带来了一系列新的研究课题：

1）专家系统开发工具研究  为了满足不同领域专家开发专家系统的需要，也为了支持对一个专家系统的渐进式开发，出现了专家系统开发工具，它可为一类专家系统的建立和不断完善提供开发环境支持。如斯坦福大学的EMYCIN，拉特格尔斯大学的 EXPERT，卡尔基一梅隆大学的 OPS-5。斯坦福大学的 AGE，国际系统研究所的KAS，兰德公司的ROSIE，智能终端公司的AL/X等。

2）不精确推理理论研究  标准二值逻辑对经验性知识完全无能为力，专家系统需要一种全新的不精确推理理论，这种推理理论的核心是解决在推理过程中，如何处理专家知识的不精确性和推理证据的不精确性，并给出这些不精确性在推理过程中的传播规律。目前已经提出了十多种不精确推理模型，如1976年杜达（R. D. Duda）提出的主观贝叶斯模型，1975年肖特里夫（E. H. Shortliffe）提出的确定性模型，1978年查德（L. A. Zadeh）提出的可能性模型，1981年巴内特（J. A. Barnett）引入专家系统的证据理论模型，1984年邦迪（A. Bundy）提出的发生率计算模型，以及假设推理、定性推理和证据空间理论等。它们只是一些经验性模型，知识工程的进一步发展和广泛应用，迫切需要建立能处理连续真值的不精确推理的逻辑学理论。

3）机器学习理论研究  早在20世纪50年代中就出现了机器学习的研究，持续时间达10年之久，以后徘徊了10年没有进展。由于知识工程的瓶颈问题之一是知识获取，随着知识获取系统研究的深入，机器学习再次成为人工智能的研究热点。不同的是早期的机器学习是无知识的，现在的机器学习是基于知识的。在知识工程中机器学习过程被认为是一个知识的形式化表示和记忆、知识的归纳和发现、知识的精炼和完善的过程。现在已经形成了死记硬背式学习、参数修正式学习、演绎式学习、归纳式学习、类比式学习、解释式学习和发现式学习等途径和方法，但它们的深入和完善都有待于相关逻辑的完善。

四、知识工程需要非经典数理逻辑

（一）知识工程中的不精确推理

我们知道在人类思维面临的实际问题中，只有很少一部分是可以确切定义并具有良性结构的确定性问题，大部分是不可以确切定义的、非良性结构的、带有不确定性的问题。当知识工程深入到这些问题时，经典数理逻辑的局限性不可避免地暴露出来了。

为了处理专家的经验性知识，在人工智能中先后提出了许多不精确性推理模型。归纳起来讲不精确性推理模型要解决以下10个基本问题，其中关于证据e的可信度C₁(e)，有三个基本问题要回答：

1)      当e为真时，C₁(e)的最大元如何定义?

2)      当e为假时，C₁(e)的最小元如何定义?

3)      当e未知时，C₁(e)的中元如何定义?

关于规则e®h的可信度C₂(e®h)，有三个基本问题要回答：

4)      当e为真h为真时，C₂(e®h)的最大元如何定义?

5)      当e为真h为假时，C₂(e®h)的最小元如何定义?

6)      当e对h无影响时，C₂(e®h)的中元如何定义?

关于可信度的组合传播规律g(*)，有四个基本问题要回答：

7) 如何由证据的C₁(e)和规则的C₂(e®h)，推出结论的C₁(h)＝g₁(C₁(e),C₂(e®h))？

8) 如何将两个不同的结论C₁₁(h)和C₁₂(h)，合并为一个结论C₁(h)＝g₂(C₁₁(h),C₁₂(h))？

9) 如何由证据的C₁(e)，推出它非的C₁(～e)＝g₃(C₁(e))？

10) 如何由两个证据的C₁(e₁)和C₁(e₂)，得到与的C₁(e₁∧e₂)＝g₄(C₁(e₁),C₁(e₂))？

不同的不精确性推理模型，对上述10个基本问题的回答不同，但它们都突破了经典数理逻辑的范围。例如在专家系统中经常使用的不精确性推理模型有：

1、概率模型

概率模型用随机性的观点来研究不精确性，用概率来表示事件的可信度，用条件概率来表示事件之间的关系。于是有:p＝1表示必然事件，是证据可信度的最大元；p＝0表示不可能事件，是证据可信度的最小元；p＝0.5是证据可信度的中元。如果事件e有可信度p(e)，则非事件～e有可信度p(～e)＝1－p(e)。如果事件e₁和e₂是独立的，则p(e₁∧e₂)＝p(e₁)p(e₂)；否则p(e₁∧e₂)＝p(e₁)p(e₂|e₁)＝p(e₂)p(e₁|e₂)，其中p(e₁|e₂)是e₂发生时出现e₁的条件概率。如果p(e|h)表示假设h发生时出现证据e的条件概率，则证据e发生时出现假设h的条件概率p(h|e)＝(p(e|h)p(h))/(p(e|h)p(h)＋p(e|～h)p(～h))。

如果是单一证据e，有穷多m个彼此独立假设h_i的情况，则

p(h_i|e)＝(p(e|h_i)p(h_i))/(S^m_k=1p(e|h_k)p(h_k))

如果是有穷多n个彼此独立的证据e_j，有穷多m个彼此独立假设h_i的情况，则

p(h_i|e₁,e₂,…,e_n)＝(p(e₁|h_i)p(e₂|h_i)…p(e_n|h_i)p(h_i))/

(S^m_k=1p(e₁|h_k)p(e₂|h_k)…p(e_n|h_k)p(h_k))

广泛使用的贝叶斯网络模型就是一种概率模型，它的优点是有概率论这个可靠的理论基础，计算公式简单，但缺点是先验概率和条件概率难以得到，证据之间的独立性难以保证，它的推理过程难以用显式表达的知识进行解释。

主观贝叶斯模型是另一种概率模型，它把概率转化为机率

o(e)＝p(e)/(1－p(e))＝p(e)/p(～e)

机率的最大元是¥，最小元是0，中元是1。由于

p(h|e)＝(p(e|h)p(h))/p(e)

p(～h|e)＝(p(e|～h)p(～h))/p(e)

p(h|e)/p(～h|e)＝(p(e|h)/p(e|～h))´(p(h)/p(～h))

所以有o(h|e)＝Ls´o(h)，其中Ls＝p(e|h)/p(e|～h)是大于0的实数，Ls越大，表示e对h的支持越强，当Ls®¥时，表示e的出现，导致h为真，所以Ls是规则e®h成立的充分性度量。

同理有o(h|～e)＝Ln´o(h)，其中Ln＝p(～e|h)/p(～e|～h)是大于0的实数，Ln越小，表示～e对h的支持越弱，当Ln＝0时，表示e的不出现，导致h为假，所以Ln是规则e®h成立的必要性度量。一条规则的可信度需要用两个独立的变量(Ls,Ln)来刻画，即表示成e®h (Ls,Ln)。

由于在实际使用中，Ls,Ln和o(h)都是由专家根据自己的经验给出的，所以称为主观贝叶斯模型。在著名的PROSPECTOR专家系统中，主观贝叶斯模型得到了成功的应用。

2、确定性模型

确定性模型是Shortliffe等人于1975年提出的，它是建立在确定性因子cf(*)基础上的不精确性推理模型，在著名的MYCIN专家系统中得到了成功的应用。

对于证据e，如果e为真，则cf(e)＝<,/SPAN>1是最大元；如果e为假，则cf(e)＝－1是最小元；如果对e一无所知，则cf(e)＝0是中元。对于规则e®h，如果e为真时h为真，则cf(e®h)＝1是最大元；如果e为真时h为假，则cf(e®h)＝－1是最小元；如果h与e无关，则cf(e®h)＝0是中元。一般情况下有

    cf(e®h)＝(Mb(h,e)－Md(h,e))/(1－min(Mb(h,e),Md(h,e)))

其中Mb(h,e)和Md(h,e)都是通过概率定义的。

Mb(h,e)＝ite{1|p(h)＝1;(max(p(h|e),p(h))－p(h))/(1－p(h))}

表示e支持h的程度，叫信任增长度，Mb(h,e)＝0表示e对h为真没有影响。

Md(h,e)＝ite{1|p(h)＝0; (p(h)－min(p(h|e), p(h)))/p(h)}

表示e不支持h的程度，叫不信任增长度，Md(h,e)＝0表示e对h为假没有影响。

在实际使用中，cf(e)和cf(e®h)都由专家根据经验直接给出。

cf的组合传播规律是：

    cf(h)＝cf(e®h)max(0,cf(e))

    cf(～e)＝－cf(e)

cf(e₁∧e₂)＝min(cf(e₁),cf(e₂))

并行组合规则  如果关于假设h已经分别推得cf₁(h)和cf₂(h)，则可合并为

    cf(h)＝ite{cf₁(h)＋cf₂(h)－cf₁(h)cf₂(h)|cf₁(h)>0,cf₂(h)>0;

cf₁(h)＋cf₂(h)＋cf₁(h)cf₂(h)|cf₁(h)<0,cf₂(h)<0;

(cf₁(h)＋cf₂(h))/(1－min(|cf₁(h)|,|cf₂(h)|))}

串行组合规则  如果已知cf(e®m),cf(m®h)和cf(～m®h)，则

    cf(e®h)＝ite{cf(e®m)cf(m®h)|cf(e®m)³0;－cf(e®m)cf(～m®h)}

3、证据论模型

证据理论由A.P.Dempster提出，经G.Shafer发展而成，简称D-S理论。1981年J.A. Barnett把它引入到专家系统中，建立了证据理论模型。它的基础是概率论，但定义在幂集上，它解决了概率论中的两个难题：一个是不知道的表示；另一个是非事件的概率计算。

