時間：2023-03-08 14:53:06
緒論：在尋找寫作靈感嗎？愛發表網為您精選了8篇人工智能論文，愿這些內容能夠啟迪您的思維，激發您的創作熱情，歡迎您的閱讀與分享！
長久以來，人工智能對于普通人來說是那樣的可望而不可及，然而它卻吸引了無數研究人員為之奉獻才智，從美國的麻省理工學院(mit)、卡內基-梅隆大學 (cmu)到ibm公司，再到日本的本田公司、sony公司以及國內的清華大學、中科院等科研院所，全世界的實驗室都在進行著ai技術的實驗。不久前，著 名導演斯蒂文·斯皮爾伯格還將這一主題搬上了銀幕，科幻片《人工智能》(a.i.)對許多人的頭腦又一次產生了震動，引起了一些人士了解并探索人工智能領 域的興趣。
在本期技術專題中，中國科學院計算技術研究所智能信息處理開放實驗室的幾位研究人員將引領我們走近人工智能這一充滿挑戰與機遇的領域。
計算機與人工智能
"智能"源于拉丁語legere，字面意思是采集(特別是果實)、收集、匯集，并由此進行選擇，形成一個東西。intelegere是從中進行選擇，進而 理解、領悟和認識。正如帕梅拉·麥考達克在《機器思維》(machines who thinks,1979)中所提出的: 在復雜的機械裝置與智能之間存在長期的聯系。從幾個世紀前出現的神話般的巨鐘和機械自動機開始，人們已對機器操作的復雜性與自身的某些智能活動進行直觀聯 系。經過幾個世紀之后，新技術已使我們所建立的機器的復雜性大為提高。1936年，24歲的英國數學家圖靈(turing)提出了"自動機"理論，把研究 會思維的機器和計算機的工作大大向前推進了一步，他也因此被稱為"人工智能之父"。
人工智能領域的研究是從1956年正式開始的，這一年在達特茅斯大學召開的會議上正式使用了"人工智能"(artificial intelligence，ai)這個術語。隨后的幾十年中，人們從問題求解、邏輯推理與定理證明、自然語言理解、博弈、自動程序設計、專家系統、學習以 及機器人學等多個角度展開了研究，已經建立了一些具有不同程度人工智能的計算機系統，例如能夠求解微分方程、設計分析集成電路、合成人類自然語言，而進行 情報檢索，提供語音識別、手寫體識別的多模式接口，應用于疾病診斷的專家系統以及控制太空飛行器和水下機器人更加貼近我們的生活。我們熟知的ibm的"深 藍"在棋盤上擊敗了國際象棋大師卡斯帕羅夫就是比較突出的例子。
當然，人工智能的發展也并不是一帆風順的，也曾因計算機計算能力的限制無法模仿人腦的思考以及與實際需求的差距過遠而走入低谷，但是隨著硬件和軟件的發 展，計算機的運算能力在以指數級增長，同時網絡技術蓬勃興起，確保計算機已經具備了足夠的條件來運行一些要求更高的ai軟件，而且現在的ai具備了更多的 現實應用的基礎。90年代以來，人工智能研究又出現了新的。
我們有幸采訪了中國科學院計算技術研究所智能信息處理開放實驗室史忠植研究員，請他和他的實驗室成員引領我們走近人工智能這個讓普通人感到深奧卻又具有無窮魅力的領域。
問: 目前人工智能研究出現了新的，那么現在有哪些新的研究熱點和實際應用呢？
答: ai研究出現了新的，這一方面是因為在人工智能理論方面有了新的進展，另一方面也是因為計算機硬件突飛猛進的發展。隨著計算機速度的不斷提高、存儲容 量的不斷擴大、價格的不斷降低以及網絡技術的不斷發展，許多原來無法完成的工作現在已經能夠實現。目前人工智能研究的3個熱點是: 智能接口、數據挖掘、主體及多主體系統。
智能接口技術是研究如何使人們能夠方便自然地與計算機交流。為了實現這一目標，要求計算機能夠看懂文字、聽懂語言、說話表達，甚至能夠進行不同語言之間的 翻譯，而這些功能的實現又依賴于知識表示方法的研究。因此，智能接口技術的研究既有巨大的應用價值，又有基礎的理論意義。目前，智能接口技術已經取得了顯 著成果，文字識別、語音識別、語音合成、圖像識別、機器翻譯以及自然語言理解等技術已經開始實用化。
數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數據 挖掘和知識發現的研究目前已經形成了三根強大的技術支柱: 數據庫、人工智能和數理統計。主要研究內容包括基礎理論、發現算法、數據倉庫、可視化技術、定性定量互換模型、知識表示方法、發現知識的維護和再利用、半 結構化和非結構化數據中的知識發現以及網上數據挖掘等。
主體是具有信念、愿望、意圖、能力、選擇、承諾等心智狀態的實體，比對象的粒度更大，智能性更高，而且具有一定自主性。主體試圖自治地、獨立地完成任務， 而且可以和環境交互，與其他主體通信，通過規劃達到目標。多主體系統主要研究在邏輯上或物理上分離的多個主體之間進行協調智能行為，最終實現問題求解。多 主體系統試圖用主體來模擬人的理性行為，主要應用在對現實世界和社會的模擬、機器人以及智能機械等領域。目前對主體和多主體系統的研究主要集中在主體和多 主體理論、主體的體系結構和組織、主體語言、主體之間的協作和協調、通信和交互技術、多主體學習以及多主體系統應用等方面。
問: 您在人工智能領域研究了幾十年，參與了許多國家重點研究課題，非常清楚國內外目前人工智能領域的研究情況。您認為目前我國人工智能的研究情況如何？
答: 我國開始"863計劃"時，正值全世界的人工智能熱潮。"863-306"主題的名稱是"智能計算機系統"，其任務就是在充分發掘現有計算機潛力的基礎 上，分析現有計算機在應用中的缺陷和"瓶頸"，用人工智能技術克服這些問題，建立起更為和諧的人-機環境。經過十幾年來的努力，我們縮短了我國人工智能技 術與世界先進水平的差距，也為未來的發展奠定了技術和人才基礎。
但是也應該看到目前我國人工智能研究中還存在一些問題，其特點是: 課題比較分散，應用項目偏多、基礎研究比例略少、理論研究與實際應用需求結合不夠緊密。選題時，容易跟著國外的選題走; 立項論證時，慣于考慮國外怎么做; 落實項目時，又往往顧及面面俱到，大而全; 再加上受研究經費的限制，所以很多課題既沒有取得理論上的突破，也沒有太大的實際應用價值。
今后，基礎研究的比例應該適當提高，同時人工智能研究一定要與應用需求相結合?？茖W研究講創新，而創新必須接受應用和市場的檢驗。因此，我們不僅要善于找到解決問題的答案，更重要的是要發現最迫切需要解決的問題和最迫切需要滿足的市場需求。
問: 請您預測一下人工智能將來會向哪些方面發展？
答: 技術的發展總是超乎人們的想象，要準確地預測人工智能的未來是不可能的。但是，從目前的一些前瞻性研究可以看出未來人工智能可能會向以下幾個方面發展: 模糊處理、并行化、神經網絡和機器情感。
目前，人工智能的推理功能已獲突破，學習及聯想功能正在研究之中，下一步就是模仿人類右腦的模糊處理功能和整個大腦的并行化處理功能。人工神經網絡是未來 人工智能應用的新領域，未來智能計算機的構成，可能就是作為主機的馮·諾依曼型機與作為智能外圍的人工神經網絡的結合。研究表明: 情感是智能的一部分，而不是與智能相分離的，因此人工智能領域的下一個突破可能在于賦予計算機情感能力。情感能力對于計算機與人的自然交往至關重要。
人工智能一直處于計算機技術的前沿，人工智能研究的理論和發現在很大程度上將決定計算機技術的發展方向。今天，已經有很多人工智能研究的成果進入人們的日常生活。將來，人工智能技術的發展將會給人們的生活、工作和教育等帶來更大的影響。
什么是人工智能？
人工智能也稱機器智能，它是計算機科學、控制論、信息論、神經生理學、心理學、語言學等多種學科互相滲透而發展起來的一門綜合性學科。從計算機應用系統的 角度出發，人工智能是研究如何制造出人造的智能機器或智能系統，來模擬人類智能活動的能力，以延伸人們智能的科學。
ai理論的實用性
在一年一度at&t實驗室舉行的機器人足球賽中，每支球隊的"球員"都裝備上了ai軟件和許多感應器，它們都很清楚自己該踢什么位置，同時也明白 有些情況下不能死守崗位。盡管現在的ai技術只能使它們大部分時間處于個人盤帶的狀態，但它們傳接配合的能力正在以很快的速度改進。
這種ai機器人組隊打比賽看似無聊，但是有很強的現實意義。因為通過這類活動可以加強機器之間的協作能力。我們知道，internet是由無數臺服務器和 無數臺路由器組成的，路由器的作用就是為各自的數據選擇通道并加以傳送，如果利用一些智能化的路由器很好地協作，就能分析出傳輸數據的最佳路徑，從而可以 大大減少網絡堵塞。
我國也已經在大學中開展了機器人足球賽，有很多學校組隊參加，引起了大學生對人工智能研究的興趣。
未來的ai產品
安放于加州勞倫斯·利佛摩爾國家實驗室的asci white電腦，是ibm制造的世界最快的超級電腦，但其智力能力也僅為人腦的千分之一?，F在，ibm正在開發能力更為強大的新超級電腦--"藍色牛仔" (blue jean)。據其研究主任保羅·霍恩稱，預計于4年后誕生的"藍色牛仔"的智力水平將大致與人腦相當。
以上論證說明：人工智能技術可以在人類隱性智慧定義的工作框架內模擬人類顯性智慧（人類智能）生成知識，創建主客雙贏的策略解決各種復雜問題。而這是現今其他各類技術做不到的。不過，由于在人工智能系統工作的基本過程中，（1）中客觀存在各種不確定性，人類給定的知識未必能夠理想地體現客觀規律，也未必能夠完全滿足求解問題的需要，（2）中人類預設的求解目標也不見得完全合理，（3）中人工智能系統各個環節必然存在各種不理想性。因此，人工智能系統對人類顯性智慧能力的模擬不可能完全到位，人工智能系統提供的問題解答也有可能不如人類自己求出的解答。換言之，人工智能系統所模擬的人類顯性智慧能力，原則上不可能超過人類自己的顯性智慧能力。如果說人工智能系統確實也有超人的地方，那主要是它的工作速度、工作精度、持久能力等因素，而不可能是顯性智慧中的智慧品質。至于一些人所宣傳的機器超越人類甚至機器淘汰人類的說法，是沒有根據的。無論是人工智能系統，還是其他各種機器系統，它們共同的問題之一是：機器沒有生命，沒有目的，不可能自主發現應當解決的實際問題，不可能自主形成機器的智慧，尤其不可能無中生有地形成超越人類和淘汰人類的荒唐愿望，因此更不可能產生淘汰人類或滅絕人類的行為。
2人工智能與信息技術的關系
