前   言
20世紀初，英國心理學家查爾斯·斯皮爾曼（Charles Spearman）首次觀察到，當人們在完成一些看似毫無關(guān)聯(lián)的心智任務時，比如判斷一個物體是否比另一個重，或者在燈亮后迅速按下按鈕，其平均表現(xiàn)可以預測人在執(zhí)行完全不同的任務時的平均表現(xiàn)。斯皮爾曼提出，可以用一般智能的單一衡量標準表征這種共性。斯皮爾曼之后的心理學領(lǐng)域產(chǎn)生了許多人類智能理論。從20世紀初到20世紀80年代，心理學對智能的研究大概經(jīng)歷了三個發(fā)展階段：“功能主義式”，從智能的外在功能表現(xiàn)界定智能的標準；“結(jié)構(gòu)決定式”，試圖說明智能的內(nèi)在結(jié)構(gòu)；“信息處理式”，將信息處理嫁接到大腦的生理學過程中�？偟膩砜�，在心理學中，對智能進行的科學探究大致經(jīng)歷了“從外到內(nèi)”的認知過程。不同研究方式與取向的選擇使得人們對“智能”的定義和界定始終懸而未決。這個問題在哲學尤其是心靈哲學領(lǐng)域有不同程度的表現(xiàn)。
正因為智能沒有確定的標準或定義，人工智能的發(fā)展也經(jīng)歷了曲折、漫長的過程�！叭斯ぶ悄堋边@個科學概念已經(jīng)流傳了65年，由于科學家們對智能在哲學意義上的理解差異，早期的人工智能發(fā)展出了“符號主義”“聯(lián)結(jié)主義”“行為主義”等多個流派。符號主義認為人腦是物理符號系統(tǒng)（一種關(guān)于智能產(chǎn)生的哲學假設(shè)），人的認知基元是符號，符號表征著外部世界，而心智活動的本質(zhì)是計算，計算就是符號的操作，認知過程即符號操作過程。聯(lián)結(jié)主義認為人的思維單元是神經(jīng)元而不是符號，認知過程是由神經(jīng)網(wǎng)絡構(gòu)成的，認知是從大量單一處理單元的相互作用中產(chǎn)生或涌現(xiàn)的，身體運動以及認知過程表現(xiàn)為信息在神經(jīng)元中的并行分布和特定的聯(lián)結(jié)方式。行為主義認為智能就是“模式?動作”關(guān)系，無須知識表達與推理，主張通過模仿人類或動物的行為實現(xiàn)智能。
歷史上人工智能經(jīng)歷的三次浪潮也是從符號主義到聯(lián)結(jié)主義的，高潮與低谷都與聯(lián)結(jié)主義的成功與失敗密切相關(guān)。20世紀60年代末70年代初，聯(lián)結(jié)主義的早期代表性方法——“感知機”，一種簡單的人工神經(jīng)網(wǎng)絡模型，由于不能解決相對復雜的分類問題而導致人工智能整體陷入低潮。到了20世紀90年代初，符號主義人工智能已經(jīng)衰落，聯(lián)結(jié)主義人工神經(jīng)網(wǎng)絡方法則在20世紀80年代和90年代回歸和興起。20世紀90年代，人工神經(jīng)網(wǎng)絡取得了商業(yè)上的成功，它們被應用于光字符識別和語音識別軟件。2006年，加拿大學者杰夫·辛頓在深度神經(jīng)網(wǎng)絡機器學習方面取得突破。2016年12月，一家名為DeepMind的公司開發(fā)的圍棋程序AlphaGo戰(zhàn)勝世界冠軍李世石，引爆了以深度學習技術(shù)為基礎(chǔ)的商業(yè)革命。眾多互聯(lián)網(wǎng)巨頭、初創(chuàng)科技公司紛紛加入人工智能戰(zhàn)場，掀起人工智能歷史上第三輪高潮（前兩次分別發(fā)生于20世紀60年代和20世紀80年代）。
今天，在產(chǎn)業(yè)發(fā)展及行業(yè)應用方面，人工智能與制造業(yè)、醫(yī)療、農(nóng)業(yè)、教育、金融等各行業(yè)結(jié)合，出現(xiàn)了智能制造、智能醫(yī)療、智能農(nóng)業(yè)、智能教育、智能金融等多種新興行業(yè)業(yè)態(tài)。從應用方向上來看，制造業(yè)、農(nóng)業(yè)、城市治理、金融、醫(yī)療、汽車、零售等數(shù)據(jù)基礎(chǔ)較好的行業(yè)方向應用場景目前相對成熟。無人駕駛和智能機器人正在成為產(chǎn)業(yè)研發(fā)熱點。
