时间：2023-03-08 14:53:06
绪论：在寻找写作灵感吗？爱发表网为您精选了8篇人工智能论文，愿这些内容能够启迪您的思维，激发您的创作热情，欢迎您的阅读与分享！
长久以来，人工智能对于普通人来说是那样的可望而不可及，然而它却吸引了无数研究人员为之奉献才智，从美国的麻省理工学院(mit)、卡内基-梅隆大学 (cmu)到ibm公司，再到日本的本田公司、sony公司以及国内的清华大学、中科院等科研院所，全世界的实验室都在进行着ai技术的实验。不久前，著 名导演斯蒂文·斯皮尔伯格还将这一主题搬上了银幕，科幻片《人工智能》(a.i.)对许多人的头脑又一次产生了震动，引起了一些人士了解并探索人工智能领 域的兴趣。
在本期技术专题中，中国科学院计算技术研究所智能信息处理开放实验室的几位研究人员将引领我们走近人工智能这一充满挑战与机遇的领域。
计算机与人工智能
"智能"源于拉丁语legere，字面意思是采集(特别是果实)、收集、汇集，并由此进行选择，形成一个东西。intelegere是从中进行选择，进而 理解、领悟和认识。正如帕梅拉·麦考达克在《机器思维》(machines who thinks,1979)中所提出的: 在复杂的机械装置与智能之间存在长期的联系。从几个世纪前出现的神话般的巨钟和机械自动机开始，人们已对机器操作的复杂性与自身的某些智能活动进行直观联 系。经过几个世纪之后，新技术已使我们所建立的机器的复杂性大为提高。1936年，24岁的英国数学家图灵(turing)提出了"自动机"理论，把研究 会思维的机器和计算机的工作大大向前推进了一步，他也因此被称为"人工智能之父"。
人工智能领域的研究是从1956年正式开始的，这一年在达特茅斯大学召开的会议上正式使用了"人工智能"(artificial intelligence，ai)这个术语。随后的几十年中，人们从问题求解、逻辑推理与定理证明、自然语言理解、博弈、自动程序设计、专家系统、学习以 及机器人学等多个角度展开了研究，已经建立了一些具有不同程度人工智能的计算机系统，例如能够求解微分方程、设计分析集成电路、合成人类自然语言，而进行 情报检索，提供语音识别、手写体识别的多模式接口，应用于疾病诊断的专家系统以及控制太空飞行器和水下机器人更加贴近我们的生活。我们熟知的ibm的"深 蓝"在棋盘上击败了国际象棋大师卡斯帕罗夫就是比较突出的例子。
当然，人工智能的发展也并不是一帆风顺的，也曾因计算机计算能力的限制无法模仿人脑的思考以及与实际需求的差距过远而走入低谷，但是随着硬件和软件的发 展，计算机的运算能力在以指数级增长，同时网络技术蓬勃兴起，确保计算机已经具备了足够的条件来运行一些要求更高的ai软件，而且现在的ai具备了更多的 现实应用的基础。90年代以来，人工智能研究又出现了新的。
我们有幸采访了中国科学院计算技术研究所智能信息处理开放实验室史忠植研究员，请他和他的实验室成员引领我们走近人工智能这个让普通人感到深奥却又具有无穷魅力的领域。
问: 目前人工智能研究出现了新的，那么现在有哪些新的研究热点和实际应用呢？
答: ai研究出现了新的，这一方面是因为在人工智能理论方面有了新的进展，另一方面也是因为计算机硬件突飞猛进的发展。随着计算机速度的不断提高、存储容 量的不断扩大、价格的不断降低以及网络技术的不断发展，许多原来无法完成的工作现在已经能够实现。目前人工智能研究的3个热点是: 智能接口、数据挖掘、主体及多主体系统。
智能接口技术是研究如何使人们能够方便自然地与计算机交流。为了实现这一目标，要求计算机能够看懂文字、听懂语言、说话表达，甚至能够进行不同语言之间的 翻译，而这些功能的实现又依赖于知识表示方法的研究。因此，智能接口技术的研究既有巨大的应用价值，又有基础的理论意义。目前，智能接口技术已经取得了显 著成果，文字识别、语音识别、语音合成、图像识别、机器翻译以及自然语言理解等技术已经开始实用化。
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据 挖掘和知识发现的研究目前已经形成了三根强大的技术支柱: 数据库、人工智能和数理统计。主要研究内容包括基础理论、发现算法、数据仓库、可视化技术、定性定量互换模型、知识表示方法、发现知识的维护和再利用、半 结构化和非结构化数据中的知识发现以及网上数据挖掘等。
主体是具有信念、愿望、意图、能力、选择、承诺等心智状态的实体，比对象的粒度更大，智能性更高，而且具有一定自主性。主体试图自治地、独立地完成任务， 而且可以和环境交互，与其他主体通信，通过规划达到目标。多主体系统主要研究在逻辑上或物理上分离的多个主体之间进行协调智能行为，最终实现问题求解。多 主体系统试图用主体来模拟人的理性行为，主要应用在对现实世界和社会的模拟、机器人以及智能机械等领域。目前对主体和多主体系统的研究主要集中在主体和多 主体理论、主体的体系结构和组织、主体语言、主体之间的协作和协调、通信和交互技术、多主体学习以及多主体系统应用等方面。
问: 您在人工智能领域研究了几十年，参与了许多国家重点研究课题，非常清楚国内外目前人工智能领域的研究情况。您认为目前我国人工智能的研究情况如何？
答: 我国开始"863计划"时，正值全世界的人工智能热潮。"863-306"主题的名称是"智能计算机系统"，其任务就是在充分发掘现有计算机潜力的基础 上，分析现有计算机在应用中的缺陷和"瓶颈"，用人工智能技术克服这些问题，建立起更为和谐的人-机环境。经过十几年来的努力，我们缩短了我国人工智能技 术与世界先进水平的差距，也为未来的发展奠定了技术和人才基础。
但是也应该看到目前我国人工智能研究中还存在一些问题，其特点是: 课题比较分散，应用项目偏多、基础研究比例略少、理论研究与实际应用需求结合不够紧密。选题时，容易跟着国外的选题走; 立项论证时，惯于考虑国外怎么做; 落实项目时，又往往顾及面面俱到，大而全; 再加上受研究经费的限制，所以很多课题既没有取得理论上的突破，也没有太大的实际应用价值。
今后，基础研究的比例应该适当提高，同时人工智能研究一定要与应用需求相结合。科学研究讲创新，而创新必须接受应用和市场的检验。因此，我们不仅要善于找到解决问题的答案，更重要的是要发现最迫切需要解决的问题和最迫切需要满足的市场需求。
问: 请您预测一下人工智能将来会向哪些方面发展？
答: 技术的发展总是超乎人们的想象，要准确地预测人工智能的未来是不可能的。但是，从目前的一些前瞻性研究可以看出未来人工智能可能会向以下几个方面发展: 模糊处理、并行化、神经网络和机器情感。
目前，人工智能的推理功能已获突破，学习及联想功能正在研究之中，下一步就是模仿人类右脑的模糊处理功能和整个大脑的并行化处理功能。人工神经网络是未来 人工智能应用的新领域，未来智能计算机的构成，可能就是作为主机的冯·诺依曼型机与作为智能外围的人工神经网络的结合。研究表明: 情感是智能的一部分，而不是与智能相分离的，因此人工智能领域的下一个突破可能在于赋予计算机情感能力。情感能力对于计算机与人的自然交往至关重要。
人工智能一直处于计算机技术的前沿，人工智能研究的理论和发现在很大程度上将决定计算机技术的发展方向。今天，已经有很多人工智能研究的成果进入人们的日常生活。将来，人工智能技术的发展将会给人们的生活、工作和教育等带来更大的影响。
什么是人工智能？
人工智能也称机器智能，它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的 角度出发，人工智能是研究如何制造出人造的智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。
ai理论的实用性
在一年一度at&t实验室举行的机器人足球赛中，每支球队的"球员"都装备上了ai软件和许多感应器，它们都很清楚自己该踢什么位置，同时也明白 有些情况下不能死守岗位。尽管现在的ai技术只能使它们大部分时间处于个人盘带的状态，但它们传接配合的能力正在以很快的速度改进。
这种ai机器人组队打比赛看似无聊，但是有很强的现实意义。因为通过这类活动可以加强机器之间的协作能力。我们知道，internet是由无数台服务器和 无数台路由器组成的，路由器的作用就是为各自的数据选择通道并加以传送，如果利用一些智能化的路由器很好地协作，就能分析出传输数据的最佳路径，从而可以 大大减少网络堵塞。
我国也已经在大学中开展了机器人足球赛，有很多学校组队参加，引起了大学生对人工智能研究的兴趣。
未来的ai产品
安放于加州劳伦斯·利佛摩尔国家实验室的asci white电脑，是ibm制造的世界最快的超级电脑，但其智力能力也仅为人脑的千分之一。现在，ibm正在开发能力更为强大的新超级电脑--"蓝色牛仔" (blue jean)。据其研究主任保罗·霍恩称，预计于4年后诞生的"蓝色牛仔"的智力水平将大致与人脑相当。
以上论证说明：人工智能技术可以在人类隐性智慧定义的工作框架内模拟人类显性智慧（人类智能）生成知识，创建主客双赢的策略解决各种复杂问题。而这是现今其他各类技术做不到的。不过，由于在人工智能系统工作的基本过程中，（1）中客观存在各种不确定性，人类给定的知识未必能够理想地体现客观规律，也未必能够完全满足求解问题的需要，（2）中人类预设的求解目标也不见得完全合理，（3）中人工智能系统各个环节必然存在各种不理想性。因此，人工智能系统对人类显性智慧能力的模拟不可能完全到位，人工智能系统提供的问题解答也有可能不如人类自己求出的解答。换言之，人工智能系统所模拟的人类显性智慧能力，原则上不可能超过人类自己的显性智慧能力。如果说人工智能系统确实也有超人的地方，那主要是它的工作速度、工作精度、持久能力等因素，而不可能是显性智慧中的智慧品质。至于一些人所宣传的机器超越人类甚至机器淘汰人类的说法，是没有根据的。无论是人工智能系统，还是其他各种机器系统，它们共同的问题之一是：机器没有生命，没有目的，不可能自主发现应当解决的实际问题，不可能自主形成机器的智慧，尤其不可能无中生有地形成超越人类和淘汰人类的荒唐愿望，因此更不可能产生淘汰人类或灭绝人类的行为。
2人工智能与信息技术的关系
