譯者序

本書的目標在于幫助更多的人從系統(tǒng)角度來理解并接受人工智能（AI）最新技術的應用模式。近年來，人工智能從新興技術走向成熟技術，全球化和產(chǎn)業(yè)化加劇使人工智能處于高速擴張的戰(zhàn)略機遇期。由此，其為眾多領域帶來巨大變化，同時，也將為理論研究和工程開發(fā)方法方面帶來深層次的影響。正如圖靈獎得主、貝葉斯網(wǎng)絡奠基人朱迪亞·珀爾（Judea Pearl）指出的那樣，從當前以數(shù)據(jù)為中心的范式向以科學為中心的范式的轉移進程中，一場席卷各個研究領域的因果革命隨之而來，其核心是構建新邏輯的數(shù)學語言和推理引擎框架。本書致力于推動下一代的人機自主團隊運行概念以及依賴AI的系統(tǒng)工程技術的發(fā)展，面向懷揣好奇心的系統(tǒng)工程專業(yè)人士，提供有關人工智能系統(tǒng)的理論、模型、方法和應用的回顧、思考和展望，使其更全面地洞悉人機自主系統(tǒng)這一顛覆性創(chuàng)新所能帶來的機會和面臨的風險。

系統(tǒng)工程和人工智能融合的要素特征

關于人類智能和機器智能的認識，決定著未來人工智能在系統(tǒng)工程中的應用模式，有必要真正理解自然智能和人工智能的含義自然智能涉及人類獲取知識、知識推理并利用知識有效地解決問題的能力，當然也涉及基于現(xiàn)有知識開發(fā)新知識的能力；而相比之下，可以這樣界定人工智能機器利用所模仿人類的知識來解決問題的能力。當我們準備投入到自然智能與人工智能的融合過程時，理所當然地期望以系統(tǒng)為中心的方法論能助一臂之力。

人工智能絕非孤立的一個事物，我們需要以不同的視角來看待它的出現(xiàn)，其同樣源于各種元素的集合，包括軟件、硬件、數(shù)據(jù)平臺、策略、程序步驟、規(guī)范、規(guī)則甚至于人的直覺。我們?nèi)绾卫�用這樣一個涉及多個方面的系統(tǒng)，使其從事那些看似智能的事情，并讓它具有人類思考和工作方式的典型特征這將需要秉持以系統(tǒng)為中心的思想來尋求人工智能技術元素的融合，也是當前系統(tǒng)工程實現(xiàn)AI的現(xiàn)實問題。

至于AI的應用背景，始終存在著各種有爭議的觀點和多樣化的技術方法。爭議內(nèi)容涉及從智能的基本定義到人類追求人工智能的道德和倫理方面的質(zhì)疑。盡管至今還是存在懸而未決的爭議，但這項技術仍繼續(xù)創(chuàng)造著實際的效用。隨著人工智能研究的日益深入，許多爭議已被或將被驗證的技術方法所解決。

在AI的研究中發(fā)現(xiàn)，計算機現(xiàn)在能夠完成曾經(jīng)超乎想象的事情。由于專家系統(tǒng)背后的技術在過去十年中變化不大，因此問題不在于該技術是否有用，而在于如何實現(xiàn)它。這就是為什么本書提出的集成化的方法十分有用。必須用人類智能來調(diào)和它，最好的混合方式是機器智能與人類智能的集成。在過去的幾年中，專家系統(tǒng)已被證明其在解決工程和制造環(huán)境中重要問題方面具有潛力。我們發(fā)現(xiàn)現(xiàn)實世界的問題最好通過由人員、軟件和硬件組成的系統(tǒng)管理所涉及的集成策略予以解決。

驅動人工智能演進發(fā)展的技術特征

歷來，人類在各種行動中向往擁有像智能機器這樣的朋友，這一信念推動著人工智能在科學、技術、工程以及數(shù)學方面的進步。

依據(jù)17世紀英國哲學家和思想家托馬斯·霍布斯（Thomas Hobbes）的說法，機器思維涉及由計算所構成的符號處理和推理過程。機器有能力解釋符號并通過符號的操縱來尋求到新的意義這一過程被稱為符號人工智能。與機器學習（ML）和其他一些人工智能方法相比，符號人工智能通過創(chuàng)建清晰、可解釋的規(guī)則來引導推理，從而提供從問題到方案的完全透明的過程。霍布斯認為思維由符號的運算組成，生活中的一切都可由數(shù)學來表示。這些信念直接帶來了這樣的一種觀念能夠對符號進行數(shù)學運算的機器可以模仿人類的思維，這也成了AI發(fā)展背后的基本驅動力。正是出于這個原因，人們將霍布斯稱為人工智能的哲學祖父。