圖2的人工智能系統模型表明，完整的人工智能技術系統必須具有如下環節：信息獲?。ǜ兄?、信息傳遞（通信）、信息處理（計算）、知識生成（認知）、策略創建（決策）、策略執行（控制）以及反饋學習優化等基本技術系統，這正像“人”這個智能系統必須具有感覺器官（信息獲取）、傳輸神經系統（信息傳遞）、思維器官（信息處理、知識生成、策略創建）以及執行器官（策略執行）。 其中傳感（感受信息）、通信（傳遞信息）、計算（處理信息）、控制（執行信息）等技術屬于信息技術。可見，人工智能系統是一個全局整體，其中包含著傳感、通信、計算、控制等信息技術環節；這正像人這個智能系統是一個全局整體，其中包含感覺器官、傳輸神經、丘腦和執行器官這些信息器官。如果把人工智能系統稱為完整的人工智能系統，而把其中的知識生成和策略創建稱為核心人工智能系統，那么，則有：完整的人工智能系統＝核心人工智能系統＋信息技術系統其中，核心人工智能系統處于完整人工智能系統的核心，處理知識和智能層次的問題；信息技術系統處于完整人工智能系統的外周，處理信息層次的問題，同時擔任核心系統與外部環境之間的兩端接口：一端是從環境獲取本體論信息（傳感），另一端是對環境施加智能行為（控制）。這就表明，信息技術系統提供給人類的服務主要是方便快捷的信息共享，而不可能提供如何認識事物本質的服務（因為這需要知識），更不可能提供如何解決問題的服務（因為這需要智能策略）[2]。
3“新型”信息技術
近十多年來，先后出現了大數據、云計算、物聯網、移動互聯網以及各種互聯網的應用技術。人們把它們稱為“新型”信息技術或“新一代”信息技術。深入分析可以發現，這些新型信息技術的核心技術正是核心人工智能系統的知識生成和策略創建技術。不妨以大數據技術為例加以說明。圖3表示了大數據技術系統的工作流程。由于有著多種來源、多種背景以及多種格式，大數據通常是病態結構或不良結構的大規模數據集合，其中可能包含垃圾、病毒和黑客攻擊程序。因此，如圖3所示，大數據技術的第一個環節就是智能分類：把無用的數據識別分類出來加以過濾和抑制，把有用的數據按照某些特征進行分類，再分門別類地送到恰當的云計算（和云存儲）系統，進行相應的信息處理，為知識生成（知識挖掘）做好必要的準備。通過知識挖掘生成了足夠的知識之后，才可以把這些知識（結合求解目標）轉換成為用來解決問題的智能策略。其中，智能分類、知識挖掘和策略創建都是人工智能的基本技術?？梢?，如果沒有這些人工智能技術，大數據就只能是數據，而不可能轉換成為有用的知識和可以用來解決問題的智能策略。
由此可知，大數據技術的核心就是人工智能技術，可以把它比較確切地稱為面向大數據的智能技術。而把它稱為新型信息技術則沒有真正抓住大數據技術的要害和本質，模糊了人們對大數據技術和人工智能技術的認識，不利于大數據技術的研究和發展，也不利于人工智能的研究和應用。真正的智能物聯網模型不是別的，正是圖2所示的模型。如圖2所示，只要在綜合知識庫內設置“對物控制的目標”，那么“外部世界的物”的信息就經由傳感器獲得，經過通信系統傳送到計算系統并在這里進行必要的處理即把信息變成適用的信息，接著由認知系統轉換成為知識，然后由決策系統根據控制目標把信息和知識轉換成為智能策略，智能策略再經通信系統傳到執行系統之后轉換成為智能行為反作用于所關注的“物”，使它的狀態符合預設的目標。近來人們在密切關注著“互聯網＋”。其實，“互聯網＋”可以有兩種不同的理解。一種理解是當前人們所關注的互聯網推廣，這里的“＋”就相當于信息化的“化”，就是互聯網的各種應用。另一種更有意義的理解則把“互聯網＋”理解為互聯網升級，就是把以計算機為終端的現有互聯網升級為以人工智能系統為終端的智能互聯網。這就是2015年全國兩會期間全國政協委員的“中國大腦”提案。應當認為，互聯網推廣,即把互聯網應用到各行各業是完全必要的，這是信息化建設的正常要求。但是，從信息化建設的發展大勢來看，互聯網升級即把當前常規互聯網升級為智能互聯網則更為必要，這將為中國信息化建設注入更為強大的新活力，是轉變經濟發展方式的需要，是國民經濟產業升級的需要。綜上所述，大數據技術、云計算技術、智能物聯網技術，其實都是人工智能技術的相關具體應用。可以這么說，如果沒有人工智能技術，單憑信息技術很難有效地應對大數據和物聯網以及未來更多更復雜的技術挑戰。
4結束語
第一，植物的規格要確定好，要結合植物所適應的地質條件來對各種規格的植物進行協調搭配。一般來說，中型及其以上規格的喬木作為園林的架構之一，會對整個園林所呈現出來的景觀效果起著重要作用，應當先進行安放，然后才是小型規格的植物的安放，保證在園林景觀的細節處做好處理；第二，要合理組合植物的品種類型，落葉植物和針葉常綠植物之間在園林中所占的比例應當保持一定的平衡關系，對于植物如花卉、葉叢的顏色要協調好，一般以夏東兩季的植物色彩為主色調，其他色調為輔，以保證視覺上能起到互相補充的效果。
2園林設計中人工智能應用現狀
2.1系統操作方面
由于園林設計既涉及藝術方法也涉及到技術手段，因此，對操作人員的綜合能力要求就比較高，也就是說，操作人員應當對建筑理論、園林綠植知識和計算機基礎三方面綜合掌握，而事實上，很多參與園林設計的人員并沒有很強的工程操作能力，要求太高，難以實現。
2.2園林可重復使用性方面
目前來說，園林的重復使用性還是太低，因為每個地方的氣候條件和地理環境都不相同，所以，針對一個地方所制作的園林設計并不能簡單地復制到另一個地方，如蘇州園林的設計不能直接用在遼寧的園林設計，原因在于北方相對南方來說，園林供水相對困難，山石種類不同，綠植花卉種類也不如南方園林的豐富，而且南北審美觀不同，北方園林設計多采用渾厚石材，綠植多為松、柏、楊、柳、榆、槐，加上三季更迭的花灌木，呈現剛健雄渾的特點，而南方則因為花木種類豐富，布局特別，注重山石與水的搭配，獨具精致淡雅的特點，由此可見，園林的可重復使用性不高。
2.3計算機輔助設計方面
計算機輔助設計即常說的CAD。目前來說，CAD并不能完全對口符合園林設計的需求，因為CAD只能呈現出單一的圖形畫面，既不利于設計者進行設計，也不利于客戶對設計者的設計的理解，導致客戶與設計者之間難免信息不對稱，造成一定的信息偏差，影響之后園林設計出來的成果。
3加強人工智能在園林設計中應用的辦法
3.1園林子系統的設計
作為整個園林系統的組成部分，園林子系統的設定概要應通過計算機實施建模，來對項目實施進行基本設定，在獲得項目系統的自動生成規則之后，在對所收集到的園林基本數進行存檔，來作為全局的運行參數，在一定程度上影響了計算機的運行結果。一般來說，存檔信息有園林的設計規模、投資情況、發展需求以及相關的環境因素等，存檔后，可能會對建筑的規模大小、選址、風格特點以及植物的搭配等造成影響。
3.2地形子系統的設計
地形子系統的設計應當是通過計算機對采集到的地質數據進行推理而后才進行的。一般來說，會采用規則引擎最為計算機的推理機，是基于專家系統的模式下進行推理的，工作原理是由機器來仿造人類在對事件進行考慮的思維和方法，通過進行試探性的方法來進行推理，并不斷地對推理所得出來的結果進行解釋和驗證。對地質情況進行實時實地勘查是保證園林設計圖紙正常輸出的要求，這是不能單純地依靠計算機來實現的，因為地質勘查涉及到很多復雜地形的勘查，只能依靠人工的方式。地質勘查可以分為前期階段和后期階段。前期階段主要是設定園林工程的初稿，因此，只要對地質情況進行系統的粗略勘察即可。后期階段主要是完成圖紙設計要求，因此，對數據準確性要求更高，并勘查人員對此進行較為細致的處理。這以后才是通過對計算機智能系統軟件的使用來將前期階段和后期階段所獲得的數據進行智能化處理，完成相關數據的細化以及修正，然后通過系統推理得到一個初步的園林模型。
3.3主干道路子系統的設計
對地形子系統進行地形數據的輸出即可得到主干道路設計，因為我們首先完成了地形的設計，因此，在接下來對道路進行設計的過程中就可以有效地避免其他的建筑和設施的干擾，這之后的設計才能按部就班地開展。推理的總體規則為：首先，由園林的建設規模、投資情況等來對道路的類型和所需費用等進行計算，得到相關數據；然后，結合之前的輸出地形圖來生成推薦道路圖，并檢查道路的密度是否符合園林的設計規范，接著根據道路建設定額表來對工程造價進行計算，看是否符合預期投資情況；最后，對道路圖進行人工的調整，并反復驗算。
3.4圖紙和圖表輸出子系統的設計
在飛行流量管理方面，飛行流量管理系統通過與輔助決策系統相結合，構成了人工智能輔助決策系統的飛行流量管理模塊。該模塊主要通過計算飛行流量來避免飛行流量的沖突，進而根據分析結果進行航班的排序。從具體的應用情況來看，首先，飛行流量的計算需要大量的原始數據，而這些數據既包含了歷史數據，也包含了實時數據。同時，由于這些數據是來自于空域、機場和氣象等多個方面的復雜信息，所以系統需要建立相應的飛行流量管理數據庫，從而保證數據的準確性和及時性，進而保證飛行流量計算結果的可靠性。其次，在進行飛行流量計算時，系統利用了飛行動力學計算原理。根據數據庫的信息，系統對飛機的四維飛行軌跡進行了計算，從而可以得知飛機的降落時間和降落地點。這樣，系統就可以得出任意航段和交匯點在任意時間的飛行架次，進而列出潛在的飛行流量沖突信息。再者，在得知以上信息后，系統需要對這些信息進行分析，從而進行航班的排序，進而避免飛行流量的沖突。在排序方面，系統不僅可以實現飛行計劃的過程仿真，還可以找出空域資源的“空閑”狀態，進而利用該狀態，進行航班和起降順序的調整。而具體的排序原則有兩個，一是優先級排序，二是全排列。其中，優先排序是按照一定的標準給這些航班擬定優先級，然后按照優先順序進行航班的排序。而優先級的擬定標準有很多，比如飛行任務、機型、機場和時間等因素，都可以成為優先級的擬定標準。全排列原則是對沖突的航班進行全排列，從而根據每一次排列的延誤損失，選擇損失最小的排序方法。相比較來說，全排序法雖然較為科學，但是系統需要承擔的運算量較大，因此會占用系統較多的內存資源。
2人工智能技術在飛行沖突探測與解脫管理方面的應用
人工智能技術的應用可以使空中交通管理系統具有高智能化的特征，從而滿足飛行沖突與解脫管理方案自動生成的需要。具體來說，實現這一功能的模塊是飛行沖突探測與解脫輔助決策模塊，而該模塊是由沖突探測與解脫系統和輔助決策系統組成的。該模塊不但可以實現飛行沖突的預測，還可以為管制人員提供飛行沖突調配的決策方案，從而減輕管制人員的壓力，幫助他們做出正確的決定。所以，該系統的應用，彌補了人類與機器各自存在的不足，從而有效的避免了因人為失誤或機械故障而造成的飛行事故。從原理角度來看，系統首先通過分析飛行沖突情況來制定可能的解脫方案，然后根據航空器優先級分類方法和沖突類型判定法等多種規則，進行方案的選擇和排除。在這一推理過程中，為了保證系統推理的有效性，系統需要根據大量的規則來進行方案的推理選擇。而這些規則，則要被統一存入知識庫系統中。這樣，管制人員只要在平時做好知識庫系統的更新和維護，就能夠保證系統推理的有效性，從而根據系統提供的方案，來進行飛行沖突航班的排序。
