人和人工智能系統的概念形成過程研究

崔鐵軍，李莎莎

（1.遼寧工程技術大學 安全科學與工程學院，遼寧 葫蘆島 125105; 2.遼寧工程技術大學 工商管理學院，遼寧葫蘆島 125105）

人工智能理論和技術不但是一個縱向科學門類也是各領域都在積極研究的橫向科學。之所以稱為人工智能，是通過計算機的硬件和軟件系統來模仿人的思維結構、能力和行為的綜合性系統工程。人工智能的目標是具有自主性的智能分析，但無論是計算機的硬件還是軟件系統都是人設計和制造的，那么人工智能必然受到人意識的局限性，但擺脫人的經驗知識人工智能系統本身將難以實現自主智能。那么上述過程中人工智能系統如何實現智能是關鍵問題，而人的智能形成過程具有借鑒意義。智能在于思維、推理和決策等能力，而這些能力的根源是知識，這些知識存在于基本概念和這些概念的相關性之中，因此人工智能系統實現智能的前提是系統具有自主形成概念的能力。

關于人工智能系統的概念形成問題已有一些研究，包括江怡[1]對人工智能與自我意識區別的概念進行了研究；顏佳華等[2]對智能治理與智慧治理概念及其關系性進行了辨析；李國山[3]研究了人工智能與人類智能概念的關系；鐘義信[4]研究了人工智能的概念、方法和機遇；許立波等[5]對知識智能涌現創新的概念、體系與路徑進行了研究；郭倫眾等[6]提出了一種基于最大滿矩陣生成概念格的算法；侯小豐[7]對于形而上學的概念生成方式進行了研究；李進金等[8]研究了形式背景與協調決策形式背景的屬性約簡與概念格生成方法；田杰[9]研究了基于信息-知識-智能轉化律的情報概念；王旭陽等[10]基于概念關聯度對智能檢索進行了研究；張家精等[11]使用云模型對隸屬概念判定中閾值進行了確定；孫福振等[12]對概念語義生成與文本特征選擇進行了研究；劉海生等[13]基于可拓智能體進行了概念設計。同樣作者也進行了一些相關研究，包括系統故障因果關系分析的智能驅動方式[14]、系統可靠-失效模型的哲學意義與智能實現[15]、文本因果關系提取[16]、人工智能系統故障分析原理[17]、人工智能樣本選擇策略[18]、空間故障網絡的柔性邏輯描述[19]、安全科學中的故障信息轉換定律[20]、空間故障樹與因素空間融合的智能可靠性分析[21]等。目前多數研究是圍繞大數據的智能分析方法展開的，從數據中了解因果關系及區分因素，雖然取得了良好效果，也得到了人本身難以理解但現實存在的概念和關系，卻造成了概念和因素關系的不可解釋性。實際上大數據分析提供了研究對象的因素特征，這在人工智能的概念形成過程中起到了因素智能識別的作用。但對于概念形成過程的其他方面而言大數據技術貢獻較少，特別是在知識庫尚未形成時，即對象、描述性定義和功能性定義未形成對應關系時人工智能系統本身不具備形成概念的能力，更不具備自主建立知識庫的能力。

針對上述問題，本文研究了人的概念形成過程，并與人工智能系統的概念形成過程進行對比。認為人工智能系統與人的概念形成過程的優勢和劣勢形成互補，人工智能系統的概念形成特點在于超強的感知和存儲計算能力，但缺乏不完備信息條件下的概念形成能力；人的概念形成特點在于有限的感知能力，及較強的不完備信息條件下的抽象和思維能力。因此本文參考人的概念形成過程，研究了人工智能系統的概念形成過程中需要面對的問題和解決方法。

1 人的概念形成過程

人對于存在事物的理解是從人的感官開始的，終于人對事物具體功能的認知。將事物本身稱之為對象，對象的客觀存在狀態和作用對于人對對象的理解和概念形成并不起絕對作用，而只有落在人能感知和理解范圍內的因素和功能才是形成人對對象的概念的關鍵，這是一個復雜的過程。如圖1所示。

圖1中所有過程的存在源于對象的存在，即客觀存在的事物，該對象與人能感知并理解的對象并不相同，人能感知和理解的對象是客觀對象的一部分。由客觀對象出發，人可從兩方面對對象進行感知和理解，一條途徑是對象的表象，另一條途徑是對象的功能。

