在本书中，我们更关心计算机在知识领域所能提供的帮助，而不是在机械领域（例如制造）。在机械领域，计算机使我们也可以制造出更好、更好、更便宜的产品，并且在某些领域它们是必不可少的，例如飞往月球的太空飞行，假如没有计算机的帮助几乎不可能完成。AI可以被视为机器人技术的补充——它主要关注人类的智力方面而不是身体方面，尽管显然两者在大多数项目中都是紧密相连的。

  让我们重新开始，回到机器和人类的元素。两者都是由原子和分子构成的。两者都组织了基本部分；除其他外，机器具有用于存储和门的两种状态设备，而人类是由细胞构成的。两者都有更大的结构、算术单元、存储、控制和机器的输入/输出，而人类有骨骼、肌肉、器官、血管、神经系统等。

  但让我们仔细注意一些事情。大型组织可能会产生新的影响。例如，我们始终相信分子之间不存在摩擦，但大多数大型结构都表现出这种效应——这种效应是由不表现出这种效应的较小部分的组织产生的。

  我们还需要注意到，当我们设计一些设备来实现与自然相同的功能时，我们一般会采取不同的做法。例如，我们的飞机通常用固定翼（或旋翼），而鸟类主要是拍打翅膀。但我们也做了不同的事情——我们比鸟类飞得更高，当然也更快。尽管我们以多种方式使用轮子，但大自然从未发明过轮子。我们的神经系统相对较慢，信号传输速度约为每秒几百米，而计算机信号传输速度约为每秒 186,000 英里。

  在继续人工智能所取得的成就之前，必须要格外注意的第三件事是，人类大脑有许多很多以相互连接的神经形式存在的组件。我们大家都希望“思考”的定义是人脑能做到的事情。过去对机器进行编程以使其能够思考的失败，通常会被借口为机器不够大、不够快等。有些人由此得出结论，如果我们建造一台足够大的机器，那么它就会自动思考！请记住，这似乎更像是编写程序的问题，而不是构建机器的问题，除非您相信，就像摩擦一样，足够的小部件会产生新的效果——从非思考部件进行思考。也许这就是真正的想法！也许它不是一个单独的东西，它只是一个巨大的神器。人们不能断然否认这一点，因为我们一定要承认我们不知道思考到底是什么。

  再次回到AI过去的成就。有一个例程可以证明经典学校几何中的定理，就像您学习此类课程时所做的那样。程序中给出了著名的定理“如果三角形的两条边相等，则底角也相等”，如图 7.1 所示。您可能会平分顶角，然后继续证明这两部分是全等三角形，因此相应的角度相等。你们中的一些人可能会平分第三条边，并将线画到相反的角度，再次得到两个全等的三角形。该机器产生的证明没用任何构造，而是将三角形 abc 与三角形 cba 进行比较，然后证明自全等，因此证明角度相等。

  任何看过这个证明的人都会承认它是优雅的、正确的和令人惊讶的。事实上，编写该程序的人并不知道这一点，也没有广为人知，尽管它是我的欧几里得副本中的脚注。人们倾向于说该计划表现出了“独创性”。结果是程序明显表现出了设计者没有融入到程序中的“新颖性”；该计划展示了“创造力”以及所有这些好东西。

  稍微思考一下就会发现，程序员在程序中给出了首先尝试证明给定定理的指令，然后，当卡住时，尝试绘制辅助线。如果这就是你们学习几何学的方式，那么你们中的更多人就会发现上述优雅的证明。所以，从某种意义上说，它是被编程进去的。但是，正如我之前所说，除了试图向你加载程序之外，你所教的几何课程是什么？可以肯定的是，效率低下。人是这样，但机器就干净了：你只要把程序放进去就一劳永逸，不需要无休止地重复又重复，结果还是忘记了！

