第17章 人工智能（第8/10页）

这种方法的问题显而易见，首先是专家配合度的问题。“如何煮鸡蛋”这样的简单问题可以用简洁、准确、全面的信息回答。在设计初期，很可能就是用这种问题测试所谓的知识引导过程的。但如果对医生或者火箭专家进行类似的“知识引导”，问题就会接踵而至。即便是配合度高的专家也会为解释行业内的默认基础知识而苦恼，更实际的问题是，即使专家有能力解释清楚所有细节，他们又为什么要这么做呢？专家系统的提倡者称，这个系统可以把专家从循规蹈矩的无聊工作中解放出来，让专家们可以把更多的时间花在有挑战性的、有趣的工作上。但是，专家们大多对这些据说可以替代他们的机器持怀疑态度，认为机器的“回答”肯定不是最佳的。

专业技术无疑非常复杂，知识的本质绝不只是信息和思路。知识包含反馈的过程，即把之前的知识和技术融会贯通。知识还包含一定的创造力，复杂的信息网、新信息带来的灵感、信息间的关系都使提取和整合信息变得无比困难。信息之间错综复杂的关系也很难被有效地利用。

虽然问题很多，但专家系统并未绝迹，它们最终被专门用于处理一些复杂版的“如何煮鸡蛋”的问题。现在你很可能只能在机器回复的电话中心和诊断计算机故障的程序中见到专家系统，这让全世界的专家们都松了一口气。一个基于专家系统的HAL 9000永远也不可能取代专家，因为他们的专业知识不可能被提取和整合到一个数据库中。

专家系统试图让知识形成逻辑层次，但众所周知，人类的大脑和传统的数据库非常不同。所以，人工智能的另一种实现方法——神经网络有更持久的价值。神经网络的设计者模拟神经系统在大脑中的功能，而不是让计算机整合一系列的规则。在神经网络的需求输入端和结果输出端，遍布着一系列的虚拟神经元。这些虚拟神经元有点儿像一座复杂的迷宫里的各种各样的通道。计算机一次可以走完所有通道，不同的通道有不同的权重，从而对最终决策产生或多或少的影响。

一开始，这些权重要么完全相同，要么是设计者确定的值。神经网络和生物的相似之处是，神经网络可以从“错误”中学习。如果在学习的过程中，人工智能程序做出了不合理的决定，那么它会自动更新与之相关的权重。一段时间之后，神经网络就会达到一个能给出正确答案的水平。简而言之，神经网络通过反馈优化输出。

毫不意外的是，现有的神经网络远比不上人类的大脑。大脑包含约1 000亿个神经元，每时每刻都有1 000万亿个节点把这些神经元连接在一起，而普通的神经网络只有几百或几千个类似的“节点”。人类大脑中的神经元可以和数千个其他神经元相连，但是神经网络中的节点只能和几个其他节点相连。神经网络的规模完全不能和人类大脑相提并论，所以神经网络只能应用于小范围的、有局限性的人工智能领域，通过学习过程获得信息。神经网络常被用于传统编程力不能及的领域，比如模式识别。

现在人们已经达成共识（不是在20世纪60年代），让计算机拥有Hal的智力不能只靠单纯基于规则的系统，类似神经网络的方法肯定要用到，但还需要一些其他思路和方法。在电影的结尾，Hal变成了一个孩童的样子，这意味着Hal还要经历一系列的学习过程。其实只要一台HAL 9000完整地实现学习过程，其他计算机就可以复制HAL 9000的智能，但Hal的内心独白表明编剧并没有这个计划。

“计算机能否拥有智能甚至意识”，或者它们能否不断地提升模拟人类智能的水平，就像象棋程序学习下象棋，依然颇具争议性。这一系列的问题更像哲学问题，也给予了人工智能领域的科学家以无限启发。我们目前还没有确切的答案。有人说，Hal拥有的并不是真正的智能，至少在定义上不是。Hal展示的反而是缺少智慧的行为，比如Hal信誓旦旦地说，“9000系列计算机不会出错”。严格来说，任何有血有肉或者机械的个体，都需要从错误中学习，这样才能收获智慧。