計算機(jī)能有創(chuàng)造性嗎？

王培

（美國天普大學(xué)計算機(jī)與信息科學(xué)系）

計算機(jī)能有創(chuàng)造性嗎？

王培

（美國天普大學(xué)計算機(jī)與信息科學(xué)系）

在和人工智能有關(guān)的討論中常?？梢月牭竭@樣的看法：“不管一個計算機(jī)系統(tǒng)表現(xiàn)得多聰明，它不可能像人這樣有創(chuàng)造性，因為它的一切行動都是遵循既定程序的。”這種看法很自然，以至于很多研究人工智能的人都同意。在他們看來，只要他們的程序能解決實際問題就好，至于這些程序是否“像人那樣有創(chuàng)造性”是個見仁見智的問題。而在另一方面，從圖靈1950年的經(jīng)典文章《計算機(jī)器與智能》開始，那些相信人工智能可能達(dá)到人類水平的研究者則試圖從各種角度反駁上述看法。

這場爭論之所以遲遲不能塵埃落定，原因之一就是大家對“創(chuàng)造性”有不同的理解。常見的分歧體現(xiàn)在下列問題上：

1）創(chuàng)造性是主要體現(xiàn)在藝術(shù)創(chuàng)造、科學(xué)發(fā)明等活動中，還是普遍存在于日常生活中？

2）一個主意要多“新”才算“創(chuàng)造”？把已有的材料修改或組合一下算嗎？

3）如果我得到了一個新主意，但后來發(fā)現(xiàn)已有別人想出來過，我還能算有創(chuàng)造性嗎？

4）如果我得到了一個新主意，但后來發(fā)現(xiàn)它是錯誤的，我還能算有創(chuàng)造性嗎？

在這些問題上爭論的雙方各有依據(jù)。為避免在“創(chuàng)造性”的歧義上糾纏不清，下面先討論這個問題的一個相對確切的版本：一個計算機(jī)系統(tǒng)能否解決一個它對其沒有程序的問題？

根據(jù)經(jīng)典的計算理論，一個“問題”是一個給定的輸入輸出關(guān)系。以“排序問題”為例，當(dāng)輸入是數(shù)列5、3、8時，輸出應(yīng)當(dāng)是數(shù)列3、5、8，也就是說把輸入中的數(shù)字按從小到大的次序排起來。對一個問題的“解決”體現(xiàn)為一個“算法”，即一個詳細(xì)的工作流程。比如說“選擇排序” 算法的基本流程是先建立一個空的輸出序列，然后反復(fù)掃描輸入序列，每次選出其中最小的數(shù)字并將其移至輸出序列的末尾，這樣當(dāng)輸入序列為空時輸出序列就給出了最終結(jié)果。

一般而言，一個算法要滿足下列基本要求：

1）其中每個步驟都必須是系統(tǒng)知道怎么做的（如比較兩個數(shù)字的大小、把一個數(shù)字從一處移往另一處等基本操作，或調(diào)用另一個已經(jīng)存在的算法）；

2）從一個固定的起點開始，并在每個步驟結(jié)束后，明確指出下一個步驟；

3）對每個可接受的輸入，在有限步驟內(nèi)結(jié)束并生成輸出。

如果一個算法符合了一個問題的輸入輸出關(guān)系，則該算法解決了這個問題。一個問題可以有多個解（如排序問題就可以被多個算法解決），也有可能無解（即沒有算法）。把一個算法用一個計算機(jī)所能執(zhí)行的方式寫出來就得到一個“程序”，而這一過程通常是由人（程序員）完成的。對一個傳統(tǒng)的計算機(jī)系統(tǒng)而言，其解決問題的能力完全由其中的程序決定。如果沒有人來干預(yù)，系統(tǒng)對一個問題的處理過程和結(jié)果是一直不變的。計算機(jī)的這種工作方式使得很多人認(rèn)為“缺乏創(chuàng)造性”，因為他們覺得完全有理由說問題實際上是被程序員解決的，而計算機(jī)僅僅是機(jī)械地把這個解決過程忠實地重復(fù)于該問題的一個個具體實例之上而已。因為過程和結(jié)果是事先注定的，說這種機(jī)械重復(fù)有創(chuàng)造性似乎很牽強(qiáng)。

在這種情況下，為什么還有人認(rèn)為計算機(jī)能有創(chuàng)造性呢？以往的辯護(hù)大致基于下列理由：

1）復(fù)雜：當(dāng)一個程序非常復(fù)雜時，它對一個特定輸入的處理往往是沒人能夠精確預(yù)測的，而其結(jié)果也可能是以前從來沒有出現(xiàn)過的。