圖1 人的概念形成過程Fig.1 Concept formation process of human

對象的表象是對象存在的表現形式，例如蘋果存在的表象是以各種數據信息形式展現的，包括顏色、重量、形狀等。在不借助其他設備情況下，這些表象都是通過人的直觀原生能力感知的，這種感知受限于人的先天條件。而這些人的原生感知能力只能接收可以感知范圍的信息，這導致了人對對象的感知能力被嚴重限制了，這將影響所得對象內涵和外延的全面性，進而降低人對對象的理解程度得到具有片面性的概念甚至錯誤，最終建立不完備的知識體系導致人的認識和思維錯誤。所以人形成概念的第一障礙來源于人的原生感知能力受限。

盡管人具有多種原生感知能力，但在了解對象信息時都可分為兩部分區別對待，一是對象，二是背景。對象是人關注的事物，是認知的核心；背景是包含對象的環境中除對象之外的信息。無論是對象還是背景都可從人的原生感知能力中獲得各種信息，而這些信息的分類歸納基準就是因素。因素是信息的標定，失去因素的標定信息沒有存在意義。例如視覺感受的蘋果，對象是蘋果，背景可能是樹，那么對象因素包括蘋果的顏色、大小、形狀、重量等；背景因素包括樹的顏色、形狀等。對象因素的數量和背景因素的數量取決于人的感知能力。對象因素是形成概念的主體，也是人區分不同對象的基礎；而當對象因素不足以區分對象時，背景因素則可進行補充判斷。例如紅色、巴掌大小、圓形如果在樹上可能感知為蘋果，如果在海里可能感知為水母，如果不能判斷則是缺乏必要的因素支持。所以人形成概念的第二個障礙來源于人對對象因素和背景因素的缺乏，它們主要從人的原生感知和后天學習中獲得。

背景因素與對象因素的形成機理相同，以對象因素為例說明因素特征。例如蘋果的顏色是對象因素，那么這個因素的特征包括亮度特征、色調特征和飽和度特征。這些特征在人的認識中都具有感知范圍，人的亮度感知范圍與人眼焦距和瞳孔尺寸有關，色調與光的波長有關從紅色到紫色等，雖然在具體應用過程中定義不同，但都是具有一定范圍的。另外也有一些因素特征是離散值，例如視覺上蘋果的外表面有兩個明顯內凹，其因素特征是2。因此無論是對象因素還是背景因素都可能對應相同或不同的因素特征，這些因素特征可能是連續的范圍也可能是離散的值。人

對對象感知獲得的各種信息總是落在因素特征的定性和定量域（一個特征的所有范圍）中，而具有相同因素特征的不同對象如果不能歸為同類，那么必然有某個或多個因素特征落在特征域的不同范圍內。同樣，同類對象集合的不同對象的所有因素特征必將集中于這些因素特征的相同范圍中。例如，對象A的對象因素為因素1，對象因素 1 具有因素特征 1、2、···、I，分別落于因素特征1的范圍1、因素特征2的范圍3和因素特征I的范圍2，這時人對于A的理解為對象因素1(因素特征1(范圍1)，因素特征2(范圍3),…,因素特征I(范圍2))，或者是滿足上述要求的是對象A。如果對所有對象因素1的所有因素特征進行范圍劃分，那么得到的所有特征組合的數量是所有因素特征范圍數量的乘積O。如果考慮所有對象因素和背景因素，這時人對于A的理解為視覺(對象因素1(因素特征1(范圍1)，因素特征2(范圍3),···,因素特征I(范圍 2)),對象因素 2(···),···,對象因素N(···),背景因素 1(···),背景因素 2(···),···,背景因素M(···))，或者是滿足上述要求的是對象 A，那么得到的所有特征組合的數量是O×(N+M)。如果考慮人的所有原生感知能力，這時人對于A的理解為對象(視覺(對象因素1(因素特征1(范圍1)，因素特征 2(范圍 3),···,因素特征I(范圍 2)),對象因素 2(···),···,對象因素N(···),背景因素 1(···),···,背景因素M(···)),聽覺 (···),味覺 (···),觸覺 (···),···)，或者是滿足上述要求的是對象A，那么得到的所有特征組合的數量是O×(N+M)×原生感知種類的數量Y。這樣構建了因素及其劃分組成的因素特征空間，將該空間劃分為O×(N+M)×Y個子空間，每個子空間對應了一類對象的表象描述，即每個特征域中必然有且只有一個范圍存在于該描述中。例如圓形紅色是蘋果、橢圓形黃色是梨，因素特征形狀和顏色組成了對象的表象描述，圓形和橢圓形在因素特征形狀的不同劃分范圍內，紅色和黃色在因素特征顏色的不同劃分范圍內，這是由形狀和顏色組成的因素特征子空間；也可能存在某個子空間沒有對應的實際對象，例如三角形黑色不對應于任何水果。上述構建的空間是人感知所能得到的對象表象信息的全域，可總結為所有感知的所有因素的所有特征的所有范圍的組合形成了描述性定義的全部組合——即人能感知的所有對象表象。上述過程需要通過人的原生感知和后天學習才能實現，而后天學習則是構建上述空間和劃分的主要途徑，因此人形成概念的第三個障礙來源于人的后天學習。

