论文部分内容阅读
摘 要：随着人工智能的不断发展，人工智能研究路径由传统以思维为导向的逻辑推理路径到以大数据为驱动的机器学习的研究路径的转变。本文以IBM深蓝及沃森与Google阿尔法三代对比为切入口，通过对大数据工程式的累积哲学反思逻辑推理。基于逻辑推理在人工智能发展的历史，结合以处理信息不完全的非单调逻辑推理，力致在传统路径与现代路径保持必要张力，以促进人工智能深入的发展。
关键词：人工智能;大数据;逻辑推理;反思
中图分类号：F24 文献标识码：A doi：10.19311/j.cnki.1672-3198.2021.20.039
以数据为驱动的人工智能，只能在不断的海量的数据中训练和学习，在根据已有的规则和模式下，完成某个专业领域任务，虽然具有强大的计算能力和快速的搜索能力，计算出来的事物甚至超过人类的完美度，但是很难知识迁移，缺乏自我学习能力，因此向通用人工智能的前进，必须重视逻辑推理，如同人类一样，在面对大数据时，厚积薄发，由厚读薄，从读薄的规则和模式出发，在演绎归纳推理中自由切换，充分发挥人类智能。
1 人工智能路径转变
IBM深蓝沃森和Google 阿尔法三代对比，以符号主义人工智能为核心的逻辑推理。
案例：1997年IBM深蓝和2011沃森以推理为核心的代表。
（1）1997年IBM的深蓝。
深蓝是混合决策，通过检索数据库的算法还有，逻辑，规划，推理，是基于更小的数据集，将通用超级计算机处理器与象棋加速器芯片结合，在超级计算机运行的软件执行一部分运算，更复杂的棋步交予加速器处理，然后计算出可能的棋步和结果，超级计算机根据这些结果决定最终的棋步。就一般的国际象棋手能想到7步，但是深蓝想到12步，甚至40步，IBM深蓝击败世界象棋冠军卡斯帕罗夫，最终比分3.5∶2.5。
（2）2011年沃森，即QA问答系统。
主持人问：Kathleen Kenyon’s excavation of city mentioned in Joshua showed the walls had been repaired 17 times.Kathleen Kenyon对这个在《圣经约书亚记》中提到的城市的发掘表明，该城市的城墙曾被修复17次。
沃森回答：What is Jericho（耶利哥城市是什么？）
基于Kathleen，Kenyon，Kathleen Kenyon，Joshua，沃森的反馈机制：首先把第一个K和第二个K作为单独的名词，以及把二者作为一个复合名词，和把Joshua作为一个名词，向搜索引擎发出请求。发现第一个K和第二个K孤立存在，反馈很少，发现二者的组合是一个牛津大学的考古学家曾经对耶利哥，耶路撒冷，拉吉进行过发掘，发现只有耶利哥在《圣经约书亚记》出现过，于是回答出来正确问题。
这是一种基于逻辑推理不断寻求答案，给出最终结果，即根据已有的知识和关系，推理机推出原本没有的关系。这种推理方式与人类逻辑推理相似，解释性强。
下面分析以数据驱动为核心的机器学习。
案例：人机博弈Alphaco。
第一代 Alphaco lee。
goole设计了一套五层卷积神经网络，通过大数据监督学习，利用16万人类选手棋局约3000万棋谱，研究黑白棋的落子，让两个会下棋的神经网络自我博弈，强化学习，机器对弈产生数以万计的棋局，第一代Alphaco上升为五段选手。
第二代 Alphaco master。
goole让两个9段机器相互博弈，最终击败世界排名最高的围棋选手柯洁，比分为3∶0。
第三代 Alphaco Zero。
仅仅依靠强化学习，没有人类数据、指导、专业知识，总计运行29000万次自我对弈，相比于人类围棋的历史长达4000年，仅仅通过40天的学习，就击败了第二代Alphaco master，比分为89∶11。
目前这种依赖于大数据机器学习的应用在现实生活中极其广泛，如人脸语音识别系统、导航系统、特斯拉的机器自动驾驶、谷歌公司的图像标注系统、医学诊断、DNA序列测序等。