3結論
機械電子產品雖然結構相對簡單化，沒有摻雜過多的運動元件或者部件，但是它的內部結構是非常復雜的，若想要產品的性能得到提高，就必須將傳統落后的笨探究機械電子工程與人工智能的關系姚磊河北農業大學機電工程學院河北保定071000重機械面貌徹底拋棄，縮小物理體積。由于機械電子工程所涉及和利用到的內容非常廣泛，所以電子機械工程是一種具有極強綜合性的學科。機械電子工程的基礎是傳統機械工程，同時充分利用計算機的輔助作用，來強化機械電子工程的核心力量。這使得機械電子工程與其他學科相比較而言更能體現出科學性，并且能夠保證滿足系統配置方面的設計需求。機械電子工程充分利用到專業設計模板來完善機械電子設備，發揮設計應用中的模板作用，這樣有利于保證機械電子工程設計能夠順利進行。機械電子工程產品在設計結構方面較為簡單，并且元件利用數量也是相對較少的。所以在這種情況下，要通過持續提升產品性能，強化機械電子產品質量，優化機械電子產品的結構，來滿足消費者的更多需求。
2人工智能的定義及特點
何為人工智能，人工智能是一門綜合了計算機科學、信息論、控制論、神經生理學、語言學、心理學、哲學等多門學科的交叉性學科，是21世紀最偉大的三大學科之一。人工智能的發展其實經歷了一段非常漫長的歷程，人工智能在計算機開始發展的初期就已經被應用到了各個方面，只是它在起初所發揮的作用相對而言是非常小的，并沒有得到足夠的重視或者引起足夠的注意。但是隨著時代的進步，人工智能已經擺脫了過去相對弱小的形象，發生了翻天覆地的變化，得到了很大的改善。人工智能發生的這些轉變正是人類對計算機的應用和熟悉程度的轉變。信息時代的趨勢已經使人工智能技術得到了很大的強化，在社會中的地位也越來越重要。機械電子工程的發展需要依靠人工智能的力量和支撐，相信隨著人們對人工智能更加深入的研究，人工智能模仿人類思維的能力定會越來越強大。只有對人工智能不斷創新和改善，才能在計算機語言理解和應用方面得到更大的進步，才能更加符合機械電子工程的發展需求。
3機械電子工程與人工智能的關系
機械電子工程在應用上不穩定主要表現在系統輸入輸出的問題，即利用數學方程來建立模型，并且依靠人工智能來完成對傳統知識學習的更新，這種解析數學的相關方式在機械電子工程中的應用是非常廣泛的。傳統機械工程方式的應用是非常簡單的，但是隨著時代的發展和科學技術的進步，新時期出現的機械電子工程系統在處理各種問題時是相對復雜的，會通過配置多種系統對信息類型來進行區分。但是人工智能在機械電子工程領域還存在著一些不確定的因素，在計算機電子工程中，人工智能信息處理的方式主要采用的是解析數學措施，其應用方式主要是利用網絡神經系統對網絡系統進行合理安排，將神經系統迷你成人腦的結構，根據相關數字所傳達出來的信號，對已經搜集到的資源進行參數分析。其實，人工智能在機械電子工程中的應用是有差異的，這種差異性也是人工智能的一種特點，沒有辦法對網絡系統進行有效的描述，同時在建設系統資料庫的過程中進行嚴密數學分析，在分析過程中若是出現錯誤會直接影響到網絡系統的建設，甚至導致網絡系統的崩潰。創新工程方式，加強人工智能信息的服務建設是保證機械電子工程能夠順利開展和進行的關鍵。隨著時代的發展和人民日益增長的需求，生活方式的單一性早已不能滿足社會的發展需求速度。不斷完善的綜合性人工智能系統必將會使生產模式發生轉變。利用模型推理系統和神經網絡系統的優勢來補充綜合性人工智能，逐步完善機械電子工程的發展，網絡系統得到完善的必然結果就是模型推理系統。同時，模型推理系統也是二者功能性融合的重要體現。人工智能通過網絡信息資源進行完整性表達，完善機械電子和人工智能的密切關系。
4結束語
【關鍵詞】法理學/法律推理/人工智能
【正文】
一、人工智能法律系統的歷史
計算機先驅思想家萊布尼茲曾這樣不無浪漫地談到推理與計算的關系：“我們要造成這樣一個結果，使所有推理的錯誤都只成為計算的錯誤，這樣，當爭論發生的時候，兩個哲學家同兩個計算家一樣，用不著辯論，只要把筆拿在手里，并且在算盤面前坐下，兩個人面對面地說：讓我們來計算一下吧！”（注：轉引自肖爾茲著：《簡明邏輯史》，張家龍譯，商務印書館1977年版，第54頁。）
如果連抽象的哲學推理都能轉變為計算問題來解決，法律推理的定量化也許還要相對簡單一些。盡管理論上的可能性與技術可行性之間依然存在著巨大的鴻溝，但是，人工智能技術的發展速度確實令人驚嘆。從誕生至今的短短45年內，人工智能從一般問題的研究向特殊領域不斷深入。1956年紐厄爾和西蒙教授的“邏輯理論家”程序，證明了羅素《數學原理》第二章52個定理中的38個定理。塞繆爾的課題組利用對策論和啟發式探索技術開發的具有自學習能力的跳棋程序，在1959年擊敗了其設計者，1962年擊敗了州跳棋冠軍，1997年超級計算機“深藍”使世界頭號國際象棋大師卡斯帕羅夫俯首稱臣。
20世紀60年代，人工智能研究的主要課題是博弈、難題求解和智能機器人；70年代開始研究自然語言理解和專家系統。1971年費根鮑姆教授等人研制出“化學家系統”之后，“計算機數學家”、“計算機醫生”等系統相繼誕生。在其他領域專家系統研究取得突出成就的鼓舞下，一些律師提出了研制“法律診斷”系統和律師系統的可能性。（注：SimonChalton,LegalDiagnostics,ComputersandLaw,No.25,August1980.pp.13-15.BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.p.2.）
1970年Buchanan&Headrick發表了《關于人工智能和法律推理若干問題的考察》，一文，拉開了對法律推理進行人工智能研究的序幕。文章認為，理解、模擬法律論證或法律推理，需要在許多知識領域進行艱難的研究。首先要了解如何描述案件、規則和論證等幾種知識類型，即如何描述法律知識，其中處理開放結構的法律概念是主要難題。其次，要了解如何運用各種知識進行推理，包括分別運用規則、判例和假設的推理，以及混合運用規則和判例的推理。再次，要了解審判實踐中法律推理運用的實際過程，如審判程序的運行，規則的適用，事實的辯論等等。最后，如何將它們最終運用于編制能執行法律推理和辯論任務的計算機程序，區別和分析不同的案件，預測并規避對手的辯護策略，建立巧妙的假設等等。（注：Buchanan&Headrick,SomeSpeculationAboutArtificialIntelligenceandLegalReasoning,23StanfordLawReview(1970).pp.40-62.）法律推理的人工智能研究在這一時期主要沿著兩條途徑前進：一是基于規則模擬歸納推理，70年代初由WalterG.Popp和BernhardSchlink開發了JUDITH律師推理系統。二是模擬法律分析，尋求在模型與以前貯存的基礎數據之間建立實際聯系，并僅依這種關聯的相似性而得出結論。JeffreyMeld-man1977年開發了計算機輔助法律分析系統，它以律師推理為模擬對象，試圖識別與案件事實模型相似的其他案件?？紤]到律師分析案件既用歸納推理又用演繹推理，程序對兩者都給予了必要的關注，并且包括了各種水平的分析推理方法。
專家系統在法律中的第一次實際應用，是D.沃特曼和M.皮特森1981年開發的法律判決輔助系統(LDS)。研究者探索將其當作法律適用的實踐工具，對美國民法制度的某個方面進行檢測，運用嚴格責任、相對疏忽和損害賠償等模型，計算出責任案件的賠償價值，并論證了如何模擬法律專家意見的方法論問題。（注：''''ModelsofLegalDecisionmakingReport'''',R-2717-ICJ(1981).）
我國法律專家系統的研制于20世紀80年代中期起步。（注：錢學森教授：《論法治系統工程的任務與方法》（《科技管理研究》1981年第4期）、《社會主義和法治學與現代科學技術》（《法制建設》1984年第3期）、《現代科學技術與法和法制建設》（《政法論壇》）1985年第3期）等文章，為我國法律專家系統的研發起了思想解放和理論奠基作用。）1986年由朱華榮、肖開權主持的《量刑綜合平衡與電腦輔助量刑專家系統研究》被確定為國家社科“七五”研究課題，它在建立盜竊罪量刑數學模型方面取得了成果。在法律數據庫開發方面，1993年中山大學學生胡釗、周宗毅、汪宏杰等人合作研制了《LOA律師辦公自動化系統》。（注：楊建廣、駱梅芬編著：《法治系統工程》，中山大學出版社1996年版，第344-349頁。）1993年武漢大學法學院趙廷光教授主持開發了《實用刑法專家系統》。（注：趙廷光等著：《實用刑法專家系統用戶手冊》，北京新概念軟件研究所1993年版。）它由咨詢檢索系統、輔助定性系統和輔助量刑系統組成，具有檢索刑法知識和對刑事個案進行推理判斷的功能。
專家系統與以往的“通用難題求解”相比具有以下特點：(1)它要解決復雜的實際問題，而不是規則簡單的游戲或數學定理證明問題；(2)它面向更加專門的應用領域，而不是單純的原理性探索；(3)它主要根據具體的問題域，選擇合理的方法來表達和運用特殊的知識，而不強調與問題的特殊性無關的普適性推理和搜索策略。
法律專家系統在法規和判例的輔助檢索方面確實發揮了重要作用，解放了律師一部分腦力勞動。但絕大多數專家系統目前只能做法律數據的檢索工作，缺乏應有的推理功能。20世紀90年代以后，人工智能法律系統進入了以知識工程為主要技術手段的開發時期。知識工程是指以知識為處理對象，以能在計算機上表達和運用知識的技術為主要手段，研究知識型系統的設計、構造和維護的一門更加高級的人工智能技術。（注：《中國大百科全書·自動控制與系統工程》，中國大百科全書出版社1991年版，第579頁。）知識工程概念的提出，改變了以往人們認為幾個推理定律再加上強大的計算機就會產生專家功能的信念。以知識工程為技術手段的法律系統研制，如果能在法律知識的獲得、表達和應用等方面獲得突破，將會使人工智能法律系統的研制產生一個質的飛躍。
