崔鐵軍，李莎莎

（1. 遼寧工程技術(shù)大學(xué) 安全科學(xué)與工程學(xué)院，遼寧 阜新 123000; 2. 遼寧工程技術(shù)大學(xué) 工商管理學(xué)院，遼寧 葫蘆島 125105）

人工智能是面向人的，具備類人能力的實(shí)體或方法。人的最基本能力就是對(duì)事物的選擇能力。人能通過(guò)各種渠道獲得知識(shí)，而這些知識(shí)的主要應(yīng)用就是人面對(duì)問(wèn)題時(shí)的選擇。因此人工智能的最基本操作就是模仿人對(duì)問(wèn)題做出選擇。人的選擇過(guò)程是宏觀到微觀的過(guò)程，先選擇關(guān)心的方面，再選擇具體的定性定量特征，這是從內(nèi)涵到外延的過(guò)程。目前人工智能的三大主流學(xué)派及大數(shù)據(jù)和深度學(xué)習(xí)等都是基于數(shù)據(jù)的研究。即首先從大數(shù)據(jù)的處理開(kāi)始，再進(jìn)行數(shù)據(jù)歸類分析各類別之間的關(guān)系抽象為范圍，再根據(jù)范圍關(guān)系抽象為因素，最終用因素定義概念，完成外延到內(nèi)涵的建立。因此人對(duì)樣本的選擇過(guò)程與現(xiàn)有人工智能樣本選擇過(guò)程是相反的。

關(guān)于人工智能的處理過(guò)程、理念及模型等有一些研究：知識(shí)驅(qū)動(dòng)的智能生態(tài)網(wǎng)絡(luò)研究[1]；基于功能模型和層次分析法的智能方案構(gòu)建[2]；基于深度確定性的智能車匯流模型[3]；多智能體情緒仿真模型[4]；小波智能模型時(shí)序預(yù)測(cè)[5]；智能電網(wǎng)可靠性模型預(yù)測(cè)[6]；智能化云制造系統(tǒng)[7]；智能網(wǎng)聯(lián)環(huán)境下的車輛跟馳模型[8]；智能制造成熟度評(píng)估模型[9]；智能模型與自主智能系統(tǒng)[10]；智能網(wǎng)聯(lián)車環(huán)境下的數(shù)據(jù)轉(zhuǎn)發(fā)模型[11]；機(jī)制主義人工智能理論[12]；人工智能的概念、方法、機(jī)遇[13]；人工智能與科學(xué)方法創(chuàng)新[14]。這些研究各有所長(zhǎng)，解決的問(wèn)題也各不相同。但正如莫拉維克悖論[15]所述，高級(jí)的人類思維需要數(shù)據(jù)較少；反而人類的基本行為需要大量數(shù)據(jù)描述。這其實(shí)并不矛盾，高級(jí)思維涉及的因素很多；而基本行為則很少。人在分析問(wèn)題時(shí)首先關(guān)注因素而不是數(shù)據(jù)；但人工智能方法需要大量數(shù)據(jù)。

為解決莫拉維克悖論提出的問(wèn)題，論文基于因素空間理論[16-18]和作者的相關(guān)研究[19-26]對(duì)人的基本選擇行為在人工智能框架下予以實(shí)現(xiàn)。最終建立了人工智能樣本選擇策略網(wǎng)絡(luò)模型。

1 莫拉維克悖論

20世紀(jì)80年代，由H.莫拉維克等人提出了一種現(xiàn)象：像邏輯演繹這樣高級(jí)理性思維只需要相對(duì)很少的計(jì)算能力，而實(shí)現(xiàn)感知、運(yùn)動(dòng)等低等級(jí)智能活動(dòng)卻需要耗費(fèi)巨大的計(jì)算資源，即莫拉維克悖論。