人對于客觀存在的對象形成概念只通過對象表象形成的描述性對象定義是不夠的，因為人了解存在的對象需要有動力和目的，這主要體現在對象的功能，而這些功能必須是人能感知和理解的。一個對象從不同角度可能具有很多功能，這些功能必須被人理解和使用，即只要人無法感知和理解的功能，則可認為它們不存在。對象功能一方面來源于人的后天學習，即獲取先人已有經驗；另一方面來源于人的親身實踐和嘗試，因此人形成概念的第4個障礙來源于人的實踐能力。

對象的功能也可看作是對象的特殊因素，其也具有多個功能特征。例如蘋果的對象功能是可以吃，功能特征是口味、水分等。與對象因素相同，每個對象功能的每個功能范圍都可劃分為多個子范圍。例如對象A的對象功能1具有3個功能特征，包括功能特征1、功能特征2和功能特征I，具體程度范圍分別為范圍1、范圍2和范圍4，那么對于A的理解為對象功能1(功能特征1(范圍 3)，功能特征 2(范圍 2),···,功能特征J(范圍 4))，或者是滿足上述要求的是對象A。如果考慮對象A的所有對象功能，那么A的理解為對象(對象功能 1(功能特征 1(范圍 3)，功能特征 2(范圍 2),···,功能特征J(范圍 4)),對象功能 2(···),···,對象功能P(···))，或者是滿足上述要求的是對象 A。因此所有對象功能的所有功能特征的所有范圍形成了功能性定義的全部組合，稱為功能特征空間——即人能使用和感知的所有功能。所有特征組合的數量是所有功能特征范圍數量的乘積O'，那么功能特征空間的子空間數為O'×P。

人對對象的概念形成過程是從對象出發，將對象對象表象和對象功能相對應的過程。對象本身為概念的外延，對象的表象和功能是概念內涵。對于相同的對象，可以連接因素特征空間的某個子空間和功能特征空間的某個子空間構成具備外延和內涵的概念，形成針對于該對象的一條知識。例如對象A的知識化概念(對象A,(描述性定義對象(視覺(對象因素1(因素特征1(范圍1)，因素特征 2(范圍 3),···,因素特征I(范圍 2)),對象因素 2(···),···,對象因素N(···),背景因素 1(···),···,背景因素M(···)),聽覺 (···),味覺 (···),觸覺 (···),···)),(功能性定義對象(對象功能1(功能特征1(范圍3)，功能特征 2(范圍 2),···,功能特征J(范圍 4)),對象功能 2(···),···,對象功能P(···))))。如果沒有對象，也可通過因素特征空間的所有子空間與功能特征空間的所有子空間的多對多對應關系建立概念的內涵，這樣的內涵數量為O×(N+M)×Y×O'×P，可認為是人在可感知范圍內的知識總量。進一步人可通過實踐和觀測找到適應某個內涵的外延對象，最終建立一條具備對象、描述性和功能性定義的知識，該過程是人的抽象思維和思想活動。

綜上，人基于實踐、學習和聯想能了解可能存在的所有情況，這些情況就是所有的概念。人是通過因素和功能來標定所有可感知的對象并形成概念的。在已知的概念基礎上才能基于因素和功能進行推理，構建復雜的知識系統。

2 人工智能的概念形成過程

人工智能的功能是模仿人的智能決策過程，目前人工智能主要有3個流派[22-25]，即結構流派、功能流派和行為流派，它們分別認為應從模擬人腦結構、功能作用和身體行為方面實現對人智慧過程進行模擬，是在不同層面的模仿。因此目前人工智能的概念形成過程仍是圍繞人的概念形成過程展開模擬，其基本過程如圖2所示。