令E是证据空间，q是互斥的，有穷的单个假设组成的单假设空间，q的幂集是2^q，q的每一个子集A对应一个假设，证据对假设A的影响大小，用定义在[0,1]上的一个数表示，叫基本概率赋值(bpa)，记为m(A),AÍq，其意义是：若A¹q,则m(A)表示对A的精确信任程度；若A＝q，则m(q)表示对信任度不知如何分配。显然m(Ø)＝0,∑_AÍq m(A)＝1。

定义对假设A的信度函数Bel(A)为它的所有子集B的bpa值之和，Bel(A)＝∑_BÍA m(B)。信度函数有以下性质：

1)        空假设的信度为0，即Bel(Ø)＝m(Ø)＝0；

2)        q的信度为1，即Bel(q)＝1；

3)        由于A的所有子集加上ØA的所有子集，小于q的所有子集，所以有

Bel(A)＋Bel(ØA)£1  AÍq

信度函数Bel(A)是对假设A为真的可能性度量，必然函数Pl(A)是对假设A为真的必然性度量，它定义为Pl(A)＝1－Bel(ØA)。对"AÍq有Pl(A)³Bel(A)，称[Bel(A),Pl(A)]为假设A的信度区间，A的可信度一定落在信度区间内，所以在证据理论模型中，假设A的可信度是用区间值A[Bel(A),Pl(A)]表示的。既不支持A，又不支持ØA的那一部分信度u(A)＝Pl(A)－Bel(A)代表了对假设A的无知程度。u(A)越小，表明证据对假设A的支持越明确，否则越不确定。A[0,0]表示A确定的假，是最小元；A[1,1]表示A确定的真，是最大元；A[0.5,0.5]表示A确定的半真半假，是中元；A[0,1]表示对A一无所知，A[0.25,1]表示对A有部分信任，不确定程度是0.85；A[0,0.85]表示对A有部分不信任，不确定程度是0.85；A[0.25,0.85]表示对A和ØA都有部分信任，不确定程度是0.6。

如果有两个证据E_i和E_j，支持同一假设A,E_i所对应的bpa为m_i,E_j所对应的bpa为m_j，合成后的bpa为m_iÅm_j，则证据理论的组合规则为：

m_iÅm_j＝ite{n/(1－n)|A¹Ø;0}

其中n＝∑_X∩Y＝Ø m_i(X)m_j(Y) X,YÍq.

本模型的优点是克服了概率论中的两大困难，在特殊情况下计算复杂度相当低，将证据与子集相关，容易把问题的范围缩小。缺点是要求每一个证据都是独立的，这常常无法满足，组合规则没有理论上的根据，有时计算复杂度是指数型的。当概率已知时，证据理论就退化为概率论，当先验概率难以获得时，证据理论是一个好的方法。

4、可能性模型

前面的几种方法都是基于概率论的，它们事实上是默认了不确定性来源于随机性，可能性模型是Zadeh于1978年根据模糊逻辑提出的不精确性推理模型，他认为不确定性来源于模糊性。模糊性是指事物在性状和类属方面的亦此亦彼性，它承认两极对立的不充分性和自身同一的相对性，认为对立的两极通过连续变化的中介相互联系，相互转化，共存于一体。模糊性和随机性有本质上的差别，前者反映的是事物内在的不确定性，后者反映的是事物外在的不确定性。

可能性模型把模糊逻辑中的隶属度解释为可能性度量poss(e)，其最大元是1，最小元是0，中元是0.5，组合传播规律是：

    poss(～e)＝1－poss(e)

    poss(e₁∧e₂)＝min(poss(e₁),poss(e₂))

    poss(e₁∨e₂)＝max(poss(e₁),poss(e₂))

其推理过程借助模糊关系进行，由翻译法则，评估法则和推理法则三部分组成，其中的许多问题尚待研究完善。

还有人直接将{0,1}上的命题逻辑和一阶谓词逻辑移植到[0,1]上，称为模糊命题逻辑和模糊谓词逻辑，用于模糊知识的不精确性推理。

上述不精确性推理模型虽然有一些成功的应用，说明它们抓住了经验性知识中的某些本质的东西，但它们的推理运算或者是一些固定的经验公式，没有理论根据；或者是公式有理论根据，但强加了一些使用条件，如必须是独立相关，必须知道条件概率等，因而限制了它们的适用范围。在使用过程中也发现了不少问题，如经验数据的可靠性，规则强度的多义性，规则之间的相关性，不知如何处理的例外情况等。这些都说明它们还只是一些经验性模型，人工智能迫切需要建立关于不精确性推理的逻辑学理论。

    （二）人工智能的理论危机

知识工程兴旺了10年，人们就发现了知识基系统的一个致命弱点：没有常识支持的知识基系统只能在一个十分受限的理想环境中工作，一旦面对现实世界中的实际问题，就常常会干出许多蠢事来。然而常识的海量性、不精确性和不完全性是目前的知识工程和经典数理逻辑无法解决的，人工智能的深入发展失去了有效的基础理论支撑，陷入到深刻的理论危机之中，人们不得不回过头来重新考虑人工智能的基础理论问题。

1987年在美国波士顿由MIT人工智能研究所、美国国家科学基金NSF和美国人工智能学会AAAI联合主办了人工智能基础国际研讨会，各学派中对人工智能发展作出过重要贡献的科学家都应邀出席了会议，阐述各自的学术思想、工作原理和研究成果，讨论它们的适用性和局限性。会上各学派的观点十分对立，争论异常激烈，有关的11篇论文后来整理发表在1991年的《人工智能》国际杂志47卷1-3期合刊上。从此在国际范围内引起了人工智能基础理论的大辩论，争论的焦点主要是逻辑在人工智能中的地位和作用。

众所周知，今天的经典数理逻辑已经可以把一部成熟的数学理论专著，用逻辑完整的描述出来，但经典数理逻辑无法完整描述人们对这些数学原理的认知过程。认识的发生、发展和完善的过程不符合经典数理逻辑，其中充满了辩证思维。而常识在概念的形成、规律的发现和完善及知识的运用过程中，都扮演了十分关键的角色。人工智能要继续向前发展，离不开常识的表示和运用，常识推理问题被提上了议事日程。常识与专家知识都是经验性知识，都具有不精确性和不完全性。专家知识是仅涉及某个狭窄领域的专门知识，它突出的特点是不精确性；常识是认知主体与其生存环境之间相互作用的日常经验，它突出的特点是信息的不完全性和海量性。常识的海量性涉及到知识工程的各种基本技术，信息不完全下的推理涉及到逻辑学的革命，经典数理逻辑必须的二值、全息、封闭、不变的推理假设被打破。近几十多年来，人们根据常识推理的某些特点，提出了一系列的新逻辑，如从常识推理的非单调性出发建立的非单调逻辑，从常识推理的缺省性出发建立的缺省逻辑，从常识推理的开放性出发建立的开放逻辑，从常识推理的真值调整过程出发建立的真值维护系统，从常识推理的局部协调性出发建立的超协调逻辑，从常识推理的相对合理性出发建立的合情推理，从常识推理的容错性出发建立的容错逻辑，从常识推理的受限性出发建立的限制推理等。这些逻辑大都是建立在二值逻辑基础上的，重点在研究信息不完全性情况下的推理。而知识工程中的不确定性推理常常需要同时处理逻辑真值的不精确性和信息的不完全性，所以要解决人工智能的理论危机，需要建立能处理不精确性和不完全性的完整的逻辑学理论，10多年过去了，这个目标目前尚未实现。符号主义的发展限于停顿，它在等待一系列理论上的突破。30多年来符号主义在人工智能中的霸主地位不复存在了，其他人工智能学派有了显示自己的能力和发展的机遇，人工智能的发展由一家独唱状态进入到百家争鸣时期，这为广义智能观和广义人工智能的确立和发展提供了很好的环境。

    （三）对逻辑学研究现状的分析

人工智能理论危机带给人们许多反思，首先需要回答的是曾经为人工智能学科诞生奠定了理论基础并促进了人工智能早期发展的经典数理逻辑到底和人工智能是什么关系？逻辑是智能科学中的基本科学问题吗？

1、经典数理逻辑为什么存在局限性？

经典数理逻辑是在数学公理化运动推动下产生的，对描述真理的绝对性和永衡性十分有效，它适应了信息处理机械化的时代需求，曾经促进了计算机科学和人工智能的诞生和早期发展。但经典数理逻辑只研究形式逻辑问题，它的立论基础是“封闭全息的确定性世界假设”，其中排除了一切形式的不确定性、矛盾和演化，这导致了经典数理逻辑的“三律一性”:

1）二值律pÎ{0,1}，命题的真值域是二值的，一个命题要么为真，要么为假；

2）矛盾律Øp∧p＝0，命题和它的否定命题只有一个为真；

3）排中律Øp∨p＝1，命题和它的否定命题必有一个为真；

4）封闭性，推理所需要的证据完全已知且固定不变。

“三律一性”决定了经典数理逻辑的适用范围是解决确定性世界中的封闭全息的二值类推理问题，这是对现实世界的一种近似描述，只能在理想化的确定性世界(如数学定理证明)中有效。人工智能理论危机，暴露了经典数理逻辑的局限性，它无法处理经验知识、常识和机器学习中的各种推理问题。在计算智能中涌现出的各种智能模拟方法，更无法用经典数理逻辑进行描述。原因是在这些问题中充满了不确定性、矛盾和演化，需用数理辩证逻辑描述。

2、非经典数理逻辑的研究现状

《哲学逻辑手册》中介绍的各种非经典数理逻辑仍处在半哲学半数学的状态。已经出版的前10卷内容涉及时序逻辑、模态逻辑、算法证明、非单调推理、概率和模糊逻辑、直觉主义逻辑、高阶逻辑、经典逻辑片断、λ-演算、逻辑动力学、论辩理论游戏、谬误理论、资源和子结构逻辑、纤维化和组合逻辑、对象层次/元层次、与神经网络的联系、机制：溯因-缺省-相干、时间-行动-修正模型和加标演绎系统等。它们在人工智能、自然语言处理、程序控制、逻辑编程、指令与直陈式语言、复杂性理论、数据库理论、智能体理论等方面已有广泛的应用。这些现代逻辑的共同特点是都在从不同的层次或侧面研究矛盾和不确定性问题，是数理辨证逻辑不同形式的萌芽。这充分证明时代需要突破经典数理逻辑，进行新的逻辑学革命！适应时代需要的数理辨证逻辑已经初现端倪！

