范文一：不确定性与人工智能

　　【内容摘要】建立在确定性基础上的人工智能研究虽然取得了一系列成果，但并没有使机器达到人类所期待的智能。要想解决人工智能遇到的困难，需要在研究中考虑到不确定性的因素。本文首先回顾了不确定性的哲学发展，然后从机制主义的智能生成机制角度来分析人工智能过程中存在的不确定性并在此基础上讨论了不确定性的引入对人工智能发展的启示。 　　【关 键 词】人工智能 不确定性 机制主义 　　 　　 英国数学家阿兰?图灵提出了一个判断机器是否有人的智能的测试标准――图灵测试，但很多人认为“图灵测试”本身是不确定性的，不符合科学测量的方法。因为感官存在局限性，而有效的科学测量需要依靠仪器来完成。但是在“图灵测试”中，判定机器是否有智能的标准是测试者――人，而人在获取信息的过程中本身是不确定的，必定导致测试的不确定性。此外人类对智能的衡量标准也是不确定性的，不同的时代，人类对智能有着不同的标准，使得检测出来的智能具有偶然性和临时性。 　　 在人工智能领域，还有许多类似的不确定性问题值得人类去思考和探究，不确定性已经成为人工智能发展和考虑的重要的方面。 　　 一、不确定性的哲学发展 　　 统计力学、量子力学出现之前，牛顿的经典力学奠定了物理学的基础，确定性融入了大多数人的认知观，不确定性一直未能真正走进科学的殿堂[1]。 　　 （一）确定性哲学 　　 近代哲学之父笛卡尔思想的出发点从上帝发展为找到一个确定性的知识基础。在他看来，数学是唯一能够提供精确知识的学问，数学和物理学结合，将精确地表示出所有的科学解释。德国哲学家、数学家莱布尼兹坚信基于符号化的科学语言可以建立“普遍逻辑”和“逻辑演算”，世界上的一切都可以解释清楚。 　　 英国物理学家、数学家牛顿认为时空是绝对的，并且一切可观测的物理量在原则上都可以无限精确的测量，其基础是物理规律的确定性。法国数学家、天文学家拉普拉斯曾说：“如果准确的获得了宇宙的完整信息，就能够决定它在未来和过去任意时刻的状态。”认为一切事物都被一种不可抗拒的力量决定，世界是确定的。 　　 （二）不确定性哲学 　　 著名思想家老子提出“有无相生，难易相成，长短相形，高下相倾”强调了相互对立的事物中存在一个渐变的过程，事物之间的差别没有确定性的界限。东汉哲学家王充在论述世间万物生成机理的时候，认为事物并不存在预先设定好的目标和方案，最终结果如何，将受到偶然因素的左右。 　　 客观唯心主义建立者黑格尔把认识作为整体看，提出了正反合三段式运动，认为真和假不再是界限分明的对立物；真理是不断建立自身的运动主体，而非静止的点。德国哲学家康德认为事物是具体的和物化的，而语言是抽象的，在认识事物的过程中，“知性为自然立法”，即事物的特性与观察者有关。 　　 在自然科学领域，随着科学研究的逐步深入，经典力学逐渐暴露出其局限性。例如经典力学中研究对象可以确定性的分为“波”和“粒子”，是一种非此即彼的状态，但爱因斯坦在研究光电效应时发现光在具有普遍上认可的“波”的性质的同时还具有“粒子”的特性，这是一种亦此亦彼“模糊”的状态。随后科学家发现包括电子在内的一切物质都存在波粒二象性，奠定了量子力学的基础，德国理论物理学、原子物理学家韦纳?海森堡提出了“测不准原理”，认为一个微粒的某些物理量不可能同时具有确定的数值，即一个量越确定，另一个量的不确定性越大，再精密的仪器也不能测出完全精确的值。人们逐渐接受了：世界是不确定的，确定性是不确定性的特例。 　　 不确定性和确定性是一对矛盾的概念，二者互为补充，在一定条件下可以互为转换。只把握住确定性，否认不确定性，将会陷入机械的决定论；反之，可能会走向不可知论，因此，只有同时认识到确定性和不确定性，才能更好的进行探索和研究。 　　 二、人工智能的不确定性 　　 由于符号主义、联结主义和行为主义[2]可以和谐的统一到机制主义的框架中来，所以本文将以机制主义的智能生成机制作为讨论的基础[3]。智能生成机制分为四步：一是从本体论信息到认识论信息的信息获取过程；二是从认识论信息到知识的认知过程；三是从知识到智能策略的决策过程；四是从智能策略到智能行为的执行过程。 　　 在信息获取过程中，本体论信息的不确定性体现在：随机性、模糊性、不完备性；而认识过程的不确定性体现在：感觉的不确定性、知识结构的不确定性、记忆的不确定性、思维的不确定性[4]。在从认知论信息到知识的认知过程中，所形成的知识的不确定性不仅包括了随机性、模糊性、不完备性，还包括了不协调性和非恒常性。在知识到智能策略的决策过程中，由于决策过程本身就是在多个备选方案中选择一个的过程，所以是不确定的。从智能策略到智能行为的过程是确定的，但行为的结果是不确定的。 　　 （一）本体论信息的不确定性 　　 不确定性的本体论信息可以划分为三类：随机信息、模糊信息和不完备信息。智能主体往往在同一时刻就会获取多维的多样化的信息，可以称为是由信息构成的庞大的信息系统。在信息系统中有视觉、听觉、嗅觉、味觉、触觉等众多信息，其复杂度可想而知，在筛选、提取、辨认、识别的过程中也不可避免地会导致更多的不确定因素。 　　 （二）认知过程的不确定性 　　 认知是主观对客观世界的一种映象，认知过程的不确定性主要包括如下四个方面： 　　 1.感觉的不确定性：智能主体的生存离不开环境，在与环境交互的过程中，感觉具有明显的不确定性，如“香”、“辣”、“冷”这些概念都是不确定的，感觉器官并不能精确定义出其中有多少个令人愉悦的气体分子，辣度达到了多少个斯高尔威单位，水温是零下摄氏几度。对于舒服、疲惫、快乐、伤心这些主观感受来说，更难做出确定性的划分。 　　 2.知识结构的不确定性：人们往往无法捕捉到环境的全信息，必然对信息有所筛选，而筛选的过程建立在先验基础上的，导致把握信息时的不确定性。例如，随着人类知识的扩充，经历了“人是机器――人不是机器――人等于机器――人不等于机器”的路线，其中的每一个过程在当时的知识水平下看都是能得到普遍认可的，但随着知识的更新，导致原来认为是正确的认识被新的认识替代，是一个否定之否的辩证过程。 　　 3.记忆的不确定性:记忆是对输入信息的编码、贮存和提取的过程，但记忆并不牢固，存在一个遗忘进程，由于认知主体生理特点、生活经历、记忆习惯、记忆方式、记忆特点、记忆时间、兴趣方向的不同，大脑往往抓住认知主体最感兴趣的部分，而其他细枝末节将逐渐遗忘。 　　 4.思维的不确定性:逻辑思维往往是确定的，可以抽象为符号语言通过计算机来模拟实现；但形象思维包括了联想、创造、顿悟等形式，没有确定的规律可寻，而它们在人脑中却占据了相当大的比例，是智能的重要体现。 　　 （三）知识的不确定性 　　 智能主体得到的知识具有不确定性，主要体现为不协调性和非恒常性。 　　 1.不协调性:知识的不协调按不协调的程度可以依次分为冗余、干扰、冲突。一般来说，冗余不会导致知识的不确定性，但干扰和冲突却可能带来意想不到的变化。干扰是指对当前待解决的问题不但没有帮助，反而会对其他知识起到阻碍、抑制的作用，甚至导致错误结果的现象。冲突指知识之间相互抵触或完全对立。冲突是矛盾，存在于一切事物中，知识也不例外，但新旧知识的冲突可以促使知识体现出一种非单调的逻辑，鼓励人们通过研究探索修改原有的知识，甚至推翻原有的知识重新构建更新的知识，使得人类在对立统一中逐渐逼近真理。

　　 2.非恒常性:非恒常性主要指知识随时间的变化而变化的特性。在变化过程中，可能是从不知道到知道，从不深刻到深刻，不断更新的否定之否的过程；也可能因为记忆的衰退、遗忘导致知识逐渐遗忘；还可能因为智能主体观念的彻底改变，从而推翻了原有的知识构建。 　　 （四）决策的不确定性 　　 不同智能主体的出发点和目标不同，即使所有初始条件相同，也可能做出迥异的决策；同一主体在不同时刻、不同环境、不同心境、不同知识结构的时候，做出的决策也会大不一样。为了做出更优化的决策，不仅需要经验的积累，还需要尽可能多的掌握信息。 　　 （五）执行结果的不确定性 　　 执行结果能否按照预期的方向发展，受限于多方面条件，导致最终结果充满了不确定性。在单个人来说，执行的最终结果会受到客观条件的影响，差之毫厘，可能失之千里。对于博弈双方来说，单方面的决策即使是智能主体觉得最优化的，其执行的结果不但与环境等客观条件息息相关，还取决于对手的决策。当把情况拓展到多个博弈方时，情形将会更加复杂。 　　 三、不确定性对人工智能的启示 　　 人工智能的目的是让机器拥有智能，但当前对智能的定义各不相同。虽然不能准确的定义智能到底是什么，但可以探究哪些方面属于智能，本文倾向于多元智能理论[5]。多元智能理论的提出有助于找准最适合开发不同智能的时间段，通过训练开发儿童的智能。那么，能否通过人工智能的方法开发计算机的潜能，让机器也拥有多元智能呢？就目前人工智能的发展来看，不确定性的引入很可能就是开发机器多元智能的重要手段。 　　 当前的人工智能发展成果大多是在数字逻辑智能方面的，但在理解、创作等方面的发展还相对缓慢[6]。如果将不确定性成功地运用到人工智能领域[7]，很可能让计算机在语言智能、空间智能、身体运动智能、音乐智能、人际智能、自我认知智能等方面有所突破。 　　参考文献： 　　[1]谢千河,王鹏.不确定性的哲学发展历程及分析[J].内江师范学院学报,2009(9) 　　[2]黄伟,聂东,陈英俊,人工智能研究的主要学派及特点[J].赣南师范学院学报,2001(2). 　　[3]钟义信.机制主义――人工智能的统一理论[J].电子学报,2006(2). 　　[4]（美）Smart Russell,Peter Norvig.人工智能――一种现代方法(第二版)[M].姜哲等译.北京:人民邮电出版社,2004. 　　[5]霍华德?加德纳.多元智能[M].沈致隆译.北京:新华出版社,1999. 　　[6]中国人工智能学会编著.智能科学与技术学科发展报告[R].北京:中国科学技术出版社,2010. 　　[7]李德毅等.不确定性人工智能[M].北京：国防工业出版社,2005.

范文二：不确定性人工智能

V ol.15, No.11 ?2004 Journal of Software 软 件 学 报 1000-9825/2004/15(11)1583 不确定性人工智能

? 李德毅 1+, 刘常昱 2, 杜 鹢 3, 韩 旭 2 1

(中国电子工程系统研究所 , 北京 100840) 2

(中国人民解放军理工大学 , 江苏 南京 210007) 3(中国电子设备系统工程公司 , 北京 100840)

Artificial Intelligence with Uncertainty

LI De-Yi1+, LIU Chang-Yu 2, DU Yi 3, HAN Xu 2

1

(China Institute of Electronic System Engineering, Beijing 100840, China) 2

(PLA University of Science and Technology, Nanjing 210007, China) 3(China Electronic System Engineering Company, Beijing 100840, China)

+ Corresponding author: E-mail: ziqin@public2.bta.net.cn, http://www.thss.tsinghua.edu.cn/ldy/index_ldy.asp

Received 2004-07-13; Accepted 2004-09-13

Li DY, Liu CY, Du Y, Han X. Artificial intelligence with uncertainty. Journal of Software, 2004,15(11): 1583~1594.

