经验主义时期：知识工程的开发与利用技巧

人工智能研究领域早期取得的成就使研究者出现了狂想和妄断。1958 年，赫伯特·西蒙教授预测在10 年内计算机能够战胜国际象棋世界冠军。这一预测并未如期实现。^[15]20 世纪70 年代，人们开始憧憬在家庭生活中大规模地使用智能机器（人）。这一理想至今未能实现，智能机器（人）的普遍应用仍停留在工业领域。“再如就是机器翻译，原来，人们曾以为只要用一部字典和某些语法知识即可很快地解决自然语言之间的互译问题。结果发现并不那么简单，甚至闹出笑话。”^[16]

人工智能研发遭遇挫折并陷入低谷，引发了学者反思，唯理主义遭遇挑战，经验主义兴起。研究人工智能的主导性哲学基础从逻辑主义向经验主义转变。经验在智能系统中的重要性凸显出来，知识工程的概念被提出，人工智能进入以经验为中心的范式时期。一方面，符号化的逻辑推理体系不是万能的，人工智能的知识表达和理论基础应当具有多元性。“对存在主义和现象主义而言，智能视为在世界中的生存力，不是视为关于世界的一组逻辑命题（结合某种推理机制）。”^[17]另一方面，知识的重要性被提升。“知识是人类智慧的源泉，只有把相应的知识教给机器，机器才能表现出人类一样的智能，完成类似的智能工作。”^[18]总而言之，人工智能从科学实验转向实际应用，从侧重符号化逻辑转向知识工程。经验主义哲学为人工智能的发展提供了新的思路，出现“好的老式AI”与“新型智能模型”并存发展的现象。

（一）专家系统的开发与应用

专家系统是模拟专家思维过程构建的智能系统。1977 年，费根鲍姆（E.Feigenbaum）在第五届国际人工智能联合会（IJCAI）上阐释了构建专家系统的思想，认为“知识工程是研究知识信息处理的学科，它应用人工智能的原理和方法，为那些需要专家知识才能解决的应用难题提供了解决途径”^[19]。知识工程掀起了人工智能研发的高潮。1981 年10 月，日本宣布研制第五代电子计算机的十年计划，各国纷纷效仿并制定新一代人工智能研发计划。1984年，雷纳特（Douglas Lenat）开始“CYC 工程”，通过构建知识库和类比推理让计算机发现知识。

这一时期，“化学分析专家系统DENDRAL”“用于诊断和治疗细菌感染性血液病的专家咨询系统MYCIN”“矿藏勘探专家系统PROSPECTOR”等专家系统相继被开发和应用。与此同时，“专家系统自身存在的问题也逐步暴露了出来，如知识获取困难、应用领域狭窄、智能水平低、适应性差等，致使绝大多数仓促上马的所谓的专家系统因其脆弱性和不可靠性而滞留在原型阶段，无法投入实际应用。”^[20]

（二）联结主义兴起与发展(www.xing528.com)

神经网络模型以神经科学认知为前提，基于神经科学的联结主义将计算机信息处理与人脑神经系统结合。它通过类比计算机系统与人脑神经，将计算机系统作为大脑建模的媒介，模拟人的大脑结构以及神经元交互方式来设计智能系统。“智能的神经模型强调大脑由调整各个神经元间的关系适应所处世界的能力。不是按显式逻辑句子表示知识，它们作为各种关系模式的性质隐式捕捉知识。”^[21]

20 世纪70 年代，人工神经网络的研究陷入低谷。20 世纪80 年代，人工神经网络理论出现新进展。1982 年，美国物理学家霍普菲尔特（Hopfield）将统计力学方法引入人工神经网络存储与优化，提出离散的神经网络模型。1984 年，他又提出了连续神经网络模型。1985 年，鲁梅尔哈特（Rumelhart）、辛顿等学者实现了使用“后向传播”BP 算法训练神经网络。1987 年，第一届人工神经网络国际会议在美国召开，国际神经网络学会（INNS）成立。1995 年，延恩·勒昆（Yann LeCun）等人在生物视觉模型的启发下，改进卷积神经网络（convolution neural network），模拟视觉皮层中的细胞，进行图像分类，在手写识别上取得进展。

（三）基于智能体（agent）的分布式人工智能

20 世纪90 年代前后，人工智能研发人员就人工智能的理论和技术困局进行全面反思，批判还原论，重新构建人工智能基本理论，调整对人工智能的期许，放弃不切实际的幻想。其中一个显著的变化是人工智能研究从客体转向主体。“主体概念的回归并不单单是因为人们认识到了应该把人工智能各个领域的研究成果集成为一个具有智能行为概念的‘人’，更重要的原因是人们认识到了人类智能的本质是一种社会性的智能。”^[22]

社会性智能强调智能的社会属性和文化属性，将智能视为体现在智能个体或集体行为中交互作用的结果。社会性智能的基本构成是“智能体”或“智能主体”（agent）。智能体具有一定的自主性，在特定情境中与其他智能体交互作用，直接或间接影响环境。人类活动往往是由地理位置上分散的多人共同参与完成的，与此类似，在分布式人工智能中，地理位置上分散的多个智能体共享信息，在合作或竞争的情况下工作。单个智能体预测整体状况以便局部决策，求解子问题，进而将结果传递给其他智能体。