人工智能理论和技术不但是一个纵向科学门类也是各领域都在积极研究的横向科学。之所以称为人工智能，是通过计算机的硬件和软件系统来模仿人的思维结构、能力和行为的综合性系统工程。人工智能的目标是具有自主性的智能分析，但无论是计算机的硬件还是软件系统都是人设计和制造的，那么人工智能必然受到人意识的局限性，但摆脱人的经验知识人工智能系统本身将难以实现自主智能。那么上述过程中人工智能系统如何实现智能是关键问题，而人的智能形成过程具有借鉴意义。智能在于思维、推理和决策等能力，而这些能力的根源是知识，这些知识存在于基本概念和这些概念的相关性之中，因此人工智能系统实现智能的前提是系统具有自主形成概念的能力。

关于人工智能系统的概念形成问题已有一些研究，包括江怡^[1]对人工智能与自我意识区别的概念进行了研究；颜佳华等^[2]对智能治理与智慧治理概念及其关系性进行了辨析；李国山^[3]研究了人工智能与人类智能概念的关系；钟义信^[4]研究了人工智能的概念、方法和机遇；许立波等^[5]对知识智能涌现创新的概念、体系与路径进行了研究；郭伦众等^[6]提出了一种基于最大满矩阵生成概念格的算法；侯小丰^[7]对于形而上学的概念生成方式进行了研究；李进金等^[8]研究了形式背景与协调决策形式背景的属性约简与概念格生成方法；田杰^[9]研究了基于信息–知识–智能转化律的情报概念；王旭阳等^[10]基于概念关联度对智能检索进行了研究；张家精等^[11]使用云模型对隶属概念判定中阈值进行了确定；孙福振等^[12]对概念语义生成与文本特征选择进行了研究；刘海生等^[13]基于可拓智能体进行了概念设计。同样作者也进行了一些相关研究，包括系统故障因果关系分析的智能驱动方式^[14]、系统可靠–失效模型的哲学意义与智能实现^[15]、文本因果关系提取^[16]、人工智能系统故障分析原理^[17]、人工智能样本选择策略^[18]、空间故障网络的柔性逻辑描述^[19]、安全科学中的故障信息转换定律^[20]、空间故障树与因素空间融合的智能可靠性分析^[21]等。目前多数研究是围绕大数据的智能分析方法展开的，从数据中了解因果关系及区分因素，虽然取得了良好效果，也得到了人本身难以理解但现实存在的概念和关系，却造成了概念和因素关系的不可解释性。实际上大数据分析提供了研究对象的因素特征，这在人工智能的概念形成过程中起到了因素智能识别的作用。但对于概念形成过程的其他方面而言大数据技术贡献较少，特别是在知识库尚未形成时，即对象、描述性定义和功能性定义未形成对应关系时人工智能系统本身不具备形成概念的能力，更不具备自主建立知识库的能力。

针对上述问题，本文研究了人的概念形成过程，并与人工智能系统的概念形成过程进行对比。认为人工智能系统与人的概念形成过程的优势和劣势形成互补，人工智能系统的概念形成特点在于超强的感知和存储计算能力，但缺乏不完备信息条件下的概念形成能力；人的概念形成特点在于有限的感知能力，及较强的不完备信息条件下的抽象和思维能力。因此本文参考人的概念形成过程，研究了人工智能系统的概念形成过程中需要面对的问题和解决方法。

1.   人的概念形成过程

人对于存在事物的理解是从人的感官开始的，终于人对事物具体功能的认知。将事物本身称之为对象，对象的客观存在状态和作用对于人对对象的理解和概念形成并不起绝对作用，而只有落在人能感知和理解范围内的因素和功能才是形成人对对象的概念的关键，这是一个复杂的过程。如图1所示。

图  1  人的概念形成过程

Fig.  1  Concept formation process of human

下载: 全尺寸图片

图1中所有过程的存在源于对象的存在，即客观存在的事物，该对象与人能感知并理解的对象并不相同，人能感知和理解的对象是客观对象的一部分。由客观对象出发，人可从两方面对对象进行感知和理解，一条途径是对象的表象，另一条途径是对象的功能。