人工智能法律系統的發展源于兩種動力。其一是法律實踐自身的要求。隨著社會生活和法律關系的復雜化，法律實踐需要新的思維工具，否則，法律家（律師、檢察官和法官）將無法承受法律文獻日積月累和法律案件不斷增多的重負。其二是人工智能發展的需要。人工智能以模擬人的全部思維活動為目標，但又必須以具體思維活動一城一池的攻克為過程。它需要通過對不同思維領域的征服，來證明知識的每個領域都可以精確描述并制造出類似人類智能的機器。此外，人工智能選擇法律領域尋求突破，還有下述原因：(1)盡管法律推理十分復雜，但它有相對穩定的對象（案件）、相對明確的前提（法律規則、法律事實）及嚴格的程序規則，且須得出確定的判決結論。這為人工智能模擬提供了極為有利的條件。(2)法律推理特別是抗辯制審判中的司法推理，以明確的規則、理性的標準、充分的辯論，為觀察思維活動的軌跡提供了可以記錄和回放的樣本。(3)法律知識長期的積累、完備的檔案，為模擬法律知識的獲得、表達和應用提供了豐富、準確的資料。(4)法律活動所特有的自我意識、自我批評精神，對法律程序和假設進行檢驗的傳統，為模擬法律推理提供了良好的反思條件。
二、人工智能法律系統的價值
人工智能法律系統的研制對法學理論和法律實踐的價值和意義，可以概括為以下幾點：
一是方法論啟示。P.Wahlgren說：“人工智能方法的研究可以支持和深化在創造性方法上的法理學反思。這個信仰反映了法理學可以被視為旨在于開發法律分析和法律推理之方法的活動。從法理學的觀點看，這種研究的最終目標是揭示方法論的潛在作用，從而有助于開展從法理學觀點所提出的解決方法的討論，而不僅僅是探討與計算機科學和人工智能有關的非常細致的技術方面。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在模擬法律推理的過程中，法學家通過與工人智能專家的密切合作，可以從其對法律推理的獨特理解中獲得有關方法論方面的啟示。例如，由于很少有兩個案件完全相似，在判例法實踐中，總有某些不相似的方面需要法律家運用假設來分析已有判例與現實案件的相關性程度。但法學家們在假設的性質問題上常常莫衷一是。然而HYPO的設計者，在無真實判例或真實判例不能充分解釋現實案件的情況下，以假設的反例來反駁對方的觀點，用補充、刪減和改變事實的機械論方法來生成假設。這種用人工智能方法來處理假設的辦法，就使復雜問題變得十分簡單：假設實際上是一個新的論證產生于一個經過修正的老的論證的過程。總之，人工智能方法可以幫助法學家跳出法理學方法的思維定勢，用其他學科的方法來重新審視法學問題，從而為法律問題的解決提供了新的途徑。
二是提供了思想實驗手段。西蒙認為，盡管我們還不知道思維在頭腦中是怎樣由生理作用完成的，“但我們知道這些處理在數字電子計算機中是由電子作用完成的。給計算機編程序使之思維，已經證明有可能為思維提供機械論解釋”。（注：轉引自童天湘：《人工智能與第N代計算機》，載《哲學研究》1985年第5期。）童天湘先生認為：“通過編制有關思維活動的程序，就會加深對思維活動具體細節的了解，并將這種程序送進計算機運行，檢驗其正確性。這是一種思想實驗，有助于我們研究人腦思維的機理?！保ㄗⅲ恨D引自童天湘：《人工智能與第N代計算機》，載《哲學研究》1985年第5期。）人工智能法律系統研究的直接目標是使計算機能夠獲取、表達和應用法律知識，軟件工程師為模擬法律推理而編制程序，必須先對人的推理過程作出基于人工智能理論和方法的獨特解釋。人工智能以功能模擬開路，在未搞清法律家的推理結構之前，首先從功能上對法律證成、法律檢索、法律解釋、法律適用等法律推理的要素和活動進行數理分析，將法理學、訴訟法學關于法律推理的研究成果模型化，以實現法律推理知識的機器表達或再現，從而為認識法律推理的過程和規律提供了一種實驗手段。法學家則可以將人工智能法律系統的推理過程、方法和結論與人類法律推理活動相對照，為法律推理的法理學研究所借鑒。因此，用人工智能方法模擬法律推理，深化了人們對法律推理性質、要素和過程的認識，使法學家得以借助人工智能科學的敏銳透鏡去考察法律推理的微觀機制。正是在這個意義上，BryanNiblett教授說：“一個成功的專家系統很可能比其他的途徑對法理學作出更多的（理論）貢獻?！保ㄗⅲ築ryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.note14,p.3.）
三是輔助司法審判。按照格雷的觀點，法律專家系統首先在英美判例法國家出現的直接原因在于，浩如煙海的判例案卷如果沒有計算機編纂、分類、查詢，這種法律制度簡直就無法運轉了。（注：PamelaN.GrayBrookfield,ArtificialLegalIntelligence,VT:DartmouthPublishingCo.,1997.p.402.）其實不僅是判例法，制定法制度下的律師和法官往往也要為檢索有關的法律、法規和司法解釋耗費大量的精力和時間，而且由于人腦的知識和記憶能力有限，還存在著檢索不全面、記憶不準確的問題。人工智能法律系統強大的記憶和檢索功能，可以彌補人類智能的某些局限性，幫助律師和法官從事相對簡單的法律檢索工作，從而極大地解放律師和法官的腦力勞動，使其能夠集中精力從事更加復雜的法律推理活動。
四是促進司法公正。司法推理雖有統一的法律標準，但法官是具有主觀能動性的差異個體，所以在執行統一標準時會產生一些差異的結果。司法解釋所具有的建構性、辯證性和創造性的特點，進一步加劇了這種差異。如果換了鋼鐵之軀的機器，這種由主觀原因所造成的差異性就有可能加以避免。這當然不是說讓計算機完全取代法官，而是說，由于人工智能法律系統為司法審判提供了相對統一的推理標準和評價標準，從而可以輔助法官取得具有一貫性的判決。無論如何，我們必須承認，鋼鐵之軀的機器沒有物質欲望和感情生活，可以比人更少地受到外界因素的干擾。正像計算機錄取增強了高考招生的公正性、電子監視器提高了糾正行車違章的公正性一樣，智能法律系統在庭審中的運用有可能減少某些現象。
五是輔助法律教育和培訓。人工智能法律系統凝聚了法律家的專門知識和法官群體的審判經驗，如果通過軟件系統或計算機網絡實現專家經驗和知識的共享，便可在法律教育和培訓中發揮多方面的作用。例如，(1)在法學院教學中發揮模擬法庭的作用，可以幫助法律專業學生鞏固自己所學知識，并將法律知識應用于模擬的審判實踐，從而較快地提高解決法律實踐問題的能力。(2)幫助新律師和新法官全面掌握法律知識，迅速獲得判案經驗，在審判過程的跟蹤檢測和判決結論的動態校正中增長知識和才干，較快地接近或達到專家水平。(3)可使不同地區、不同層次的律師和法官及時獲得有關法律問題的咨詢建議，彌補因知識結構差異和判案經驗多寡而可能出現的失誤。(4)可以為大眾提供及時的法律咨詢，提高廣大人民群眾的法律素質，增強法律意識。
六是輔助立法活動。人工智能法律系統不僅對輔助司法審判有重要的意義，而且對完善立法也具有實用價值。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）例如，倫敦大學Imperial學院的邏輯程序組將1981年英國國籍法的內容形式化，幫助立法者發現了該法在預見性上存在的一些缺陷和法律漏洞。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）立法輔助系統如能應用于法律起草和法律草案的審議過程，有可能事先發現一些立法漏洞，避免一個法律內部各種規則之間以及新法律與現有法律制度之間的相互沖突。
三、法理學在人工智能法律系統研究中的作用
1.人工智能法律系統的法理學思想來源
關于人工智能法律系統之法理學思想來源的追蹤，不是對法理學與人工智能的聯系作面面俱到的考察，而旨在揭示法理學對人工智能法律系統的發展所產生的一些直接影響。
第一，法律形式主義為人工智能法律系統的產生奠定了理論基礎。18-19世紀的法律形式主義強調法律推理的形式方面，認為將法律化成簡單的幾何公式是完全可能的。這種以J·奧斯汀為代表的英國分析法學的傳統，主張“法律推理應該依據客觀事實、明確的規則以及邏輯去解決一切為法律所要求的具體行為。假如法律能如此運作，那么無論誰作裁決，法律推理都會導向同樣的裁決?！保ㄗⅲ海溃┦返傥摹·伯頓著：《法律和法律推理導論》，張志銘、解興權譯，中國政法大學出版社1998年9月版，第3頁。）換言之，機器只要遵守法律推理的邏輯，也可以得出和法官一樣的判決結果。在分析法學家看來，“所謂‘法治’就是要求結論必須是大前提與小前提邏輯必然結果。”（注：朱景文主編：《對西方法律傳統的挑戰》，中國檢察出版社1996年2月版，第292頁。）如果法官違反三段論推理的邏輯，就會破壞法治。這種機械論的法律推理觀，反映了分析法學要求法官不以個人價值觀干擾法律推理活動的主張。但是，它同時具有忽視法官主觀能動性和法律推理靈活性的僵化的缺陷。所以，自由法學家比埃利希將法律形式主義的邏輯推理說稱為“自動售貨機”理論。然而，從人工智能就是為思維提供機械論解釋的意義上說，法律形式主義對法律推理所作的機械論解釋，恰恰為人工智能法律系統的開發提供了可能的前提。從人工智能法律系統研制的實際過程來看，在其起步階段，人工智能專家正是根據法律形式主義所提供的理論前提，首先選擇三段論演繹推理進行模擬，由WalterG.Popp和BernhardSchlink在20世紀70年代初開發了JUDITH律師推理系統。在這個系統中，作為推理大小前提的法律和事實之間的邏輯關系，被計算機以“如果A和B，那么C”的方式加以描述，使機器法律推理第一次從理論變為現實。
第二，法律現實主義推動智能模擬深入到主體的思維結構領域。法律形式主義忽視了推理主體的社會性。法官是生活在現實社會中的人，其所從事的法律活動不可能不受到其社會體驗和思維結構的影響。法官在實際的審判實踐中，并不是機械地遵循規則，特別是在遇到復雜案件時，往往需要作出某種價值選擇。而一旦面對價值問題，法律形式主義的邏輯決定論便立刻陷入困境，顯出其僵化性的致命弱點。法律現實主義對其僵化性進行了深刻的批判。霍姆斯法官明確提出“法律的生命并不在于邏輯而在于經驗”（注：（美）博登海默著：《法理學——法哲學及其方法》，鄧正來、姬敬武譯，華夏出版社1987年12月版，第478頁。）的格言。這里所謂邏輯，就是指法律形式主義的三段論演繹邏輯；所謂經驗，則包括一定的道德和政治理論、公共政策及直覺知識，甚至法官的偏見。法律現實主義對法官主觀能動性和法律推理靈活性的強調，促使人工智能研究從模擬法律推理的外在邏輯形式進一步轉向探求法官的內在思維結構。人們開始考慮，如果思維結構對法官的推理活動具有定向作用，那么，人工智能法律系統若要達到法官水平，就應該通過建立思維結構模型來設計機器的運行結構。TAXMAN的設計就借鑒了這一思想，法律知識被計算機結構語言以語義網絡的方式組成不同的規則系統，解釋程序、協調程序、說明程序分別對網絡結構中的輸入和輸出信息進行動態結構調整，從而適應了知識整合的需要。大規模知識系統的KBS(KnowledgeBasedSystem)開發也注意了思維結構的整合作用，許多具有內在聯系的小規模KBS子系統，在分別模擬法律推理要素功能（證成、法律查詢、法律解釋、法律適用、法律評價、理由闡述）的基礎上，又通過聯想程序被有機聯系起來，構成了具有法律推理整體功能的概念模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）