這也許成為人工智能發(fā)展的一個(gè)方向。目前普遍認(rèn)為人工智能應(yīng)涉及大數(shù)據(jù)智能理論；跨媒體感知；人機(jī)協(xié)同智能、群體智能、個(gè)體控制與優(yōu)化、機(jī)器學(xué)習(xí)、類腦智能和量子智能等。但現(xiàn)有人工智能基礎(chǔ)普遍基于大數(shù)據(jù)分析抽象形成數(shù)學(xué)模型，進(jìn)而模擬人受外界刺激后的響應(yīng)。當(dāng)然這是當(dāng)下較為有效的方法。也形成了三大人工智能流派，即結(jié)構(gòu)模擬(人工神經(jīng)網(wǎng)絡(luò))[27-29]、功能模擬(物理符號(hào)系統(tǒng))[30-33]和行為模擬(感知?jiǎng)幼飨到y(tǒng))[34-35]。這些研究更加傾向于以數(shù)據(jù)為基礎(chǔ)的分析，但這并不是人腦真正的問(wèn)題處理方式。正如莫拉維克悖論所說(shuō)，人腦擅長(zhǎng)對(duì)于邏輯、理念及感情方面的處理；而具體的定量數(shù)值處理則不擅長(zhǎng)。例如：別人送了一些蘋(píng)果，你要選擇一個(gè)吃掉。你首先會(huì)根據(jù)自己的經(jīng)驗(yàn)來(lái)選擇因素從而判斷選擇哪個(gè)蘋(píng)果，從蘋(píng)果的顏色、大小、形狀等方面進(jìn)行判斷。無(wú)論這次選擇是否令你滿意，其經(jīng)驗(yàn)都會(huì)留在大腦中。相反一般不會(huì)有人拿著色譜、直尺等去對(duì)每一個(gè)蘋(píng)果進(jìn)行測(cè)量，再通過(guò)復(fù)雜的數(shù)學(xué)方法選擇。高度抽象和演繹行為的多數(shù)信息來(lái)源于人的直觀感受，比如視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)、味覺(jué)等。這些不提供具體信息，而只是客觀事物在某些因素的表象。人通過(guò)事前表象和事后效果來(lái)判斷是否完成目標(biāo)，并形成對(duì)應(yīng)關(guān)系。因此作者認(rèn)為人對(duì)事物的理解首先是因素層面的理解與運(yùn)算，如果難以確定才會(huì)使用因素的相進(jìn)行模糊或精確分析。

汪培莊教授提出的因素空間也對(duì)莫拉維克悖論提出了相同的觀點(diǎn)：1)只要找到描述因素，高級(jí)理性思維活動(dòng)都是簡(jiǎn)單的；2)低級(jí)本能活動(dòng)之所以困難，是因?yàn)槿藗儾恢朗褂煤畏N因素描述它們；3)因素由人輸給機(jī)器，輸給因素越多，機(jī)器就越聰明。根據(jù)莫拉維克悖論，基于數(shù)據(jù)的人工智能方法很難完成對(duì)人腦智能的模擬；同時(shí)受大數(shù)據(jù)獲得條件限制也難以完成。

2 人的選擇等同于比較

人的思維、感情及邏輯推理基本是對(duì)少量樣本進(jìn)行的。人們從古至今都是在少量樣本組成的樣本空間中選擇。不同在于由于信息及大數(shù)據(jù)技術(shù)的發(fā)展，選擇的樣本空間越來(lái)越大。因此從以前的信息不對(duì)稱變成了選擇綜合癥。實(shí)際上人腦對(duì)大樣本空間有自己的處理策略。人腦將大樣本空間細(xì)化，形成樣本數(shù)量大致相同的子樣本空間來(lái)處理，當(dāng)然這和個(gè)人的記憶和處理能力有關(guān)。通常的，人腦在子樣本空間中選擇最好的樣本保留，這樣多個(gè)子樣本空間就得到了各自最好的樣本組成下一輪樣本空間進(jìn)一步選擇。該策略也應(yīng)用于各大電商平臺(tái)的購(gòu)物車策略。過(guò)程中人腦基本使用因素及其相之間的推理和運(yùn)算，這種運(yùn)算適合于人腦，且處理速度相當(dāng)快。

在樣本空間中選擇最好樣本的具體過(guò)程則是比較，更為具體的是兩兩比較，類似于冒泡法，由于人腦并不擅長(zhǎng)并行處理。那么回到莫拉維克悖論，這時(shí)樣本空間中的樣本已經(jīng)很少，同時(shí)也基本符合人腦根據(jù)經(jīng)驗(yàn)、邏輯和推理得到的結(jié)果。在只能選擇一個(gè)樣本時(shí)，人腦將使用類似冒泡法進(jìn)行比較。這時(shí)考慮蘋(píng)果需要裝入方形禮盒，而禮盒的尺寸是固定的，那么要具體考慮蘋(píng)果的尺寸和形狀因素的具體相。形狀因素的相盡可能方正；尺寸因素的相盡量適合。對(duì)于尺寸的相可使用模糊和精確測(cè)量，當(dāng)然這取決于樣本數(shù)?？赏ㄟ^(guò)測(cè)量找到小于禮盒尺寸且又最接近禮盒尺寸的蘋(píng)果放入禮盒。