图2的人工智能系统模型表明，完整的人工智能技术系统必须具有如下环节：信息获取（感知）、信息传递（通信）、信息处理（计算）、知识生成（认知）、策略创建（决策）、策略执行（控制）以及反馈学习优化等基本技术系统，这正像“人”这个智能系统必须具有感觉器官（信息获取）、传输神经系统（信息传递）、思维器官（信息处理、知识生成、策略创建）以及执行器官（策略执行）。 其中传感（感受信息）、通信（传递信息）、计算（处理信息）、控制（执行信息）等技术属于信息技术。可见，人工智能系统是一个全局整体，其中包含着传感、通信、计算、控制等信息技术环节；这正像人这个智能系统是一个全局整体，其中包含感觉器官、传输神经、丘脑和执行器官这些信息器官。如果把人工智能系统称为完整的人工智能系统，而把其中的知识生成和策略创建称为核心人工智能系统，那么，则有：完整的人工智能系统＝核心人工智能系统＋信息技术系统其中，核心人工智能系统处于完整人工智能系统的核心，处理知识和智能层次的问题；信息技术系统处于完整人工智能系统的外周，处理信息层次的问题，同时担任核心系统与外部环境之间的两端接口：一端是从环境获取本体论信息（传感），另一端是对环境施加智能行为（控制）。这就表明，信息技术系统提供给人类的服务主要是方便快捷的信息共享，而不可能提供如何认识事物本质的服务（因为这需要知识），更不可能提供如何解决问题的服务（因为这需要智能策略）[2]。
3“新型”信息技术
近十多年来，先后出现了大数据、云计算、物联网、移动互联网以及各种互联网的应用技术。人们把它们称为“新型”信息技术或“新一代”信息技术。深入分析可以发现，这些新型信息技术的核心技术正是核心人工智能系统的知识生成和策略创建技术。不妨以大数据技术为例加以说明。图3表示了大数据技术系统的工作流程。由于有着多种来源、多种背景以及多种格式，大数据通常是病态结构或不良结构的大规模数据集合，其中可能包含垃圾、病毒和黑客攻击程序。因此，如图3所示，大数据技术的第一个环节就是智能分类：把无用的数据识别分类出来加以过滤和抑制，把有用的数据按照某些特征进行分类，再分门别类地送到恰当的云计算（和云存储）系统，进行相应的信息处理，为知识生成（知识挖掘）做好必要的准备。通过知识挖掘生成了足够的知识之后，才可以把这些知识（结合求解目标）转换成为用来解决问题的智能策略。其中，智能分类、知识挖掘和策略创建都是人工智能的基本技术。可见，如果没有这些人工智能技术，大数据就只能是数据，而不可能转换成为有用的知识和可以用来解决问题的智能策略。
由此可知，大数据技术的核心就是人工智能技术，可以把它比较确切地称为面向大数据的智能技术。而把它称为新型信息技术则没有真正抓住大数据技术的要害和本质，模糊了人们对大数据技术和人工智能技术的认识，不利于大数据技术的研究和发展，也不利于人工智能的研究和应用。真正的智能物联网模型不是别的，正是图2所示的模型。如图2所示，只要在综合知识库内设置“对物控制的目标”，那么“外部世界的物”的信息就经由传感器获得，经过通信系统传送到计算系统并在这里进行必要的处理即把信息变成适用的信息，接着由认知系统转换成为知识，然后由决策系统根据控制目标把信息和知识转换成为智能策略，智能策略再经通信系统传到执行系统之后转换成为智能行为反作用于所关注的“物”，使它的状态符合预设的目标。近来人们在密切关注着“互联网＋”。其实，“互联网＋”可以有两种不同的理解。一种理解是当前人们所关注的互联网推广，这里的“＋”就相当于信息化的“化”，就是互联网的各种应用。另一种更有意义的理解则把“互联网＋”理解为互联网升级，就是把以计算机为终端的现有互联网升级为以人工智能系统为终端的智能互联网。这就是2015年全国两会期间全国政协委员的“中国大脑”提案。应当认为，互联网推广,即把互联网应用到各行各业是完全必要的，这是信息化建设的正常要求。但是，从信息化建设的发展大势来看，互联网升级即把当前常规互联网升级为智能互联网则更为必要，这将为中国信息化建设注入更为强大的新活力，是转变经济发展方式的需要，是国民经济产业升级的需要。综上所述，大数据技术、云计算技术、智能物联网技术，其实都是人工智能技术的相关具体应用。可以这么说，如果没有人工智能技术，单凭信息技术很难有效地应对大数据和物联网以及未来更多更复杂的技术挑战。
4结束语
第一，植物的规格要确定好，要结合植物所适应的地质条件来对各种规格的植物进行协调搭配。一般来说，中型及其以上规格的乔木作为园林的架构之一，会对整个园林所呈现出来的景观效果起着重要作用，应当先进行安放，然后才是小型规格的植物的安放，保证在园林景观的细节处做好处理；第二，要合理组合植物的品种类型，落叶植物和针叶常绿植物之间在园林中所占的比例应当保持一定的平衡关系，对于植物如花卉、叶丛的颜色要协调好，一般以夏东两季的植物色彩为主色调，其他色调为辅，以保证视觉上能起到互相补充的效果。
2园林设计中人工智能应用现状
2.1系统操作方面
由于园林设计既涉及艺术方法也涉及到技术手段，因此，对操作人员的综合能力要求就比较高，也就是说，操作人员应当对建筑理论、园林绿植知识和计算机基础三方面综合掌握，而事实上，很多参与园林设计的人员并没有很强的工程操作能力，要求太高，难以实现。
2.2园林可重复使用性方面
目前来说，园林的重复使用性还是太低，因为每个地方的气候条件和地理环境都不相同，所以，针对一个地方所制作的园林设计并不能简单地复制到另一个地方，如苏州园林的设计不能直接用在辽宁的园林设计，原因在于北方相对南方来说，园林供水相对困难，山石种类不同，绿植花卉种类也不如南方园林的丰富，而且南北审美观不同，北方园林设计多采用浑厚石材，绿植多为松、柏、杨、柳、榆、槐，加上三季更迭的花灌木，呈现刚健雄浑的特点，而南方则因为花木种类丰富，布局特别，注重山石与水的搭配，独具精致淡雅的特点，由此可见，园林的可重复使用性不高。
2.3计算机辅助设计方面
计算机辅助设计即常说的CAD。目前来说，CAD并不能完全对口符合园林设计的需求，因为CAD只能呈现出单一的图形画面，既不利于设计者进行设计，也不利于客户对设计者的设计的理解，导致客户与设计者之间难免信息不对称，造成一定的信息偏差，影响之后园林设计出来的成果。
3加强人工智能在园林设计中应用的办法
3.1园林子系统的设计
作为整个园林系统的组成部分，园林子系统的设定概要应通过计算机实施建模，来对项目实施进行基本设定，在获得项目系统的自动生成规则之后，在对所收集到的园林基本数进行存档，来作为全局的运行参数，在一定程度上影响了计算机的运行结果。一般来说，存档信息有园林的设计规模、投资情况、发展需求以及相关的环境因素等，存档后，可能会对建筑的规模大小、选址、风格特点以及植物的搭配等造成影响。
3.2地形子系统的设计
地形子系统的设计应当是通过计算机对采集到的地质数据进行推理而后才进行的。一般来说，会采用规则引擎最为计算机的推理机，是基于专家系统的模式下进行推理的，工作原理是由机器来仿造人类在对事件进行考虑的思维和方法，通过进行试探性的方法来进行推理，并不断地对推理所得出来的结果进行解释和验证。对地质情况进行实时实地勘查是保证园林设计图纸正常输出的要求，这是不能单纯地依靠计算机来实现的，因为地质勘查涉及到很多复杂地形的勘查，只能依靠人工的方式。地质勘查可以分为前期阶段和后期阶段。前期阶段主要是设定园林工程的初稿，因此，只要对地质情况进行系统的粗略勘察即可。后期阶段主要是完成图纸设计要求，因此，对数据准确性要求更高，并勘查人员对此进行较为细致的处理。这以后才是通过对计算机智能系统软件的使用来将前期阶段和后期阶段所获得的数据进行智能化处理，完成相关数据的细化以及修正，然后通过系统推理得到一个初步的园林模型。
3.3主干道路子系统的设计
对地形子系统进行地形数据的输出即可得到主干道路设计，因为我们首先完成了地形的设计，因此，在接下来对道路进行设计的过程中就可以有效地避免其他的建筑和设施的干扰，这之后的设计才能按部就班地开展。推理的总体规则为：首先，由园林的建设规模、投资情况等来对道路的类型和所需费用等进行计算，得到相关数据；然后，结合之前的输出地形图来生成推荐道路图，并检查道路的密度是否符合园林的设计规范，接着根据道路建设定额表来对工程造价进行计算，看是否符合预期投资情况；最后，对道路图进行人工的调整，并反复验算。
3.4图纸和图表输出子系统的设计
在飞行流量管理方面，飞行流量管理系统通过与辅助决策系统相结合，构成了人工智能辅助决策系统的飞行流量管理模块。该模块主要通过计算飞行流量来避免飞行流量的冲突，进而根据分析结果进行航班的排序。从具体的应用情况来看，首先，飞行流量的计算需要大量的原始数据，而这些数据既包含了历史数据，也包含了实时数据。同时，由于这些数据是来自于空域、机场和气象等多个方面的复杂信息，所以系统需要建立相应的飞行流量管理数据库，从而保证数据的准确性和及时性，进而保证飞行流量计算结果的可靠性。其次，在进行飞行流量计算时，系统利用了飞行动力学计算原理。根据数据库的信息，系统对飞机的四维飞行轨迹进行了计算，从而可以得知飞机的降落时间和降落地点。这样，系统就可以得出任意航段和交汇点在任意时间的飞行架次，进而列出潜在的飞行流量冲突信息。再者，在得知以上信息后，系统需要对这些信息进行分析，从而进行航班的排序，进而避免飞行流量的冲突。在排序方面，系统不仅可以实现飞行计划的过程仿真，还可以找出空域资源的“空闲”状态，进而利用该状态，进行航班和起降顺序的调整。而具体的排序原则有两个，一是优先级排序，二是全排列。其中，优先排序是按照一定的标准给这些航班拟定优先级，然后按照优先顺序进行航班的排序。而优先级的拟定标准有很多，比如飞行任务、机型、机场和时间等因素，都可以成为优先级的拟定标准。全排列原则是对冲突的航班进行全排列，从而根据每一次排列的延误损失，选择损失最小的排序方法。相比较来说，全排序法虽然较为科学，但是系统需要承担的运算量较大，因此会占用系统较多的内存资源。
2人工智能技术在飞行冲突探测与解脱管理方面的应用
人工智能技术的应用可以使空中交通管理系统具有高智能化的特征，从而满足飞行冲突与解脱管理方案自动生成的需要。具体来说，实现这一功能的模块是飞行冲突探测与解脱辅助决策模块，而该模块是由冲突探测与解脱系统和辅助决策系统组成的。该模块不但可以实现飞行冲突的预测，还可以为管制人员提供飞行冲突调配的决策方案，从而减轻管制人员的压力，帮助他们做出正确的决定。所以，该系统的应用，弥补了人类与机器各自存在的不足，从而有效的避免了因人为失误或机械故障而造成的飞行事故。从原理角度来看，系统首先通过分析飞行冲突情况来制定可能的解脱方案，然后根据航空器优先级分类方法和冲突类型判定法等多种规则，进行方案的选择和排除。在这一推理过程中，为了保证系统推理的有效性，系统需要根据大量的规则来进行方案的推理选择。而这些规则，则要被统一存入知识库系统中。这样，管制人员只要在平时做好知识库系统的更新和维护，就能够保证系统推理的有效性，从而根据系统提供的方案，来进行飞行冲突航班的排序。