  当塞缪尔的跳棋程序做出令人惊讶的动作并击败了州跳棋冠军时，它是否表现出了独创性？如果没有，你能证明你有原创性吗？您将使用什么测试来将自己与计算机程序区分开来？

  人们可以声称跳棋程序是“学习过的”，而定理证明程序则表现出“创造力”、“独创性”，或者无论你怎么称呼它。它们只是许多已编写的类似程序的两个示例。说服您这些程序具有所声称的属性的困难在于，一旦存在一个程序来执行某些操作，您立即认为所做的只是死记硬背的例程，即使程序中包含从现实世界获得的随机数。因此，我们遇到了一个悖论：程序的存在会自动让你不再相信它不是一个死记硬背的过程。当然，以这种态度，机器永远无法证明它不仅仅是经典意义上的“机器”；它无法证明，例如，它可以“思考”。

  硬人工智能人士声称，人只是一台机器，除此之外什么都不是，因此人类在智力领域能做的任何事情都可以被机器复制。如上所述，大多数读者在看到机器的一些结果时，会自动相信这不可能是所声称的人类特征。立即出现两个问题。一，这公平吗？第二，你有多确定你不只是辐射能量场中分子的集合，因此整个世界只是分子与分子之间的弹跳？如果你相信其他（未命名的、神秘的）力，它们如何影响分子的运动，如果它们不能影响运动，那么它们如何影响现实世界？物理学对宇宙的描述是否完整，或者是否存在（对他们来说）未知的力量？这是一个艰难的选择。 （旁白：目前[1994]，人们相信宇宙的 90% 到 99% 是所谓的暗物质，物理学除了它的万有引力之外一无所知。）

  我们现在转向计算机在更多文化环境中的一些实际应用。在计算机革命的早期，我看到贝尔电话实验室的马克斯·马修斯和约翰·R·皮尔斯处理计算机中的音乐。如果您现在还不知道的话，稍后您会清楚地知道，一旦您决定要再现的频率有多高，那么采样率就确定了。人类最多只能听到每秒约 18,000 个周期，而且只有在年轻时才有效；成年人使用电线 次，通常几乎可以立即识别声音。代表音乐的音轨的量化（无论有多少乐器，都有一个音轨振幅）不会引入太多进一步的失真。因此，推理是这样的，我们可以让计算机计算每个时间间隔的音轨高度，将数字作为电压输出，将其通过平滑滤波器，并得到相应的“音乐”。纯音很容易，只需一条正弦曲线即可。频率的组合决定了单个乐器的声音及其“起音”（意味着频率如何随着音符开始而振幅增加，以及随后的衰减）和其他特征。通过对多种不同的乐器进行编程，您可以提供音符并将音乐的声音写在磁带上以供以后播放。你不必实时计算数字，计算机可以根据需要尽可能慢地运行，甚至不是以恒定速率运行，但是当数字放在磁带上并以统一速率播放时，你会得到“音乐”。

  但为什么要提供注释呢？为什么不让计算机也“撰写”呢？毕竟，有很多“构图规则”。他们就这样做了，使用规则，当有选择时，他们使用随机数来决定下一个音符。目前我们有电脑作曲和电脑演奏的音乐；您在广播和电视广告中经常听到这种说法。它更便宜，更容易控制，并且可以发出目前任何乐器都无法发出的声音。事实上，任何可以出现在音轨上的声音都可以由计算机产生。

  因此，从某种意义上说，计算机是音乐的终极。除了琐碎的细节（采样率和量化级别的数量，如果你愿意付出代价，可以增加这些细节），作曲家现在可以用任何可以以任何速率、任何组合、节奏、以及他们喜欢的强度。事实上，目前“最高质量的音乐录音”是数字化的。未来不可能有重大的技术改进。现在显然问题是什么声音值得产生，而不是可以做什么。现在许多人都拥有数字录制的音乐播放器，它们被认为比旧的模拟机器要好得多。