第三，“開放結構”的法律概念打開了疑難案件法律推理模擬的思路。法律形式主義忽視了疑難案件的存在。疑難案件的特征表現為法律規則和案件之間不存在單一的邏輯對應關系。有時候從一個法律規則可以推出幾種不同的結論，它們往往沒有明顯的對錯之分；有時一個案件面對著幾個相似的法律規則。在這些情況下，形式主義推理說都一籌莫展。但是，法律現實主義在批判法律形式主義時又走向另一個極端，它否認具有普遍性的一般法律規則的存在，試圖用“行動中的法律”完全代替分析法學“本本中的法律”。這種矯枉過正的做法雖然是使法律推理擺脫機械論束縛所走出的必要一步，然而，法律如果真像現實主義法學所說的那樣僅僅存在于具體判決之中，法律推理如果可以不遵循任何標準或因人而異，那么，受到挑戰的就不僅是法律形式主義，而且還會殃及法治要求實現規則統治之根本原則，并動搖人工智能法律系統存在的基礎。哈特在法律形式主義和法律現實主義的爭論中采取了一種折中立場，他既承認邏輯的局限性又強調其重要性；既拒斥法官完全按自己的預感來隨意判案的見解，又承認直覺的存在。這種折中立場在哈特“開放結構”的法律概念中得到了充分體現。法律概念既有“意義核心”又有“開放結構”，邏輯推理可以幫助法官發現問題的陽面，而根據社會政策、價值和后果對規則進行解釋則有助于發現問題的陰面。開放結構的法律概念，使基于規則的法律推理模擬在受到概念封閉性的限制而對疑難案件無能為力時，找到了新的立足點。在此基礎上，運用開放結構概念的疑難案件法律推理模型，通過邏輯程序工具和聯想技術而建立起來。Gardner博士就疑難案件提出兩種解決策略：一是將簡易問題從疑難問題中篩選出來，運用基于規則的技術來解決；二是將疑難問題同“開放結構”的法律概念聯系在一起，先用非范例知識如規則、控辯雙方的陳述、常識來獲得初步答案，再運用范例來澄清案件、檢查答案的正確性。
第四，目的法學促進了價值推理的人工智能研究。目的法學是指一種所謂直接實現目的之“后法治”理想。美國法學家諾內特和塞爾茲尼克把法律分為三種類型。他們認為，以法治為標志的自治型法，過分強調手段或程序的正當性，有把手段當作目的的傾向。這說明法治社會并沒有反映人類關于美好社會的最高理想，因為實質正義不是經過人們直接追求而實現的，而是通過追求形式正義而間接獲得的。因此他們提出以回應型法取代自治型法的主張。在回應型法中，“目的為評判既定的做法設立了標準，從而也就開辟了變化的途徑。同時，如果認真地對待目的，它們就能控制行政自由裁量權，從而減輕制度屈從的危險。反之，缺少目的既是僵硬的根源，又是機會主義的根源?！保ㄗⅲ海溃┲Z內特、塞爾茲尼克著：《轉變中的法律與社會》，張志銘譯，中國政法大學出版社1994年版，第60頁。）美國批判法學家昂格爾對形式主義法律推理和目的型法律推理的特點進行了比較，他認為，前者要求使用內容明確、固定的規則，無視社會現實生活中不同價值觀念的沖突，不能適應復雜情況和變化，追求形式正義；后者則要求放松對法律推理標準的嚴格限制，允許使用無固定內容的抽象標準，迫使人們在不同的價值觀念之間做出選擇，追求實質正義。與此相應，佩雷爾曼提出了新修辭學(NewRhetoric)的法律理論。他認為，形式邏輯只是根據演繹法或歸納法對問題加以說明或論證的技術，屬于手段的邏輯；新修辭學要填補形式邏輯的不足，是關于目的的辯證邏輯，可以幫助法官論證其決定和選擇，因而是進行價值判斷的邏輯。他認為，在司法三段論思想支配下，法學的任務是將全部法律系統化并作為闡釋法律的大前提，“明確性、一致性和完備性”就成為對法律的三個要求。而新修辭學的基本思想是價值判斷的多元論，法官必須在某種價值判斷的指示下履行義務，必須考慮哪些價值是“合理的、可接受的、社會上有效的公平的”。這些價值構成了判決的正當理由。（注：沈宗靈著：《現代西方法理學》，北京大學出版社1992年版，第443-446頁。）制造人工智能法律系統最終需要解決價值推理的模擬問題，否則，就難以實現為判決提供正當理由的要求。為此，P.Wahlgren提出的與人工智能相關的5種知識表達途徑中，明確地包括了以道義為基礎的法律推理模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）引入道義邏輯，或者說在機器中采用基于某種道義邏輯的推理程序，強調目的價值，也許是制造智能法律系統的關鍵。不過，即使把道義邏輯硬塞給計算機，鋼鐵之軀的機器沒有生理需要，也很難產生價值觀念和主觀體驗，沒辦法解決主觀選擇的問題。在這個問題上，波斯納曾以法律家有七情六欲為由對法律家對法律的機械忠誠表示了強烈懷疑，并辯證地將其視為法律發展的動力之一。只有人才能夠平衡相互沖突的利益，能夠發現對人類生存和發展至關重要的價值。因此，關于價值推理的人工智能模擬究竟能取得什么成果，恐怕還是個未知數。
2.法理學對人工智能法律系統研制的理論指導作用
GoldandSusskind指出：“不爭的事實是，所有的專家系統必須適應一些法理學理論，因為一切法律專家系統都需要提出關于法律和法律推理性質的假設。從更嚴格的意義上說，一切專家系統都必須體現一種結構理論和法律的個性，一種法律規范理論，一種描述法律科學的理論，一種法律推理理論”。（注：GoldandSusskind,ExpertSystemsinLaw:AJurisprudentialandFormalSpecificationApproach,pp.307-309.）人工智能法律系統的研究，不僅需要以法理學關于法律的一般理論為知識基礎，還需要從法理學獲得關于法律推理的完整理論，如法律推理實踐和理論的發展歷史，法律推理的標準、主體、過程、方法等等。人工智能對法律推理的模擬，主要是對法理學關于法律推理的知識進行人工智能方法的描述，建立數學模型并編制計算機應用程序，從而在智能機器上再現人類法律推理功能的過程。在這個過程中，人工智能專家的主要任務是研究如何吸收法理學關于法律推理的研究成果，包括法理學關于人工智能法律系統的研究成果。
隨著人工智能法律系統研究從低級向高級目標的推進，人們越來越意識到，對法律推理的微觀機制認識不足已成為人工智能模擬的嚴重障礙。P.Wahlgren指出，“許多人工智能技術在法律領域的開發項目之所以失敗，就是因為許多潛在的法理學原則沒有在系統開發的開始階段被遵守或給予有效的注意?！薄胺ɡ韺W對法律推理和方法論問題的關注已經有幾百年，而人工智能的誕生只是本世紀50年代中期的事情，這個事實是人工智能通過考察法理學知識來豐富自己的一個有效動機?！保ㄗⅲ篜.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）因此，研究法律推理自動化的目標，“一方面是用人工智能（通過把計算機的應用與分析模型相結合）來支撐法律推理的可能性；另一方面是應用法理學理論來解決作為法律推理支撐系統的以及一般的人工智能問題。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在前一方面，是人工智能法律系統充當法律推理研究的思想實驗手段以及輔助司法審判的問題。后一方面，則是法律推理的法律學研究成果直接為人工智能法律系統的研制所應用的問題。例如，20世紀70年代法理學在真實和假設案例的推理和分析方面所取得的成果，已為幾種人工智能法律裝置借鑒而成為其設計工作的理論基礎。在運用模糊或開放結構概念的法律推理研究方面，以及在法庭辯論和法律解釋的形式化等問題上，法理學的研究成果也已為人工智能法律系統的研究所借鑒。
四、人工智能法律系統研究的難點
人工智能法律系統的研究盡管在很短的時間內取得了許多令人振奮的成果，但它的發展也面臨著許多困難。這些困難構成了研究工作需要進一步努力奮斗的目標。
第一，關于法律解釋的模擬。在法理學的諸多研究成果中，法律解釋的研究對人工智能法律系統的研制起著關鍵作用。法律知識表達的核心問題是法律解釋。法律規范在一個法律論點上的效力，是由法律家按忠實原意和適合當時案件的原則通過法律解釋予以確認的，其中包含著人類特有的價值和目的考慮，反映了法律家的知識表達具有主觀能動性。所以，德沃金將解釋過程看作是一種結合了法律知識、時代信息和思維方法而形成的，能夠應變的思維策略。（注：Dworkin,TakingRightsSeriously,HarvardUniversityPressCambridge,Massachusetts1977.p.75.）目前的法律專家系統并未以知識表達為目的來解釋法律，而是將法律整齊地“碼放”在計算機記憶系統中僅供一般檢索之用。然而，在法律知識工程系統中，法律知識必須被解釋，以滿足自動推理對法律知識進行重新建構的需要。麥卡錫說：“在開發智能信息系統的過程中，最關鍵的任務既不是文件的重建也不是專家意見的重建，而是建立有關法律領域的概念模型?！保ㄗⅲ篗cCarty,Intelligentlegalinformationsystems:problemsandprospects,op.cit.supra,note25,p.126.）建立法律概念模型必須以法律家對某一法律概念的共識為基礎，但不同的法律家對同一法律概念往往有不同的解釋策略。凱爾森甚至說：即使在國內法領域也難以形成一個“能夠用來敘述一定法律共同體的實在法的基本概念”。（注：（奧）凱爾森著：《法與國家的一般理論》，沈宗靈譯，中國大百科全書出版社1996年版，第1頁。）盡管如此，法理學還是為法律概念模型的重建提供了一些方法。例如，德沃金認為，法官在“解釋”階段，要通過推理論證，為自己在“前解釋”階段所確定的大多數法官對模糊法律規范的“一致看法”提供“一些總的理由”。獲取這些總的理由的過程分為兩個步驟：首先，從現存的明確法律制度中抽象出一般的法律原則，用自我建立的一般法律理論來證明這種法律原則是其中的一部分，證明現存的明確法律制度是正當的。其次，再以法律原則為依據反向推出具體的法律結論，即用一般法律理論來證明某一法律原則存在的合理性，再用該法律原則來解釋某一法律概念。TAXMAN等系統裝置已吸收了這種方法，法律知識被計算機結構語言以語義網絡的方式組成不同的規則系統，解釋程序使計算機根據案件事實來執行某條法律規則，并在新案件事實輸入時對法律規則作出新的解釋后才加以調用。不過，法律知識表達的進展還依賴于法律解釋研究取得更多的突破。
