撰文 | 王培（美國天普大學計算機與信息科學系）
在一個知識、資源相對充足的理想環境下圓滿地解決問題不算有多大本事，承認在現實的約束下無法做到完美，但仍盡力而為，這才是智能的體現。
解決問題需要時間，而形勢往往不容許仔細斟酌。可以說，所謂 “難題” 就是那些我們對其沒有充分知識（“不知道”）和時間資源（“沒想到”）的問題，而解決這些難題，正是體現智能的時候。基於這種認識，我才把 “智能” 定義為 “在知識和資源相對不足時的適應能力”（見《人工智能：何為“智”？》）。前面幾篇文章主要講在 “知識不足” 條件下的應對方案（如《你這是什麼邏輯?》），本文主要分析 “時間資源不足”的情況。
對時間要求的不同應對
在歷史上，對問題的解決過程研究最細的是數學家們，研究的結果有關於計算和算法的理論，這些理論後來成了計算機科學技術的理論基礎。簡而言之，人們將一個數學或計算問題的解法表示為一個確定、可行、有限的算法，而各式各樣的程序可以看作是相應算法的具體實現。（《計算機能有創造性嗎？》一文中對此有進一步介紹）
解法→算法→程序
當我們用計算機中的一個程序來解決一個實際問題時，所需要的時間一般來說是確定的。其長短取決於若干因素，包括計算機硬件設備的運行速度、具體問題實例的難度、算法的時間複雜性等等。在前兩點不變的情況下，我們當然希望用最簡捷的算法——這方面的研究成果目前主要是計算複雜性理論。
在具體應用中，即使是已知最快的算法，也可能還不夠快。這裡有幾種情況，一種是問題本身有明確的時間要求。如果用計算機直接控制某個物理過程，比如自動駕駛汽車，每個計算任務的完成就絕不能超時。另一種情境沒有嚴格時間限制，但任務的完成應該是越快越好，比如回答用戶的查詢。即使是那些看似沒有時間要求的問題，實際上也不可能不考慮計算時間。以下圍棋為例，如果時間完全不是問題，那就可以通過窮舉所有可能性來找到最優步驟。實際上， “系統地考慮所有可能性，然後選取最好的結果” 甚至可以說是解決所有問題的萬能方案，只是我們極少有時間這麼做。
要解決時間不足的問題，一個天真的想法是完全依賴計算機運行速度的提高或系統結構的進化，比如採用大規模並行計算，甚至量子計算。儘管這些進展的確非常重要，但仍不可能完全滿足對計算時間的要求。目前的硬件速度和幾十年前已不可同日而語，但大量新需求的湧現還是輕而易舉地消耗掉了這份紅利。儘管量子計算會對某些計算問題（如因式分解）的速度產生革命性的影響，但目前尚無理由認為所有計算問題都可以用此法加速。和無止境的需求相比，機器總是不夠快的。
解決這一問題，首先要轉變觀念。
對數學問題來說，正確性是首要條件，只有在解法正確的前提下，討論解題時間才有意義。但在實際應用中，在很多情況下，最重要的是及時提供答案，即使答案的質量差些，也遠比遲到的答案強，等情況完全確定再採取行動，甚至可能造成致命的後果。因此，為了降低時間開銷，有時可以容許修改要求，比如說放寬答案的標準（接受近似解），縮小考慮的範圍（忽略罕見情況）等等。
滿足特定時間要求的計算系統稱為 “實時系統”，其基本設計思路大略分為以下幾類：
• 量體裁衣：根據給定時間要求為系統設計算法及軟硬件配置，以保證按時解決問題。這適用於時間要求和工作環境不變的情況。
• 各取所需：事先準備一組算法，各有不同的時間要求和答案質量。當一個問題實際出現時，根據其容許的時間選取最好的解法。這適用於僅有若干種時間要求的情況。
• 當場定製：用一個 “元算法” ，為每個具體問題根據其時間要求規劃出一個適當的算法。這適用於算法生成規則簡單的情況。
• 按質論價：為一個問題提供一系列的解，耗時越長的質量越高。這適用於答案可以逐步優化的情況。
最後這個技術值得多說幾句。這種解題方式叫 “隨時算法”（anytime algorithm，也可以譯成 “任意時間算法”）[1]。很多算法（比如說各種迭代逼近算法）都可以被改寫成這種形式，只要始終保存已發現的諸答案中最好的那個，在收到（用戶或另一個程序發出的）終止命令時先報告它然後停下來就行了。儘管設計和實現都不難，隨時算法的理論意義卻尚未得到充分的認識。雖然仍被稱為 “算法”，但這種解題過程已經違反了經典算法概念中 “會在得到答案後自行終止運行” 的要求，所以不能再談它需要多少時間得到答案，而是要談給它多少時間得到答案。對這種過程而言，算法複雜性、可計算性等概念都不再有意義了。
思維中的經濟學
對人的思維活動而言，時間約束是常態。和數學、計算機科學中的常規設定不同，我們面對的絕大多數問題都有或明或暗、或強或弱的時間要求，而一個遲到的答覆質量再高也可能完全沒有價值。我們一般是在答案的質量和及時性之間找平衡，有時間就細想，沒時間就只能大概估計一下。“時間常常是不夠用的”——這聽上去像常識，但將其設定為前提條件以後，我們可以更自然地重新解釋很多現象。
