作者：王天一
出版社：北京时代华文书局
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
人工智能革命：历史、当下与未来试读：
前言
人工智能引发了对如何创建能够进行智能行为的计算机的广泛关注。多年来，缓慢却稳定进展逐渐使计算机在日常工作上变得更加“聪明”，研究界和行业的一系列突破近来更激发了对这一领域发展的势头和投资。
今天的人工智能仅限于狭隘的具体任务，并没有展现出如人类一般普适性的智慧。尽管如此，人工智能对世界的影响力依然不断增长。我们所看到的进步速度将对从医疗保健到形象和语音识别等领域产生不可估量的影响。在医疗保健方面，大量医疗计划将依靠人工智能来寻找医疗数据模式，帮助医生诊断疾病并提出治疗方案。在教育方面，人工智能有潜力帮助教师根据学生的需求定制教学。在交通领域，人工智能是自动驾驶技术的关键，这些无人操控的车辆与飞机可能会在未来几十年内改变全球物流系统。
人工智能带来的经济前景同样令人振奋：它无疑将重塑经济的面貌。根据埃森哲的研究报告估计，到2035年，人工智能可以使许多发达国家的年度经济增长率翻倍，并借此促进人与机器之间的新关系。该报告指出，业务中的人工智能将加强劳动者在推动业务增长方面的角色，进而提高劳动生产率。随着人工智能的成熟，它将潜在地成为近几十年来技术劳动生产率停滞和短缺的有力解决方案。
虽然许多人认为人工智能会取代人类，但人工智能令把人类的精力留在更杰出的工作上。创新的人工智能技术将使人们能够更有效地利用自己的时间，做人类最好的工作——创造，想象和创新。即使在人工智能时代，成功和创造价值的关键因素仍然是采取“以人为本”的方针。
然而，像任何变革技术一样，人工智能带来了一些风险，并且从工作和经济到安全和监管问题的几个方面提出了复杂的政策挑战。人工智能系统也可以以惊人的方式表现，我们越来越依赖人工智能来提供决策和操作设备，这无疑增加了预测和控制复杂技术将如何行为的挑战。
无论如何，人工智能可以让人在全新的层面上工作，以推动增长和生产力。人工智能的核心任务不仅仅是消除重复的任务，而是把人放在中心，通过应用机器的能力来增加员工队伍，使人可以专注于更高价值的分析，决策和创新。作者第一章用智慧再造智慧——人类的终极梦想
世纪之交上映的三部曲电影《黑客帝国（Matrix）》，堪称人工智能题材中前无古人后无来者的里程碑式作品，其思想的深度与广度令后来者难以忘其项背。电影中，作为超级人工智能的Matrix将世界变成一个庞大的矩阵，支配这个矩阵运行的所有规律都在其掌握之下，人类反叛者尼奥（Neo）也不过是这个庞大棋局中的一个子。
设计师：你好，尼奥。
尼奥：你是谁？
设计师：我是设计师，我创造了Matrix.我一直在等你。我知道你有很多问题要问，虽然整个过程改变了你的意识，但你依然是不折不扣的人类。所以，我的一些回答你也许能明白，有些你也许不能明白。你的第一个问题也许是最关键的一个问题，同时你也许意识到或没有意识到它也是最无关紧要的问题。
尼奥：为什么我会在这里？
设计师：你的生命是Matrix固有程序中一个失衡因式的残留总和。你是一个偏差的偶然性，是尽管我竭尽全力，仍不能消除的影响数学精度和谐的一个偏差。尽管它不断地制造麻烦让我小心翼翼地处理它，但它并不是不可预测的，它仍然处于控制范围之内。它引导着你来到这里。
尼奥：你还没有回答我的问题。
设计师：很好。有意思，这要比其他的那些要快一点……Matrix比你想象的要老得多。我比较喜欢用一个完整偏差的出现到下一个完整偏差出现的方式来计算，这已经是第六个版本的Matrix.
尼奥：只可能有两种解释：没人告诉过我或是从来就没人知道。
设计师：正确。因为你无疑是在最简单化的因式里聚集并创造着偏差的系统化变动。
尼奥：选择。问题的关键是选择。
设计师：我设计的第一个Matrix非常完美，它简直就像是一件完美而卓越的艺术品。它的成功和失败都同样是史诗性的。它失败的必然性在我看来是每个人类固有的非完美性的结果。所以我根据你们人类的历史重新设计了Matrix，以便更准确地反映你们人类本性中多变的怪诞特质。可是我再次失败了。我终于了解到我得不到正确答案是因为它不需要太多的考虑，或是也许不需要考虑太多完美性的问题因素。答案最终被另一个指导性的程序偶然发现，这个程序原本是为了研究某些人类思维的。如果说我是Matrix之父，她无疑是Matrix之母。
尼奥：先知。
设计师：嗯。正如我所说的，她偶然发现了一个方法使得将近99.9%的试验体接受程序，给他们一个选择的机会，他们甚至只是仅仅意识到这个选择只是处于无意识的阶段。这个解决方案最初进行时，它无疑从基础上是有缺陷的，因而产生了相矛盾的系统偏差，如果不加以抑制就会威胁到系统本身。因此，那些拒绝程序的试验体，尽管只是少数，但如果不加以抑制，就会不断增加形成灾难的可能性。
今日世界，计算无处不在。
从结绳到算盘，从计算尺到集成芯片，计算的工具终于完成了从量到质的飞跃。无所不能的计算如同《西游记》里的孙悟空，虽有万般变化，却仍然逃不脱逻辑规律这位如来佛祖的掌心。第一个发现这个秘密的人，便是英国数学家阿兰·图灵（Al-an Turing）。图灵模型——铺平理论道路
在1935年春天的剑桥大学国王学院，年仅23岁的图灵第一次接触到了德国数学家大卫·希尔伯特（David Hilbert）23个世纪问题中的第十问题：“能否通过机械化运算过程来判定整系数方程是否存在整数解？”图1-1 阿兰·图灵
图灵清楚地意识到，解决这一问题的关键在于对“机械化运算”的严格定义。考究希尔伯特的原意，这个词大概意味着“依照一定的有限的步骤，无需计算者的灵感就能完成的计算”，这在没有电子计算机的当时已经称得上既富想象力又不失准确的定义。但图灵的想法更为单纯，机械计算就是一台机器可以完成的计算。用今天的术语来说，机械计算的实质就是算法。