对象的表象是对象存在的表现形式，例如苹果存在的表象是以各种数据信息形式展现的，包括颜色、重量、形状等。在不借助其他设备情况下，这些表象都是通过人的直观原生能力感知的，这种感知受限于人的先天条件。而这些人的原生感知能力只能接收可以感知范围的信息，这导致了人对对象的感知能力被严重限制了，这将影响所得对象内涵和外延的全面性，进而降低人对对象的理解程度得到具有片面性的概念甚至错误，最终建立不完备的知识体系导致人的认识和思维错误。所以人形成概念的第一障碍来源于人的原生感知能力受限。

尽管人具有多种原生感知能力，但在了解对象信息时都可分为两部分区别对待，一是对象，二是背景。对象是人关注的事物，是认知的核心；背景是包含对象的环境中除对象之外的信息。无论是对象还是背景都可从人的原生感知能力中获得各种信息，而这些信息的分类归纳基准就是因素。因素是信息的标定，失去因素的标定信息没有存在意义。例如视觉感受的苹果，对象是苹果，背景可能是树，那么对象因素包括苹果的颜色、大小、形状、重量等；背景因素包括树的颜色、形状等。对象因素的数量和背景因素的数量取决于人的感知能力。对象因素是形成概念的主体，也是人区分不同对象的基础；而当对象因素不足以区分对象时，背景因素则可进行补充判断。例如红色、巴掌大小、圆形如果在树上可能感知为苹果，如果在海里可能感知为水母，如果不能判断则是缺乏必要的因素支持。所以人形成概念的第二个障碍来源于人对对象因素和背景因素的缺乏，它们主要从人的原生感知和后天学习中获得。

背景因素与对象因素的形成机理相同，以对象因素为例说明因素特征。例如苹果的颜色是对象因素，那么这个因素的特征包括亮度特征、色调特征和饱和度特征。这些特征在人的认识中都具有感知范围，人的亮度感知范围与人眼焦距和瞳孔尺寸有关，色调与光的波长有关从红色到紫色等，虽然在具体应用过程中定义不同，但都是具有一定范围的。另外也有一些因素特征是离散值，例如视觉上苹果的外表面有两个明显内凹，其因素特征是2。因此无论是对象因素还是背景因素都可能对应相同或不同的因素特征，这些因素特征可能是连续的范围也可能是离散的值。人对对象感知获得的各种信息总是落在因素特征的定性和定量域（一个特征的所有范围）中，而具有相同因素特征的不同对象如果不能归为同类，那么必然有某个或多个因素特征落在特征域的不同范围内。同样，同类对象集合的不同对象的所有因素特征必将集中于这些因素特征的相同范围中。例如，对象A的对象因素为因素1，对象因素1具有因素特征1、2、···、I，分别落于因素特征1的范围1、因素特征2的范围3和因素特征I的范围2，这时人对于A的理解为对象因素1(因素特征1(范围1)，因素特征2(范围3),…,因素特征I(范围2))，或者是满足上述要求的是对象A。如果对所有对象因素1的所有因素特征进行范围划分，那么得到的所有特征组合的数量是所有因素特征范围数量的乘积O。如果考虑所有对象因素和背景因素，这时人对于A的理解为视觉(对象因素1(因素特征1(范围1)，因素特征2(范围3),···,因素特征I(范围2)),对象因素2(···),···,对象因素N(···),背景因素1(···),背景因素2(···),···,背景因素M(···))，或者是满足上述要求的是对象A，那么得到的所有特征组合的数量是O×(N+M)。如果考虑人的所有原生感知能力，这时人对于A的理解为对象(视觉(对象因素1(因素特征1(范围1)，因素特征2(范围3),···,因素特征I(范围2)),对象因素2(···),···,对象因素N(···),背景因素1(···),···,背景因素M(···)),听觉(···),味觉(···),触觉(···),···)，或者是满足上述要求的是对象A，那么得到的所有特征组合的数量是O×(N+M)×原生感知种类的数量Y。这样构建了因素及其划分组成的因素特征空间，将该空间划分为O×(N+M)×Y个子空间，每个子空间对应了一类对象的表象描述，即每个特征域中必然有且只有一个范围存在于该描述中。例如圆形红色是苹果、椭圆形黄色是梨，因素特征形状和颜色组成了对象的表象描述，圆形和椭圆形在因素特征形状的不同划分范围内，红色和黄色在因素特征颜色的不同划分范围内，这是由形状和颜色组成的因素特征子空间；也可能存在某个子空间没有对应的实际对象，例如三角形黑色不对应于任何水果。上述构建的空间是人感知所能得到的对象表象信息的全域，可总结为所有感知的所有因素的所有特征的所有范围的组合形成了描述性定义的全部组合——即人能感知的所有对象表象。上述过程需要通过人的原生感知和后天学习才能实现，而后天学习则是构建上述空间和划分的主要途径，因此人形成概念的第三个障碍来源于人的后天学习。