因此可以說(shuō)，人的思維、推理和判斷過(guò)程是一個(gè)選擇比較過(guò)程，過(guò)程中樣本數(shù)量是較少的，不需要大數(shù)據(jù)支持；通過(guò)選擇適合的因素、因素概念相(如較大、紅色)和因素量化相(如10 cm)來(lái)最終選擇適合的樣本。但這剛好與基于大數(shù)據(jù)的人工智能策略相反。

3 人工智能樣本選擇策略

人工智能選擇是人工智能理論實(shí)現(xiàn)的方式之一。人工智能目標(biāo)是使機(jī)器代替人進(jìn)行工作，而人最基本的工作就是樣本選擇。因此從莫拉維克悖論來(lái)看人工智能完成樣本選擇應(yīng)無(wú)需大數(shù)據(jù)支持，但現(xiàn)狀卻相反。這里作者提出一種基于莫拉維克悖論和因素空間理論的人工智能樣本選擇策略。以人工智能系統(tǒng)本身為主體，將人、物和環(huán)境作為輔助系統(tǒng)，考慮選擇因素、因素概念相和因素量化相，在環(huán)境系統(tǒng)中按照人的要求對(duì)物(樣本)進(jìn)行選擇。圖1為研究對(duì)象的關(guān)系圖。

圖 1 研究對(duì)象關(guān)系圖Fig. 1 Relationship of research objects

解釋圖1中符號(hào)含義。人工智能：代替人具有類人智能的實(shí)體或程序，其中包括信息接收、處理和存儲(chǔ)的一系列子結(jié)構(gòu)，但這里并不關(guān)心該結(jié)構(gòu)。人：指自然人，用于為人工智能提供需求、以往積累的經(jīng)驗(yàn)及可能的推理和理智策略等。一般環(huán)境：經(jīng)驗(yàn)積累過(guò)程中出現(xiàn)的環(huán)境。一般物：經(jīng)驗(yàn)積累過(guò)程中出現(xiàn)的物。實(shí)例環(huán)境：人工智能具體實(shí)施選擇實(shí)例物時(shí)的環(huán)境。實(shí)例物：人工智能具體實(shí)施選擇的物。圖中關(guān)系有人對(duì)一般環(huán)境和一般物的以往處理過(guò)程和結(jié)果形成的人已有經(jīng)驗(yàn)；人向人工智能提出工作需求；實(shí)例環(huán)境提供人工智能可感知的因素及其相；實(shí)例物提供人工智能可感知的因素及其相；人工智能對(duì)實(shí)例物進(jìn)行選擇。

圖1的研究對(duì)象中心是人工智能系統(tǒng)，而不是人。更為重要的是該人工智能系統(tǒng)并不基于大數(shù)據(jù)，而是人的已有經(jīng)驗(yàn)。這些經(jīng)驗(yàn)往往不是具體的或模糊的數(shù)值，而是如上所述的因素及其相之間的邏輯推理和運(yùn)算，結(jié)果形成了對(duì)應(yīng)關(guān)系結(jié)構(gòu)。這些操作在作為智能科學(xué)數(shù)學(xué)基礎(chǔ)的因素空間理論中已有研究。該結(jié)構(gòu)可定義為具體個(gè)人的喜好和偏向。選擇具體對(duì)象時(shí)，根據(jù)這些偏好及對(duì)應(yīng)的實(shí)例環(huán)境選擇實(shí)例物。繼續(xù)蘋(píng)果的例子，考慮因素為尺寸∧顏色(∧表示合取[17])，相f(尺寸)={大，中，小}和f(顏色)={紅，綠，黃}，f(尺寸∧顏色)={大紅，中紅，小紅，大綠，中綠，小綠，大黃，中黃，小黃}。人甲偏好可能是大紅；而乙則偏好小黃。那么他們挑選蘋(píng)果時(shí)選擇的因素是尺寸∧顏色，這是第1次因素選擇。選擇的相分別是大紅和小黃，這是第二次因素概念相選擇；蘋(píng)果需要裝入禮盒考慮尺寸因素，度量禮盒(實(shí)例環(huán)境)尺寸和蘋(píng)果尺寸(實(shí)例物)選擇蘋(píng)果，這是第三次因素量化相選擇。對(duì)人而言，再?gòu)?fù)雜的選擇都可通過(guò)這三步完成。目前各種方法論和數(shù)學(xué)方法等都是幫助人完成這三次選擇的，同樣也可幫助人工智能完成實(shí)例物的選擇。

