提 要：人工智能（AI）圍棋程序AlphaGo的驚人表現(xiàn)給世人帶來了眾多思考。其中，人工智能研究顯露的重要線索是：應(yīng)當(dāng)改變“分而治之，各個(gè)擊破”的機(jī)械還原論研究范式，實(shí)行“協(xié)調(diào)發(fā)展，優(yōu)化全局”的信息生態(tài)方法論研究范式，才能實(shí)現(xiàn)AI的源頭創(chuàng)新。

關(guān)鍵詞：源頭創(chuàng)新；范式轉(zhuǎn)變；機(jī)械還原；信息生態(tài)；通用人工智能；AlphaGo

1 背 景

人工智能圍棋程序AlphaGo從2016年3月登臺(tái)亮相到2017年5月宣布引退，先后與60多位世界最高水平的人類圍棋高手對(duì)弈，竟然無人能敵，以驚人的成績(jī)通過了圍棋博弈的“圖靈測(cè)試”，顯示了人工智能研究的矚目進(jìn)展與成就，也引起了人們對(duì)于人工智能創(chuàng)新研究的熱烈思考[1]。例如，由于AlphaGo采用了基于深度神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，于是，業(yè)內(nèi)許多人士便紛紛提出要以“深度學(xué)習(xí)”作為未來研究的創(chuàng)新方向；由于深度神經(jīng)網(wǎng)絡(luò)模擬了人類大腦神經(jīng)網(wǎng)絡(luò)的部分結(jié)構(gòu)與算法，于是，又有許多專家提出要把“類腦計(jì)算”作為人工智能研究的主要?jiǎng)?chuàng)新方向；同時(shí)，由于AlphaGo的深度學(xué)習(xí)利用了大數(shù)據(jù)作為學(xué)習(xí)的樣本，于是，很多人認(rèn)為應(yīng)當(dāng)把“大數(shù)據(jù)”作為人工智能研究的創(chuàng)新方向；由于國內(nèi)外在無人駕駛方面都取得了令人鼓舞的階段性成果，于是，研究者們認(rèn)為“無人駕駛”應(yīng)當(dāng)是人工智能研究的創(chuàng)新方向；此外，有更多的研究者相信，人工智能的創(chuàng)新關(guān)鍵在于研究出相應(yīng)的創(chuàng)新“算法”來解決“群體智能系統(tǒng)”和“人機(jī)合作智能系統(tǒng)”等?？傊?，圍棋人機(jī)大戰(zhàn)引起學(xué)術(shù)界的創(chuàng)新思維空前活躍，氛圍空前積極，令人分外欣喜。

筆者認(rèn)為，人類大腦是高度復(fù)雜的研究對(duì)象，素有“小宇宙”之稱，因此，以人類大腦能力為目標(biāo)的人工智能科技創(chuàng)新點(diǎn)必定多種多樣。換言之，上述關(guān)于人工智能研究創(chuàng)新方向的各種觀點(diǎn)和分析都有一定的依據(jù)，都值得嘗試和探索，而且，這些探索所取得的成果都會(huì)具有各自的意義和價(jià)值。

不過，如果從當(dāng)前世界人工智能發(fā)展的整體情況來分析，人工智能科學(xué)研究最為迫切的創(chuàng)新需求是轉(zhuǎn)變現(xiàn)有的研究范式，實(shí)行“以先進(jìn)的科學(xué)研究方法論和能夠駕馭全局的研究方法為引領(lǐng)的源頭創(chuàng)新研究范式”[2-3]。何以如此？

當(dāng)今人工智能研究存在的根本問題是：傳統(tǒng)科學(xué)研究方法論造成了人工智能研究的高度“碎片化”，雖然在一些局部領(lǐng)域呈現(xiàn)了耀眼的亮點(diǎn)，在整體上卻依舊迷茫！因此，人工智能的科學(xué)方法論急需提升，科學(xué)研究的基本方法需要深化，只有這樣，才能在人工智能研究的源頭上實(shí)現(xiàn)意義重大的突破與創(chuàng)新。這就是實(shí)行“以先進(jìn)的科學(xué)研究方法論和能夠駕馭全局的研究方法為引領(lǐng)的源頭創(chuàng)新研究范式”的意義。