人对于客观存在的对象形成概念只通过对象表象形成的描述性对象定义是不够的，因为人了解存在的对象需要有动力和目的，这主要体现在对象的功能，而这些功能必须是人能感知和理解的。一个对象从不同角度可能具有很多功能，这些功能必须被人理解和使用，即只要人无法感知和理解的功能，则可认为它们不存在。对象功能一方面来源于人的后天学习，即获取先人已有经验；另一方面来源于人的亲身实践和尝试，因此人形成概念的第4个障碍来源于人的实践能力。

对象的功能也可看作是对象的特殊因素，其也具有多个功能特征。例如苹果的对象功能是可以吃，功能特征是口味、水分等。与对象因素相同，每个对象功能的每个功能范围都可划分为多个子范围。例如对象A的对象功能1具有3个功能特征，包括功能特征1、功能特征2和功能特征I，具体程度范围分别为范围1、范围2和范围4，那么对于A的理解为对象功能1(功能特征1(范围3)，功能特征2(范围2),···,功能特征J(范围4))，或者是满足上述要求的是对象A。如果考虑对象A的所有对象功能，那么A的理解为对象(对象功能1(功能特征1(范围3)，功能特征2(范围2),···,功能特征J(范围4)),对象功能2(···),···,对象功能P(···))，或者是满足上述要求的是对象A。因此所有对象功能的所有功能特征的所有范围形成了功能性定义的全部组合，称为功能特征空间——即人能使用和感知的所有功能。所有特征组合的数量是所有功能特征范围数量的乘积O'，那么功能特征空间的子空间数为O'×P。

人对对象的概念形成过程是从对象出发，将对象对象表象和对象功能相对应的过程。对象本身为概念的外延，对象的表象和功能是概念内涵。对于相同的对象，可以连接因素特征空间的某个子空间和功能特征空间的某个子空间构成具备外延和内涵的概念，形成针对于该对象的一条知识。例如对象A的知识化概念(对象A,(描述性定义对象(视觉(对象因素1(因素特征1(范围1)，因素特征2(范围3),···,因素特征I(范围2)),对象因素2(···),···,对象因素N(···),背景因素1(···),···,背景因素M(···)),听觉(···),味觉(···),触觉(···),···)),(功能性定义对象(对象功能1(功能特征1(范围3)，功能特征2(范围2),···,功能特征J(范围4)),对象功能2(···),···,对象功能P(···))))。如果没有对象，也可通过因素特征空间的所有子空间与功能特征空间的所有子空间的多对多对应关系建立概念的内涵，这样的内涵数量为O×(N+M)×Y×O'×P，可认为是人在可感知范围内的知识总量。进一步人可通过实践和观测找到适应某个内涵的外延对象，最终建立一条具备对象、描述性和功能性定义的知识，该过程是人的抽象思维和思想活动。

综上，人基于实践、学习和联想能了解可能存在的所有情况，这些情况就是所有的概念。人是通过因素和功能来标定所有可感知的对象并形成概念的。在已知的概念基础上才能基于因素和功能进行推理，构建复杂的知识系统。

2.   人工智能的概念形成过程

人工智能的功能是模仿人的智能决策过程，目前人工智能主要有3个流派^[22-25]，即结构流派、功能流派和行为流派，它们分别认为应从模拟人脑结构、功能作用和身体行为方面实现对人智慧过程进行模拟，是在不同层面的模仿。因此目前人工智能的概念形成过程仍是围绕人的概念形成过程展开模拟，其基本过程如图2所示。

