A brief history of Artificial Intelligence and Cognition

1. 人工智能与认知的简史
郑锟浩

2. 概念的诞生 - 1950年
- 英国科学家阿兰-图灵(Alan Turing)探索了人工智能的数学可能性: 图灵认为，
人类利用现有的信息和理性来解决问题和做出决定，那么为什么机器不能做同
样的事情呢?
- 这就是他在1950年发表的论文《计算机械与智能(Computing Machinery and
Intelligence)》的逻辑框架，他在论文中讨论了如何建造智能机器以及如何测试
它们的智能。

3. 早期的阻碍 - 现实条件因素
- 在1949年之前，计算机缺乏智能的一个关键前提：它们不能存储命令，只能执
行命令。换句话说，计算机可以被告知要做什么，但不能记住它们做了什么。
- 计算是非常昂贵的。在20世纪50年代初，租赁一台计算机的费用每月高达
200,000美元。只有著名的大学和大的技术公司才有能力在这些未知的领域探
索。为了说服提供资金的人，人工智能是值得追求的，需要一个概念证明以及
有影响力的人的宣传。

4. 发展流派
- 符号主义(Symbolicism)，又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派
(Computerism)，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理，主张用
公理和逻辑体系搭建一套人工智能系统。
- 联结主义(Connectionism)，又称为仿生学派(Bionicsism)或生理学派(Physiologism)，其原理主
要为神经网络及神经网络间的连接机制与学习算法。主张模仿人类的神经元，用神经网络的连
接机制实现人工智能。

5. 符号主义 - 机械论
- 早期人工智能研究者认为计算机程序本身就是一符号系统，该符号系统是由可以基于明确规则（即句法）
操作的任意“物理对象的个例”（即物理符号）组成。
- 基于对人脑与计算机的类比，他们便以符号系统来理解认知，并假设认知主体的思考、推理或语言运用
就是进行符号操作。这便是主张“心智是符号系统，认知是符号操作”的心智的符号模型。
- 20世纪70年代形成的认知科学遵循着与心智的符号模型相同的假设。这些观念构成了称为计算主义（又
称认知主义）的基本原则，计算主义主张思维是心智的核心功能，可以通过遵循明确规则所进行的符号
操作来说明思维。由此，计算主义便有三个要素：表征、形式符号系统和基于规则的变换。

6. 流派的此消彼长 - 年代图
图片出处: https://neurovenge.antonomase.fr/img/timeline_highres_en.png

7. 中文房间悖论 - 机器只是看起来有智能吗？
塞尔（John Searle）于1980年提出了“中文房间论证”的思想实验，以证明当时以符号流派为主导
的人工智能：计算机所进行的纯句法符号操作不会产生出含义。该思想实验可表述为：
想象在某封闭房间里有一个人，此人可透过墙上的狭缝获得写有中文字符串的纸片。此人并不懂
中文，因而不能理解纸上的字符是什么含义。不过，借助于能为每个可能的中文输入字符串指定
相应正确回复的规则手册，他可以对递进来的纸片给出一个正确的中文回复，并将其通过狭缝传
递给外界。对于房间外的母语为中文的人而言看起来他们正在和另外一位母语是中文的人通过书
面中文会话。

8. 中文房间悖论 - 机器只是看起来有智能吗？
现在的问题是房间里的人是否理解到了什么？塞尔认为房间里的人什么都没有理解，因为这个人
只是遵循着规则手册中的机械指令，模拟出了一个母语为中文的人的行为。而他按照规则手册进
行的操作，本质上与数字计算机运行的程序操作别无二致：
接收中文符号输入，纯粹根据这些符号的形状来操作它们，最后给出中文符号输出。因为计算机
程序完全是句法的，只是由符号串组成。符号的形状是任意的（与其含义或内容无关），推理的
规则（对符号的组合和重组规则）本身也是任意的符号串。
显然，我们不会在此情形下认为房间里的人理解了中文，因而也不能说计算机能够理解中文，即
数字计算机无法通过基于执行某个适当的程序来理解中文。所以，虽然适当编程的计算机可能会
以自然语言与人进行会话，但是它们并不理解所用符号结构的语义内容。

9. 专家系统 - 90年代的潮流
塞尔（John Searle）提出的中文房间悖论，恰恰是为了抨击90年代一度占据主流位置的专家系
统为首的符号学派的思想，符号学派机械地把事物抽象成数学表达和符号，并尝试在此基础上构
建智能系统。
成功的案例：IBM深蓝，在国际象棋上击败了人类。数学符号推理。
失败的案例：手写数字识别(恰恰是当今主流的神经网络架构的强项)

10. 近50年后，我们在本质上有进步吗？
- 没有。
- 即使是使用联结主义流派的工具(神经网络等)，我们仍然无法回答中文房间悖
论。

11. 近50年后，我们在本质上有进步吗？
- 辩证地来看，2021年最先进的人工智能，有时很像人类，有时又不像人类：、
- 自然语言处理：和微软小冰聊天 √
- 图像识别：2015年超出人类的水平 √
- 游戏：围棋，DOTA2，星际争霸等打败世界冠军 √
- 常识推理能力：我本来有5个苹果，我给我自己1个苹果，我还有多少个苹果？×
- 回答开放性问题：上海市有多少双鞋子？一堂自然辩证法课上老师一共会说出多少
个字？×
- 数学推理能力：解出高中水平的数学题 ×

12. 人工智能与数学推理能力
- 数学推理需要逻辑与对符号的理解和应用：
我们可以结合符号主义(Symbolicism)和联结主义(Connectionism)吗？可以，我们不
能用割裂的眼光去看，这两者并不是非此即彼。
- 例如，把联结主义(Connectionism)的武器(神经网络)应用在符号主义
(Symbolicism)的领地(形式化数学)。

13. 什么是形式化数学？
把数学推理写成计算机代码，并用计算机的证明系统和定理库去严格证明它。
OpenAI的人工智能(GPT-f)证明初中难度的数学不等式 2 * (a * b) <= a^2 + b^2。

14. 质的飞跃
- 割裂：单纯的神经网络和自然语言数学：小学数学 ×
- 结合：神经网络和形式化数学([1][2])：高中数学竞赛
[1] Kunhao Zheng, Jesse Michael Han and Stanislas Polu. MiniF2F: a cross-system benchmark for formal Olympiad-level mathematics. arXiv
preprint arXiv:2109.00110, 2021.
[2] Stanislas Polu and Ilya Sutskever. Generative language modeling for automated theorem proving. arXiv preprint arXiv:2009.03393, 2020.