但是它们又有明显的不足：首先，虽然它们都在研究如何处理某种矛盾和不确定性问题，但没有一个能从整个数理辨证逻辑的全局入手，大多是一事一论，就事论事，研究的层次太低、视野太窄；其次，大多是以二值逻辑为研究平台，这带来了致命的问题，因为二值逻辑本身是排斥一切矛盾和不确定性的，企图在它基础上建立处理矛盾和不确定性问题的数理辨证逻辑，本身就是一个矛盾，数理辨证逻辑应该以本身就可以包容矛盾和不确定性的柔性命题逻辑学为研究平台。显然，与数理形式逻辑不同，数理辨证逻辑将在描述真理的相对性和非永恒性方面发挥不可替代的作用。

    （四）命题泛逻辑学的提出

虽然目前在经典数理逻辑之外，已经出现了众多的非经典数理逻辑，试图从某个层次或侧面处理不确定性、矛盾或演化问题，但它们仍然处于孤立研究、挂一漏万的分离状态，远未形成统一的数理辨证逻辑的理论体系，这对逻辑学本身的发展和应用都十分不利。我国学者何华灿教授经过对人工智能理论危机的深刻反思和对逻辑与智能关系的深入研究，站在全局的高度，提出了研究逻辑一般规律，建立能包容刚性逻辑和柔性逻辑的泛逻辑学(Universal Logics)理论。

1、泛逻辑学的研究目纲要

我们在研究了各种逻辑学样本后发现，建立一个逻辑系统至少需要四个基本要素：1) 确定论域(包括定义域和真值域)；2) 定义命题连接词和它们的运算模型，研究它们的性质；3) 定义量词和它们的运算模型，研究它们的性质；4) 在前面三条的基础上建立推理系统和推理模式。这是具有一般意义的数理逻辑的理论框架。另外，我们发现在经典数理逻辑中，这个理论框架是刚性的，“0”、“1”、“有”、“无”都是决然对立的。在各种非经典数理逻辑中，这个理论框架正在被不同程度地柔性化，以便引入某种柔性参数和调整机制，达到包容某种矛盾和不确定性的目的。从全局上看，柔性化有3个不同的发展方向（见图2）：1) 命题真值的连续化(如三值逻辑、连续值逻辑和模糊逻辑)；2) 推理信息的不完全化(如非单调逻辑、次协调逻辑和开放逻辑)；3) 真值空间维数的高维化(如四值逻辑、粗糙逻辑和灰色逻辑)。根据这些发现，我们认为泛逻辑学的研究途径是统一考虑这3个柔性化方向和4大逻辑学要素，为刚性逻辑和各种柔性逻辑提供一个统一而又开放的理论框架，在刚性逻辑的基础上，逐步实现各逻辑学基本要素的柔性化，以包容有关的矛盾和不确定性。由于刚性逻辑已经是一个完整的理论体系，泛逻辑学的主要任务是建立柔性逻辑学。

图2 现代逻辑的统一之路—泛逻辑学

 

《泛逻辑学研究纲要》：泛逻辑学研究的总目标是探索逻辑学的一般规律，建立统一开放的数理逻辑理论新框架，以规范和指导现非经典数理逻辑研究，实现数理逻辑的柔性化，即辩证逻辑的数学化。其基本方法是逐步在数理逻辑中统一引入各种柔性参数和调整机制，以包容各种形式的不确定性、矛盾和演化。

泛逻辑学研究的具体目标是：任何逻辑都由语法规则和语义解释两个相对独立的部分组成，其中语法规则中至少有四大逻辑学要素可逐步柔性化：

1）建立柔性真值域和论域

在任何逻辑中，命题真值的度量空间必须是有序空间，可是线序、偏序或超序。真值域的一般形式是多维超序空间W＝{^}∪[0,1]ⁿ <a>，n＞0，其中[0,1]是基空间，n是空间维数，^表示无定义或超出讨论范围，可以没有;a是有限符号串，代表命题的附加特性，可是空串e。

    谓词个体变元所在的空间叫论域U，在经典数理逻辑中U是普通集合，在泛逻辑学中U可以是有结构的空间，它能够被各种关系分割成许多小的子空间，不同的子空间可以有不同的逻辑性质。

2）建立各种柔性命题连接词

任何逻辑都离不开命题连接词，它的作用是将原子命题复合成分子命题，将简单命题复合成复杂命题。命题连接词通过运算模型来定义，我们根据模糊测度的逻辑性质研究发现了柔性逻辑学在基空间W＝[0,1]上定义的命题连接词有7个，它们是泛非、泛与、泛或、泛蕴含、泛等价、泛平均和泛组合。柔性命题连接词的运算模型是连续变化的算子簇,它可描述柔性命题之间关系的不确定性（称为关系柔性）。这些运算模型可用拓序规则推广到多维超序空间中去。

3）建立各种柔性量词

定义在W上的柔性量词有：标志命题真值阈元的阈元量词♂^k；标志假设命题的假设量词$ ^k；约束个体变元范围的范围量词∮^a；指示个体变元的相对位置的位置量词♀^a；改变真值分布过渡特性的过渡量词∫ ^a。其中k,a表示约束条件，称为程度柔性，柔性量词可描述各种约束条件的不确定性。

4）建立各种柔性推理模式

柔性推理模式有上述三要素上定义的演绎推理、归纳推理、类比推理、假设推理、容错推理、案例推理、信念推理、发现推理和进化推理等。由于在柔性连接词和柔性量词中都有柔性参数和调整机制存在，这些推理模式不是决然分开的，可在一定条件下相互转化，由量变引起质变，称这种柔性为模式柔性。模式柔性可描述推理模式和推理过程的不确定性。

由于在柔性逻辑学中允许真值柔性、维数柔性、关系柔性、程度柔性和模式柔性存在，具有与内外交互的柔性参数和调整机制，所以可方便地描述矛盾的对立统一及矛盾的转化过程，也可以描述认识的发生、发展和完善的全过程，这为辩证逻辑数学化提供了理想的理论框架。

所谓语义解释就是赋予各种逻辑符号0、1、P、Q、R、~、Ù、Ú、®、«、……等以具体的物理意义，以便描述和解决现实世界中的各种具体问题。

从上面的泛逻辑学研究纲要可以看出，由于刚性逻辑所有的逻辑要素都是固定不变的，所以它只有唯一一个等价的存在形式。然而，柔性逻辑则不同，由于它所有的逻辑要素都有可能带有柔性参数和调整机制，也可能不带，所以它有无穷多个可能的不等价的存在形式。

2、标准命题泛逻辑学

根据《泛逻辑学研究纲要》，我们已经建立了标准命题泛逻辑学，其中引入了命题真度、广义相关系数和误差系数3个柔性参数，目的是包容由于真假矛盾引起的命题真值的不确定性、由于敌友矛盾引起的命题之间关系的不确定性、由于宽严矛盾引起的命题真值误差的不确定性。它是泛逻辑学思想的一个初步实现和示范。

1）关于命题真值的包容性（见图3）

可包容的层次：一维的连续值命题逻辑。

传统逻辑观认为，命题是可以判定真假的陈述句，它只有二个值

{假,真}或{0,1}。这是在矛盾对立中认识世界，真就是真、假就是假、

真假不能同时并存，也不能相互转换。逻辑只有二值逻辑一个形态。

泛逻辑观认为，命题是可以判定真度的陈述句，它有无限多个可

能的真值，可用连续统[0,1]表示，它代表了从最假到最真的所有可能

的真值状态。这是在矛盾的对立和统一中认识世界，真中有假、假中

有真、真假可以同时并存，也可以相互转换。

柔性命题的真度不能随意给定，它由特征空间中相应分明集合的

模糊测度决定，就象学生的学习成绩不能由老师随意给定，需要由考

试试卷中正确知识点集合的分数决定那样。这个研究结果帮助我们揭       图3 命题的真值

开了柔性命题连接词运算模型簇的秘密。

进一步扩充的途径：

A. 真值域W的基空间[0,1]是一个连续统，它有各种同构的变种，如[0,100], [0,b], [0,¥], [-1,1], [-5,5], [-b,b], (-¥,¥), [a,b] (b>a≥0)等，通过坐标变换可以把[0,1]中的各种模型和规律变换到它的各种变种中去。

B. 柔性真值域W的一般形式是任意的多维超序空间W＝{^}∪[0,1]ⁿ <a>，n>0。其中[0,1]是W的基空间，它可以退化为离散值空间或{0,1}；n是W的空间维数，一般是n＝1,2,3,…，但不排除n>0；^表示无定义或超出讨论范围，可以没有；a是有限符号串，可是空串e，它代表命题或谓词的附加特性。

    C. 在刚性逻辑中，谓词的论域D是没有结构的非空集合，一般是全总个体域。在柔性逻辑中这种传统思想需要突破。论域D可以是一个超拓扑空间，它可以被分成多层次、多粒度的子域，不同的子域可以有不同的逻辑性质。这对包容模态逻辑、非单调逻辑、次协调逻辑和开放逻辑中的许多规律十分重要。