圖2 人工智能的概念形成過程Fig.2 Concept formation process of artificial intelligence

圖2中的人工智能概念形成過程與圖1過程類似。首先需要客觀的對象存在，且對象具有對象表象和對象功能。對象表象的感知在人工智能系統中得到了極大豐富，與人的原生能力不同，人工智能系統可使用非常多的感知和監測手段使人工智能系統在需要時具有最大化的監測能力。不同監測能力得到的數據中存在對象因素和背景因素，區別它們是人工智能系統面臨的主要問題，這取決于系統目的，一般通過人已有知識的有師學習和系統的智能辨識實現。有師學習需要人的經驗和思維，系統智能辨識需要大量的基礎數據、強大的智能分析算法和已經建立的知識庫，目前基于大數據的智能分析就是系統智能識別的具體化方法。對于對象因素和背景因素而言，同樣具有多個因素特征，這與人的概念形成過程相同，相同的過程也包括因素特征的劃分，因素特征空間建立和子空間的形成過程，最終得到對象的描述性定義。人工智能系統與人相比最大的優勢在于監測能力的多樣性和因素特征劃分和空間的完備性，缺點在于缺少智能辨識能力，包括因素識別、特征確定和范圍劃分，需要在人的幫助下進行有師學習，也缺乏人對概念的理解過程等高級思維。

人工智能系統對對象功能的感知過程與人的感知過程基本相同，這里不再贅述，最大的區別在于該過程需要系統自身的實踐能力和人的幫助。系統需要在完成對象描述性定義后自發的實踐該對象的功能，從而建立對象功能、功能特征、范圍劃分、功能特征空間。目前這是極其困難的，只能以人的經驗直接輸入智能系統的方法解決，確定功能特征空間并與因素特征空間產生對應關系，最終建立概念的內涵和外延對應關系，形成概念記錄組成知識庫。

綜上，目前實現完全自主的人工智能是困難的，因為人工智能的自主分析是基于知識庫中的基本概念，這些概念實際上是對象為主體產生的描述性定義和功能性定義的對應規則。建立最基本的知識庫是目前實現人工智能的關鍵。基本知識庫的建立需要人工智能系統的智能因素辨識和系統功能實踐能力，目前大數據分析主要實現了智能因素識別，自主的系統功能實踐難以完成；前者可通過大數據分析和人的經驗知識完成，而后者則基本依靠基于經驗知識的有師學習完成。因此人工智能的概念形成需要智能因素辨識、系統功能實踐和有師學習，雖然監測能力的維度增加且因素特征空間和功能特征空間更加完備，但只能基于有限概念的知識庫才能進行有限的推理，缺乏聯想和創造能力。

3 人工智能與人在概念形成過程中的區別

上述兩節介紹了人和人工智能形成概念的過程，它們在形式上類似，但信息收集、存儲、處理能力和思維性方面存在明顯區別。這里的人工智能系統主要是計算機的硬件和軟件系統，具備強大的運算能力和存儲能力，但在缺乏人的經驗知識情況下難以形成基本的概念和知識庫。

1）人工智能可以擴大人的原生感知能力。人的原生感知能力受限于人的生理結構，如視覺、聽覺、味覺、嗅覺等。如第1節所述，按照人的概念形成過程，人能獲得的所有知識量為O×(N+M)×Y×O'×P，其中O是所有因素特征范圍數量的乘積。如果人工智能系統借助先進的監測能力、技術和手段，可以增加人不具備的原生感知能力，那么相當于增加了感知維度，這對應的增加了對象因素和背景因素，也增加了它們對應的因素特征，因此O將指數級增長，最終導致概念數量的指數級增長，形成更為寬泛的知識庫。因此感知能力和因素的增加對人工智能系統的知識庫建立具有決定作用，這方面是人最不擅長的。

2）人工智能可迅速地實現因素特征空間、功能特征空間及全部概念內涵的建立。因為人工智能系統是建立在計算機硬件和軟件系統之上的，與人相比具有強大的存儲和運算能力。如果之前工作是充分的，得到的各類監測方面的因素、因素特征、特征劃分，及對象功能、功能特征、特征劃分是完全的，那么必將可以建立完備的因素特征空間和功能特征空間及其子空間。這些子空間是形成概念內涵中描述性定義和功能性定義對應關系的關鍵，需要同時處于激活狀態以便運算形成該對應關系；但人并不具備這樣的能力，只能建立很少部分的對應關系形成概念內涵。這也是人只能得到問題的近似最優解而無法通過枚舉找到全局最優解的根本原因。

3）人工智能可迅速地尋找內涵對應的外延。概念的內涵和外延應是對應存在的，由于人工智能在全部內涵的存儲和運算方面的優勢，可根據因素特征空間和功能特征空間的子空間對應關系來尋找具有該描述性定義的存在對象。進一步的，使用人工智能系統的強大感知能力，尋找這些對象的過程較人而言更為快速高效，最終迅速獲得內涵對應的外延。