用机器计算的想法并不新鲜。17世纪，德国哲学家戈特弗里德·莱布尼兹（Gottfried Leibniz）就设想过用机械计算来代替哲学家的思考；两个世纪之后，计算机事业的先驱，英国工程师查尔斯·巴比奇（Charles Babbage）和他的红颜知己阿达·洛瓦莱斯（Ada Lovelace）就已经设计出了远远超越时代的“分析机”的原型。但图灵需要的机器跟各位先驱设想的机器稍有不同：它必须足够简单，可以用一目了然的逻辑公式描述它的行为；它又必须足够复杂，有潜力完成任何机械能完成的计算。这是一种能产生极端复杂行为的简单机器，这类机器在日后也被用他的名字命名为图灵机，以纪念这位伟大的先驱者。
1936年，图灵在伦敦权威的数学杂志上发表了划时代的重要论文《可计算数字及其在判断性问题中的应用》，首次提出了图灵机的概念。图灵机以天才的抽象性模拟了人脑的计算过程，将其还原为若干最基本的机械操作。对于人类而言，计算无非就是必备元素的集合：根据已有信息移动笔尖，在草稿纸上书写符号，指引书写的是一位数加法这些先验的规则，计算中涉及的进位操作则作为中间产物出现。在图灵机中，计算的每个必备元素都有其机械对应：笔被抽象为一个具有输入-输出功能的读写头，草稿纸被抽象为一条无限长度的纸带，先验的运算规则被抽象为读写头的内部状态转移表，一位数加法法则则被抽象为输入读写头的程序。
在运算过程中，图灵机的纸带被划分为小格，每格中只能有0和1两种符号，读写头则可以处于不同的状态中。在总共的有限个状态中，有一个特殊的“停机”状态。读写头一旦处于停机状态，就会停止运作；否则就会不停地运转下去。整台图灵机的核心在于读写头的状态转移表，它决定着读写头在读入来自纸带的一格信息后，其内部状态如何变化并将什么信息输出到纸带的格子上。
图灵机作为理论模型可谓“麻雀虽小五脏俱全”，它所能完成的任务绝不像它看起来那么简单。只要有足够长的纸带和足够好的耐心，今天的计算机能做的计算，一台精心设计的图灵机同样能够完成。足够长的纸带可以模拟出足够大的寄存器、内存和硬盘；而在中央处理器的电路中，虽然所有可能的状态极多，但其数目终究是有限的，也就超不出图灵机的功能范畴。只不过这台图灵机的状态转移表将会有着超乎寻常的大小，以及通常超乎寻常的复杂程度，每次“读写内存”时，读写头都需要花长得令人咋舌的时间在纸带上来回奔波。
图灵机的出现本来是用于解决纯数学中的基础理论问题，可它却带来了意想不到的巨大收获：从理论上证明了研制通用数字计算机的可行性。图灵机的实际意义在于定义了数字计算机的计算能力：数字计算机能识别的语言属于递归可枚举的集合，它能计算的问题是部分递归函数的整数函数。图1-2 用乐高积木搭建的图灵机
图灵机模型的成功丰富了图灵的想象力，他开始思考图灵机运算能力的极限。如果让图灵机拥有更多的纸带和对应的读写头，而纸带上也不再限定两种符号，而是三种四种甚至更多种符号，图灵机就可以更快地实现预定任务。但从本质上来说，“升级”后的图灵机能完成的任务，原来的图灵机也能完成，差别只是出现在所需的时间资源上。换言之，这种“升级”并没有给可计算性带来任何质变，无论升级与否，能计算的问题仍然能计算，不能计算的问题也依然不能。显然，制约数字计算机的瓶颈并不在于性能指标。而在运行中遵循的逻辑规律。
自1940年起，图灵开始认真地思考机器是否能够具备类人的智能，而科学家敏锐的直觉使他马上意识到这个问题的关键其实并不在于如何打造强大的机器，而在于我们人类如何看待智能，即依据什么标准评价一台机器是否具备智能。于是在1950年，图灵发表了论文《计算机器与智能》，首次提出了对人工智能的评价准则，即大名鼎鼎的“图灵测试”。图灵测试是在测试者与被测试者（一个人和一台机器）隔开的情况下，由测试者通过一些装置向被测试者随意提问。如果经过5分钟的交流后，如果有超过30%的测试者不能区分出哪个是人、哪个是机器的回答，那么这台机器就通过了测试，并被认为具有人类水准的智能。图1-3 电影《模仿游戏》海报
本质上说，图灵测试从行为主义的角度对智能进行了重新定义，它将智能等同于符号运算的智能表现，而忽略了实现这种符号智能表现的机器内涵。它将智能限定为对人类行为的模仿能力，而判断力、创造性等人类思想独有的特质则必然无法被纳入图灵测试的范畴。但无论图灵测试存在怎样的缺陷，它都是一项伟大的尝试。自此，人工智能具备了必要的理论基础，开始踏上科学舞台，并以其独特的魅力倾倒众生，带给人类关于自身、宇宙和未来的无尽思考。
当然，相较计算机专业领域的成就，图灵更加广为人知的事迹是他在第二次世界大战中为盟军胜利做出的卓越贡献。在德军凭借其密码机恩尼格玛（Enigma）实现了军事情报的保密传送，进而在欧洲战场占据先机的情形下，图灵毅然应征勤王，正式到“政府编码与密码学院”服役。在剑桥的布雷契莱庄园，图灵领导着由200余位数学家组成的智力大军，成功破解了恩尼格玛，使英军在战场上迅速扭转局势，决定了第二次世界大战的最终走向。虽是一介书生，却堪敌百万雄兵。改编这段经历的电影《模仿游戏》于2015年上映，在大银幕上再现了图灵的传奇人生。
然而，图灵对人类的贡献不仅在于破译了德军的密码，更在于破译了人类思维的一些重要秘密。冯诺伊曼结构——踏平技术坎坷
图灵奠定了计算机的理论基础，美国科学家约翰·冯诺依曼（Johnvon Neumann）则将图灵的理论物化成为实际的物理实体，成为了计算机硬件体系结构的奠基者。自第一台冯诺依曼计算机诞生以来，七十余年的时间悄然流逝，计算机的技术与性能在这期间都发生了翻天覆地的变化，不变的却是作为主流体系架构的冯诺依曼结构。
1936年，当意气风发的图灵来到美国的普林斯顿大学攻读数学博士学位时，在位于同一个城市的普林斯顿高等研究院，同是不世出的天才的冯诺依曼当时正在该研究院主持数学研究。他对图灵的才华赞叹不已，极力邀请图灵毕业后做他的研究助手，只可惜图灵心系剑桥，一心要回到母校任教，这不禁令冯诺依曼颇为惋惜。可令人惋惜的远不止此，如果当年两位科学奇才能够强强联手、通力合作，必将给数学和计算机科学等学科带来革命性的变革，只可惜这种美好的景象只能存在于想象之中。
