1.3 自然智能

直到现在，社会科学理论（特别是经济学）一直认为人从根本上讲是理性的。理性的人总是深思熟虑、有思想、自私自利。他们以最有效的方式追求自己的目标。一个理性的行动者寻求在已知的信息、机会和约束条件下达到最大的可能利益。简而言之，贪婪是好的，我们可以依赖人的贪婪性。在这种观点看来，思想是完全建立在逻辑的利己主义基础上的。

当一个人出于自身利益而不理性行事时，那是因为其思维过程或逻辑判断被情感所左右。非理性的选择是错误的，作为一个人真正行动的指导是不可预测的。不幸的是，这种策略也渗透到了人工智能研究的很多思考中。

纽威尔、西蒙和肖的“逻辑理论家”是纯逻辑的，从公理（基础不可约的逻辑假设）和运算开始，以逻辑证明结束。他们所论证的其实是物理符号系统假说。根据该假说，物理符号系统是智能产生的充分必要条件。

与这种方法相反，所谓的莫拉维克悖论（Moravec’s paradox，其实它根本不是悖论，但它叫悖论）指出，让计算机执行高级推理相对容易，但是要让计算机具有如两岁小孩般的感知和行动能力却相当困难甚至是不可能的。推理思考的技巧很容易用计算机描述和实现，但创造一台可以在拥挤的房间里行走的计算机，或一个可以折叠衣物的机器人，仍然面临极大的挑战。

20世纪80年代和90年代，人们对计算神经网络的兴趣激增，通过采用一种更受生物启发的人工智能方法，在解决这些挑战方面取得了一些进展。神经网络采用的模型更像是简化的神经元，而不是高级的推理规则（deliberative rule）。如同组成语言的单词一样，神经网络关心模拟神经元之间的连接，而不是处理单独的符号。神经网络得到了广泛的应用，现在已发展成所谓的深度学习模型，可以说是在构建计算智能方面取得了很大进步，但它仍然没有让我们更接近实现通用智能的目标。神经网络和其他形式的机器学习帮助人们更加清楚地认识到，与人工智能的抱负相反，人工智能的实践是将输入映射到输出的复杂功能。正如汉斯·莫拉维克（Hans Moravec）和其他人所断言的那样，即使是模拟一个简单的神经网络，也要比遵循一组规则需要更多的计算，但它们仍然只是计算函数，皮尔（Pearl）也认同这一观点。

实现自然智能的一个关键在于具备构建问题空间（problem space）的能力，而不仅仅是在已构建好的问题空间中寻求解决路径。此外，自然智能还有其他方面的特性。它并不关心寻找问题的最佳解决方案，而是倾向于通过“跳跃式”方式直接得到结论而不经过任何证明过程。

与人工智能的算法不同，人类自然智能是启发式的。算法是一组步骤，在执行特定输入时，这些步骤总是会产生相应的输出。相反，启发式更像是一种经验法则。它在大多数情况下是有效的，但有时则不然。婴儿出生后几小时内就能认出母亲，但计算机识别物体类别则可能需要数以千计的样本来学习。带孩子去动物园，给他买棉花糖，他以后再去动物园，就会期望得到同样的待遇。

与计算智能所模拟的智力能力相比，这里所阐述的自然智能的许多基本认知功能也是其他生物物种所共有的。早成鸟（孵化后能立即进食的鸟类，如鸡和鸭）在出生后数小时内就学会了识别自己的父母。灌木松鸦和其他鸟类可以将种子储存在岩石下和裂缝中，甚至在环境被雪覆盖几个月后还能找到。正如沃尔夫冈·科勒（Wolfgang Köhler）所揭示的那样，黑猩猩能够解决某些类型的洞察力问题。研究人员观察到，黑猩猩不是通过反复试验来学习，而是把两根棍子放在一起，或者把箱子堆在一起，以够到它们本来够不到的食物。

许多动物（从蚂蚁、熊到黑猩猩）被发现在控制环境下能够对小的数字量级（通常是1～4甚至6）做出反应。经过一些训练，狗和其他动物可以记住多达1000个物体的名字，并且可以根据语言命令找到相关物体。

人类或动物的自然智能在物种的认知中扮演着重要角色。但到目前为止，人类的全部智力成就的取得都依赖于天生的智慧加上额外的思考工具，而这些工具正是为了达到目前的智力水平而发明的。

大多数关于人类自然智能的研究是在受过良好教育的人身上出现缺陷/失败或者心理发育不全的背景下展开的。作为人类成就的源泉，它的正面意义在很大程度上被忽视了。所以我们对自然智能的不足、偏见和限制了解甚多，但对它做出的积极贡献知之甚少。自然智能极有可能在一般的人类智能中扮演极为重要的角色，如果我们能弄清楚其机理，则很可能使其在计算智能中也扮演同样角色。如果没有自然智能，人类就不可能发明思考工具；如果像早期心理学家所说的那样，人类只能局限于试错学习或者重复学习，人类就不可能工作。