3结论
机械电子产品虽然结构相对简单化，没有掺杂过多的运动元件或者部件，但是它的内部结构是非常复杂的，若想要产品的性能得到提高，就必须将传统落后的笨探究机械电子工程与人工智能的关系姚磊河北农业大学机电工程学院河北保定071000重机械面貌彻底抛弃，缩小物理体积。由于机械电子工程所涉及和利用到的内容非常广泛，所以电子机械工程是一种具有极强综合性的学科。机械电子工程的基础是传统机械工程，同时充分利用计算机的辅助作用，来强化机械电子工程的核心力量。这使得机械电子工程与其他学科相比较而言更能体现出科学性，并且能够保证满足系统配置方面的设计需求。机械电子工程充分利用到专业设计模板来完善机械电子设备，发挥设计应用中的模板作用，这样有利于保证机械电子工程设计能够顺利进行。机械电子工程产品在设计结构方面较为简单，并且元件利用数量也是相对较少的。所以在这种情况下，要通过持续提升产品性能，强化机械电子产品质量，优化机械电子产品的结构，来满足消费者的更多需求。
2人工智能的定义及特点
何为人工智能，人工智能是一门综合了计算机科学、信息论、控制论、神经生理学、语言学、心理学、哲学等多门学科的交叉性学科，是21世纪最伟大的三大学科之一。人工智能的发展其实经历了一段非常漫长的历程，人工智能在计算机开始发展的初期就已经被应用到了各个方面，只是它在起初所发挥的作用相对而言是非常小的，并没有得到足够的重视或者引起足够的注意。但是随着时代的进步，人工智能已经摆脱了过去相对弱小的形象，发生了翻天覆地的变化，得到了很大的改善。人工智能发生的这些转变正是人类对计算机的应用和熟悉程度的转变。信息时代的趋势已经使人工智能技术得到了很大的强化，在社会中的地位也越来越重要。机械电子工程的发展需要依靠人工智能的力量和支撑，相信随着人们对人工智能更加深入的研究，人工智能模仿人类思维的能力定会越来越强大。只有对人工智能不断创新和改善，才能在计算机语言理解和应用方面得到更大的进步，才能更加符合机械电子工程的发展需求。
3机械电子工程与人工智能的关系
机械电子工程在应用上不稳定主要表现在系统输入输出的问题，即利用数学方程来建立模型，并且依靠人工智能来完成对传统知识学习的更新，这种解析数学的相关方式在机械电子工程中的应用是非常广泛的。传统机械工程方式的应用是非常简单的，但是随着时代的发展和科学技术的进步，新时期出现的机械电子工程系统在处理各种问题时是相对复杂的，会通过配置多种系统对信息类型来进行区分。但是人工智能在机械电子工程领域还存在着一些不确定的因素，在计算机电子工程中，人工智能信息处理的方式主要采用的是解析数学措施，其应用方式主要是利用网络神经系统对网络系统进行合理安排，将神经系统迷你成人脑的结构，根据相关数字所传达出来的信号，对已经搜集到的资源进行参数分析。其实，人工智能在机械电子工程中的应用是有差异的，这种差异性也是人工智能的一种特点，没有办法对网络系统进行有效的描述，同时在建设系统资料库的过程中进行严密数学分析，在分析过程中若是出现错误会直接影响到网络系统的建设，甚至导致网络系统的崩溃。创新工程方式，加强人工智能信息的服务建设是保证机械电子工程能够顺利开展和进行的关键。随着时代的发展和人民日益增长的需求，生活方式的单一性早已不能满足社会的发展需求速度。不断完善的综合性人工智能系统必将会使生产模式发生转变。利用模型推理系统和神经网络系统的优势来补充综合性人工智能，逐步完善机械电子工程的发展，网络系统得到完善的必然结果就是模型推理系统。同时，模型推理系统也是二者功能性融合的重要体现。人工智能通过网络信息资源进行完整性表达，完善机械电子和人工智能的密切关系。
4结束语
【关键词】法理学/法律推理/人工智能
【正文】
一、人工智能法律系统的历史
计算机先驱思想家莱布尼兹曾这样不无浪漫地谈到推理与计算的关系：“我们要造成这样一个结果，使所有推理的错误都只成为计算的错误，这样，当争论发生的时候，两个哲学家同两个计算家一样，用不着辩论，只要把笔拿在手里，并且在算盘面前坐下，两个人面对面地说：让我们来计算一下吧！”（注：转引自肖尔兹著：《简明逻辑史》，张家龙译，商务印书馆1977年版，第54页。）
如果连抽象的哲学推理都能转变为计算问题来解决，法律推理的定量化也许还要相对简单一些。尽管理论上的可能性与技术可行性之间依然存在着巨大的鸿沟，但是，人工智能技术的发展速度确实令人惊叹。从诞生至今的短短45年内，人工智能从一般问题的研究向特殊领域不断深入。1956年纽厄尔和西蒙教授的“逻辑理论家”程序，证明了罗素《数学原理》第二章52个定理中的38个定理。塞缪尔的课题组利用对策论和启发式探索技术开发的具有自学习能力的跳棋程序，在1959年击败了其设计者，1962年击败了州跳棋冠军，1997年超级计算机“深蓝”使世界头号国际象棋大师卡斯帕罗夫俯首称臣。
20世纪60年代，人工智能研究的主要课题是博弈、难题求解和智能机器人；70年代开始研究自然语言理解和专家系统。1971年费根鲍姆教授等人研制出“化学家系统”之后，“计算机数学家”、“计算机医生”等系统相继诞生。在其他领域专家系统研究取得突出成就的鼓舞下，一些律师提出了研制“法律诊断”系统和律师系统的可能性。（注：SimonChalton,LegalDiagnostics,ComputersandLaw,No.25,August1980.pp.13-15.BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.p.2.）
1970年Buchanan&Headrick发表了《关于人工智能和法律推理若干问题的考察》，一文，拉开了对法律推理进行人工智能研究的序幕。文章认为，理解、模拟法律论证或法律推理，需要在许多知识领域进行艰难的研究。首先要了解如何描述案件、规则和论证等几种知识类型，即如何描述法律知识，其中处理开放结构的法律概念是主要难题。其次，要了解如何运用各种知识进行推理，包括分别运用规则、判例和假设的推理，以及混合运用规则和判例的推理。再次，要了解审判实践中法律推理运用的实际过程，如审判程序的运行，规则的适用，事实的辩论等等。最后，如何将它们最终运用于编制能执行法律推理和辩论任务的计算机程序，区别和分析不同的案件，预测并规避对手的辩护策略，建立巧妙的假设等等。（注：Buchanan&Headrick,SomeSpeculationAboutArtificialIntelligenceandLegalReasoning,23StanfordLawReview(1970).pp.40-62.）法律推理的人工智能研究在这一时期主要沿着两条途径前进：一是基于规则模拟归纳推理，70年代初由WalterG.Popp和BernhardSchlink开发了JUDITH律师推理系统。二是模拟法律分析，寻求在模型与以前贮存的基础数据之间建立实际联系，并仅依这种关联的相似性而得出结论。JeffreyMeld-man1977年开发了计算机辅助法律分析系统，它以律师推理为模拟对象，试图识别与案件事实模型相似的其他案件。考虑到律师分析案件既用归纳推理又用演绎推理，程序对两者都给予了必要的关注，并且包括了各种水平的分析推理方法。
专家系统在法律中的第一次实际应用，是D.沃特曼和M.皮特森1981年开发的法律判决辅助系统(LDS)。研究者探索将其当作法律适用的实践工具，对美国民法制度的某个方面进行检测，运用严格责任、相对疏忽和损害赔偿等模型，计算出责任案件的赔偿价值，并论证了如何模拟法律专家意见的方法论问题。（注：''''ModelsofLegalDecisionmakingReport'''',R-2717-ICJ(1981).）
我国法律专家系统的研制于20世纪80年代中期起步。（注：钱学森教授：《论法治系统工程的任务与方法》（《科技管理研究》1981年第4期）、《社会主义和法治学与现代科学技术》（《法制建设》1984年第3期）、《现代科学技术与法和法制建设》（《政法论坛》）1985年第3期）等文章，为我国法律专家系统的研发起了思想解放和理论奠基作用。）1986年由朱华荣、肖开权主持的《量刑综合平衡与电脑辅助量刑专家系统研究》被确定为国家社科“七五”研究课题，它在建立盗窃罪量刑数学模型方面取得了成果。在法律数据库开发方面，1993年中山大学学生胡钊、周宗毅、汪宏杰等人合作研制了《LOA律师办公自动化系统》。（注：杨建广、骆梅芬编著：《法治系统工程》，中山大学出版社1996年版，第344-349页。）1993年武汉大学法学院赵廷光教授主持开发了《实用刑法专家系统》。（注：赵廷光等著：《实用刑法专家系统用户手册》，北京新概念软件研究所1993年版。）它由咨询检索系统、辅助定性系统和辅助量刑系统组成，具有检索刑法知识和对刑事个案进行推理判断的功能。
专家系统与以往的“通用难题求解”相比具有以下特点：(1)它要解决复杂的实际问题，而不是规则简单的游戏或数学定理证明问题；(2)它面向更加专门的应用领域，而不是单纯的原理性探索；(3)它主要根据具体的问题域，选择合理的方法来表达和运用特殊的知识，而不强调与问题的特殊性无关的普适性推理和搜索策略。
法律专家系统在法规和判例的辅助检索方面确实发挥了重要作用，解放了律师一部分脑力劳动。但绝大多数专家系统目前只能做法律数据的检索工作，缺乏应有的推理功能。20世纪90年代以后，人工智能法律系统进入了以知识工程为主要技术手段的开发时期。知识工程是指以知识为处理对象，以能在计算机上表达和运用知识的技术为主要手段，研究知识型系统的设计、构造和维护的一门更加高级的人工智能技术。（注：《中国大百科全书·自动控制与系统工程》，中国大百科全书出版社1991年版，第579页。）知识工程概念的提出，改变了以往人们认为几个推理定律再加上强大的计算机就会产生专家功能的信念。以知识工程为技术手段的法律系统研制，如果能在法律知识的获得、表达和应用等方面获得突破，将会使人工智能法律系统的研制产生一个质的飞跃。