2）关于命题连接词的包容性

可包容的侧面：命题是等权的、运算是可交换的。

A. 由于柔性命题的真度是由特征空间中相应分明集合的模糊测度决定，这个发现帮助我们揭开了柔性命题连接词运算模型不唯一的秘密，原因是集合之间的关系对集合之间的运算有影响。我们发现影响柔性命题连接词运算模型的因素有：

(1) 模糊测度的误差，用误差系数k表示：k=1表示最大可能的正误差，k=0.5表示没有误差；k=0表示最大可能的负误差，[0,1]代表了全部可能的状态。

(2) 广义相关性，用广义相关性系数h表示：h=1表示最大相吸关系；h=0.75表示独立相关；h=0.5表示最大相斥关系；h=0表示最大相克关系，[0,1]代表了全部可能的状态。

B. 全部柔性命题连接词运算模型簇(它反映了3类柔性参数的调整机制)：

（1）泛非命题连接词的运算模型簇

         N(x,k)＝(1－xⁿ)^1/n  n＝-1/log₂k, kÎ[0,1]

（2）泛与命题连接词的运算模型

         T(x,y,h,k)＝G¹[(x^nm＋y^nm－1)^1/nm]，m＝(3－4h)/(4h(1－h)), hÎ[0,1]

         其中G¹[x]表示把x的值限制在[0,1]之间。

（3）泛或命题连接词的运算模型

         S(x,y,h,k)＝N(T(N(x,k),N(y,k),h,k),k)

（4）泛蕴涵命题连接词的运算模型

         I(x,y,h,k)＝ite{1|x≤y;0|m≤0且y＝0且x¹0;G¹[(1－x^nm＋y^nm)^1/nm]}

         其中ite{a|b;c}是条件表达式的缩写，表示“如果b为真，则a，否则c”。

（5）泛等价命题连接词的运算模型

Q(x,y,h,k)＝(1±|x^nm－y^nm|)^1/nm (其中h>0.75为＋,否则为－)

（6）泛平均命题连接词的运算模型

M(x,y,h,k)＝1－((1－xⁿ)^m＋(1－yⁿ)^m)/2)^1/nm

（7）泛组合命题连接词的运算模型

C^e(x,y,h,k)＝ite{G^e[(x^nm＋y^nm－e^nm)^1/nm]|x＋y<2e;

(1－(G^e’[((1－xⁿ)^m＋(1－yⁿ)^m)－(1－eⁿ)^m])^1/m)^1/n|x＋y>2e;e} 

e’＝N(e,k)

现在我们已经将这个运算模型簇从[0,1]空间扩展到任意[a,b]空间的情形。

C. 证明了标准命题泛逻辑学L(h,k)是关于一维柔性命题逻辑的谱系（见图4），平面中任意点(h,k)对应一个具体的连续值命题逻辑(包括许多还没有被人提出

图4 标准命题泛逻辑学的包容性

来的)。

我们已经证明，基于概率测度的推理模型是hÎ[0.5,1),

k＝0.5; h＝1,kÎ(0,1)时的特例；基于信任测度的推理模型是

hÎ[0.5,1), kÎ[0,0.5]; h＝1, kÎ(0,1); hÎ(0.75,1], k＝1时的

特例；基于似然测度的推理模型是hÎ[0.5,1),kÎ[0.5,1];

h＝1, kÎ(0,1); hÎ(0.75,1],k＝0时的特例；基于必然测度

的推理模型是h＝1, kÎ(0,1); hÎ(0.75,1],  k＝1时的特例；

基于可能测度的推理模型是h＝1,  kÎ(0,1);  hÎ(0.75,1],

k＝0 时的特例；基于Zadeh 算子的经典模糊逻辑是

h＝1, kÎ(0,1)时的特例。

标准命题泛逻辑学L(h,k)还是一个关于一维柔性命题

逻辑的生成器，例如图4平面中的许多点 (一点代表一个

逻辑)人们还没有研究过，特别是相克逻辑部分，我们可以利用L(h,k)把它们直接生成出来。相克逻辑将在描述竞争行为中发挥重大作用。所以L(h,k)就是一维可交换情况下的统一的不精确推理理论。

如果将连续统[0,1]退化为{0,1}，则可以直接退化为二值逻辑；如果退化为{0,0.5,1}或{0,(0,1),1}，则可以直接退化成各种不同的三值逻辑；如此等等。   

3）进一步扩充的途径：

A. 引入不等权性(用偏袒系数p表示：p=1表示最大左偏袒；p=0.5表示没有偏袒；p=0表示最大右偏袒)，建立不可交换的命题泛逻辑学。

B. 把真值域扩展到任意的多维超序空间W＝{^}∪[0,1]ⁿ <a>，n>1中去。

C. 定义描述各种约束条件不确定性的柔性量词，如约束个体变元范围的范围量词∮^a，指示个体变元与特定点的相对位置的位置量词♀^a，改变谓词真值分布过渡特性的过渡量词∫ ^a和标志假设命题的假设量词$^k等，可把柔性命题泛逻辑学扩展为柔性谓词泛逻辑学。

4）标准命题泛逻辑学的应用范例：

A. 通过对多级倒立,摆柔性控制的研究，发现泛逻辑中的柔性逻辑运算模型可以比模糊逻辑更清晰准确地描述变量之间的逻辑关系，控制效果更好，方便与其它人工智能方法结合使用。如付利华博士为实现泛逻辑和人工神经网络的融合控制，提出了一种零级泛组合运算的神经元模型，并基于该神经元模型，对柔性逻辑控制模型进行了人工神经网络实现。分别实现了一级、二级倒立摆实物系统的稳定控制、抗干扰控制和车摆系统在水平轨道上的自由行走，以及四级倒立摆系统控制的仿真实现。结果表明柔性逻辑控制模型控制精度高，控制灵活，且控制系统具有良好的稳定性、鲁棒性和定位功能。

B. 利用逻辑生成器生成的7种不同的三值逻辑，满足了三值光计算机设计的需要；

C. 在电焊机的控制中应用泛逻辑进行柔性控制，取得了比模糊控制更满意的效果；

D. 用泛逻辑学研究分维逻辑和多Agent社会中的各种关系。

3、提出命题泛逻辑学的深远意义

逻辑描述的是信息世界的基本运动规律。200多年前出现的Boole代数是二值逻辑的基石，它描述了这样一个理想的信息世界模型：信息有“有”、“无”两种存在状态，它在一个装有逻辑开关的信息管道网络中流动，开关只有“开”、“关”两种状态，对信息流进行控制。这是一个简单的初级信息世界模型，Boole代数描述了这个世界中的全部运动规律。正是在这个初级信息世界模型基础上，出现了由开关阵列组成的电话交换机、电子数字计算机、计算机语言、数字化、计算机科学和人工智能，这一切又为今天的信息化时代奠定了初步理论基础和物质基础。

命题泛逻辑学描述了这样一个更为精细的信息世界模型：信息从“有”到“无”有连续过渡的无穷多种存在状态，它在一个装有逻辑开关的信息管道网络中流动，开关从“开”到“关”有连续过渡的无穷多种状态，对信息流进行控制。显然，这个更为精细的信息世界模型比Boole的信息世界模型更加贴近现实世界，是一个中级信息世界模型，它将为人类带来什么深刻的影响，是今天的我们无法预料的！

五、计算智能呼唤演化逻辑

    （一）广义智能观的形成

人工智能的理论危机带来了新的思维，人们发现人并不是唯一有智能的动物，地球生命活动中的生物进化、个体发育和免疫、神经网络、大脑思维、社会系统和生态系统都表现出某种形式的自然智能，它们对重新发现和提炼人工智能的原理和方法有重要贡献。实现智能模拟的机器也不一定非得是电子数字计算机，其它形式的机器有时可能会更好。例如神经网络计算机、生物计算机和量子计算机等。生命活动中的自然智能表现在许多方面，如：

1）系统发育层面  地球上存在着生命，但生物在地球上的生存环境是千变万化的，无论是从时间还是从空间上看都是这样。从长时间尺度上看生命形式，生物从诞生到现在经历了漫长的系统发育过程，形成了数以亿计的生物物种，无论是现存的还是已经灭绝的，每一个物种都巧妙地适应了它的生存环境，体现了整个生命活动对其生存环境的良好适应能力。例如海洋里的鱼虾，草原上的牛羊，森林中的鸟兽。从中时间尺度上看生命，一个生物物种通过在繁殖过程中自身结构的遗传、变异和环境选择，一般都能达到对其生存环境变化的跟踪适应，例如细菌的耐药性等。所以在生物的系统发育过程中存在一种自然智能—进化机制，它一般都能使生命通过改变自己的存在形式，不断地适应生存环境的时空变化，最大限度地保存和扩张自己。

2）个体发育层面  从短时间尺度看生命，是生物的个体发育过程，每个个体都生存在一个特殊的环境中，它必须巧妙地改变自己的生存状态，以充分利用有利条件，避免不利条件。如植物的生长发育过程，根系必须绕开石头向有水肥的地方生长，枝叶必须避开遮挡向有阳光的地方伸展。所以生物个体发育过程中存在一种自然智能—生长机制，它一般都能使一个生物个体适应生存环境进行生长发育，达到最佳的生存状态。

3）个体免疫层面  生物的生存环境中存在大量对自己有害的微生物，它们还在不断地变异。免疫系统可发现有害微生物，首先限制其活动和繁殖，然后产生抗体把它消灭。免疫系统还能保存抗体样本，一旦发生抗原的再次入侵，可直接产生抗体消灭之。如人感冒后可以自愈，种牛痘可以终身不得天花。所以在免疫系统中存在一种自然智能—免疫机制，它一般都能保证一个生物个体在存在大量有害微生物入侵的环境中平安地生存下去。

4）神经网络层面  动物的大脑是个复杂的神经网络，它不仅负责动物自身的协调和控制，还负责对环境的识别、记忆、学习和思维决策。如动物认识巢穴和伙伴，联合捕捉猎物，巧妙地趋利避害等。所以在动物的大脑中存在一种自然智能—神经机制，它一般都能认识生存环境，对环境的变化做出恰当地反应，保证自身更好地生存下去。研究神经网络对揭开自然智能之秘十分重要，特别是形象思维层面中的智能模拟问题。

