【摘要】人工智能已經(jīng)用于各個領域并取得了豐碩的成果，然而人工智能無法取代或超越人類智能。之所以稱之為“智能”，是因為它所體現(xiàn)的自動化水平提高到了一定程度，但仍未超出工具的范疇。人工智能作為一門學科仍隸屬于計算機科學，包括模式識別、機器學習、數(shù)據(jù)挖掘等等，這也是它局限性的體現(xiàn)。本文在比較人工智能與人類智能的基礎上闡述人工智能的局限，并為人工智能應有的發(fā)展方向提出自己的觀點。

【關鍵詞】人工智能；局限；方向

人的思維往往是瞬時的，不存在檢索和計算的過程。這源于人腦的高度復雜性，電信號傳遞的狀態(tài)就能產生意識。所以無論是從輸入信息還是處理結果上都比人工智能復雜的多，用時也短得多。下面將基于Hebb原理，自下而上探究人類智能的各個層面，并對應得給出人工智能的根本局限。

1、感知層

感官并不產生感覺，例如人的眼耳并不能產生視覺和聽覺。視覺和聽覺產生于大腦的感知層。這一層負責保存外界的“印象”、短時記憶、還負責產生概念的一般表象，在概念識別和思維的過程中發(fā)揮重要作用。根據(jù)Hebb原理，當感知層接受刺激時，一部分神經(jīng)元同時處于興奮狀態(tài)，因此它們之間的連接被增強，這便記錄了外界的信息。當大腦再次受到同樣或相近的刺激時，大腦會感知到這些印跡，這些印跡被綜合為一個值得注意的對象，很多基本的概念是這樣形成的。刺激是綜合的，人可以從中抽象出形狀、色彩、聲音、溫度等，說明感知層是多維的，其中最重要的兩個維度是空間和時間。

人工智能的模式識別本質是特征分析，它所記錄的外部信息是離散的、數(shù)字化的，數(shù)字與數(shù)字之間無關聯(lián)，只能針對某一特征對數(shù)據(jù)逐一分析來達成該特征的識別。人腦的感知層不僅能連續(xù)得記錄外部信息，以對照的方式進行整體識別，還能感知信息間的關聯(lián)，提取任何可能存在的共性，從而在感覺的基礎上形成知覺。

2、概念層

概念是人思維的最核心要素，語言是它的外像。關于概念的兩個基本問題是概念的產生和概念的識別。上文已經(jīng)基于Hebb原理闡述了基本概念（用于概括一類直觀對象）的產生和識別，這類概念直接來自于感覺，很難為這些概念下一個定義，比如“直線”。復合概念，顧名思義是由基本概念聯(lián)接而成，其產生和識別都來自于基本概念的關聯(lián)，即它的定義。

概念間的聯(lián)接確切來講是被強化的聯(lián)接，聯(lián)接被強化之前也必然存在實質的聯(lián)接，也就是突觸，聯(lián)接的強化就是突觸權值的改變。神經(jīng)網(wǎng)絡模型已經(jīng)以數(shù)據(jù)結構的形式模擬了這一過程，但這一模型較真正的神經(jīng)網(wǎng)絡有很大的不同。神經(jīng)網(wǎng)絡模型中神經(jīng)元的個數(shù)是有限的，每個神經(jīng)元承載了復雜的算法，神經(jīng)元之間的聯(lián)接是單一的，這使得神經(jīng)網(wǎng)絡模型只能針對包含有限參數(shù)的具體問題，每次信息輸入（學習、訓練）都會使突觸權值發(fā)生變化，其本質是參數(shù)逼近。而真正的神經(jīng)網(wǎng)絡可以存儲大量的印跡，每次印跡都互不干擾。這說明感知層的各個維度之間，概念層的各個概念之間的聯(lián)系是完全的，而且絕不是單一的（否則會造成印記覆蓋）。這樣才能記憶現(xiàn)實中的大量信息，并能抽象出任意模式。