從知覺開始，心理學中的 “格式塔學派” （德語：Gestalttheorie，不是為格式修的塔）早就發現我們看到的東西是經過加工處理的，而非 “世界的原貌”。比如下圖一般會被看成一個白色的三角形壓在三個黑色的圓形之上，儘管這個三角形是“補完”出來的，而非完整的線條畫出來的。有人會糾結於 “此三角形是真的存在還是幻覺” 這種問題，但換一個角度來說，也可以認為我們的知覺總是試圖用已有 “心理詞彙” 儘可能簡單地描述當前的情形，以便加快處理過程。
另一個重要的心理機制是 “注意”。我在《人工智能怎麼為自己設定目標？》中說過，真正的智能系統一定是同時有多個目標或任務的，它們在內容上可能互相沖突（魚和熊掌不可兼得）。即便目標相容，它們也一定相互競爭，以獲取更多的時間資源，而 “注意” 就是這種競爭的體現，即，系統要根據這些任務的相對急迫性分配處理時間。雖然這聽上去沒什麼新鮮的，在日常生活中相關的誤區卻不少：
• 有人常常通過爭辯 “甲比乙更重要” 把一個 “分配” 問題換成“選擇” 問題。即使甲的確更重要，也絕不說明它應該得到所有資源，而乙該被置之不理。重複我在前文中說過的，“歷史已經反覆展示了不惜一切代價追求某目標所造成的災難，不管這個目標本身多麼有價值”。
• “注意某個事物” 就意味著在一定程度上忽視其它事物，因為注意力是有限的。這裡的根本原因仍是時間不夠，所以不可能什麼都 “認真重視，作為頭等大事來抓”。所有事 “都重視” 其實意味著 “都不太重視”。
總而言之， “注意” 是個程度問題，沒有定量模型是很難說清的。不考慮時間有限所導致的注意力分配，會嚴重誤判思維所具有的能力。
與此對應的是“遺忘”機制，其常常被視為“劣勢”。在比較計算機和人腦時，“不會遺忘” 常常被列為機器的一大優勢，但遺忘恰恰是在為已有知識和當前任務排出輕重緩急，雖然常常會出錯。在現實的環境中，隨時有大量信息湧入，問題解決有時間要求，一個智能系統要在這樣的環境中工作，必須要有遺忘的功能。因為，時間有限，我們不能一視同仁地記住所有信息。就算記憶空間不是問題，查詢時間也一定會成為瓶頸。遺忘是集中注意力的一個必要條件。
實際上，我自己常常用這些 “缺陷” 來判斷一個人工智能系統的真實水平。不管一個系統解決問題的能力有多強，如果它只 “記” 不 “忘”，這就說明它沒有管理自身資源的能力；如果它從不犯錯，這就說明它沒有探索未知的能力。這當然不是說系統應該隨便亂刪東西或胡說八道，而是說某類錯誤是智能的必然代價。我們一般都會同意某些過失是可以接受的，比如 “不知者不為過”， “忙中難免有失” 都是這個意思。這裡的微妙之處在於，區分哪些錯誤是 “合理的”，而哪些不是。
情緒化反應和種種 “非理性行為” 也都和這一點有關（見《人工智能，讓機器也會“感情用事”》）。在知識和資源不足的情況下，及時做出儘可能有根據的反應，實際上體現了一種高級的理性，而情感表達了對情景和對象的好惡，是一種重要的評價機制。傳統的理性模型都是基於演繹邏輯或概率論的，其中不容許有 “不知道” 和 “沒想到” 的可能性，也沒有情感的存身之地。大家都知道，沒人能一直遵循純粹的理性來生活，不意味著人沒進化好。人工智能領域的奠基人之一司馬賀（Herbert Simon）就提出，人腦體現的實際上是一種 “有限理性” （Bounded rationality）。他指出，囿於人類的認知能力和可用資源，我們追求的一般不是 “最優解”，而是 “滿意解”。他在1978年得的諾貝爾經濟學獎也和這個觀點有關。
一個更早的著名觀點是馬赫（Ernst Mach）的 “思維經濟原則”，即，對於事實，科學理論應該用最少量的思維開銷作出儘可能完善的陳述。曾經，這一觀點被批判，因為它否定了科學概念和理論的客觀性；但以當今的科學觀來看，事情遠沒有這麼簡單。我在一篇關於元理論的文章[2]中提出，無論是在個體中評價概念和信念，還是在群體中評價理論體系，都應該考慮三個維度：（1）正確性（和已有證據的吻合程度），（2）指導性（對未來行為的限定程度），（3）簡單性（描述的簡略程度）。
這三個維度彼此獨立。就是說，在某一方面得了高分，不意味在另一方面也必然如此。目前的問題是，很多人把第一點理解為 “和事實的吻合程度”，而對另兩點認識不足，或者以為它們的價值最終還是要歸結到正確性上來。在《證實、證偽、證明、證據：何以為“證”?》中，我說到了 “證據” 和 “事實” 的差別，以及波普爾（Karl Popper）證偽主義的實際意義在於強調了理論的指導意義，所以 “既要大膽又要謹慎” 之類的指示沒什麼價值，儘管說得好像不錯。至於第三點，“奧卡姆剃刀”（Occam's Razor）、理論的 “美感” 之類的論述，都可以看成是在表述理論的簡單性及其相關特徵，但不該以“美的更可能是真的”作為理由。由於資源約束的存在，簡單性本身就是價值，不用關聯於正確性。
