哲学前沿课程第十三讲回顾 | 沈榆平：人工智能未来进路：符号与感知的融合

       2022年5月19日晚，“哲学前沿”课程第十三讲在哲学系103会议厅举行。本次讲座由张清江副教授主持，主讲人沈榆平副教授以“人工智能未来进路―符号和感知的融合”为题，介绍了人工智能领域符号主义和联结主义的基本原理、发展路径和未来的融合前景。

       讲座首先回顾了符号主义AI的基本思想，即用符号代表概念或知识，按设定的规则对问题进行推理求解的进路。主讲人以联结词真值表和命题逻辑公式为例，介绍符号主义方法在常识推理、定理证明以及工业领域中的发展应用。与此同时，符号主义方法也面临两个基本挑战：计算复杂性的困难和问题表示的困难。前者表现为符号主义方法大都是计算难解问题，存在无法避免的、指数增长的计算资源消耗；后者表现为符号主义方法不能很好地处理声音、图像等信息时代的丰富数据，而这些数据类型与当前人们的日常生活密切相关。

       以声音、图像的处理问题为切入，主讲人介绍了以神经元感知原理为基础的联结主义AI方法。主讲人一方面通过联结词来描述人工神经元（感知器）的基本功能，另一方面给出简单的信息编码方法，简明扼要地演示了人工神经元网络模型的计算机制和原理。基于感知的联结主义AI方法被广泛地应用于机器学习，并在声音、图像识别、语言翻译、自动控制等领域取得比较好的效果。但是，联结主义AI同样存在许多挑战，讲座以各种生动的例子说明了这些困难：过拟合（错误识别）、易受攻击和欺骗、不可解释性以及缺乏“逻辑”等等。

       大体上，符号主义本质上是一种演绎的（精确的）、计算难的、不易处理丰富类型数据的AI方法；联结主义本质上是一种归纳的（近似的）、计算易的（训练后）、容易处理丰富类型数据的AI方法。为了面对需求越来越广、任务越来越复杂的场景，许多研究者提出两种方法融合的进路。一些前沿的成果表明，将联结主义方法用于表层的、直接的场景对象或元素识别，再将识别结果转化成深层的、间接的符号知识并应用相应逻辑推理，对解决复杂场景及混合式智能应用有积极的推动。有人也将这种研究进路被称为“神经符号主义AI”(Neural-Symbolic AI)，但这两种进路的融合方式及其机制的理论解释等问题还处在研究的初级阶段，许多问题仍需要多领域的研究者共同探讨与发展。

最后，主持人张清江副教授对讲座内容进行了点评，并组织现场的同学进行了热烈的讨论。