人工智能法律系统的发展源于两种动力。其一是法律实践自身的要求。随着社会生活和法律关系的复杂化，法律实践需要新的思维工具，否则，法律家（律师、检察官和法官）将无法承受法律文献日积月累和法律案件不断增多的重负。其二是人工智能发展的需要。人工智能以模拟人的全部思维活动为目标，但又必须以具体思维活动一城一池的攻克为过程。它需要通过对不同思维领域的征服，来证明知识的每个领域都可以精确描述并制造出类似人类智能的机器。此外，人工智能选择法律领域寻求突破，还有下述原因：(1)尽管法律推理十分复杂，但它有相对稳定的对象（案件）、相对明确的前提（法律规则、法律事实）及严格的程序规则，且须得出确定的判决结论。这为人工智能模拟提供了极为有利的条件。(2)法律推理特别是抗辩制审判中的司法推理，以明确的规则、理性的标准、充分的辩论，为观察思维活动的轨迹提供了可以记录和回放的样本。(3)法律知识长期的积累、完备的档案，为模拟法律知识的获得、表达和应用提供了丰富、准确的资料。(4)法律活动所特有的自我意识、自我批评精神，对法律程序和假设进行检验的传统，为模拟法律推理提供了良好的反思条件。
二、人工智能法律系统的价值
人工智能法律系统的研制对法学理论和法律实践的价值和意义，可以概括为以下几点：
一是方法论启示。P.Wahlgren说：“人工智能方法的研究可以支持和深化在创造性方法上的法理学反思。这个信仰反映了法理学可以被视为旨在于开发法律分析和法律推理之方法的活动。从法理学的观点看，这种研究的最终目标是揭示方法论的潜在作用，从而有助于开展从法理学观点所提出的解决方法的讨论，而不仅仅是探讨与计算机科学和人工智能有关的非常细致的技术方面。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在模拟法律推理的过程中，法学家通过与工人智能专家的密切合作，可以从其对法律推理的独特理解中获得有关方法论方面的启示。例如，由于很少有两个案件完全相似，在判例法实践中，总有某些不相似的方面需要法律家运用假设来分析已有判例与现实案件的相关性程度。但法学家们在假设的性质问题上常常莫衷一是。然而HYPO的设计者，在无真实判例或真实判例不能充分解释现实案件的情况下，以假设的反例来反驳对方的观点，用补充、删减和改变事实的机械论方法来生成假设。这种用人工智能方法来处理假设的办法，就使复杂问题变得十分简单：假设实际上是一个新的论证产生于一个经过修正的老的论证的过程。总之，人工智能方法可以帮助法学家跳出法理学方法的思维定势，用其他学科的方法来重新审视法学问题，从而为法律问题的解决提供了新的途径。
二是提供了思想实验手段。西蒙认为，尽管我们还不知道思维在头脑中是怎样由生理作用完成的，“但我们知道这些处理在数字电子计算机中是由电子作用完成的。给计算机编程序使之思维，已经证明有可能为思维提供机械论解释”。（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）童天湘先生认为：“通过编制有关思维活动的程序，就会加深对思维活动具体细节的了解，并将这种程序送进计算机运行，检验其正确性。这是一种思想实验，有助于我们研究人脑思维的机理。”（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）人工智能法律系统研究的直接目标是使计算机能够获取、表达和应用法律知识，软件工程师为模拟法律推理而编制程序，必须先对人的推理过程作出基于人工智能理论和方法的独特解释。人工智能以功能模拟开路，在未搞清法律家的推理结构之前，首先从功能上对法律证成、法律检索、法律解释、法律适用等法律推理的要素和活动进行数理分析，将法理学、诉讼法学关于法律推理的研究成果模型化，以实现法律推理知识的机器表达或再现，从而为认识法律推理的过程和规律提供了一种实验手段。法学家则可以将人工智能法律系统的推理过程、方法和结论与人类法律推理活动相对照，为法律推理的法理学研究所借鉴。因此，用人工智能方法模拟法律推理，深化了人们对法律推理性质、要素和过程的认识，使法学家得以借助人工智能科学的敏锐透镜去考察法律推理的微观机制。正是在这个意义上，BryanNiblett教授说：“一个成功的专家系统很可能比其他的途径对法理学作出更多的（理论）贡献。”（注：BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.note14,p.3.）
三是辅助司法审判。按照格雷的观点，法律专家系统首先在英美判例法国家出现的直接原因在于，浩如烟海的判例案卷如果没有计算机编纂、分类、查询，这种法律制度简直就无法运转了。（注：PamelaN.GrayBrookfield,ArtificialLegalIntelligence,VT:DartmouthPublishingCo.,1997.p.402.）其实不仅是判例法，制定法制度下的律师和法官往往也要为检索有关的法律、法规和司法解释耗费大量的精力和时间，而且由于人脑的知识和记忆能力有限，还存在着检索不全面、记忆不准确的问题。人工智能法律系统强大的记忆和检索功能，可以弥补人类智能的某些局限性，帮助律师和法官从事相对简单的法律检索工作，从而极大地解放律师和法官的脑力劳动，使其能够集中精力从事更加复杂的法律推理活动。
四是促进司法公正。司法推理虽有统一的法律标准，但法官是具有主观能动性的差异个体，所以在执行统一标准时会产生一些差异的结果。司法解释所具有的建构性、辩证性和创造性的特点，进一步加剧了这种差异。如果换了钢铁之躯的机器，这种由主观原因所造成的差异性就有可能加以避免。这当然不是说让计算机完全取代法官，而是说，由于人工智能法律系统为司法审判提供了相对统一的推理标准和评价标准，从而可以辅助法官取得具有一贯性的判决。无论如何，我们必须承认，钢铁之躯的机器没有物质欲望和感情生活，可以比人更少地受到外界因素的干扰。正像计算机录取增强了高考招生的公正性、电子监视器提高了纠正行车违章的公正性一样，智能法律系统在庭审中的运用有可能减少某些现象。
五是辅助法律教育和培训。人工智能法律系统凝聚了法律家的专门知识和法官群体的审判经验，如果通过软件系统或计算机网络实现专家经验和知识的共享，便可在法律教育和培训中发挥多方面的作用。例如，(1)在法学院教学中发挥模拟法庭的作用，可以帮助法律专业学生巩固自己所学知识，并将法律知识应用于模拟的审判实践，从而较快地提高解决法律实践问题的能力。(2)帮助新律师和新法官全面掌握法律知识，迅速获得判案经验，在审判过程的跟踪检测和判决结论的动态校正中增长知识和才干，较快地接近或达到专家水平。(3)可使不同地区、不同层次的律师和法官及时获得有关法律问题的咨询建议，弥补因知识结构差异和判案经验多寡而可能出现的失误。(4)可以为大众提供及时的法律咨询，提高广大人民群众的法律素质，增强法律意识。
六是辅助立法活动。人工智能法律系统不仅对辅助司法审判有重要的意义，而且对完善立法也具有实用价值。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）例如，伦敦大学Imperial学院的逻辑程序组将1981年英国国籍法的内容形式化，帮助立法者发现了该法在预见性上存在的一些缺陷和法律漏洞。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）立法辅助系统如能应用于法律起草和法律草案的审议过程，有可能事先发现一些立法漏洞，避免一个法律内部各种规则之间以及新法律与现有法律制度之间的相互冲突。
三、法理学在人工智能法律系统研究中的作用
1.人工智能法律系统的法理学思想来源
关于人工智能法律系统之法理学思想来源的追踪，不是对法理学与人工智能的联系作面面俱到的考察，而旨在揭示法理学对人工智能法律系统的发展所产生的一些直接影响。
第一，法律形式主义为人工智能法律系统的产生奠定了理论基础。18-19世纪的法律形式主义强调法律推理的形式方面，认为将法律化成简单的几何公式是完全可能的。这种以J·奥斯汀为代表的英国分析法学的传统，主张“法律推理应该依据客观事实、明确的规则以及逻辑去解决一切为法律所要求的具体行为。假如法律能如此运作，那么无论谁作裁决，法律推理都会导向同样的裁决。”（注：（美）史蒂文·J·伯顿著：《法律和法律推理导论》，张志铭、解兴权译，中国政法大学出版社1998年9月版，第3页。）换言之，机器只要遵守法律推理的逻辑，也可以得出和法官一样的判决结果。在分析法学家看来，“所谓‘法治’就是要求结论必须是大前提与小前提逻辑必然结果。”（注：朱景文主编：《对西方法律传统的挑战》，中国检察出版社1996年2月版，第292页。）如果法官违反三段论推理的逻辑，就会破坏法治。这种机械论的法律推理观，反映了分析法学要求法官不以个人价值观干扰法律推理活动的主张。但是，它同时具有忽视法官主观能动性和法律推理灵活性的僵化的缺陷。所以，自由法学家比埃利希将法律形式主义的逻辑推理说称为“自动售货机”理论。然而，从人工智能就是为思维提供机械论解释的意义上说，法律形式主义对法律推理所作的机械论解释，恰恰为人工智能法律系统的开发提供了可能的前提。从人工智能法律系统研制的实际过程来看，在其起步阶段，人工智能专家正是根据法律形式主义所提供的理论前提，首先选择三段论演绎推理进行模拟，由WalterG.Popp和BernhardSchlink在20世纪70年代初开发了JUDITH律师推理系统。在这个系统中，作为推理大小前提的法律和事实之间的逻辑关系，被计算机以“如果A和B，那么C”的方式加以描述，使机器法律推理第一次从理论变为现实。
