从逻辑规则到数据驱动——人工智能杂谈

传统的人工智能的书，翻开书前几章基本都会讲谓词演算等逻辑推理的方法，甚至有的人工智能的书花了大量篇幅就在讲这个东西。一方面，这可以看出，早期的人工智能是基于规则与逻辑的，另一方面，这其实也是一种误导。因为现在的人工智能被机器学习所主导，机器学习与传统的人工智能很不同，现在的机器学习很大程度上都是数据驱动的，因此当初我看规则与逻辑推理后，却不知道能做什么，什么专家系统的都太遥远。当然了，key point不在于这种变化对于一个初学者的影响，而是人工智能整个发展趋势所给人的反思与启发。人们很清楚的看到从规则与逻辑到了数据与统计这种发展主线，我们想做的东西也不多，就是希望能够让机器看懂我们看懂的、让机器听懂我们听懂的、让机器能懂我们的思考、能像我们一样思考，但这条路，这么多学者在走，却走的如此困难。我们能发现知识、拥有知识、玩弄知识，但却难以让机器像我们一样拥有知识。

一个最基本的问题是：什么是知识？这就是知识的表示问题。早期研究者觉得逻辑就是知识，可以用来做一些推理，但是很直接的一个问题是，对于机器视觉，当机器看到许许多多的像素点的时候，那些谓词逻辑显得那么无力。于是，我们开始认为数据中的某些pattern就是知识，大家就开始寻找各种特征、各种子空间。数据驱动开始盛行。然而，哪怕这种方法多么有效的解决了如机器视觉中浅层知识表示的问题，但回到文本知识上，它却仍然非常无力。

文本，或许是最丰富的知识载体吧，因为它包含各种抽象。对于文本本身，不过是一些ASCII码而已，把这些ASCII码建立倒排表，我们可以索引，把这些ASCII码做矩阵分解（pLSI），我们可以搞一些浅层语义分析，但我们觉得这还不够，我们用LDA这种generative方法来描述文本，认为文本是bag of words，是由topics产生的。当然，这种方法有道理，很intuitive，而且也确实让人们迈出了很大的一步，慢慢开始理解ASCII码统计背后隐藏的语义。然而，这就到了终点了吗？我们就满足了吗？别忘了，我们的目标是要让机器明白我们的知识、运用我们的知识。要做到这一点，bag of words肯定是不够的，topics肯定是不够的，我们要重新提出我们的知识表示模型。于是，另一种思想，也就是knowledge base的思路出现了，每个节点是实体，不同类型的实体，实体是唯一的，不同实体之间有边来连接，表示不同的关系。然而，尽管语言学家和计算机学家研究了很多年，即便能够用这种方法更好理解用户的问题、改善搜索结果，但也仍然没有通过这种表示方式让计算机真正懂知识，知识的表示仍然模糊。或许，知识是一个很高维度的空间，而word只是这个空间中的稀疏样本，我们要通过这些词来重建那些知识是一件很难的问题，但是，这并不该是停止的理由。

为什么要建模那种基于文本的抽象知识呢？一个很简单的理由就是，每个人在知识的高维空间上都有自己的子空间和独特的拓扑，当我们面对一个task的时候，我们需要知识，当我们不懂的时候，我们要花很大代价去得到那不懂的一小部分，这一小部分，往往不是人类的空白，而是落在其他人或文献的知识子空间中，如果我们能够建模这种抽象知识，我们就能把这一切连接起来，让人们真正能够互相share知识。

总的来说，本文的主要观点就是人工智能从逻辑规则驱动到现在的数据驱动，我们都是尝试去让机器去理解各种人类面临的各种不同的task中的不同的知识，我们可能在形象知识、数据密集的知识上面有不错的精确度，但是，对于抽象知识的建模却做得非常有限。未来一定会往这个方向发展的，或许规则与数据会结合，或许我们需要通过很多中间层、中间步骤才能走到那里，但是这并没有阻止我们回头看看我们走了多远，没有阻止我们抬头看看前面的路，更无法阻止人类知识不断前进的步伐。未来在这里，一切都很interesting。

(原创来自 http://chentingpc.me/article/article.php?id=862)