4）人工智能可迅速地聯系外延和內涵形成概念和知識庫。在計算機系統的支持下人工智能系統可以通過對象及對象對應的描述性定義和功能性定義形成完整的概念，同時將概念以固定的形式形成知識，存入知識庫。這些形式化的知識記錄方便在計算機系統中進行運算和推理，以實現人工智能系統在結構、功能和行為上對人的智能進行模擬。

5）人工智能系統缺點是需要因素的智能識別、對象功能的實踐及人經驗知識的有師學習。在人工智能系統形成概念的過程中，遇到的兩個主要問題是因素的智能識別和功能的實踐。雖然人工智能系統在因素監測方面具有優勢，但對各類信息中背景因素和對象因素的識別、因素特征確定、特征劃分存在問題，而這些是形成因素特征空間和對象描述性定義的基礎。目前大數據分析技術基本上圍繞上述3個方面進行研究，但所得結果缺乏可解釋性，只是數據相關性的體現。上述三方面在不同程度上都需要使用人的經驗知識進行先期加工，甚至這種有師學習是決定上述工作成敗的關鍵。

6）人可以在沒有概念外延，甚至沒有完整內涵的情況下進行關聯性分析，形成抽象概念，但人工智能并不具備這種能力，其概念形成和推理必須有完整的內涵和外延。人在對象感知能力、知識庫形成、存儲和運算方面沒有優勢，但人具備更為高級的抽象能力，在對象、內涵和外延不完備情況下即可形成概念，對概念進行抽象和邏輯分析，即聯想和思維能力。這種能力可通過人對對象表象的感知和對象功能的實踐中獲得對應關系，產生基本的原始概念，形成基本的知識庫；也可通過人的學習能力從前人的知識庫中將概念轉化到自身的知識庫，當然該過程中可能造成不同人對相同對象的不同理解。但這種能力在沒有原始概念和知識庫情況下，目前的人工智能系統難以實現類人的思維和聯想過程。

4 對人工智能概念形成的啟示

人的概念形成受到原生感知能力，眾多因素、因素特征及特征劃分的存儲和運算能力，眾多功能、功能特征及特征劃分的存儲和運算能力的限制；但人可實現在對象、描述性定義和功能性定義不完備情況下的概念抽象和推理。相對的，人工智能系統的優勢在于對對象表象的感知能力，對眾多因素、因素特征及特征劃分的存儲和運算能力，眾多功能、功能特征及特征劃分的存儲和運算能力；缺乏對基本概念和知識的生產能力。

由于人工智能是模仿人的思維結構、功能和行為，而人工智能的智慧來源于人經驗知識構成的基礎概念和知識庫；人的經驗受限于原生感知能力及對概念內涵和外延的存儲和運算能力，所形成的知識具有片面性，這時基于此的人工智能推理也受到限制；但沒有人的經驗知識則無法形成人工智能的基礎知識庫。因此目前實現人工智能的基本途徑應該是：首先基于人的先經驗知識建立基本知識庫；利用人工智能系統的強大感知能力增加感知因素細化特征范圍；建立因素特征空間和功能特征空間；將描述性定義、功能性定義及對象構成概念；將概念形式化形成知識并存儲于基本知識庫；循環上述過程進而完成人工智能對自然世界的理解和學習。

5 結束語

人的概念形成過程是在潛移默化中實現的，雖然受到感知能力、存儲能力和計算能力的限制，但人具有在內涵和外延不完備情況下的思維和聯想能力，這不但彌補了上述能力的不足還拓展了人的高級思維能力。相對的人工智能系統的概念形成過程優勢在于感知能力、存儲能力和計算能力；缺乏自主的因素識別、特征提取和劃分，以及對象功能確定、特征提取和劃分的能力；在對象、因素特征空間和功能特征空間沒有完備對應關系情況下沒有思維和聯想能力。

因此發展人工智能必須重視3個問題，即因素的智能識別、功能的系統實踐和人經驗知識為基礎的有師學習。目前人工智能方面的主要技術是大數據分析，而大數據分析只能實現因素智能識別，而且得到的關系缺乏可解釋性，因此基于大數據的因素識別方法并不完善。功能的系統實踐要求智能系統本身能使用對象并確定對象功能，對應對象的功能性定義與描述性定理形成概念的內涵，該過程目前難以實現。目前最現實的解決方法只能通過人的經驗知識先行建立核心知識庫，人工智能系統才能具備智能分析基礎，以此不斷擴充知識庫從而實現人工智能系統的目的。