冯诺伊曼于1903年出生于匈牙利布达佩斯的一个犹太人家庭，在量子力学、现代计算机、纯数学与应用数学、核武器和生化武器等诸多领域内都有杰出建树，是20世纪难得一见的百科全书式学术奇才。但在生涯早期，冯诺伊曼的运气实在欠佳。1931年，当冯诺依曼即将在希尔伯特世纪问题中第二问题上获得突破时，却突然得知奥地利逻辑学家库尔特·哥德尔（Kurt Godel）已经先他一步发表了哥德尔定理，着实令他郁闷不已。一气之下，冯诺伊曼转行研究量子力学。可就在他的量子力学研究即将结出硕果之际，另外一位天才物理学家英国人保罗·狄拉克（Paul Dirac）又一次抢了他的风头，出版了奠基性的巨著《量子力学原理》，这比冯诺依曼的《量子力学的数学基础》整整早了两年。图1-4 约翰·冯诺伊曼
接连受到两次打击之后，冯诺依曼开始把部分注意力从基础数学转向了工程应用领域，出众的才华终于结成硕果。在美国，冯诺依曼积极参与美国军方武器研制的过程。自此，他把自己巨大热情和天赋投入到计算机研制和运用的事业中。
经过长期的构思与讨论，冯诺依曼在火车上完成了离散变量自动电子计算机的设计。1945年6月30日，《关于离散变量自动电子计算机的草案》经油印复印，由莫尔学院限量发行，“冯诺依曼体系结构”就此诞生。诞生在列车上的卓越思想为电子计算机的逻辑结构设计奠定了基础，已成为计算机设计的基本原则。
冯诺依曼体系结构采用二进制代替十进制，因而完成了计算机从模拟到数字的转化。在硬件上，冯诺伊曼体系结构包括五大部分：运算器、控制器、存储器、输入设备和输出设备，建立在硬件基础上的则是“存储程序”原理——使用同一个存储器，经由同一个总线传输，程序和数据统一存储同时在程序控制下自动工作。特别要指出的是，它的程序指令存储器和数据存储器是合并在一起的，程序指令存储地址和数据存储地址指向同一个存储器的不同物理位置。这是因为程序指令和数据都是用二进制码表示，且程序指令和被操作数据的地址又密切相关。
冯诺伊曼体系结构给计算机的性能带来了革命性突破：最早的计算机器仅仅内置固定用途的专用程序，因而只能实现特定的功能。如果想要改变此机器的程序，就必须更改线路、调整结构甚至重新设计机器。由于当年的计算机器并非今日可编程的计算机，彼时所谓的“重写程序”很可能指的是纸笔设计程序步骤，接下来制订工程细节，再施工将机器的电路配线或结构改变。冯诺伊曼体系结构的“存储程序”理念则将计算机的专用性拓展为通用性。借由创造一组指令集结构，并将所谓的运算转化成一串程序指令的执行细节，将指令转化为一种特别形态的静态资料。一台储存程序型电脑可轻易改变其程序，并在程序的控制下改变其运算内容。同时，“存储程序”理念也允许程序执行时自我修改程序的运算内容。事实上，这一理念的设计动机之一就是让程序自行增加内容或改变程序指令的内存位置，因为早期的设计都要使用者手动修改。但随着索引暂存器与间接位置存取变成硬件结构的必备机制后，本功能就不如以往重要了。而程序自我修改这项特色也被现代程序设计所扬弃，因为它会造成理解与除错的难度，且现代中央处理器的管线与快取机制会让降低这种功能的效率。图1-5 冯诺伊曼设计的离散变量自动电子计算机草图
虽然踏平了计算机物理实现的技术坎坷，但冯诺依曼对建造计算机并没有太大的兴趣，他和图灵一样，更感兴趣的是计算机能够做什么。自然而然，冯诺依曼注意到机器的自动复制问题，并对生物世界的复制进行了同样深入的思考和比较。自动计算机能制造出和本身复杂度相当或者更高的后代吗？冯诺依曼解释说：“低级的‘复杂性’可能是退化性的，即每一个可以制造其他自动机的自动机只能产生较不复杂的自动机。然而，当复杂性超过某一个特定水平之后，如果对合成现象进行适当安排，就会发生爆炸性的变化。换句话说，自动机的合成可以通过这样一种方式进行：每个自动机有可能产生比自身更为复杂、更具潜力的自动机。”
可能连冯诺伊曼自己都没有意识到，他提出了一个重要的科学问题：能否创造出与人类智能具有相当水平的机器智能？但可惜的是，他的生命已经逐渐走向了尽头。1957年，53岁的冯诺伊曼因骨癌去世，而骨癌的病因很可能源自大名鼎鼎的曼哈顿计划的核辐射。这位美国核武器的奠基人，临终时刻却只能在军方代表的监视下度过。而人类智能与机器智能的关系这个未竟的话题，也只有留待后来者去探索了。
最后，让我们用冯诺伊曼的一件轶事作为结束：
在一次晚会上，女主人勇敢地向冯诺伊曼提出一道数学题：“相距一英里的两列火车在同一轨道上以每小时30英里的速度相向而行，这时栖在一列火车前面的一只苍蝇以每小时60英里的速度朝着另一列火车飞去，当它飞到另一列火车时又迅速地飞回来。它一直这样飞来飞去，直到两列火车不可避免地发生碰撞。请问这只苍蝇共飞了多少英里？”
大多数人，尤其是懂一点数学的人，都会先计算出苍蝇每一来回飞行的路程，再把这些结果累加起来。这一方法虽然直观，但涉及到无穷级数求和的问题，因而费时费力。更聪明的算法是首先计算出两列火车要经过多长时间才能碰撞，再用这个时间乘以苍蝇的飞行速度，清楚又简洁。
女主人话音刚落，冯诺依曼就脱口而出：“一英里。”“天啊！你这么快就算出来了，”女主人惊呼，“大多数数学家都没能看出这里面的技巧，而是用无穷级数去计算，就不知道要算多久。”“什么技巧？我也是用无穷级数算的。”冯诺依曼诧异地问。达特茅斯之野望——人工智能横空出世
当计算机的理论基础与工程技术全部成熟之后，人工智能的出现就可谓万事俱备，只欠东风。这一瓜熟蒂落的时刻的到来出现在1956年8月。彼时在美国达特茅斯学院（Dartmouth Col-lege）召开的学术会议，正可谓群贤毕至，少长咸集，汇聚了一大批未来学界的风云人物——包括1969年图灵奖获得者马文·闵斯基（Marvin Minsky）、1971年图灵奖获得者约翰·麦卡锡（John McCarthy）、1975年图灵奖获得者艾伦·纽埃尔（Allen Newell）、1975年图灵奖和1978年诺贝尔经济学奖获得者赫伯特·西蒙（Herbert Simon）在内的诸多科学家。在宁静的汉诺斯小镇，这些计算机大咖们正讨论着一个不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能。