60多年來，人工智能并未達到最初的目標——實現(xiàn)具有類人智能的機器，但在實際應用中不斷進步。最有代表性的兩大類成果是模仿人類推理能力的計算方法和模仿大腦神經(jīng)網(wǎng)絡結(jié)構(gòu)的模型訓練法，它們都是“模仿”人類智能的產(chǎn)物。模仿人類推理能力的計算方法又分為推理法、概率法、規(guī)劃法和因果法，它們的工作原理都有嚴格的數(shù)學定義，所以是可解釋的。模仿大腦神經(jīng)網(wǎng)絡結(jié)構(gòu)的模型訓練法主要包括學習對象、訓練目標、數(shù)據(jù)標注、訓練方法和網(wǎng)絡表示等內(nèi)容，這種方法通過所謂學習訓練，得到一個參數(shù)被調(diào)節(jié)好的神經(jīng)網(wǎng)絡。這類方法的工作原理尚未得到嚴格的數(shù)學定義，因而不具有可解釋性。
除了深度學習等算法技術(shù)，驅(qū)動這一輪高潮的因素還有很多，包括數(shù)據(jù)、算法、算力，它們使得人工智能技術(shù)真正為商業(yè)應用創(chuàng)造了價值；另一方面，大數(shù)據(jù)、物聯(lián)網(wǎng)、云計算等技術(shù)為人工智能的發(fā)展打下了良好基礎(chǔ)。在計算能力方面，以并行計算圖形圖像處理器（GPU）為代表的新一代計算芯片提供了更強大的計算能力，使得深度學習能夠在圖像識別等感知智能方面取得飛躍。
當今時代，以深度學習為主的人工智能技術(shù)結(jié)合大數(shù)據(jù)和超級計算機的高性能計算技術(shù)，一定程度上解決了許多傳統(tǒng)或經(jīng)典人工智能技術(shù)難以解決的大規(guī)模數(shù)據(jù)分析和處理問題，因此能夠得到前所未有的大規(guī)模商業(yè)化。
但是，正如歷史上的淺層人工神經(jīng)網(wǎng)絡技術(shù)一樣，聯(lián)結(jié)主義深度學習技術(shù)存在諸多局限性，比如需要大量標注數(shù)據(jù)訓練、處理數(shù)據(jù)過程無法解釋、對算力和能耗要求過高、億級參數(shù)的深度學習大模型訓練成本高昂、缺少邏輯推理因果學習能力等，導致其在面對諸多實際應用場景時存在瓶頸，并導致其在很多商業(yè)化應用方面失敗。
卡內(nèi)基梅隆大學（CMU）計算機科學學院教授、MBZUAI校長邢波教授（Eric P. Xing）指出，機器學習和人工智能過去這十幾年的飛速發(fā)展，產(chǎn)生了很多大大小小的成果，但是它們基本上都停留在一個學術(shù)探索、試錯、積累的階段，還沒有形成完備的體系；甚至還沒有歸納出嚴格的形式規(guī)范、理論基礎(chǔ)和評估方法；沒有涌現(xiàn)像物理、數(shù)學里面類似哥廷根學派、哥本哈根學派那種立足于某種核心理論、方法論、思考邏輯甚至科研風格的學派。
企業(yè)界、商業(yè)界、媒體界對于深度學習技術(shù)的樂觀，恰如歷史上人們對于專家系統(tǒng)的樂觀一樣，使得人們對于人工智能的認識局限于此類階段性技術(shù)，進而也影響到技術(shù)研發(fā)、高等院校的教育教學，大家都熱衷于追逐熱點，而忽略了對人工智能技術(shù)背后的智能本質(zhì)的追問，忘卻了人工智能發(fā)展的終極目標，以及如果將人工智能作為一個新興學科來看待，是否應重視其整體性、系統(tǒng)性、全面性的問題。從教育的角度，這樣的發(fā)展模式將無法激發(fā)更新的思想和方法產(chǎn)生。
因此，人工智能要繼續(xù)向前發(fā)展，就不能停留在深度學習等少數(shù)技術(shù)上。我們對于人工智能的認識，也不能限于機器學習、深度學習等典型技術(shù)上。
恰如張鈸院士在一次采訪中所言，新一代人工智能有大數(shù)據(jù)智能、群體智能、跨媒體智能、人機混合增強智能、自主智能系統(tǒng)（其實就是無人機）5個支柱，上面是應用，下面是基礎(chǔ)支撐。這個輪廓和布局看起來很圓滿，但遠遠不夠。如果看整個人工智能學科的輪廓，包括計算機視覺、語言識別、自然語言、人機交互、機器人學習等方向，目前大的布局是沉浸到應用這個方面。涉及人的9類智能，我們在邏輯語言文字和圖形圖像方面現(xiàn)在已經(jīng)做得相當不錯，中間7類還是有相當?shù)木嚯x需要探索。