Abstract : Uncertainty exists widely in the subjective and objective world. In all kinds of uncertainty, randomness and fuzziness are the most important and fundamental. In this paper, the relationship between randomness and fuzziness is discussed. Uncertain states and their changes can be measured by entropy and hyper-entropy respectively. Taken advantage of entropy and hyper-entropy, the uncertainty of chaos, fractal and complex networks by their various evolution and differentiation are further studied. A simple and effective way is proposed to simulate the uncertainty by means of knowledge representation which provides a basis for the automation of both logic and image thinking with uncertainty. The AI (artificial intelligence) with uncertainty is a new cross-discipline, which covers computer science, physics, mathematics, brain science, psychology, cognitive science, biology and philosophy, and results in the automation of representation, process and thinking for uncertain information and knowledge.

Key words: entropy; hyper-entropy; chaos; fractal; complex network; power-law distribution

摘 要 : 在主、客观世界普遍存在的不确定性中 , 随机性和模糊性是最重要的两种形式 . 研究了随机性和模糊 性之间的关联性 , 统一用熵作为客观事物和主观认知中不确定状态的度量 , 用超熵来度量不确定状态的变化 , 并 利用熵和超熵进一步研究了混沌、 分形和复杂网络中的不确定性 , 以及由此带来的种种进化和变异 , 为实现不确 ? Supported by the National Natural Science Foundation of China under Grant Nos.60375016, 60496323 (国家自然科学基金 )

作者简介 : 李德毅 (1944-), 男 , 江苏泰县人 , 博士生导师 , 中国工程院院士 , 主要研究领域为人工智能 , 指挥自动化 ; 刘常昱 (1973-), 女 , 博士生 , 主要研究领域为人工智能 ; 杜鹢 (1971-), 男 , 博士 , 高级工程师 , 主要研究领域为计算机网络 , 人工智能 ; 韩旭 (1978-), 男 , 硕士生 , 主要研究领域为人工智能 .

1584 Journal of Software软件学报 2004,15(11)

定性人工智能找到了一种简单、有效的形式化方法 , 也为包括形象思维在内的不确定性思维的自动化打下了基 础 . 不确定性人工智能是人工智能进入 21世纪的新发展 . 这个由多学科交叉渗透构成的新学科 , 必将使得机器能 够具备人脑一样的不确定性信息和知识的表示能力、处理能力和思维能力 .

关键词 : 熵 ; 超熵 ; 混沌 ; 分形 ; 复杂网络 ; 幂律分布

中图法分类号 : TP18文献标识码 : A

这个世界是确定的还是不确定的 ? 无论在科学界还是哲学界 , 这都是一个长期争论的重要问题 . 爱因斯坦 说 :“ 上帝不会和我们掷色子 ”, 而玻尔则认为 “ 我们不能断言上帝该做些什么 ”.

以牛顿理论为代表的确定性科学 , 创造了给世界以精确描绘的方法 , 将整个宇宙看作是钟表式的动力学系 统 , 处于确定、和谐、有序的运动之中 . 只要知道初始条件 , 就可以决定未来的一切 [1]. 从牛顿到拉普拉斯再到爱 因斯坦 , 描绘的都是一幅幅完全确定的科学世界图景 . 确定性论者也并非拒绝一切不确定性 , 但是他们认为产生 不确定的原因是对初始条件的测量误差 , 或者人类自身认知的局限性和知识的不完备 , 而并非事物的本来面貌 . 确定性科学的影响曾经如此强大 , 以至于在相当长的一段时间内限制了人们认识宇宙的方式和视野 , 虽然生活 在到处都有复杂混乱现象的现实世界里 , 科学家们看到的却只是钟表式的机械世界 , 科学的任务只是阐明这架 钟表的结构和运行规律 , 而将不确定性看作是无足轻重的 , 并将其排除在近代科学的研究对象范围之外 .

也有科学家对确定论提出质疑 . 麦克斯韦认为这个世界的真正逻辑是概率演算 , 玻尔兹曼则把随机性观点 引入物理学 , 建立了统计力学 . 对确定论造成更大冲击的是量子力学的出现 . 海森堡的测不准原理表明 , 获得严 格精确的初值在原理上是不可能的 . 这意味着 , 不确定性是客观世界中的一种真实存在 , 是存在于宇宙间的基本 要素 , 与人类是否无知没有关系 .

客观世界中的绝大部分现象都是不确定的 , 所谓确定的、规则的现象 , 只会在一定的前提和特定的边界条 件下发生 , 只会在局部或者较短的时间内存在 . 随着不确定性研究的深入 , 世界的不确定性特征越来越得到学术 界的普遍认可 , 无论是在物理学、数学、生物学等自然科学领域 , 还是在哲学、经济学、社会学、心理学、认 知学等社会科学领域 , 虽然许多人还在从事着确定性的研究 , 但已经很难有人对世界的不确定性本质提出实质 性的质疑了 [2]. 越来越多的科学家相信 , 不确定性是这个世界的魅力所在 , 只有不确定性本身才是确定的 . 正是在 这样的背景下 , 混沌科学、复杂性科学和不确定性人工智能才得到了蓬勃发展 .

当然 , 不确定性和确定性并非完全对立 , 在一定程度上可以相互转化 . 例如 , 某一层次的不确定性可能是更 高层次上的确定性 , 种种不确定性中还可能隐藏着某些确定的规律等 . 人工智能学家的任务 , 就是寻找并且能够 形式化地表示不确定性中的规律性 , 至少是某种程度的规律性 , 从而使机器能够模拟人类认识客观世界、认识 人类本身的认知过程 .

1 随机性和模糊性是不确定性的最基本内涵

“ 不确定性 ” 一词最早出现于 1836年詹姆斯 ? 穆勒的《政治经济学是否有用》一文中 . 诺贝尔经济学奖、图 灵奖获得者赫尔曼 ? 西蒙 , 从认知科学和行为科学出发 , 认为 “ 不可避免的是 , 如果经济学家要与不确定性打交道 , 就必须理解人类行为面临的不确定性 ”. 科学进入 21世纪 , 不确定性问题的研究工作受到越来越多的关注 , 但是 不确定性的内涵并没有得到公认的、必要的说明 . 人们目前所说的不确定性 , 其涵义很广泛 , 主要包括随机性、 模糊性、不完全性、不稳定性和不一致性这 5个方面 , 其中随机性和模糊性又是最基本的 .

1.1 随机性和随机数学

随机性又称偶然性 , 是指因为事件发生的条件不充分 , 使得条件与结果之间没有决定性的因果关系 , 在事件 的出现与否上表现出的不确定性质 , 可以用随机数学作为工具进行研究 .

在现实世界中 , 科学家至今没有解释清楚宇宙是怎样形成的 . 地球的形成和人类的出现有很大的偶然性 . 地 球至少经历了 6次生物大规模灭绝 , 最著名的是 6千万年前的恐龙灭绝 . 如果没有那次灾变 , 今天的地球是不是 恐龙世界 ? 人类是否还能是今天的模样 ? 不仅仅是地球 , 包括太阳、行星等整个星系的形成与分布 , 生命的出现 ,

李德毅 等 :不确定性人工智能 1585

物种的演变 , 都含有许许多多偶然的因素 .

在现实生活中 , 你有祖父那样的鼻子 , 你的姐姐有叔父那样的眼睛 , 你们看着虽然相似 , 但又不相同 , 这是生 命遗传中的变异 . 同一物种具有类似的特征 , 但差异也很明显 , 在细节上绝不相同 . 这是由于生物基因中的遗传 特征在复制传递的过程中发生了随机的突变 , 导致新的细胞或个体和它们的祖先有了一些不同 , 这是当今计算 机生物识别的基础 . 在物种进化中 , 正是由于随机变异 , 物种才能不断适应自然 , 在自然选择中优胜劣汰 .

随机性真正为人类所认识 , 要归功于前苏联数学家柯尔莫哥洛夫 . 他在测度论基础上 , 于 1933年在其 《概率 论的基本概念》 一文中 , 首次提出并建立了概率论的公理化方法 , 使得人们可以用数学的方法研究随机性 , 将 “ 随 机性 ” 用 “ 概率 ” 予以量化表示 . 借助于随机变量的分布函数 , 人们可以研究随机现象的全部统计特征 [3].

以贝叶斯公式为基础的贝叶斯理论,在人工智能中一直是处理不确定性的重要工具.贝叶斯网用图形模式 表示随机变量间的依赖关系,提供一种框架结构来表示因果信息.贝叶斯网可以表达各个节点间的条件独立关 系 . 人们可以直观地从贝叶斯网中得出属性间的条件独立以及依赖关系 . 另外 , 贝叶斯网还给出了事件的联合概 率分布 , 根据网络结构以及条件概率表可以得到每个基本事件的概率 . 贝叶斯理论利用先验知识和样本数据来 获得对未知样本的估计 , 而概率是先验信息和样本数据信息在贝叶斯理论中的表现形式 . 这样 , 贝叶斯理论使得 不确定知识表示和推理在逻辑上非常清晰并且易于理解.

此 外 , 在 基 于 概 率 的 不 确 定 性 知 识 表 示 研 究 方 面 ,Shortliff 等 人 提 出 了 带 可 信 度 的 不 确 定 推 理 , 之 后 ,Dempster 和 Shafer 又提出证据理论 , 引入信任函数和似然函数来描述命题的不确定性 . 证据理论满足比概率 论弱的公理 , 又称为广义概率论 . 当先验知识很难获得时 , 证据理论可以区分不确定和不知道的差异 , 比概率论 更合适 . 而当先验概率已知时 , 证据理论就变成了概率论 .

1.2 模糊性和模糊数学

模糊性又称非明晰性 . 它的出现是由于概念本身模糊 , 一个对象是否符合这个概念难以确定 , 在质上没有明 确含义 , 在量上没有明确界限 . 这种边界不清的性质 , 不是由人的主观认识造成的 , 而是事物的一种客观属性 . 概 念外延的不确定性质 , 可以用模糊数学作为工具来研究 .

天空中变幻莫测的云彩、袅袅升起的炊烟、突然的一场大雾 , 每个人都熟悉这类现象 , 但是却无法准确地 描述它们的形状 . 这是因为这类现象没有明确的边界 , 外观形状不规则、不光滑、极其复杂、随时间变化 . 边界 的模糊性是自然界的一种美 .

春夏秋冬 , 季节交替 , 人们可以说 , 某月是春天 , 某月是夏天 , 但是很难确定不同季节具体是在哪一天转换的 , 怎么能说今天是春天 , 而明天就是夏天了呢 ? 同样 , 白昼黑夜 , 哪一刻是分明的界限 ? 少年青年 , 谁会在一夜之间长 大 ? 广而言之 , 所有转变过程在微观上都是一个渐近的连续过程 , 不存在明确的、 突变的界限 , 这也是一种模糊性 . 1965年 , 美国学者 L.A. Zadeh创建了模糊集合论 , 提出了模糊信息的处理方法 . 模糊集合论的贡献在于引入 了集合中元素对该集合的 “ 隶属度 ”, 从而将经典集合论里的特征函数取值范围由二值 {0,1}推广到区间 [0,1],将 经典二值逻辑推广至多值逻辑 , 使得模糊性可以用 [0,1]上的区间来度量 [4]. 由 Pawlak 提出的粗糙集理论 [5],Gau 和 Buehrer 提出的 Vague 集理论 [6], 都是对模糊集的扩充 . 粗糙集通过上下边界 ,Vague 集通过对模糊对象赋予真、 假隶属函数 , 来处理模糊性 .

人工智能对模糊性的研究方法 , 通常是将原有的精确知识的处理方法以各种方式模糊化 , 如模糊谓词、模 糊规则、模糊框架、模糊语义网、模糊逻辑等等 . 模糊逻辑后来又发展成为一种可能性推理方法 , 借助于可能 性度量与必然性度量 , 更好地处理模糊性 .

1.3 随机性和模糊性的关联性

人们分别用随机数学和模糊数学去研究随机性和模糊性 , 仅仅是从不同的角度去认识不确定性 , 并规定了 各自的公理系统 .