5）抽象思维层面  人类的抽象思维能力是最早被认识和研究的自然智能，其显著特点是利用抽象概念和语言进行思维，是一种可以“说”出来的智能，认知心理学，语言学，逻辑和知识工程研究的都是这种自然智能—思维机制。它的基本功能是记忆、联想、问题求解、学习和发现等。在思维机制模拟中，最早研究的是象数学定理那样的良性结构问题，它们可以利用经典数理逻辑圆满地解决，这导致了狭义人工智能的诞生和早期发展；然而在思维中更多的是不良结构问题，它们充满了各种矛盾和不确定性，无法进行精确地定义和描述。对这类问题人类经常可以利用经验和常识解决，还可以在成功和失败中进行学习，总结经验教训，在以后更好地解决它们。可是，在思维机制模拟中，经典数理逻辑无法解决这类不良结构问题，这是促使狭义人工智能出现理论危机的直接原因。

6）群体协作层面  生物群体内部的每个个体都只有解决简单问题的局部性知识和目标，以及约束各个个体行为的若干规则，没有统一的整体性知识和目标，但整个群体却表现出了巧妙解决复杂问题的强大能力。例如蚁群、蜂群、猴群和人类社团。所以在生物的群体行为中存在一种自然智能—协作机制，它一般能保证生物群体的能力高于任何单一个体的能力，使整个群体能够更好地生存繁衍下去。

7）生态系统层面  在相对封闭的环境中存在许多不同的生物群落，组成生态系统。经过长期的演化，生物群落间形成了一种相互制约、相互依存的关系，处在相对平衡状态。当局部发生微小变化时，整个生态系统会产生抑制作用，维持这种平衡；当变化过大平衡遭到破坏时，生态系统会发生震荡，重新寻找一个新的平衡状态。所以在生态系统中存在一种自然智能—平衡机制，它一般能保证整个生态系统相对于其生存环境处在一个最佳的平衡状态中。

狭义人工智能的理论危机带来了计算智能的发展机遇，它放弃了传统意义下的知识和推理，依靠反映上述自然智能机制的模型计算，成功实现了各种自然智能模拟问题，促进了广义人工智能的形成。计算智能使许多人对“知识和逻辑是智能的基本科学问题”产生了怀疑和动摇。

我们认为计算智能的成功不是对知识和逻辑的否定，它是在告诉我们：必须打破传统的知识和逻辑观念，重视现实世界中的不确定性、矛盾和演化；知识有多种形态，不能只狭义地理解为显式表达的确定性规则；逻辑学更应该正面面对不确定性、矛盾和演化，而不是有意地回避它们。

什么是广义智能观？广义智能观认为：“智能广泛存在于自然界中”（涂序彦、何华灿等）；“广义智能是信息系统感知环境及其变化，通过自身结构和功能的改变，恰当而有效地对其作出反映，以适应环境，达到系统生存目标的能力”（何华灿）；“广义智能是一切可把信息转化为知识、把知识转化为智力的机制”（钟义信）。

我们应该强调，早在利用计算机模拟人类智能的符号主义学派正式诞生之前，已经出现了两个不同的模拟自然智能的学派：一个是用生物进化和控制论的观点研究动物智能行为的模拟，即研究智能行为与环境之间的适应关系，重点是自然智能中的自学习、自组织、自适应、自寻优和自镇定等原理，其开创性成果是40年代初出现的迷宫老鼠，后来在它的基础上形成了行为主义学派、进化主义学派和控制论学派；另一个是用仿生学的观点研究脑模型（Brain model），即把脑的微观结构与宏观功能统一起来进行研究，重点研究学习和联想等功能的模拟，其开创性成果是1943年出现的第一个神经元模型MP。心理学家麦克卡洛克（W. S. McCulloch）和数学家比脱斯（W. Pitts）用信息处理的观点，采用数理模型的方法对神经细胞动作原理进行研究，提出了二值神经元阈值模型MP，它标志着人工神经网络研究的开始。后来在它的基础上形成了连接主义学派、生理学派和仿生学派。不过在当时这两个学派在学术界的影响并不大，主要原因是智能行为模拟和神经网络模拟都需要知道自然智能的微观结构和工作机理，并用复杂的专用机电装置来实现。所以在当时的知识水平和技术条件下，很难取得有影响的研究成果。

所以，广义人工智能有许多不同的发展源头，它们的共同特征是以模拟某种自然智能为手段，以制造比较聪明的智能机器为目的。用宏观的观点梳理一下这些源头，大致可分为三大流派，每个流派内部又可分为许多不同的学派：第一个是符号智能流派，它持狭义智能观，重点在研究人的抽象思维机制，模拟智能的主要手段是利用知识进行逻辑推理和搜索；第二个是计算智能流派，它持广义智能观，重点在研究可通过模型计算来模拟的自然智能机制；第三个是群体智能流派，它持广义智能观，重点在研究那些可以通过多智能体之间的分工协作或多个群体之间的生态平衡来模拟的自然智能机制，模拟方法可以是符号演算，也可以是模型计算。

符号智能流派由心理学派、认知学派、语言学派、计算机学派、逻辑学派和数学学派等汇集而成，主要奠基人是美国的心理学家纽厄尔和西蒙、数学家麦卡赛和明斯基。本流派的共同特征是对智能和人工智能都持狭义观点，侧重于研究如何利用计算机软件来模拟人的抽象思维过程，并把思维过程看成是一个抽象的符号处理过程。符号智能流派以符号演算取代数值计算取得的成功，使得早期的人工智能学者产生了一种错觉，认为人工智能与传统计算机应用的根本区别就在于此。所以他们坚持只有依靠知识推理和符号演算的程序才是人工智能，所有依靠数学模型和数值计算的程序都不是人工智能。符号主义陷入理论危机后，连接主义和行为主义有了很大发展，出现了不少依靠数学模型和数值计算模拟自然智能的成功范例，但是国际人工智能联合会议IJCAI对他们采取了排斥的态度，致使这一批研究智能模拟的学者不得不另起炉灶，发起成立了计算智能国际会议，与IJCAI分庭抗礼，这是一件不应该发生的事情。

计算智能流派是连接主义、行为主义、进化计算、免疫计算和模糊计算等学派的统称，它们与符号智能流派完全不同：符号智能主要是依靠符号演算解决问题，它是对传统计算机应用中数值计算的一次否定；计算智能又重新回到主要依靠数值计算解决问题的轨道上来，它是对符号智能中符号演算的再次否定。连接主义学派的复兴，大有夺取人工智能主导地位之势，甚至有人打出了“人工智能死了，神经网络万岁”的偏激口号。但人脑是由10¹⁴个神经元组成的复杂网络，每个神经元的内部结构比一个巨型计算机还要复杂，企图完全利用简单的人工神经网络结构来模拟大脑的高级功能，这也是不可能的，人工神经网络的局限性很快暴露出来。至于行为主义学派的研究成果，例如六足行走机器人，目前还停留在昆虫级的智能水平上，要提高到人类抽象思维的水平，还有一段漫长的路要走。

群体智能流派由多智能体系统、生态平衡、细胞自动机、蚁群算法和微粒群算法等组成，它认为智能同样可以表现在群体的整体特性上，群体中每个个体的智能虽然很有限，但通过个体之间的分工协作和相互竞争，可以表现出很高的智能。这个流派形成晚，最年轻，也最有发展前途，它用生态系统的观点看待智能，相信团结就是力量，集体的力量大如山。

根据广义智能观，我国的钟义信、何华灿和涂序彦等人在这三个流派的基础上提出了“机制主义”，它以泛逻辑学为理论基础，以研究一切可以把信息转化为知识、把知识转化为智力的机制为支柱，并注重在顶层进行多智体之间和多机制之间的统一协调。

    （二）广义逻辑观和演化逻辑

我们坚信事物的发展变化都必须遵循一定的逻辑规律，现在不是智能可脱离逻辑而存在，而是广义智能正在呼喊一种可描述各种形式自然智能的新型逻辑，这是泛逻辑学的历史使命。

什么是广义逻辑观？首先，广义逻辑观认为逻辑有多种形态，就象图象有多种不同的表示方式那样。例如二值逻辑（类似二值图象）、多值逻辑（类似灰度图象）、多维逻辑（类似彩色图象）、缺省逻辑（类似缺省图象）、动态逻辑（类似动画和视频）都是逻辑。片面认为“只有经典数理逻辑才是逻辑”的传统观念是十分狭隘和有害的；其次，与传统的逻辑观念不同，广义逻辑观认为，在逻辑推理过程中可以伴随各种数值计算，符号演算和数值计算再也不是区分推理和计算的根本标志；第三，广义逻辑观还认为结构和过程都是逻辑的具体实现。因为对同一个事物或问题求解过程，可用逻辑、结构和过程三种不同的等价方式进行描述：如果用逻辑规则进行描述，则需用推理演算解决；如果用知识结构进行描述，则需用搜索算法解决；如果用演化过程进行描述，则需用进化算法解决。这三种描述方式从表面上看形式完全不同，但它们是相互依存、密不可分的，犹如我们可从三个不同侧面观看芭蕾舞：从形体上看，它是人体结构的变化；从能量上看，它是能量变换的过程；从信息上看，它是思维逻辑的演绎。其实对舞者来说，这三者是同时发生的，缺一不可，只是我们在欣赏舞蹈时，常常只从一个侧面去感悟它，其他侧面成了可以忽略的附件，被搁置在一边而已。

