按照一般的理解，所謂人工智能（artificial intelligence，簡稱AI），就是用人工的方法在機器上實現的智能；這類機器通常是指計算機。盡管這類機器的大部分在它們被設計出來的早期並沒有明確的模擬人類認知加工的意圖，但在它往後的發展中的確是以模擬人類大腦的神經機製和思維活動為主要內容的，即有意識地依據認知心理學、認知神經科學、腦科學、思維科學等的研究成果，模擬神經元和大腦的活動過程以及人類在推理、證明、識別、理解、學習、規劃以及問題求解中的種種“智能”行為。下麵做一簡要概述。

早在1950年，英國數學家、邏輯學家圖靈（A.Turing）發表了《計算機和智能》一文，明確提出了計算機經程序化後能表現出與人一樣的智能行為的觀點。在圖靈看來，人的大腦就像一台“數字計算機器”。機器能夠通過智能行為的測試，本身就說明機器具有智能，計算是思維的一種形式。1958年，美籍匈牙利數學家、計算機科學家馮·諾依曼（J.Von Neuman）出版了《計算機與人腦》一書。在書中，作者從一個數學家的角度將計算機與神經係統進行類比。認為混合計算機中的“模擬”計算與“數字”計算的綜合，與神經係統的特點相符。他說：“基因本身就是數字係統元件的一部分。不過基因所產生的一切效應，以及刺激形成的某些特別的化學物質也包含在內，也就是各種特定的酶（它是基因的標誌），這些都在模擬的範疇之內。這正是模擬與數字過程相互演變的一個尤為明顯的例子。”[1]同時他認為，人工智能促進了物理學與數學的融合。因為很明顯，神經元的激活與傳導是遵循“全”或“無”的過程進行的。這與計算機中導線的“全”或“無”傳導機製（導線不是有電流脈衝，就是沒有電流脈衝），是高度相似的。而且這兩種情形能夠與傳統的二值邏輯、二進製符號係統聯係起來。美國計算機科學家、控製論者M.A.阿爾貝勃在《大腦、機器和數學》（1964）一書中也樂觀地指出：“我當然不相信數學會解決生理學和心理學的一切問題，但是我相信數學推導方法在理解大腦方麵也一定會和神經生理學和心理學的實驗與臨床研究一樣重要，就像數學方法已經幫助電氣工程師造出計算機一樣。雖然計算機比生物體在複雜度上要低許多數量級，但是，至今它還是大腦最好的模型。”[2]為此，人工智能科學家的一個著名口號是：“心靈之於大腦正如軟件之於硬件”。

人工智能科學家西蒙等人將上述研究概括為物理符號研究範式。他說：“計算機顯然是一個物理符號係統。它的物理性質和運轉方式可以很容易地證明它完成這些過程（僅有的這些過程）的能力。人的大腦也是（但並非顯而易見）一個物理符號係統。它無疑能完成列入這種係統界定範圍內的那些過程。”[3]由於該範式假設人類智能的基本載體是符號，認知過程就是符號表示下的符號計算與操作，思維實質上就是計算，因而在智能模擬過程中，它們更多的是注意到計算機運行和操作與人類智能和腦神經組織的某種相似性。換言之，隻是注意到計算機在符號計算、句法邏輯方麵與人的某些智能的相似性，而忽視了人類大腦神經元之間的突觸聯結數量的海量性及並行加工處理方式的複雜性等特性，這樣，物理符號主義模型對大腦的神經機製的刻畫顯得過於簡單化了：它至多隻是在某些功能方麵建立了計算機與人類智能或人腦之間的聯係，而與實際的人類智能和大腦神經活動機製，相差甚遠。