但是 , 当研究广义的不确定性的时候 , 这些公理作为前提条件是否成立 , 常常成了一个大问题 . 例如 , 通过概 率分布函数 , 随机数学可以很好地刻画随机现象的统计特性 , 但是常用概率分布的前提条件过于严格 . 例如 , 常 常要求影响随机现象结果的因素是几乎均匀而且独立的 , 随机变量之间是不相关的 , 基本事件概率之和为 1, 样

1586 Journal of Software软件学报 2004,15(11)

本趋于无穷等等 . 模糊理论利用隶属函数精确刻画模糊现象的亦此亦彼性 , 却忽略了隶属函数本身的不确定性 . 这两种理论可以分别处理随机性和模糊性 , 没有考虑二者之间的关联性 . 更何况 , 研究客观世界和主观世界中的 不确定性也并非总是要从这样的角度切入 .

实际上 , 随机性和模糊性常常是连在一起的 , 难以区分和独立存在 , 作为人类思维和认知载体的语言 , 表现 得尤为明显 . 近十几年来 , 我们在随机数学和模糊数学的基础上 , 提出用云模型来统一刻画语言值中大量存在的 随机性、 模糊性以及两者之间的关联性 , 把云模型作为用语言值描述的某个定性概念与其数值表示之间的不确 定性转换模型 [7,8]. 以云模型表示自然语言中的基元——语言值 , 用云的数字特征——期望 Ex , 熵 En 和超熵 He 表示语言值的数学性质 .“ 熵 ” 这一概念最初是作为描述热力学的一个状态参量 , 以后又被引入统计物理学、 信息 论、复杂系统等 , 用以度量不确定的程度 [9]. 在云模型中 , 熵代表一个定性概念的可度量粒度 , 熵越大粒度越大 , 可 以用于粒度计算 ; 同时 , 熵还表示在论域空间可以被定性概念接受的取值范围 , 即模糊度 , 是定性概念亦此亦彼 性的度量 . 云模型中的超熵是不确定性状态变化的度量 , 即熵的熵 . 云模型既反映代表定性概念值的样本出现的 随机性 , 又反映了隶属程度的不确定性 , 揭示了模糊性和随机性之间的关联 .

由于自然科学、 社会科学中大量的随机现象都服从正态分布 , 正态云模型及其普遍适用性 [10]受到了人们的 普遍关注 .

当然 , 不确定性还包含不完全性、不稳定性和不一致性 . 对这些性质的研究 , 也许要待随机性和模糊性的形 式化方法建立之后 , 才能够深入展开 .

2 混沌、分形和复杂网络

在不确定现象中 , 混沌、分形和复杂网络是目前人们研究不确定性最感兴趣的 3个领域 .

2.1 混 沌

混沌的发现是对确定论最大的冲击 . 过去科学家们认为确定的系统只能产生确定的结果 , 绝对不会产生随 机性 , 而把产生随机现象的原因归结为外部的影响 . 混沌科学却告诉我们 , 确定性的系统也可以产生随机的结 果 . 非线性动力学中的 “ 混沌 ” 概念有着严格的科学定义 , 而人工智能以及其他一般科学中的混沌 , 指的是由确定 性系统产生的复杂的随机行为 , 是人类社会和自然界中普遍存在的一种不确定运动形态 .

科学家曾经以为天气可以精确预报 , 甚至是可以控制和改变的 . 但实际上 , 天气每天都在变化 , 没有一天是 相同的 , 即使预报方程完全确定 , 对天气状况做出长期的、准确的预报也是不可能的 . 亚马逊河热带雨林中的一 只蝴蝶搧动了两下翅膀 , 可能两周之后会引发美国德克萨斯州的一场龙卷风 , 这个有趣的 “ 蝴蝶效应 ” 反映的是 混沌现象——初始条件的微小差别能引起结果的巨大差异 . 这一效应在自然界和人类社会中无数次出现 , 正所 谓 “ 失之毫厘 , 差以千里 ” [11~13].

混沌理论研究如何从貌似无序而实际有序、 表面上看来是杂乱无章的现象中找出其确定的规律 . 生物学家 发现在人类的心脏中有混沌现象存在 , 显微镜下交叉缠绕的微细血管 , 高度复杂中也有惊人的有序性 . 在生物脑 神经系统中 , 从微观的神经膜电位到宏观的脑电波 , 都可以观察到混沌的形态 , 这说明混沌是生物神经系统的特 性之一 .

现代脑科学把人脑的工作过程看成是复杂的多层次混沌动力学系统 , 认为人脑思维过程中存在多层次混 沌 . 通过混沌动力学研究分析脑模型的信息处理能力 . 例如 , 利用动力学在多个吸引流域之间的来回变迁与沟通 来模拟符号与记忆 . 人的思维包含丰富的概念、决策和情绪 , 不可能用静态的数学模型来描绘人类的精神和思 想 . 人类思维是一个多尺度系统 , 神经元联系着各种微观尺度与宏观尺度 , 这与流体力学中的湍流十分相似 . 利 用混沌学还可以进一步探索动态联想记忆 , 并应用到模式识别等领域 . 例如 , 利用混沌理论进行非线性预测和决 策,利用混沌现象对初始值的敏感依赖性,构成模式识别系统等.

从 20世纪 90年代开始 , 人们进一步将混沌和神经网络结合起来 , 提出多种混沌神经网络模型 , 探索应用混 沌理论的各种信息处理方法 , 例如 , 在神经元模型中引入神经元的不应性 , 研究神经元模型的混沌响应、不应性 项的定标参数、不定性时间衰减常数等参数的性质 , 以及这些参数和神经网络混沌响应的关系等等 . 实验结果

李德毅 等 :不确定性人工智能 1587

表明 , 这种由混沌神经网络模型绘出的图形和脑电图极为相似 [14].

2.2 分 形

20世纪 70年代 ,Mandelbort 把分形引入自然科学 . 一个启发性的问题是 “ 英国的海岸线有多长 ”, 答案是 , 长 度随着尺度的不同而不同 . 许多自然现象 , 离开尺度来谈就毫无意义 . 同样 , 人工智能中的数据挖掘和知识发现 , 如果离开发现尺度来谈也没有意义 . 科学家们目前沿着 “ 宏观的更宏观、微观的更微观 ” 这样两个不同的方向来 认识世界 , 同样都是在各自的尺度下发现真理 .

自然界中分形形态随处可见 , 连绵起伏的山脉轮廓、四通八达的江海河川、蜿蜒曲折的海岸线 , 都具有不 光滑性和不规则性 . 被测值随着测量尺度变化而变化 , 只有尺度确定了 , 测量值才能够确定 . 在一定测量范围内 尺度和测量值之间存在幂律关系 . 如云彩的边界、地表的形状、湍体的湍流等等 , 都是存在于大自然中的分形 不确定性 .

分形是为了表征复杂图形和复杂过程而引入自然科学领域的 , 它使自然界中普遍存在的螺旋、 树状、 斑纹、 云彩、火焰等复杂不确定现象的研究变得简单 . 由于计算技术和计算机图形学的发展 , 使得大量的自然景物可 以模拟 . 自然界、人类社会中存在大量的复杂不规则现象和无尺度的不确定现象 , 如湍流、复杂网络上的传播 行为、金融市场的价格波动等 . 这类无尺度、自相似中的不确定性都是分形的研究对象 . 金融市场的价格变化 , 表面随机、无序 , 但是通过对大量现实数据的分析 , 科学家们发现价格变化存在无尺度、自相似的特点 , 用分形 可以模拟价格随时间的变化 , 多重分形还可以描述市场的不确定性 . 与常规的统计方法不同 , 分形将复杂体系分 解 , 可以体现复杂体系中的内部精细结构和蕴含的信息 , 而统计方法只能得到宏观的、粗略的估计 [15].

分形图像压缩是分形理论的一个成功应用 , 基于局部函数迭代系统的分形图像压缩技术可以得到很高的 压缩比和不错的压缩效果 .

2.3 复杂网络

具有小世界效应和无尺度特性的复杂网络近年来备受人们关注 . 大量的真实网络 , 如因特网、万维网、电 力网、航空网、食物链、人际关系网都是这种复杂网络 .

复杂网络拓扑结构的不确定性是复杂网络研究的基本问题 .20世纪中叶 ,Erdos 和 Renyi 突破传统图论 , 用随 机图描绘了复杂网络拓扑 . 近年来研究发现 , 很多实际的复杂网络既不完全规则也不完全随机 , 而是介于完全规 则和完全随机这两个极端之间 , 既具有类似规则网络的较大集聚系数 , 又具有类似于随机网络的较小平均路径 长度 , 这就是小世界网络 . 人际关系网络中的 “ 六度隔离 ” 就是小世界网络的经典例子 .

Watts 和 Strogatz 于 1998年提出了小世界网络模型 , 比较合理地反映了既不完全规则也不完全随机的网络 的统计特性 . 节点的度分布是网络拓扑的重要特征 . 小世界网络和随机网络的节点具有大概相同的链接数 , 即度 分布服从均匀的或者指数分布 . 然而 , 很多实际网络的节点度分布服从 p (k ) ∝k ?γ的幂律形式 , 并且通常 2<><3. 这="" 种网络不同于服从均匀分布或者指数分布的网络="" ,="" 存在一些度很大的节点="" ,="" 但是大部分节点的度都很小="" .="" 因为幂="" 律分布没有任何特定的尺度="" ,="" 所以这种网络称为无尺度网络="">

不少学者利用分形理论研究复杂网络上传播行为的特性 , 研究网络中出现的分叉、混沌现象 . 混沌、分形 和复杂网络 , 都是研究不确定性的非线性科学 , 它们试图找出介于有序与无序、宏观与微观、整体与部分之间 的新秩序 . 混沌、分形和复杂网络近 20年来的发展 , 为研究人类复杂的不确定行为提供了新的理论 .

人是一个能够感知、传输、处理、开发和利用不确定性信息的最复杂的系统 . 人通过各种感觉器官——听 觉、视觉、触觉、嗅觉、痛觉、温度觉、深感觉等——来感知外部世界 . 人脑具有记忆、思维、意识和智能 . 从结构上看 , 人脑是包含 140多亿个神经细胞的复杂网络 , 能灵活处理各种复杂的、不确定的信息 . 人们正试图 构建具有复杂网络特性的认知模型 , 模仿以神经元为基本组成单元的中枢神经系统 . 近年来 , 人们也试图将神经 网络模型、模糊推理和表示、进化算法等与混沌、分形理论结合起来 , 构造新的模型 , 以体现人类的不确定认 知过程 [17].

虽然国内外利用分形、 混沌和复杂网络理论探索人的心智和思维机理的研究刚刚起步 , 但是已受到越来越 多的学者的重视 .

1588 Journal of Software 软件学报 2004,15(11) 3 人类认知过程的不确定性

如果从存在论和认识论两个角度理解不确定性 , 以上讲的主要是存在论意义上的不确定性 , 下面从认识论 意义上讨论人自身认知过程中的不确定性 . 人类的认知 , 实质上是客观世界的一种映像 . 客观世界的不确定性 , 决定了人类主观认知过程的不确定性 .

3.1 感知的不确定性

以视觉为例 , 人睁开眼睛就能看见这个五彩缤纷的世界 . 人从外界感知的信息中大约有 80%是通过视觉得 到的 . 所谓 “ 眼见为实 ”, 真的如此吗 ? 以图 1为例 , 有人看到的是一个少女 , 而有些人看到的则是一个老妇人 . 这是 因为视觉对图像的不同部位注意程度有差异 , 注意整体还是注意局部 , 使得人们对相同的事物看到不同的结果 . 只注意到头发和衣领间的局部 , 可把它看成少女的侧面 ; 而如果将少女的下巴部位看成是鼻子 , 少女的项链部位 看成是嘴 , 就变成了一幅老妇人的画像 . 这就是视觉的不确定性 . 视觉还会有错觉 . 对于图 2, 人们会认为小圆内部 的圆比大圆内部的圆要大 , 而实际上它们一样大 . 背景的干扰使得人们产生了错觉 . 眼睛还会因为光照、角度、 色彩、运动等诸多因素的影响而产生幻觉

.