第二，法律现实主义推动智能模拟深入到主体的思维结构领域。法律形式主义忽视了推理主体的社会性。法官是生活在现实社会中的人，其所从事的法律活动不可能不受到其社会体验和思维结构的影响。法官在实际的审判实践中，并不是机械地遵循规则，特别是在遇到复杂案件时，往往需要作出某种价值选择。而一旦面对价值问题，法律形式主义的逻辑决定论便立刻陷入困境，显出其僵化性的致命弱点。法律现实主义对其僵化性进行了深刻的批判。霍姆斯法官明确提出“法律的生命并不在于逻辑而在于经验”（注：（美）博登海默著：《法理学——法哲学及其方法》，邓正来、姬敬武译，华夏出版社1987年12月版，第478页。）的格言。这里所谓逻辑，就是指法律形式主义的三段论演绎逻辑；所谓经验，则包括一定的道德和政治理论、公共政策及直觉知识，甚至法官的偏见。法律现实主义对法官主观能动性和法律推理灵活性的强调，促使人工智能研究从模拟法律推理的外在逻辑形式进一步转向探求法官的内在思维结构。人们开始考虑，如果思维结构对法官的推理活动具有定向作用，那么，人工智能法律系统若要达到法官水平，就应该通过建立思维结构模型来设计机器的运行结构。TAXMAN的设计就借鉴了这一思想，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序、协调程序、说明程序分别对网络结构中的输入和输出信息进行动态结构调整，从而适应了知识整合的需要。大规模知识系统的KBS(KnowledgeBasedSystem)开发也注意了思维结构的整合作用，许多具有内在联系的小规模KBS子系统，在分别模拟法律推理要素功能（证成、法律查询、法律解释、法律适用、法律评价、理由阐述）的基础上，又通过联想程序被有机联系起来，构成了具有法律推理整体功能的概念模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）
第三，“开放结构”的法律概念打开了疑难案件法律推理模拟的思路。法律形式主义忽视了疑难案件的存在。疑难案件的特征表现为法律规则和案件之间不存在单一的逻辑对应关系。有时候从一个法律规则可以推出几种不同的结论，它们往往没有明显的对错之分；有时一个案件面对着几个相似的法律规则。在这些情况下，形式主义推理说都一筹莫展。但是，法律现实主义在批判法律形式主义时又走向另一个极端，它否认具有普遍性的一般法律规则的存在，试图用“行动中的法律”完全代替分析法学“本本中的法律”。这种矫枉过正的做法虽然是使法律推理摆脱机械论束缚所走出的必要一步，然而，法律如果真像现实主义法学所说的那样仅仅存在于具体判决之中，法律推理如果可以不遵循任何标准或因人而异，那么，受到挑战的就不仅是法律形式主义，而且还会殃及法治要求实现规则统治之根本原则，并动摇人工智能法律系统存在的基础。哈特在法律形式主义和法律现实主义的争论中采取了一种折中立场，他既承认逻辑的局限性又强调其重要性；既拒斥法官完全按自己的预感来随意判案的见解，又承认直觉的存在。这种折中立场在哈特“开放结构”的法律概念中得到了充分体现。法律概念既有“意义核心”又有“开放结构”，逻辑推理可以帮助法官发现问题的阳面，而根据社会政策、价值和后果对规则进行解释则有助于发现问题的阴面。开放结构的法律概念，使基于规则的法律推理模拟在受到概念封闭性的限制而对疑难案件无能为力时，找到了新的立足点。在此基础上，运用开放结构概念的疑难案件法律推理模型，通过逻辑程序工具和联想技术而建立起来。Gardner博士就疑难案件提出两种解决策略：一是将简易问题从疑难问题中筛选出来，运用基于规则的技术来解决；二是将疑难问题同“开放结构”的法律概念联系在一起，先用非范例知识如规则、控辩双方的陈述、常识来获得初步答案，再运用范例来澄清案件、检查答案的正确性。
第四，目的法学促进了价值推理的人工智能研究。目的法学是指一种所谓直接实现目的之“后法治”理想。美国法学家诺内特和塞尔兹尼克把法律分为三种类型。他们认为，以法治为标志的自治型法，过分强调手段或程序的正当性，有把手段当作目的的倾向。这说明法治社会并没有反映人类关于美好社会的最高理想，因为实质正义不是经过人们直接追求而实现的，而是通过追求形式正义而间接获得的。因此他们提出以回应型法取代自治型法的主张。在回应型法中，“目的为评判既定的做法设立了标准，从而也就开辟了变化的途径。同时，如果认真地对待目的，它们就能控制行政自由裁量权，从而减轻制度屈从的危险。反之，缺少目的既是僵硬的根源，又是机会主义的根源。”（注：（美）诺内特、塞尔兹尼克著：《转变中的法律与社会》，张志铭译，中国政法大学出版社1994年版，第60页。）美国批判法学家昂格尔对形式主义法律推理和目的型法律推理的特点进行了比较，他认为，前者要求使用内容明确、固定的规则，无视社会现实生活中不同价值观念的冲突，不能适应复杂情况和变化，追求形式正义；后者则要求放松对法律推理标准的严格限制，允许使用无固定内容的抽象标准，迫使人们在不同的价值观念之间做出选择，追求实质正义。与此相应，佩雷尔曼提出了新修辞学(NewRhetoric)的法律理论。他认为，形式逻辑只是根据演绎法或归纳法对问题加以说明或论证的技术，属于手段的逻辑；新修辞学要填补形式逻辑的不足，是关于目的的辩证逻辑，可以帮助法官论证其决定和选择，因而是进行价值判断的逻辑。他认为，在司法三段论思想支配下，法学的任务是将全部法律系统化并作为阐释法律的大前提，“明确性、一致性和完备性”就成为对法律的三个要求。而新修辞学的基本思想是价值判断的多元论，法官必须在某种价值判断的指示下履行义务，必须考虑哪些价值是“合理的、可接受的、社会上有效的公平的”。这些价值构成了判决的正当理由。（注：沈宗灵著：《现代西方法理学》，北京大学出版社1992年版，第443-446页。）制造人工智能法律系统最终需要解决价值推理的模拟问题，否则，就难以实现为判决提供正当理由的要求。为此，P.Wahlgren提出的与人工智能相关的5种知识表达途径中，明确地包括了以道义为基础的法律推理模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）引入道义逻辑，或者说在机器中采用基于某种道义逻辑的推理程序，强调目的价值，也许是制造智能法律系统的关键。不过，即使把道义逻辑硬塞给计算机，钢铁之躯的机器没有生理需要，也很难产生价值观念和主观体验，没办法解决主观选择的问题。在这个问题上，波斯纳曾以法律家有七情六欲为由对法律家对法律的机械忠诚表示了强烈怀疑，并辩证地将其视为法律发展的动力之一。只有人才能够平衡相互冲突的利益，能够发现对人类生存和发展至关重要的价值。因此，关于价值推理的人工智能模拟究竟能取得什么成果，恐怕还是个未知数。
2.法理学对人工智能法律系统研制的理论指导作用
GoldandSusskind指出：“不争的事实是，所有的专家系统必须适应一些法理学理论，因为一切法律专家系统都需要提出关于法律和法律推理性质的假设。从更严格的意义上说，一切专家系统都必须体现一种结构理论和法律的个性，一种法律规范理论，一种描述法律科学的理论，一种法律推理理论”。（注：GoldandSusskind,ExpertSystemsinLaw:AJurisprudentialandFormalSpecificationApproach,pp.307-309.）人工智能法律系统的研究，不仅需要以法理学关于法律的一般理论为知识基础，还需要从法理学获得关于法律推理的完整理论，如法律推理实践和理论的发展历史，法律推理的标准、主体、过程、方法等等。人工智能对法律推理的模拟，主要是对法理学关于法律推理的知识进行人工智能方法的描述，建立数学模型并编制计算机应用程序，从而在智能机器上再现人类法律推理功能的过程。在这个过程中，人工智能专家的主要任务是研究如何吸收法理学关于法律推理的研究成果，包括法理学关于人工智能法律系统的研究成果。
随着人工智能法律系统研究从低级向高级目标的推进，人们越来越意识到，对法律推理的微观机制认识不足已成为人工智能模拟的严重障碍。P.Wahlgren指出，“许多人工智能技术在法律领域的开发项目之所以失败，就是因为许多潜在的法理学原则没有在系统开发的开始阶段被遵守或给予有效的注意。”“法理学对法律推理和方法论问题的关注已经有几百年，而人工智能的诞生只是本世纪50年代中期的事情，这个事实是人工智能通过考察法理学知识来丰富自己的一个有效动机。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）因此，研究法律推理自动化的目标，“一方面是用人工智能（通过把计算机的应用与分析模型相结合）来支撑法律推理的可能性；另一方面是应用法理学理论来解决作为法律推理支撑系统的以及一般的人工智能问题。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在前一方面，是人工智能法律系统充当法律推理研究的思想实验手段以及辅助司法审判的问题。后一方面，则是法律推理的法律学研究成果直接为人工智能法律系统的研制所应用的问题。例如，20世纪70年代法理学在真实和假设案例的推理和分析方面所取得的成果，已为几种人工智能法律装置借鉴而成为其设计工作的理论基础。在运用模糊或开放结构概念的法律推理研究方面，以及在法庭辩论和法律解释的形式化等问题上，法理学的研究成果也已为人工智能法律系统的研究所借鉴。
四、人工智能法律系统研究的难点
人工智能法律系统的研究尽管在很短的时间内取得了许多令人振奋的成果，但它的发展也面临着许多困难。这些困难构成了研究工作需要进一步努力奋斗的目标。
第一，关于法律解释的模拟。在法理学的诸多研究成果中，法律解释的研究对人工智能法律系统的研制起着关键作用。法律知识表达的核心问题是法律解释。法律规范在一个法律论点上的效力，是由法律家按忠实原意和适合当时案件的原则通过法律解释予以确认的，其中包含着人类特有的价值和目的考虑，反映了法律家的知识表达具有主观能动性。所以，德沃金将解释过程看作是一种结合了法律知识、时代信息和思维方法而形成的，能够应变的思维策略。（注：Dworkin,TakingRightsSeriously,HarvardUniversityPressCambridge,Massachusetts1977.p.75.）目前的法律专家系统并未以知识表达为目的来解释法律，而是将法律整齐地“码放”在计算机记忆系统中仅供一般检索之用。然而，在法律知识工程系统中，法律知识必须被解释，以满足自动推理对法律知识进行重新建构的需要。麦卡锡说：“在开发智能信息系统的过程中，最关键的任务既不是文件的重建也不是专家意见的重建，而是建立有关法律领域的概念模型。”（注：McCarty,Intelligentlegalinformationsystems:problemsandprospects,op.cit.supra,note25,p.126.）建立法律概念模型必须以法律家对某一法律概念的共识为基础，但不同的法律家对同一法律概念往往有不同的解释策略。凯尔森甚至说：即使在国内法领域也难以形成一个“能够用来叙述一定法律共同体的实在法的基本概念”。（注：（奥）凯尔森著：《法与国家的一般理论》，沈宗灵译，中国大百科全书出版社1996年版，第1页。）尽管如此，法理学还是为法律概念模型的重建提供了一些方法。例如，德沃金认为，法官在“解释”阶段，要通过推理论证，为自己在“前解释”阶段所确定的大多数法官对模糊法律规范的“一致看法”提供“一些总的理由”。获取这些总的理由的过程分为两个步骤：首先，从现存的明确法律制度中抽象出一般的法律原则，用自我建立的一般法律理论来证明这种法律原则是其中的一部分，证明现存的明确法律制度是正当的。其次，再以法律原则为依据反向推出具体的法律结论，即用一般法律理论来证明某一法律原则存在的合理性，再用该法律原则来解释某一法律概念。TAXMAN等系统装置已吸收了这种方法，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序使计算机根据案件事实来执行某条法律规则，并在新案件事实输入时对法律规则作出新的解释后才加以调用。不过，法律知识表达的进展还依赖于法律解释研究取得更多的突破。
