跳至內容

GOFAI

維基百科,自由的百科全書

在人工智能哲學中,GOFAI(老式人工智能,英語:Good Old-Fashioned Artificial Intelligence)指的是經典的符號人工智能(英語:symbolic AI),用以區別於後期出現的其他研究路徑,如人工神經網絡(連接主義)、情境機械人學、狹義符號人工智能或神經符號人工智能。[1][2]

該術語由哲學家約翰·豪格蘭(John Haugeland)在其1985年的著作《人工智能:它的真正理念》(Artificial Intelligence: The Very Idea)中首創。[3]

豪格蘭創造這一術語旨在探討兩個核心命題:

  • GOFAI 能在機器中產生人類水平的通用人工智能嗎?
  • GOFAI 是大腦展現智能的主要運作方式嗎?

人工智能先驅赫伯特·西蒙在1963年曾推測這兩個問題的答案均為「肯定」。他的依據源於其參與開發的程序(如邏輯理論家和通用解題器)的表現,以及他在人類問題解決方面的心理學研究。[4]

20世紀50至60年代的早期人工智能研究對思想史產生了深遠影響:它啟發了認知革命,促成了認知科學學術領域的建立,並成為了計算主義、機能主義和倫理學認知主義等哲學理論,以及認知主義和認知心理學等心理學理論的核心案例。推動這場革命的 AI 研究特徵,正是豪格蘭所定義的「GOFAI」。

在技術與開發語境下,GOFAI 通常指代以顯式符號表示和預先定義規則為基礎、通過專門設計的指令來執行特定任務的人工智能程序;在通俗口徑中,它常與依賴數據驅動的機器學習方法相對舉,但這一對舉本身掩蓋了「機器學習」界定上的分歧。[5] 一些研究者將 GOFAI 與機器學習視為兩種不同的 AI 類型,認為前者依賴人工編碼的規則,而後者從數據中自動學習[6][7];另一些研究者則認為,符號 AI 本身也可用於機器學習,例如通過歸納邏輯編程等方式從知識中進行學習,因此不應被排除在機器學習範疇之外[8]。這種分歧也體現在具體系統層面:部分常被歸為 GOFAI 的系統實際上結合了機器學習方法,例如早期的下棋程序AlphaGo即同時使用了深度神經網絡與樹搜索[9];蘋果最初的Siri設計也部分結合了符號邏輯,但其架構並非純粹符號系統[5]。爭議的根源在於「機器學習」的界定寬窄不同。教科書與手冊傳統把遺傳算法、規則學習等符號式與演化式方法列為機器學習的組成部分,Garcez 與 Lamb 亦強調機器學習並不限於梯度法與連續表示[10][11][5];張鈸等人則按知識驅動與數據驅動,認為符號主義與連接主義分屬兩代人工智能,「符號人工智能」在部分學者用語中亦指不具備學習能力的專家系統,按「機器學習研究從經驗中自動改進的計算機算法」的通行定義,純 GOFAI 系統便不在其列[8][5][10]。兩種口徑由此在「這類符號方法是否屬於機器學習」這一問題上給出相反答案[5][8]。張鈸等人還把對抗樣本列為數據驅動的深度學習脆弱性的典型表現,主張結合知識驅動與數據驅動兩條路線,構造更安全可靠的第三代人工智能。[8]

西方理性主義傳統

[編輯]

豪格蘭將 GOFAI 置於西方哲學的理性主義傳統之中。該傳統認為,抽象的理性是人類「最高級」的機能,是人與動物的本質區別,也是智能最核心的部分。這種觀念貫穿於柏拉圖、亞里士多德、莎士比亞、霍布斯、休謨和洛克的思想中,並構成了啟蒙時代、20世紀30年代的邏輯實證主義者,以及20世紀60年代的計算主義者與認知主義者的思想基礎。正如莎士比亞在《哈姆雷特》中所讚嘆的:

人類是一件多麼了不得的傑作!多麼高貴的理性!多麼偉大的力量!……在理解上多麼像一個神明!宇宙的精華!萬物的靈長![12]

20世紀60年代的符號人工智能成功模擬了高級推理過程(包括邏輯演繹、代數、幾何、空間推理和手段-目的分析),且這些過程都能用精確的英語句子來表達,猶如人類進行清晰推理時一般。當時許多觀察家(包括哲學家、心理學家及人工智能研究人員)開始相信,他們已經捕捉到了智能的本質特徵。這並非單純的傲慢或臆測,而是理性主義推導出的必然結論——如果這不成立,那麼整個西方哲學傳統的很大一部分將受到質疑。

相對而言,包括尼采、胡塞爾、海德格爾等在內的歐陸哲學流派則拒絕了這種極端的理性主義。他們認為人類的高級推理是有限且易錯的,我們的大部分能力實際上源於直覺、文化背景以及對情境的本能感知。熟悉這一傳統的哲學家(如休伯特·德雷福斯和豪格蘭)因此成為了最早批評 GOFAI 的學者,並對其「符號邏輯已足以產生智能」的斷言提出質疑。

豪格蘭對 GOFAI 的界定

[編輯]

無論是來自哲學界、心理學界還是人工智能界,豪格蘭立場的批評者與支持者都發現很難為「GOFAI」給出一個絕對精確的定義,因此文獻中存在着各種解釋。例如,德魯·麥克德莫特(Drew McDermott)曾認為豪格蘭對 GOFAI 的描述「缺乏連貫性」,甚至主張 GOFAI 只是一個「神話」。[13]

豪格蘭首創 GOFAI 一詞,主要是為了檢驗「所有 GOFAI 理論基本主張」的哲學含義,[3] 他將這些主張歸納為:

1. 我們智能地處理事物的能力,歸功於我們理性思考它們的能力(包括潛意識思考);

2. 我們理性思考事物的能力,等同於進行內部「自動化」符號操縱的機能。

——Haugeland (1985,第113頁)

這與赫伯特·西蒙和艾倫·紐厄爾在1963年提出的物理符號系統假說中關於「充分性」的論述高度一致:

「一個物理符號系統具有執行通用智能行為的必要和充分的手段。」

——Newell & Simon (1976,第116頁)

同時,它也類似於休伯特·德雷福斯提出的「心理學假設」(參見德雷福斯對人工智能的批評#德雷福斯關於人工智能研究的四個假設):

「心靈可以被視為一種根據形式規則處理信息比特的設備。」

——Dreyfus (1979,第157頁)

在豪格蘭的語境中,GOFAI 指的是受一套指令支配的符號操縱(Symbol manipulation)。他所說的「符號」是指被賦予了明確語義的離散物理實體(例如 <cat> 和 <mat>),而非原始信號、未識別的數值矩陣,更不是計算機底層的 0 和 1。[14][15] 因此,豪格蘭定義的 GOFAI 既不包括控制論、感知器、動態規劃或控制理論等早期技術,也不包括現代的神經網絡或支持向量機。

豪格蘭探討的核心在於:GOFAI 對於實現通用人工智能(AGI)是否「足夠」(充分)——即創造完全智能的機器是否「不需要」引入其他任何機制。基於此,豪格蘭的 GOFAI 不涵蓋將符號 AI 與其他技術結合的混合系統(如神經符號人工智能),也不包括那些僅為解決特定狹義問題且不志在實現通用智能的狹義符號人工智能系統。

各界回應

[編輯]

人工智能科學家的視角

[編輯]

人工智能學者斯圖爾特·羅素(Stuart Russell)和彼得·諾維格(Peter Norvig)在評價德雷福斯和豪格蘭的批評時寫道:

他們批評的技術後來被稱為「老式人工智能」(GOFAI)。GOFAI 相當於最簡單的邏輯智能體設計……我們發現……要在一套充分且必要的邏輯規則中捕捉到合適行為的每一種偶然性,確實是非常困難的;我們將這稱為資格問題(Qualification problem)。[16]

為了克服這些局限,20世紀80年代之後的符號 AI 研究開始引入針對開放域更具魯棒性的方法,例如概率推理、非單調推理以及機器學習技術。

發展至今,大多數人工智能研究人員[來源請求]認為,通向通用人工智能的道路需要依賴深度學習,或者更有可能是神經網絡與符號邏輯相結合的綜合性方法(即神經符號人工智能)。

參考文獻

[編輯]
  1. ^ Boden 2014.
  2. ^ Segerberg, Meyer & Kracht 2020.
  3. ^ 3.0 3.1 Haugeland 1985,第113頁.
  4. ^ Newell & Simon 1963.
  5. ^ 5.0 5.1 5.2 5.3 5.4 Garcez, Artur d'Avila; Lamb, Luis C. Neurosymbolic AI: The 3rd wave. Artificial Intelligence Review. 2023, 56 (11): 12387–12406. doi:10.1007/s10462-023-10448-w. 
  6. ^ Cukurova, Mutlu; Luckin, Rosemary. What is AI and why AI might be useful in education?. AI for School Teachers. CRC Press. 2022. ISBN 9781003193173. doi:10.1201/9781003193173-1. 
  7. ^ Smith, Brian Cantwell. The Promise of Artificial Intelligence: Reckoning and Judgment. MIT Press. 2019. ISBN 9780262043045. doi:10.7551/mitpress/11674.001.0001. 
  8. ^ 8.0 8.1 8.2 8.3 張鈸, 朱軍, 等. 迈向第三代人工智能. 中國科學:信息科學. 2020, 50 (9): 1281–1302 [2026年10月11日]. doi:10.1360/SSI-2020-0204 (中文). 
  9. ^ Silver, David; Huang, Aja; Maddison, Chris J.; Guez, Arthur; Sifre, Laurent; van den Driessche, George; Schrittwieser, Julian; Antonoglou, Ioannis; Panneershelvam, Veda; Lanctot, Marc; Dieleman, Sander; Grewe, Dominik; Nham, John; Kalchbrenner, Nal; Sutskever, Ilya; Lillicrap, Timothy; Leach, Madeleine; Kavukcuoglu, Koray; Graepel, Thore; Hassabis, Demis. Mastering the game of Go with deep neural networks and tree search. Nature. 2016, 529 (7587): 484–489. doi:10.1038/nature16961. 
  10. ^ 10.0 10.1 Mitchell, Tom M. Machine Learning. New York: McGraw-Hill. 1997 [2026年10月11日]. ISBN 978-0-07-042807-2 (英語). 
  11. ^ Banzhaf, Wolfgang; Machado, Penousal; Zhang, Mengjie (編). Handbook of Evolutionary Machine Learning. Singapore: Springer. 2023 [2026年10月11日]. ISBN 978-981-99-3813-1. doi:10.1007/978-981-99-3814-8 (英語). 
  12. ^ Shakespeare, William. The Globe illustrated Shakespeare. The complete works, annotated, Deluxe Edition, (1986). Hamlet, Act II, scene 2, page 1879. Greenwich House, Inc. a division of Arlington House, Inc. distributed by Crown Publishers, Inc., 225 Park Avenue South, New York, NY 10003, USA.
  13. ^ Drew McDermott, GOFAI Considered Harmful (And Mythical), 2015, S2CID 57866856 
  14. ^ Touretzky & Pomerleau 1994.
  15. ^ Nilsson 2007,第10頁.
  16. ^ Russell & Norvig 2021,第982頁.

參見

[編輯]