2）協(xié)作：對一個問題的處理可能是多個程序協(xié)作的結(jié)果，而不完全決定于某個程序，所以不能說這個問題是被某個程序員解決的。

3）隨機(jī)：如果程序的流程依賴于隨機(jī)因素（如擲骰子），其結(jié)果就不是可精確預(yù)測的。

4）數(shù)據(jù)：如果程序的流程依賴于系統(tǒng)中存儲的數(shù)據(jù)，其結(jié)果就不是僅僅從輸入中可以預(yù)測的。

5）學(xué)習(xí)：解決某些問題的程序不是人工編制的，而是系統(tǒng)自己從輸入—輸出樣本中總結(jié)出來的。

盡管上述因素的確可以使得有關(guān)的計算機(jī)系統(tǒng)看上去更具創(chuàng)造性，它們?nèi)匀粵]有超出計算理論的“基于算法的解題過程”的框架。計算機(jī)系統(tǒng)對一個問題的解決是基于算法的，只要其輸入輸出關(guān)系符合該問題的規(guī)定，并且解題過程是可重復(fù)的，而并不要求這個算法被直接編制在一個程序里。一個含有隨機(jī)步驟的算法可以被看成在一組確定算法中選擇的結(jié)果，而存儲的數(shù)據(jù)通?？梢员豢醋鲉栴}或算法的一部分。至于說目前的機(jī)器學(xué)習(xí)是“基于算法的”，這既是指其中的“學(xué)習(xí)”過程遵循一個事先給定的“學(xué)習(xí)算法”，也是指學(xué)習(xí)的結(jié)果體現(xiàn)為一個供將來使用的“解題算法”。以圖像識別為例，研究者一般是把一批標(biāo)注好內(nèi)容（如“汽車”，“老虎”）的圖片作為輸入提供給一個學(xué)習(xí)算法，以提取各個標(biāo)簽所對應(yīng)的圖片特征。這個學(xué)習(xí)算法的輸出對應(yīng)于一個圖像識別算法，給它一張圖片作為輸入，它就會輸出一個標(biāo)簽以指出圖片的內(nèi)容。

上述各種算法都很有用，但恰恰是這種基于算法的解題過程給人以“刻板”、“循規(guī)蹈矩”的感覺。說人的創(chuàng)造性思維過程不是遵循算法的，這不僅僅是因為創(chuàng)造者自認(rèn)為不循規(guī)蹈矩，而更是因為創(chuàng)造性思維過程一般不是嚴(yán)格可重復(fù)的，因此不對應(yīng)于一個確定的輸入輸出關(guān)系。對同樣的輸入（問題、感知等），在不同的情景中人們常常生成不同的輸出（答案、行動等）。

細(xì)分析起來，“解決一個問題”在計算理論中和在日常生活中的意思是不一樣的。這主要體現(xiàn)在以下幾點：

1）在計算理論中，一個“問題”通常是一個“類型”，其中包含很多“實例”，而其“解決”必須是一個能處理所有這些實例的方法。比如說一個排序算法不能只會給5、3、8排序。在日常生活中，一個“問題”通常是一個“實例”，而其“解決”不必能推廣到同類問題。如果你僅僅是需要給5、3、8排序，你無須考慮你的辦法是否也適用于給4、3、2、1排序。

2）在計算理論中，一個“問題”的定義限定了對每個輸入，哪些輸出是合理的，而這個輸入輸出關(guān)系是和解題系統(tǒng)的過去經(jīng)歷、當(dāng)前處境、解題時間等因素?zé)o關(guān)的。在日常生活中，輸出的屬性常常要根據(jù)經(jīng)歷和處境而定。比如說“創(chuàng)造性”起碼要求輸出在過去沒有出現(xiàn)過，而“靈活性”則要求輸出因情景而變。此外，日常生活中的問題一般都是對解決時間有要求的，而這種時間限制也隨情景而變。

3）在計算理論中，一個“解法”必須是確定的和可重復(fù)的。即使其中用隨機(jī)數(shù)，其取值范圍和分布函數(shù)也是事先給定的。在日常生活中，解決問題的過程常常是“相機(jī)行事”，“隨機(jī)應(yīng)變”，“靈機(jī)一動”的產(chǎn)物，而“契機(jī)”、“靈感”等說法無非是指這種過程的不可預(yù)知性和不可重復(fù)性。

