广东工业大学学报  2021, Vol. 38Issue (1): 1-4.  DOI: 10.12052/gdutxb.200123.
0

引用本文 

崔铁军, 李莎莎. 基于因素驱动的东方思维人工智能理论研究[J]. 广东工业大学学报, 2021, 38(1): 1-4. DOI: 10.12052/gdutxb.200123.
Cui Tie-jun, Li Sha-sha. Research on the Intelligent Science Theory of Oriental Thinking Based on Factor Driven[J]. JOURNAL OF GUANGDONG UNIVERSITY OF TECHNOLOGY, 2021, 38(1): 1-4. DOI: 10.12052/gdutxb.200123.

基金项目:

国家自然科学基金资助项目(52004120,51704141);国家重点研发计划项目(2017YFC1503102)

作者简介:

崔铁军(1983–),男,副教授,安全工程博士,力学博士后,安全科学博士后,主要研究方向为系统可靠性及其智能分析理论,E-mail:ctj.159@163.com

文章历史

收稿日期:2020-09-14
基于因素驱动的东方思维人工智能理论研究
崔铁军1, 李莎莎2    
1. 安全科学与工程学院 辽宁工程技术大学,辽宁 阜新 123000;
2. 工商管理学院 辽宁工程技术大学,辽宁 葫芦岛 125105
摘要: 人工智能理论成为当代各国为维护战略利益所必须争夺的重点领域之一。从思维层面对人工智能理解可分为西方思维和东方思维, 前者是整分合的机械还原方法论, 后者是万物互联的哲学思想。作者在研究安全科学和人工智能的理论过程中发现了一些值得研究的问题。一般领域, 技术上升为理论的过程是从解析到推理、从数据到因素、从具体科学到哲学的过程。作者认为人工智能应是因素驱动的, 而非数据驱动的科学。因素驱动的思想在中国传统哲学中是极为重要的, 符合东方思维特征也适用于人工智能基础理论。因此中国原创人工智能基础理论是独具特色的, 面对的机遇大于挑战。这从根本上保证了东方思维在东西方人工智能基础理论研究的博弈中将最终胜出。
关键词: 人工智能    因素驱动    东方思维    传统哲学    
Research on the Intelligent Science Theory of Oriental Thinking Based on Factor Driven
Cui Tie-jun1, Li Sha-sha2    
1. College of Safety Science and Engineering, Liaoning Technical University, Fuxin 123000, China;
2. School of business administration, Liaoning Technical University, Huludao 125000, China
Abstract: The theory of artificial intelligence has become one of the key fields that all countries must contend for in order to safeguard their strategic interests. From the perspective of thinking, artificial intelligence understanding can be divided into Western thinking and Oriental thinking. The former is the mechanical reduction methodology of integration-separation-integration, and the latter is the philosophical thought of interconnection of all things. In the process of studying the theory of safety science and artificial intelligence, some problems are found worthy of study. The process from general domain technology to theory is from analysis to reasoning, from data to factors, from concrete science to philosophy. Artificial intelligence is thought to be factor driven rather than data driven. The thought of factor driven is very important in Chinese traditional philosophy, which accords with the characteristics of Oriental thinking and is also applicable to the basic theory of artificial intelligence. Therefore, the original basic theory of artificial intelligence in China is unique, and the opportunities are greater than the challenges. This fundamentally ensures that the Oriental thinking will win the game between the East and the West in the study of the basic theory of artificial intelligence.
Key words: artificial intelligence    factor driven    oriental thinking    traditional philosophy    
1 从西方思维的人工智能理论说起

钟义信教授在他的论文[1]中论述了作为西方科学技术体系基础方法论的机械还原方法论的不足之处。其中提到科学方法论引领人工智能研究的历史,认为几百年来的分而治之的机械还原方法论已成为当今自然科学研究方法论的基础,当然人工智能基础理论的方法论也是机械还原论。

机械还原论有它存在的历史背景和存在原因。它可以有效地联系系统和系统、子系统和子系统、子系统和系统之间的功能关系。认为系统功能可以确定地拆分成子系统的功能集合,根据不同功能分析实现子系统,最终组合完成原系统功能。但随着信息、数据和智能科学的发展,它们之间或者它们和人之间的传递产生了问题。