2 人工智能研究狀況簡(jiǎn)析

行為總是以思想為先導(dǎo)。分析人工智能的狀況，應(yīng)當(dāng)從分析它的科學(xué)思想開始。

18世紀(jì)以來，學(xué)界逐漸形成了應(yīng)對(duì)復(fù)雜問題的一套方法：分而治之，各個(gè)擊破。這就是著名的“機(jī)械還原”方法論。一般，系統(tǒng)可以分解為“結(jié)構(gòu)、功能、行為”3個(gè)基本的維度。本著這種理念，人工智能系統(tǒng)的研究也分解為3個(gè)基本方向：1943年問世的基于結(jié)構(gòu)模擬的人工神經(jīng)網(wǎng)絡(luò)方向；1956年啟動(dòng)的基于功能模擬的專家系統(tǒng)方向，以及1990年登上舞臺(tái)的基于行為模擬的感知?jiǎng)幼飨到y(tǒng)方向。

2.1 結(jié)構(gòu)模擬的人工智能研究[4-9]

雖然“人工智能”這一術(shù)語是1956年Dartmouth研討會(huì)上提出的，但是，人工智能科學(xué)研究的第一座里程碑標(biāo)志卻是1943年McCulloch和Pitts聯(lián)合發(fā)表的“人工神經(jīng)元數(shù)理邏輯模型”。正是它，開創(chuàng)了“結(jié)構(gòu)主義人工智能”—— 人工神經(jīng)網(wǎng)絡(luò)的研究方向和進(jìn)路，即通過模擬人類大腦皮層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其學(xué)習(xí)算法來實(shí)現(xiàn)人工智能。它的示意性原理如圖1所示。

圖1中的人工神經(jīng)網(wǎng)絡(luò)的“硬件系統(tǒng)”就是由大量人工神經(jīng)元及其互相之間錯(cuò)綜復(fù)雜連接構(gòu)成的網(wǎng)絡(luò)系統(tǒng)，它的“軟件系統(tǒng)”是調(diào)度這些人工神經(jīng)元工作的學(xué)習(xí)算法，通過對(duì)訓(xùn)練樣本的學(xué)習(xí)獲得解決問題的經(jīng)驗(yàn)性知識(shí)。

人工神經(jīng)網(wǎng)絡(luò)的研究取得了不少進(jìn)展和成果，時(shí)下最受關(guān)注的“深度學(xué)習(xí)”是其中最杰出的代表。同樣值得提到的是，歐盟一直在大力支持和推動(dòng)的“藍(lán)腦計(jì)劃”——要在實(shí)驗(yàn)室研制一種與人類大腦皮層具有同樣復(fù)雜度的人工大腦，希望能夠表現(xiàn)出可以比擬人類大腦的智能水平。

理論上，通過對(duì)人類大腦皮層神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模擬來實(shí)現(xiàn)人工智能雖然十分復(fù)雜，但卻是一條充滿成功前景的進(jìn)路，因?yàn)?，人類自身的高?jí)認(rèn)知功能就是定位于大腦皮層的神經(jīng)網(wǎng)絡(luò)。

不過，結(jié)構(gòu)主義人工智能的最大懸疑是：人們對(duì)于人類大腦皮層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法（這是控制大腦神經(jīng)網(wǎng)絡(luò)工作的一只“看不見的手”）的了解還相當(dāng)有限。因此，即使把大腦皮層神經(jīng)網(wǎng)絡(luò)這個(gè)硬件系統(tǒng)全部模擬出來了，如果不能充分理解和把握那只“看不見的手”，也還是不可能到達(dá)模擬的“彼岸”。

2.2 功能模擬的人工智能研究[10-19]

到1956年，人工神經(jīng)網(wǎng)絡(luò)研究取得了緩慢的進(jìn)展，而問世10年以來的電子計(jì)算機(jī)卻顯示了強(qiáng)大的計(jì)算和模擬能力。于是，當(dāng)年聚集于Dartmouth研討會(huì)的學(xué)者們很自然想到“利用計(jì)算機(jī)作為硬件平臺(tái)，通過編制聰明軟件來模擬人類智力功能（當(dāng)時(shí)主要關(guān)注的是人類的邏輯思維功能）”。這便成為“功能主義人工智能”的基本信念。