这些新的认识是对传统逻辑观的革命性突破！是一次思想大解放！

我们之所以产生这些新的想法，首先是受到生命现象的深刻启发：尽管人类很早就通过形体、结构和遗传进化等现象认识了生物和生命，但直到发现了DNA分子结构，人们才真正开始认识到生物和生命的本质。原来千姿百态的生物和生命现象是被DNA统一规定的，如从DNA的结构看，高贵的人和卑微的黑猩猩之间的差别仅3%左右！现代科学发现，DNA是生命的逻辑规则，生物体是DNA规则的语义解释和物质实现。人工生命系统的研究经验使我们相信，逻辑就是思维和智能的DNA，各种智能形式都是逻辑的语义解释和具体实现。生命活动中给我们提出了许多自然之秘：如为什么天下没有完全相同的两片叶子？为什么生物体内部是如此完美地协调一致？为什么生物和它的生存环境是如此地和谐？为什么自然演化的逻辑是“适者生存，优胜劣汰”？为什么自然生长的逻辑是“向有利方向继续发展并不断维持内部平衡和内外平衡”？我们通过人工生命系统的研究发现：只要在本来固定的生成规则中加入随机激活参数、内部动态平衡参数、对环境敏感的参数等等，并给以适当的语义解释，就可以完全模拟出这些结果来。所以我们相信，只要在传统的固定逻辑规则中引入各种柔性参数和调整机制，并给以适当的语义解释，同样也可以描述各种形式的自然智能机制。

从上面的讨论我们能够得出什么样的结论呢？首先必须肯定，逻辑始终是智能中的基本科学问题，而且人工智能只能使用数学（符号）化的逻辑；其次必须明确，人工智能不仅要处理理想世界中的确定性问题，还需要处理现实世界中的矛盾和不确定性问题，如不精确性、不完全性、动态变化和演化等；第三应该知道，经典数理逻辑只是数学化的形式逻辑，其中排除了一切形式的不确定性、矛盾和演化，只研究确定性问题，所以它只能满足人工智能的部分需要；第四可以想象，数理辨证逻辑只有从辨证思维和各种自然智能机制中抽象出它们共同遵守的语法规则，才能精确描述和处理各种形式的不确定性、矛盾和演化。很多自然智能机制蕴涵在演化过程之中，它是智能的最高表现形式，从逻辑层面抽取各种演化过程共同遵守的语法规则，建立演化逻辑，是今后相当长时间内的重要任务。

六、人工智能学科的历史使命

人工智能学科的内涵与人们对“智能”的理解密切相关，创始人赋予人工智能学科的内涵是“用电子数字计算机模拟人的智能，使其能象人一样聪明地工作”。 在这里他们是专指用计算机软件、语言和符号、心理学原理及经典数理逻辑的推理等方法，模拟人类抽象思维层面的智能。特别是利用人类特有的显式知识进行逻辑推理和搜索，他们认为智能的标志就是用显式知识进行逻辑推理。50年过去了，越来越多的事实表明，上述学科内涵只是符号智能流派对智能和智能模拟的一种狭义认识。首先，大量的事实表明，人不是唯一有智能的动物，在地球生命亿万年的进化过程中，生物的系统发育过程、生物个体的发育和免疫、脑神经网络、人脑的思维、社会系统和生态系统都在一定意义上表现出了某种程度的自然智能，这些自然智能机制对我们全面认识智能的本质，对发现和提炼人工智能的基本原理和方法都有着重要地贡献，并取得了许多成功的应用。虽然从理论上讲人可以创造出完全不同于自然智能的机制，但对不同自然智能的模拟至今仍然是人工智能中的主流方法。其次，虽然实现智能模拟的机器目前主要是电子数字计算机，但从理论上讲不一定非得如此，有时用其它形式的机器可能会更好。所以广义地看人工智能学科的内涵应该是“用各种合适的机器和方法模拟各种形态的自然智能，使人造机器系统能在不确定的演化环境中，象自然智能系统那样围绕某个特定目标自适应地工作”。在这里我们泛指利用各种形式的机器系统、使用各个学派的原理和方法、模拟各种形态的自然智能，目的是使人造机器系统能象自然智能系统那样，在不确定的演化环境中，围绕某个特定的目标自适应地工作。而不是仅限于用电子数字计算机模拟人类抽象思维层次的智能；也不象传统的人造机器系统那样，只能在确定的环境中按规定的方式完成某种特定的任务。

下面我们通过几个侧面展开来讨论人工智能学科的历史使命。

    （一）信息和智能是第二次科学革命的核心问题

人工智能学科的出现不是偶然的，它与整个科学体系的演化进程密切相关。

科学学认为，从整体上看科学不是无数偶然事件的总和，而是严格按照一定的客观规律向前发展的。1980年我国科学学家赵红洲利用《自然科学大事年表》处理出了一组曲线（图5），把 16世纪以来的近代自然科学发展总貌一目了然地展现在我们面前，这组曲线从宏观层面向我们揭示了科学发展的一些内在规律。他不仅证实了有名的科学发展指数增长律W＝ae^bt（W是原创性科学成果数，a,b是常数），而且发现了科学发展的非常期。非常期是一个介于两个指数增长期之间的过渡期，在这个时期W急骤下跌，指数律遭到破坏。他又提出了智力常数R的概念，R表示每取得一项原创性科学成果所需付出的智能的多少，代表当时科学研究的困难程度。他发现在指数期内R增长得非常缓慢，但在非常期内R急骤升高。这表明科学体系内部是有结构的：在指数期，科学体系的内部结构基本上处在稳定状态，人类科学研究所付出的智能，主要被直接用来增加原创性科学成果数，所以R基本不变，W按指数律上升；但到了非常期，情况正好相反，由于旧时的科学体系结构遭到破坏，人类科学研究所付出的智能，很大一部分被用来建立新的科学体系结构，科学体系结构的改变又引起R值急骤升高，这些都促使W迅速下跌；直到新的科学体系结构稳定后，R值才基本稳定下来，人类在科学研究中付出的全部智能又主要用来增加W，曲线重新进入新的指数增长期。在物理世界，人们熟知的冰变水、水变气的相变过程与这个现象十分相似，H₂O的分子结构在相变中发生了改变，W相当于H₂O的温度t，R相当于H₂O的比热c，投入的智能相当于H₂O吸收的热量Q。

图5  科学发展曲线（赵红洲1980）

 

科学体系结构的改变就是科学革命。科学发展曲线表明近代史上第一次科学革命发生在1670年～1740年之间，正好在第一次产业革命前夕，第一次科学革命和第一次产业革命使人类进入到工业社会。曲线还表明，大约1930年以来，我们已进入第二次科学革命之中，它必然推动第二次产业革命的到来，使人类进入一个全新的社会。这与1928年出现信息概念、以后又出现计算机和“三论”、及目前正在发生的信息科学带动信息产业革命、使人类进入信息化社会的历史事实相符。

是什么原因引起科学体系结构的改变，促使科学革命和产业革命暴发及人类社会转型的呢？我们认为社会生产力发展中基本矛盾的转移是最主要的原因。众所周知，能量、材料和信息是自然界的三大要素，也是自然科学和社会生产中的三大基本问题。社会生产力的发展要求三者要相互协调，平衡发展。但在一个历史时期内，由于种种条件的影响，必然有一个是主要矛盾，发展较快，起着带头和重心的作用。而“重心”从一个基本问题向另一个基本问题的转变，就会引起科学革命和产业革命，推动人类社会的转型。如第一次科学革命和产业革命发生在“重心”由材料转向能源之时，革命前各种金属材料（主要是铜和铁）的发现和广泛应用，使人类文明处在农业社会晚期，手工业有了相当的发展。从当时最发达的英国来看，工场手工业生产方式已发展到顶峰，劳动分工很细，工具和工具机相当发达。但是这些机器和工具大都是以人、畜的体力为原动力。劳动分工和工具机的发展，使工场手工业生产方式的潜力几乎挖尽，已经不能适应生产力进一步发展的要求，自然赋予人的体力的局限性被充分暴露出来。生产力的发展迫切要求借助机器的力量来突破这种局限性。实现人手的部分代替、延伸和加强，使人类的部分体力劳动能够自动化。这涉及到当时科学技术的根基。怎样放大人的体力？人们曾经想到过杠杆和各种储能器，但是都失败了，因为它们都只能放大“力”，而不能放大“能”，能量是守衡的。要真正突破人的体力的局限性，必须寻求大功率的能源，并解决它的生产、控制和利用问题。这是时代赋予第一次科学革命和第一次产业革命的神圣使命。也就是说，第一次科学革命和第一次产业革命的目的是突破人的体力的局限性，为大功率动力系统的产生、控制和利用寻求新的理论基础和技术基础。在这样的背景下，英国科学家牛顿在1666~1704年期间创立了经典物理学，从而使整个自然科学体系发生了本质性的改变。物理学是第一次科学革命的主要理论成果，其核心部分是经典力学。1768年英国人瓦特制成的蒸汽机是第一次科学革命的主要物质成果。动力机械的推广应用，带来了18世纪中叶暴发的第一次产业革命。二百多年来，各种能源和动力机械的出现是这场工业革命深入发展的里程碑，物理学是它们的主要理论基础。动力机和工具机的结合，使人的部分体力劳动自动化变成了现实，昔日手工业生产方式让位于工业化的大生产，人类开始从繁重的体力劳动中解放出来。第一次科学革命和第一次产业革命带来了人类有史以来最高的物质文明，人类社会由农业社会跃入到工业社会。

最近几十年的历史已经证实，第二次科学革命和第二次产业革命发生在“重心”由能源转向信息之时。我们知道，第一次科学革命和和第一次产业革命以来，社会生产发展的主要矛盾一直是动力问题，信息和材料相对来说一直处在次要位置上。这时期的机器，虽然功率越来越大，但其中的信息处理是极其简单的，几乎不需要什么“智能”。社会生产和管理中的信息处理，也主要是靠人来完成的。但是20世纪30年代以来，情况开始发生了根本改变。在许多情况下，光靠增加机器的功率，已经不能解决问题，信息处理问题日益被突出出来，成了进一步发展的主要矛盾。昔日在信息处理中主要靠人进行个体脑力劳动的工作方式已经远远不能满足社会继续发展的要求，自然赋予人的智力的局限性被充分暴露出来。社会生产力的发展迫切需要借助机器的力量来突破这种局限性，使人脑得到部分的代替、延伸和加强，实现部分脑力劳动的机械化和自动化。这涉及到现代科学技术的根基，这个问题不解决，当代科学技术不可能出现本质性的飞跃。正是这种“重心”的转移，促使第二次科学革命和第二次产业革命的到来。