第二，关于启发式程序。目前的法律专家系统如果不能与启发式程序接口，不能运用判断性知识进行推理，只通过规则反馈来提供简单解释，就谈不上真正的智能性。启发式程序要解决智能机器如何模拟法律家推理的直觉性、经验性以及推理结果的不确定性等问题，即人可以有效地处理错误的或不完全的数据，在必要时作出猜测和假设，从而使问题的解决具有灵活性。在这方面，Gardner的混合推理模型，EdwinaL.Rissland运用联想程序对规则和判例推理的结果作集合处理的思路，以及Massachusetts大学研制的CABARET（基于判例的推理工具），在将启发式程序应用于系统开发方面都进行了有益的尝试。但是，法律问题往往没有唯一正确的答案，这是人工智能模拟法律推理的一个难题。选择哪一个答案，往往取决于法律推理的目的标准和推理主体的立场和价值观念。但智能机器没有自己的目的、利益和立场。这似乎从某种程度上划定了机器法律推理所能解决问题的范围。
第三，关于法律自然语言理解。在设计基于规则的程序时，设计者必须假定整套规则没有意义不明和冲突，程序必须消灭这些问题而使规则呈现出更多的一致性。就是说，尽管人们对法律概念的含义可以争论不休，但输入机器的法律语言却不能互相矛盾。机器语言具有很大的局限性，例如，LDS基于规则来模拟严格责任并计算实际损害时，表现出的最大弱点就是不能使用不精确的自然语言进行推理。然而，在实际的法律推理过程中，法律家对某个问题的任何一种回答都可根据上下文关系作多种解释，而且辩论双方总是寻求得出不同的结论。因此，智能法律专家系统的成功在很大程度上还依赖于自然语言理解研究工作的突破。牛津大学的一个程序组正在研究法律自然语言的理解问题，但是遇到了重重困难。原因是连法学家们自己目前也还没有建立起一套大家一致同意的专业术语规范。所以EdwinaL.Rissland认为，常识知识、意图和信仰类知识的模拟化，以及自然语言理解的模拟问题，迄今为止可能是人工智能面临的最困难的任务。对于语言模拟来说，像交际短语和短语概括的有限能力可能会在较窄的语境条件下取得成果，完全的功能模拟、一般“解决问题”能力的模拟则距离非常遥远，而像书面上诉意见的理解则是永远的终极幻想。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）
五、人工智能法律系统的开发策略和应用前景
我们能够制造出一台什么样的机器，可以证明它是人工智能法律系统？从检验标准上看，这主要是法律知识在机器中再现的判定问题。根据“图灵试验”原理，我们可将该检验标准概括如下：设两间隔开的屋子，一间坐着一位法律家，另一间“坐着”一台智能机器。一个人（也是法律家）向法律家和机器提出同样的法律问题，如果提问者不能从二者的回答中区分出谁是法律家、谁是机器，就不能怀疑机器具有法律知识表达的能力。
依“图灵试验”制定的智能法律系统检验标准，所看重的是功能。只要机器和法律家解决同样法律问题时所表现出来的功能相同，就不再苛求哪个是钢铁结构、哪个是血肉之躯。人工智能立足的基础，就是相同的功能可以通过不同的结构来实现之功能模拟理论。
从功能模拟的观点来确定人工智能法律系统的研究与开发策略，可作以下考虑：
第一，扩大人工智能法律系统的研发主体。现有人工法律系统的幼稚，暴露了仅仅依靠计算机和知识工程专家从事系统研发工作的局限性。因此，应该确立以法律家、逻辑学家和计算机专家三结合的研发群体。在系统研发初期，可组成由法学家、逻辑与认知专家、计算机和知识工程专家为主体的课题组，制定系统研发的整体战略和分阶段实施的研发规划。在系统研发中期，应通过网络等手段充分吸收初级产品用户（律师、检察官、法官）的意见，使研发工作在理论研究与实际应用之间形成反馈，将开发精英与广大用户的智慧结合起来，互相启发、群策群力，推动系统迅速升级。
第二，确定研究与应用相结合、以应用为主导的研发策略。目前国外人工智能法律系统的研究大多停留在实验室领域，还没有在司法实践中加以应用。但是，任何智能系统包括相对简单的软件系统，如果不经过用户的长期使用和反馈，是永远也不可能走向成熟的。从我国的实际情况看，如果不能将初期研究成果尽快地转化为产品，我们也难以为后续研究工作提供雄厚的资金支持。因此，人工智能法律系统的研究必须走产研结合的道路，坚持以应用开路，使智能法律系统尽快走出实验室，同时以研究为先导，促进不断更新升级。
第三，系统研发目标与初级产品功能定位。人工智能法律系统的研发目标是制造出能够满足多用户（律师、检察官、法官、立法者、法学家）多种需要的机型。初级产品的定位应考虑到，人的推理功能特别是价值推理的功能远远超过机器，但人的记忆功能、检索速度和准确性又远不如机器。同时还应该考虑到，我国目前有12万律师，23万检察官和21万法官，每年1.2万法学院本科毕业生，他们对法律知识的获取、表达和应用能力参差不齐。因此，初级产品的标准可适当降低，先研制推理功能薄弱、检索功能强大的法律专家系统。可与计算机厂商合作生产具有强大数据库功能的硬件，并确保最新法律、法规、司法解释和判例的网上及时更新；同时编制以案件为引导的高速检索软件。系统开发的先期目标应确定为：(1)替律师起草仅供参考的书和辩护词；(2)替法官起草仅供参考的判决书；(3)为法学院学生提供模拟法庭审判的通用系统软件，以辅助学生在、辩护和审判等诉讼的不同阶段巩固所学知识、获得审判经验。上述软件旨在提供一个初级平台，先解决有无和急需，再不断收集用户反馈意见，逐步改进完善。
第四，实验室研发应确定较高的起点或跟踪战略。国外以知识工程为主要技术手段的人工智能法律系统开发已经历了如下发展阶段：(1)主要适用于简单案件的规则推理；(2)运用开放结构概念的推理；(3)运用判例和假设的推理；(4)运用规则和判例的混合推理。我们如确定以简单案件的规则推理为初级市场产品，那么，实验室中第二代产品开发就应瞄准运用开放结构概念的推理。同时，跟踪运用假设的推理及混合推理，吸收国外先进的KBS和HYPO的设计思想，将功能子系统开发与联想式控制系统结合。HYPO判例法推理智能装置具有如下功能：(1)评价相关判例；(2)判定何方使用判例更加贴切；(3)分析并区分判例；(4)建立假设并用假设来推理；(5)为一种主张引用各种类型的反例；(6)建立判例的引证概要。HYPO以商业秘密法的判例推理为模拟对象，假设了完全自动化的法律推理过程中全部要素被建立起来的途径。值得注意的是，HYPO忽略了许多要素的存在，如商业秘密法背后的政策考虑，法律概念应用于实际情况时固有的模糊性，信息是否已被公开，被告是否使用了对方设计的产品，是否签署了让与协议，等等。一个系统设计的要素列表无论多长，好律师也总能再多想出一些。同样，律师对案件的分析，不可能仅限于商业秘密法判例，还可能援引侵权法或专利法的判例，这决定了缘由的多种可能性。Ashley还讨论了判例法推理模拟的其他困难：判例并不是概念的肯定的或否定的样本，因此，要通过要素等简单的法律术语使模糊的法律规则得到澄清十分困难，法律原则和类推推理之间的关系还不能以令人满意的方式加以描述。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）这说明，即使具有较高起点的实验室基础研究，也不宜确定过高的目标。因为，智能法律系统的研究不能脱离人工智能的整体发展水平。
第五，人－机系统解决方案。人和机器在解决法律问题时各有所长。人的优点是能作价值推理，使法律问题的解决适应社会的变化发展，从而具有灵活性。机器的长处是记忆和检索功能强，可以使法律问题的解决具有一贯性。人－机系统解决方案立足于人与机器的功能互补，目的是解放人的脑力劳动，服务于国家的法治建设。该方案的实施可以分为两个阶段：第一阶段以人为主，机器为人收集信息并作初步分析，提供决策参考。律师受理案件后，可以先用机器处理大批数据，并参考机器的和辩护方案，再做更加高级的推理论证工作。法官接触一个新案件，或新法官刚接触审判工作，也可以先看看“机器法官”的判决建议或者审判思路，作为参考。法院的监督部门可参照机器法官的判决，对法官的审判活动进行某种监督，如二者的判决结果差别太大，可以审查一下法官的判决理由。这也许可以在一定程度上制约司法腐败。在人－机系统开发的第二阶段，会有越来越多的简单案件的判决与电脑推理结果完全相同，因此，某些简单案件可以机器为主进行审判，例如，美国小额法庭的一些案件，我国法庭可用简易程序来审理的一些案件。法官可以作为“产品检验员”监督和修订机器的判决结果。这样，法官的判案效率将大大提高，法官队伍也可借此“消肿”，有可能大幅度提高法官薪水，吸引高素质法律人才进入法官队伍。
未来的计算机不会完全取代律师和法官，然而，律师和法官与智能机器统一体的出现则可能具有无限光明的前景。（注：Smith,J.C,MachineIntelligenceandLegalReasoning,Chicago-KentLawReview,1998,Vol.73,No.1,p277.）可以预见，人工智能将为法律工作的自动化提供越来越强有力的外脑支持。电脑律师或法官将在网络所及的范围内承担起诸如收债、税务、小额犯罪诉讼等职能。自动法律推理系统将对诉讼活动发挥越来越多的辅助作用，例如，通过严密的演绎逻辑使用户确信全部法律结论得出的正当性；在解决相互冲突的规则、判例和政策问题时提示可能出现的判决预测；等等。正如网络的出现打破了少数人对信息的垄断一样，电脑法律顾问的问世，将打破法官、律师对法律知识的垄断，极大地推动法律知识的普及，迅速提高广大人民群众的法律素质，使法律真正变为群众手中的锐利武器。