图  2  人工智能的概念形成过程

Fig.  2  Concept formation process of artificial intelligence

下载: 全尺寸图片

图2中的人工智能概念形成过程与图1过程类似。首先需要客观的对象存在，且对象具有对象表象和对象功能。对象表象的感知在人工智能系统中得到了极大丰富，与人的原生能力不同，人工智能系统可使用非常多的感知和监测手段使人工智能系统在需要时具有最大化的监测能力。不同监测能力得到的数据中存在对象因素和背景因素，区别它们是人工智能系统面临的主要问题，这取决于系统目的，一般通过人已有知识的有师学习和系统的智能辨识实现。有师学习需要人的经验和思维，系统智能辨识需要大量的基础数据、强大的智能分析算法和已经建立的知识库，目前基于大数据的智能分析就是系统智能识别的具体化方法。对于对象因素和背景因素而言，同样具有多个因素特征，这与人的概念形成过程相同，相同的过程也包括因素特征的划分，因素特征空间建立和子空间的形成过程，最终得到对象的描述性定义。人工智能系统与人相比最大的优势在于监测能力的多样性和因素特征划分和空间的完备性，缺点在于缺少智能辨识能力，包括因素识别、特征确定和范围划分，需要在人的帮助下进行有师学习，也缺乏人对概念的理解过程等高级思维。

人工智能系统对对象功能的感知过程与人的感知过程基本相同，这里不再赘述，最大的区别在于该过程需要系统自身的实践能力和人的帮助。系统需要在完成对象描述性定义后自发的实践该对象的功能，从而建立对象功能、功能特征、范围划分、功能特征空间。目前这是极其困难的，只能以人的经验直接输入智能系统的方法解决，确定功能特征空间并与因素特征空间产生对应关系，最终建立概念的内涵和外延对应关系，形成概念记录组成知识库。

综上，目前实现完全自主的人工智能是困难的，因为人工智能的自主分析是基于知识库中的基本概念，这些概念实际上是对象为主体产生的描述性定义和功能性定义的对应规则。建立最基本的知识库是目前实现人工智能的关键。基本知识库的建立需要人工智能系统的智能因素辨识和系统功能实践能力，目前大数据分析主要实现了智能因素识别，自主的系统功能实践难以完成；前者可通过大数据分析和人的经验知识完成，而后者则基本依靠基于经验知识的有师学习完成。因此人工智能的概念形成需要智能因素辨识、系统功能实践和有师学习，虽然监测能力的维度增加且因素特征空间和功能特征空间更加完备，但只能基于有限概念的知识库才能进行有限的推理，缺乏联想和创造能力。

3.   人工智能与人在概念形成过程中的区别

上述两节介绍了人和人工智能形成概念的过程，它们在形式上类似，但信息收集、存储、处理能力和思维性方面存在明显区别。这里的人工智能系统主要是计算机的硬件和软件系统，具备强大的运算能力和存储能力，但在缺乏人的经验知识情况下难以形成基本的概念和知识库。

1）人工智能可以扩大人的原生感知能力。人的原生感知能力受限于人的生理结构，如视觉、听觉、味觉、嗅觉等。如第1节所述，按照人的概念形成过程，人能获得的所有知识量为O×(N+M)×Y×O'×P，其中O是所有因素特征范围数量的乘积。如果人工智能系统借助先进的监测能力、技术和手段，可以增加人不具备的原生感知能力，那么相当于增加了感知维度，这对应的增加了对象因素和背景因素，也增加了它们对应的因素特征，因此O将指数级增长，最终导致概念数量的指数级增长，形成更为宽泛的知识库。因此感知能力和因素的增加对人工智能系统的知识库建立具有决定作用，这方面是人最不擅长的。

2）人工智能可迅速地实现因素特征空间、功能特征空间及全部概念内涵的建立。因为人工智能系统是建立在计算机硬件和软件系统之上的，与人相比具有强大的存储和运算能力。如果之前工作是充分的，得到的各类监测方面的因素、因素特征、特征划分，及对象功能、功能特征、特征划分是完全的，那么必将可以建立完备的因素特征空间和功能特征空间及其子空间。这些子空间是形成概念内涵中描述性定义和功能性定义对应关系的关键，需要同时处于激活状态以便运算形成该对应关系；但人并不具备这样的能力，只能建立很少部分的对应关系形成概念内涵。这也是人只能得到问题的近似最优解而无法通过枚举找到全局最优解的根本原因。

3）人工智能可迅速地寻找内涵对应的外延。概念的内涵和外延应是对应存在的，由于人工智能在全部内涵的存储和运算方面的优势，可根据因素特征空间和功能特征空间的子空间对应关系来寻找具有该描述性定义的存在对象。进一步的，使用人工智能系统的强大感知能力，寻找这些对象的过程较人而言更为快速高效，最终迅速获得内涵对应的外延。