2 困境与难题：大数据的工程式累积的批判性思考
以大数据为驱动的人工智能机器学习正蓬勃发展，大数据挖掘，大规模计算，互联网的发展为信息的收集带来极大意义，但是也不得不思考，人工智能机器學习的“黑箱”，加深了“理解”与“推理”的鸿沟。
2.1 缺乏实质理解，自我认知怀疑
人类理解世界，通过探索世界的规律，实现自我认知。大数据的挖掘正逐渐表明，原理、规律并不是那么重要。万有引力规律支配世间万物运动，在向远处掷实心球时，如果没有到达理想的距离，我们不会质疑它的抛弧线距离，更多是归于意外自己手滑，但是机器学习正在弱化我们把握世界的规律。谷歌的阿法尔对围棋一无所知，只是从13万场有记录棋局中分析出6000万步棋，基于数据之间一组复杂得难以形容的加权关系，即使阿法尔无法用人类语言描述下每一步棋的理由，但它仍然击败了全世界排名最高的人类棋手。深度学习的算法，比任何人类都能更好地捕捉到宇宙的复杂性、流动性;机器学习，使我们渐渐被动接受，直面我们日常生活中难以理解的错综复杂;也是我们对于理解世界和世界上发生的事情的坚持的放弃，换句话说既然他们能在不能理解实质情况下，做得如此完美，人类产生了自我认知的怀疑。新工具，特别是机器学习，让我们认识到我们周围数据和信息的广泛性，开始被动接纳作为人类这个物种的传统自我认知，我们的大脑无法像人工智能那样准确快速地分析和预测事件，数据告诉竞选网站应该发布的内容类似于浏览淘宝，为了获得点击量和购买的可能性，以买家浏览数据记录作为支撑推荐给买家，也不知不觉表明，原理、归纳的重要性正在减弱，人类认识世界的意义也似乎在被边缘化。 2.2 缺乏实际推理和思考，难以进步
人类思考世界是以小见大，也就是小数据，大任务，而机器学习则是大数据，小任务。人类思维的多面性包括规划完成新目标，从他人的行为中推导他们的目的，学习结构化理论来描述世界规则，发明实验来验证这些理论，仅从一个例子中学习识别新物体种类，但是机器学习只是表面上他们在所有方面取成功，仅仅是因为他们学习了上百次的例子，而人类并没有这么做。深度学习以大数据为支持，即使今天拥有大量的数据，但相对于神经网络所需的庞大数据而言，深度学习的前景未必像期待那样。除此，例如自然语言的处理似乎更有感知，但其实仅仅是依赖于语言模式而不是有意识建构的。因此，真正能实现人工智能质的飞跃，更多是以数据到推理与能力的转变。
3 人工智能视角：逻辑推理
人工智能的目的在于使计算机智能化，推理是智能机器模拟人类的高级形式之一。人类面对大量数据，万千复杂的世界，仅仅通过实质理解少量信息知识运用推理，就可以洞察世界，这是智能机器发展的方向，即能深度推理，自主学习。
早在公元前384-公元前322年，亚里士多德在名著《工具论》中提出的形式逻辑的一些主要定律，提出的三段论至今仍是演绎推理的基本依据。以亚里士多德的三段论有效式推理中著名的Bar Bara为例，该式如下：
大前提：所有的M都是P，（MAP）如，所有人都是要死的。
小前提：所有的S都是M，（SAM）柏拉图是人。
结论：所有的S都是P（SMP）柏拉图是要死的。
亚氏建立的以三段论为核心的传统词项逻辑，一方面是从已知的一般性知识出发，去推出蕴含在这些已知知识中适合于某种个别情况的结论，是通过前提作出必然结论的推理方法;另一方面是可以根据词项解释三段论的构成，也就是基于中项M，将无关联大项P和小项S发生联系，这种推理方式非常接近人们的思维实际。无疑，IBM的深蓝的研究推理路径与其相符，这些都使得人工智能在形式化演绎推理以及模拟人类日常思维心理方面具有重要的启发意义。
亚里士多德的归纳三段论可作为归纳推理的来源之一，而真正作为一种推理是近代英国哲学家培根系统地提出和“知识就是力量”，这深刻影响人工智能向知识的表征的转变，之后穆勒的归纳“五法”等，在传统归纳逻辑的发展基础上发展出了贝叶斯决策理论，到概率逻辑推理成为现归纳推理的主流。
