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 葫蘆島 125105; 2.遼寧工程技術(shù)大學(xué) 工商管理學(xué)院，遼寧葫蘆島 125105）

人工智能理論和技術(shù)不但是一個(gè)縱向科學(xué)門類也是各領(lǐng)域都在積極研究的橫向科學(xué)。之所以稱為人工智能，是通過(guò)計(jì)算機(jī)的硬件和軟件系統(tǒng)來(lái)模仿人的思維結(jié)構(gòu)、能力和行為的綜合性系統(tǒng)工程。人工智能的目標(biāo)是具有自主性的智能分析，但無(wú)論是計(jì)算機(jī)的硬件還是軟件系統(tǒng)都是人設(shè)計(jì)和制造的，那么人工智能必然受到人意識(shí)的局限性，但擺脫人的經(jīng)驗(yàn)知識(shí)人工智能系統(tǒng)本身將難以實(shí)現(xiàn)自主智能。那么上述過(guò)程中人工智能系統(tǒng)如何實(shí)現(xiàn)智能是關(guān)鍵問(wèn)題，而人的智能形成過(guò)程具有借鑒意義。智能在于思維、推理和決策等能力，而這些能力的根源是知識(shí)，這些知識(shí)存在于基本概念和這些概念的相關(guān)性之中，因此人工智能系統(tǒng)實(shí)現(xiàn)智能的前提是系統(tǒng)具有自主形成概念的能力。

關(guān)于人工智能系統(tǒng)的概念形成問(wèn)題已有一些研究，包括江怡[1]對(duì)人工智能與自我意識(shí)區(qū)別的概念進(jìn)行了研究；顏佳華等[2]對(duì)智能治理與智慧治理概念及其關(guān)系性進(jìn)行了辨析；李國(guó)山[3]研究了人工智能與人類智能概念的關(guān)系；鐘義信[4]研究了人工智能的概念、方法和機(jī)遇；許立波等[5]對(duì)知識(shí)智能涌現(xiàn)創(chuàng)新的概念、體系與路徑進(jìn)行了研究；郭倫眾等[6]提出了一種基于最大滿矩陣生成概念格的算法；侯小豐[7]對(duì)于形而上學(xué)的概念生成方式進(jìn)行了研究；李進(jìn)金等[8]研究了形式背景與協(xié)調(diào)決策形式背景的屬性約簡(jiǎn)與概念格生成方法；田杰[9]研究了基于信息-知識(shí)-智能轉(zhuǎn)化律的情報(bào)概念；王旭陽(yáng)等[10]基于概念關(guān)聯(lián)度對(duì)智能檢索進(jìn)行了研究；張家精等[11]使用云模型對(duì)隸屬概念判定中閾值進(jìn)行了確定；孫福振等[12]對(duì)概念語(yǔ)義生成與文本特征選擇進(jìn)行了研究；劉海生等[13]基于可拓智能體進(jìn)行了概念設(shè)計(jì)。同樣作者也進(jìn)行了一些相關(guān)研究，包括系統(tǒng)故障因果關(guān)系分析的智能驅(qū)動(dòng)方式[14]、系統(tǒng)可靠-失效模型的哲學(xué)意義與智能實(shí)現(xiàn)[15]、文本因果關(guān)系提取[16]、人工智能系統(tǒng)故障分析原理[17]、人工智能樣本選擇策略[18]、空間故障網(wǎng)絡(luò)的柔性邏輯描述[19]、安全科學(xué)中的故障信息轉(zhuǎn)換定律[20]、空間故障樹(shù)與因素空間融合的智能可靠性分析[21]等。目前多數(shù)研究是圍繞大數(shù)據(jù)的智能分析方法展開(kāi)的，從數(shù)據(jù)中了解因果關(guān)系及區(qū)分因素，雖然取得了良好效果，也得到了人本身難以理解但現(xiàn)實(shí)存在的概念和關(guān)系，卻造成了概念和因素關(guān)系的不可解釋性。實(shí)際上大數(shù)據(jù)分析提供了研究對(duì)象的因素特征，這在人工智能的概念形成過(guò)程中起到了因素智能識(shí)別的作用。但對(duì)于概念形成過(guò)程的其他方面而言大數(shù)據(jù)技術(shù)貢獻(xiàn)較少，特別是在知識(shí)庫(kù)尚未形成時(shí)，即對(duì)象、描述性定義和功能性定義未形成對(duì)應(yīng)關(guān)系時(shí)人工智能系統(tǒng)本身不具備形成概念的能力，更不具備自主建立知識(shí)庫(kù)的能力。

