溯因推理：人工智能的盲点( 二 ) 本文给当今人工智能界推崇深

第三种推理类型，即溯因推理，是由美国科学家CharlesSandersPeirce在19世纪首次提出的。溯因推理是一种能够提出直觉和假设的认知能力，作出比随机猜测真相更好的猜测。

文章图片
美国科学家CharlesSandersPeirce在19世纪提出了溯因推理。资料来源：纽约公共图书馆，公共领域。
举例来说，街道潮湿的原因可能有很多（包括一些我们从未直接经历过的），但是通过溯因推理，我们可以选择最有希望的假设，迅速排除错误的假设，寻找新的假设，并得出可靠的结论。正如Larson在《人工智能的神话》一书中写道：“我们从实际上无限可能中猜测哪些假设看起来是可能的或可信的。 ”
溯因推理就是许多人所说的“常识” 。这是我们看待事实或数据的概念框架，也是结合其他推理类型的“粘合剂” 。这能让我们时刻注意大脑中大量的信息，以及我们从感官接受到的海量数据中的相关内容。
但问题在于，人工智能界对溯因推理的关注还很少。
20世纪80年代和90年代，由于溯因逻辑程序（AbductiveLogicProgramming）的尝试，溯因进入了人工智能的讨论中，但是这些努力都存在缺陷，最终被放弃。 Larson告诉TechTalks：“它们是对逻辑编程的重新表述，是演绎的一种变体。 ”

文章图片
ErikJ.Larson ，《人工智能的神话》一书作者。
溯因在2010年代得到了另一个机会，那就是贝叶斯网络，它是试图计算因果关系的推理引擎。但是，与早期的方法一样，较新的方法也有一个缺陷，它不能捕捉到真正的溯因， Larson说，贝叶斯和其他图形模型都是“归纳法的变种” 。他在《人工智能的神话》一书中称它们为“名副其实的溯因” 。
在很大程度上，人工智能的历史都以演绎和归纳为主导。
“当早期人工智能先驱AlanNewell、HerbertSimon、JohnMcCarthy和MarvinMinsky开始着手解决人工推理（人工智能的核心）问题时，他们认为编写演绎式规则就足以产生智能思维和行动， ”Larson说， “事实上事实并非如此，在关于我们如何做科学的讨论中，这一点应该更早被认识到。 ”“这太奇怪了，没有人真的停下来，明确地说‘等等，这是行不通的！’”Larson说， “这将使研究直接转向溯因或假设的生成，或者说， ‘上下文敏感推理’ 。 ”
在过去的二十年里，随着数据和计算资源的日益丰富，机器学习算法——特别是深度神经网络——已经成为人工智能领域的研究热点。深度学习技术开启了以前超出计算机极限的应用。这也吸引了世界上一些最富有的公司的兴趣和资金。
Larson说：“我认为，随着万维网的出现，经验式或归纳式（以数据为中心）的方法占据了上风，而溯因法和演绎法一样，基本上被遗忘了。 ”
但是，机器学习系统也存在严重的局限性，包括缺乏因果关系，边缘情况处理不好和对数据的需求过多。同时，随着研究人员尝试将机器学习应用到医疗和金融等敏感领域，这些限制正变得越来越明显，问题也越来越多。
包括强化学习先驱RichardSutton在内的一些科学家认为，我们应该坚持使用能够随着数据和计算的可用性而扩展的方法，即学习和搜索。举例来说，随着神经网络的规模越来越大，数据也越来越丰富，它们最终会超越极限，带来新的突破。
Larson驳斥了数据驱动的人工智能的大规模应用，认为“作为一种智能模型，其本质是有缺陷的” 。他重申，尽管搜索和学习都可以提供有用的应用，但是它们是基于非溯因推理。