人工智能是人类发展到一定阶段而必然产生的一门学科，它既包括人，也包括机和环境两部分，所以也可以说是人机环境系统交互方面的一种学问。它同样“有一个漫长的过去，但只有短暂的历史”。它的起源可以追溯到文艺复兴，接着，又在第一、二次工业革命浪潮中逐渐崭露头角。法国人帕斯卡尔研制了第一台现代意义上的数字计算机，第一、二次世界大战大大加快了该学科发展的进程，剑桥大学巴贝奇的差分机和图灵的测试进一步把人工智能领域的研究范围扩展到了人类学习、生活、工作等方面。到目前为止，研究人工智能的学科不但包括生理、心理、物理、数理、地理等自然科学技术领域，而且还涉及到哲理、伦理、法理、艺理、教理等人文艺术宗教领域。
1997年5月11日，名为“深蓝”的电脑毫无悬念地在标准比赛时限内击败了国际象棋男子世界冠军卡斯帕罗夫，从而证明了在有限的时空里电脑“计算”可以战胜人脑“算计”，进而论证了现代人工智能的基础条件(假设)——物理符号系统具有产生智能行为的充分必要条件(Newell and Simon，1976)是成立的。更有意思的是，2011年2月17日，一台以IBM创始人托马斯·沃森的名字命名的电脑在智力问答比赛中“狂虐”两位最聪明的美国人而夺得冠军，2016年3月9日至3月15日，“围棋名誉九段”AlphaGo在首尔以4:1的比分战胜了围棋世界冠军李世石九段，从而引发了人工智能将如何改变人类社会生活形态的话题。
人工智能是人机环境系统交互的产物
众所周知，当前制约机器人科技发展的瓶颈是人工智能，人工智能研究的难点是对认知的解释与建构，而认知研究的关键问题则是自主和情感等意识现象的破解。生命认知中没有任何问题比弄清楚意识的本质更具挑战性，或者说更引人入胜。这个领域是科学、哲学、人文艺术、神学等领域的交集。尽管意识问题如此重要，令人啼笑皆非的是：无论过去还是现在，一旦涉及到意识问题，大家不是缄口不提，就是敬而远之，避之唯恐不及。究其原因，不外乎意识的变化莫测与主观随意等特点严重偏离了科学技术的逻辑实证与感觉、经验、验证、判断，既然与科学技术体系相距较远，自然就不会得到相应的认同与支持了，这好像是顺理成章、理应如此的！然而，最近科技界一系列的前沿研究正悄悄地改变着这个局面：研究飘忽不定的意识固然不符合科技的尺度，那么在意识前面加上情境(或情景)二字呢？人在大时空环境下的意识是不确定的，但“格物致知”一下，在小尺度时空情境下的意识应该有迹可循吧！自古以来，人们就知道“天时地利人和”的小尺度时空情境对态势感知及意识的影响，只是明确用现代科学的手段实现情境(或情景)意识的研究是源自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.”(在一定的时间和空间内对环境中的各组成成分的感知、理解，进而预知这些成分的随后变化状况)但这只是个定性分析概念模型，其机理分析与定量计算还远远没有完善。
在真实的人机环境系统交互领域中，人的情景意识(Situation Awarensss)SA、机器的物理SA、环境的地理SA等往往同构于统一时空中(人的五种感知也应是并行的)，对于人而言，人注意的切换产生了不同的主题与背景感受／体验。在人的行为环境与机的物理环境、地理环境相互作用的过程中，人的情景意识SA被视为一个开放的系统，是一个整体，其行为特征并非由人的元素单独所决定，而是取决于人机环境系统整体的内在特征，人的情景意识SA及其行为只不过是这个整体过程中的一部分罢了。另外，人机环境中许多个闭环系统常常是并行或嵌套的，并且特定情境下这些闭环系统的不同反馈环节信息又往往交叉融合在一起，起着或刺激或抑制的作用，不但有类似宗教情感类的柔性反馈(不妨称之为“软调节反馈”，人常常会延迟控制不同情感的释放)，也存在着类似法律强制类的刚性反馈(不妨称之为“硬调节反馈”，常规意义上的自动控制反馈大都属于这类反馈)。如何快速化繁为简、化虚为实是衡量一个人机系统稳定性、有效性、可靠性大小的主要标志，是用数学方法的快速搜索比对还是运筹学的优化修剪计算，这是一个值得人工智能领域深究的问题。
人机环境交互系统往往是由有意志、有目的和有学习能力的人的活动构成，涉及变量众多、关系复杂，贯穿着人的主观因素和自觉目的，所以其中的主客体界线常常模糊，具有个别性、人为性、异质性、不确定性、价值与事实的统一性、主客相关性等特点，其中充满了复杂的随机因素的作用，不具备重复性。另外，人机环境交互系统有关机(装备)、环境(自然)研究活动中的主客体则界线分明，具有较强的实证性、自在性、同质性、确定性、价值中立性、客观性等特点。无论是在古代、中世纪还是在现代，哲学宗教早已不单纯是意识形态，而且逐渐成为各个阶级中的强大的政治力量，其影响不断渗透到社会生活的各个领域，更有甚者，把哲学、政治、法律等上层建筑都置于宗教控制之下。总之，以上诸多主客观元素的影响，进而导致了人机环境交互系统异常复杂和非常的不确定。所以对人机环境交互系统的研究不应仅仅包含科学的范式，如实验、理论、模拟、大数据，还应涉及到人文艺术的多种方法，如直观、揣测、思辨、风格、图像、情境等，在许多状况下还应与哲学宗教的多种进路相关联，如现象、具身、分析、理解与信仰，等等。
在充满变数的人机环境交互系统中，存在的逻辑不是主客观的必然性和确定性，而是与各种可能性保持互动的同步性，是一种得“意”忘“形”的见招拆招和随机应变能力。这种思维和能力可能更适合复杂的人类各种艺术过程。凡此种种，恰恰是人工智能所欠缺的地方。
人机之间的不同之处
人与机相比，人的语言或信息组块能力强，具有有限记忆和理性；机器对于语言或信息组块能力弱，具有无限记忆和理性，其语言(程序)运行和自我监督机制的同时实现应是保障机器可靠性的基本原则。人可以在使用母语时以不考虑语法的方式进行交流，并且在很多情境下可以感知语言、图画、音乐的多义性，如人的听觉、视觉、触觉等具有辨别性的同时还具有情感性，常常能够知觉到只可意会不可言传的信息或概念(如对哲学这种很难通过学习得到学问的思考)。机器尽管可以下棋、回答问题，但对跨领域情境的随机应变能力很弱，对彼此矛盾或含糊不清的信息不能有效反应(缺少必要的竞争冒险选择机制)，主次不分，综合辨析识别能力不足，不会使用归纳推理演绎等方法形成概念或提出新概念，更奢谈产生形而上学的理论形式。
人与机器在语言及信息的处理差异方面，主要体现在能否把表面上无关之事物相关在一起的能力。尽管大数据时代可能会有所变化，但对机器而言，抽象表征的提炼亦即基于规则条件及概率统计的决策方式与基于情感感动及顿悟冥想的判断(人类特有的)机理之间的鸿沟依然存在。
人工智能与哲学
人类文明实际上是一个认知的体现，无论是最早的美索不达米亚文明(距今6000多年)，还是四大文明之后日新月异的以西方为代表的现代科技力量，其原点都可以落实到认知这个领域上。历史学家认为：以古希腊文化为驱动力的现代西方文明来源于古巴比伦和古埃及，其本质反应的是人与物(客观对象)之间的关系；而古印度所表征的文明中常常蕴含着人与神之间的信念；排名最后的古代中国文明是四大古文明中唯一较为完整地绵延至今的文化脉搏，其核心之道理反映的是人与人、人与环境之间的沟通交流(这也许正是中华文明之所以持续的重要原因吧)。纵观这些人、机(物)、环境之间系统交互的过程中，认知数据的产生、流通、处理、变异、卷曲、放大、衰减、消逝无时无刻不在进行着……
有人说人工智能是哲学问题。这句话有一定的道理，因为“我们是否能在计算机上完整地实现人类智能”，这个命题是一个哲学问题。康德认为哲学需要回答三个问题：我能知道什么？我应该做什么？我可以期待什么？分别对应着认识、道德、信仰。哲学不是要追究“什么是什么”，而是追求为什么“是”和如何“是”的问题。自2013年10月回国后，笔者一直在思考人机交互的本质问题，偶然与朋友交谈时聊及“共在”(Being together)一词，顿感很是恰当，试想，当今乃至可见的未来，人机之间的关系应该不是取代而是共存吧：相互按力分配、相互取长补短，共同进步，相互激发唤醒，有科有幻，有情有义，相得益彰……非常巧合的是，2014年以来，机器学习、互联网、机器人、人工智能等领域的发展也相当迅速，深度学习、类脑计算、情景感知一时间成了关键词，成了时髦语，但细细品来，其核心实质都不过是解释与建构的问题，形而上后竟会变成高大上的哲学问题。
其实哲学与科学、宗教一样，都是一个人为了能够获得理解而必须相信(除非你相信你不应当理解)的过程，这不是盲从，而是一种先信仰后理解的先验！比如，在科学中，物理学研究世界是什么样的(解释世界)，计算机(数学)研究怎么造一个世界(建构世界)，在这两者之间若没有相信、信任、信仰等先于理解而存在，恐怕是难以坚持进行下去的，毕竟在伸手不见五指的黑夜中，人是很难自行产生前进动力的(如一个没有利润的环境常常少见商人身影一般)。而信仰是一种赞同的思考，常常是一种非理性的激情、冲动情感，通过非理性而达到理性(通情达理)，这不能不说是一个有趣的悖论！或许，这同时也是无中生有的禅理(以情化理)吧！
实际上，目前以符号表征、计算为代表的计算机虚拟建构体系是很难逼真反映以物理、生理、心理等理论解释真实世界的(数学本身并不完备)，而认知科学的及时出现不自觉地把各“理”(物理、生理、心理)解释与各“机”(计算机、飞机、拖拉机)建构之间对立统一了起来，围绕是(Being)、应(Should)、要(Want)、能(Can)、变(Change)等节点展开融合进而形成一套新的人机环境系统交互体系。
有时候，世界是确定的，不确定的是我们自己，面对相同的文字、音乐、视频等情境事物，我们常常会随心情的不同而产生不同的觉察和理解，境随心转。有时候，世界是不确定的，确定的反而是我们自己，面对不同的文字、音乐、视频等情境事物，我们却能够处变不变而产生恒定表征，形成概念，心随境转。不管怎样，世界包括我们自己是由易、不易、简易、迁易、无易、有易、一易、多易……等诸多演化过程构成的，在这些纷繁复杂的变化中，都需要一种或多种参考框架体系协调其中的各种矛盾、悖论，而若追溯到这些框架体系的起源，应该就是人机环境之间的交互作用。或许，最好的智慧/智能真的就隐藏在这些交互的自相矛盾之中？！若果真如此，那又该如何破译呢?