針對(duì)上述問(wèn)題，本文研究了人的概念形成過(guò)程，并與人工智能系統(tǒng)的概念形成過(guò)程進(jìn)行對(duì)比。認(rèn)為人工智能系統(tǒng)與人的概念形成過(guò)程的優(yōu)勢(shì)和劣勢(shì)形成互補(bǔ)，人工智能系統(tǒng)的概念形成特點(diǎn)在于超強(qiáng)的感知和存儲(chǔ)計(jì)算能力，但缺乏不完備信息條件下的概念形成能力；人的概念形成特點(diǎn)在于有限的感知能力，及較強(qiáng)的不完備信息條件下的抽象和思維能力。因此本文參考人的概念形成過(guò)程，研究了人工智能系統(tǒng)的概念形成過(guò)程中需要面對(duì)的問(wèn)題和解決方法。

1 人的概念形成過(guò)程

人對(duì)于存在事物的理解是從人的感官開(kāi)始的，終于人對(duì)事物具體功能的認(rèn)知。將事物本身稱之為對(duì)象，對(duì)象的客觀存在狀態(tài)和作用對(duì)于人對(duì)對(duì)象的理解和概念形成并不起絕對(duì)作用，而只有落在人能感知和理解范圍內(nèi)的因素和功能才是形成人對(duì)對(duì)象的概念的關(guān)鍵，這是一個(gè)復(fù)雜的過(guò)程。如圖1所示。

圖1中所有過(guò)程的存在源于對(duì)象的存在，即客觀存在的事物，該對(duì)象與人能感知并理解的對(duì)象并不相同，人能感知和理解的對(duì)象是客觀對(duì)象的一部分。由客觀對(duì)象出發(fā)，人可從兩方面對(duì)對(duì)象進(jìn)行感知和理解，一條途徑是對(duì)象的表象，另一條途徑是對(duì)象的功能。

圖1 人的概念形成過(guò)程Fig.1 Concept formation process of human

對(duì)象的表象是對(duì)象存在的表現(xiàn)形式，例如蘋果存在的表象是以各種數(shù)據(jù)信息形式展現(xiàn)的，包括顏色、重量、形狀等。在不借助其他設(shè)備情況下，這些表象都是通過(guò)人的直觀原生能力感知的，這種感知受限于人的先天條件。而這些人的原生感知能力只能接收可以感知范圍的信息，這導(dǎo)致了人對(duì)對(duì)象的感知能力被嚴(yán)重限制了，這將影響所得對(duì)象內(nèi)涵和外延的全面性，進(jìn)而降低人對(duì)對(duì)象的理解程度得到具有片面性的概念甚至錯(cuò)誤，最終建立不完備的知識(shí)體系導(dǎo)致人的認(rèn)識(shí)和思維錯(cuò)誤。所以人形成概念的第一障礙來(lái)源于人的原生感知能力受限。

盡管人具有多種原生感知能力，但在了解對(duì)象信息時(shí)都可分為兩部分區(qū)別對(duì)待，一是對(duì)象，二是背景。對(duì)象是人關(guān)注的事物，是認(rèn)知的核心；背景是包含對(duì)象的環(huán)境中除對(duì)象之外的信息。無(wú)論是對(duì)象還是背景都可從人的原生感知能力中獲得各種信息，而這些信息的分類歸納基準(zhǔn)就是因素。因素是信息的標(biāo)定，失去因素的標(biāo)定信息沒(méi)有存在意義。例如視覺(jué)感受的蘋果，對(duì)象是蘋果，背景可能是樹(shù)，那么對(duì)象因素包括蘋果的顏色、大小、形狀、重量等；背景因素包括樹(shù)的顏色、形狀等。對(duì)象因素的數(shù)量和背景因素的數(shù)量取決于人的感知能力。對(duì)象因素是形成概念的主體，也是人區(qū)分不同對(duì)象的基礎(chǔ)；而當(dāng)對(duì)象因素不足以區(qū)分對(duì)象時(shí)，背景因素則可進(jìn)行補(bǔ)充判斷。例如紅色、巴掌大小、圓形如果在樹(shù)上可能感知為蘋果，如果在海里可能感知為水母，如果不能判斷則是缺乏必要的因素支持。所以人形成概念的第二個(gè)障礙來(lái)源于人對(duì)對(duì)象因素和背景因素的缺乏，它們主要從人的原生感知和后天學(xué)習(xí)中獲得。

