人工智能的新范式：基于行为的AI研究
李建会
一、经典人工智能研究及其遇到的问题
机器能够思维吗？1950年著名的计算机专家阿兰?图灵在《心灵》（Mind）杂志上发表了一篇划时代的论文：《计算机器和智能》。在这篇论文中，图灵认为，机器能不能思维的问题应当用问机器能否通过他设计的著名的“图灵测试”的问题来代替。如果机器能通过这个测试，就可以说机器具有思维。
图灵在这篇文章中的丰富想象和博学引起了人们对机器智能的极大兴趣。1956年，有十位数学家和逻辑学家在美国新罕布什尔州的达特茅斯学院举办一个夏季学术讨论会。他们的目标是确定智能的特性原则上可以用机器来模拟。与会人员中有约翰?麦卡锡（John McCarthy）、马文?明斯基(Marvin Minsky)、赫伯特?西蒙(Herbert Simon)和艾伦?纽厄尔(Allen Newell)。这四个人后来奠定了人工智能这门交叉学科的基石。
明斯基把人工智能定义为“让机器作本需要人的智能才能够做到的事情的一门科学”。也有人认为人工智能的目标是建造有用的智能系统并通过它们来理解人的智能。计算机诞生初期，主要被用来帮助人们进行数值计算，在这方面，计算机表现出卓越的能力。与此同时，人们也开始尝试用计算机进行下棋、翻译语言和定理证明等智能行为。在这方面，计算机也表现不凡。1976年，美国伊利诺斯大学的阿佩尔在三台计算机上用了1200小时，做出了200亿个逻辑判断，终于证明一百多年人们一直想证明而没能证明的四色定理。这一成果在世界上引起了轰动，它说明，在专门领域内，计算机的运算能力远远超过了人类。在这样的背景下，70年代后人工智能的研究从理论转向应用，出现了专家系统和知识工程两大热点。
70年代专家系统发展起来，在一系列不同的领域出现了许多不同的专家系统，如西蒙的学生爱德华?费根鲍姆与诺贝尔奖金获得者、遗传学家约舒亚?莱德伯格合作研制的可以作质谱分析来确定未知有机化合物结构的ENDRAL系统，斯坦福大学研究的医疗咨询系统MYCIN，匹兹堡大学研制的疾病诊断系统INTERNIST等。它们利用专门的知识库、相互关系和专门范畴的推理规则完成各自的工作。
由于专家系统的知识都是由人事先整理后输入计算机的，所以工作量非常巨大。这样，知识的获取就成为开发专家系统的瓶颈。计算机还远没有如人一样的自我归纳学习的能力，对高层次的智能虽已有近似专家的水平，但模拟低层次的智能，如听觉、视觉信息的识别还不如3岁小孩，对许多下意识的常识推理、不确定的知识和直觉思维无能为力。在这种背景下，知识工程应运而生。知识工程就是在把人类知识整体与计算机结合的基础上，研究知识的结构、分类、预测、存取、获得、传输、转换、管理、利用、增殖、学习和表示等问题。
然而，到了80年代，人工智能及与其相关的机器人制造遇到了前所未有的困难。人们发现，用单纯程序的形式表达人类专家所具备的知识远比想象中的要困难的多。所以，专家系统并没有像人们最初想象的那样成功。当然这并不是说专家系统停止了工作，许多专家系统现在仍然在使用中，但比预期的要少得多。并且这些使用中的专家系统往往都是在一些不太复杂的领域。
与人工智能相关的机器人制造的进展也没有像最初想象的那么迅速。1966年，明斯基和他在MIT的同事们认为，他们能够在一年内搞清楚视觉的工作机制。然而他们并没有成功。由此，明斯基等人认识到问题的复杂性。为了简化这个问题，他们转而试验设计可以用模块搭建房屋或搭建塔楼的机器人。出乎明斯基的预料的是，这个“微模块世界”的研究同样不顺利。机器人的视觉系统在辨别玩具模块时表现不佳；马达控制程序无法精确地放置玩具模块；机器人放置物体时显得非常笨拙。不过，他们的工作并不是一点成绩都没有。他们的工作表明，在简单的世界里，机器人可以翻译它所看到的东西，可以控制模块，甚至回答一些关于这些模块的问题。
MIT的研究者们曾经力图把他们从“模块世界”中获得的东西扩展到现实世界中，然而由于机器人研究总体上进展缓慢，所以研究经费的资助开始减少，结果使该计划没能进行下去。这些人认识到，智能远远不像他们最初想象的那么简单。“与期望的相反，微世界研究方法没有导向对一般智力问题的渐进解决（Crevier 1993: 114）。”