这次会议最重要的成果就是确定了会议所讨论的研究内容的名称——由麦卡锡提出的人工智能（Artificial Intelligence），1956年也就成为了人工智能元年。正是在达特茅斯会议之后，人工智能进入了其发展的第一次黄金时期。
人工智能大展身手的第一个学科是纯数学学科，而最早取得突破的领域是使用计算机程序代替人类进行自动推理来证明数学定理。20年后分享图灵奖的纽埃尔和西蒙在达特茅斯会议上展示了人类历史上首个人工智能程序“逻辑理论家（Logic Theo-rist）"，它不仅证明出《数学原理》——阿尔弗雷德·怀特海（Alfred Whitehead）和贝特兰·罗素（Bertrand Russell）的三卷本数理逻辑巨著——中前52个定理中的38个，还给出了一些比罗素本人的证明更加简洁的解法，这甚至让罗素本人兴奋不已。
机器定理证明的前进一发而不可收。1958年，美籍华人王浩在IBM704计算机上证明了《数学原理》中有关命题演算部分的全部220条定理，同年IBM公司还研制出了平面几何的定理证明程序。1959年，纽埃尔和西蒙又开发出一种不依赖于具体领域的通用问题求解器（General Problem Solver）。1961年，约翰·霍普金斯大学的美国学者詹姆斯·斯拉格（James Slagle）发表了一个符号积分程序（Symobolic Automatic Integrator），它能完成初等微积分中的不定积分式的计算。1963年，“逻辑理论家”也进化到能够证明《数学原理》的全部前52条定理。“逻辑理论家”的出现在人工智能的历史上具有里程碑式的意义。这不仅因为它是第一个人工智能程序，更因为它颠覆了人们对计算机的印象：自1946年首台计算机诞生以来，计算机用来解决的都是诸如导弹弹道计算、核反应模拟这类具体数值的计算问题，抽象的、符号化的数学证明一直以来被认为超出了计算机的能力范围，“逻辑理论家”的出现显然颠覆了这固有的印象。其发明者西蒙曾评论道：“我们发明了具备抽象思考能力的程序……解释了合成的物质如何能够拥有人类的心智。”
遗憾的是，在关于机器与心智的判断上，西蒙和其他年少轻狂的人工智能科学家们都过于乐观了。1965年，人工智能在机器定理证明领域遭遇了滑铁卢，计算机推了数十万步也无法证明两个连续函数之和仍是连续函数。最糟糕的事情则发生在机器翻译领域，自然语言的理解与处理确实是人工智能中的硬骨头，但计算机在自然语言理解与翻译过程中表现之差也的确超乎了研究者的想象，一个最典型的例子就是下面这个著名的英语句子：
The spirit is willing but the flesh is weak.（心有余而力不足。）
可当计算机把这句话翻译成俄语再翻译回英语时，得到的结果可谓风马牛不相及：
The wine is good but the meet is spoiled.（酒是好的，肉变质了。）
骨感的现实打碎了丰满的理想，不仅让已被过誉的人工智能走下神坛，也给研究者们的头浇了一盆冷水。痛定思痛，他们开始思考如何突破这一瓶颈，美国计算机科学家爱德华·费根鲍姆（Edward Feigenbaum）正是人工智能新路的开拓者。受哲学家弗朗西斯·培根（Francis Bacon）“知识就是力量”著名论断的指引，费根鲍姆将视线从抽象的通用证明方法转移到具体的专业知识上，强调人工智能必须在知识的指导下实现，这催生了人工智能新领域——专家系统（Expert System）的诞生。
所谓的专家系统实质上是利用计算机基于已有的知识进行自动推理，从而从领域专家的角度解决实际问题。第一个实用的专家系统Dendral于1968年诞生，它可以根据质谱仪的数据推知物质的分子结构。在这个系统的影响下，各式各样的专家系统很快陆续涌现，形成了软件产业一个全新的分支：知识产业。1977年，在第五届国际人工智能大会上，费根鲍姆用术语“知识工程”为这个全新的领域命名。
可惜好景不长，在专家系统或知识工程获得大量的实践经验之后，其弊端也开始逐渐显现：它们的运作需要从外界获得大量知识的输入，而这样的输入工作是极其费时费力的，这就是知识获取的瓶颈。这个全新的棘手问题虽然没有催生新的“费根鲍姆”，却给人工智能这个学科带来了革命性的改变：它逐渐分化成了几大不同的学派，沿着不同的路径继续发展。你方唱罢我登场——三大流派竞风流
尽管传统的人工智能研究者也在奋力挣扎，但是他们不得不承认，如果采用完全不同的世界观，即让知识通过自下而上的方式涌现，而不是让专家们自上而下地设计出来，那么机器学习的问题其实可以得到很好地解决。这就好比我们教育小孩子，传统人工智能好像填鸭式教学，而新的方法则是启发式教学：让孩子自己来学。
事实上，在人工智能学术界，很早就有人提出过自下而上的涌现智能的方案，只不过它们从来没有引起大家的注意。一批人认为可以通过模拟大脑的结构（神经网络）来实现，而另一批人则认为可以从那些简单生物体与环境互动的模式中寻找答案。他们分别被称为连接学派和行为学派。与此相对，传统的人工智能则被统称为符号学派。自20世纪80年代到90年代的十年间，这三大学派形成了三足鼎立的局面。
符号主义学派的代表人物是达特茅斯会议的与会者之一麦卡锡，而他对人工智能的理解也代表了符号主义学派的见解：“（人工智能）是关于如何制造智能机器，特别是智能的计算机程序的科学和工程。它与使用机器来理解人类智能密切相关，但人工智能的研究并不需要局限于生物学上可观察到的那些方法。”图1-6 约翰·麦卡锡
符号主义学派认为人工智能源于数理逻辑，而数理逻辑才是智能行为的描述方式，用于机器定理证明的逻辑演绎系统事实上也继承了图灵测试的衣钵。该学派认为人类认知和思维的基本单元是符号，而认知过程就是对符号的逻辑运算，这样一来，人类抽象的逻辑思维就可以通过计算机中逻辑门的运算来模拟出来，进而实现机械化的人类认知，也就是人工智能。值得注意的是，麦卡锡着重强调人工智能的智能并不体现在真实的具体行为，而是体现在思维方式上，换言之，人类智能本身就能够被看成一类特殊的软件，至于运行它的硬件到底是碳基（人脑）还是硅基（计算机），反而没有那么重要了。