背景因素與對(duì)象因素的形成機(jī)理相同，以對(duì)象因素為例說(shuō)明因素特征。例如蘋果的顏色是對(duì)象因素，那么這個(gè)因素的特征包括亮度特征、色調(diào)特征和飽和度特征。這些特征在人的認(rèn)識(shí)中都具有感知范圍，人的亮度感知范圍與人眼焦距和瞳孔尺寸有關(guān)，色調(diào)與光的波長(zhǎng)有關(guān)從紅色到紫色等，雖然在具體應(yīng)用過(guò)程中定義不同，但都是具有一定范圍的。另外也有一些因素特征是離散值，例如視覺(jué)上蘋果的外表面有兩個(gè)明顯內(nèi)凹，其因素特征是2。因此無(wú)論是對(duì)象因素還是背景因素都可能對(duì)應(yīng)相同或不同的因素特征，這些因素特征可能是連續(xù)的范圍也可能是離散的值。人

對(duì)對(duì)象感知獲得的各種信息總是落在因素特征的定性和定量域（一個(gè)特征的所有范圍）中，而具有相同因素特征的不同對(duì)象如果不能歸為同類，那么必然有某個(gè)或多個(gè)因素特征落在特征域的不同范圍內(nèi)。同樣，同類對(duì)象集合的不同對(duì)象的所有因素特征必將集中于這些因素特征的相同范圍中。例如，對(duì)象A的對(duì)象因素為因素1，對(duì)象因素 1 具有因素特征 1、2、···、I，分別落于因素特征1的范圍1、因素特征2的范圍3和因素特征I的范圍2，這時(shí)人對(duì)于A的理解為對(duì)象因素1(因素特征1(范圍1)，因素特征2(范圍3),…,因素特征I(范圍2))，或者是滿足上述要求的是對(duì)象A。如果對(duì)所有對(duì)象因素1的所有因素特征進(jìn)行范圍劃分，那么得到的所有特征組合的數(shù)量是所有因素特征范圍數(shù)量的乘積O。如果考慮所有對(duì)象因素和背景因素，這時(shí)人對(duì)于A的理解為視覺(jué)(對(duì)象因素1(因素特征1(范圍1)，因素特征2(范圍3),···,因素特征I(范圍 2)),對(duì)象因素 2(···),···,對(duì)象因素N(···),背景因素 1(···),背景因素 2(···),···,背景因素M(···))，或者是滿足上述要求的是對(duì)象 A，那么得到的所有特征組合的數(shù)量是O×(N+M)。如果考慮人的所有原生感知能力，這時(shí)人對(duì)于A的理解為對(duì)象(視覺(jué)(對(duì)象因素1(因素特征1(范圍1)，因素特征 2(范圍 3),···,因素特征I(范圍 2)),對(duì)象因素 2(···),···,對(duì)象因素N(···),背景因素 1(···),···,背景因素M(···)),聽(tīng)覺(jué) (···),味覺(jué) (···),觸覺(jué) (···),···)，或者是滿足上述要求的是對(duì)象A，那么得到的所有特征組合的數(shù)量是O×(N+M)×原生感知種類的數(shù)量Y。這樣構(gòu)建了因素及其劃分組成的因素特征空間，將該空間劃分為O×(N+M)×Y個(gè)子空間，每個(gè)子空間對(duì)應(yīng)了一類對(duì)象的表象描述，即每個(gè)特征域中必然有且只有一個(gè)范圍存在于該描述中。例如圓形紅色是蘋果、橢圓形黃色是梨，因素特征形狀和顏色組成了對(duì)象的表象描述，圓形和橢圓形在因素特征形狀的不同劃分范圍內(nèi)，紅色和黃色在因素特征顏色的不同劃分范圍內(nèi)，這是由形狀和顏色組成的因素特征子空間；也可能存在某個(gè)子空間沒(méi)有對(duì)應(yīng)的實(shí)際對(duì)象，例如三角形黑色不對(duì)應(yīng)于任何水果。上述構(gòu)建的空間是人感知所能得到的對(duì)象表象信息的全域，可總結(jié)為所有感知的所有因素的所有特征的所有范圍的組合形成了描述性定義的全部組合——即人能感知的所有對(duì)象表象。上述過(guò)程需要通過(guò)人的原生感知和后天學(xué)習(xí)才能實(shí)現(xiàn)，而后天學(xué)習(xí)則是構(gòu)建上述空間和劃分的主要途徑，因此人形成概念的第三個(gè)障礙來(lái)源于人的后天學(xué)習(xí)。