如果说第一次科学革命和第一次产业革命是能源革命，那么第二次科学革命和第二次产业革命是信息革命。第二次科学革命将取得什么样的成果呢？从理论上讲，就是要建立广义的信息科学，它是全面研究信息的产生、获取、变换、传输、存贮、处理、识别、显示和利用的科学。其核心部分是研究高级信息处理和利用规律的智能科学；从物质上讲，就是要创造各种智力机器。电子数字计算机是一种原始的智力机器，但不是智力机器的唯一形式，正如蒸汽机在动力机家族中所扮演的角色那样。第二次科学革命正在进行，目前在理论和物质成果上都有了不少进展，但是革命的高潮时期尚未到来。第二次科学革命的胜利完成，必然会促使第二次产业革命高潮的到来，它必将会改变过去那种以人的智力作为信息处理的唯一“原动力”的状况，实现工具机的智能化，即人的部分脑力劳动自动化。这不仅可以使人类从简单、繁琐的那一部分脑力劳动中解放出来，使人类的智慧集中到那些更富于创造性的工作中去，而且还能使那些单靠人的自然智能无法进行或带危险性的工作得以完成。人类社会将从工业社会过渡到信息社会。表2是何华灿1980年给出的两次科学革命的比较。虽然一场革命的完成需要各方面条件的配合，但智能科学和智力机器在第二次科学革命和第二次产业革命中的主导地位是不容置疑的。美国未来学家托夫勒（A. Toffler）1980年发表的《第三次浪潮》和美国社会学家奈斯比特（J. Naisbitt）1982年发表的《大趋势—改变我们生活的十个新方向》都从不同角度出发，用不同的事实和观点阐述了这一伟大的历史变革，再次佐证了赵红洲曲线的科学发现。这是历史发展的总趋势，谁最先认识到这一点，谁就会在这场科学技术革命和社会转型中获得主动权！

    （二）智力工具的出现是人类社会进化新阶段的要求

研究智能科学和智力机器的重要意义，还可以从人类社会的进化历史中加以考察。我们知道，生物进化的速度是按指数律增长的。人类的全部进化历史经历了两个完全不同的阶段。第一阶段是由原生质到类人猿阶段，这主要是一部生物学进化史：

表2  两次科学革命和产业革命的比较（何华灿  1980）

它首先是经历了从无机物到有机物再到生命的漫长变化过程，从此开始了生命有机体与环境的矛盾斗争。在这场斗争中，生物体依靠遗传进化系统的奇妙功能，在机体（材料）、能量和信息处理能力三方面都有了很大发展。但直到恐龙时代，发展的重心主要是在材料和能量方面。到了类人猿时代，发展的重心已开始转移到信息处理能力方面，形成了比较高级的智能。这一阶段的主要特征是生命有机体直接与环境发生关系，进化主要表现在生物体自身的生物学特性的变化上，这种变化反映在材料、能量和信息处理能力（智能）诸方面。

第二阶段是从原始人类到今夭的现代人类，这主要是一部社会学进化史。在这期间人类在生物学特征上变化不太大，进化主要表现在人的社会特性上。由于人类的生物学变化速度已经不能满足进化的指数增长律，在人与环境的矛盾斗争中，人的自然能力的局限性逐渐被暴露出来，人类不得不借助（因而也得益于）各种工具的力量来突破这种局限性，增加自身认识自然和改造自然的能力。这就使得在人与环境的关系中，加入了工具这个中间环节，从此开始了人--机复合系统与环境的矛盾斗争。在这场斗争中，人本身主要是智力上的进化，在材料和能量方面变化不大（有的还略有降低），但就人—机复合系统来说，则在材料、能量和信息处理能力诸方面都有很大发展。这种发展大致经历了两个时期，目前正在向第三时期过渡：

第一时期主要是机械工具机的发展，目的是克服人的手、脚、牙等自然工具能力的局限性，以便在强度、硬度、切削能力等方面有所突破。但这时的机械工具机主要靠人、畜、风和水等自然动力来驱动，完全靠人的自然智力来控制。这时期人—机复合系统的进化主要表现在机械工具机的材料方面；

第二时期主要是动力工具机的发展，目的是突破人、畜、风和水等自然动力的局限性。这时的机械工具机主要由动力工具机来驱动，但整个机器系统主要靠人的自然智力来控制。这时期人—机复合系统的进化主要表现在动力工具机的能源方面；

第三时期主要是智力工具机的发展，其目的是突破人的自然智力的局限性。这时的整个工具系统已具有机械、动力和智力等部分，相对于人的独立性大大增强，可以自主完成许多低层次的操作、信息处理和控制决策等工作。人类则进入到更高层次的操作、信息处理和控制决策中。这时期人—机复合系统的进化主要表现在智力工具机的智能方面。

应该指出，任何把人的能力或工具系统的能力绝对化的意图都是片面的。就我们目前已知的宇宙知识来说，人类是最高级的智能动物。而且人类的智力随着每个个体人的不断学习和整个人类的不断进化，还会不断地提高和发展，这种发展事实上可以被看成是没有止境的。因此我们说，人的智能是可以无限发展的，人是万物之灵；但是这只是问题的一个方面，从另一方面来讲，我们又不得不承认地球上的人类，就宇宙的时空范畴讲仅是局部的、瞬时的现象，它不是宇宙发展的极限和永恒。就我们人类自身来讲，大量事实巳经表明，无论是一个个体的人还是一定时期内的整个人类，他的自然智力（即一个不使用任何工具的裸人所表现出的智力）是存在许多局限性的。例如在可靠性方面，虽然人脑存在大量冗余，可以自修复，但它连续稳定工作时间很短，受到身体疲劳、情绪波动和各种外界干扰的影响。连续工作时间越长，出错概率越大。而且人类对恶劣环境的忍受能力很差，在高温、高压、辐射等条件下都无法工作；从对外界刺激的反应上讲，人虽然有很大的灵话性，但反应速度不快，许多快速反应过程（如热核反应）无法由人来直接控制；又如人的记忆能力是很强的，它的容量很大，还可以相互联想，但记忆的准确性很差，常常会忘记或发生记忆混乱，也不便于随意修改和直接复制；从通讯角度讲，人与人之间主要靠语言、文字等手段彼此通讯，它们的速度太慢，效率不高，在许多复杂问题面前显得很不适应；人的寿命也是有限的，随着人的死亡，知识的积累和智力的增长就会中断。遗传系统只能传递一个人的生理结构和本能，不能传递大量的知识和智力，知识和智力只能靠个体的人在后天学习中去主动获取。这就存在一个知识和智力的继承效率问题，人类在这方面花费的时间太多了。不象机器积累的知识可以长期保存、互相共享和方便的复制。如此等等，都说明了人类的自然智力存在许多的局限性，这是由于遗传基因所决定的人的生理素质的局限性引起的（改变人的遗传基因已是另一范畴的问题），正是这种局限性和人类社会的快速发展之间形成了越来越尖锐的矛盾，促使人们去研究种种智力机器，希望借助工具的力量来突破这些局限性，使人脑得到延伸和加强。人类智力的这种既是无限又是有限的关系可以用平面上的一个扇面来比喻：扇面虽然在深度和广度上都可以无限伸展，但它的范围受到两条射线的约束，无法覆盖整个平面。人类研究智力机的目的并不是为了消极地复制人脑，而是为了用工具系统来突破人的自然智力的局限性，达到对人脑的部分代替、延伸和加强的目的，使人能够去完成那些单靠裸人的智力无法完成的复杂任务。因此在某些方面，工具系统超过它的自然原型，这是理所当然的。例如计算机完成数值计算的速度已大大超过了人类，计算机还出色地完成了裸人无法解决的四色定理证明问题等。

但工具系统同样存在它自己的局限性。还是以计算机为例：从可靠性方面讲，计算机的连续稳定工作时间比人长得多，但当预定的输入信息被干扰或丢失时，计算机往往会不知所措，而人则可以应付自如；人还可以从经常的错误中学得更加聪明，而计算机出现预想不到的错误时，必须经人的干予才能恢复正常工作；速度是计算机引以自豪的指标，但许多智能问题光有速度并不能解决问题。如下国际象棋，这对人来说并没有特别的困难，若让计算机把每一步可能的走法都算一遍，从中选出最佳步骤，就得算10¹²⁰种组合，这实际上是不可能完成的。一般来说，各个时期的工具系统都存在着它自己的局限性，不可能是万能的。工具系统与人比较起来，往往是“速度过人，但巧度不如人”，这也许是机器与人之间带有普遍意义的差别。所以，简单地谈论“机器不如人”或“人不如机器”都是不恰当和不公正的，它们之间是一种“共生”的关系。人创造了机器，机器则帮助人突破自然赋予人的各种自然能力的局限性，使人在自然面前变得更强有力。人使用机器可以更有效地认识世界和改造世界，因而又能造出更高级的机器。如此循环不已，促进了人类社会的越来越快速地进化。这就是说，在自然界面前，人—机复合系统是一个更加复杂和快速的进化论系统，它的“体力”和“智力”都可以突破裸人的自然体力和智力的局限性，无限制地发展下去。当然在人—机关系中，人是主宰，是中心，机器不能完全脱离人而独立存在。