功能主義人工智能研究最初雄心勃勃，宣稱它可以解決“通用問題”。后來發(fā)現(xiàn)求解通用問題的難度超乎想象，于是退而轉(zhuǎn)向求解專門問題的“專家系統(tǒng)”。圖2示出了專家系統(tǒng)的功能示意模型。

模型顯示，專家系統(tǒng)把專家知識(shí)經(jīng)過適當(dāng)表示存入知識(shí)庫，通過推理系統(tǒng)為用戶生成解決問題的策略。所以，專家系統(tǒng)的核心是專門領(lǐng)域?qū)＜业闹R(shí)（通常表現(xiàn)為規(guī)范性知識(shí)），同時(shí)需要通過推理來活用專家提供的規(guī)范型知識(shí)。

功能主義人工智能已經(jīng)發(fā)展了一些能夠通過圖靈測(cè)試的專家系統(tǒng)。戰(zhàn)勝國際象棋世界冠軍的Deeper Blue、戰(zhàn)勝問題搶答全美冠軍的Watson和戰(zhàn)勝60多位圍棋世界高手的AlphaGo是其中的佼佼者。endprint

功能主義人工智能的最大問題是，認(rèn)為計(jì)算機(jī)與人腦功能等效的“物理符號(hào)假設(shè)”存在巨大漏洞：計(jì)算機(jī)不具備情感功能和意識(shí)功能！計(jì)算機(jī)與人腦兩者在功能上不等效，導(dǎo)致功能主義人工智能研究存在情感與意識(shí)盲區(qū)。

2.3 行為模擬的人工智能研究[20-22]

20世紀(jì)的80年代，人工神經(jīng)網(wǎng)絡(luò)的研究面臨著“結(jié)構(gòu)復(fù)雜性”和“網(wǎng)絡(luò)學(xué)習(xí)算法神秘性”的麻煩，專家系統(tǒng)的研究則遭遇“知識(shí)瓶頸”和“情感與意識(shí)漏洞”。為了回避這些困難，人們提出了行為主義人工智能研究的思路。行為主義人工智能只需要關(guān)注模擬智能系統(tǒng)的外部行為，即：當(dāng)系統(tǒng)受到某種外來刺激的時(shí)候能夠產(chǎn)生恰當(dāng)?shù)膭?dòng)作。這就是“感知-動(dòng)作系統(tǒng)”。它的示意性原理模型如圖3所示。

如圖3的模型所示，當(dāng)系統(tǒng)的輸入端受到某種模式作用的時(shí)候，只要模式識(shí)別系統(tǒng)能夠識(shí)別出輸入模式的具體類型（模式分類），系統(tǒng)就根據(jù)事先確定的規(guī)則自動(dòng)啟動(dòng)相應(yīng)的動(dòng)作響應(yīng)。聯(lián)系“模式”與“動(dòng)作”的是事先存入的常識(shí)性知識(shí)。

行為主義人工智能的研究也取得了不少成果，現(xiàn)今的許多機(jī)器人就屬于這種感知?jiǎng)幼飨到y(tǒng)。它的優(yōu)點(diǎn)是相對(duì)而言比較容易實(shí)現(xiàn)，相應(yīng)的缺點(diǎn)是只能實(shí)現(xiàn)相對(duì)簡(jiǎn)單的淺層智能；而為了實(shí)現(xiàn)深層的智能，還是難以擺脫結(jié)構(gòu)主義人工智能或功能主義人工智能的道路。

2.4 三大方向的問題癥結(jié)

以上所述的結(jié)構(gòu)主義、功能主義、行為主義三種研究路徑，代表了當(dāng)今人工智能研究的基本情形。除了在前文分別指出的那些成就與問題之外，三大研究路徑共同面臨的問題是：雖然三種研究方法都是以“人工智能”為自己的研究目標(biāo)，但是它們按照“分而治之，各個(gè)擊破”的機(jī)械還原方法論分解出來之后便各自發(fā)展，各持所強(qiáng)，互相排斥，互不合作，未形成合力[20-26]。

所以，當(dāng)今人工智能研究的總體狀況是：個(gè)別很精彩，整體很迷茫。問題的實(shí)質(zhì)是：機(jī)械還原方法論的研究范式掩蓋了系統(tǒng)在結(jié)構(gòu)、功能、行為之間內(nèi)在的深層本質(zhì)聯(lián)系，迷失了人工智能研究的整體精髓。