從學科及研究角度來說，人工智能是多學科交叉的領(lǐng)域，這一點毫無疑問。但是，對于機器學習、深度學習技術(shù)和算法的集中關(guān)注說明人們對這一點的認識和理解是不夠的。從技術(shù)到技術(shù)、從算法到算法的研究和應用模式不可能催生更具顛覆性、更接近人工智能終極目標的技術(shù)。當前，深度學習所遇到的一些瓶頸問題根本上還是因為對智能機制認識不清。在現(xiàn)象層模仿人類智能，通過深度神經(jīng)網(wǎng)絡規(guī)模和參數(shù)調(diào)整逼近人類某些智能特征，尤其是在視覺感知智能方面，確實有一定成效，但這并不意味著深度學習就是制勝法寶。2021年，人工智能的應用遇到了諸多場景局限，其背后的根源依然是智能機制不清，因而造成所應用的模型達不到人類智能適應復雜、開放場景的程度。
智能機制的研究需要神經(jīng)科學、腦科學、心理學、哲學、數(shù)學等多個基礎(chǔ)學科的支撐。因此，這也就決定了人工智能技術(shù)的再次突破一定是多學科交叉合作的結(jié)果。事實上，聯(lián)結(jié)主義深度學習的鼻祖——最初的人工神經(jīng)元數(shù)學模型，就是數(shù)學、心理學、神經(jīng)學等多學科交叉的產(chǎn)物。從教育和學習角度來說，人工智能已經(jīng)成為中小學生、大學生的學習內(nèi)容。長遠來看，人工智能基本知識素養(yǎng)和技能是每個人都必須具備的，就像數(shù)學、語文、計算機一樣成為一個受教育者的基本知識體系的核心內(nèi)容。目前階段，所謂人工智能教育，依然以熱門技術(shù)為主。無論對于中小學生還是大學生而言，理解基本概念、技術(shù)和方法，甚至用算法編程解決問題，憑借現(xiàn)有的豐富的學習資源和開源平臺，都不是很困難的事情。但是，從根本上啟發(fā)學生去思考人工智能的本質(zhì)和內(nèi)涵，不是件很容易的事情。人工智能沒有像物理學一樣的優(yōu)雅、統(tǒng)一、可信、堅實的理論基礎(chǔ)，人工智能在長期發(fā)展過程中也沒有形成全面的、公認的知識體系，而完全是靠長期的積累、疊加形成的碎片化、流程化、程式化的知識內(nèi)容。而這些內(nèi)容通過教材、課程等形式展示給學生，常常使學生無所適從，甚至覺得什么都可以說成和看作人工智能。因此，我們有必要從思想源頭上厘清人工智能的知識，從學科、技術(shù)和應用等多角度梳理人工智能理論和知識，呈現(xiàn)給受教育者尤其是高等院校學生一個相對系統(tǒng)、全面的人工智能知識體系。這正是本書的寫作初衷。
本書是作者提出的人工智能新知識體系的總綱，是在2020年作者出版的新知識體系《人工智能導論》教材基礎(chǔ)上，進一步將人工智能知識體系一般化，從哲學思想、歷史起源、學科基礎(chǔ)、基礎(chǔ)技術(shù)、倫理法律、行業(yè)應用等幾方面來總結(jié)梳理人工智能知識體系，可以看作之前出版的《人工智能導論》的“前傳”。本書的目的是在啟發(fā)和鼓勵學生學習人工智能的同時，更重視從思想源頭認識和理解人工智能的本質(zhì)，鼓勵所有專業(yè)學生都重視和學習人工智能，而不僅僅是理工科學生。通過本書的學習，使各專業(yè)、各領(lǐng)域、各層次學習者在了解基本定義基礎(chǔ)上，從哲學思想到工程技術(shù)，從行業(yè)應用到倫理道德等各方面，系統(tǒng)、整體、深入地理解和認識人工智能。
“橫看成嶺側(cè)成峰，遠近高低各不同，不識廬山真面目，只緣身在此山中�！� 宋代著名詩人蘇軾的這首《題西林壁》描述的是廬山變化多姿的面貌，借景說理，指出觀察問題應客觀全面，如果主觀片面，就得不出正確的結(jié)論。借用這首詩的內(nèi)涵，也可以說明人類對智能本質(zhì)的認識，從不同角度得出不同的結(jié)論，猶如盲人摸象一般。
“亂花漸欲迷人眼，淺草才能沒馬蹄”，唐代著名詩人白居易的這兩句詩，其實也可以用于形容現(xiàn)階段人們對于人工智能的認識。我們不要讓眼花繚亂、層出不窮的算法迷惑了雙眼，人工智能技術(shù)從誕生之初到今天也僅是剛能沒馬蹄的淺草而已。
我們希望，人們對于人工智能的發(fā)展，懷有一顆敬畏、謙卑之心，未來創(chuàng)造出真正成為人類伴侶的智能機器。
感謝碩士研究生邵鵬、胡澤強、周紅亮為本書繪制部分插圖。由于本人水平有限，本書難免存在疏漏之處，歡迎批評指正，不當之處，敬請原諒。


作  者         
2022年6月 于哈爾濱