3、思維

三段論是人思維的自然形式。其中小前提是概念的識別，大前提是已形成的概念聯(lián)接。作出判斷則是神經(jīng)興奮在概念聯(lián)接中的一次傳遞，傳遞的結果又反饋到當前信息。外來信息會與內在的概念網(wǎng)絡形成對照，這也是對外來信息的審核。通過審核的信息會被過濾出去，不被察覺。如果對照后存在矛盾或者不存在對應的聯(lián)接就會產生問題。特別的，如果人在閱讀或者交流的過程中，如果不存在相關的概念及聯(lián)接，就會啟動一個問題解決（或者理解）的過程。以問題解決為目的的思維存在演繹和歸納兩種形式。

3.1 演繹是基于已有聯(lián)系的。通過演繹來解決一個問題，本質上是找到前提到結論的通路——思路。思路一般按照概念發(fā)散的順序進行，發(fā)散的方向主要受概念聯(lián)接的強度印象，也會受目的及潛在的意愿影響。思路可以是上行的，即通過高層概念來取得聯(lián)接。也可以是下行的（分析的），即通過底層概念來取得聯(lián)系。下行的過程會深入到感知層，也就是表象。表象在思維的過程中發(fā)揮了重要作用。概念及聯(lián)接是外部信息的簡化，神經(jīng)興奮在概念間傳遞時耗時和耗能都是最小的，這是人應對日常信息或者解決一般問題的形式。而表象是外在的“印象”，信息丟失的程度較小，會像外部信息一樣較為綜合的激活上層概念，使上層較弱的且關鍵的聯(lián)接被激活，從而形成思路。

人工智能可以實現(xiàn)自動推理，但仍無法勝任日常問題的解決。根本原因在于人工智能只能從孤立的聯(lián)系中思考問題。人腦可以通過表象把問題放在普遍聯(lián)系中去思考，更容易發(fā)現(xiàn)問題的關鍵，且能做到具體問題具體分析。

3.2 歸納則是建立新的聯(lián)系。人面對的世界是復雜的、連續(xù)的，人從中提取的概念及聯(lián)接則是有限的、離散的，所以永遠不可能是充分的。人腦要能適應外界，就必須不斷的產生出新的概念和聯(lián)接，這便是人腦學習的過程。由Hebb原理可知，概念之間存在潛在的聯(lián)接，它們是人腦在接收外界信息時，由感知層而上在概念層形成的強化，是外部信息在概念層留下的印跡。所謂“潛在”，即這些聯(lián)接并未獲得注意，未形成判斷以語言的形式被表達。然而在思維時，當人的注意集中在某些概念上時，相關的潛在的聯(lián)接會被激活，并被人意識到，進而形成判斷并表達出來。這種思維方式即歸納，是哲學家或思想家較為擅長的思維方式。

在人工智能中發(fā)現(xiàn)事物關聯(lián)的技術是數(shù)據(jù)挖掘。數(shù)據(jù)間的關聯(lián)不是天然存在的，而是通過分析每條記錄的屬性值得到的，因此從效率上比人類智能要差多。不否定數(shù)據(jù)挖掘可以發(fā)現(xiàn)人所未能發(fā)現(xiàn)的關聯(lián)，但這些關聯(lián)的價值仍需人來評估。

4、結論

人工智能與人腦的本質區(qū)別在于結構，基于存儲-計算模型的硬件結構，和基于數(shù)據(jù)結構-算法的軟件結構，決定了現(xiàn)代計算機無法實現(xiàn)真正的智能。目前人對大腦結構的認識還處于初級階段，但該結構的輪廓已經(jīng)可以通過認識論、神經(jīng)生理學方面的成果加以描述。這些成果足以說明人工智能的局限和實現(xiàn)真正智能的方向。要實現(xiàn)真正的人工智能，需找到模擬神經(jīng)元工作的基本電路，使其具有相同的記憶和計算特性，這點是目前可以實現(xiàn)的。還需揭示神經(jīng)元協(xié)同工作產生意識的完整過程，并以此建立與大腦相似的龐大網(wǎng)絡，這點目前還很難實現(xiàn)。