Fig.1 Uncertainty in visual perception

图 1 视觉感知的不确定性 Fig.2 An optical perception illusion 图 2 视觉感知的错觉

图 3(a)和图 3(b)是两个左右对称的人脸像 , 有人会觉得图 3(a)开心 , 图 3(b)不开心 ; 而在有些人看来则恰恰相 反 . 这是感知不确定性的又一个例子 . 事实上 , 与光学平面镜被动地映射出的客观世界不同 , 眼睛感知的视觉信 息常常是模棱两可的 . 外部世界经过视觉神经的过滤和选择 , 并且根据个体人的经验知识对这些信息做出不同 的解释 . 包括视觉在内的所有感知觉都是主动的过程 , 因而带有一定的主观性和不确定性 . 其实 , 我们对这个世 界的感知基本上都是不确定的 , 对同一对象 , 不同的人有不同感受 . 感知常常是建立在主体先前的活动和经验的 基础上的 , 主体的自我意识、思维方式、经验知识、认知结构 , 甚至个人的爱好、兴趣、性格、价值观念等等 无不渗透与影响着人们对客观世界的感受 . 因此 , 面对同一个感知对象 , 由于个人认知结构的不同 , 对感知对象 的认识与理解也会出现差异 , 从而出现不确定性 [18,19]

.

(a) (b)

Fig.3 Happy or unhappy?

图 3 开心还是不开心 ?

人在不同尺度上的感知也具有不确定性 . 从广阔的银河系外的空间看地球 , 地球自身的大小被忽略 , 是一个 0维的点 . 在太阳系中 , 比如乘航天飞机看地球 , 地球是三维的球体 , 而在飞机上看地球是球面 , 或者是平面 , 倘若 站在旷野上环顾左右 , 则又是另一番景色 . 人类智能可以从极不相同的粒度或者尺度上观察和分析同一问题 , 而 且还能很快地从一个粒度世界跳到另一个粒度世界 , 往返自如 , 这也是人类不确定性智能的魅力所在 .

李德毅 等 :不确定性人工智能

1589

3.2 记忆的不确定性 记忆是人类智能的另一个基本方面 , 对于人类的学习和解决问题能力的培养十分重要 . 我们大脑中能够储 存许多有用的知识和信息 , 为我们的心理发展、个性形成、社会活动提供必要的认知基础 . 但是记忆常常是不 准确的 , 随着时间的推移 , 记忆中事物的面貌、过程的细节会变得模糊 . 一位朋友好久不见 , 他的音容相貌就会逐 渐淡忘 ; 一本书看过不久 , 就只能记得大概情节 ; 无论短时记忆还是长时记忆 , 大脑都会记取事物的整体和特征 , 忽略无关紧要的细枝末节 . 这样 , 人们会得到不具体的、模模糊糊的印象 , 但却能长时间地保持记忆 , 并且在需要 的时候仍然能把记忆中的有用信息提取出来 [19]. 不少学者从事心象方面的研究 , 试图用心象来解释记忆的特性 , 我们在文献 [20]中提出 , 用数据场来模拟人类的认知过程 , 用数据场的影响因子 sigma 来解释记忆随时间而模糊 的现象 . 图 4反映了人脸的记忆淡忘过程 .

Sigma=0.02 Sigma=0.1

Sigma=0.04Sigma=0.06

Sigma=0Fig.4 Fading of a face from memory

图 4 人脸的记忆淡忘过程

3.3 思维的不确定性

人类的思维有精确的一面 , 更有不确定的一面 , 尤其是涉及联想、创造、顿悟等形象思维时 , 更没有确切的 规律可言 . 人类习惯于用自然语言进行思维 , 思维的结果往往是可能如何、大概如何等定性的结论 . 人类还擅长 于通过幻想的、直觉的、抽象的、创造的形象思维来认识客观世界 , 几乎不可能像计算机一样做精确的运算或 者严密的逻辑推理 , 和计算机相比 , 人脑并不具备快速、可靠的计算能力 , 或者海量数据的存储能力 , 但是这并不 妨碍人们的学习和创造能力 , 不妨碍人们具有发达的、灵活的高级智能 . 可以说 , 在人类思维活动中 , 不确定的形 象思维占据了绝大部分 , 与确定的、精确的符号思维活动相比 , 后者可以说是微不足道的 . 人类思维活动的这种 定性特征 , 往往比定量计算更准确、更到位、更贴切 .

4 自然语言的不确定性

语言 , 尤其是文字语言 , 是人类与其他一切生物在智能上的最大区别 , 也是人类智能最突出的表现 . 有了文 字 , 才有了文化 ; 有了传承 , 才有了人类的知识积淀 . 人类用语言描述和记载客观世界 , 描述和记载情感、 心理和认 知活动 . 因此 , 无论研究人类智能还是人工智能 , 应该从研究自然语言开始 ; 研究不确定性人类智能和不确定性 人工智能 , 也应该从研究自然语言的不确定性开始 . 十多年来 , 我们以自然语言值为切入点 , 建立定性和定量转 换模型——云模型 [7,8,10], 其基本原因就在于此 .

自然语言带有模糊性是显而易见的 . 人类感觉器官感受的客观事物往往是连续的 , 例如温度、颜色、气味、 声音等等 . 但是 , 语言符号是离散的 , 用离散的符号去表示连续的事物 , 边界必然不明确 , 产生模糊性 . 比如 ,“ 冷 ” 、 “ 热 ” 、 “ 美 ” 、 “ 丑 ” 等描述人类感官的词语 ,“ 一堆 ” 、 “ 三十几岁 ” 、 “ 两点左右 ” 等描述数量的词语 , 还有在日常生 活中使用频率很高的 “ 很 ” 、 “ 非常 ” 、 “ 也许 ” 、 “ 大概 ” 、 “ 差不多 ” 、 “ 可能 ” 等表示程度的词语都具有模糊性.

自然语言中还存在随机性 . 著名的 Zipf 定律最初就是从语言学中发现的 .Zipf 定律表明 :在一定的领域范围 内 , 如果将语言中的词汇按照出现的概率由高到低排序 , 那么某个词汇出现的概率 P (r ) 与该词汇对应的序号 r 之间的关系是幂律分布 :P (r ) ∝1/r a , 其中 a 是一个正常数 , 称为 Zipf 指数 , a 的大小取决于具体分布 . 在英语中 , a ≈1. 即在英语中 , 使用概率最高的词汇 “the” 的使用频率约是排在第 2位的 “of ” 的 2倍 [21].Zipf 定律揭示了在语言中 经常使用的词汇只占词汇总量的少数 , 绝大部分词汇很少被使用 . 中文中的字和词也有很多类似的统计性质 , 被 用来作为许多汉字输入方法的数学基础 . 目前 , 计算机中输入法的常用字库和一、二级扩展字库就反映了这一 特性 .

1590 Journal of Software软件学报 2004,15(11)

自然语言中的不确定性 , 本质上来源于人脑思维的不确定性 . 这非但没有妨碍反而更加便利了人们的使用 和交流 . 人脑的思维过程从来不是纯数学的、纯定量的 , 这种不确定性使得人们通过语言交互有了更富裕的理 解空间和认知能力 . 上个世纪的确定性人工智能 , 建立了形形色色的比自然语言更精确、更严密的符号语言 , 与 自然语言相比 , 它们过分地机械化和理想化了 , 缺少随机、模糊、混沌、分形以及不确定性 . 如果能让计算机不 用精确、严密的符号语言 “ 计算 ”, 而直接利用自然语言来 “ 思考 ”, 这才是人工智能的方向 . 这也许就是 Zadeh 呼 吁的 “computing with words” 的方向 .

5 不确定性的计算机模拟

认识到不确定性在宇宙间广泛存在 , 确定性只是在某一个尺度上表现 , 是人类认识世界的重大进步 . 它提醒 我们 :不确定性是理解人类智能和机器智能之间巨大差别的关键所在 . 不确定性人工智能 , 必须超越不确定本身 而寻求不确定中的基本规律性 , 寻求表示并处理不确定性的理论和方法 , 使机器能够模拟主客观世界的不确定 性 , 使定性的人类思维可以用带有不确定性的定量方法去研究 , 最终使机器具有更高的智能 , 在不同尺度上模拟 和代替人脑的思维活动 .

不确定人工智能要以机器为载体 , 模仿人类智能 , 必须找到人脑的定性分析和机器的定量处理之间建立联 系的方法 . 这个任务首先要由形式化来担当 .

5.1 随机性、模糊性及其关联性的计算机模拟

根据云模型的数字特征 , 利用云发生器生成云滴 , 可以对定性概念进行计算机模拟表示 .

我们通过一个例子说明云模型对随机性、模糊性及其关联性的描述和计算机模拟 . 图 5(a)是 3位射手的射 击记录 , 统计方法用二维正态分布来反映弹着点在靶上的分布 , 前提是每次射击相互独立 , 并且不考虑天气、心 理等因素的影响 . 模糊方法认为射中与射不中是相对的 , 可以用弹着点对目标靶的隶属度来表示 . 从靶心开始 , 分为 10个等级 , 依次为 10环 ,9环 ,…,1环 , 跑靶为 0环 , 对应的隶属度分别为 1,0.9,…,0.1和 0, 用二维隶属函数反 映射手的水平 . 遗憾的是 , 这里忽略了隶属函数自身的不确定性 [8]

.

(b)

(a)

(c)

Fig.5 A shooting example of the cloud model

图 5 云模型的一个射击实例

通常 , 人们更习惯于用自然语言而不是数值的方法来评判射手水平 . 云方法认为 :射手射中或射不中带有随 机性 , 射中的程度又带有模糊性 , 每次射击的弹着点可以看作是一个云滴 , 射击若干次后形成的云团的整体特征 反映了射手的总体水平 . 由于受多方面随机因素 (天气、心理等 ) 的影响 , 弹着点在靶标上只是近似呈正态分布 ,

李德毅 等 :不确定性人工智能 1591 模云型用超熵来反映偏离正态分布的程度 , 如天气、心理等某些重要因素对射手的影响程度 . 用二维正态云模 型描述总的射击情况 :期望是所有云滴 (弹着点 ) 在靶纸上的平均点的坐标 , 反映了射手对准心的把握 , 是最能代 表射手水平的靶位置 ; 熵一方面反映弹着点的随机性 , 即分别在水平和垂直方向上相对于期望值的离散度 , 另一 方面又体现了射中程度的模糊性——隶属度 ; 超熵反映了熵的离散程度 , 体现了隶属度的不确定性及偏离正态 分布的程度 . 云方法可以用定性的语言来描述 3位射手的射击情况 , 反映 “ 射手甲略偏右上且不够稳定 , 射手乙略 偏右下但较稳定 , 丙的射点靠近靶心但不稳定 ”.

云方法通过逆向云发生器计算原靶图的数字特征 , 再利用正向云发生器模拟生成不同数量的云滴 , 大致还 原出 3位射手的水平 , 数字特征更容易反映出 3位射手的水平 . 图 5(b)和图 5(c)分别模拟还原各射手 10个和 100个弹着点的射击情况 .

云模型综合考虑随机性和模糊性 , 由定量到定性 , 用数字特征表示语言值 . 再从定性到定量 , 通过云发生器 来模拟随机性、模糊性以及二者之间的关联性 .

5.2 分形不确定性的计算机模拟

花草树木的形状常常都有分形性质 , 随着计算机图形学的发展 , 人们可以越来越方便地模拟生物的各种形 态 . 分形最基本的性质是它的自相似性 . 这一性质为分形图形的计算机模拟提供了理论基础 , 通过简单的迭代 , 结合确定算法或者随机算法 , 可以生成复杂多变的植物形态 . 有许多生成分形图形的算法 , 如 L 系统、迭代函数 系统、随机插值模型等等 . 云模型可以与分形迭代相结合 , 把不确定性思想融入分形迭代算法中 , 可以更直观地 反映生物进化过程中的变异性 .

设分形树按照规则 R 产生 :

1. 以长度为 L 的线段为初始树干 , 从 L 顶部出发 , 左偏 α°, 生成长度为 L *sl (0≤sl ≤1) 的左树枝 1, 右偏 β°, 生成 长度为 L *sr (0≤sr ≤1) 的右树枝 2.