最早是二战期间为了破解德军密码,图灵首先设计并制造了图灵机,这可以认为是人工智能和信息处理的近代开端。目前国际上对于人工智能形成了三大流派,当然这些都是基于西方机械还论建立的,包括结构主义、功能主义和行为主义。结构主义最先出现,它模拟人脑处理问题的机制,建立数理逻辑单元并连接它们。认为人工智能即为模拟大脑的功能,即神经元和信号传递。发展至今成为神经网络的基础,已广泛应用于各行业的数据分析、训练和预测[2-3]。但在大数据和多因素的影响下,神经网络中的神经元和层数将迅速增加,导致无线计算和精度下降。在这种情况下出现了功能主义[4]。认为智能系统的核心并不在结构上,而是在功能上;在相同的因素作用下,与人这种智能体表现出来的行为相同即为智能。因此它是一种模拟功能的过程。随着计算机的出现和应用,这种功能模拟得以发展壮大。其代表是物理符号系统,即是后来的专家系统。利用专家系统创造了“深蓝”和“AlphaGo”等系统模拟人的特定行为。随之而来的问题是如何建立专家系统。专家系统的核心是功能和因素的对应关系知识库,即在何种因素刺激下采取何种行为的过程。因此行为决定了功能,从而产生了行为流派。目的是通过感知客观世界的因素变化采取不同的行为以模拟智能体行为,如“六脚甲虫机器”[5]

这3个流派在当今世界的各领域都取得了较大成绩,但由于使用了分而治之的机械还原论,强调系统与系统的功能实现关系,而忽略了普遍存在的至系统间的能量、物质和信息交换。作者认为从系统论角度出发,分而治之的方法明显存在不足。机械还原方法论将系统拆分,所得到的若干子系统根据其特征分别使用不同的方法论、方法、概念和模型进行研究,然后再组合起来还原系统。使用机械还原方法论研究的系统必将失去系统的整体性和功能性。

三大人工智能流派的实质是寻找数据和因素的对应关系,不同因素作用下的系统采取不同的响应,从而完成智能行为。那么因素在智能系统和行为中的作用如何是下一个要研究的问题。

2 人工智能是数据驱动还是因素驱动

史忠植教授[6]认为智能科学研究智能的本质和实现技术,是由脑科学、认知科学、人工智能等学科共同研究的交叉学科。脑科学从分子水平、细胞水平、行为水平研究自然智能机理,建立脑模型,揭示人脑的本质。认知科学是研究人类感知、学习、记忆、思维、意识等人脑心智活动过程的科学。人工智能研究用人工的方法和技术,模仿、延伸和扩展人的智能,实现机器智能。从作者的角度认为,人工智能的目的是建立可以完成预定目标的智能系统,进而辅助和替代人的工作[7]。智能系统是人通过数据到因素的映射得到的系统结构,反映了人对自然系统的认识。那么决定这种认识的关键是映射,而映射的关键是因素和数据是否全面和映射方向[8]的问题。在实际研究中,因素流和数据流缺失只能通过相关的技术和理论发展解决,当然也可通过人的顿悟解决。重点问题是人工智能系统的结构建立是从因素到数据的映射,还是数据到因素的映射,显然前者更接近自然系统,后者是人们模拟自然系统建立的系统。这个结论是在系统运动空间与系统映射论的研究过程中得到的[8]

从因素到数据的映射是真正实现人工智能系统的关键。从该角度讲人工智能系统应该是因素驱动,而非数据驱动。首先要确定与系统相关的全因素和全数据。由于相关理论和技术的缺失目前难以实现,这也是人工智能难以发展的根本原因,只能暂且使用数据驱动。而数据驱动在哲学理论上是行不通的,只是权宜之计。

人工智能是对人认识世界和改造世界的模拟和学习。那么人又如何了解世界呢?概念是建立人类思维的核心,这方面研究可参见钟义信教授[1]的信息转换定理。概念是外延和内涵的联系,外延是客观世界存在的事物,内涵是人脑中分配的检索标签。概念把客观事物贴上标签,以便人脑进一步调用形成概念网络,或因素空间的背景关系集。可以说人脑或人工智能的不断完善是建立在概念的完备性基础上的。概念的外延是对事物的描述,人脑更善于因素区分,而因素具体的相,特别是数值相的记录是不擅长的。作者也在另文指出人首先关注于因素,随后是因素的定性相,最后才是因素的定量相。当人脑建立了足够的概念关系,就可基于这些概念关系进行发散联想,这就形成了人的智慧。

由于目前基础理论的限制,只能使用数据驱动的智能技术和系统。与因素驱动相比,数据驱动存在一些缺点。首先数据驱动得到的映射方向与因素驱动是相反的[8],这也是目前智能系统的最大缺点。海量数据不宜于存储和处理。绝大多数数据都可归纳为具有定性区间的因素相的形式,从而与因素及其概念对应。人脑分析问题的关键在于数据归类而非数据本身。基于因素的分析是全面的逻辑层面的分析,而数据虽然多但可能缺少某种逻辑情况下的数据。因素分析一般不会出现冗余和错误,因为是基于较完备的概念网络;而数据分析一般存在这些现象。

