人工智能路径转变关于逻辑推理的批判性思考

彭雪

摘 要：随着人工智能的不断发展，人工智能研究路径由传统以思维为导向的逻辑推理路径到以大数据为驱动的机器学习的研究路径的转变。本文以IBM深蓝及沃森与Google阿尔法三代对比为切入口，通过对大数据工程式的累积哲学反思逻辑推理。基于逻辑推理在人工智能发展的历史，结合以处理信息不完全的非单调逻辑推理，力致在传统路径与现代路径保持必要张力，以促进人工智能深入的发展。

关键词：人工智能;大数据;逻辑推理;反思

中图分类号：F24     文献标识码：A      doi：10.19311/j.cnki.1672-3198.2021.20.039

以数据为驱动的人工智能，只能在不断的海量的数据中训练和学习，在根据已有的规则和模式下，完成某个专业领域任务，虽然具有强大的计算能力和快速的搜索能力，计算出来的事物甚至超过人类的完美度，但是很难知识迁移，缺乏自我学习能力，因此向通用人工智能的前进，必须重视逻辑推理，如同人类一样，在面对大数据时，厚积薄发，由厚读薄，从读薄的规则和模式出发，在演绎归纳推理中自由切换，充分发挥人类智能。

1 人工智能路径转变

IBM深蓝沃森和Google 阿尔法三代对比，以符号主义人工智能为核心的逻辑推理。

案例：1997年IBM深蓝和2011沃森以推理为核心的代表。

（1）1997年IBM的深蓝。

深蓝是混合决策，通过检索数据库的算法还有，逻辑，规划，推理，是基于更小的数据集，将通用超级计算机处理器与象棋加速器芯片结合，在超级计算机运行的软件执行一部分运算，更复杂的棋步交予加速器处理，然后计算出可能的棋步和结果，超级计算机根据这些结果决定最终的棋步。就一般的国际象棋手能想到7步，但是深蓝想到12步，甚至40步，IBM深蓝击败世界象棋冠军卡斯帕罗夫，最终比分3.5∶2.5。

（2）2011年沃森，即QA问答系统。

主持人问：Kathleen Kenyons excavation of city mentioned in Joshua showed the walls had been repaired 17 times.Kathleen Kenyon对这个在《圣经约书亚记》中提到的城市的发掘表明，该城市的城墙曾被修复17次。

沃森回答：What is Jericho（耶利哥城市是什么？）

基于Kathleen，Kenyon，Kathleen Kenyon，Joshua，沃森的反馈机制：首先把第一个K和第二个K作为单独的名词，以及把二者作为一个复合名词，和把Joshua作为一个名词，向搜索引擎发出请求。发现第一个K和第二个K孤立存在，反馈很少，发现二者的组合是一个牛津大学的考古学家曾经对耶利哥，耶路撒冷，拉吉进行过发掘，发现只有耶利哥在《圣经约书亚记》出现过，于是回答出来正确问题。

这是一种基于逻辑推理不断寻求答案，给出最终结果，即根据已有的知识和关系，推理机推出原本没有的关系。这种推理方式与人类逻辑推理相似，解释性强。

下面分析以数据驱动为核心的机器学习。

案例：人机博弈Alphaco。

第一代 Alphaco lee。

goole设计了一套五层卷积神经网络，通过大数据监督学习，利用16万人类选手棋局约3000万棋谱，研究黑白棋的落子，让两个会下棋的神经网络自我博弈，强化学习，机器对弈产生数以万计的棋局，第一代Alphaco上升为五段选手。

第二代 Alphaco master。

goole让两个9段机器相互博弈，最终击败世界排名最高的围棋选手柯洁，比分为3∶0。

第三代 Alphaco Zero。

仅仅依靠强化学习，没有人类数据、指导、专业知识，总计运行29000万次自我对弈，相比于人类围棋的历史长达4000年，仅仅通过40天的学习，就击败了第二代Alphaco master，比分为89∶11。

目前这种依赖于大数据机器学习的应用在现实生活中极其广泛，如人脸语音识别系统、导航系统、特斯拉的机器自动驾驶、谷歌公司的图像标注系统、医学诊断、DNA序列测序等。

2 困境与难题：大数据的工程式累积的批判性思考

以大数据为驱动的人工智能机器学习正蓬勃发展，大数据挖掘，大规模计算，互联网的发展为信息的收集带来极大意义，但是也不得不思考，人工智能机器學习的“黑箱”，加深了“理解”与“推理”的鸿沟。

2.1 缺乏实质理解，自我认知怀疑

人类理解世界，通过探索世界的规律，实现自我认知。大数据的挖掘正逐渐表明，原理、规律并不是那么重要。万有引力规律支配世间万物运动，在向远处掷实心球时，如果没有到达理想的距离，我们不会质疑它的抛弧线距离，更多是归于意外自己手滑，但是机器学习正在弱化我们把握世界的规律。谷歌的阿法尔对围棋一无所知，只是从13万场有记录棋局中分析出6000万步棋，基于数据之间一组复杂得难以形容的加权关系，即使阿法尔无法用人类语言描述下每一步棋的理由，但它仍然击败了全世界排名最高的人类棋手。深度学习的算法，比任何人类都能更好地捕捉到宇宙的复杂性、流动性;机器学习，使我们渐渐被动接受，直面我们日常生活中难以理解的错综复杂;也是我们对于理解世界和世界上发生的事情的坚持的放弃，换句话说既然他们能在不能理解实质情况下，做得如此完美，人类产生了自我认知的怀疑。新工具，特别是机器学习，让我们认识到我们周围数据和信息的广泛性，开始被动接纳作为人类这个物种的传统自我认知，我们的大脑无法像人工智能那样准确快速地分析和预测事件，数据告诉竞选网站应该发布的内容类似于浏览淘宝，为了获得点击量和购买的可能性，以买家浏览数据记录作为支撑推荐给买家，也不知不觉表明，原理、归纳的重要性正在减弱，人类认识世界的意义也似乎在被边缘化。