发明“逻辑理论家”的纽埃尔和西蒙则把麦卡锡的观点进一步推演为“物理符号系统假说”。该假说认为，任何能够将某些物理模式或符号转化成其他模式或符号的系统都有可能产生智能的行为，符号主义学派之名也由此而来。这种物理符号可以是人脑神经网络上的电脉冲信号，当然也可以是通过各种逻辑门产生的高低电平。在“物理符号系统假说”的支持下，符号学派把焦点集中在人类智能的高级行为，如推理、规划、知识表示等方面。这些工作曾在某些特定领域取得了空前的成功。图1-7 沃森在《危险游戏》节目中
1958年西蒙就曾预言，计算机会在10年内成为国际象棋世界冠军。这一天虽然在30年后才姗姗来迟，却也验证了西蒙的论断。2011年，由IBM公司制造的另一台超级计算机又创造了历史：在美国的电视节目《危险游戏（Jeopardy）》中，超级计算机沃森（Watson）通过处理自然语言线索，在涉及各个领域的知识问答上战胜了人类选手。沃森的胜利是人工智能界的一个标志性事件，它说明计算机不仅能在初始条件确定的棋盘博弈中获胜，在不存在初始条件与边界条件的开放世界中的表现同样不逊于人类，至少是在某些特定条件下。
一言以蔽之，人机大战是符号主义学派人工智能的标志性应用，但这样的“战争”对IBM公司市值的意义远大于对人工智能发展的意义。经过短暂的辉煌之后，符号主义学派也逐渐走向式微。
连接主义学派并不认为人工智能源于数理逻辑，也不认为智能的关键在于思维方式。这一学派把智能建立在神经生理学和认知科学的基础上，强调智能活动是由大量简单的单元通过复杂的相互连接后并行运行的结果。众所周知，人类的智慧主要来源于大脑的活动，而大脑则是由一万亿个神经元细胞通过错综复杂的通路相互连接形成的。连接主义学派认为神经元不仅是大脑神经系统的基本单元，更是行为反应的基本单元。思维过程是神经元的连接活动过程，是通过大量突触相互动态联系着的众多神经元协同作用来完成的。
基于以上的思路，连接主义学派通过人工构建神经网络的方式来模拟人类智能——以工程技术手段模拟人脑神经系统的结构和功能为特征，通过大量的非线性并行处理器来模拟人脑中众多的神经元，用处理器的复杂连接关系来模拟人脑中众多神经元之间的突触行为。显然，相较符号主义学派，连接主义学派更看重智能赖以实现的“硬件”。这种方法在一定程度上可能实现了人脑形象思维的功能，即实现了人的右脑形象抽象思维功能的模拟。图1-8 弗兰克·罗森布拉特
连接主义学派最主要的成果是人工神经网络技术。早在1943年，生理学家沃伦·麦卡洛克（Warren Mc Culloch）和数理逻辑学家沃尔特·匹兹（Walter Pitts）就提出的形式化神经元模型。他们提出神经元形式化的数学描述和网络的结构方法，为人工智能创造了一条用电子装置模仿人脑结构和功能的新途径。此后，神经网络被不断改进：美国心理学家弗兰克·罗森布拉特（Frank Rosenblatt）将反馈学习算法引入神经网络中，英国科学家杰夫瑞·辛顿（Geoffrey Hinton）则提出将神经网络由一层改进为多层，美国心理学家大卫·鲁梅尔哈特（David Rumelhart）等人提出了多层网络中的反向传播算法，使多层感知机的理论模型有所突破。
神经网络最重要的改进出现在世纪之交。2000年，两位俄罗斯科学家弗拉基米尔·万普尼克（Vladimir Naumovich Vapnik）和阿列克谢·切沃内基斯（Alexey Yakovlevich Chervonenkis）提出了统计学习理论，并进一步提出了支持向量机模型。虽然统计学习在各个领域中都得到了广泛应用，但连接主义学派依然面临着难以解决的问题：科学家们虽然会向大脑学习如何构造神经网络模型，却根本不清楚这些神经网络究竟是如何工作的。智能仍然躲在黑盒子里，深藏不露。
行为主义学派的出发点与符号主义学派和连接主义学派完全不同，他们认为人工智能源于由美国数学家诺伯特·维纳（Nor-bert Wiener）建立的全新学科——控制论。控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来，其研究重点落脚于模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究。正是上述研究播下了智能控制和智能机器人的种子，并在20世纪80年代催生了智能控制和智能机器人系统。
在智能方面，行为主义学派并没有把关注焦点放在人类身上，而是投向了昆虫。昆虫虽然比人类低级得多，但其智能水平仍令计算机难以望其项背。从个体角度而言，昆虫可以灵活地摆动自己的身体行走，还能够快速躲避捕食者的攻击；从群体角度而言，大量昆虫聚集在一起时能表现出非凡的群体智能，还能形成严密的社会性组织方式。从更长的时间尺度看，生物体对环境的适应还会迫使生物进化，从而实现从简单到复杂、从低等到高等的跃迁。
行为主义学派的机械代表作首推美国麻省理工学院教授罗德尼·布鲁克斯（Rodney Brooks）设计的六足行走机器人，它被视为“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。它们看起来的智能事实上并不来源于自上而下的复杂设计，而是来源于自下而上的与环境的互动。这就是行为主义学派所倡导的理念。另一方面，行为主义学派的算法代表则是美国科学家约翰·霍兰（John Holland）提出的遗传算法和美国心理学家詹姆斯·肯尼迪（James Kennedy）提出的粒子群优化算法。遗传算法对进化中的自然选择现象进行了高度抽象，通过变异和选择实现目标函数的最优化；粒子群优化算法则通过模拟动物的群体行为解决最优化问题。
行为主义智能的终极形式是由彼时就职于洛斯阿拉莫斯国家实验室的克里斯托弗·兰顿（Christopher Langton）提出的人工生命。所谓的生命或者智能实际上是从微观单元的相互作用而产生的宏观属性，这些微观单元既然可以是蛋白质分子，为什么不能是二进制符号形成的代码段呢？人工生命的研究思路正是通过模拟的形式在计算机数码世界中产生类似现实世界的涌现。图1-9 罗德尼·布鲁克斯