以上三者對適應性系統都同樣重要。知識也好，理論也罷，只能用以往經驗來辯護，所以要儘可能與證據一致；由於它們的終極功能是指導未來行為，所以要儘可能具體、明晰；因為大家時間都有限，所以要儘可能簡單，否則不好用。當然，這些都是個程度問題，而不同知識和理論的比較往往還是可能的。比如說愛因斯坦的理論比牛頓的更精確，同時也更復雜。當三者不可兼得的時候，具體的取捨就要看當時的情景對各方面的要求或容忍程度了。無論如何，一個理論如果有任意一種得分太低，大概什麼時候都不會有價值。
納思中的時間管理
最後又要說到我設計的人工智能系統 “納思” 了。由於其基本預設之一就是 “時間總是不夠”，納思和絕大多數計算機系統（包括其它人工智能系統和實時系統）都有著根本的區別。
每一個提交給納思的任務都有一個 “緊迫性” 的初值，或者由用戶指定，或者由系統根據其性質確定。這個值代表了任務間的相對迫切、重要程度。系統後面可以根據自身的經驗和情況的變化對這個值進行調整。
對絕大多數任務而言，系統都沒有一個固定的處理算法，而是通過推理，逐步使用現有的知識對其進行轉換和簡化，直至得到一個解。一般說來，使用的知識越多，解的質量也就越高。在時間不足的情況下，沒有多少任務在處理過程中能夠考慮到所有相關知識。系統的設計目標不是在某個任務上達到最高的質量，而是力圖最大限度地完成全部現有任務。因此那些超出系統當前能力範圍的任務往往會被放棄掉。
如果任務是一個待答覆的問題，隨著推理的深入，系統可能會得到多個答案，並向用戶報告那個迄今為止質量最高的答案。和一般的計算機系統為每個問題提供一次答案不同，納思既可能不提供答案（好比說 “對不起，我不知道”），也可能提供多次（好比說 “對不起，剛才那個答案有考慮不周之處，現在我認為……”）。後一種情形類似於前面提到的隨時算法，只是納思在任務層面不遵循事先確定的算法，而是 “具體問題具體分析” [3]。這和前面提到的其它基於算法的方案有根本差別，比如說，納思的推理過程不是嚴格可重複的。
納思的知識是組織在一個動態存儲結構中的。除了任務有不同的緊迫度之外，知識也有不同的優先度，其中除了綜合前面提到的正確性（真值）、指導性（實際使用歷史）、簡單性之外，還考慮了與當前情境的相關性。由於優先度高的知識會更容易被系統考慮到，優先度的衰減就表現為“相對遺忘”（多花些時間還能想起來），而刪除低優先度的知識就對應於“絕對遺忘”（再也想不起來）了。
納思背後的理論預設比司馬賀的 “有限理性” 離傳統模型更遠，因為在這裡，系統的知識和資源已經不僅是 “有限”，而是 “不足”了，因此常常連 “滿意解“ 都不可得，而只能在找到的解中挑出相對而言最好的（或者說最不差的）。乍看起來，納思的行為有太多負面特徵（解題過程不確定，會忽略任務或遺忘知識，不保證答案質量等等），調試和評價也比傳統軟件更復雜，但這很可能是一個真正的智能系統所必須付出的代價。在一個知識、資源相對充足的理想環境下圓滿地解決問題不算有多大本事，承認在現實的約束下無法做到完美，但仍盡力而為，這才是智能的體現。
參考文獻
[1] Shlomo Zilberstein, “Using Anytime Algorithms in Intelligent Systems”, AI Magazine, Fall 1996, pages 73-83, 1996
[2] Pei Wang, “Theories of Artificial Intelligence: Meta-theoretical considerations”, In Theoretical Foundations of Artificial General Intelligence, pages 307-325, Atlantis Press, Paris, 2012
[3] Pei Wang, “Case-by-case problem solving”, Proceedings of the Second Conference on Artificial General Intelligence, pages 180-185, Arlington, Virginia, March 2009
注：本文所提到之作者其他文章，可進入“返樸”公眾號底部菜單“精品專欄-AI那廝”查閱。點擊https://cis.temple.edu/~wangp/Chinese.html，可查閱作者所有科普文章和科普視頻。
特 別 提 示
1. 進入『返樸』微信公眾號底部菜單“精品專欄“，可查閱不同主題系列科普文章。
2. 『返樸』開通了按月檢索文章功能。關注公眾號，回覆四位數組成的年份+月份，如“1903”，可獲取2019年3月的文章索引，以此類推。
閱讀更多 返樸 的文章