    （三）智能化是信息化的高级阶段

1、人类社会已开始信息化进程

正如我们已经看到的那样，通讯和电子数字计算机的出现和广泛应用，开始了人类社会信息化的进程，特别是Internet的出现和广泛应用，标志着全球信息化时代的到来。虽然我国目前的主要任务是实现工业、农业、科学技术和国防的四个现代化，但我们已经清晰地认识到信息化不仅不会妨碍、而且可以加快四个现代化的进程，所以国家决心要通过信息化来促进四个现代化的实现。今天当我们已经处在信息化进程之中时，可以更加深刻地体会到智能化的重要意义。

信息化的发展过程与电力化的发展过程十分相似。一个多世纪前，只有少数人能够依靠自己的发电机点亮自己的电灯，发电和用电是不可分离的。现在人们使用电力已经十分方便，不管是什么电器、耗电多少，只要有一个标准用电插口即可，不再操心发电问题。这是配电网络的功劳，它首先把发电和用电有效分离开来，由专门的大型电厂负责集中发电，然后通过无孔不入的配电网络把电力输送到四面八方的各种用户，用户只需按用电多少付费即可。计算机应用的原始状态也是用自己的电脑和数据解决自己的计算问题，后来出现了计算机网络和Internet，部分解决了计算资源和信息资源的共享问题。目前正在加紧发展的电话、电话和电脑的“三电合一”，通讯网、电视网和计算机网的“三网合一”，“无所不在的计算”和“无孔不入的网络”，以及“网格计算”等，将把信息处理过程中的信息源、处理机、通讯网和终端用户有效地分离开来，使每一个普通的用户能够象现在用电一样方便地使用全球范围内的计算资源和信息资源，这是真正意义上的全球信息化。全球信息化的不断发展使一个深层次的矛盾日益突出：一方面，信息化已经有能力把各种需要知识的人带到信息海洋中去遨游，快速地获得他所需要的各种信息；另一方面，人们面对信息海洋仍然感到知识饥渴和不知所措，因为他不知道这排山倒海而来的信息那些是真正对他有用处的知识，如何才能把它们提炼出来。问题的根源是目前信息化只是初级的信息化，其重点主要是着眼于如何把数字信息快速地收集起来和发送出去，对如何在海量信息中提炼知识和利用知识重视不够。要解决这个深层次的矛盾需要利用智能技术，例如利用智能接口可以帮助我们克服人—机交互鸿沟，使普通人能够自由地进出信息海洋；利用智能推拉技术和智能信息处理技术可以帮助我们有效地归纳、发现和利用知识。所以智能化是信息化的高级阶段，只有智能化才能真正使每一个普通的人都能方便地享受到信息化带来的便利。

2、学科的典型发展历程

通过分析一个学科的典型发展历程，我们也能看到智能化的重要意义。一般来讲，一个学科的发展需要经历四个典型的阶段：

l）条理化阶段  主要的特征是依靠人脑的悟性发现规律，由感性认识上升到理性认识，由特殊经验推广到一般规律，它标志一个学科开始形成。例如中医学，生物学等。

2）数学化阶段  主要的特征是利用抽象的数学方法描述问题，依靠严格的数学工具发现一类问题的算法解。它标志一个学科走向成熟。例如物理学，力学等。

3）计算机化阶段  主要的特征是利用计算机的高速度和大容量，快速解决学科中实际可计算的复杂问题，它标志一个学科进入现代化。例如计算几何，计算物理等。

4）智能化阶段  主要的特征是依靠人—机复合系统的智能，综合利用数学模型、经验知识和机器发现能力，解决长期困挠学科发展的实际不可计算问题和非结构化问题，它标志一个学科趋向完善。例如智能CAD，智能控制等。

可见智能化处在信息化的高端，也处在学科发展的高端，从生物科学上我们看到了同样的现象。

 

 

    （四）从新自然法则看智能科学的历史使命

1、科学发展的三个历史时期

按照历史上占统治地位的自然观不同，科学的发展已经大致经历了三个不同时期：

1）神授论时期  17世纪以前，人们普遍认为自然界的一切都是神的意志和安排，上帝主宰一切，人唯一能做的是屈从神的意志和安排；

2）决定论时期  18世纪以后，以伽利略－牛顿－爱因斯坦为代表，发现了自然变化的内在规律，人利用自然规律可以征服自然，这为现代科学技术的形成奠定了思想和理论基础，但他们认为确定的自然法则决定着宇宙的一切，时间可逆；

3）演化论时期  20世纪中叶以来，以普利高津(I. Prigogine

)等人为代表，发现了非平衡物理学和不稳定系统动力学的规律，确立了以演化为中心的新自然法则，认为宇宙的一切都处在不断的演化过程中，时间不可逆，人需要用整体的和发展变化的观点去认识和改造自然，新自然法则为复杂性科学的出现奠定了思想和理论基础。

目前的科学体系正处在从牛顿爱因斯坦确立的自然法则向普利高津等人确立的新自然法则过渡的转折时期，人们的宇宙观和方法论正在发生质的改变：

牛顿爱因斯坦确立的自然法则认为世界的发展变化是由一些简单的确定规律控制的，同样的原因会得到同样的结果，时间是可逆的，不确定性是一种近似或错觉。

而普利高津等人确立的新自然法则认为自然界处在不断地演化过程中，它处处存在涨落、不稳定性、多种选择和有限可预测性，所以自然法则仅仅表达了可能性或概率，时间是不可逆的，不确定性是常规，确定性是理想化或近似，我们应该将演化置于对自然的认识的中心位置。

2、对人工智能学科历史使命的新认识

还原论和因果决定论不利于我们把握智能的真正本质，新自然法则可以帮助我们更深刻地认识人工智能学科出现的时代背景，它使我们明确认识到：智能的真正本质是系统对演化环境的识别和适应能力，系统本身也处在不断地演化之中；不仅人类的抽象思维能力是一种自然智能，而且在生命现象的各个层面上表现出的对演化环境的识别和适应能力，都是自然智能；人工智能学科出现的根本原因是由于全球信息化使社会的演化速度大大加快，人类智力的局限性充分曝露，不得不借助可快速演化的智力机来增强和延伸自己对环境的识别和适应能力。

有了这点认识上的提高十分重要。过去人工智能局限在研究人类的抽象思维能力，处处受到还原论和决定论思想的禁锢，重视确定性，认为不确定性是由于无知或近似引起的，应该尽量避免或消除，不重视时间之矢。现在认识到人工智能要研究各种形式的自然智能，智能系统的主要任务是对它所处的环境的识别和适应，由于环境在不断地演化，所以不确定性是常规，确定性才是理想化或近似，时间是不可逆的。人工智能研究和人工智能系统本身也要以演化为中心，以解决不确定性问题为重点，重视时间之矢。

自1956年人工智能学科诞生以来，我国科学技术工作者一直在敏锐地进行跟踪学习，经过将近半个世纪的消化吸收和融会贯通，己经从跟踪学习进入自主研究重大科学问题，独立进行重大科学创新的新阶段。中国人在人工智能研究方面已经取得了一系列令人鼓舞的成果：创造了包括几何定理证明的吴氏方法、开放复杂巨系统理论、仿生模式识别、云模型、开放逻辑、广义智能理论、泛逻辑学、信息-知识-智能的转化理论、可拓学、集对分析、形象思维模型、仿人智能控制、变论域模糊控制和主体网格智能理论等中国的人工智能品牌，表现出了旺盛的创新能力。当前，中国智能科学技术工作者们正活跃在航天与航空、网络与通信、控制与管理、生物信息与生命科学等科学技术的前沿，以智能科学的创新理念和智能技术的创新手段，解决这些领域中一个又一个世界性难题，取得一个又一个具有世界先进和领先的成果。

特别值得指出的是，当今世界人类面对的问题已经由机械系统发展为演化系统，人类的自然观已经由因果决定论发展为演化论，用演化的观点研究复杂系统变化规律和行为特征的新兴科学体系正在形成，科学方法论正在由机械的因果决定论向辩证的演化论转变，这为善于综合辩证思维的东方民族带来了前所未有的创新机遇。中华民族是一个以勤劳勇敢和富有智慧而著称于世的伟大民族，有五千年灿烂的历史文明，曾经拥有古代科技的辉煌。在充满机遇和挑战的21世纪，我们迎来了中华复兴的美好前景，中国应当对人类文明做出更大的贡献。

【注释】

1，本文研究得到国家自然科学基金（60273087，60373016）、国家高技术研究发展计划（863计划，2002AA412020，2004AA113030）和北京市自然科学基金（4032009）的资助。

2，作者介绍：何华灿（1938-1--），男，西北工业大学教授，博士导师。何智涛（1972-7--），男，北京航空航天大学讲师，硕士。

【参考文献】

[1] 何华灿等，人工智能导论，西北工业大学出版社，1988.

[2] 何华灿，王华，刘永怀等，泛逻辑学原理，科学出版社，2001.

[3] He Hua-Can, Ai Li-Rong, Wang Hua, Uncertainties And The Flexible Logics, Proceedings of 2003 International Conference on Machine Learning and Cybernetics, Volume 4 of 5, 2003 :2573-2578.

[4] 何华灿，何智涛，对智能科学逻辑基础研究的战略思考，《2005中国人工智能进展》,北京邮电大学出版社.

[5] 何华灿，何智涛，论第二次逻辑学革命，《2003中国人工智能进展》， 北京邮电大学出版社.

[6] 钟义信，信息-知识-智能转换与统一理论，中国工程科学，6（6），2005.

[7] 钟义信，机制主义：人工智能的统一理论，电子学报，2006年第1期.

[8] T.Raymond,Logics for Artificial Intelligence,Ellis Horwood Limited,1984.

赵沁平译，人工智能中的逻辑，北京大学出版社，1990.

[9] 王元元，计算机科学中的逻辑，科学出版社，1989.

[10] 蔡希尧,，确定信息的数值表示和计算方法，计算机科学，18(5), 1991.

 

                        （原载涂序彦等编《人工智能：回顾与展望》，科学出版社，2006。）