人工智能中的意识机理研究

吴启明

摘要：为了实现更为复杂的人工智能，必须解决人工智能中的基础和核心问题，那就是意识的机理问题。在分析了文献中关于意识生成的机制后，提出了意识机制中的存在的一个问题：效用信息如何获取。给出了一个合理的解决方案。

关键词：人工智能；意识；信息处理

中图分类号：TP391.4 文献标识码：A 文章编号：1009-3044（2012）33-8016-02

随着科学技术的发展，数字化时代正逐渐向智能化时代过渡，人工智能的研究取得了举世瞩目的成绩，基于符号处理的符号主义通过自动机理论来模拟人工智能取得了较好的效果，但知识达到一定的规模之后，规则利用和选择的问题就突现出来；以神经网络为代表的联结主义试图从模拟脑组织结构的方法解决人工智能问题，比较符号主义而言，对于机器学习、模式识别方面有一定的突破，但受脑科学研究成果的制约，人们对大脑的了解还不够深入；而行为主义认知基于维纳和麦克洛等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论，提出了感知-动作模式。虽然人工智能取得了举世瞩目的成就，但也应该看到人工智能并未取得突破性进展，其中的一些专家系统虽然能解决某一领域的问题，但必须有严格的逻辑知识，有严格的范围限制。究其原因是人工智能没有解决其基本和核心的问题：意识问题。

文章首先分析了北京邮电大学钟义信教授提出的意识机理论与模型[1，2]，探讨了其成功之处，提出了值得继续探索的地方，给出了自己的基本观点。

1意识的基本概念

意识在哲学家的眼里是相对于物质而存在的，是除物质以外的主观意识，是大脑对于客观世界的反映、理解和心理过程。在钟义信教授的文章“意识机理论与模型”中对意识做了如下定义：“意识”的概念理解为“对于外部刺激的感觉、记忆、理解和判断”的能力。所谓某个系统对某种刺激“具有意识”，主要是指这个系统对于这种外部刺激具有感觉能力、记忆能力、理解能力和判断能力。这种定义方法对于研究人工智能是有好处的。可以从信息的角度来处理意识问题。即：信息的感知、存储、逻辑推理等过程。

对于一个有意识的系统应当具有以下功能：一、信息感知、获取能力；二、信息加工和储存的能力；三、信息推理和选择运用的能力。智能可以定义为：在给定目的、环境、问题的情况下，获取特定信息，对信息进行加工以达到认知，生成策略信息，利用策略信息解决给定问题的能力。

2意识的生成机制

在钟义信教授的“意识机理论与模型”文章中提出了一种意识生成模型，把意识生成过程的外部信息分为两种，一种是“形象”分量，一种为“效用”分量。“形象”分量，指系统所感知的这个刺激的外部形象和姿态，包括它的外貌、形状等静态形式参数和动作、情态等动态形式参数，相当于全信息理论中的语法信息；刺激的“效用”分量，指对于系统所设定的某个目的而言，这个刺激可能会带来什么样的影响，是有利、有碍、还是无碍于实现系统所设定的目的，相当于全信息中的语用信息。其模型如图1所示。

1）形象刺激的获取方法

现在考查一个试验和观察者组成的系统，记为（X，C，C*；R），其中R为观察者那主体，X为事件，C为先验肯定度分布，C*为后验肯定度分布。则信息量可用下式计算：

[I（C，C*；R）=I（C*）-I（C）=n=1NC*nlogC*n-n=1NCnlogCn] （1）

但这里计算出来的还是语法信息量，想当于Shannon的熵的定义。而且上式只适用于归一的情况，即概率性事件。

对于偶发信息和模糊信息，肯定度是不规一的。不过可以通过一定的方式转化为归一的情况。

[I（C，C*；R）=1Nn=1NI（Cn，C*n；R）[=1Nn=1N[f*nlogf*n+（1-f*nlog（1-f*n）-fnlogfn）-（1-fn）log（1-fn）]]] （2）

2）效用刺激的获取通过对语法信息的计算公式，可以推导出效用信息的计算公式：

[I（U，U*；R）=1Nn=1N[u*nlogu8n+（1-un）log（1-un）]-[unlogun+（1-un）log（1-un）]] （3）

I（U）表示R关于X的先验单纯效用信息量，I（U*）表示R关于x的后验效用信息量。I（U，U*；R）则表示试验过程所获得的实得效用信息量。

综合语用信息量则分两种情况表示为：

[I（μ）=n=1Nμnlogμn，（C=P）?（C=Q）=1Nn=1N[μnlogμn+（1-μn）log（1-μn）+log2]，C=F] （4）

有了效用信息才能进一步明确语义信息，采用类似于不归一语法信息的度量方法，可得如下公式。

[I（T，T*；R）=I（T*）-I（T）=1Nn=1N[t*nlogt*n+（1-t*n）log（1-t*n）]-[tnlogtn+（1-tn）log（1-tn）]] （5）

同理I（T）表示R关于X的先验单纯语义信息量，I（T*）表示R关于x的后验语义信息量。I（T，T*；R）则表示试验过程所获得的实得语义信息量。

3改进的意识模型

此意识系统的功能模型的创新之处在于提出了目的的作用。任何系统都需要有目的，没有目的的系统是没有智能的。事实证明，单纯的形象刺激对于提高系统的智能化水平存在一定的瓶颈。而目的的引入有助于解决效用计算的问题，但是效用计算中的目的不是从外界引入的。而是系统中推导出来的。当然大的目的是编写软件时人为加入的。例如：象棋中的人机对战模式程序，大的目的就是机器要赢得比赛，这是人为引入的。而在计算每一步的得失时就是机器根据引入的目的分解出来的。所以目的也有宏观和微观之分。宏观的目的直接引入，微观的目的是根据形象刺激和记忆系统的相互作用而得来的。

3.1模型有效性推导

现考察人工神经网络的原理。人工神经网络起源于生物学的神经网络，是人工智能的一个分支。神经网络是一种固有的并行和分布式处理结构，由一组连接的输入/输出单元组成，每个连接都有与之相关联的权重，通过调整它们的相互连接的权重来进行学习。

人工神经网络常用于联想记忆，优化计算与决策，分类识别等领域[3-4]。

神经元的输入即形象刺激，用样本数据对人工神经网络进行训练时，宏观目的为人为设定，即要使人工神络网络具备模式识别的能力；而微观目的是在宏观目的的推导下产生，即要使每一个样本的输出接近于真实情况；而调整权值即为决策。人工神经网络已经是一种较为成熟的机器学习和模式识别技术。当然我们也可以运用到决策树或其它的模式识别理论上都能获得合理的解释，在此不再阐述，由此可以改进的意识机理模型在理论上是可行的。

4总结及下一步工作

高级人工智能的研究是一项纯理论性的工作，而且非常复杂，研究的难点在于人类对于大脑的结构还知之甚少。该文在研究了钟义信教授的意识机模型后，非常兴奋，觉得引入目的的智能系统才是真正的智能系统，在此基础上，进一步地提出了目的的宏观性和微观性，使得意识机理模型更具有可操作性。

下一步还可以研究由语法信息到语义信息的具体算法及应用实例。

参考文献：

[1]钟义信.意识机：理论与模型[J].电子学报，2000，28（10）：41-44.

[2]钟义信.信息科学原理[M].第三版.北京：北京邮电大学出版社，2002：45-48.

[3]HanJiawei，KamberM.DataMiningConceptsandTechniques[M].MorganKauf-mmanPublishers，2000.

[4]D.Dubois，H.Prade.FuzzySetsandSystems（TheoryandApplication）[M].Oxford，UK：AcademicPress，1980.