這正是當(dāng)今人工智能研究需要突破的最大瓶頸，也是當(dāng)今人工智能源頭創(chuàng)新需要解決的關(guān)鍵問題。換言之，從整體上看，當(dāng)今人工智能研究的重點(diǎn)，不在于如何選擇具體的技術(shù)項(xiàng)目，而是首先要在科學(xué)方法論和研究方法的范式上實(shí)現(xiàn)重大的突破！

3 信息生態(tài)方法論

人工智能研究面臨“方法論的突破”，這并非人工智能研究所特有的問題，而是整個(gè)信息科學(xué)面臨的基本問題。人工智能的研究是信息科學(xué)的核心、前沿和制高點(diǎn)，因此方法論和研究范式的轉(zhuǎn)變問題在這里表現(xiàn)得特別突出[3]。

當(dāng)今的時(shí)代是信息時(shí)代，這是由工業(yè)時(shí)代發(fā)展而來的一個(gè)嶄新時(shí)代。工業(yè)時(shí)代的標(biāo)志性學(xué)科是基于物質(zhì)和能量概念的經(jīng)典物質(zhì)科學(xué)，信息時(shí)代的標(biāo)志性學(xué)科是基于信息和智能概念的現(xiàn)代信息科學(xué)。

經(jīng)典物質(zhì)科學(xué)和現(xiàn)代信息科學(xué)的科學(xué)觀念和方法論之間，既存在天然的聯(lián)系，又存在原則的區(qū)別。這是基本的事實(shí)。如果忽略了這些聯(lián)系與區(qū)別，信息科學(xué)和人工智能的研究工作就必然會(huì)遇障礙，走彎路，甚至走錯(cuò)路。

麻煩在于，包括筆者在內(nèi)的國內(nèi)外廣大人工智能研究人員，幾乎都是在經(jīng)典的科學(xué)觀和方法論的沐浴下成長起來的，因此，自然而然地習(xí)慣于運(yùn)用自己所熟悉的經(jīng)典物質(zhì)科學(xué)觀念和方法論去研究和處理現(xiàn)代信息科學(xué)特別是人工智能研究的問題。實(shí)際情況表明，當(dāng)今人工智能研究面臨的基本問題，正是忽略了經(jīng)典物質(zhì)科學(xué)與現(xiàn)代信息科學(xué)之間的這些聯(lián)系與區(qū)別。表1顯示了這些聯(lián)系與區(qū)別。

表1 經(jīng)典物質(zhì)科學(xué)與現(xiàn)代信息科學(xué)的比較比較項(xiàng) 經(jīng)典物質(zhì)科學(xué) 現(xiàn)代信息科學(xué)

基本的科學(xué)觀 機(jī)械唯物論 辯證唯物論

觀念1 相對(duì)孤立的客體 互相聯(lián)系的客體

觀念2 相對(duì)靜止的客體 不斷發(fā)展的客體

觀念3 客體與主體隔離 客體與主體互動(dòng)

相應(yīng)的方法論 機(jī)械還原方法論 信息生態(tài)方法論

由表1可見，現(xiàn)代信息科學(xué)（包括人工智能）的研究需要運(yùn)用辯證唯物的科學(xué)觀和與此相應(yīng)的信息生態(tài)方法論，這是一種全新的研究范式。

信息生態(tài)方法論的精髓是：與“分而治之”的機(jī)械還原方法論相反，信息生態(tài)方法論高度關(guān)注系統(tǒng)各要素之間的相互關(guān)聯(lián)（而不是相互孤立）以及系統(tǒng)與其環(huán)境之間的相互關(guān)聯(lián)（而不是相互孤立），以此來保障系統(tǒng)的良性生態(tài)發(fā)展。

具體來說，信息生態(tài)方法論強(qiáng)調(diào)，在主體與客體相互作用的框架下，信息不是一種固定不變的對(duì)象，而是在主體不斷加工處理之下表現(xiàn)為一個(gè)生態(tài)鏈的過程（簡(jiǎn)稱為生態(tài)過程）：客體信息→感知信息→知識(shí)→智能策略→智能行為，如圖4所示[2]。

