“ 人工智能”若干问题

1. “人工智能”若干问题 陈小平 中国科学技术大学

2. 内容提要 • 对Artificial Intelligence的理解 • 定性决策论研究情况 • Chance Discovery研究情况

3. 一、AI的定义与性质 • 基本观点： 回顾AI过去50多年来的发展历程，其最有趣的哲学问题从“强-弱”之争演变为“真-假”之辩。

4. 一、AI的定义与性质 • artificial的日常语言含义(牛津词典)： made or produced by man in imitation of something natural. 因此， artificial兼具“人造”和“人工”双重含义，似应更确切地译为“人为”。

5. 一、AI的定义与性质 • H. Simon对artificial的定义： “由人而不是自然产生的；不真实的或不自然的；矫揉造作的；与事物的本质无关的” ---The Science of the Artificial，商务印书馆，1987 可见artificial既包含“人工”含义(“由人而不是自然产生的”)，又包含“人造”含义。可视其为artificial的标准定义。

6. 一、AI的定义与性质 • “人工”的含义：例如 “人工降雨”（artificial rainfall） “人工繁殖”(artificial propagation) -特点：产品是“真的”(真实的) ，产生过程是“假的”(非自然的)。

7. 一、AI的定义与性质 • “人造”的含义：例如 “人造革”(artificial leather) “人造海蜇皮/棉/丝/羊毛/…” -特点：产品及其产生过程都是“假的”。

8. 一、AI的定义与性质 • “人工”与“人造”的对比： -人造物仅仅是天然物的功能替代品，往往“差强人意”，但有时却可能更强，例如飞机的运输功能比鸟强得多。“人造”智能是当前AI的工程目标。 -人工物比人造物更接近天然物，但往往未必能够按照人的需要制造/发生，例如至今未能制造出像鸟一样的飞行物。“人工”智能是AI长期的科学目标。

9. 一、AI的定义与性质 • 现状： 当前国际AI研究既包含“人造智能”（90%以上），又包含“人工智能”（10%以下）；与早期情况恰好相反。 • 结论：将Artificial Intelligence理解为“人为智能”更符合该领域的实际情况。

10. 二、定性决策论研究情况：背景 • (自动)决策是AI的核心问题之一。 • 经典决策论的基本概念框架是概率+效用，主导思想是最大预期效用原则。 • 经典决策论在AI中遭遇的重大困难之一是难以获得数值型概率和数值型效用；AI主流的解决方向是“定性决策论” (Qualitative decision theory)。

11. 二、定性决策论研究情况：背景 • 目前定性决策论的主要技术途径是意向态度的模态理论，基本技术手段包括一元多模态逻辑（BDI-理论）和条件句逻辑（即关于“偏好”preference和“常规” normality的条件句理论）；后者更注重刻画意向的背景相关性方面。

12. 二、定性决策论：QDT Logic • CO-模型(Boutilier, 1994) M= < W, , Val >，其中W：可能世界集合，Val：W*P→{true, false}赋值函数， 是W上传递且连接的二元关系，因而所有可能世界构成-等价类的全序集， vw理解为： v is at least as preferred/normal as w。

13. 二、定性决策论：QDT Logic • 定义两个模态词： w |= ٱA iff v w : v |= A w |= ↕ٱA iff  v W : v |= A 及其对偶词和↕。

14. 二、定性决策论：QDT Logic • 定义条件偏好： I(B|A) =df↕ٱA  ↕(A  ٱ(AB) ) 易知M |= I(B|A)意味着对于M中最偏爱的AB世界w和最偏爱的AB世界w’，有w w’ 。

15. 二、定性决策论：QDT Logic • 性质:

16. 二、定性决策论：QDT Logic • 缺陷1：推理能力弱，事实分离律无效，例如 {I(B|A), A} | I(B), B 而且假如有效则将破坏非单调性，例如 {I(B|A), I(B|AA’), A, A’}|= I(B), B

17. 二、定性决策论：QDT Logic • 缺陷2：表达能力不够强 例(Dog and fence) 条件偏好集 {I(f), I(f|d), I(d)} 在CO中无法表达。

18. 二、定性决策论：QDT Logic • 改进(Lang等，2003)：同时利用两个序定义条件偏好 M |= I(B|A) iff w’ Max(N, Mod(AB)) w  Max(N, Mod(AB)) st. w P w’.

19. 二、定性决策论：QDT Logic • 表达能力提高，可表示诸如dog and fence，但仍然不能表示更强的愿望冲突如{I(B|A), I(B|A)}； • 推理更复杂，D命题的推导需借助N命题。

20. 三、CD研究情况:概况 多学科交叉的新兴研究领域，广泛涉及人工智能、认知科学、经济学与管理科学，2000年前后正式提出，迅速受到国际学术界的高度重视。

21. 三、CD研究情况:重要国际会议 • The First International Workshop on CD, 2001 (The Annual Conference of the Japanese Society of AI). • The Second International Workshop on CD, Tokyo, 2002 (The Pacific Rim International AI Conference). • The AAAI Fall Symposium of Chance Discovery, 2002. • The 3rd International Workshop on CD, Greece, 2003 (The 10th Int’l Conference on Human Computer Interaction). • The First European Workshop on Chance Discovery, 2004 (ECAI-2004). • 其他（如KES 2000-2004,special sessions on Chance Discovery）.