可现在看来，行为学派带来的问题似乎比提供的解决方法还多。究竟在什么情况下能够发生涌现？如何设计底层规则使得系统能够以我们希望的方式涌现？这些问题尚未出现让人满意的答案，高级的智能也完全没有如期待般自然涌现，甚至没有丝毫涌现的迹象。技术的十字路口——人工智能谁领风骚
人工智能三大学派从不同的角度理解、定义和构造智能，事实上，它们之间还存在着很多微妙的差异和联系。
符号主义学派认为计算机是处理思维符号的系统，致力于用数理逻辑方法利用计算机形式化地表达世界。尽管按照这种方式来工作的专家系统已经在表达科学思维的某些方面达到了人类专家的水平，但这并不能制造具有自我意识的“人工智能”系统。因为从根本上来说万能的逻辑推理体系是不可能存在的，要计算机或智能机器完全模拟人脑的活动几乎是不可能完成的工作。
认知神经学表明人脑并非以线性顺序进行思维，而是以复杂的并行操作来处理感觉信息，连接主义学派正是据此主张从神经生物学的角度来模拟动物或人的大脑及各种感觉器官的结构和功能，力图寻找一种可以描述自然神经系统的方法，建立神经生理学模型。但人脑是一个异常复杂的组织，目前对人脑结构和活动机制的了解只是冰山一角，要建立一个与人类大脑相近的神经网络目前看来还是天方夜谭。
与前两者不同，行为主义学派从生物进化学的角度来研究人类的智能，认为智能是生物体对外界复杂环境的动态适应，人工智能只有从复制动物的智能开始，才能最终复制人的智能。基于以上观点，他们放弃了对智能的抽象描述的计算引擎，而是通过来自环境世界的情景、感应器内的信号转换以及机器人和环境的相互作用完成智能的构建。但是这一基于行为主义的感知——动作模式只能获得特定目标的行为，而在意向性、创造性方面还有难以克服的困难。
三大学派分别从高、中、低三个层次来模拟智能，但现实中的智能系统显然没有这么简单。如何将三大学派的观点融会贯通，将会是人工智能的下一个突破口。第二章 安能辨我人或机——通用人工智能理论
1970年，美国图兰大学的心理学家小戈登·盖洛普（Gordon Gallup Jr.)进行了著名的镜子实验（The Mirror Test），这一实验的用意在于测试动物的自我意识——是否能像人一样在镜子中分辨自己。盖洛普在黑猩猩的脸上画了小红点并观察它们如何照镜子。实验结果表明，和人的经验一样，照了镜子的黑猩猩立刻意识到“自己”的脸上出现了奇怪的红点，抓耳挠腮想要抹掉这些不速之客。而当实验对象换成猕猴——一种比黑猩猩低等不少的灵长类动物，结果就变得大相径庭：哪怕是照上一个月的镜子，猕猴也完全不会意识到镜子里就是它们“自己”。它们忙着每天和镜子里的“新朋友”打闹玩耍，根本无暇理会那些奇怪的小红点究竟是什么鬼。
1977年，美国人比利·米利根（Billy Milligan）因持械抢劫和校园强奸被起诉。但在法庭上，米利根的辩护律师证明了自己的代理人是多重人格症患者，作案时的比利事实上是另外的两个“自我”控制了他的身体和行为——事实上，米利根身体中潜藏的人格多达24个！其中既有南斯拉夫的共产党员，也有虔诚的犹太教信徒；既有打闷棍套白狼的小古惑仔，也有幼儿园年纪的英国小女孩。这番辩护成功说服了陪审团，米利根被无罪释放并进入精神病院治疗，他成为历史上第一个因为多重人格而免罪的人。米利根的不幸经历因纪实文学《24个比利》和《比利战争》而广为人知，根据他的经历改编的电影《分裂（Split）》也于2017年上映。在“我是谁”这个看似再简单不过的问题上，米利根的经历给出了另外一种回答，自反映意识能力在内的那种元思维之“心”看起来并非理所当然。那么问题来了，机器是否能够具备类似的自我意识呢？机器能思考吗？——智能的本质在哪里
从前文的探讨中可以看出，对人工智能的思考与评价在很大程度上依赖于对“智能”的定义。因此，在讨论人工智能的前景之前，有必要对人类智能的本质进行一些阐释。但思维与智能这个问题本身恐怕用千页篇幅也不能尽述，在此只做挂一漏万的解读。
人类智能的本质是什么？这是认知科学的基本任务，也是基础科学面临的四大难题中最难解决的一个。根据自底向上的分析方法，人类智能的本质在很大程度上取决于“什么是认知基本单元”。目前的理论和实验结果表明，要分析认知基本单元是什么，合理的方法并非物理的推理或数学的分析，而是设计合理的认知科学实验。已有大量实验结果显示，从被认知的客体角度来看，认知基本单元是知觉组织形成的“知觉物体”。例如当人的视觉系统注意一只飞鸟的时候，它所注意的是整只鸟（知觉物体），而不是鸟的某个特性（形状、大小、位置等），尽管飞行时鸟的特性在时刻变化，但它作为同一个知觉物体的整体性却始终保持不变。用学院腔的话说，知觉物体概念的直觉定义正是在形状、位置等特征性质改变下保持不变的同一性。
知觉物体概念的形成具备其特殊的物理基础。脑神经科学研究表明，人脑由大约千亿个神经细胞及亿亿个神经突触组成，这些神经细胞及其突触构成一个庞大的生物神经网络。每个神经细胞通过突触与其他神经细胞进行连接与信息传递。当通过突触所接收到的信号强度超过某个阈值时，神经细胞便会进入激活状态，并通过突触向上层神经细胞发送激活信号。人类所有与意识及智能有关的活动，都是通过特定区域神经细胞间的相互激活与协同工作而实现的。
作为一个复杂的多级系统，大脑思维功能源于功能的逐级整合：各神经元的功能被整合为神经网络的功能，各神经网络的功能被整合为神经回路的功能，各神经回路的功能最终被整合为大脑的思维功能。巧妙的是，在逐级整合的过程中，每一个层次上实现的都是“1+1＞2”的效果，在较高层次上产生了较低层次的每个子系统都不具备的“突生性质或功能”。这就意味着思维问题不能用还原论的方法来解决，即不能靠发现单个细胞的结构和物质分子来解决，揭示出能把大量神经元组装成一个功能系统的设计原理，才是问题的实质所在。