人對(duì)于客觀存在的對(duì)象形成概念只通過(guò)對(duì)象表象形成的描述性對(duì)象定義是不夠的，因?yàn)槿肆私獯嬖诘膶?duì)象需要有動(dòng)力和目的，這主要體現(xiàn)在對(duì)象的功能，而這些功能必須是人能感知和理解的。一個(gè)對(duì)象從不同角度可能具有很多功能，這些功能必須被人理解和使用，即只要人無(wú)法感知和理解的功能，則可認(rèn)為它們不存在。對(duì)象功能一方面來(lái)源于人的后天學(xué)習(xí)，即獲取先人已有經(jīng)驗(yàn)；另一方面來(lái)源于人的親身實(shí)踐和嘗試，因此人形成概念的第4個(gè)障礙來(lái)源于人的實(shí)踐能力。

對(duì)象的功能也可看作是對(duì)象的特殊因素，其也具有多個(gè)功能特征。例如蘋果的對(duì)象功能是可以吃，功能特征是口味、水分等。與對(duì)象因素相同，每個(gè)對(duì)象功能的每個(gè)功能范圍都可劃分為多個(gè)子范圍。例如對(duì)象A的對(duì)象功能1具有3個(gè)功能特征，包括功能特征1、功能特征2和功能特征I，具體程度范圍分別為范圍1、范圍2和范圍4，那么對(duì)于A的理解為對(duì)象功能1(功能特征1(范圍 3)，功能特征 2(范圍 2),···,功能特征J(范圍 4))，或者是滿足上述要求的是對(duì)象A。如果考慮對(duì)象A的所有對(duì)象功能，那么A的理解為對(duì)象(對(duì)象功能 1(功能特征 1(范圍 3)，功能特征 2(范圍 2),···,功能特征J(范圍 4)),對(duì)象功能 2(···),···,對(duì)象功能P(···))，或者是滿足上述要求的是對(duì)象 A。因此所有對(duì)象功能的所有功能特征的所有范圍形成了功能性定義的全部組合，稱為功能特征空間——即人能使用和感知的所有功能。所有特征組合的數(shù)量是所有功能特征范圍數(shù)量的乘積O'，那么功能特征空間的子空間數(shù)為O'×P。

人對(duì)對(duì)象的概念形成過(guò)程是從對(duì)象出發(fā)，將對(duì)象對(duì)象表象和對(duì)象功能相對(duì)應(yīng)的過(guò)程。對(duì)象本身為概念的外延，對(duì)象的表象和功能是概念內(nèi)涵。對(duì)于相同的對(duì)象，可以連接因素特征空間的某個(gè)子空間和功能特征空間的某個(gè)子空間構(gòu)成具備外延和內(nèi)涵的概念，形成針對(duì)于該對(duì)象的一條知識(shí)。例如對(duì)象A的知識(shí)化概念(對(duì)象A,(描述性定義對(duì)象(視覺(jué)(對(duì)象因素1(因素特征1(范圍1)，因素特征 2(范圍 3),···,因素特征I(范圍 2)),對(duì)象因素 2(···),···,對(duì)象因素N(···),背景因素 1(···),···,背景因素M(···)),聽(tīng)覺(jué) (···),味覺(jué) (···),觸覺(jué) (···),···)),(功能性定義對(duì)象(對(duì)象功能1(功能特征1(范圍3)，功能特征 2(范圍 2),···,功能特征J(范圍 4)),對(duì)象功能 2(···),···,對(duì)象功能P(···))))。如果沒(méi)有對(duì)象，也可通過(guò)因素特征空間的所有子空間與功能特征空間的所有子空間的多對(duì)多對(duì)應(yīng)關(guān)系建立概念的內(nèi)涵，這樣的內(nèi)涵數(shù)量為O×(N+M)×Y×O'×P，可認(rèn)為是人在可感知范圍內(nèi)的知識(shí)總量。進(jìn)一步人可通過(guò)實(shí)踐和觀測(cè)找到適應(yīng)某個(gè)內(nèi)涵的外延對(duì)象，最終建立一條具備對(duì)象、描述性和功能性定義的知識(shí)，該過(guò)程是人的抽象思維和思想活動(dòng)。