22. 三、CD研究情况:重要出版物 • Special Issue on CD, New Generation Computing, Vol. 21, No. 1-2 (2002) • Osawa Y. and McBurney P. (Eds.) "Chance Discovery", Springer Verlag (2003) • Akinori Abe and Yukio Ohsawa（Eds.）"Readings in Chance Discovery", Advanced Knowledge International, Australia (to appear).

23. 三、 CD研究情况：主要研究对象 • 面向人类的：即对人类发现过程和方法的研究，例如Double-Helix Approach；包括人机交互。 • 面向机器的：即对自动发现过程和方法的研究。

24. 三、 CD研究情况：现有主要工作 • 基础理论 逻辑，系统论 • 认知试验 人类学习过程，集体研讨 • 计算机制 自动分析工具，人机交互工具 • 应用尝试 地震预报，网络应用，导购，教学

25. 三、 CD研究情况:国内学者工作 • 季澄宇，陈小平，Chance Discovery in a BDI Perspective of Planning: Anticipation, Participation, and Correlation，in: Proceedings of the 2nd International Workshop on Chance Discovery, Tokyo, 2002. • 诸世卓，陈小平，Integrating Abductive Reasoning with Lm4c for Chance specification and Chance Discovery Inference. The Third International Workshop on CD, Greece, 2003. • 皮亮，陈小平，A Quantitative Method for Representing Impacts of Chance based on simplified MDP/POMDP models. The First European Workshop on Chance Discovery, 2004. • 陈小平，Cognitive relevance and chance discovery. In: Akinori Abe and Yukio Ohsawa（Eds.）"Readings in Chance Discovery", Advanced Knowledge International, Australia (to appear).

26. 三、CD研究情况：历史起源 • Planning： 原始想法可以追溯到70年代末不完备知识下的静态规划问题的研究(B.&F. Hayes-Roth，A cognitive model of planning，1979)。 • Autonomous Agents：不确定环境下的持续规划中机会发现的启发式途径，例如L. Pryor等人的工作(Opportunity recognition in complex environments，AAAI-96)。 • Multi-Agent Systems：90年代末，引起国际AI主流的重视,但未形成独立的研究领域(Georgeff, Pell, Pollack, Tambe and Wooldridge. The Belief-Desire-Intention Model of Agency)。 • DM/KDD：2000年前后，大澤幸生等从知识发现角度出发，作为一个独立研究领域正式提出(Yukio Ohsawa，Chance discoveries for making decisions in complex real world, New Generation Computing, Vol.20,2002)。

27. 三、CD研究情况：初步定义 • Chance是对决策有重要影响的偶发事件。 （A chance is a rare or novel event which gives significant impact on human decision-making.） • 有正面影响的chance称为opportunity，有负面影响的称为risk。

28. 三、CD研究情况：基本性质1 • CD vs. KDD 二者都是“发现”；但 KDD强调以一定量的数据源为基础，而CD立足于不存在充分数据源的场合。这进一步意味着CD必须更多地依赖于一般性知识和推理。

29. 三、CD研究情况：基本性质2 • CD vs. ML 二者都是知识获取；但ML侧重于知识获取本身，与知识的使用相对独立，而CD强调二者的关联。

30. 三、CD研究情况：基本性质3 • Chance vs. probability 概率论也研究偶然事件，但假定这些事件的发生具有统计稳定性；而CD关心的事件则不必具备这个特性，或者缺乏对应的统计数据。这进一步意味着，基于统计的各种现有方法难以直接适用于CD。

31. 三、CD研究情况：基本性质4 • CD vs. Decision-making 传统决策论假定，决策相关的概率和效用都是已知的，所谓决策/行动选择只不过是计算最大预期效用；而CD假定，机会事件的概率和效用都不是已知的；因此，经典决策论不能直接适用于CD。

32. 三、CD研究情况：基本性质5 • CD vs. KE 传统知识工程试图利用各种知识解决问题和做出决策，对相关知识的“质”和“量”都有很高要求，并且立足于演绎推理；而CD需要复杂多样的推理模式和技术，并且相关知识是不完备的。

33. 三、CD研究情况：基于认知相关性的CD • 主要特点 • 机会是使愿望得到部分满足的事件； • 机会发现与AI规划的一种划界； • 机会发现与AI规划的结合； • 机会发现与BDI理论的结合； • 机会发现与机会管理的结合。

34. 谢谢！