圖2給出了類人的人工智能樣本選擇策略過(guò)程。這種策略分成3次選擇實(shí)例物。第一次選擇基于人的經(jīng)驗(yàn)，是人工智能對(duì)人的學(xué)習(xí)結(jié)果。是基于實(shí)例環(huán)境和實(shí)例物所提供的可比較因素而非數(shù)據(jù)條件下完成的因素選擇。其特點(diǎn)是速度快且少數(shù)據(jù)，人的因素選擇往往是一瞬間。當(dāng)人深思熟慮時(shí)，可能面臨的是多因素、多樣本，且需要后兩次選擇參與。但對(duì)因素的選擇不會(huì)花費(fèi)太長(zhǎng)時(shí)間，當(dāng)了解人偏好和需求時(shí)人工智能也是如此。第2次選擇是對(duì)第一次選擇得到因素的相的選擇，包括概念相和量化相。參考人的目的和偏好，比較不同實(shí)例物(樣本空間)相同因素的不同概念相，進(jìn)行實(shí)例物選擇。第3次選擇是更為具體的對(duì)因素量化相的測(cè)量。這時(shí)因素量化相可以是模糊范圍或精確數(shù)值，比較實(shí)例環(huán)境與各實(shí)例物的匹配性，從而選擇實(shí)例物。通過(guò)這3次選擇逐漸減少樣本數(shù)量，最終選擇適合的實(shí)例物。

圖3給出了最終得到的人工智能樣本選擇策略網(wǎng)絡(luò)結(jié)構(gòu)。其中，f代表因素，共n個(gè)；x代表某因素下的因素相，共m個(gè)；x11、x13、x23、x4n-1為因素概念相；xm11、x53、x1n-1為因素量化相；Object()表示實(shí)例物的目標(biāo)函數(shù)。圖中3個(gè)層次都對(duì)應(yīng)一種網(wǎng)絡(luò)結(jié)構(gòu)。第1次的網(wǎng)絡(luò)結(jié)構(gòu)基于人的現(xiàn)有經(jīng)驗(yàn)(邏輯、概念、心理、理智、主觀、偏好)，將所有因素與被選因素的對(duì)應(yīng)關(guān)系形成網(wǎng)絡(luò)結(jié)構(gòu)，即何物需要何種因素進(jìn)行選擇。第2次的網(wǎng)絡(luò)結(jié)構(gòu)基于實(shí)例環(huán)境和實(shí)例物，將所有被選因素的所有相與被選相(概念相和量化相)組成網(wǎng)絡(luò)結(jié)構(gòu)，即該物可在相同因素的何種程度進(jìn)行選 擇(只針對(duì)概念相選擇)。第3次基于現(xiàn)有工具可測(cè)量的具體量化相，將所有量化相與目標(biāo)函數(shù)形成網(wǎng)絡(luò)。第3次是具體數(shù)據(jù)處理；第2次是因素相選擇；第1次是因素選擇。因此從該角度看，人工智能樣本選擇策略使用的數(shù)據(jù)量應(yīng)該很小；而多數(shù)處理來(lái)源于因素相的比較和因素選擇，基于人的經(jīng)驗(yàn)。這符合莫拉維克悖論，也可簡(jiǎn)化目前基于大數(shù)據(jù)的人工智能方法，為其發(fā)展提供一條選擇因素、因素概念相和量化相的樣本選擇策略道路?？稍跇颖究臻g中不斷選擇適合樣本，最終得到最優(yōu)樣本。

圖 2 人工智能樣本選擇策略層次Fig. 2 Strategy level of artificial intelligence sample selection

圖 3 人工智能樣本選擇策略網(wǎng)絡(luò)模型Fig. 3 Strategy network model of artificial intelligence sample selection

4 選擇對(duì)象過(guò)程

使用上述策略，分析一道智力題，如圖4所示。

圖 4 圖形選擇Fig. 4 Graph selection

第1次因素選擇：f={顏色，形狀，內(nèi)線條數(shù)，內(nèi)線條交叉，內(nèi)線溢出}。第2次因素概念相選擇：f(顏色)={黑}，f(形狀)={正方形，圓形}。第3次因素量化相選擇：f(內(nèi)線條數(shù))={1，2}，f(內(nèi)線條交叉)={0，1}，f(內(nèi)線溢出)={0，2}。那么這5個(gè)圖形的特征如表1所示。