  该机器还为作曲家提供更即时的反馈，以听取所创作的内容。在此之前，作曲家常常要等待很多年，直到名声大噪，早期创作的音乐才在现实生活中首次被听到，而不仅仅是在想象中。因此，作曲家现在可以以更快的速度发展一种风格。通过阅读一本专门讨论计算机音乐的期刊，我得到的印象是，相当复杂的计算机设置是当今音乐作曲家的常见设备，他们可以使用多种语言，并且他们使用多种方法来创作音乐在人机的共同努力下。

  音乐指挥现在也拥有更多的控制权。过去，指挥家在录音时试图从音乐家身上获得最好的效果，通常会拼接多个录音以获得最佳录音，包括“混合”各种麦克风录音。现在，指挥可以准确地获得所需的信息，精确到毫秒的计时、音调的分数以及所模拟的各个乐器的其他质量。所有太人性化的音乐家不必在一段乐段中同时表现得完美。

  在这里，您再次看到计算机的影响，以及它们如何将我们从事物世界推向思想世界，以及它们如何补充和扩展人类的能力。

  这就是我感兴趣的人工智能类型——人类和机器可以一起做什么，而不是可能出现的竞争。当然，机器人将取代许多人类从事日常工作。从非常现实的意义上来说，机器可以最好地完成日常工作，从而将人类解放出来，从事更人性化的工作。不幸的是，目前许多人类还没有能力与机器竞争——他们只能做一些日常工作。人们普遍相信（希望？），一旦接受适当的训练，人类就可以竞争。然而，我长期以来一直公开怀疑你能否将许多煤矿工人培养成有用的程序员。我对能够成为传统意义上的程序员的人口比例持保留态度。如果您称从银行取钱为“机器编程”，或拨打电话号码（这两者都将人工输入应用到一个复杂的程序中，然后执行该程序，就像口译员对您的程序输入进行操作一样），那么当然大多数人都可以成为程序员。但如果你指的是更经典的活动，即仔细分析情况，然后详细说明要做什么，那么我说，即使有很好的交互式提示，也有人怀疑有多少人可以与计算机竞争。

  计算机既取代了如此多的人的工作，也创造了如此多的新工作，试图回答哪个数字更大是无望的。但很明显，平均而言，较低级别的工作正在消失，而较高级别的工作正在出现。再次，人们愿意相信大多数人将来都可以接受培训来从事更高级别的工作，但这只是一种希望，没有任何真实的证据。

  除了游戏、几何和音乐之外，我们还有代数运算程序；它们往往是比“独立”程序更“定向”的程序，也就是说，它们在操作的各个阶段都依赖于人类的指导。起初，我们很好奇我们可以构建一个独立的几何程序，但显然不能轻松地为代数做同样的事情。简化是麻烦之一。你可能没有注意到，当你参加代数课程并被告知“简化表达式”时，你可能没有得到明确的“简化”规则——如果你有，那么这个规则显然是荒谬的。例如，至少有一个版本的“新数学”说

  我们经常使用“简化”这个词，但它的含义取决于你下一步要做什么，并且没有统一的定义。因此，如果在微积分中您接下来要进行积分，您会将事物分解成小块，但在其他时候您会尝试将这些部分组合成漂亮的乘积或商表达式。

  类似的“人类指导”交互程序已被开发用于化合物的合成。它非常有用，因为它给出了：（1）可能的合成路线）一路上的反应次数，以及（4）有效产率。因此，使用它的程序员可以探索多种合成新化合物的方法，或者重新探索旧方法以寻找新方法，因为材料和工艺的成本与几年前相比已经发生了变化。

  血液样本等的大部分医学测量都进行了机器分析，而不是使用不可靠的人类通过显微镜进行观察。在大多数情况下，它更快、更可靠且更具成本效益。我们可以在医学上更进一步，用机器来做医学诊断，从而取代医生。事实上，在这种情况下，很可能是机器在诊断过程中提示医生！市场上早已出现一些针对某些疾病的自我诊断试剂盒。这不是什么新鲜事。困扰人们的仅仅是走得更远并开出治疗方案的想法。