2. 从左树枝 1的顶部出发 , 左偏 (α+α) °, 生成长度为 L *sl *sl 的左树枝 3, 右偏 (β+β) °, 生成长度为 L *sr *sr 的 右树枝 4; 从右树枝 2顶部出发 , 左偏 (α+α) °, 生成长度为 L *sl *sl 的左树枝 5, 右偏 (β+β) °, 生成长度为 L *sr *sr 的右树枝 6.

3. 重复 2, 叠代至 M 次结束 , 由 2(M +1)?1条线段构成一个二叉树形状 , 称为分形树 .

例如 , 规则 R 中参数取 α=β=40°, sl =sr =0.7,M =11,生成的分形树如图 6中的期望树所示

.

Expectation tree Variation 1

Variation 2

Variation 3 Variation 4 Variation 5 Fig.6 Simulate random variations by cloud-transfer parameters sets

图 6 对参数集进行云变换模拟随机变异

如果以图 6中的期望树为云模型的期望 , 对参数集 Ex ={α=β=40°, sl =sr =0.7}进行云变换 , 生成 5个云滴 , 即图 6中的 5棵变异树 . 如果以图 7中的期望树为云模型的期望 , 对规则 R 进行云变换 , 生成 5个云滴 , 即图 7中的 5棵变异树 . 其中两次云变换的数字特征均为 En ={0.05,0.05,0.1,0.1},He ={0.001,0.001,0.01,0.01}.按此方法 , 无论 对分形参数集还是对分形规则集做云变换 , 都能够产生成千上万的变异树 .

1592 Journal of Software 软件学报

2004,15(11)

Expectation tree Variation 1

Variation 2

Variation 3 Variation 4 Variation 5 Fig.7 Simulate random variations by cloud-transfer rules sets

图 7 对规则集进行云变换模拟随机变异

云分形的思想能够很好地表示不确定性知识中的联系与差异 . 在具体的应用背景下 , 云的期望数据集有不 同含义 , 可以是地形地貌特征、网络拓扑特征、种族遗传特征等等 . 与一般随机分形不同 , 云分形产生的随机数 据集是期望的变异 , 熵反映了变异程度的大小 , 超熵则衡量了所有数据集分布偏离某一标准分布的程度 . 期望数 据集和扩展规则集结合起来 , 可以得到不同的算法 , 产生不同的图形 , 反映植物遗传、地貌特征、网络拓扑变异 中的关联性和不确定性 .

5.3 网络拓扑不确定性的计算机模拟

网络的拓扑结构存在许多不确定因素 , 实际中的许多网络都是随机、动态地变化的 . 例如 , 在计算机网络中 , 某个机器突然死机、某段链路中断等 ; 交通路线发生交通事故 , 或者因天气原因中断交通等等 , 都会造成网络拓 扑的变化 . 网络拓扑可以用邻接矩阵来表示 , 将邻接矩阵作为云模型的期望数据集 , 对其进行云变换 , 可以模拟 网络拓扑结构的随机变化 . 图 8中的第 1幅是某省通信网的网络拓扑简单示意图 , 将其邻接矩阵作为期望拓扑 , 再对期望拓扑进行云变化 , 即得到各种和期望网络拓扑既相似又不同的网络拓扑——云滴 . 如果考虑网络的带 宽和流量 , 那么除了对网络的邻接矩阵进行随机变化以外 , 通过建立带宽或者流量数据集 , 并以此数据集为期望 进行随机变化 , 可以得到有带宽表示的网络拓扑 . 图 9是网络拓扑及流量的随机模拟图 .

这样 , 通过网络拓扑结构的生成和模拟 , 可以表示现实网络拓扑结构和负载的动态变化

.

Expectation topology Variation 1

Variation 2

Variation 3 Variation 4 Variation 5 Fig.8 Random simulation of the communication network topology

图 8 通信网络拓扑的随机模拟

李德毅 等 :不确定性人工智能

1593

Expectation network Variation 1

Variation 2

Variation 3Variation 4Variation 5

Fig.9 Random simulation of the communication network topology and traffic

图 9 通信网络拓扑及流量的随机模拟

6 结 语

人工智能在模拟人类的确定性智能——逻辑思维方面 , 已经取得很大成就 . 但是 , 在人类不确定性智能的模 拟方面始终没有太大的进展 , 而在模拟人类形象思维方面尚处在探讨阶段 . 因此 , 不确定性人工智能是人工智能 中的研究热点 , 也是人工智能中的重大前沿课题 [22,23].

人脑的神奇就在于它的形象思维能力 , 在于它解决处理不确定性问题的能力 . 大脑并不是靠 “ 规则 ” 或者 “ 定 理 ” 解决不确定性问题 , 更不是靠精确的数理分析和计算来处理不确定现象 , 很多对计算机而言十分困难的问 题 , 对大脑来说却简单、易行 . 由于在生物意义上 , 记忆、思维、想象、情感等奥秘远未揭开 , 脑科学和认知科学、 人工智能研究的交叉还远远不够 , 奢望机器能够完全具备人类的不确定性智能、 完全模拟人类的智能和情感还 为时过早 , 期待脑科学、认知科学等多学科的突破 .

我们目前所做的工作是力图从不确定性知识的表示入手 , 结合认知物理学思想 , 以此作为研究不确定人工 智能的切入点 , 提出新思想和新模型 . 不确定性知识表示是研究不确定人工智能的一个很好的思路 , 这将是一项 长期的基础课题研究 , 也蕴藏着重要的应用前景 .

不确定性人工智能是人工智能进入 21世纪的新发展 , 这个由计算机科学、物理学、数学、脑科学、心理 学、 认知学、 生物学等自然科学和社会科学交叉渗透构成的新学科,必将使机器能够具备类似人脑的不确定性 信息和知识的表示能力、处理能力和思维能力 .

References :

[1] Newton I; Wang KD, Trans. Philosophiae Naturalis Principia Mathematica. Wuhan: Wuhan Press, 1992 (in Chinese).

[2] Handy C. Beyond Certainty: The Changing World of Organization. Pennsylvania: Harvard Business School Publishing, 1998.

[3] Wang ZK. Applications of the Probability. Beijing: Beijing Normal University Press, 1995 (in Chinese).

[4] Li HX, Wang PZ. Fuzzy Sets. Beijing: National Defence Industry Press, 1994 (in Chinese).

[5] Pawlak Z. Rough sets. Int’l Journal of Computer and Information Sciences, 1982,11(5):341~356.

[6] Gau WL, Buehrer DJ. Vague sets. IEEE Trans. on Systems, Man and Cybernetics, 1993,23(2):610~614.

[7] Li DY, Meng HJ, Shi XM. Membership clouds and membership cloud generators. Computers Research and Development, 1995, 32(6):16~21 (in Chinese with English abstract).

[8] Li DY. Uncertainty in knowledge representation. Engineering Science, 2000,2(10):73~79 (in Chinese with English abstract).

[9] Qiu WH. Management Support and Applied Entropy. Beijing: China Machine Press, 2002 (in Chinese).

[10] Li DY, Liu CY. Study on the universality of the normal cloud model. Engineering Science, 2004,6(8):28~34 (in Chinese with English abstract).

1594 Journal of Software软件学报 2004,15(11)

[11] Ruelle D; Liu SD, Liang S, Li DL, Trans. Chances and Chaos. Shanghai: Scientific and Technological Education Publishing House, 2001 (in Chinese).

[12] Miao DS, Liu HJ. On Chaos. Beijing: Renmin University of China Press, 1993 (in Chinese with English abstract).

[13] Wang ZK. On chaos and randomness. Journal of Beijing Normal University, 1994,30(2):199~202 (in Chinese with English abstract).

[14] Wang XY. Chaos in Complex Nonlinear Systems. Beijing: Publishing House of Electronics Industry, 2003 (in Chinese).

[15] Sun X, Wu ZQ. Principles and Applications of Fractals. Hefei: University of Science and Technology Press, 2003 (in Chinese). [16] Wang XF, Chen GR. Complex networks: Small-World, scale-free and beyond. IEEE Circuits and Systems Magazine, 2003,3(1): 6~20.

[17] Lu RQ. Knowledge Engineering and Knowledge Science. Beijing: Tsinghua University Press, 2001 (in Chinese).

[18] Crick F; Wang YJ, Qi XL, Wu XN, Zeng XD, et al., Trans. The Astonishing Hypothesis. Changsha: Hu’nan Science and Technology Press, 2003 (in Chinese).

[19] Wang S, Wang AS. Cognitive Psychology. Beijing: Beijing University Press, 2003 (in Chinese).

[20] Li DY, Gan WY, Liu LY. Artificial intelligence and cognitive physics. In: Progress of Artificial Intelligence in China 2003. Beijing: BUPT Publishing House, 2003. 6~14 (in Chinese).

[21] Zipf GK. Psycho-Biology of Languages. Cambridge: MIT Press, 1965.

[22] Ford K, Hayes P. On computational wings: Rethinking the goals of artificial intelligence. Scientific American Presents, 1998,9(4): 78~83.

[23] Hearst M, Hirsh H. AI’s greatest trends and controversies. IEEE Intelligent Systems, 2000,15(1):8~17.

附中文参考文献 :

[1] Newton I, 著 ; 王克迪 , 译 . 自然哲学之数学原理 . 武汉 :武汉出版社 ,1992.

[3] 王梓坤 . 概率论基础及其应用 . 北京 :北京师范大学出版社 ,1995.

[4] 李洪兴 , 汪培庄 . 模糊数学 . 北京 :国防工业出版社 ,1994.

[7] 李德毅 , 孟海军 , 史雪梅 . 隶属云和隶属云发生器 . 计算机研究和发展 ,1995,32(6):16~21.

[8] 李德毅 . 知识表示中的不确定性 . 中国工程科学 ,2000,2(10):73~79.

[9] 邱菀华 . 管理决策与应用熵学 . 北京 :机械工业出版社 ,2002.

[10] 李德毅 , 刘常昱 . 论正态云模型的普适性 . 中国工程科学 ,2004,6(8):28~34.

[11] Ruelle D, 著 ; 刘式达 , 梁爽 , 李滇林 , 译 . 机遇与混沌 . 上海 :上海科技教育出版社 ,2001.

[12] 苗东升 , 刘华杰 . 混沌学纵横论 . 北京 :中国人民大学出版社 ,1993.

[13] 王梓坤 . 论混沌与随机 . 北京师范大学学报 ,1994,30(2):199~202.

[14] 王兴元 . 复杂非线性系统中的混沌 . 北京 :电子工业出版社 ,2003.

[15] 孙霞 , 吴自勤 . 分形原理及其应用 . 合肥 :中国科学技术大学出版社 ,2003.

[17] 陆汝钤 . 世纪之交的知识工程与知识科学 . 北京 :清华大学出版社 ,2001.

[18] Crick F, 著 ; 汪云九 , 齐翔林 , 吴新年 , 曾晓东 , 等 , 译 . 惊人的假说 . 长沙 :湖南科学技术出版社 ,2003.

[19] 王甦 , 汪安圣 . 认知心理学 . 北京 :北京大学出版社 ,2003.

[20] 李德毅 , 淦文燕 , 刘璐莹 . 人工智能与认知物理学 . 见 :中国人工智能进展 ,2003. 北京 :北京邮电大学出版社 ,2003.6~14.