這么說來，基于算法來解題對計算理論中的問題是必須的，而對日常生活中的問題不但不是必須的，有時甚至不是我們所希望的。

既然計算機(jī)的所有活動都是被程序控制的，那豈不是說其中所有解題過程都必須是基于算法的，因此就不可能有創(chuàng)造性或靈活性了嗎？未必。這里的關(guān)鍵是認(rèn)識到“有算法”和“有針對某個問題的算法”不是一回事，而“能解決某類的所有問題”和“能解決某個問題”也不是一回事。比如說某個系統(tǒng)可能有比較兩數(shù)大小和交換兩數(shù)位置的算法，但沒有任何排序算法。在這種情況下，它仍可能發(fā)現(xiàn)將5、3、8中的前兩個數(shù)交換位置就可以解決這個問題。這就是我們平常所謂的“具體情況具體分析”，即針對問題實例用有關(guān)知識在當(dāng)前的約束條件下進(jìn)行處理，以尋求一個恰當(dāng)?shù)拇饛?fù)。這個處理仍然可能是由一些算法（如比較、交換等）完成的，但它們都不是針對這個問題（如排序）的，而且即使同一個問題實例再次出現(xiàn)，系統(tǒng)的處理和答復(fù)也可能因時過境遷而不同。

文獻(xiàn)［2］介紹了讓計算機(jī)以“相機(jī)行事”方式解決問題的一個具體設(shè)計。和基于算法的工作方式一樣，這種系統(tǒng)的基本操作集也是給定的，但在相機(jī)行事的工作方式下，這些操作并不被事先組織成針對實際問題的操作序列（即程序）并以此作為解決問題的唯一手段。相反，每個操作可以被獨(dú)立選用和靈活組合。系統(tǒng)關(guān)于一個操作的知識主要體現(xiàn)為對其“前因后果”的描述，即在各種條件下該操作可導(dǎo)致何種效果。這類知識可以是事先由設(shè)計者或教育者提供的，也可以是系統(tǒng)從自身的經(jīng)驗中總結(jié)的。當(dāng)接到一個問題時，系統(tǒng)會在時間允許的范圍內(nèi)通過對有關(guān)知識的推理來確定當(dāng)前最適用的操作或操作序列，并在執(zhí)行后根據(jù)實際效果修改有關(guān)知識。

在這里，經(jīng)驗的作用之一就是系統(tǒng)會把那些有用的操作序列在后來當(dāng)做一個復(fù)合操作來用，而它們又可以組成更復(fù)雜的復(fù)合操作。當(dāng)系統(tǒng)積累了足夠多的經(jīng)驗之后，對于某些熟悉的問題可能直接用以往有效的復(fù)合操作來解決。但即使在這種情況下，問題和解法的對應(yīng)關(guān)系也不是一成不變的，而是依賴于很多其它因素，如系統(tǒng)中當(dāng)前的其它活躍任務(wù)等。對一個新穎（即設(shè)計者、教育者和系統(tǒng)自身都沒有考慮過）的問題，系統(tǒng)可能要經(jīng)歷多次失敗才能找到有效的解法，也可能一直找不到任何解法。無論如何，這些經(jīng)歷都會影響系統(tǒng)后來的問題解決策略。由于系統(tǒng)外部、內(nèi)部環(huán)境均在不停變化，并且不會嚴(yán)格重復(fù)以前的情景，系統(tǒng)的每一次解題過程都和以前不完全一樣，因而具有不同程度的創(chuàng)造性。

上述設(shè)計已經(jīng)在計算機(jī)上初步實現(xiàn)了。和傳統(tǒng)的計算系統(tǒng)不同，這樣的系統(tǒng)的問題解決能力不是完全被其初始狀態(tài)所決定的，而是同時取決于先天因素（初始設(shè)計）和后天因素（教育和經(jīng)歷）。和現(xiàn)有的機(jī)器學(xué)習(xí)系統(tǒng)不同，這種系統(tǒng)的學(xué)習(xí)過程和學(xué)習(xí)成果均不能用算法來描述，而是更類似于人的相機(jī)行事過程。這種系統(tǒng)仍然由大量算法構(gòu)成，但這些算法都不是針對應(yīng)用問題的，而是刻畫基本操作、推理規(guī)則、資源分配策略等系統(tǒng)構(gòu)件的。對應(yīng)用問題的解法是這些算法以系統(tǒng)經(jīng)驗為原料創(chuàng)造出來的，并且這些解法不斷地被修改和選擇，因此不和問題組成固定搭配。對這種系統(tǒng)而言，“一切行動都由算法控制”和“解決某個問題的過程不遵循任何算法”的說法都是對的，不互相矛盾。