圖4的信息生態(tài)過程模型中，符號(hào)K、G、Y、N分別表示知識(shí)、目的、有效、無效。模型清晰地揭示了：在主客相互作用的過程中，信息是如何生成智能（體現(xiàn)為智能策略和智能行為）的，同時(shí)也表明了高等的智能乃是意識(shí)、情感和理智的三位一體。

信息、知識(shí)與智能的關(guān)系，意識(shí)、情感與理智的關(guān)系，這些都與傳統(tǒng)人工智能的認(rèn)識(shí)大相徑庭！

科學(xué)觀和方法論的轉(zhuǎn)變，引出了關(guān)于信息和智能的全新認(rèn)識(shí)，也引出了一種全新的研究范式：以信息科學(xué)觀和信息生態(tài)方法論為引領(lǐng)的全新范式。

4 機(jī)制主義研究方法與AlphaGo

信息科學(xué)觀和信息生態(tài)方法論對(duì)信息、知識(shí)和智能做出了全新的認(rèn)知，這是引導(dǎo)信息科學(xué)和人工智能研究走上正確道路的重要基礎(chǔ)。進(jìn)一步的問題是要有與此相適應(yīng)的具體研究方法（approach）來實(shí)施。這就是本節(jié)要研究的問題。

不難理解，無論對(duì)于任何系統(tǒng)，它的結(jié)構(gòu)、功能和行為雖然都很重要，但都不是決定性的要素。只有“工作機(jī)制”才是駕馭和主宰系統(tǒng)全局的統(tǒng)帥，系統(tǒng)的結(jié)構(gòu)和功能都是為實(shí)現(xiàn)系統(tǒng)的機(jī)制服務(wù)的；行為則只是機(jī)制實(shí)現(xiàn)的外部表現(xiàn)[3]。

那么，什么是人工智能的“工作機(jī)制”呢？endprint

如上所言，人工智能系統(tǒng)的工作機(jī)制，不是圖4中的那些物質(zhì)模塊的簡(jiǎn)單堆積，也不是那些物理功能的直接累加，而是那只抽象的、無處不在而又駕馭著系統(tǒng)全局且控制著整個(gè)生態(tài)過程的“看不見的手”：

“客體信息→感知信息→知識(shí)→智能策略→智能行為”轉(zhuǎn)換 （1）

或者更簡(jiǎn)潔地表示為

“信息→知識(shí)→智能”轉(zhuǎn)換 （2）

這些轉(zhuǎn)換能夠通過數(shù)學(xué)方法和邏輯算法進(jìn)行描述，通過技術(shù)工具加以實(shí)現(xiàn)。因此，人工智能系統(tǒng)是一個(gè)可認(rèn)識(shí)、可描述、可理解、可把握、可實(shí)現(xiàn)的技術(shù)系統(tǒng)。

就像“結(jié)構(gòu)模擬的人工智能研究方法”“功能模擬的人工智能研究方法”和“行為模擬的人工智能研究方法”那樣，可以把按照式（1）或式（2）的工作機(jī)制實(shí)現(xiàn)的人工智能系統(tǒng)方法稱為“機(jī)制模擬的人工智能研究方法”，或者稍微普遍化一些稱為“機(jī)制主義人工智能研究方法”[2-3， 27-29]。

頗為發(fā)人深省的是，上述4種人工智能研究方法之間存在如表2所示的關(guān)系。

根據(jù)“知識(shí)的生態(tài)學(xué)原理”，經(jīng)驗(yàn)型知識(shí)可以生長成為規(guī)范型知識(shí)，它們兩者又可以生長成為常識(shí)型知識(shí)，因此，機(jī)制主義方法的A型、B型、C型之間是“相生（而不是相克）”的關(guān)系。這個(gè)情形還可以通過圖5更加直觀地表現(xiàn)出來[27]。

圖5顯示了人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、感知-動(dòng)作系統(tǒng)之間的相生關(guān)系，而它們相生的結(jié)果便融入了機(jī)制主義人工智能系統(tǒng)的框架。這就表明，數(shù)十年來，機(jī)械還原方法論給人工神經(jīng)網(wǎng)絡(luò)（結(jié)構(gòu)主義方法）、專家系統(tǒng)（功能主義方法）和感知?jiǎng)幼飨到y(tǒng)（行為主義方法）蒙上的相克關(guān)系是被扭曲和強(qiáng)加的；只有信息生態(tài)方法論才恢復(fù)了它們本來應(yīng)有的相生的關(guān)系。