范文三：不确定性人工智能

, ,, ,, ,,,,), , , ,, ,, , ,,,(,,, , , , ,,,, , , ,, 软 件 学 报 , , , , , , , , ,, , , , (,, , ,,, ( (,不确定性人工智能 德 ，刘 昱，杜 鹚 ，韩 旭李 毅, 常 中国电子工程系统研究所， ,, ,) ( 北京 ,, , 中国人民解放军理工大学， ( ,,, 江苏 南京 , ,,) 中国电子设备系统工程公司， ( , ,, 北京 ,,,) ,, ,, ,,, , ,,,, ,, , , , , , ， ,,,, ;, , ,, , ; , ; ,, , , ,, ,,,， ( , , ,( ,,， ,, ,， ,,, , ,, ， ,, ,,, ， , , ,, , , , ,, ,, ,, ,, ,, , , ,,, , ) , ， ,,, , ;, ; , , , , , , , , (, ,,,, , , , , ,, ,, ,,， ,, ,,， , ,( , , ,,,,, ,, ; ,, ,, ， , , , ,, ,, , , ,。 , ,,,, , ; ,,,,, ;, , , , ,,,, , , ， ,,) , , , , , ,, ,,,, , , ,, , , ,,,,, ,,,， , , , , ;, ; , , , , ,, ,) (, , , , , ,, ,, ,, , ,,， ,, ,,,, , , , , ,, , , , , , ,, ,,, ,,,,,, , ,, ,, ,,( , ,,, ,,, ( , ,, ,,, , , ？ ; , ( ( ,,, , (, , ;, , ,,， , , ,, , , ,:, ,:,, ,,, (, ,;，, : , (,,,,, ,,, ,,,— , , , ,, , , , , , , : ; , , , , , , ,, ; ,, , , , , , ,; , ,, , , , , , ,, ,, ,， , , ,, ( ,, , ,, ,, ; , , ;, ,, , ,, ,, ,, ,, , , ， ,) ,, ,, ,， , , , ， , , , , ; ,,,,, , ,,, , ,,,,( , ,, ,,,, ,， , ,,(,: , , , , ,, , , (, ,, , , , , ,, , ( ,;, , ,, , ,, , , (, , , ,,, :,,,( , ,(, , , ( , , , ,, ,,, , ;: ,,,, ,, ,,,, ,;, , ,,, , , ， ,,, ;,,, ,,, ,, , , , ,, , ,, , , , , , , , ,, , , 粒猓簦幔?, ;, ,,,,, ,, ,,,,,,,,,,;, ,,(,, , , , ,, , , ,,, ,, , , , , , , , ,, , , ,, ,, , , ,, , , , , , , ( , , , , , , , ,,, , ,, , , , , , , , , , , , , ,, , ,, , , , ,, , , , , ,, , , ， , , , ,，, , , ,, , , ,,, , , , , , , , ,, ,, , , ,; ,, (,, , ,, ,,, , , , ; , , , , , ,, ,,, , ,,, ,, ; , , ,, , , , , ,, , , , ; , , ,, , , , , ,, , , , , , ,, , , , , , , , , , , , , , , ,, , , , ,, ;, ,( , , , , ,, , , , ,, ,, , ,, , , ，, , , ,, , , , ,, ,, , , ,,, , , , , ,, , , , ; ,,, , , ,, , , ,, , ,, ,, , , , , ,,, ,

, ,,, ; , ,, , , , ，, ;, , ,; ,,, , ,, , , , , , , , , , , , , , , , , , ,, ,, , , , , , ; , , , , , , , ,,,,, , , , , ,, , ,, ,, , , , , ,, , , ,, ,, , , , , , ,, , , ,, , ( ,,, ,, ,, , , , ,, , , , , , , , , , , , , , , ,,,, , , ,, , , , , ,,,,, ,,, , ,, , , , ,, ,,,, ,, , , , , , , , , , , ,,,, ;,, , ,,,, , , ,,, ,,, ,, ,, ,,,; , ,, ,,, ,,,, , ,, , ,, , ,;, ,,,,, , ,,,, , ;, ,, , ， , ,;, , , ,,;) , , , , , , ,,, , ,, ， ,; , , , ,( ,, ,, ,, , ,,, , ,, , , , ,, (,, , ,,,, , , , , ;, , ,, ,,, ;,, , ,, , , , , ,, , ,; , , , ,, , ,, ,,, , , ,; ，,,, ,,,, ,,, ;, ; ， , , , ,, ， ; , ,, ,,, , ,,, , , ,; , , ; ,, ,, ;, ; ，, , ,, ; , ,, , ， , , ,,, , , ; ,, , , ,, , ;, ; ， ,,, , ,, , , ，, ,,, , , ,, , ,, ,,,,, ， ,; , ,, ,, , , , ,, ,,, , , , , , ,, , , , , , , , ,, , ,, , ,,,,, , , , , ,, , , , ,, , , ,,,, ,, ; , , , ,,,,, , , , , , , , , ,,, ,, , ,,( ,,, , :,, , , , , , , , ,, , , ; , , ; , , ,; ,, , , , , ; , ,, , , , , , , , , , , ; , , ?, , , ; , , , ;,; , , , , , , ,,? , , , ,, , , , , ,, ,, , 随机性和模糊性是最重要的两种形式(摘 要: 在主、客观世界普遍存在的不确定性中， 研究了随机性和模糊 统一用熵作为客观事物和主观认知中不确定状态的度量，性之间的关联性， 并 用超熵来度量不确定状态的变化，利用熵和超熵进一步研究了混沌、分形和复杂网 以及由此带来的种种进化和变异， 络中的不确定性， 为实现不确 ,, ,, ,, ,, ,, , , ,, ; ,, , , , ,,,, , , ,, ,,, ,,, , ( ,, , ,, , , ? ,, , , ,, , , ,, , , ; ,, ,,, , , ; , ,, ,, , ,( ,, ,， , ,,, 国家自然科学基金) , , , ,, 一)男， 博士生导师， 作者简介:李德毅(, , ， 江苏泰县人， 主要研究领域为人工智能， 自动化; 中国工程院院士， 指挥 刘常昱 ,, 一)女， 主 杜鹚(, , ， 博士，(, , ， 博士生， 要研究领域为人工智能; ,, 一)男， 主要研究领域为计算机网络， 高级工程师， 韩旭 人工智能; ,, , ， 男， 主要研 究领域 为人工智 能((, , ) 硕 士生， ,, ,, ,,, ,,, ,, , ,, ,,,,, ,, , 软件 学报 ,, ， ,,) ,(, 也为包括形象思维在内的不确定性思维的 自定性人工智能找到了一种简单、有效的形式化方法， 动化打下了基 不确定性人 工智能是人工智能进入 , 世纪的新发展( 由多学科 交叉渗透构成的新学科 必将使得机 器能 础( ,

这个 ，够具备人脑一样的不确定性信息和知识的表示能力、处理能力和思维能力 ( 超熵; 分形; 幂律分布 关键词: 熵; 混沌; 复杂网络: , , 中图法分类号: , , , 文献标识码: 这个世 界是确定 的还 是不确 定的, 这 无论在科学界还是哲学 界， 都是一个长期争 论的重要 问题 爱 因斯坦 ( “说: ， 上帝不会和我们掷色子”而玻尔则认为“ ( 我们不能断言上帝该做些什么” 创 将整个宇宙看作是钟表式 的动 力学系 以牛顿理论 为代表 的确定性科学， 造 了给世界 以精确描绘的方法， 处于确定、和谐 、有序 的运动之中(统， 就可 从牛顿到拉普拉斯再到爱 只要知道初始条件， 以决定未来的一切…( 描绘的都是一幅幅完全确定的科学世界图景(因斯坦， 但是他们认 为产生 确定性论者也并非拒绝一切不确定性， 或者人类 自身认知的局 限性和知识的不完备，不确定 的原 因是对初始条件的测量误差， 而并非事物的本来面貌 ( 以至于在相当长 的一段时间 内限制 了人们认 识宇宙的方式和视野，确定性科学 的影 响曾经如此强大， 虽然生活 科 科学的任务只是阐明这 架 在到处都有复杂 混乱现象 的现实世界里， 学家们 看到的却 只是钟表式 的机械世 界， 而将不确定性看作是 无足轻重 的，钟表的结构和 运行规律， 并将其排除在近代科学 的研 究对象范 围之外( 麦克斯韦认为这个世界的真正逻辑 是概率演算， 也有科学家对确定论提 出质疑( 玻尔兹曼则把随机性观点 建立 对确定论造成更大冲击 的是量子力学 的出现(引入物理学， 了统计力学( 获得严 海森堡 的测不准 原理表明， 这意味着，格精确的初值在原理上是不可 能的( 是存在于宇宙间的基本 不确定性是客观世 界中的一种真实存在， 与人类是否无知没有 关系、要素， 所谓确 定的、规则的现象， 客观世界中 的绝大部分现象都是不确定 的， 只会在一定的前提和特 定的边界条 只会在局 部或者较短 的时间 内存在(件下发生， 世界的不确定性特征越来越得到学术 随着不确定性研究的深入， 无论是在物 理学、数学、生物 学等 自然科学领域，界的普遍认可， 还是在哲学 、经济学、社会学、心 理学、认 虽然许多人还在从事着确定性 的研究， 已经很难有人对世界的不确定性本质提 出实质 知学等社会科学领域， 但 ,越来越 多的科学家相信， 〕性的质疑 了,( 只有不确定性本身才是确 定的( 不确定性是这个世界 的魅力所在， 正是在 混沌科 学、复杂性科学和不确 定性人工智能才得到 了蓬勃发展(这样的背景下， 不确定性和确 定性 并非完全对立， 当然， 例 某 在一定程度上 可以相 互转化( 如， 一层次 的不确定性可 能是 更 种种不确定性中还可能隐藏着某些确定 的规律等(高层次上的确定性， 就是寻找并且能够 人工智能学家的任务， 至少 从而使机器能够模拟人类 认识客观世 界、认识 形式化地表示不确定性 中的规律性， 是某 种程度 的规律性， 人类本身的认 知过程(, 随机性和模糊性是不确定性的最基本内涵 不确定性” “ ,, 穆勒 一词最早 出现于 ,, 年詹姆斯? 的 《 诺贝尔经济学奖、图 政治经济学是否有用》一文 中( 西蒙，灵奖获得者赫尔曼? 认 从认知科学和行为科学 出发， 为“ 如果经济学家要与不确定性打交道， 不可避免 的是， 就必须理解人类行 为面临 的不确定性”科学进入 , ( 不确 但是 ,世纪， 定性 问题 的研究工作 受到越来越 多的关注， 人们 其涵义很广泛，不确定性的 内涵并没有得到公认 的、必要 的说明( 目前所说 的不确定性， 主要包括随机性、 其中随机性和模糊性又是最基本 的(模糊性、不完全性 、不稳定性和不一致性这 ,个方

面， (,, 随机性和随机数学 是指 使得条件与结果之间没有 决定性 的因果关系， 随机性又称偶然性， 因为事件发生的条件不充分， 在事件 可以用随机数学作 为工具进行研究(的出现与否上表现出的不确定性质， 科学家至今没有解释清楚宇宙是怎样形成的( 在现 实世界 中， 地 地球的形成和人类 的出现有很大 的偶然性( 最著名的是 ,千万年前的恐龙灭绝(球至少经历 了 ,次生物大规模 灭绝， 今天 如果没有那次灾变， 的地球是不是 恐龙世界,人类是否还能是今天的模样, 包括太阳、行星 等整个星系 的形成与分布， 不仅仅 是地球， 生命的出现， 不确定性人 工智能 李德毅 等: ,, ,, 都含有许许多多偶然的因素(物种的演变， 你有祖父那样 的鼻子， 的姐姐有叔父那样 的眼睛， 在现 实生活中， 你 但又 你们看着虽然 相似， 不相 同 这是生 ， 同一物 种具有类似 的特征， 异也很明显， 细节上绝不相 同( 由于生物基 因中的遗传 命遗传 中的变 异( 但差 在 这是 导致 这是特 征在复制传递的过程 中发生 了随机的突变， 新的细胞 或个体和它 们的祖 先有了一些不 同， 当今计算 在物种进化 中， 由于随机变异，机生物识别 的基础( 正是 在 物种才能不断适应 自然， 自然选择中优胜劣汰( 要归功于前苏联数 学家柯尔莫哥洛夫( 随机性真正为人类所认识， 于 ,, 他在测度论基础上， ,, 年在其 《概率 论的基本概念 》 首次提 出并建立了概率论 的公理化方法， 一文 中， 将“ 使得人们可以用数学 的方法研 究随机性， 随 用“ 予 借助于随机变 量的分布 函数，机性” 概率” 以量化表示( 人们可 以研 究随机现象 的全部统计特征〔( 以贝叶斯公式为基础的贝叶斯理论，在人工智能中一直是处理不确定性 的重要工具(贝叶斯 网用 图形模 式 提供 一种框架结构来表示因果信息(表示随机变量 间的依赖关系， 贝叶斯网可以表达各个节点间的条件独立关 人们可 以直观地从 贝叶斯 网中得出属性间的条件独立 以及依赖关系(系( 贝叶斯网还给 出了事件的联合概 另外， 根据 贝叶斯理论利用先验知识和 样本数据来 率分布， 网络 结构 以及条件概率表可 以得 到每个基本 事件 的概率( 而概率是先验 信息和样本数据信息在贝叶斯理论中的表现形式(获得对未 知样 本的估计， 贝叶斯理论使得 这样， 不确 定知识表示和推理在 逻辑上非常清晰并且易于理解( 在 , ,, , ,,等 之 此 外 ， 基 于 概 率 的不 确 定性 知 识 表 示研 究 方 面 ， ,,, 人 提 出 了带 可 信 度 的不 确 定 推 理， , , , , ,, 又提 出证据理论， .