為了縮小物理符號主義模型與真實人類智能和人腦的距離，特別是要能體現人腦並行式處理信息的突出特點，一些計算機科學家、神經生理學家和數學家嚐試運用“仿生學”的方法，從腦的生理結構原型出發，致力於建構不同層次的關於腦的硬件結構係統（模型）。當然，這項複興於20世紀80年代的工作可追溯到20世紀40年代就已經開始的某些早期研究。這些研究主要體現在神經生物學家W.麥卡洛克和他的學生W.皮茨於1943年發表的具有劃時代意義的《神經活動內在概念的邏輯運算》一文中。該文認為，任一神經元的響應事實上都等價於提出了一個使神經元受到充分刺激的命題，而這個命題可以用符號邏輯來標記。受此啟發，1949年，神經生物學家赫布（D.O.Hebb）提出著名的“Hebb法則”。其基本思想是，如果兩個神經元都處於興奮（激活）狀態，它們之間的突觸聯結強度就會得到增強。而突觸聯結強度的可變性是學習和記憶的基礎。赫布還給出了突觸調節模型，描述了分布式記憶過程。1958年，計算機科學家羅森布拉特（E.Rosenblatt）基於M & P（麥卡洛克和皮茨的神經元模型），建構了感知器模型。在這個模型中，輸入和輸出層之間的權重調節正比於計算輸出值與期望輸出值之差。1969年，美國人工智能專家明斯基和帕伯特（S.Papert）對羅森布拉特的工作進行了深入研究，出版了《感知機》一書。在該書中，作者認為，通過引入隱含神經元，增加神經網絡的層次，可以提高神經網絡的處理能力。1982年，美國物理學家J.霍普菲爾德提出了一種新的神經網絡模型——Hopfield神經網絡（HNN）。1986年，J.盧姆哈特（J.D.Rumelhart）等在多層神經網絡模型的基礎上，提出了多層神經網絡模型的反向傳播學習算法（BP算法），解決了多層前向神經網絡的學習問題，證明了多層神經網絡具有很強的學習能力。所有這些，構成了人工智能領域中的新的研究範式——聯結主義（connectionism）或仿生學派（bionicsism）。

聯結主義範式假定人類智能的基本單元是神經元，認知過程是由神經元構成的網絡信息傳遞實現的，並且這種傳遞是並行和分布式的。其原理主要是神經網絡及神經網絡間的連接機製與學習算法。從這個意義上說，聯結主義相比於物理符號主義來說，更接近於人腦神經活動的機製和過程。而且，聯結主義模型在特征提取、模式分類、聯想記憶、低層次感知、自適應控製等場合，優勢更為明顯。例如，聯結論的模型既沒有中央處理器（CPU），也沒有存儲程序；它的知識表征和語義獲得是在外部輸入和輸出的雙重調節下，經過內部隱含層的權重改變而獲得的。因而，聯結論的知識表達一直處在動態過程當中。這個動態過程我們可以看作是一個經過學習和訓練而形成的自我執行過程。因此，聯結主義計算機通過使用一係列的指令控製某些計算過程，而有別於傳統計算機的“程序”概念。[4]目前，人工神經網絡研究不僅向綜合性發展，而且越來越與其他領域密切結合起來。如把多層感知器與自組織特征聯係起來，發展出性能更強的結構。盡管如此，聯結主義的研究範式和模型仍然與真實的人類智能和大腦有相當的距離。這種距離表現在，神經元與計算機的單個單元並不是完全對應的；人腦並不總是具有聯結主義模型的表現；許多聯結主義的模型都有很多不同的功能層次，但是大腦似乎有著更為複雜的物理—幾何分層、連接和投射機製等。就規模來說，人腦所具有的神經元聯結權重也是計算機網絡完全無法比擬的。在這種情況下，“盡管聯結論在總的方麵是關心生物學上的可實現性的，但是大多數聯結論係統所做的並不是神經實現方式的模型，而是抽象定義的信息處理的模型”[5]。

不過，聯結主義的研究範式至少開辟了一條整體論的研究道路，給後來的研究以啟迪。如H.哈肯主張運用他所創立的協同學原理從宏觀層次（神經元群）上揭示大腦的神經動力機製。他認為是序參量決定了腦的宏觀模式，而序參量表征在三層神經網絡中的隱含層當中，它支配著完全不同的外部輸出。[6]認知科學家保羅·丘奇蘭德強調從神經元的層麵或神經元群的層麵上來研究神經係統的主要組織特征。他認為，如果我們把一個整體的理論解釋為突觸權重的整體配置，那麽沒有由特定權重配置所處理的向量，就不會發生任何認知活動。