大脑利用定型的电信号处理它接受和分析的所有信息，外部世界的种种刺激都被量化为或弱或强的生物电流。有充分证据表明，感觉神经元仅对其敏感的事物属性作出反应。从信息科学的角度理解，这意味着感觉神经信号就是神经元对其敏感属性的编码。外部事物属性一般通过光波、声波、电波等模拟物理信息作为输入刺激人类的生物传感器，而感觉神经元输出的感觉编码是一种可符号化的心理信息。因此，感觉属性检测是一种将数值信息转化为符号信息的定性操作过程。更直白地说，感觉神经元实质上是将其敏感的事物属性从包含它们的物理刺激中抽取出来，并转化为该属性感觉映象的定性检测器。
感觉将事物属性转化为其感觉编码，不仅让大脑意识到该事物具有其检测的属性，还在事物属性集与人脑感觉记忆集之间建立起对应关系，所以感觉属性检测又叫感觉定性映射。如果说大脑是靠逐级整合各级神经网络的功能才形成其思维功能的话，那么由于感觉神经元的输出是各种简单属性的感觉映象，其高层神经网络整合的对象就只能是各种简单属性的感觉映象。于是，大脑怎样从这些简单属性的感觉映象中将对象的心理表象或记忆模式整合出来，并利用它们进行各种思维操作，就成了思维与智能研究中的关键问题。
神经网络整合事物各简单属性的感觉映象，得到的是该事物的整合属性的感觉映象。比如大脑整合苹果的颜色属性（如红色）和形状属性（如圆形）的感觉映象的结果，应得到该苹果又红又圆这个整合属性的感觉映象。反过来，事物某整合属性的感觉映象又应该是该整合属性的各个因子属性的感觉映象的整合，苹果又红又圆这个整合属性的感觉映象，应该是红和圆这两个因子属性的感觉映象的整合。因此，在感觉映射下，事物属性结构与其感觉映象结构之间应保持不变，也就是说，感觉映射应该是事物属性集与其感觉记忆集之间的一个同态映射。通常所谓人脑认知结构是外部世界（结构）的反映，只是感觉同态的一种通俗说法而已。反过来，若感觉映射的确是一同映射的话，那么，事物属性的感觉映象结构与该事物的属性结构之间就应该是一致的。
根据感觉同态原理，事物性质（或质的定性）由此而产生的模糊性、非单调性和矛盾性等各种不确定性，不仅要同态地映射到人的感知记忆集中，而且，要在人的各种思维活动中反映出来。也就是说，所谓人类思维与智能的各种不确定性，实质上只是事物性质（或质的定性）的各种不确定性的表现而已。反过来，人类自身感觉阈限，或定性基准也要产生各种变化，感觉输出的各种不确定性感觉映象，又被整合为更高级的、带有各种不确定性的整合属性、关系和结构的记忆模式，人们利用这些记忆模式作其思维的素材，其思维当然会产生各种不确定性。根据感觉同态原理，思维中的这些不确定性是可转化到相应的事物属性集中来加以同态地讨论的，因而，也是可由属性坐标系加以数学表达的。
如果要对以上枯燥难懂的文字加以形象的梳理，就是这样一幅图景：人类自从他能被叫做人的那一天起就具备识别物体的能力了——这是剑齿虎，那是长毛象，手里的是棍子。其实进入我们眼睛的不过是不同波长不同数量的光子，是我们的视网膜和大脑的视觉皮层把这些光子进一步加工为不同的属性——这就是信息抽象的过程，作为加工工具的神经网络则部分来自于祖先的遗传，部分来自于自身的进化——最后在我们的脑中能够找到见过的动物的脑细胞，形成了对事物的抽象。在不同的情境下，祖先会发出或表示危险或表示安全或表示高兴或表示悲伤的叫声，语言正是对大脑对不同叫声的抽象结果。有了语言，人类的交流就更加自如了。有时候要表达语言也说不清楚的意思时，就只好拿棍子在地上画画，图画最终抽象成了文字，使人类能够更全面更持久地传递各种经验。
大脑的抽象功能把人类和动物区分开来，帮助人类学会了耕种、取火、制作武器等技能，建立了文明，又抽象出文学、数学、物理、化学等分门别类的学科，这些学科反过来有帮助人类创造出今天的社会，科学知识只是人类知识的很小的部分，它只是自然规律信息的投影。人类进步的过程，也是创造抽象信息和使用抽象信息的能力逐步提高的过程。
只有以对人脑的物理性认识作为基础，探讨智能才是水到渠成。在自然界中，智能并非人类的专利，绝大部分动物、甚至某些植物都具备智能，只不过其水准远远低于人类的水平。但这种差异只是数量上的差异，究其本质，自然界的智能都体现为对信息的抽象，蚁群、蜂群、鱼群等群体性动物都表现出集群智能特征，其本质也无外乎是信息的抽象与共享。
归根到底，人脑进行的是复杂度超高的抽象计算，其智能化程度绝非现有计算机的水平可以比拟。眼睛、耳朵等感知器官与注意、意识等高级认知功能之间有高强度的交互作用，而不仅仅是实现信息获取这么简单的功能。人工智能的目标并不是模拟出和人脑功能毫无二致的计算机——那还要人脑做什么呢？更重要的恐怕还是实现互补的功能。计算机和人脑对信息的表征有着本质的区别，实现计算的架构也完全不同，能够获取的样本数也有差别。从第一台计算机诞生到现在不过区区七十年的历史，可人类却是经历了千万年的进化才达到今天的水平，因此要求计算机算法具有与人的智能类似的准确率和推广能力也无异于水中捞月、雾里摘花。
但问题恰恰在于计算机服务的对象是人，实际需求也是辅助人来实现类似的认知功能，用户不可避免地将计算结果与人的认知过程作比较，并用人的处理结果来评价计算机算法的优劣。不过，估计用户不会满足于一个计算机识别系统只能正确地识别一类物体，他们会很自然地要求设计的系统能够像人一样处理视听觉信息，这正是推动计算机像人一样工作的动力。熟悉的麻木——人类智能有多强大
世界顶级的计算机科学家高德纳（Donald Knuth）曾经如此评价人工智能：“人工智能已经在几乎所有需要思考的领域超过了人类，但是在那些人类和其他动物不需要思考就能完成的事情上，还差得很远。”人类的心智活动运行得如此流畅，以至于我们把它当作理所当然，却对它的精巧与美妙浑然不觉。直到运用科学与技术尝试解释其运作原理时，其复杂精密的设计才让我们后知后觉地赞叹不已。正是人工智能的发展在一次次地提醒我们：人类能进化到今天的样子是多么伟大的成就。
人类的大脑就像是一台杂乱地拼装在一起的器件，虽然低效、笨拙，兼之深奥难解，却还能正常工作。无论从哪个层面看，大脑都是个设计拙劣、效率低下的团块，可又出人意料地运作良好。大脑不是一台快速且万能的超级计算机，它不是一个天才在白纸上即兴完成的杰作。大脑是一座独一无二的大厦，沉淀着数百万年的进化历史。大脑很久以前对某个问题形成了特定的解决方法，经年累月一直使用它，或者加以改进用于其他用途，或者严格限制其改变。用分子学家弗朗索瓦·雅各布（Francois Jacob）的话说来就是：进化是个修补匠，而不是工程师。可正是修补匠的缝缝补补，补出了宇宙中最令人叹为观止的智能奇迹。
