非形式化的论点

作为一项事业对人工智能进行批判的最具影响力和持久性的批评来自图灵提到的“行为的非形式化论点”。本质上，这种论点主张人类的行为太过复杂而无法通过任何简单的规则集合捕捉到，由于计算机所能做的不过是遵循规则集合，所以，它们无法产生同人类一样的智能行为。在人工智能领域，这种“无法用一个逻辑规则集合捕捉每件事物”的能力缺陷被称为限制问题。（参见第十章。）

哲学家Hubert Dreyfus一直是此观点的主要支持者，他已经出版了一系列颇具影响力的关于人工智能的批判文章：《计算机所不能做的》（What Computers Can’t Do）（1972）、《计算机仍然不能做的》（What Computers Still Can’t Do）（1992），以及与其兄弟Stuart合著的《头脑高于机器》（Mind Over Machine）（1986）。

他们所批评的主张逐渐被称为“老式的人工智能”（Good Old-Fashioned AI），或缩写为GOFAI，一个由 Haugeland 创造的词汇（1985）。GOFAI 被认为主张所有的智能行为都可以被一个根据一组描述该领域的事实和规则进行逻辑推理的系统所捕捉到。因此它符合第七章中所描述的最简单的逻辑智能体。Dreyfus在说明逻辑智能体易受限制问题的攻击方面是正确的。如我们在第十三章中见到的，概率推理系统更适合于开放领域。因此，Dreyfus批判本质上针对的不是计算机，而是编制计算机程序的特定方式。不过，有理由设想，一本标题为《脱离学习的基于一阶逻辑规则的系统所不能做的》的书籍产生的影响也许会小一些。

按照 Dreyfus 的观点，人类专门技术的确包含一些规则知识，但是只作为人类在其间进行操作的“整体上下文”或者“背景”。他以赠予和接受礼物时的恰当社交行为作为例子：“通常，一个人只是通过给予恰当的礼物在恰当的环境中做出反应。”一个人显然具有关于“事情是如何完成的以及应该期待什么的直觉。”在下国际象棋的背景中也可以提出相同的论断：“一个普通棋手也许需要计算出该如何走，而大师级棋手则把棋盘视为就是需要走特定的一步棋而已……正确的反应只不过自动地在他或她的脑海中蹦出来。”这当然是真实的：一个送礼物的人或者国际象棋大师的思维过程在不向有意识头脑的内省开放的层次就得以完成。但是那并不意味着思维过程不存在。Dreyfus没有回答的一个重要问题就是，正确的下法是如何进入国际象棋大师的头脑的。这让人想起了Daniel Dennett的一段评论（1984）。

就好像哲学家想要声称他们自己是舞台魔术方法的权威解释者，而当我们询问他们魔术师是如何玩“大锯活人”把戏的时候，他们解释说这其实相当显而易见：魔术师并没有把她锯成两半；他只是使事情看起来好像是那样。“但他是如何做到那样的？”我们问道。“不归我们管。”这些哲学家答道。

Dreyfus和Dreyfus（1986）提出了一个获得专家技艺的五阶段过程，从基于规则的处理开始（GOFAI中提出的那种处理），以立即选择正确反应的能力结束。在提出此建议时，Dreyfus 和 Dreyfus 实际上从人工智能批评家转变成了人工智能理论家——他们提出了一个以巨大的“案例库”形式组织起来的神经元网络体系结构，不过也指出了其中的几个问题。幸运的是，他们的所有问题都已经被探讨过，有些是部分成功，有些是完全成功。他们的问题包括：

（1）没有背景知识就不能从实例得到好的推广。他们宣称无人知晓如何将背景知识糅合到神经元网络学习过程中去。事实上，我们在第十九章中见过在学习算法中使用先验知识的技术。然而，那些技术依赖于显式表示的知识的可用性，这是Dreyfus和Dreyfus极力否认的。按照我们的观点，对于认真重新设计当前的神经元处理模型以便使它们能够按照其它学习算法的方式利用先前所学到的知识而言，这是一个很好的理由。

（2）神经元网络学习是有监督学习的一种形式（参见第十八章），需要对相关输入和正确输出的先验辨识。因此，他们宣称，没有人类训练者的帮助，它就不能自主运转。实际上，没有教师的学习可以通过无监督学习（参见第二十章）和强化学习（参见第二十一章）而实现。

（3）在使用很多特征的情况下，学习算法的表现不尽如人意，而如果我们选取一个特征子集，则“在当前特征集被证明不足以解释学习到的事实时，没有已知的增加新特征的方法。”事实上，诸如支持向量机这样的新方法对于大规模特征集处理得相当好。如我们在第十九章中所见到的，也有一些原则性方法来产生新的特征，虽然需要多得多的工作。

（4）大脑能够指挥它的传感器去寻找相关的信息，并对其进行处理，以抽取与当前情景相关的方面。但是他们宣称：“当前，此机制的细节还没有被理解或甚至进行假设，达到足以引导人工智能研究的程度。”实际上，以信息价值理论（参见第十六章）为支撑的主动视觉领域关注的恰好正是指挥传感器的问题，而且一些机器人已经综合运用了所取得的理论结果。

总的来说，Dreyfus 所关注的许多问题——常识背景知识、限制问题、不确定性、学习、决策的汇编形式、考虑被置于一定情境下的智能体而不是无实体的推理引擎的重要性等——如今都已经被综合运用到标准的智能化智能体的设计中了。在我们看来，这是人工智能的进步的证据，而不是它的不可能性的证据。