在模擬神經元和大腦神經組織活動機製的同時，人們也在考慮從大腦思維活動層麵來進行模擬。畢竟，計算機模擬的目的是獲取知識。為此，人們注意到，人類的許多思維活動是無法形式化的。例如，形象性的描述、創造性的靈感、或然性的推斷等。有人將這種無法形式化、並與形式化思維相對的思維稱之為“敘述思維”。認為這種思維使用的是暗含的假設、似然的或習慣的組合方法，其作用是使我們在現實世界中有一個合理的行為；其特征是開放的、語義的。在計算機操作層麵，其操作形式與形式化思維是不一樣的。[7]不過，敘述思維與形式思維並非截然對立的，兩者之間的界線也是變動的；人工智能的目的正是通過敘述思維的長處來彌補形式化思維的不足，例如，確定形式推導過程中的先後次序、目標，給推理結果以一定的意義等，並不斷地將敘述思維模式化。

錢學森早在1980年就前瞻性地指出：“我們要把邏輯學擴大為思維學，包括一部分我們已經研究得很多而且很有成績的邏輯思維，還要包括其他人的思維。這在國外已逐步地引起重視，他們是從搞機器人、人工智能這方麵考慮的，……這個理論他們叫認知科學（cognitive sciences），我們用‘思維科學’（noetic sciences）。更確切一點，就是包括邏輯思維，也包括各種思維過程，形象思維等。”[8]1995年，他又指出：“邏輯思維，微觀法；形象思維，宏觀法；創造思維，微觀與宏觀結合。創造思維才是智慧的源泉，邏輯思維和形象思維都是手段。”[9]並再次強調，形象思維不僅是思維科學研究的突破口，也是人工智能模擬的突破口。我認為，這裏說的形象思維、創造性思維與“敘述思維”，本質上是一致的。

事實上，人類大腦兩半球的神經機製與思維活動是緊密相關的。通常認為，大腦左半球長於序列的、一個步驟接著一個步驟的思維，右半球則傾向於運用平行的方式進行思維。這似乎分別與傳統AI的串行工作方式以及聯結論的並行工作方式相對應。不過，這確實有合理的依據，僅從思維功能的角度來看，傳統AI似乎更多的是模擬人類的左腦，聯結論的神經網絡則更多的是模擬人類的右腦。[10]正如國內人工智能科學家戴汝為所指出的：“抽象思維的推理過程由微觀單元過程所組成，它體現為一步一步推理的規律。這種微觀單元過程視為經典的一階邏輯。由一階邏輯的許多單元過程組成一階思維係統。”[11]而“聯結機製是有模擬人的形象思維的功能，它具有形象思維所具有的一些性質。通過同形象思維作比較，它能為人們認識形象思維提供一條有效的途徑”[12]。很明顯，如果這一結論能夠從神經機製層麵加以確證與甄別，的確能夠起到以簡馭繁的功效。隻是與右半球神經構造相聯係的形象思維仍然是智能模擬的難點。其主要原因在於，這部分的思維活動並非都是算法的，且常常具有非語言的特征。[13]同時，並不僅僅局限於右腦（也有部分左腦和身體動作參與）的靈感思維、情境思維、情感思維、動作思維、創造性思維以及社會思維等，也不能完全歸結為算法形式和邏輯句法。用R.布魯克斯（Rodney Brooks）話來說，它們是“無表征的”。

已經有學者從模擬左右腦的整體功能角度提出智能科學研究的新思路。如學者韓力群、塗序彥（2009）借鑒人腦高級中樞神經係統的協調機製（主要是大腦兩半球功能的不對稱性及通過胼胝體實現的協調互動機製），將傳統人工智能技術長於符號運算和邏輯推理的功能與右腦長於模糊處理和並行化處理的能力這樣兩大優勢統一起來，提出建立多類型的人工神經網絡綜合集成係統的構想。[14]2008年，反映人類大腦皮層中負責高級思維的數百萬神經纖維如何互相連接和分布式處理信息的完整的大腦網絡地圖已經成功獲得；對於左右腦半球的工作至關重要的一個大腦單一網絡核心也已確定。這對人工神經網絡的建構是一個良好的基礎。[15]

總之，人工智能通過計算機模擬智能的過程和行為，加深了人們對人腦功能和智能本質的認識和理解，人們對大腦的看法與以往已經有了明顯的不同。還是明斯基說得好：“正如進化論改變了我們對生物的看法一樣，人工智能也將改變我們關於腦的看法。”[16]