  我们知道医生是人，因此不可靠，通常在罕见疾病的情况下，医生可能以前从未见过这种情况，但机器不会忘记，并且可以加载所有相关疾病。因此，根据症状，该程序可以诊断或要求进一步测试以确定可能的疾病。通过编程的概率（可以针对当前的流行病进行快速调整），从长远来看，机器可能比普通医生甚至比普通医生做得更好，而且必须是普通医生去对待大多数人！最好的医生只能亲自治疗（不借助机器）整个人口中的极少数。

  其中一个主要问题是法律问题。对于人类医生来说，只要他们表现出“应有的谨慎”（用法律语言来说），那么如果他们犯了错误，法律会原谅他们——他们毕竟只是人（人都会犯错）。但是如果机器出现错误，你该起诉谁呢？机器？程序员？那些用来获取规则的专家？是谁制定了更详细的规则？那些将它们组织成某种顺序的人？或者那些制定这些规则的人？使用机器，您可以通过对程序的详细分析来证明存在错误，错误的诊断，而人类医生无法证明这一点。因此我的预测是，你会发现很多由医生进行的计算机辅助诊断，但在很长一段时间内，你和机器之间将有一位人类医生。我们将慢慢推出个人程序，让您更多地了解如何诊断自己，但此类程序会存在法律问题。例如，我怀疑您是否有权在没有人类医生签署订单的情况下开出所需的药物。您也许已经注意到，您购买的所有计算机程序都明确免除了卖家对他们销售的产品的任何责任！通常新应用的法律问题是主要困难，而不是工程！

  如果你去过一家现代化的医院，你就会看到计算机的入侵——医学领域一直非常积极地使用计算机来做得越来越好。更好地降低成本、提高准确性和速度。因为近年来医疗成本急剧上升，你可能不这么认为，但正是医疗领域的精细化带来了昂贵的影响，主导了计算机提供的低成本收益。计算机为医院的机械师进行计费、日程安排和记录保存，甚至私人医生也开始使用计算机来协助他们的工作。在某种程度上，联邦官僚机构迫使他们这样做，以应对该领域的繁文缛节。

  在许多医院，计算机监控急诊室的患者，有时必要时也监控其他地方的患者。这些机器不会感到无聊，反应迅速，并且会提醒当地护士立即采取行动。假如没有计算机的帮助，全职护士能否等同于计算机和护士的结合值得怀疑。

  在数学中，最早进行符号操作的程序之一（1953）是一个寻找更高阶导数的形式微分程序。编写它的目的是让他们能够找到复杂函数的幂级数的前 20 项。正如您应该从微积分中知道的那样，微分是一个简单的形式化过程，规则相对较少。当您学习这门课程时，它看起来一定远不止于此，但您可能将微分与后来必要的简化和其他导数操作混淆了。另一个非常早期的抽象符号操作程序是坐标改变——制导导弹、雷达等都需要。所有雷达都有额外的自由度，因此目标不能飞过旋转轴的末端并迫使雷达旋转 180 度° 来追踪它。因此，坐标变换可能比您想象的要混乱一些。

  Slagle，一位盲人科学家，在 1961 年麻省理工学院的一篇论文中编写了一个程序，该程序可以像在微积分课程中所做的那样进行分析积分。无论是在可完成的积分范围还是在完成这些任务的成本方面，它都可以与麻省理工学院的普通本科工程师竞争。从那时起我们有了很大的进步，应该有一个基于著名的 Risch 算法的程序，应该可以找到任何可以以封闭形式完成的积分，但经过多年的等待我还没有看到它。他们告诉我，有一些集成程序可以得到封闭式答案，或者证明它不存在。

  计算机以机器人的形式侵入了耐用品、药品等生产线。计算机现在是由计算机驱动的机器人组装的，构成计算机的集成电路芯片主要是由计算机设计的。来自人类的一些指示。人类思维无法可靠地完成芯片上超过一百万个晶体管的布局；这将是一项无望的任务。设计程序显然具有一定程度的人工智能。在不会出现意外的限制区域，机器人相当有效，但在可能发生意外情况的地方，简单的机器人往往会遇到严重的麻烦。对非常规情况的常规反应可能会带来灾难。