哲学意义上的“我”也许就是人类研究的坐标原点或出发点，“我是谁”“我从哪里来”“要到那里去”这些问题也许就是人工智能研究的关键瓶颈？！
结束语
人工智能，尤其未来的强人工智能很可能是一种集科学技术、人文艺术、哲学宗教为一体的“有机化合物”，是各种“有限理性”与“有限感性”相互叠加和往返激荡的结果，而不仅仅是科学意义上的自然秩序之原理。它既包含了像科学技术那样只服从理性本身而不屈从于任何权威的确定性知识(答案)的东西，又包含着诸如人文艺术以及哲学、宗教等一些迄今仍为确定性的知识所不能肯定的思考。它不但关注着人机环境系统中的大数据挖掘，而且对涉及“蝴蝶效应”的临界小数据也极为敏感；它不但涉及计算、感知和认知等客观过程，而且还对算计、动机与猜测等主观过程颇为青睐；它不但与系统论、控制论和信息论等“老三论”相关，更与耗散结构论、协同论、突变论等“新三论”相联。它是整体与局部之间开环、闭环、自上而下、自下而上交叉融合的过程，是通过无关—弱相关—相关—强相关及其逆过程的混关联变换。
通过研究，我们是这样看待指人工智能技术问题的：首先人工智能过程不是被动地对环境的响应，而是一种主动行为，人工智能系统在环境信息的刺激下，通过采集、过滤，改变态势分析策略，从动态的信息流中抽取不变性，在人机环境交互作用下产生近乎知觉的操作或控制；其次，人工智能技术中的计算是动态的、非线形的(同认知技术计算相似)，通常不需要一次将所有的问题都计算清楚，而是对所需要的信息加以计算；再者，人工智能技术中的计算应该是自适应的，人机系统的特性应该随着与外界的交互而变化。因此，人工智能技术中的计算应该是外界环境、机器和人的认知感知器共同作用的结果，三者缺一不可。
一、银行反欺诈发展趋势
国内外银行在传统反欺诈管理中主要依赖专家经验，通过人工方式制定检测规则，当申请或交易信息与反欺诈规则匹配后即执行相应的业务策略。这种管理模式得出的反欺诈规则存在一定的局限性，不能枚举所有业务场景，无法对各类欺诈行为进行全面覆盖。与此对应，欺诈者会针对性的对已有规则进行回避，导致专家规则处于被动调整的位置，无法跟上欺诈手段的更新换代[1， 2]。另外，当专家规则积累达到一定数量后误报率通常会比较高，能够影响到实际风险决策制定和实际业务开展。
机器学习是一种重要的金融科技创新手段，近年来在国内外金融机构和金融科技企业中被尝试应用到风险防范、反欺诈等领域。例如花旗银行、美国银行、汇丰银行等机构广泛应用逻辑回归、神经网络等技术以提升欺诈识别能力；京东金融与ZestFinance组建的合资公司以数据挖掘建模为核心竞争力，在反欺诈领域深入应用机器学习技术以发挥大数据价值。机器学习是一种研究机器获取新知识和新技能，并识别现有知识的方法[3]；通常针对大规模数据集进行全方位综合考量，挖掘深层次业务场景特征进而建立监督、无监督等类型的学习模型，在大量应用中模型的准确性、稳定性也得到了充分验证[4]。
为此，我们针对信用卡申请审批这一典型业务场景，应用机器学习技术进行欺诈风险管理并设计数据产品对异常客户进行监控预警。区别于将机器学习技术应用到单一反欺诈规则制定的典型做法，我们尝试从整体视角对欺诈风险进行评估，实现精准量化预测并以此作为应对欺诈风险的强有力手段。建模思路及方法具有一定的可迁移性，可以被广泛应用到银行风险防范、反欺诈等业务领域。
二、“会思考”的风控模型
在应用大数据支持业务发展转型的过程中，我们提出构建增强智能(Augumented Intelligence)系统[5]的创新思路。一个务实的增强智能系统包括客户画像、数据挖掘模型和决策引擎三个组成部分。数据挖掘模型是智能化的核心，客户画像为建模过程持续提供特征输入，决策引擎将模型输出成果转换为实际业务行动。增强智能系统的一个重要目标是提升传统业务流程的自动化水平，过程中的大数据能力主要体现在三个方面，也就是下图中的三个组成部分：更好的客户认知、更智能化的算法、更快速的决策支持。
图1：增强智能系统组成模块
数据挖掘模型发挥动力引擎作用，吸收学术界和产业界先进机器学习知识成果并应用于银行实践。客户画像重点体现大数据背景下的客户多维度刻画，在静态信息和交易行为信息之外可以补充社交网络维度特征信息。伴随大数据的持续采集、生产和交换，客户画像能够进一步补充情绪属性、价值观属性乃至道德属性等信息，为数据挖掘建模提供源源不断的能源输入。决策引擎能够面对业务场景进行快速响应，通过可视化等手段提供自助式业务分析能力，促进数据价值转化为业务行动。
践行上述思路，我们结合传统风险管控和社交网络分析技术，加工基础维度信息和社交维度信息特征指标组成反欺诈客户画像，并应用随机森林等分布式机器学习算法建立欺诈风险预测模型。不同于传统风控模型以年为单位的更新优化周期，智能化预测模型每天都能够进行“思考”，通过更新网络关系并重新训练模型确定最新的欺诈预测思维模式。模型在研发和使用的过程中灵活运用机器学习和社交网络分析技术，催生新型数据产品的开发与应用从而带动传统业务流程的优化。
三、模型构建与结果分析
以银行信用卡申请反欺诈为应用场景，详细描述社交网络构建、特征处理、算法实现、运行结果分析等阶段过程。
1、结合社交视角构造客户特征信息
社交网络分析是融合多学科理论和方法，为理解各种社交关系的形成、行为特点分析以及信息传播的规律提供的一种可计算的分析方法[6]。社交网络分析方法旨在建立一个网络与真实世界的实体与关系映射，在银行应用中的典型实体包括客户、账户、员工等。社交网络分析通常关注静态和动态两个层面的网络特征，静态特征包括提取网络指标、对网络特征刻画、识别网络群组等；动态特征主要包括描述网络如何随时间推移进行扩散、如何影响其他节点等。
分析信用卡进件审批数据，确定数据中包含四种角色，分别是申请人、申请人亲属、联系人和推广人。在建模实施过程中将申请人角色作为社交网络的关键节点，把申请人、申请人亲属、联系人及推广人这四种角色的移动电话、家庭电话、办公电话的相同作为关系类型。建模过程中构建的社交网络包括780万节点，2.33亿条关系。
在构建完成社交网络后，设计并计算一二阶度、一二阶欺诈数、一二阶欺诈占比、最短路径等网络指标。从网络视角衡量欺诈风险的传播，度反映节点关联好友数量，最短路径反映网络中节点间亲密程度。此外，建模中的客户基础信息包括申请人年龄、手机号、单位电话、电子邮箱、学历、年收入、职位等，针对这些信息需要进行结构化分解、离散化、频度计算等数据预处理操作，共同构建特征以用于后续模型的训练和验证。
图2：反欺诈模型特征构造过程
2、建模方案设计
对进行特征工程化处理的数据进行拆分，设置三组建模数据集，分别是基础信息的数据集(base)、社交信息的数据集(social)，以及组合在一起的数据集(combine)。建模过程中采用3折交叉验证的方式完成欺诈风险预测模型建立和训练，并比较多组模型输出的计算结果。
算法选择方面，分别选择逻辑回归(LogisticsRegression， LR)，随机森林[7](Random Forests， RF)和深度学习[8](Deep Learning， DL)。逻辑回归是银行风控领域的经典算法，以此作为模型结果的标杆参考。随机森林是一种集成学习算法，利用多棵决策树对样本进行训练并预测；通常单棵树性能表现较弱，但进行组合之后能够提供较好的分类性能，同时算法稳定性较好。深度学习(DL)模型是包含多隐层的多层感知器系统，通过应用综合复杂结构和多重非线性变换构成的多个处理层及对数据进行高层抽象的一系列算法，建立具有数个隐层的多层感知网络并实现各种模式的识别和认知。
模型评价方面，选用AUC、Precision、Recall、Accuracy、F1-measure等指标。其中AUC[9](Area under Curve)是ROC曲线下的面积，介于0和1之间；AUC值表示将两样本正确分类的概率，AUC值越大说明模型分类性能越好。其他指标均是从不同角度衡量模型性能，这里不再详细说明。
3、建模结果分析
如下表所示，前三列数据为应用随机森林(RF)算法在不同数据集上进行的三组模型输出结果。比较结果数据可以发现，通过整合社交属性信息模型各项评价指标较基础信息模型结果均有大幅度提升。不同于基础信息，社交维度重在刻画实体在网络中的关系，其加工指标在建模后呈现出与欺诈风险相关的强特征关系。建模结果中AUC提升7个百分点，F1-measure提升2个百分点，充分验证了建立多维度视角对于提升客户欺诈风险识别能力的有效性。更重要的是，伴随大数据的采集和处理，可以从深度和广度上对客户欺诈风险认知进一步补强，进而持续优化模型的底层数据源。
后面三组数据是在整合数据集上应用三种不同算法，整体表现逻辑回归算法较弱，深度学习居中，随机森林表现最优。结果表明目前模型输入特征与预测目标关联性较好，并且总体特征数量为数十个的量级，还不足以发挥深度学习海量特征无监督优化选择的特性，相比之下随机森林、GBDT[10]等集成学习算法表现更为突出。
表1：欺诈风险预测模型结果比较
四、欺诈监控数据产品
大数据在实际应用中体现出强产品化的特点，通过构建反欺诈数据产品能够快速实现决策引擎的功能；同时原始数据从积累到建模均与该数据产品关联，用户画像建立和持续丰富也与反欺诈业务场景相结合。数据产品通过可视化技术实现自助式分析能力，在数据价值转化为业务行动过程中发挥桥梁作用。
针对信用卡申请反欺诈场景，设计专项数据产品对接相关业务系统。数据产品提供全国进件审批疑似欺诈情况分布图，实时获得所关注区域的欺诈进件分布、欺诈发展趋势、欺诈比重等动态。另外，提供分地区信息概要、进件详情、明细检索和社交网络检索等功能，能够在系统页面查询基础指标统计图(手机和电话特征分布)、不同模型输出的欺诈风险概率值、进件基本信息、进件网络特征、社交指标统计(一度、二度、最短路径)等内容。
图3审批疑似欺诈情况分布图
五、总结与展望
购物车(0)