綜上，人基于實(shí)踐、學(xué)習(xí)和聯(lián)想能了解可能存在的所有情況，這些情況就是所有的概念。人是通過(guò)因素和功能來(lái)標(biāo)定所有可感知的對(duì)象并形成概念的。在已知的概念基礎(chǔ)上才能基于因素和功能進(jìn)行推理，構(gòu)建復(fù)雜的知識(shí)系統(tǒng)。

2 人工智能的概念形成過(guò)程

人工智能的功能是模仿人的智能決策過(guò)程，目前人工智能主要有3個(gè)流派[22-25]，即結(jié)構(gòu)流派、功能流派和行為流派，它們分別認(rèn)為應(yīng)從模擬人腦結(jié)構(gòu)、功能作用和身體行為方面實(shí)現(xiàn)對(duì)人智慧過(guò)程進(jìn)行模擬，是在不同層面的模仿。因此目前人工智能的概念形成過(guò)程仍是圍繞人的概念形成過(guò)程展開(kāi)模擬，其基本過(guò)程如圖2所示。

圖2 人工智能的概念形成過(guò)程Fig.2 Concept formation process of artificial intelligence

圖2中的人工智能概念形成過(guò)程與圖1過(guò)程類似。首先需要客觀的對(duì)象存在，且對(duì)象具有對(duì)象表象和對(duì)象功能。對(duì)象表象的感知在人工智能系統(tǒng)中得到了極大豐富，與人的原生能力不同，人工智能系統(tǒng)可使用非常多的感知和監(jiān)測(cè)手段使人工智能系統(tǒng)在需要時(shí)具有最大化的監(jiān)測(cè)能力。不同監(jiān)測(cè)能力得到的數(shù)據(jù)中存在對(duì)象因素和背景因素，區(qū)別它們是人工智能系統(tǒng)面臨的主要問(wèn)題，這取決于系統(tǒng)目的，一般通過(guò)人已有知識(shí)的有師學(xué)習(xí)和系統(tǒng)的智能辨識(shí)實(shí)現(xiàn)。有師學(xué)習(xí)需要人的經(jīng)驗(yàn)和思維，系統(tǒng)智能辨識(shí)需要大量的基礎(chǔ)數(shù)據(jù)、強(qiáng)大的智能分析算法和已經(jīng)建立的知識(shí)庫(kù)，目前基于大數(shù)據(jù)的智能分析就是系統(tǒng)智能識(shí)別的具體化方法。對(duì)于對(duì)象因素和背景因素而言，同樣具有多個(gè)因素特征，這與人的概念形成過(guò)程相同，相同的過(guò)程也包括因素特征的劃分，因素特征空間建立和子空間的形成過(guò)程，最終得到對(duì)象的描述性定義。人工智能系統(tǒng)與人相比最大的優(yōu)勢(shì)在于監(jiān)測(cè)能力的多樣性和因素特征劃分和空間的完備性，缺點(diǎn)在于缺少智能辨識(shí)能力，包括因素識(shí)別、特征確定和范圍劃分，需要在人的幫助下進(jìn)行有師學(xué)習(xí)，也缺乏人對(duì)概念的理解過(guò)程等高級(jí)思維。

人工智能系統(tǒng)對(duì)對(duì)象功能的感知過(guò)程與人的感知過(guò)程基本相同，這里不再贅述，最大的區(qū)別在于該過(guò)程需要系統(tǒng)自身的實(shí)踐能力和人的幫助。系統(tǒng)需要在完成對(duì)象描述性定義后自發(fā)的實(shí)踐該對(duì)象的功能，從而建立對(duì)象功能、功能特征、范圍劃分、功能特征空間。目前這是極其困難的，只能以人的經(jīng)驗(yàn)直接輸入智能系統(tǒng)的方法解決，確定功能特征空間并與因素特征空間產(chǎn)生對(duì)應(yīng)關(guān)系，最終建立概念的內(nèi)涵和外延對(duì)應(yīng)關(guān)系，形成概念記錄組成知識(shí)庫(kù)。