范文四：与不确定性共舞

　　人的一生要做无数决策，有将一生积蓄进行股票投资这样的大决策，也有出门是否带伞这样的鸡毛蒜皮。但无论是大决策还是小事情，你几乎没有多大的控制力。股价上下纷飞无规律可循，下雨与否那是上帝才知道的事情，你都没有发言权。

　　然而，人都有一种将不确定性转变为确定性的本能，所有科学的努力无不与此相关。股评家、天气预报师的预测永远都有市场，人们听了这些先知的预测，以为自己真的能规避股票投资风险，避免被雨淋的尴尬。但这只是心理学家称之为的“控制幻觉”，精确的预测在人生的漫漫长路中很少发生。

　　古希伯来谚语有言，“人类欲计划，上帝就发笑。”所有人都希望自己碰上好运气，永远别走霉运，但很多时候却是好运气迟迟不来，坏运气接二连三，机遇根本不可测。有人会说，只要努力工作，其他的一切会接踵而至。但事实并非如此，一些人未尽全力却取得成功，而有些人尽了最大努力却依然未见成功的曙光。

　　那么，生而为人，难道只能听任或然性的摆布?幸运的是，《与时共舞：让机遇为你服务》一书提供了很多应对或然性的建议。该书三位作者Spyros Makridakis、Robin Hogarth、Anil Gaba认为，承认世界不可控，便找到了应对或然性风险的钥匙。欧洲工商管理学院风险管理与决策科学教授Gaba说，“人应该区分哪些事情是可预测的，哪些是不能预测的，这一点很重要。理解了不确定性，也就洞悉到了风险管理的深意。”

　　比方说，你经过一番研究，大多数时候能准确知道地铁什么时候到站，你也知道牛顿头上的苹果肯定会掉下来，但它什么时候掉在谁的头上，你却无从得知。所以，你可以对地铁到站时刻这样的事情早做打算，却对苹果何时落地无能为力。承认世界不可控(Acceptance)，是应对或然性的第一步，然后你可以评估它(Assess)，让决策过程变得灵活机动，为它准备各种预案(Augment)，将风险降到最低。这是《与时共舞》一书为它的读者应对偶然性准备的3A法则。

　　例如，很多人认为坐飞机比乘汽车出行要安全一些。但事实并非如此，汽车事故之所以比飞机失事要多得多，是因为路上的汽车比空中的飞机多。作为一个汽车司机，你肯定对汽车事故什么时候发生无法控制，但你仍可以通过研究造成事故频发背后的原因和可能性，小心驾驶，尽量规避事故的发生。又比方说，风险投资商很难判定哪家创业公司能最终获得成功，如果他接受这一事实，最好的战略就是别把所有鸡蛋放在一个篮子里。管理投资风险的法则是：均衡投资、保持耐心、具有清晰的风险意识。对于市场营销人员而言，重要的或许不是保证广告投资毫无浪费，而是承认广告投资风险的存在，接受它，评估它，进而改善投资决策过程，管理广告投资风险。

　　是的，人类一思考，上帝就发笑，但上帝让人平静地接受那些无能为力的事情、满怀信心去改变那些可以改变的事情的同时，也给了人区分两者不同之处的智慧。

范文五：知识创新与不确定性

是由于知识的对象还未展开,相关信息还不存在,是世界的运动与人的活动更基本的一种性质。

知识创新

与不确定性

颜晓峰

不确定性是知识创新活动的基本特性。多西(G.Dosi)在《创新过程的性质》一文中指出,从本质意义上讲,创新涉及到探索、发现、试验、开发、模仿以及采用新产品、新工艺和新的组织结构。在研究与实验活动本身开展之前,几乎不可能准确地知道在探索什么,因此,创新努力所带来的技术(甚至进一步的商业)结果事先很难知道本要素即不确定性,,,以。“创新‘程式化事

③。克兰(S.J.K实’”ilin)和罗森堡(N.Rosen2berg)也认为,如果存在着创新的基本维度的话,那就是不确定性。根据定义,创新表示着创造新事物,新事物包含着人们在开始时并不理解与并不确定的因素。而且,不确定性的程度与创新的超前程度密切相关④。野中郁次郎和竹内广隆通过研究日本公司创造知识与建立创新动力学的实践,也指出,至少自过去50年,日本公司生存于一个不确定性是唯一可确定的环境之中,不仅面对着国际环境的不确定性,而且承受着国内环境的不确定性。即使是比较成功的日本公司,对付不确定性也是生死攸关的大问题⑤。不确定性在知识创新活动中,比起其他人类活动,表现得更为基本、普遍与典型。

知识创新的不确定性,是指在知识创新活动的各个层面与各个阶段,都存在着未行和未知的空间,都有主体难以预料和把握的因素,表现出知识创新的复杂性特征,表现为不同程度的不确定性。知识创新是认识与实践相统一的活动,知识创新的不确定性,表现在知识创新的各个层面,概括地说,表现在认识与实践的基本层面。从认识层面看,知识

　　,无论是其活,还是其活动的结果与效用,都是开拓性的、尝试性的。知识创新内在地包含着不确定性,不确定性是知识创新的基本特性。深入理解知识创新的这种属性,有助于正确把握知识创新的活动规律。

一

不确定性在世界的不同领域都有其表现形式,不同学科也从各自的角度揭示了对象的不确定性。美国经济学家奈特(FrankKnight)首次在风险与不确定性之间作了重要区分,认为风险是概率已知的不确定状态,不确定性却是并不知道未来事件概率的状态①。而Khalil则把认识分为确定性与不确定性,确定性分为完全确定性与不完全确定性(风险)。不完全确定性(风险)又可分为不完全信息(主观风险)和完全信息(客观风险),即以无知为基础的风险和以统计分布为基础的风险②。也就是说,风险是有着不确定性的确定

,或是有着确定性的不确定;不确定性更多地不是由于无知或信息不完全,而—36

—

《社会科学》2000年第11期

创新的重要方面是创新知识的生产。如果把创新知识的生产作为有特定目的的认识活动,那么知识生产的方向选择面临着不确定性。创新认识主体并不能在开始时就确定在多条路径、多种方向中,哪一种是能够导致创新知识生产的路径与方向的。创新知识的生产是填补空白,是探索性地作出发现与发明,对于在探索过程中会出现的问题也是不明确的,因为问题本身就是新的、未出现过的。创新知识的生产形成了新的认识模式,加入了新的评价标准,知识生产的正误是不确定的,不能保证认识结果的正确与有效。新知识的产生是通过艰苦的脑力劳动与大量的资源消耗取得的,但它的创新价值与生产价值不一定是成正比的,既有价值大小的不确定,以确定。如同:,但它影响的质。由于企业家素质、竞争情况和其它经济环境的不同,一种新的思维可能会引发巨大的变化,也可能只有适度变化或者根本无任何变化。因此,很难用标准的生产函数来概括知识投入和产出之间的关系⑥。从实践层面看,知识创新的重要内容是知识的创造性转化与应用,是造成现实世界的改变与改进。创新是开创性的实践,主体的创新能力不可能在创新之前得到检验与证明,是否具有创新的实践能力是不确定的。即使有过成功的创新,显示过主体的创新能力,也不能成为下一次创新的能力保证,因为创新的内容与性质都发生了变化。

不确定性是与时间密切相关的,是存在于未来空间的,知识创新的不确定性表现在创新的各个阶段。日本的斋藤优在论述技术创新的初始阶段技术开发的风险时,就列出了五种风险:(1)失误风险,即需求与技术开发资源的错位,包括由于能力不足、方法论偏差、预测失误等导致的风险;(2)中断风险,即技术开发活动中途无法进行下去的风险;(3)

时间风险,即技术开发未能如期完成,从而失去其价值;(4)竞争风险,即在技术开发竞争中负于竞争对手的风险;(5)市场风险,即虽然在技术开发上取得了成功,但在市场上却失败了⑦。贯穿创新的全过程与各阶段都存在着不确定性,基本的不确定性就是创新预期结果的不确定性。表现为创新参与的要素越多,创新延续的周期越长,创新面临的选择越多,则创新的不确定性就越大。创新的努力并不一定必然导致创新的效果,这种不确定性的存在,动,。

,诸如不、非决定性、非线性,如上所述,主、风险性和难预测性。(1)试验性。知识创新的特征集中在一个“新”字上,它的各种活动表现一般都是首次引入,创造也就意味着试验。试验无论采取何种形式,都是对不确定性的反应与对策。试验就是可能性的确证,就是选择的多样性。(2)风险性。不确定性无论属于概率型风险,还是属于非概率型风险,都表明人的活动效果的风险性。风险就是因与果的非决定性,投入与产出的非对称性。人们一般习惯于由因溯果的确定性,投入与产出的对应性。创新却不能保证有投入就有产出,有高投入就有高产出,它是在风险的前提下挑战风险,与风险较量。一般来说,创新投入得越多,在收益上的风险也就越大。当然,风险是与收益并存的

,没有收益的激励,也就没有冒险的追求。(3)难预测性。创新活动的路径是非重复的,未来与过去是非对称的,没有对特定事件进行推论的经验基础,创新的结果是难以预测的。创新的难预测性并不仅仅在于信息成本或人的认识能力的有限性,而主要在于创新对象的知识与信息是在演进中生成的,人们据以预测的知识与信息始终是不完全的。如同罗杰斯(E.M.Rogers)所说“:不

—37

—

《社会科学》2000年第11期

确定性内含着对未来的可预见性的缺乏,这

⑧就激励着个体去追求信息。”

二

不确定性是知识创新的基本特性,它的

根源存在于人与世界交往的活动之中。知识创新是一种创造性活动,人不满足于现存的世界,而要以自己的行动来改变世界,创造出一个新的世界。人的一般性实践活动就包含着一定程度的不确定性,创造性活动则包含着很大程度的不确定性。创新是人用来对付世界的不确定性,寻求生存的确定性的一种积极的手段,但它本身又是产生人的活动的不确定性的一个原因。创造是开辟人与世界交往的新的界面,,,很多创造的,最终成为“虚拟”的创造、创造的“空集”。创造性活动就是这样在可能世界现实转化的过程中,同时显示和确证着现实的不可能性。这种不可能性是与创造性活动的本意相悖的,但却又是创造过程的题中应有之义,是与创造性活动同生共存的不确定性。知识创新的主导因素是知识的进步,新的知识还是一种符号的存在,还不等于新的存在。创新是要把观念形态的存在转化为现实的存在,需要运用实践的多种因素,经过实践的多个环节。能否转化成功,并不存在先天的必然性,也不以知识是否“正确”为唯一的条件,转化的过程就包含着不确定性。而且创新知识是多种知识的组合,它提供的是创新的模型,在此之前还没有与这种模型相对应的事物,知识的组合与模型的设想本身就包含着一些不确定的因素,使得模型的对象化具有试验性。还有一些创新不是设计出来的,而是演进而成的,演进的方向与结局没有经过事先设定,这就使这种类型的创新成为从不确定性到确定—38