随着人工智能的发展，面对世界的不确定性，以知识的确定性推理的难以刻画不完全信息，换句话说，随着信息的增加，经典逻辑（以演绎推理为基础的）的结论会加强，而不会缩小已有知识的集合，是单调的。但是在实际的过程中，随着知识的增加可能会出现和之前矛盾的结论，是非单调的;20世纪70年代以来以人工智能为背景的非单调逻辑推理的一定程度上极大地适应了人工智能应对知识的不完整性，及知识的表示和推理。
總之在推理的研究路径上向深度推理发展，无论是单调逻辑推理还是非单调逻辑推理都致力于破除人工智能发展的瓶颈。
4 破解难题：双重路径并举
以海量的数据驱动下的人工智能可以直接学习已有的模式，但解释性不强，以符号主义为核心的逻辑推理，类似于与人类的逻辑推理方式，解释性强，但是难以构建完备的知识规则库。因此从数据到知识与能力的增强，需要两种学习路径的综合利用。非单调逻辑推理是一种常识推理的重要推理，其特点是结论是暂时的，也就是能根据新信息，不断修正结论，具有较强的灵活性，正契合人类日常推理。因为人类对外部世界的认识总是有限的，外部世界复杂多变，具有不确定性，这种不确定性正是凸显对知识的掌握不完全的，需要根据外部环境不断更新、修正，因此呈现出了非单调性。如今面对大量数据，每天接收的信息不断被更新，这种推理方式能够较好处理。本文举一非单调推理案例。在基于之前的知识，我们认定所有的鸟都会飞，企鹅是鸟，因此得出企鹅会飞的结论，但是基于信息的知识更新，我们了解到不仅仅是企鹅作为鸟不会飞，其他也有存在的鸟也可能不会飞，但是目前我们基于更新的知识，必须修正结论。如果扩充到一个人的成长历程，会源源不断更新自己的知识库，同时就会对自己每个成长阶段的认识作出更改，那么应用到人工智能可以解决信息扩充问题及信息交互等问题（可以用非单调逻辑推理刻画深蓝的两次的发展吗）。
总之，大数据的驱动的机器学习，是目前人工智能发展的现状，但是我们也应认识到深度推理，重视逻辑推理是机器直接学习数据到自主学习必不可少的，应在二则保持张力。
参考文献
[1]刘素姣.一阶谓词逻辑在人工智能中的应用[D].开封：河南大学，2012.
[2]深度学习已经触到天花板了吗[G].大数据文摘.
[3]人工智能概述[DB/OL].浙江大学.
关键词：人工智能;大数据;逻辑推理;反思
中图分类号：F24 文献标识码：A doi：10.19311/j.cnki.1672-3198.2021.20.039
以数据为驱动的人工智能，只能在不断的海量的数据中训练和学习，在根据已有的规则和模式下，完成某个专业领域任务，虽然具有强大的计算能力和快速的搜索能力，计算出来的事物甚至超过人类的完美度，但是很难知识迁移，缺乏自我学习能力，因此向通用人工智能的前进，必须重视逻辑推理，如同人类一样，在面对大数据时，厚积薄发，由厚读薄，从读薄的规则和模式出发，在演绎归纳推理中自由切换，充分发挥人类智能。
1 人工智能路径转变
IBM深蓝沃森和Google 阿尔法三代对比，以符号主义人工智能为核心的逻辑推理。
案例：1997年IBM深蓝和2011沃森以推理为核心的代表。
（1）1997年IBM的深蓝。
深蓝是混合决策，通过检索数据库的算法还有，逻辑，规划，推理，是基于更小的数据集，将通用超级计算机处理器与象棋加速器芯片结合，在超级计算机运行的软件执行一部分运算，更复杂的棋步交予加速器处理，然后计算出可能的棋步和结果，超级计算机根据这些结果决定最终的棋步。就一般的国际象棋手能想到7步，但是深蓝想到12步，甚至40步，IBM深蓝击败世界象棋冠军卡斯帕罗夫，最终比分3.5∶2.5。
（2）2011年沃森，即QA问答系统。
主持人问：Kathleen Kenyon’s excavation of city mentioned in Joshua showed the walls had been repaired 17 times.Kathleen Kenyon对这个在《圣经约书亚记》中提到的城市的发掘表明，该城市的城墙曾被修复17次。