有人會堅持說 “這個系統(tǒng)歸根結(jié)底是靠算法工作的，因此不能算有創(chuàng)造性”，但這種說法完全混淆了有關(guān)概念的不同使用方式。當(dāng)我們比較人類智能和人工智能時，概念要在相同的方式下使用才有意義。我們說“人有創(chuàng)造性”，這是在“解決問題”的層面上談的，否則豈不是可以說“人歸根結(jié)底是被遺傳基因編了程序的，因此不能算有創(chuàng)造性”。同理，不能說“這個系統(tǒng)還是靠算法解決問題的，只不過它的算法把系統(tǒng)歷史和當(dāng)前狀況包括進(jìn)輸入之內(nèi)了”，因為在這個意義下的算法已經(jīng)不再是針對當(dāng)前問題的了。

一個人工智能系統(tǒng)的創(chuàng)造力當(dāng)然是有前提、有限度的，但這些前提和限度對人同樣存在。具體來說，任何系統(tǒng)的創(chuàng)造力都受其先天因素和后天因素的制約，而再有創(chuàng)造性也不能無中生有。類似地，創(chuàng)造性一定伴隨著失敗的可能性。保證結(jié)果正確性的“創(chuàng)造性思維”是不存在的。計算機(jī)可以像人這樣有創(chuàng)造性，盡管由于經(jīng)歷上的根本差別，計算機(jī)創(chuàng)造出來的結(jié)果和人創(chuàng)造出來的結(jié)果可能有很大不同。計算機(jī)不可能創(chuàng)作出《紅樓夢》，但這不是因為它思維能力上的局限性，而是因為它經(jīng)歷上的局限性。

當(dāng)一個系統(tǒng)以相機(jī)行事的方式來解決問題時，傳統(tǒng)的基于算法的分析方式不再適用。由于解題方法隨情況而變，談?wù)搯栴}的“可計算性”和解法的“計算復(fù)雜性”不再有意義。要刻畫直觀意義下的“可解問題與不可解問題”和“簡單問題與復(fù)雜問題”的區(qū)別，我們需要一個新的理論框架來把系統(tǒng)的知識和資源約束引入分析之中。

“循規(guī)蹈矩”和“相機(jī)行事”（或者叫“照既定方針辦”和“摸著石頭過河”）是用計算機(jī)解決問題時的兩種可能的工作方式，有各自的適用范圍。前者適用于系統(tǒng)有相對充足的知識和資源的情況（系統(tǒng)有針對該問題的算法，且能滿足該算法的時間空間要求）；后者適用于系統(tǒng)沒有相對充足的知識和資源的情況（系統(tǒng)沒有針對該問題的算法，或不能滿足現(xiàn)有算法的時間空間要求）。請注意后者并不比前者“好”。當(dāng)兩者都能用的時候，實際是前者更好（可靠，高效），而后者是在前者無法使用時才應(yīng)被采用的。在《人工智能：何為“智”？》一文中，我把上述差別作為計算機(jī)科學(xué)和人工智能的分界線。根據(jù)這種觀點，“智能”是“沒有（相對于給定問題的和可靠的）辦法時的（通用的和嘗試性的）辦法”。

當(dāng)前的主流人工智能研究，包括機(jī)器學(xué)習(xí)研究，仍然自縛于傳統(tǒng)的計算理論。這個理論框架盡管有極大價值，但仍嚴(yán)重制約了研究人員的想象力和探索范圍，以至于沒能真正觸及智能的很多根本性特征，比如創(chuàng)造性。以目前最熱的“基于大數(shù)據(jù)的深度學(xué)習(xí)”為例。這個技術(shù)固然有巨大的應(yīng)用前景，但其基本思路是依照對過去情況的統(tǒng)計結(jié)論解決當(dāng)前的問題。這種策略針對常規(guī)問題（比如說照片分類）是有效的，但我們需要創(chuàng)造性的時候往往是統(tǒng)計結(jié)論不可得（數(shù)據(jù)不足或時間不允許）或不可用（遇到特殊情況）的時候?！吧疃葘W(xué)習(xí)”雖然有“深”之名（指其多層網(wǎng)絡(luò)結(jié)構(gòu)），對問題的概念分析其實非?！皽\”，基本上囿于輸入輸出關(guān)系，而網(wǎng)絡(luò)中間結(jié)點一般不對應(yīng)于有意義的概念。當(dāng)我們處理視覺信息時，大腦所做的遠(yuǎn)不止給圖像貼“正確的”標(biāo)簽，而是對其進(jìn)行依賴于“此時此地”的概念分析，因此常常從同一張照片中得到不同的結(jié)論?；诖髷?shù)據(jù)的深度學(xué)習(xí)難以解決人工智能的基本問題，其主要原因之一是沒有這種隨機(jī)應(yīng)變的能力，而這里的“隨機(jī)”與統(tǒng)計學(xué)里這個詞的意思可是完全不一樣的。

責(zé)任編輯：吳曉麗

本文由《賽先生》授權(quán)轉(zhuǎn)載，圖、表、參考文獻(xiàn)已省略。