綜上，目前實(shí)現(xiàn)完全自主的人工智能是困難的，因?yàn)槿斯ぶ悄艿淖灾鞣治鍪腔谥R(shí)庫(kù)中的基本概念，這些概念實(shí)際上是對(duì)象為主體產(chǎn)生的描述性定義和功能性定義的對(duì)應(yīng)規(guī)則。建立最基本的知識(shí)庫(kù)是目前實(shí)現(xiàn)人工智能的關(guān)鍵?；局R(shí)庫(kù)的建立需要人工智能系統(tǒng)的智能因素辨識(shí)和系統(tǒng)功能實(shí)踐能力，目前大數(shù)據(jù)分析主要實(shí)現(xiàn)了智能因素識(shí)別，自主的系統(tǒng)功能實(shí)踐難以完成；前者可通過(guò)大數(shù)據(jù)分析和人的經(jīng)驗(yàn)知識(shí)完成，而后者則基本依靠基于經(jīng)驗(yàn)知識(shí)的有師學(xué)習(xí)完成。因此人工智能的概念形成需要智能因素辨識(shí)、系統(tǒng)功能實(shí)踐和有師學(xué)習(xí)，雖然監(jiān)測(cè)能力的維度增加且因素特征空間和功能特征空間更加完備，但只能基于有限概念的知識(shí)庫(kù)才能進(jìn)行有限的推理，缺乏聯(lián)想和創(chuàng)造能力。

3 人工智能與人在概念形成過(guò)程中的區(qū)別

上述兩節(jié)介紹了人和人工智能形成概念的過(guò)程，它們?cè)谛问缴项愃?，但信息收集、存?chǔ)、處理能力和思維性方面存在明顯區(qū)別。這里的人工智能系統(tǒng)主要是計(jì)算機(jī)的硬件和軟件系統(tǒng)，具備強(qiáng)大的運(yùn)算能力和存儲(chǔ)能力，但在缺乏人的經(jīng)驗(yàn)知識(shí)情況下難以形成基本的概念和知識(shí)庫(kù)。

1）人工智能可以擴(kuò)大人的原生感知能力。人的原生感知能力受限于人的生理結(jié)構(gòu)，如視覺(jué)、聽(tīng)覺(jué)、味覺(jué)、嗅覺(jué)等。如第1節(jié)所述，按照人的概念形成過(guò)程，人能獲得的所有知識(shí)量為O×(N+M)×Y×O'×P，其中O是所有因素特征范圍數(shù)量的乘積。如果人工智能系統(tǒng)借助先進(jìn)的監(jiān)測(cè)能力、技術(shù)和手段，可以增加人不具備的原生感知能力，那么相當(dāng)于增加了感知維度，這對(duì)應(yīng)的增加了對(duì)象因素和背景因素，也增加了它們對(duì)應(yīng)的因素特征，因此O將指數(shù)級(jí)增長(zhǎng)，最終導(dǎo)致概念數(shù)量的指數(shù)級(jí)增長(zhǎng)，形成更為寬泛的知識(shí)庫(kù)。因此感知能力和因素的增加對(duì)人工智能系統(tǒng)的知識(shí)庫(kù)建立具有決定作用，這方面是人最不擅長(zhǎng)的。

2）人工智能可迅速地實(shí)現(xiàn)因素特征空間、功能特征空間及全部概念內(nèi)涵的建立。因?yàn)槿斯ぶ悄芟到y(tǒng)是建立在計(jì)算機(jī)硬件和軟件系統(tǒng)之上的，與人相比具有強(qiáng)大的存儲(chǔ)和運(yùn)算能力。如果之前工作是充分的，得到的各類監(jiān)測(cè)方面的因素、因素特征、特征劃分，及對(duì)象功能、功能特征、特征劃分是完全的，那么必將可以建立完備的因素特征空間和功能特征空間及其子空間。這些子空間是形成概念內(nèi)涵中描述性定義和功能性定義對(duì)應(yīng)關(guān)系的關(guān)鍵，需要同時(shí)處于激活狀態(tài)以便運(yùn)算形成該對(duì)應(yīng)關(guān)系；但人并不具備這樣的能力，只能建立很少部分的對(duì)應(yīng)關(guān)系形成概念內(nèi)涵。這也是人只能得到問(wèn)題的近似最優(yōu)解而無(wú)法通過(guò)枚舉找到全局最優(yōu)解的根本原因。