沃森回答：What is Jericho（耶利哥城市是什么？）
基于Kathleen，Kenyon，Kathleen Kenyon，Joshua，沃森的反馈机制：首先把第一个K和第二个K作为单独的名词，以及把二者作为一个复合名词，和把Joshua作为一个名词，向搜索引擎发出请求。发现第一个K和第二个K孤立存在，反馈很少，发现二者的组合是一个牛津大学的考古学家曾经对耶利哥，耶路撒冷，拉吉进行过发掘，发现只有耶利哥在《圣经约书亚记》出现过，于是回答出来正确问题。
这是一种基于逻辑推理不断寻求答案，给出最终结果，即根据已有的知识和关系，推理机推出原本没有的关系。这种推理方式与人类逻辑推理相似，解释性强。
下面分析以数据驱动为核心的机器学习。
案例：人机博弈Alphaco。
第一代 Alphaco lee。
goole设计了一套五层卷积神经网络，通过大数据监督学习，利用16万人类选手棋局约3000万棋谱，研究黑白棋的落子，让两个会下棋的神经网络自我博弈，强化学习，机器对弈产生数以万计的棋局，第一代Alphaco上升为五段选手。
第二代 Alphaco master。
goole让两个9段机器相互博弈，最终击败世界排名最高的围棋选手柯洁，比分为3∶0。
第三代 Alphaco Zero。
仅仅依靠强化学习，没有人类数据、指导、专业知识，总计运行29000万次自我对弈，相比于人类围棋的历史长达4000年，仅仅通过40天的学习，就击败了第二代Alphaco master，比分为89∶11。
目前这种依赖于大数据机器学习的应用在现实生活中极其广泛，如人脸语音识别系统、导航系统、特斯拉的机器自动驾驶、谷歌公司的图像标注系统、医学诊断、DNA序列测序等。
2 困境与难题：大数据的工程式累积的批判性思考
以大数据为驱动的人工智能机器学习正蓬勃发展，大数据挖掘，大规模计算，互联网的发展为信息的收集带来极大意义，但是也不得不思考，人工智能机器學习的“黑箱”，加深了“理解”与“推理”的鸿沟。
2.1 缺乏实质理解，自我认知怀疑
人类理解世界，通过探索世界的规律，实现自我认知。大数据的挖掘正逐渐表明，原理、规律并不是那么重要。万有引力规律支配世间万物运动，在向远处掷实心球时，如果没有到达理想的距离，我们不会质疑它的抛弧线距离，更多是归于意外自己手滑，但是机器学习正在弱化我们把握世界的规律。谷歌的阿法尔对围棋一无所知，只是从13万场有记录棋局中分析出6000万步棋，基于数据之间一组复杂得难以形容的加权关系，即使阿法尔无法用人类语言描述下每一步棋的理由，但它仍然击败了全世界排名最高的人类棋手。深度学习的算法，比任何人类都能更好地捕捉到宇宙的复杂性、流动性;机器学习，使我们渐渐被动接受，直面我们日常生活中难以理解的错综复杂;也是我们对于理解世界和世界上发生的事情的坚持的放弃，换句话说既然他们能在不能理解实质情况下，做得如此完美，人类产生了自我认知的怀疑。新工具，特别是机器学习，让我们认识到我们周围数据和信息的广泛性，开始被动接纳作为人类这个物种的传统自我认知，我们的大脑无法像人工智能那样准确快速地分析和预测事件，数据告诉竞选网站应该发布的内容类似于浏览淘宝，为了获得点击量和购买的可能性，以买家浏览数据记录作为支撑推荐给买家，也不知不觉表明，原理、归纳的重要性正在减弱，人类认识世界的意义也似乎在被边缘化。 2.2 缺乏实际推理和思考，难以进步
人类思考世界是以小见大，也就是小数据，大任务，而机器学习则是大数据，小任务。人类思维的多面性包括规划完成新目标，从他人的行为中推导他们的目的，学习结构化理论来描述世界规则，发明实验来验证这些理论，仅从一个例子中学习识别新物体种类，但是机器学习只是表面上他们在所有方面取成功，仅仅是因为他们学习了上百次的例子，而人类并没有这么做。深度学习以大数据为支持，即使今天拥有大量的数据，但相对于神经网络所需的庞大数据而言，深度学习的前景未必像期待那样。除此，例如自然语言的处理似乎更有感知，但其实仅仅是依赖于语言模式而不是有意识建构的。因此，真正能实现人工智能质的飞跃，更多是以数据到推理与能力的转变。