第二，關于啟發式程序。目前的法律專家系統如果不能與啟發式程序接口，不能運用判斷性知識進行推理，只通過規則反饋來提供簡單解釋，就談不上真正的智能性。啟發式程序要解決智能機器如何模擬法律家推理的直覺性、經驗性以及推理結果的不確定性等問題，即人可以有效地處理錯誤的或不完全的數據，在必要時作出猜測和假設，從而使問題的解決具有靈活性。在這方面，Gardner的混合推理模型，EdwinaL.Rissland運用聯想程序對規則和判例推理的結果作集合處理的思路，以及Massachusetts大學研制的CABARET（基于判例的推理工具），在將啟發式程序應用于系統開發方面都進行了有益的嘗試。但是，法律問題往往沒有唯一正確的答案，這是人工智能模擬法律推理的一個難題。選擇哪一個答案，往往取決于法律推理的目的標準和推理主體的立場和價值觀念。但智能機器沒有自己的目的、利益和立場。這似乎從某種程度上劃定了機器法律推理所能解決問題的范圍。
第三，關于法律自然語言理解。在設計基于規則的程序時，設計者必須假定整套規則沒有意義不明和沖突，程序必須消滅這些問題而使規則呈現出更多的一致性。就是說，盡管人們對法律概念的含義可以爭論不休，但輸入機器的法律語言卻不能互相矛盾。機器語言具有很大的局限性，例如，LDS基于規則來模擬嚴格責任并計算實際損害時，表現出的最大弱點就是不能使用不精確的自然語言進行推理。然而，在實際的法律推理過程中，法律家對某個問題的任何一種回答都可根據上下文關系作多種解釋，而且辯論雙方總是尋求得出不同的結論。因此，智能法律專家系統的成功在很大程度上還依賴于自然語言理解研究工作的突破。牛津大學的一個程序組正在研究法律自然語言的理解問題，但是遇到了重重困難。原因是連法學家們自己目前也還沒有建立起一套大家一致同意的專業術語規范。所以EdwinaL.Rissland認為，常識知識、意圖和信仰類知識的模擬化，以及自然語言理解的模擬問題，迄今為止可能是人工智能面臨的最困難的任務。對于語言模擬來說，像交際短語和短語概括的有限能力可能會在較窄的語境條件下取得成果，完全的功能模擬、一般“解決問題”能力的模擬則距離非常遙遠，而像書面上訴意見的理解則是永遠的終極幻想。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）
五、人工智能法律系統的開發策略和應用前景
我們能夠制造出一臺什么樣的機器，可以證明它是人工智能法律系統？從檢驗標準上看，這主要是法律知識在機器中再現的判定問題。根據“圖靈試驗”原理，我們可將該檢驗標準概括如下：設兩間隔開的屋子，一間坐著一位法律家，另一間“坐著”一臺智能機器。一個人（也是法律家）向法律家和機器提出同樣的法律問題，如果提問者不能從二者的回答中區分出誰是法律家、誰是機器，就不能懷疑機器具有法律知識表達的能力。
依“圖靈試驗”制定的智能法律系統檢驗標準，所看重的是功能。只要機器和法律家解決同樣法律問題時所表現出來的功能相同，就不再苛求哪個是鋼鐵結構、哪個是血肉之軀。人工智能立足的基礎，就是相同的功能可以通過不同的結構來實現之功能模擬理論。
從功能模擬的觀點來確定人工智能法律系統的研究與開發策略，可作以下考慮：
第一，擴大人工智能法律系統的研發主體?，F有人工法律系統的幼稚，暴露了僅僅依靠計算機和知識工程專家從事系統研發工作的局限性。因此，應該確立以法律家、邏輯學家和計算機專家三結合的研發群體。在系統研發初期，可組成由法學家、邏輯與認知專家、計算機和知識工程專家為主體的課題組，制定系統研發的整體戰略和分階段實施的研發規劃。在系統研發中期，應通過網絡等手段充分吸收初級產品用戶（律師、檢察官、法官）的意見，使研發工作在理論研究與實際應用之間形成反饋，將開發精英與廣大用戶的智慧結合起來，互相啟發、群策群力，推動系統迅速升級。
第二，確定研究與應用相結合、以應用為主導的研發策略。目前國外人工智能法律系統的研究大多停留在實驗室領域，還沒有在司法實踐中加以應用。但是，任何智能系統包括相對簡單的軟件系統，如果不經過用戶的長期使用和反饋，是永遠也不可能走向成熟的。從我國的實際情況看，如果不能將初期研究成果盡快地轉化為產品，我們也難以為后續研究工作提供雄厚的資金支持。因此，人工智能法律系統的研究必須走產研結合的道路，堅持以應用開路，使智能法律系統盡快走出實驗室，同時以研究為先導，促進不斷更新升級。
第三，系統研發目標與初級產品功能定位。人工智能法律系統的研發目標是制造出能夠滿足多用戶（律師、檢察官、法官、立法者、法學家）多種需要的機型。初級產品的定位應考慮到，人的推理功能特別是價值推理的功能遠遠超過機器，但人的記憶功能、檢索速度和準確性又遠不如機器。同時還應該考慮到，我國目前有12萬律師，23萬檢察官和21萬法官，每年1.2萬法學院本科畢業生，他們對法律知識的獲取、表達和應用能力參差不齊。因此，初級產品的標準可適當降低，先研制推理功能薄弱、檢索功能強大的法律專家系統。可與計算機廠商合作生產具有強大數據庫功能的硬件，并確保最新法律、法規、司法解釋和判例的網上及時更新；同時編制以案件為引導的高速檢索軟件。系統開發的先期目標應確定為：(1)替律師起草僅供參考的書和辯護詞；(2)替法官起草僅供參考的判決書；(3)為法學院學生提供模擬法庭審判的通用系統軟件，以輔助學生在、辯護和審判等訴訟的不同階段鞏固所學知識、獲得審判經驗。上述軟件旨在提供一個初級平臺，先解決有無和急需，再不斷收集用戶反饋意見，逐步改進完善。
第四，實驗室研發應確定較高的起點或跟蹤戰略。國外以知識工程為主要技術手段的人工智能法律系統開發已經歷了如下發展階段：(1)主要適用于簡單案件的規則推理；(2)運用開放結構概念的推理；(3)運用判例和假設的推理；(4)運用規則和判例的混合推理。我們如確定以簡單案件的規則推理為初級市場產品，那么，實驗室中第二代產品開發就應瞄準運用開放結構概念的推理。同時，跟蹤運用假設的推理及混合推理，吸收國外先進的KBS和HYPO的設計思想，將功能子系統開發與聯想式控制系統結合。HYPO判例法推理智能裝置具有如下功能：(1)評價相關判例；(2)判定何方使用判例更加貼切；(3)分析并區分判例；(4)建立假設并用假設來推理；(5)為一種主張引用各種類型的反例；(6)建立判例的引證概要。HYPO以商業秘密法的判例推理為模擬對象，假設了完全自動化的法律推理過程中全部要素被建立起來的途徑。值得注意的是，HYPO忽略了許多要素的存在，如商業秘密法背后的政策考慮，法律概念應用于實際情況時固有的模糊性，信息是否已被公開，被告是否使用了對方設計的產品，是否簽署了讓與協議，等等。一個系統設計的要素列表無論多長，好律師也總能再多想出一些。同樣，律師對案件的分析，不可能僅限于商業秘密法判例，還可能援引侵權法或專利法的判例，這決定了緣由的多種可能性。Ashley還討論了判例法推理模擬的其他困難：判例并不是概念的肯定的或否定的樣本，因此，要通過要素等簡單的法律術語使模糊的法律規則得到澄清十分困難，法律原則和類推推理之間的關系還不能以令人滿意的方式加以描述。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）這說明，即使具有較高起點的實驗室基礎研究，也不宜確定過高的目標。因為，智能法律系統的研究不能脫離人工智能的整體發展水平。
第五，人－機系統解決方案。人和機器在解決法律問題時各有所長。人的優點是能作價值推理，使法律問題的解決適應社會的變化發展，從而具有靈活性。機器的長處是記憶和檢索功能強，可以使法律問題的解決具有一貫性。人－機系統解決方案立足于人與機器的功能互補，目的是解放人的腦力勞動，服務于國家的法治建設。該方案的實施可以分為兩個階段：第一階段以人為主，機器為人收集信息并作初步分析，提供決策參考。律師受理案件后，可以先用機器處理大批數據，并參考機器的和辯護方案，再做更加高級的推理論證工作。法官接觸一個新案件，或新法官剛接觸審判工作，也可以先看看“機器法官”的判決建議或者審判思路，作為參考。法院的監督部門可參照機器法官的判決，對法官的審判活動進行某種監督，如二者的判決結果差別太大，可以審查一下法官的判決理由。這也許可以在一定程度上制約司法腐敗。在人－機系統開發的第二階段，會有越來越多的簡單案件的判決與電腦推理結果完全相同，因此，某些簡單案件可以機器為主進行審判，例如，美國小額法庭的一些案件，我國法庭可用簡易程序來審理的一些案件。法官可以作為“產品檢驗員”監督和修訂機器的判決結果。這樣，法官的判案效率將大大提高，法官隊伍也可借此“消腫”，有可能大幅度提高法官薪水，吸引高素質法律人才進入法官隊伍。
未來的計算機不會完全取代律師和法官，然而，律師和法官與智能機器統一體的出現則可能具有無限光明的前景。（注：Smith,J.C,MachineIntelligenceandLegalReasoning,Chicago-KentLawReview,1998,Vol.73,No.1,p277.）可以預見，人工智能將為法律工作的自動化提供越來越強有力的外腦支持。電腦律師或法官將在網絡所及的范圍內承擔起諸如收債、稅務、小額犯罪訴訟等職能。自動法律推理系統將對訴訟活動發揮越來越多的輔助作用，例如，通過嚴密的演繹邏輯使用戶確信全部法律結論得出的正當性；在解決相互沖突的規則、判例和政策問題時提示可能出現的判決預測；等等。正如網絡的出現打破了少數人對信息的壟斷一樣，電腦法律顧問的問世，將打破法官、律師對法律知識的壟斷，極大地推動法律知識的普及，迅速提高廣大人民群眾的法律素質，使法律真正變為群眾手中的銳利武器。