汪培庄[9]教授认为:人工智能是数据驱动还是因素驱动的问题提得非常重要。数据是实践活动中留下的信息,因素是人脑思维的引线。数据与因素的关系是实践与思维的关系。应当是思维掌控数据而不是数据糊弄思维。因此,人工智能系统使用因素驱动较数据驱动在系统层面上更有优势,但限于目前水平只能先从数据驱动开始,逐渐过渡到因素驱动。

3 发展中国原创人工智能基础理论的重要性

近代工业文明及其科学技术源于西方,而不在当时最强大的中国,这是一个历史学界的重要难题。当时中国各行业都很发达,各阶级民众相当富裕,属于自给自足的状态。这削弱了工业技术的发展,或者说对工业化产品需求不足;同时却在文化和艺术上不断成长,讲究阴阳五行相生相克的哲学研究,讲究修身养性天人合一的状态。相对的,欧洲各国之间战争不断,他们对资源的渴望正是由于缺少才如此强烈,这种渴望直到现在仍在继续。其单靠人力无法满足,于是开始出现批量的人工流水线,更进一步地发明了机械并配备动力出现第一次工业革命。人们逐渐依赖工业文明带来的成果,同时逐渐放弃了对天地人之间关系的思考,只想通过技术改变环境而不改变人本身。

任何系统变化过程都是内外部事件相互广泛作用的结果。而工业文明以来,为了高效准确地定义和解决问题,形成了整分合的机械还原方法论。其特点在于将系统根据目标划分为子系统,实现子系统功能后组合形成系统。表面上前后两个系统是相同的,但实际是不同的,因为没有考虑在目标范围之外的子系统间相互作用。例如,美国科学院院士南希埃文森教授[10-11]指出,实际系统的故障要比我们设计过程中能够想象从而避免的故障多得多;她认为这是由于系统内外部相互作用导致意外的能量、物质和信息传递造成的。

目前的科学体系是一种打补丁的形式,遇到问题后拆解问题,逐个解决再组装起来。这对一般规模的系统是可行且简单的。但现在的系统越来越复杂,在解决问题的同时可能带来新问题,这就是不考虑系统内外部事件相关性的后果。例如复杂的软件系统补丁,汽车缺陷的召回都是这种情况。这种情况继续下去可预见西方科技体系终将背负沉重包袱而难以发展。

面对大数据和智能时代,这种现象更为突出。为何使用大数据进行分析,因为在现有科技体系中,西方思想无法理解天人合一的世界观。由于系统过于复杂,他们无法确定影响因素,只能从系统散发的数据了解系统结构。这完全无法形成由数据到因素或从因素到数据的映射,这种情况下建立的智能系统只是数据分析工具,缺乏基本的智能理解能力。

智能体现的理解能力应该基于完备的概念网络而不是大数据;从因素出发映射到数据变化;广泛联系自身和外部环境的相互作用;弱化低层的解析关系强化顶层的逻辑关系。这样人工智能系统才能更加接近自然系统,解决该问题东方思维占有先天优势。在漫长的历史中,我们没有获得大数据支持而参透天地万物互联关系,所谓道生一,一生二,二生三,三生万物。万物负阴而抱阳,冲气以为和。人之所恶,唯孤、寡、不谷,而王公以为称。故物或损之而益,或益之而损。人之所教,我亦教之,即所谓道法自然。道即是万物互联关系也是作用关系,任其数据变化环境多样也万变不离其宗。这就是人思维的特点,也是人工智能成功的必由之路。道源于中国,我们的人工智能思想必定优于现有西方思想的机械还原方法论。

另一层面,西方世界一直致力于对我国尖端技术的封锁,这也给我国造成了发展障碍。但就方法论而言,工业革命前属于中国传统道的方法论,工业革命后转而发展了机械还原方法论。目前我国科技工业体系大部分传承了机械还原方法论,在这种体制下很难摆脱西方限制。但人工智能发展到今天,原有机械还原论是难以胜任的,只有东方思维才能提出符合智能的方法论并最终实现。在此过程中必将受到西方世界的封堵,以确保他们继续领先。但只要我们坚定地发展中国原创人工智能基础理论,这些障碍必将无效。

4 中国人工智能的机遇大于挑战

这是机遇和挑战并存的时代,美国联合西方发达国家组成对我国的封锁联盟。国家是形式上的,经济是物质上的,方法论是精神上的。由于西方形成的机械还原方法论导致这些国家发展缓慢,社会矛盾激化,进而影响经济,最终导致国家危机。往往表面上显露的问题原因却是本质的方法论问题。

中国原创人工智能基础理论是中国古老哲学的方法论体现,这决定了在发展过程中,以开放的态度吸纳所有有益思想。例如钟义信教授[1]的信息生态方法论;汪培庄教授[9]的因素空间理论;何华灿教授[12]的泛逻辑学;蔡文教授[13]的可拓学;冯嘉礼教授[14]的属性论;赵克勤教授[15]的集对分析方法等,都是我国传统哲学配合当代科学理论涌现出的原创理论与方法。