4）人工智能可迅速地联系外延和内涵形成概念和知识库。在计算机系统的支持下人工智能系统可以通过对象及对象对应的描述性定义和功能性定义形成完整的概念，同时将概念以固定的形式形成知识，存入知识库。这些形式化的知识记录方便在计算机系统中进行运算和推理，以实现人工智能系统在结构、功能和行为上对人的智能进行模拟。

5）人工智能系统缺点是需要因素的智能识别、对象功能的实践及人经验知识的有师学习。在人工智能系统形成概念的过程中，遇到的两个主要问题是因素的智能识别和功能的实践。虽然人工智能系统在因素监测方面具有优势，但对各类信息中背景因素和对象因素的识别、因素特征确定、特征划分存在问题，而这些是形成因素特征空间和对象描述性定义的基础。目前大数据分析技术基本上围绕上述3个方面进行研究，但所得结果缺乏可解释性，只是数据相关性的体现。上述三方面在不同程度上都需要使用人的经验知识进行先期加工，甚至这种有师学习是决定上述工作成败的关键。

6）人可以在没有概念外延，甚至没有完整内涵的情况下进行关联性分析，形成抽象概念，但人工智能并不具备这种能力，其概念形成和推理必须有完整的内涵和外延。人在对象感知能力、知识库形成、存储和运算方面没有优势，但人具备更为高级的抽象能力，在对象、内涵和外延不完备情况下即可形成概念，对概念进行抽象和逻辑分析，即联想和思维能力。这种能力可通过人对对象表象的感知和对象功能的实践中获得对应关系，产生基本的原始概念，形成基本的知识库；也可通过人的学习能力从前人的知识库中将概念转化到自身的知识库，当然该过程中可能造成不同人对相同对象的不同理解。但这种能力在没有原始概念和知识库情况下，目前的人工智能系统难以实现类人的思维和联想过程。

4.   对人工智能概念形成的启示

人的概念形成受到原生感知能力，众多因素、因素特征及特征划分的存储和运算能力，众多功能、功能特征及特征划分的存储和运算能力的限制；但人可实现在对象、描述性定义和功能性定义不完备情况下的概念抽象和推理。相对的，人工智能系统的优势在于对对象表象的感知能力，对众多因素、因素特征及特征划分的存储和运算能力，众多功能、功能特征及特征划分的存储和运算能力；缺乏对基本概念和知识的生产能力。

由于人工智能是模仿人的思维结构、功能和行为，而人工智能的智慧来源于人经验知识构成的基础概念和知识库；人的经验受限于原生感知能力及对概念内涵和外延的存储和运算能力，所形成的知识具有片面性，这时基于此的人工智能推理也受到限制；但没有人的经验知识则无法形成人工智能的基础知识库。因此目前实现人工智能的基本途径应该是：首先基于人的先经验知识建立基本知识库；利用人工智能系统的强大感知能力增加感知因素细化特征范围；建立因素特征空间和功能特征空间；将描述性定义、功能性定义及对象构成概念；将概念形式化形成知识并存储于基本知识库；循环上述过程进而完成人工智能对自然世界的理解和学习。

5.   结束语

人的概念形成过程是在潜移默化中实现的，虽然受到感知能力、存储能力和计算能力的限制，但人具有在内涵和外延不完备情况下的思维和联想能力，这不但弥补了上述能力的不足还拓展了人的高级思维能力。相对的人工智能系统的概念形成过程优势在于感知能力、存储能力和计算能力；缺乏自主的因素识别、特征提取和划分，以及对象功能确定、特征提取和划分的能力；在对象、因素特征空间和功能特征空间没有完备对应关系情况下没有思维和联想能力。

因此发展人工智能必须重视3个问题，即因素的智能识别、功能的系统实践和人经验知识为基础的有师学习。目前人工智能方面的主要技术是大数据分析，而大数据分析只能实现因素智能识别，而且得到的关系缺乏可解释性，因此基于大数据的因素识别方法并不完善。功能的系统实践要求智能系统本身能使用对象并确定对象功能，对应对象的功能性定义与描述性定理形成概念的内涵，该过程目前难以实现。目前最现实的解决方法只能通过人的经验知识先行建立核心知识库，人工智能系统才能具备智能分析基础，以此不断扩充知识库从而实现人工智能系统的目的。