人工智能是人類發展到一定階段而必然產生的一門學科，它既包括人，也包括機和環境兩部分，所以也可以說是人機環境系統交互方面的一種學問。它同樣“有一個漫長的過去，但只有短暫的歷史”。它的起源可以追溯到文藝復興，接著，又在第一、二次工業革命浪潮中逐漸嶄露頭角。法國人帕斯卡爾研制了第一臺現代意義上的數字計算機，第一、二次世界大戰大大加快了該學科發展的進程，劍橋大學巴貝奇的差分機和圖靈的測試進一步把人工智能領域的研究范圍擴展到了人類學習、生活、工作等方面。到目前為止，研究人工智能的學科不但包括生理、心理、物理、數理、地理等自然科學技術領域，而且還涉及到哲理、倫理、法理、藝理、教理等人文藝術宗教領域。
1997年5月11日，名為“深藍”的電腦毫無懸念地在標準比賽時限內擊敗了國際象棋男子世界冠軍卡斯帕羅夫，從而證明了在有限的時空里電腦“計算”可以戰勝人腦“算計”，進而論證了現代人工智能的基礎條件(假設)——物理符號系統具有產生智能行為的充分必要條件(Newell and Simon，1976)是成立的。更有意思的是，2011年2月17日，一臺以IBM創始人托馬斯·沃森的名字命名的電腦在智力問答比賽中“狂虐”兩位最聰明的美國人而奪得冠軍，2016年3月9日至3月15日，“圍棋名譽九段”AlphaGo在首爾以4:1的比分戰勝了圍棋世界冠軍李世石九段，從而引發了人工智能將如何改變人類社會生活形態的話題。
人工智能是人機環境系統交互的產物
眾所周知，當前制約機器人科技發展的瓶頸是人工智能，人工智能研究的難點是對認知的解釋與建構，而認知研究的關鍵問題則是自主和情感等意識現象的破解。生命認知中沒有任何問題比弄清楚意識的本質更具挑戰性，或者說更引人入勝。這個領域是科學、哲學、人文藝術、神學等領域的交集。盡管意識問題如此重要，令人啼笑皆非的是：無論過去還是現在，一旦涉及到意識問題，大家不是緘口不提，就是敬而遠之，避之唯恐不及。究其原因，不外乎意識的變化莫測與主觀隨意等特點嚴重偏離了科學技術的邏輯實證與感覺、經驗、驗證、判斷，既然與科學技術體系相距較遠，自然就不會得到相應的認同與支持了，這好像是順理成章、理應如此的！然而，最近科技界一系列的前沿研究正悄悄地改變著這個局面：研究飄忽不定的意識固然不符合科技的尺度，那么在意識前面加上情境(或情景)二字呢？人在大時空環境下的意識是不確定的，但“格物致知”一下，在小尺度時空情境下的意識應該有跡可循吧！自古以來，人們就知道“天時地利人和”的小尺度時空情境對態勢感知及意識的影響，只是明確用現代科學的手段實現情境(或情景)意識的研究是源自1988年Mica Endsley提出的Situation Awareness(SA)概念框架：“…the perception of the elements in the environment within a volume of time and space， the comprehension of their meaning， and the projection of their status in the near future.”(在一定的時間和空間內對環境中的各組成成分的感知、理解，進而預知這些成分的隨后變化狀況)但這只是個定性分析概念模型，其機理分析與定量計算還遠遠沒有完善。
在真實的人機環境系統交互領域中，人的情景意識(Situation Awarensss)SA、機器的物理SA、環境的地理SA等往往同構于統一時空中(人的五種感知也應是并行的)，對于人而言，人注意的切換產生了不同的主題與背景感受／體驗。在人的行為環境與機的物理環境、地理環境相互作用的過程中，人的情景意識SA被視為一個開放的系統，是一個整體，其行為特征并非由人的元素單獨所決定，而是取決于人機環境系統整體的內在特征，人的情景意識SA及其行為只不過是這個整體過程中的一部分罷了。另外，人機環境中許多個閉環系統常常是并行或嵌套的，并且特定情境下這些閉環系統的不同反饋環節信息又往往交叉融合在一起，起著或刺激或抑制的作用，不但有類似宗教情感類的柔性反饋(不妨稱之為“軟調節反饋”，人常常會延遲控制不同情感的釋放)，也存在著類似法律強制類的剛性反饋(不妨稱之為“硬調節反饋”，常規意義上的自動控制反饋大都屬于這類反饋)。如何快速化繁為簡、化虛為實是衡量一個人機系統穩定性、有效性、可靠性大小的主要標志，是用數學方法的快速搜索比對還是運籌學的優化修剪計算，這是一個值得人工智能領域深究的問題。
人機環境交互系統往往是由有意志、有目的和有學習能力的人的活動構成，涉及變量眾多、關系復雜，貫穿著人的主觀因素和自覺目的，所以其中的主客體界線常常模糊，具有個別性、人為性、異質性、不確定性、價值與事實的統一性、主客相關性等特點，其中充滿了復雜的隨機因素的作用，不具備重復性。另外，人機環境交互系統有關機(裝備)、環境(自然)研究活動中的主客體則界線分明，具有較強的實證性、自在性、同質性、確定性、價值中立性、客觀性等特點。無論是在古代、中世紀還是在現代，哲學宗教早已不單純是意識形態，而且逐漸成為各個階級中的強大的政治力量，其影響不斷滲透到社會生活的各個領域，更有甚者，把哲學、政治、法律等上層建筑都置于宗教控制之下?？傊陨现T多主客觀元素的影響，進而導致了人機環境交互系統異常復雜和非常的不確定。所以對人機環境交互系統的研究不應僅僅包含科學的范式，如實驗、理論、模擬、大數據，還應涉及到人文藝術的多種方法，如直觀、揣測、思辨、風格、圖像、情境等，在許多狀況下還應與哲學宗教的多種進路相關聯，如現象、具身、分析、理解與信仰，等等。
在充滿變數的人機環境交互系統中，存在的邏輯不是主客觀的必然性和確定性，而是與各種可能性保持互動的同步性，是一種得“意”忘“形”的見招拆招和隨機應變能力。這種思維和能力可能更適合復雜的人類各種藝術過程。凡此種種，恰恰是人工智能所欠缺的地方。
人機之間的不同之處
人與機相比，人的語言或信息組塊能力強，具有有限記憶和理性；機器對于語言或信息組塊能力弱，具有無限記憶和理性，其語言(程序)運行和自我監督機制的同時實現應是保障機器可靠性的基本原則。人可以在使用母語時以不考慮語法的方式進行交流，并且在很多情境下可以感知語言、圖畫、音樂的多義性，如人的聽覺、視覺、觸覺等具有辨別性的同時還具有情感性，常常能夠知覺到只可意會不可言傳的信息或概念(如對哲學這種很難通過學習得到學問的思考)。機器盡管可以下棋、回答問題，但對跨領域情境的隨機應變能力很弱，對彼此矛盾或含糊不清的信息不能有效反應(缺少必要的競爭冒險選擇機制)，主次不分，綜合辨析識別能力不足，不會使用歸納推理演繹等方法形成概念或提出新概念，更奢談產生形而上學的理論形式。
人與機器在語言及信息的處理差異方面，主要體現在能否把表面上無關之事物相關在一起的能力。盡管大數據時代可能會有所變化，但對機器而言，抽象表征的提煉亦即基于規則條件及概率統計的決策方式與基于情感感動及頓悟冥想的判斷(人類特有的)機理之間的鴻溝依然存在。
人工智能與哲學
人類文明實際上是一個認知的體現，無論是最早的美索不達米亞文明(距今6000多年)，還是四大文明之后日新月異的以西方為代表的現代科技力量，其原點都可以落實到認知這個領域上。歷史學家認為：以古希臘文化為驅動力的現代西方文明來源于古巴比倫和古埃及，其本質反應的是人與物(客觀對象)之間的關系；而古印度所表征的文明中常常蘊含著人與神之間的信念；排名最后的古代中國文明是四大古文明中唯一較為完整地綿延至今的文化脈搏，其核心之道理反映的是人與人、人與環境之間的溝通交流(這也許正是中華文明之所以持續的重要原因吧)。縱觀這些人、機(物)、環境之間系統交互的過程中，認知數據的產生、流通、處理、變異、卷曲、放大、衰減、消逝無時無刻不在進行著……
有人說人工智能是哲學問題。這句話有一定的道理，因為“我們是否能在計算機上完整地實現人類智能”，這個命題是一個哲學問題。康德認為哲學需要回答三個問題：我能知道什么？我應該做什么？我可以期待什么？分別對應著認識、道德、信仰。哲學不是要追究“什么是什么”，而是追求為什么“是”和如何“是”的問題。自2013年10月回國后，筆者一直在思考人機交互的本質問題，偶然與朋友交談時聊及“共在”(Being together)一詞，頓感很是恰當，試想，當今乃至可見的未來，人機之間的關系應該不是取代而是共存吧：相互按力分配、相互取長補短，共同進步，相互激發喚醒，有科有幻，有情有義，相得益彰……非常巧合的是，2014年以來，機器學習、互聯網、機器人、人工智能等領域的發展也相當迅速，深度學習、類腦計算、情景感知一時間成了關鍵詞，成了時髦語，但細細品來，其核心實質都不過是解釋與建構的問題，形而上后竟會變成高大上的哲學問題。
其實哲學與科學、宗教一樣，都是一個人為了能夠獲得理解而必須相信(除非你相信你不應當理解)的過程，這不是盲從，而是一種先信仰后理解的先驗！比如，在科學中，物理學研究世界是什么樣的(解釋世界)，計算機(數學)研究怎么造一個世界(建構世界)，在這兩者之間若沒有相信、信任、信仰等先于理解而存在，恐怕是難以堅持進行下去的，畢竟在伸手不見五指的黑夜中，人是很難自行產生前進動力的(如一個沒有利潤的環境常常少見商人身影一般)。而信仰是一種贊同的思考，常常是一種非理性的激情、沖動情感，通過非理性而達到理性(通情達理)，這不能不說是一個有趣的悖論！或許，這同時也是無中生有的禪理(以情化理)吧！
實際上，目前以符號表征、計算為代表的計算機虛擬建構體系是很難逼真反映以物理、生理、心理等理論解釋真實世界的(數學本身并不完備)，而認知科學的及時出現不自覺地把各“理”(物理、生理、心理)解釋與各“機”(計算機、飛機、拖拉機)建構之間對立統一了起來，圍繞是(Being)、應(Should)、要(Want)、能(Can)、變(Change)等節點展開融合進而形成一套新的人機環境系統交互體系。
有時候，世界是確定的，不確定的是我們自己，面對相同的文字、音樂、視頻等情境事物，我們常常會隨心情的不同而產生不同的覺察和理解，境隨心轉。有時候，世界是不確定的，確定的反而是我們自己，面對不同的文字、音樂、視頻等情境事物，我們卻能夠處變不變而產生恒定表征，形成概念，心隨境轉。不管怎樣，世界包括我們自己是由易、不易、簡易、遷易、無易、有易、一易、多易……等諸多演化過程構成的，在這些紛繁復雜的變化中，都需要一種或多種參考框架體系協調其中的各種矛盾、悖論，而若追溯到這些框架體系的起源，應該就是人機環境之間的交互作用?；蛟S，最好的智慧/智能真的就隱藏在這些交互的自相矛盾之中？！若果真如此，那又該如何破譯呢?