總之，表2和圖5的結(jié)果都表明，人工神經(jīng)網(wǎng)絡(luò)（結(jié)構(gòu)主義）、專家系統(tǒng)（功能主義）和感知?jiǎng)幼飨到y(tǒng)（行為主義）本來就應(yīng)當(dāng)和諧相生，并且融為機(jī)制主義的人工智能，從而達(dá)到最優(yōu)的水平。

與歷來的機(jī)器博弈專家系統(tǒng)不同，AlphaGo不再僅僅恪守“功能主義人工智能”的固定條框，而是一方面按照功能主義人工智能的“搜索策略”來生成各種可供選擇的博弈策略，另一方面卻采用結(jié)構(gòu)主義人工智能（深度神經(jīng)網(wǎng)絡(luò)）來學(xué)習(xí)各種博弈策略所具有的經(jīng)驗(yàn)優(yōu)度，并根據(jù)得到的結(jié)果來決定實(shí)際執(zhí)行的策略，從而實(shí)現(xiàn)了功能主義人工智能與結(jié)構(gòu)主義人工智能兩者的相生互動(dòng)，因而表現(xiàn)了更加高超的智能水平。

AlphaGo所實(shí)現(xiàn)的，雖然不是完整的“機(jī)制主義人工智能”，只是其中人工神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)兩者的融合而不是三者，但這已經(jīng)證明：能夠?qū)崿F(xiàn)結(jié)構(gòu)主義、功能主義、行為主義三者和諧相生的機(jī)制主義方法，才是目前所知曉的最為優(yōu)秀的人工智能研究方法。

這就是說，AlphaGo在圍棋人機(jī)大戰(zhàn)中所取得的勝利，顯露（也證實(shí)）了人工智能研究源頭創(chuàng)新的奧秘：改變?cè)袡C(jī)械還原方法論的研究范式，實(shí)行信息生態(tài)方法論和機(jī)制主義方法的新范式，才能實(shí)現(xiàn)人工智能研究的源頭突破與創(chuàng)新。

不僅如此，可以證明，機(jī)制主義人工智能研究方法不但可以實(shí)現(xiàn)結(jié)構(gòu)主義人工智能研究方法、功能主義人工智能研究方法、行為主義人工智能研究方法的和諧融合，而且可以實(shí)現(xiàn)基礎(chǔ)意識(shí)、情感、理智的和諧融合。這就是人們追求的通用人工智能理論和方法。它的學(xué)術(shù)本質(zhì)就是機(jī)制主義的人工智能。對(duì)此有專門興趣的讀者，可以參閱文獻(xiàn)[2，29-30]，它的邏輯、系統(tǒng)和數(shù)學(xué)基礎(chǔ)可參閱文獻(xiàn)[31-33]。

5 結(jié) 語

激動(dòng)人心的圍棋人機(jī)大戰(zhàn)在學(xué)術(shù)界和輿論界激起了軒然大波，與此相關(guān)的論文和報(bào)導(dǎo)不計(jì)其數(shù)。

對(duì)于人工智能科技工作者來說，AlphaGo透露了人工智能實(shí)現(xiàn)源頭創(chuàng)新的重要線索：以“機(jī)械還原方法論”和“局部（結(jié)構(gòu)、功能、行為）模擬方法”為標(biāo)志的傳統(tǒng)研究范式轉(zhuǎn)變?yōu)橐浴靶畔⑸鷳B(tài)方法論”和“全局（機(jī)制）模擬方法”為標(biāo)志的現(xiàn)代研究范式。

這方面的論文尚未見到。本文對(duì)這種轉(zhuǎn)變作出了詳細(xì)（篇幅所限，遠(yuǎn)非詳盡）的分析和闡述，希望引起關(guān)注和討論。

參考文獻(xiàn)：

[1] 鐘義信. 人工智能：熱鬧背后的門道[J]. 科技導(dǎo)報(bào)， 2016， 34（7）： 14-19.

[2] 鐘義信. 高等人工智能原理： 觀念·方法·模型·理論[M]. 北京： 科學(xué)出版社， 2014.

[3] 鐘義信. 信息科學(xué)技術(shù)導(dǎo)論[M]. 3版. 北京： 北京郵電大學(xué)出版社， 2015.