  例如，对于海军来说，一个明显的观察结果是：如果在一艘船上你将拥有移动机器人（并且你不需要让所有机器人都移动），那么从天花板上的轨道上运行将意味着掉落到甲板上的东西将当机器人和船都剧烈运动时不一定会造成麻烦。这是我反复说过的另一个例子：当你使用机器时，你所做的工作是等效的，而不是相同的。物体必然会出现在不该出现的甲板上，比如因意外、粗心、战斗损坏等原因掉落到那里，而对于机器人来说，跨过或绕过它们并不像机器人那么容易。

  移动机器人的另一个明显领域是损害控制。与人类相比，机器人可以承受更加恶劣的环境，例如火灾，即使人类穿着石棉服。如果在快速完成这项工作时，一些机器人被摧毁，那么这与死去的人类不同。海军现在拥有遥控扫雷机，因为当你失去一艘船时，你不会失去船员。我们在深海潜水时经常使用机器人控制，现在我们有了无人驾驶轰炸机。

  回到机器下的国际象棋。这些程序一直在变得越来越有效，机器击败国际象棋世界冠军似乎只是时间问题。但在过去，通往更好程序的道路主要是通过对许多步骤中预测的可能走法进行详细检查，而不是通过理解人类如何下棋。计算机现在每秒检查数百万个棋盘位置，而人类通常在采取行动之前最多检查 50 到 100 个位置，因此他们会报告何时应该与心理学家合作。至少，他们是这么认为的——下棋时人类大脑实际上会做什么是另一回事！我们真的不知道！

  在其他游戏机上也取得了比较成功。例如，有人告诉我，一个双陆棋游戏程序击败了最近在意大利举行的一场比赛中的所有获胜者。但一些简单的游戏，比如围棋游戏，只是规则简单，仍然很难对机器进行编程来玩一流的游戏。

  总而言之，在许多游戏和相关活动中，机器被编程为玩得很好，但在某些游戏中却表现不佳。但通常机器的运作方式可以说是“通过计算量来解决问题”，而不是通过洞察力——无论“洞察力”意味着什么！我们开始在电脑上玩游戏是为了研究人类的思维过程，而不是为了赢得比赛；目标已经被扭曲为胜利，更不用说洞察人类思维及其运作方式了。

  让我重复一遍：人工智能不是一个你可以忽视的话题；它是一个你可以忽视的话题。你的态度将把你置于你所在领域机器应用的前面或后面，而且还可能导致你陷入一场真正的惨败！

  这可能是介绍逻辑新颖性和心理新颖性之间的一个很好的区别的地方。机器在正常工作时不会产生逻辑上的新颖性，但它们肯定会产生心理上的新颖性——程序员不断地对他们编写的程序的实际功能感到惊讶！但作为一个人，你能产生逻辑上的新颖性吗？仔细检查人们关于他们伟大发现的报告往往会发现他们是在过去的经验的引导下找到了他们所做的结果。环境引导他们走向成功；心理上的新颖性，但逻辑上的新颖性。难道你没有根据过去的经验做好你所做的事情、做出你所做的发现的准备吗？逻辑上的新颖性真的可能吗？

  不要误以为心理上的新鲜感是微不足道的。一旦给出了假设、定义和逻辑，那么所有其余的数学都只是心理上的新颖性——在这个层面上，所有数学在技术上都没有逻辑上的新颖性！

  人们普遍认为，如果我们诉诸随机来源来做决定，那么我们就摆脱了分子碰撞分子的恶性循环，但是除了分子的物质世界之外，这种外部随机来源从何而来呢？

  还有一种标准说法是，真正的随机来源包含了所有知识。这是基于猴子和打字机故事的变体。理想情况下，你有一群猴子坐在打字机前，它们随机地敲击随机的键。据说其中一个人能及时将大英博物馆的所有书籍按照书架上架的顺序打印出来！这是基于这样的论点：猴子迟早会击中正确的第一个键；事实上，在无限的时间内，这种情况会无限频繁地发生。在这些无限次中，会有一些（无限次）下一个键被正确击中。事情就是这样；在无限的时间里，准确的击键顺序将会发生。