哲學意義上的“我”也許就是人類研究的坐標原點或出發點，“我是誰”“我從哪里來”“要到那里去”這些問題也許就是人工智能研究的關鍵瓶頸？！
結束語
人工智能，尤其未來的強人工智能很可能是一種集科學技術、人文藝術、哲學宗教為一體的“有機化合物”，是各種“有限理性”與“有限感性”相互疊加和往返激蕩的結果，而不僅僅是科學意義上的自然秩序之原理。它既包含了像科學技術那樣只服從理性本身而不屈從于任何權威的確定性知識(答案)的東西，又包含著諸如人文藝術以及哲學、宗教等一些迄今仍為確定性的知識所不能肯定的思考。它不但關注著人機環境系統中的大數據挖掘，而且對涉及“蝴蝶效應”的臨界小數據也極為敏感；它不但涉及計算、感知和認知等客觀過程，而且還對算計、動機與猜測等主觀過程頗為青睞；它不但與系統論、控制論和信息論等“老三論”相關，更與耗散結構論、協同論、突變論等“新三論”相聯。它是整體與局部之間開環、閉環、自上而下、自下而上交叉融合的過程，是通過無關—弱相關—相關—強相關及其逆過程的混關聯變換。
通過研究，我們是這樣看待指人工智能技術問題的：首先人工智能過程不是被動地對環境的響應，而是一種主動行為，人工智能系統在環境信息的刺激下，通過采集、過濾，改變態勢分析策略，從動態的信息流中抽取不變性，在人機環境交互作用下產生近乎知覺的操作或控制；其次，人工智能技術中的計算是動態的、非線形的(同認知技術計算相似)，通常不需要一次將所有的問題都計算清楚，而是對所需要的信息加以計算；再者，人工智能技術中的計算應該是自適應的，人機系統的特性應該隨著與外界的交互而變化。因此，人工智能技術中的計算應該是外界環境、機器和人的認知感知器共同作用的結果，三者缺一不可。
一、銀行反欺詐發展趨勢
國內外銀行在傳統反欺詐管理中主要依賴專家經驗，通過人工方式制定檢測規則，當申請或交易信息與反欺詐規則匹配后即執行相應的業務策略。這種管理模式得出的反欺詐規則存在一定的局限性，不能枚舉所有業務場景，無法對各類欺詐行為進行全面覆蓋。與此對應，欺詐者會針對性的對已有規則進行回避，導致專家規則處于被動調整的位置，無法跟上欺詐手段的更新換代[1， 2]。另外，當專家規則積累達到一定數量后誤報率通常會比較高，能夠影響到實際風險決策制定和實際業務開展。
機器學習是一種重要的金融科技創新手段，近年來在國內外金融機構和金融科技企業中被嘗試應用到風險防范、反欺詐等領域。例如花旗銀行、美國銀行、匯豐銀行等機構廣泛應用邏輯回歸、神經網絡等技術以提升欺詐識別能力；京東金融與ZestFinance組建的合資公司以數據挖掘建模為核心競爭力，在反欺詐領域深入應用機器學習技術以發揮大數據價值。機器學習是一種研究機器獲取新知識和新技能，并識別現有知識的方法[3]；通常針對大規模數據集進行全方位綜合考量，挖掘深層次業務場景特征進而建立監督、無監督等類型的學習模型，在大量應用中模型的準確性、穩定性也得到了充分驗證[4]。
為此，我們針對信用卡申請審批這一典型業務場景，應用機器學習技術進行欺詐風險管理并設計數據產品對異常客戶進行監控預警。區別于將機器學習技術應用到單一反欺詐規則制定的典型做法，我們嘗試從整體視角對欺詐風險進行評估，實現精準量化預測并以此作為應對欺詐風險的強有力手段。建模思路及方法具有一定的可遷移性，可以被廣泛應用到銀行風險防范、反欺詐等業務領域。
二、“會思考”的風控模型
在應用大數據支持業務發展轉型的過程中，我們提出構建增強智能(Augumented Intelligence)系統[5]的創新思路。一個務實的增強智能系統包括客戶畫像、數據挖掘模型和決策引擎三個組成部分。數據挖掘模型是智能化的核心，客戶畫像為建模過程持續提供特征輸入，決策引擎將模型輸出成果轉換為實際業務行動。增強智能系統的一個重要目標是提升傳統業務流程的自動化水平，過程中的大數據能力主要體現在三個方面，也就是下圖中的三個組成部分：更好的客戶認知、更智能化的算法、更快速的決策支持。
圖1：增強智能系統組成模塊
數據挖掘模型發揮動力引擎作用，吸收學術界和產業界先進機器學習知識成果并應用于銀行實踐?？蛻舢嬒裰攸c體現大數據背景下的客戶多維度刻畫，在靜態信息和交易行為信息之外可以補充社交網絡維度特征信息。伴隨大數據的持續采集、生產和交換，客戶畫像能夠進一步補充情緒屬性、價值觀屬性乃至道德屬性等信息，為數據挖掘建模提供源源不斷的能源輸入。決策引擎能夠面對業務場景進行快速響應，通過可視化等手段提供自助式業務分析能力，促進數據價值轉化為業務行動。
踐行上述思路，我們結合傳統風險管控和社交網絡分析技術，加工基礎維度信息和社交維度信息特征指標組成反欺詐客戶畫像，并應用隨機森林等分布式機器學習算法建立欺詐風險預測模型。不同于傳統風控模型以年為單位的更新優化周期，智能化預測模型每天都能夠進行“思考”，通過更新網絡關系并重新訓練模型確定最新的欺詐預測思維模式。模型在研發和使用的過程中靈活運用機器學習和社交網絡分析技術，催生新型數據產品的開發與應用從而帶動傳統業務流程的優化。
三、模型構建與結果分析
以銀行信用卡申請反欺詐為應用場景，詳細描述社交網絡構建、特征處理、算法實現、運行結果分析等階段過程。
1、結合社交視角構造客戶特征信息
社交網絡分析是融合多學科理論和方法，為理解各種社交關系的形成、行為特點分析以及信息傳播的規律提供的一種可計算的分析方法[6]。社交網絡分析方法旨在建立一個網絡與真實世界的實體與關系映射，在銀行應用中的典型實體包括客戶、賬戶、員工等。社交網絡分析通常關注靜態和動態兩個層面的網絡特征，靜態特征包括提取網絡指標、對網絡特征刻畫、識別網絡群組等；動態特征主要包括描述網絡如何隨時間推移進行擴散、如何影響其他節點等。
分析信用卡進件審批數據，確定數據中包含四種角色，分別是申請人、申請人親屬、聯系人和推廣人。在建模實施過程中將申請人角色作為社交網絡的關鍵節點，把申請人、申請人親屬、聯系人及推廣人這四種角色的移動電話、家庭電話、辦公電話的相同作為關系類型。建模過程中構建的社交網絡包括780萬節點，2.33億條關系。
在構建完成社交網絡后，設計并計算一二階度、一二階欺詐數、一二階欺詐占比、最短路徑等網絡指標。從網絡視角衡量欺詐風險的傳播，度反映節點關聯好友數量，最短路徑反映網絡中節點間親密程度。此外，建模中的客戶基礎信息包括申請人年齡、手機號、單位電話、電子郵箱、學歷、年收入、職位等，針對這些信息需要進行結構化分解、離散化、頻度計算等數據預處理操作，共同構建特征以用于后續模型的訓練和驗證。
圖2：反欺詐模型特征構造過程
2、建模方案設計
對進行特征工程化處理的數據進行拆分，設置三組建模數據集，分別是基礎信息的數據集(base)、社交信息的數據集(social)，以及組合在一起的數據集(combine)。建模過程中采用3折交叉驗證的方式完成欺詐風險預測模型建立和訓練，并比較多組模型輸出的計算結果。
算法選擇方面，分別選擇邏輯回歸(LogisticsRegression， LR)，隨機森林[7](Random Forests， RF)和深度學習[8](Deep Learning， DL)。邏輯回歸是銀行風控領域的經典算法，以此作為模型結果的標桿參考。隨機森林是一種集成學習算法，利用多棵決策樹對樣本進行訓練并預測；通常單棵樹性能表現較弱，但進行組合之后能夠提供較好的分類性能，同時算法穩定性較好。深度學習(DL)模型是包含多隱層的多層感知器系統，通過應用綜合復雜結構和多重非線性變換構成的多個處理層及對數據進行高層抽象的一系列算法，建立具有數個隱層的多層感知網絡并實現各種模式的識別和認知。
模型評價方面，選用AUC、Precision、Recall、Accuracy、F1-measure等指標。其中AUC[9](Area under Curve)是ROC曲線下的面積，介于0和1之間；AUC值表示將兩樣本正確分類的概率，AUC值越大說明模型分類性能越好。其他指標均是從不同角度衡量模型性能，這里不再詳細說明。
3、建模結果分析
如下表所示，前三列數據為應用隨機森林(RF)算法在不同數據集上進行的三組模型輸出結果。比較結果數據可以發現，通過整合社交屬性信息模型各項評價指標較基礎信息模型結果均有大幅度提升。不同于基礎信息，社交維度重在刻畫實體在網絡中的關系，其加工指標在建模后呈現出與欺詐風險相關的強特征關系。建模結果中AUC提升7個百分點，F1-measure提升2個百分點，充分驗證了建立多維度視角對于提升客戶欺詐風險識別能力的有效性。更重要的是，伴隨大數據的采集和處理，可以從深度和廣度上對客戶欺詐風險認知進一步補強，進而持續優化模型的底層數據源。
后面三組數據是在整合數據集上應用三種不同算法，整體表現邏輯回歸算法較弱，深度學習居中，隨機森林表現最優。結果表明目前模型輸入特征與預測目標關聯性較好，并且總體特征數量為數十個的量級，還不足以發揮深度學習海量特征無監督優化選擇的特性，相比之下隨機森林、GBDT[10]等集成學習算法表現更為突出。
表1：欺詐風險預測模型結果比較
四、欺詐監控數據產品
大數據在實際應用中體現出強產品化的特點，通過構建反欺詐數據產品能夠快速實現決策引擎的功能；同時原始數據從積累到建模均與該數據產品關聯，用戶畫像建立和持續豐富也與反欺詐業務場景相結合。數據產品通過可視化技術實現自助式分析能力，在數據價值轉化為業務行動過程中發揮橋梁作用。
針對信用卡申請反欺詐場景，設計專項數據產品對接相關業務系統。數據產品提供全國進件審批疑似欺詐情況分布圖，實時獲得所關注區域的欺詐進件分布、欺詐發展趨勢、欺詐比重等動態。另外，提供分地區信息概要、進件詳情、明細檢索和社交網絡檢索等功能，能夠在系統頁面查詢基礎指標統計圖(手機和電話特征分布)、不同模型輸出的欺詐風險概率值、進件基本信息、進件網絡特征、社交指標統計(一度、二度、最短路徑)等內容。
圖3審批疑似欺詐情況分布圖
五、總結與展望