对形状的判断与分类是人类的基本技能，这一点在文字的处理上尤为明显。任何一个计算机操作系统中都有字体册，里面存储着百余种字体，每一种都代表着文字或字母不同的显示方式。但无论字体如何变化，一个识字的人都不会把汉字“土”认成“士”，也不会把英文字母“i”认成“j”——这背后隐藏的正是惊人的抽象能力，只不过因为人类已经掌握而显得稀松平常。与此形成鲜明对比的是，即使计算机的形状辨认能力在今天已经得到长足进步，却依然难望人类的项背。
对这一事实最有力的说明就是验证码的应用：几乎所有的网站都要求你在注册时辨认并输入一串扭曲的字符，其目的在于证明服务器另一端的你是人类而非机器。这串简单的字符却有着冗长的学名：全自动区分计算机和人类的图灵测试，英文缩写为CAPTCHA——也就是通常所说的验证码。验证码的出现恰是人类智能绝妙的体现：识字的小朋友都能完成的任务，迄今为止却没有任何计算机算法能够做到。
在验证码中，字母和数字被嵌入杂乱无章的场景之下，灰度也被仔细调整，人为加入的各种噪声则让画面看起来更随机；为了防止根据频域特征识别，场景中还会加入线条等元素以破坏图像的大尺度特征。虽然从统计特性上看，噪声和目标字符没有差别，但是这些元素组合在一起显然导致了质变。这质变对人而言无关痛痒——在这类复杂的场景中正确地分割和识别出物体是小菜一碟。虽然场景中的颜色、形状、朝向千变万化，各不相同，互相遮挡程度很深，甚至有些物体的背景都在运动，但这些特点丝毫不会影响识别的准确性，视觉功能正常的人做这类任务的准确率几乎是100%，这突出地体现出人类视觉和计算机视觉的之间的差异。这一技术目前被互联网网站广泛应用，着实是对计算机视觉无声的嘲讽。图2-1 典型的验证码图片
隐含在验证码背后的是关于人类认知的迷人话题：当物体的视觉信息经过视网膜和外膝体之后，会在注意环路的调节和控制下被初级和高级视觉皮层完成逐级的表征和加工过程，从而引导大脑发现物体自身醒目的特征和需要提前注意的特征。如果对面是一张人脸，在感知、区分和识别的过程中，我们会先后实现如下的判断“是人脸还是桌子？”“这个人我认识吗？他叫什么？在哪工作？”等过程，之后，记忆系统还会进一步完成一系列的高级加工：再认和回忆——某时某刻我在某地见过他、语义判断——他的名字有什么特殊的含义、以及情绪加工——这个人看起来绝非善类，我不喜欢他。
所有这些认知都可以归结为一个高度抽象化的加工模型。在这个模型中，信息的加工具有从简单到复杂的层次化特征，在每个层次上都有相应的表征，提取从线段朝向、简单特征组合到复杂特征等不同的特征，感知、识别等认知加工也是由这些不同表征的组合完成的。表征和加工的物质基础是神经元，大量神经元构成的群体的同步活动是实现表征和加工的生理学机制。单个神经元只能表征极为简单的信息，但当它们通过神经电活动有节律的同步震荡整合在一起时，复杂的功能就诞生了。从信息科学的角度看，整个加工过程的实现可以理解为复杂的多次特征提取过程，提取的特征从简单到复杂，多次组合，甚至“概念”这种十分抽象的特征也可以被提取。
但如果人类的认知过程只是提取当前信息的特征并进行分类这么简单的话，它可不值得如此大费笔墨——认知还和注意、情绪等系统有着极强的交互作用，这些功能和认知密切相关。人的情绪对认知的影响绝非中晚期才启动的高级过程，它的作用远比我们想象的多。焦虑症、抑郁症等情感疾病的患者与正常人相比，对负性情绪信息有注意偏向，对带有负面色彩的情绪刺激更容易关注，这种注意偏向发生在视觉感知的早期阶段，其机理至今还笼罩在迷雾之中。
从生理角度上讲，认知过程中不同的加工是由大脑的不同区域实现的，这些区域并非各自为战，大部分情况下会协同工作。这种类似多重备份的机制的优势在于大脑的部分区域出现功能丧失时，不会导致识别功能完全瘫痪。在神经外科中经常出现令人称奇的病例：一位小脑完全缺失的患者竟然可以长期存活，她的不正常表现仅仅是走路不稳和轻微的发音不清；另一位患者大脑中连接两个最重要的语言区的弓状束纤维受到肿瘤压迫，这让她无法说出呈现在眼前的钥匙的名称，但是能明确描述出它是用来开门的，还亲手操作用法，情急脱口而出说这是瓶起子。某些脑区的缺失不但不会影响存活，甚至对正常生活的影响也远非我们想象中那般严重，这不得不说是进化的奇迹。
我们作为人类足以引以为傲的还不止于此。我们能够自由地控制四肢和身体，这同样是工程学上的卓越成就。人类的双手可称得上终极进化版瑞士军刀，在大脑的精确控制下能够执行几十种相当于卡盘、握把、夹具和钩子的功能。双腿亦是如此：这是真正意义上的全路况交通工具，它帮助我们征服了地球上从陡峭的山坡到崎岖的深谷的各个角落。站立、行走、奔跑、跳跃——在大脑的支配下双腿可以完成无比复杂的动作。目前，售价几千元的扫地机器人既爬不出地毯的边缘，也越不过最矮的门槛。要知道这些机器人是以轮子来驱动的，对于包含人工关节的机器义腿的控制比对轮子的控制还要复杂百倍。
相比于对身体的控制，更难以解释、也更让人着迷的是思维的自主性。人类心目中的常识实际上是个极端复杂的推论系统，更是个意义深远的科学问题。人或动物某一时刻只能处在一个位置、人的身体与思维是一个整体、人死则不能复生……认识这些看似理所应当的事实对人类而言荒谬可笑，可最强大的计算机也未必知道这些常识：他们没有日常生活中的体验、没有来自其他人的教导、也没有关于事实基本构成的核心概念。
人类智能与人工智能之间可以通过信息处理的桥梁联系起来，两者都是通过对信息的处理来组织事物。人类智能的运行模式可视为一个信息系统：来自外界的输入信息会刺激大脑产生反应，大脑根据逻辑等先验规则对信息进行处理，处理得到的输出再反馈给外界。但相比于基于计算机的人工智能，人类智能还有无数奥秘有待破解，这也给人工智能的发展路径笼罩上层层迷雾。
试读结束[说明：试读内容隐藏了图片]