  这是所有知识都存在于真正随机来源的基础上，如果你能编写一个程序来识别“信息”，你就可以轻松获得它。例如，下一个物理理论迟早会出现在随机的噪声流中，如果你能识别它，你就会把它从随机数流中过滤掉！这种情况的逻辑是不可避免的——现实令人难以置信！等待的时间实在是太长了，事实上，即使你看到了“信息”，你也不一定能认出它。

  有一种古老的说法认为“自由意志”是一个神话。在特定的情况下，你就是你现在的样子，你只能做你现在做的事。这个论点听起来很有说服力，尽管它与你拥有自由意志的信念背道而驰。为了解决这个问题，你会做什么实验？似乎还没有可以进行令人满意的实验。事实上，我们的行为经常在这两种立场之间交替。老师必须相信，只要说得对，学生就一定能理解。你在抚养孩子时也有类似的行为。然而，拥有自由意志的感觉深深地存在于我们的内心深处，我们不愿意为自己放弃它——但我们常常愿意向别人否认它！

  作为默认他人缺乏自由意志的另一个例子，请考虑当一个城市的某个社区犯罪率很高时，许多人认为解决问题的方法是改变环境——因此人们必须改变，犯罪率就会下降！

  最后，也许衡量思考的标准不是你做了什么，而是你如何做。当我看到一个孩子学习如何乘以两个数字，比如说三位数，我就能感觉到孩子正在思考；当我做同样的乘法时，我觉得我更多的是在做“条件反应”；当计算机执行相同的乘法时，我根本感觉不到机器在思考。用那首老歌的话来说，“重要的不是你做了什么，而是你做事的方式。”在思维领域，也许我们混淆了所做的事情和做事的方式，这可能是我们在人工智能领域困惑的根源。

  硬人工智能人只会接受所做的事情作为成功的衡量标准，这已经在许多其他人的脑海中蔓延开来，而没有仔细检查事实。 “结果是思考的尺度”这一信念让许多人相信他们能够“思考”而机器不能，因为机器尚未产生所需的结果。

  计算机和思想的情况很尴尬。我们愿意相信，但同时又不相信，机器可以“思考”。我们想要相信，因为机器可以在我们的精神世界中为我们提供很多帮助；我们不想相信，以保持我们的自我重要感。机器可以在很多方面击败我们——速度、准确性、可靠性、成本、控制速度、免于无聊、带宽输入和输出、忘记旧事物和学习新事物的容易程度、恶劣的环境和人员问题——以至于我们会喜欢在某些方面感觉比他们优越；毕竟，它们是我们自己的创造物！例如，如果机器程序能比当前的医生做得更好，那么他们会怎样呢？推而广之，我们会被留在哪里呢？

  其中两个主要的难点是：（1）如果机器做到了这一点，那么它一定是一种算法并且不能思考，（2）另一方面，我们如何逃避分子与分子的碰撞，我们显然是——我们的思维、自我意识和自我意识通过什么力量影响分子的路径？

  在前两章中，我以对硬件和软件极限的估计作为结束，但在关于人工智能的这两章中我能做的很少。我们根本不清楚自己在说什么；这些词本身还没有定义，而且在不久的将来似乎也无法定义。我们还一定要使用语言来谈论计算机的语言处理，而这种递归性使事情变得更困难和不确定。因此，应用的局限性（我将其视为人工智能的一般主题）仍然是一个悬而未决的问题，但这对你未来的职业生涯很重要。因此，人工智能需要你仔细思考，不应该因为许多专家提出明显错误的主张而轻易忽视。