表 1 5個(gè)圖形的特征Table 1 Characteristics of five graphs

Object={a,b,c,d,e}。Object(顏色)={a,b,c,d,e}/f(顏色)={a,b,c,d,e}；Object(顏色,形狀)={a,b,c,d,e}/f(形狀)={a,c}+ {b,d,e}；Object(顏色,形狀,內(nèi)線條數(shù))= ({a,c}+ {b,d,e})/f(內(nèi)線條數(shù))={a,c}++{d,e}；Object(顏色,形狀,內(nèi)線條數(shù), 內(nèi)線條交叉)= ({a,c}+ +{d,e})/f(內(nèi)線條交叉)={a,c}++{d,e}；Object(顏色,形狀,內(nèi)線條數(shù), 內(nèi)線條交叉, 內(nèi)線溢出)= ({a,c}+ +{d,e})/f(內(nèi)線溢出)={a,c}+ +{d,e}。從該過(guò)程來(lái)看，b是區(qū)別于其他圖像的選項(xiàng)，因此最終選擇b圖。同時(shí)也可了解到圖a和c可以歸為一類；d和e可以歸為一類。如果再增加因素內(nèi)線交叉角度，則a和c，d和e可進(jìn)一步區(qū)分。但這時(shí)也進(jìn)一步增大了b與他們的區(qū)別。也有類似的決定度等相關(guān)概念可區(qū)分對(duì)象[17]。

綜上，實(shí)例分析過(guò)程基本是因素及因素相的運(yùn)算，最后才涉及具體的數(shù)據(jù)統(tǒng)計(jì)和測(cè)量。這是人對(duì)樣本的選擇過(guò)程，也是人工智能樣本選擇應(yīng)具備的策略。當(dāng)然例子是簡(jiǎn)單的，大規(guī)模分析需實(shí)現(xiàn)圖3中3次網(wǎng)絡(luò)結(jié)構(gòu)，組成人工智能樣本選擇策略網(wǎng)絡(luò)?；谀壳扒闆r，第1、2次選擇可通過(guò)因素空間理論實(shí)現(xiàn)，第3次可通過(guò)現(xiàn)有神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。因此我們得到實(shí)現(xiàn)人工智能的基礎(chǔ)是學(xué)習(xí)人思維的本質(zhì)。人思維的本質(zhì)是依靠因素進(jìn)行大規(guī)模的樣本篩選從而確定關(guān)注點(diǎn)，再根據(jù)因素的定性相(概念相)選擇喜好樣本，最后才是根據(jù)因素的定量相(量化相)獲得匹配最好的樣本。從該角度分析，目前的人工智能面向大數(shù)據(jù)的驅(qū)動(dòng)可能是背道而馳，大數(shù)據(jù)驅(qū)動(dòng)的人工智能只能顯示表象，冗余和虛假信息對(duì)結(jié)果有很大影響。這部分研究有待進(jìn)一步展開(kāi)。

5 結(jié)論

論文提出了一種人工智能樣本選擇策略。主要結(jié)論如下：

1)利用因素空間思想論述了莫拉維克悖論的合理性。認(rèn)為人對(duì)事物的理解首先是因素層面的理解與運(yùn)算，如果難以確定才會(huì)使用因素相進(jìn)行模糊或精確分析。

2)人的選擇過(guò)程就是比較過(guò)程。人的思維、推理和判斷過(guò)程是選擇比較過(guò)程，樣本數(shù)量是較少的，不需大數(shù)據(jù)支持；通過(guò)選擇適合的因素、因素概念相和因素量化相來(lái)選擇適合樣本。

3)建立了人工智能樣本選擇策略。首先給出了研究對(duì)象中人、機(jī)、環(huán)境及人工智能系統(tǒng)之間的關(guān)系。建立了人工智能樣本選擇策略結(jié)構(gòu)，3次選擇分別對(duì)應(yīng)了因素、因素概念相和因素量化相選擇。給出了3次選擇的特點(diǎn)、基礎(chǔ)和方法。最終建立人工智能樣本選擇策略網(wǎng)絡(luò)模型，模型中3次選擇對(duì)應(yīng)于3種網(wǎng)絡(luò)結(jié)構(gòu)。

4)通過(guò)實(shí)例演示了人工智能樣本選擇策略。過(guò)程中基本是因素及因素相的運(yùn)算，最后才涉及具體的數(shù)據(jù)統(tǒng)計(jì)和測(cè)量。該策略是人對(duì)樣本的選擇過(guò)程，也是人工智能樣本選擇應(yīng)具備的策略。