综上,工业革命之前的中国是道的方法论,之后机械还原论在中国发展,信息革命中机械还原论仍发挥作用,但智能革命更应该以道的方法论作为统领。虽然我们也面临着各种外部挑战,只要发挥方法论上的优势,以开放的态度吸纳优秀思想,相信在智能革命的这场博弈中,中国原创人工智能基础理论和中国人工智能的发展必将机遇大于挑战,并最终推动智能革命的技术迭代,重返世界舞台中心。

5 结论

综合全文论述,总结如下观点:

(1) 人工智能应是因素驱动的,数据驱动只是权宜之计,必将向着因素驱动发展。

(2) 中国原创人工智能基础理论是先进的,这与中国传统道的思想有关,讲究万物互联而非机械还原。

(3) 中国人工智能的机遇大于挑战,因为东方思想模式具有天然优势,虽然这种优势不适合工业时代,但在智能时代是决定性的。

参考文献
[1]
钟义信. 从“机械还原方法论”到“信息生态方法论”——人工智能理论源头创新的成功路[J]. 哲学分析, 2017, 8(5): 133-144.
ZHONG Y X. From mechanical reductionism to methodology of information ecology: successful approach to innovation for AI theory[J]. Philosophical Analysis, 2017, 8(5): 133-144. DOI: 10.3969/j.issn.2095-0047.2017.05.011.
[2]
MCCULLOCH W C, PITTS W. A logic calculus of the ideas immanent in nervous activity[J]. Bulletin of Mathematical Biophysics, 1943, 5(4): 115-33. DOI: 10.1007/BF02478259.
[3]
ROSENBLATT F. The perception: a probabilistic model for information storage and organization in the brain[J]. Psychical Review, 1958, 65(6): 386-408. DOI: 10.1037/h0042519.
[4]
MCCARTHY J. Proposal for the dartmouth summer research project on artificial intelligence[R]. Technical Report, Hanover: Dartmouth College, 1955.
[5]
Brooks R A. Intelligence without representation[J]. Artificial Intelligence, 1991, 47(91): 139-159.
[6]
史忠植. 智能科学: 第3版[M]. 北京: 清华大学出版社, 2019.
[7]
崔铁军, 李莎莎. 系统故障演化过程的可拓学原理[J]. 广东工业大学学报, 2020, 37(5): 1-6.
CUI T J, LI S S. An extension theory of system fault evolution process[J]. Journal of Guangdong University of Technology, 2020, 37(5): 1-6. DOI: 10.12052/gdutxb.200053.
[8]
崔铁军, 李莎莎. 系统运动空间与系统映射论的初步探讨[J/OL]. 智能系统学报: 1-8[2020-05-29]. http://kns.cnki.net/kcms/detail/23.1538.TP.20200323.1535.006.html.
CUI T J, LI S S. Preliminary study of system movement space and system mapping theory[J/OL]. CAAI Transactions on Intelligent Systems: 1-8[2020-05-29]. http://kns.cnki.net/kcms/detail/23.1538.TP.20200323.1535.006.html.
[9]
汪培庄. 因素空间与概念描述[J]. 软件学报, 1992(1): 30-40.
WANG P Z. Factor space and description of concepts[J]. Journal of Software, 1992(1): 30-40.
[10]
LEVESON N. Moving beyond normal accidents and high reliability organizations: a systems approach to safety in complex systems[J]. Organization Studies, 2009, 30(2): 227-249.
[11]
LEVESON N. A new accident model for engineering safer systems[J]. Safety Science, 2004, 42(4): 237-270. DOI: 10.1016/S0925-7535(03)00047-X.
[12]
HE H C, LIU Y H, HE D Q, et al. Generalized logic in experience thinking[J]. Science in China (Series E: Technological Sciences), 1996(3): 225-234.
[13]
蔡文, 杨春燕. 可拓学的基础理论与方法体系[J]. 科学通报, 2013, 58(13): 1190-1199.
CAI W, YANG C Y. Basic theory and methodology on Extenics[J]. Chinese Science Bulletin, 2013, 58(13): 1190-1199. DOI: 10.1360/972012-1472.
[14]
冯嘉礼, 冯嘉仁, 詹增修. 以属性为基础的知识库建库原则[J]. 计算机研究与发展, 1987(11): 55-61.
FENG J L, FENG J R, ZHAN Z X. A prineiple for construeting attributive knowledge base[J]. Journal of Computer Research and Development, 1987(11): 55-61.
[15]
赵克勤. 集对分析与同异反决策[J]. 决策探索, 1992(2): 14-15.
Zhao K Q. Set pair analysis and the same, different and opposite decision[J]. Policy Research & Exploration, 1992(2): 14-15.