3 人工智能视角：逻辑推理
人工智能的目的在于使计算机智能化，推理是智能机器模拟人类的高级形式之一。人类面对大量数据，万千复杂的世界，仅仅通过实质理解少量信息知识运用推理，就可以洞察世界，这是智能机器发展的方向，即能深度推理，自主学习。
早在公元前384-公元前322年，亚里士多德在名著《工具论》中提出的形式逻辑的一些主要定律，提出的三段论至今仍是演绎推理的基本依据。以亚里士多德的三段论有效式推理中著名的Bar Bara为例，该式如下：
大前提：所有的M都是P，（MAP）如，所有人都是要死的。
小前提：所有的S都是M，（SAM）柏拉图是人。
结论：所有的S都是P（SMP）柏拉图是要死的。
亚氏建立的以三段论为核心的传统词项逻辑，一方面是从已知的一般性知识出发，去推出蕴含在这些已知知识中适合于某种个别情况的结论，是通过前提作出必然结论的推理方法;另一方面是可以根据词项解释三段论的构成，也就是基于中项M，将无关联大项P和小项S发生联系，这种推理方式非常接近人们的思维实际。无疑，IBM的深蓝的研究推理路径与其相符，这些都使得人工智能在形式化演绎推理以及模拟人类日常思维心理方面具有重要的启发意义。
亚里士多德的归纳三段论可作为归纳推理的来源之一，而真正作为一种推理是近代英国哲学家培根系统地提出和“知识就是力量”，这深刻影响人工智能向知识的表征的转变，之后穆勒的归纳“五法”等，在传统归纳逻辑的发展基础上发展出了贝叶斯决策理论，到概率逻辑推理成为现归纳推理的主流。
随着人工智能的发展，面对世界的不确定性，以知识的确定性推理的难以刻画不完全信息，换句话说，随着信息的增加，经典逻辑（以演绎推理为基础的）的结论会加强，而不会缩小已有知识的集合，是单调的。但是在实际的过程中，随着知识的增加可能会出现和之前矛盾的结论，是非单调的;20世纪70年代以来以人工智能为背景的非单调逻辑推理的一定程度上极大地适应了人工智能应对知识的不完整性，及知识的表示和推理。
總之在推理的研究路径上向深度推理发展，无论是单调逻辑推理还是非单调逻辑推理都致力于破除人工智能发展的瓶颈。
4 破解难题：双重路径并举
以海量的数据驱动下的人工智能可以直接学习已有的模式，但解释性不强，以符号主义为核心的逻辑推理，类似于与人类的逻辑推理方式，解释性强，但是难以构建完备的知识规则库。因此从数据到知识与能力的增强，需要两种学习路径的综合利用。非单调逻辑推理是一种常识推理的重要推理，其特点是结论是暂时的，也就是能根据新信息，不断修正结论，具有较强的灵活性，正契合人类日常推理。因为人类对外部世界的认识总是有限的，外部世界复杂多变，具有不确定性，这种不确定性正是凸显对知识的掌握不完全的，需要根据外部环境不断更新、修正，因此呈现出了非单调性。如今面对大量数据，每天接收的信息不断被更新，这种推理方式能够较好处理。本文举一非单调推理案例。在基于之前的知识，我们认定所有的鸟都会飞，企鹅是鸟，因此得出企鹅会飞的结论，但是基于信息的知识更新，我们了解到不仅仅是企鹅作为鸟不会飞，其他也有存在的鸟也可能不会飞，但是目前我们基于更新的知识，必须修正结论。如果扩充到一个人的成长历程，会源源不断更新自己的知识库，同时就会对自己每个成长阶段的认识作出更改，那么应用到人工智能可以解决信息扩充问题及信息交互等问题（可以用非单调逻辑推理刻画深蓝的两次的发展吗）。
总之，大数据的驱动的机器学习，是目前人工智能发展的现状，但是我们也应认识到深度推理，重视逻辑推理是机器直接学习数据到自主学习必不可少的，应在二则保持张力。
参考文献
[1]刘素姣.一阶谓词逻辑在人工智能中的应用[D].开封：河南大学，2012.
[2]深度学习已经触到天花板了吗[G].大数据文摘.
[3]人工智能概述[DB/OL].浙江大学.