—

性“,从混沌到有序”的过程。

知识创新的不确定性既有世界与人的本体论根源,也有人的认识论根源。世界与人是一种开放的、未完成的存在,世界的构成、运动与属性的无限多样性是在生成演化的过程中显示出来的,知识及其创新必须有其本体论基础。当世界本身不是一种封闭的、凝固的、确定的存在时,在这种环境下人的活动要寻求一种完全确定的基础是难以实现的。作为知识创新主体的人,其改造世界的本质力量不是先于历史的存在物,而是在实践过程中的不断建构。、在历史的范围。人的本质,在历史中。人的、不完全信息的条件下进行,不能追踪所有初始条件和外部作用变化的轨道。由于完全信息的极大成本,人只能依赖概率形式的预见。

人也不能准确认识那些从未出现、尚未展开的事物,更多地是采取猜想的形式。人的认识层次与世界的发展程度是不完全对应的。虽然现实世界提供了创新的客观基础,但主体却常常不能发现与把握潜在的创新机遇;反之,有些“创意”却纯属空想。人的认识能力与实践能力也是不完全对称的,有的创新构想即使是符合客观规律与要求的,但由于实践能力的某种缺陷,而不能实现其蓝图;有时主体已经具备了创新的实践能力,却由于认识的偏颇与滞后,不能及时果断地付诸行动。

知识创新如同其它生产活动一样,活动发生于过去或现在,结果于未来,必须经历一个周期。时间是创新活动的基本参数,不确定性深藏于时间的基本性质之中。在线性系统中,时间是均匀的、等价的,初始状态的变化将导致任何后续状态成比例地变化,线性系统的长期行为具有确定性,即可预测性。当代科学表明,世界更多地是非线性系统。在“混沌”系统中,大多数轨道显示敏感依赖

《社会科学》2000年第11期

性,或某些特殊的轨道是非周期的,初始状态的变化未必会导致后续状态成比例的变化。气象学家洛伦兹(E.N.Lorenz)认为“:在任何系统中对初始条件的敏感的依赖性所导致的直接结果之一是不能作准确预报,而对充分遥远的未来甚至连粗略预报都不可能。这个推论的前提是我们不能获得完全无误的观

⑨自然领域存在着微小的扰动演化为巨测。”

大的涨落现象,社会领域也存在着突发事件影响、改变了历史轨迹的现象。过去与未来的不对称性,使得重复性事件也不会重现完全相同的结果,更何况创造性活动。即使有预定的轨道,也确实出现了脱离预定轨道的不确定情况。一般说来,创新活动的持续时间越长,其不确定性也越大。所以,这一事实,υ 。,创新的过制的λ

程是系统的过程,系统的活动受内部要素与外部环境的约束。在创新模型中,内部与外部的要素往往是简化了的,有的是还没有意识到其重要性而没有被列入的,有的是还没有产生的。实际的创新活动进程随着时间推移,省略的、未知的、未预见的因素就可能出现,干扰着创新的进程,使得创新活动不得不偏离原定的模型,而进入非模型的新的轨道,产生非预想的新的结果。

知识创新是发生在社会领域的活动,它的实现需要相关的各类主体的参与,它的效应又影响着相关的各类主体。社会由不同利益、不同预期的人组成,相同的创新活动会引起不同的反应,不同的人会作出不同的选择与对策。这就使知识创新在很多情况下具有博弈性质,造成了知识创新的不确定性。在博弈行为中,个人效用函数不仅依赖于他自己的选择,而且依赖于他人的选择;个人的最优选择是其他人选择的函数。行为主体的相互依赖、相互约束,活动结果不是单方决定、

一厢情愿的,使得决策主体进入了多种行动

与战略的选择空间。而一旦选择了某种行动,就同时意味着失却了他种行动作为更优选择的可能。创新的博弈性发生在创新主体与接受主体之间,创新是否成功取决于接受主体的接受范围及其程度,许多企业推出创新却不能打开市场,陷入困境,就说明了这种博弈行为的不确定性。创新主体缺乏接受主体如何反应的完全信息,这种信息只能在事后准确得知,所以不得不在不完全信息条件下作出决策。,。某个企业的创新要,相似的创新同时推,自然要减少相关企业的市场份额与利润。某项创新的效益要受相近功能的其他

创新的制约,因为相近功能的创新具有替代效应,也会影响创新的扩散。由于创新主体的博弈关系,使得创新主体的预期效益容易相互抵消,增加了创新活动的不确定性。

三

不确定性与确定性是相辅相成的,它们共同存在于人与世界交往的关系及活动中,是相比较而存在的。没有脱离了确定性的、绝对的不确定性,也没有摆脱了不确定性的、绝对的确定性。强调知识创新的不确定性,只是为了说明它的成功概率要比重复性实践低得多,而不是否认它具有一定成功概率的确定性;只是为了说明主体预测其结果,把握其运动的困难程度,而不是否认它具有可预测、可控制的确定程度。人们突出不确定性作为知识创新的基本特征,正是为了在把握不确定规律的基础上减少不确定性,从而提高确定性,防止把不确定性变成一种决定论。在知识创新活动中,确定性不确定性相互包含,相互补充,各自有其应用的意义和适用的范围,不能强调一个方面而否定另一个方面。

—39

—

《社会科学》2000年第11期

福斯特(R.N.Foster)指出,在大多数研究者的眼中,创新是一种唯一的事件,不可能控制或预测。在他看来,实证研究显示了创新的模式,人们发现了引发创新实践展开的原理。确实存在着创新的结构和可预测性,那些拥有新思想和新方式的公司,共同具有进攻者

? 。这是对过分强调创新的不确定性的优势λ

一面,否定确定性一面的否定之否定。

知识创新的确定性在知识的物化成果中,在人的实践对象化中得到了证明。马克思指出“:工业的历史和工业的已经产生的对象性的存在,是一本打开了的关于人的本质

ωλ ,生产创新、力量的书”工业创新的活动在

历史的积累中,越来越多地改变着自然与社会的面貌,实实在在地显示了知识、人的本质力量的确定性。动没有产生,新成果,,这是确定的。知识创新较之粗放型生产、重复性生产有着更高的经济、社会、历史价值,这也是确定的。在竞争的环境中,国家、企业以至个人越来越多地追求知识创新,把它作为经济和社会发展的主导力量,就是由于对知识创新收益的确定性抱有强烈的预期。这种确定性的预期也是客观的确定性的反映,否则,作为理性的“经济人”是不会有知识创新的投入与积极性的。尽管存在着风险和不确定性,但创新主体仍然敢冒风险,在失败的可能中追求成功。他们懂得,没有风险创新的精神,等一切都成为确定性以后再采取行动,回避了失败的风险,也失去了成功的机会。知识创新的确定性中包含着不确定因素,是确定中的不确定。知识具有改造的力量,人的实践能够创造出新的对象,这是确定的;每一次具体的创新活动是否能够达到目的取得成功,这是不确定的。同样,知识创新的不确定性中也包含着确定性因素,是不确定中的确定。学习与掌握科学的预测方法与决策程—40

—

度,就能减少不确定性。当时空环境发生变化时,一些已经成为确定性的因素也变得不确定了,通过主体认识与把握不确定性的努力,又进入了新的一轮确定性与不确定性的转化循环。创新主体就是这样不断地把创新环境的不确定性转化为创新成果的确定性,从未因为不确定性的限制而放弃创新的追求。

创新性活动产生了不确定性,不确定性也是创造之源。如果人生存的世界一切都是必然的、决定的、确定的,,也不可能做出创造,。如果人、先定的,那,人只是预定轨道上,这人的发展的可能性。不确定性给出了创造性空间,多种可能性都是不确定的,只有创造性活动才会把可能变成现实,把不确定变成确定。创造性活动揭示和发现了世界运动与人的活动的不确定属性,创造性活动同时也在抗争着、消除着不确定性。世界的不确定性是积极的、创造的不确定性,是世界在创造、演化过程中的不确定性。普利高津认为“:大自然确实与产生无法预测的新鲜事物相关,‘可能’的确比‘实在’更丰富。”因此“人类的创造力和创新性可以被视为在物理学或化学

ξλ 中存在的自然法则的放大。”知识创新具有

内在的不确定性,知识创新又在破解着不确定性之谜。

科学发现了不确定性,科学也在研究着不确定性,关于不确定性的科学就是寻求知识上的确定性,就是新知识的产生。人的各个活动领域不确定性的知识,也成为创新知识的组成部分,人们把它们作为创新活动规律加以掌握和利用。知识创新实践,就是把不确定性转化为确定性的成功证明。每一次成功的创新,即使在细节上不能成为下一次创新的套用模式,但可以在一般规律

(下转第35页)的意义提供一些

《社会科学》2000年第11期

验现实主义,都必须首先对社会现实进行关注。政治学只有关注社会现实,方能真正使权力得以规范运行,才能使权力指向的目标得以真正实现,才能对国家和社会作出制度的安排和设计;政治哲学只有在关注社会现实和社会问题的前提下,才能为自己的社会批判功能的实现找到指向。政治学的全球化、政治哲学的全球化也不例外,二者的共同内容是对全球现实状况的考察。这一共同之处正是二者进入社会后产生合力的连接点。定位于事实世界的政治的全球化在实践层面如果缺少了在野的政治哲学的全球化的批判,很可能会出现行进过程中的停滞或短视现象;而政治哲学的全球化在完成对政治学的全球化过程的批判后,又必须依赖于事实世界中的现实权力使之所追求的目标得以实现,因为它自身无法作出具有现实性的制度安排。缺少政治学的全球化,政治哲学的全球化不仅失却了批判的对象,而且会使自己构建的理想王国成为空中楼阁。同样,低调的政治学的全球化在结合了现实政治权力后,可以针对政治哲学的全球化话语所作出的批判,不断地调适自身,解决后者提出的各种现实问题,而问题的解决正意味着社会的进步,意味着政治哲学的全球化的部分内容的实现。又必须在不断关注现实社会的前提下,,角和姿态来审视全球化的过程,。二者正是基于对现实社会的共同关注,,才会产生推动社会进步的合力,,实现话语与权力的结合。

诚然,,。同时,理性的现实权力又必,主动地、自由地、,履行社会批判的功能。

注:

①②③《读书》2000年第1期,第12-13、14、14页。④人大复印资料《国际政治》1998年第9期,第35页。

⑤朱学勤著《道德理想国的覆灭》:,上海三联书店,1994年9月,第233页。

(作者单位:苏州大学管理学院　责任编辑:绿　洲)

(上接第40页)方法论的借鉴。即使是失败

社版1997年版,第29页。

⑦参见斋藤优《技术开发论》,科学技术文献出版社

1996年版,第15页。

的创新,也可以显示不确定性的所在之处,为避免、减少、处理不确定性指出具体的路径。

注:

①Lundsted,S.andE.Colglazier(eds).ManagingInnova2

tion,NewYork:PergamonPress,1982,p.46.

⑧Rogers,E.M.DiffusionofInnovatios,ThirdEdition,New

York:TheFreePress,1983,p.xviii.

⑨E.N.洛伦兹《混沌的本质》:,气象出版社1997年版,第8页。

υλ Drucker,D.F.InnovationandEntrepreneurship:Practice

andPrincciples,NewYork:Harper&Row,Publishers,1985,p.

②Khalil,E.L.ChaosVersusHeisenberg’sUncertainty:

Risk,UncertaintyandEconomicTheory.TheAmericanEconomist,Vol.41,No.2(Fall1997),pp.31-32.

107,120.

③参见G.多西等编《技术进步与经济理论》,经济科学出版社1992年版,第273-274页.

④Landau,R.andN.RosenbergThePositiveSumStratgegy,

Washington,D.C.:NationalAcademyPress,1986,p.294.

?λ Foster,R.Innovation:TheAttacker’sAdvantage,New

York:SummitBooks,1986,pp.20-21.

ωλ 《马克思恩格斯全集》第42卷,第127页。

ξλ 伊利亚?普利高津《确定性的终结:———时间、混沌与新自然法则》,上海科技教育出版社1998年版,第56、57页。

⑤参见野中郁次郎、竹内广隆《创造知识的公司》,科学技术部国际合作司1999年版,第1页。

⑥参见

OECD《以知识为基础的经济》,机械工业出版

(作者单位:中国人民大学哲学系　

责任编辑:绿　洲)

—35

—

《社会科学》2000年第11期

转载请注明出处范文大全网 » 不确定性与人工智能