3）人工智能可迅速地尋找內(nèi)涵對(duì)應(yīng)的外延。概念的內(nèi)涵和外延應(yīng)是對(duì)應(yīng)存在的，由于人工智能在全部?jī)?nèi)涵的存儲(chǔ)和運(yùn)算方面的優(yōu)勢(shì)，可根據(jù)因素特征空間和功能特征空間的子空間對(duì)應(yīng)關(guān)系來(lái)尋找具有該描述性定義的存在對(duì)象。進(jìn)一步的，使用人工智能系統(tǒng)的強(qiáng)大感知能力，尋找這些對(duì)象的過(guò)程較人而言更為快速高效，最終迅速獲得內(nèi)涵對(duì)應(yīng)的外延。

4）人工智能可迅速地聯(lián)系外延和內(nèi)涵形成概念和知識(shí)庫(kù)。在計(jì)算機(jī)系統(tǒng)的支持下人工智能系統(tǒng)可以通過(guò)對(duì)象及對(duì)象對(duì)應(yīng)的描述性定義和功能性定義形成完整的概念，同時(shí)將概念以固定的形式形成知識(shí)，存入知識(shí)庫(kù)。這些形式化的知識(shí)記錄方便在計(jì)算機(jī)系統(tǒng)中進(jìn)行運(yùn)算和推理，以實(shí)現(xiàn)人工智能系統(tǒng)在結(jié)構(gòu)、功能和行為上對(duì)人的智能進(jìn)行模擬。

5）人工智能系統(tǒng)缺點(diǎn)是需要因素的智能識(shí)別、對(duì)象功能的實(shí)踐及人經(jīng)驗(yàn)知識(shí)的有師學(xué)習(xí)。在人工智能系統(tǒng)形成概念的過(guò)程中，遇到的兩個(gè)主要問(wèn)題是因素的智能識(shí)別和功能的實(shí)踐。雖然人工智能系統(tǒng)在因素監(jiān)測(cè)方面具有優(yōu)勢(shì)，但對(duì)各類信息中背景因素和對(duì)象因素的識(shí)別、因素特征確定、特征劃分存在問(wèn)題，而這些是形成因素特征空間和對(duì)象描述性定義的基礎(chǔ)。目前大數(shù)據(jù)分析技術(shù)基本上圍繞上述3個(gè)方面進(jìn)行研究，但所得結(jié)果缺乏可解釋性，只是數(shù)據(jù)相關(guān)性的體現(xiàn)。上述三方面在不同程度上都需要使用人的經(jīng)驗(yàn)知識(shí)進(jìn)行先期加工，甚至這種有師學(xué)習(xí)是決定上述工作成敗的關(guān)鍵。

6）人可以在沒(méi)有概念外延，甚至沒(méi)有完整內(nèi)涵的情況下進(jìn)行關(guān)聯(lián)性分析，形成抽象概念，但人工智能并不具備這種能力，其概念形成和推理必須有完整的內(nèi)涵和外延。人在對(duì)象感知能力、知識(shí)庫(kù)形成、存儲(chǔ)和運(yùn)算方面沒(méi)有優(yōu)勢(shì)，但人具備更為高級(jí)的抽象能力，在對(duì)象、內(nèi)涵和外延不完備情況下即可形成概念，對(duì)概念進(jìn)行抽象和邏輯分析，即聯(lián)想和思維能力。這種能力可通過(guò)人對(duì)對(duì)象表象的感知和對(duì)象功能的實(shí)踐中獲得對(duì)應(yīng)關(guān)系，產(chǎn)生基本的原始概念，形成基本的知識(shí)庫(kù)；也可通過(guò)人的學(xué)習(xí)能力從前人的知識(shí)庫(kù)中將概念轉(zhuǎn)化到自身的知識(shí)庫(kù)，當(dāng)然該過(guò)程中可能造成不同人對(duì)相同對(duì)象的不同理解。但這種能力在沒(méi)有原始概念和知識(shí)庫(kù)情況下，目前的人工智能系統(tǒng)難以實(shí)現(xiàn)類人的思維和聯(lián)想過(guò)程。