[4] McCulloch W C， Pitts W. A logic calculus of the ideas immanent in nervous activity [J]. Bulletin of Mathematical Biophysics， 1943（5）： 115-133.

[5] Rosenblatt F. The perceptron： A probabilistic model for information storage and organization in the brain [J]. Psych. Rev.， 1958， 65. 386-408.

[6] Hopfield J J. Neural networks and physical systems with emergent collective computational abilities [J]. Proc. Natl. Acad. Sci. 1982， 79： 2554-2558.

[7] Kohonen T. The self-organizing map [J]. Proc. IEEE， 1990， 78（9）： 1464-1480.

[8] Kosko B. Adaptive bidirectional associative memories， applied optics [J]. 1987， 26（23）： 4947-4960.endprint

[9] Rumelhart D E. Parallel Distributed Processing[M]. Cambridge： MIT Press， 1986.

[10] McCarthy J. Proposal for the Dartmouth summer research project on artificial intelligence[R]. Dartmouth College， 1955.

[11] Simon H A. The Sciences of Artificial [M]. Cambridge： The MIT Press， 1969.

[12] Newell A. Physical symbol systems[J]. Cognitive Science， 1980（ 4）： 135-183.

[13] Turing A M. Can machine think？ [C]//Feigenbaum E A， Feldman J. Computers and Thought. New York： McGraw-Hill， 1963.

[14] Newell A， Simon H A. GPS， a program that simulates human thought [C]//Feigenbaum E A， Feldman J. Computers and Thought. New York：McGraw-Hill， 1963： 279-293.

[15] Feigenbaum E A. The art of artificial intelligence： Themes and case studies in knowledge engineering[C]. IJCAI 5， 1977： 1014-1029.

[16] Feigenbaum E A， Feldman J. Computers and Thought [M]. New York ：McGraw-Hill， 1963.

[17] Newell A， Simon H A. Human Problem Solving [M]. Englewood Cliffs： Prentice-Hall， 1972.

[18] Nilsson N. Principles of Artificial Intelligence[M]. Berlin： Springer-Verlag， 1982.

[19] Minsky M L. The society of mind[M]. New York： Simon and Schuster， 1986.

[20] Brooks R A. Intelligence without Representation[J]. Artificial Intelligence， 1991（47）： 139-159.

[21] Brooks R A.Elephant cannot play chess[J]. Autonomous Robert， 1990（6）： 3015.

[22] Brooks R A. Engineering approach to building complete， intelligent beings [C]. Proceedings of the SPIE， 1989（1002）： 618-625.

[23] Minsky M， Papert S. Perceptron[M]. Cambridge： MIT Press， 1969.

[24] Papert S. One AI or many？[J]. CJJ. Daedalus， 1988， 117（1）： 1-14.

[25] Russell S J， Norvig P. Artificial Intelligence： A Modern Approach [M]. New York： Pearson Education， Inc.， 1995.

[26] Nilsson N J. Artificial Intelligence： A New Synthesis [M]. New York：Morgan Kaufmann Publishers， 1998.

[27] 鐘義信. 機(jī)器知行學(xué)原理： 信息、知識(shí)、智能的轉(zhuǎn)換與統(tǒng)一理論[M]. 北京： 科學(xué)出版社， 2007.

[28] 鐘義信. 信息轉(zhuǎn)換原理： 信息、知識(shí)、智能的一體化理論[J]. 科學(xué)通報(bào)， 2013， 58（14）： 1300-1306.

[29] Zhong Y X. Information conversion with intelligence creation： The law that governs the information discipline[J]. International Journal of Cognitive Informatics and Natural Intelligence， 2015， 9（3）： 25-41.

[30] 鐘義信. 人工智能： 概念， 方法， 機(jī)遇[J]. 科學(xué)通報(bào)， 2017，62（22）： 3473-2479.

[31] 何華燦. 泛邏輯學(xué)原理[M]. 北京： 科學(xué)出版社， 2001.

[32] 涂序彥. 協(xié)調(diào)學(xué)[M]. 北京： 科學(xué)出版社， 2012.

[33] 汪培莊. 因素空間方法與知識(shí)表示[J]. 模糊集合系統(tǒng)， 1990（36）： 113-124.

（編輯：彭遠(yuǎn)紅）endprint