4 對(duì)人工智能概念形成的啟示

人的概念形成受到原生感知能力，眾多因素、因素特征及特征劃分的存儲(chǔ)和運(yùn)算能力，眾多功能、功能特征及特征劃分的存儲(chǔ)和運(yùn)算能力的限制；但人可實(shí)現(xiàn)在對(duì)象、描述性定義和功能性定義不完備情況下的概念抽象和推理。相對(duì)的，人工智能系統(tǒng)的優(yōu)勢(shì)在于對(duì)對(duì)象表象的感知能力，對(duì)眾多因素、因素特征及特征劃分的存儲(chǔ)和運(yùn)算能力，眾多功能、功能特征及特征劃分的存儲(chǔ)和運(yùn)算能力；缺乏對(duì)基本概念和知識(shí)的生產(chǎn)能力。

由于人工智能是模仿人的思維結(jié)構(gòu)、功能和行為，而人工智能的智慧來(lái)源于人經(jīng)驗(yàn)知識(shí)構(gòu)成的基礎(chǔ)概念和知識(shí)庫(kù)；人的經(jīng)驗(yàn)受限于原生感知能力及對(duì)概念內(nèi)涵和外延的存儲(chǔ)和運(yùn)算能力，所形成的知識(shí)具有片面性，這時(shí)基于此的人工智能推理也受到限制；但沒(méi)有人的經(jīng)驗(yàn)知識(shí)則無(wú)法形成人工智能的基礎(chǔ)知識(shí)庫(kù)。因此目前實(shí)現(xiàn)人工智能的基本途徑應(yīng)該是：首先基于人的先經(jīng)驗(yàn)知識(shí)建立基本知識(shí)庫(kù)；利用人工智能系統(tǒng)的強(qiáng)大感知能力增加感知因素細(xì)化特征范圍；建立因素特征空間和功能特征空間；將描述性定義、功能性定義及對(duì)象構(gòu)成概念；將概念形式化形成知識(shí)并存儲(chǔ)于基本知識(shí)庫(kù)；循環(huán)上述過(guò)程進(jìn)而完成人工智能對(duì)自然世界的理解和學(xué)習(xí)。

5 結(jié)束語(yǔ)

人的概念形成過(guò)程是在潛移默化中實(shí)現(xiàn)的，雖然受到感知能力、存儲(chǔ)能力和計(jì)算能力的限制，但人具有在內(nèi)涵和外延不完備情況下的思維和聯(lián)想能力，這不但彌補(bǔ)了上述能力的不足還拓展了人的高級(jí)思維能力。相對(duì)的人工智能系統(tǒng)的概念形成過(guò)程優(yōu)勢(shì)在于感知能力、存儲(chǔ)能力和計(jì)算能力；缺乏自主的因素識(shí)別、特征提取和劃分，以及對(duì)象功能確定、特征提取和劃分的能力；在對(duì)象、因素特征空間和功能特征空間沒(méi)有完備對(duì)應(yīng)關(guān)系情況下沒(méi)有思維和聯(lián)想能力。

因此發(fā)展人工智能必須重視3個(gè)問(wèn)題，即因素的智能識(shí)別、功能的系統(tǒng)實(shí)踐和人經(jīng)驗(yàn)知識(shí)為基礎(chǔ)的有師學(xué)習(xí)。目前人工智能方面的主要技術(shù)是大數(shù)據(jù)分析，而大數(shù)據(jù)分析只能實(shí)現(xiàn)因素智能識(shí)別，而且得到的關(guān)系缺乏可解釋性，因此基于大數(shù)據(jù)的因素識(shí)別方法并不完善。功能的系統(tǒng)實(shí)踐要求智能系統(tǒng)本身能使用對(duì)象并確定對(duì)象功能，對(duì)應(yīng)對(duì)象的功能性定義與描述性定理形成概念的內(nèi)涵，該過(guò)程目前難以實(shí)現(xiàn)。目前最現(xiàn)實(shí)的解決方法只能通過(guò)人的經(jīng)驗(yàn)知識(shí)先行建立核心知識(shí)庫(kù)，人工智能系統(tǒng)才能具備智能分析基礎(chǔ)，以此不斷擴(kuò)充知識(shí)庫(kù)從而實(shí)現(xiàn)人工智能系統(tǒng)的目的。