英國數(shù)學家艾倫·麥席森·圖靈在1936年提出了圖靈機的理論。圖靈機又稱圖靈計算機，它不是真正的機器，而是一個數(shù)學模型、一個概念，就像狀態(tài)機、自動機（automata）或組合邏輯一樣。它是純粹的計算模型，將人們使用紙筆進行數(shù)學運算的過程進行抽象，由一個虛擬的機器替代人們進行數(shù)學運算。艾倫·麥席森·圖靈為問題求解機器概念的構思做出了重大貢獻，該機器僅根據(jù)輸入的可變指令就可普遍用于所有問題。

1945年，馮·諾依曼建議將計算機構建為能夠執(zhí)行各種程序的通用邏輯機，并堅信這樣的機器具有高度的靈活性，可以根據(jù)計算的結果在多個方案中進行選擇，從而做出明智的反應。馮·諾依曼也并不是計算機的發(fā)明者，而他提出的前所未有的概念，代表了一臺能夠執(zhí)行指令運算而內(nèi)置智能的機器，為后來基于計算機應用而誕生人工智能開辟了道路。

1956年開創(chuàng)人工智能有組織研究先河的達特茅斯會議，主要是作為交流信息的渠道，更重要的是成為AI研究工作重點的轉折點。會議并沒有過多地關注硬件如何模仿智能，而是設立專題來研討計算機處理數(shù)據(jù)的結構，使用計算機處理符號、新語言的需要以及在測試理論中計算機的作用。

1959年艾倫·紐厄爾、克里夫·肖和赫伯特·西蒙開發(fā)了通用問題求解器（GPS）程序，之后人工智能技術的進步與軟件技術的發(fā)展愈加密切。GPS可作為人類問題求解的理論方法，在這一框架中的信息處理過程，試圖解釋所有的記憶操作、控制過程和規(guī)則等功能行為，從而采用模擬程序的形式來陳述問題，該程序及其相關理論框架對認知心理學的后續(xù)發(fā)展方向產(chǎn)生了巨大的影響。使用GPS解決問題的關鍵步驟是根據(jù)所實現(xiàn)的目標和轉換規(guī)則來定義問題空間。GPS的手段目的分析（meansend analysis）方法，作為一種解決問題的技術，識別當前狀態(tài)、定義最終目標，以模塊化的方式確定達到最終狀態(tài)的行動計劃。

在同一年，約翰·麥卡錫推出了一種稱為LISP（List Processing，列表處理）的新的計算機編程語言。由于其具備獨特的內(nèi)存組織和控制結構，且不是依據(jù)前提條件引導到目標，而是從目標開始，逆向確定實現(xiàn)目標所需的前提條件，因此大大提高了研究人員開發(fā)AI程序的能力，作為最早的函數(shù)式程序設計的開拓者，諸多創(chuàng)新方面深遠地影響著后續(xù)編程語言的發(fā)展，更是壟斷人工智能領域長達30余年的應用。

之后的知識工程是在計算機上建立專家系統(tǒng)的技術。知識工程這個術語最早由美國人工智能專家E·A·費根鮑姆提出，并于1965年與他人合作開發(fā)出第一個成功的專家系統(tǒng)DENDRAL。專家系統(tǒng)也是AI領域中最早真正進入商業(yè)的應用。不同于之前AI的一般問題求解的期望，專家系統(tǒng)聚焦于解決特定的問題，它模仿人類專家在解決特定領域復雜決策問題時的思維過程，其研究內(nèi)容主要包括知識的獲取、知識的表示以及知識的運用和處理等三大方面。

人工神經(jīng)網(wǎng)絡是20世紀80 年代以來人工智能領域興起的研究熱點，它將神經(jīng)網(wǎng)絡當作人工智能系統(tǒng)中仿真智能（模擬智能）的基礎之一。神經(jīng)網(wǎng)絡反映人類大腦的行為，允許計算機程序識別模式并解決人工智能、機器學習和深度學習領域的常見問題。經(jīng)典人工神經(jīng)網(wǎng)絡（ANN）從數(shù)據(jù)中學習，AI連接主義的系統(tǒng)不僅以自適應的增量方式從測量進化過程的數(shù)據(jù)中學習，而且從經(jīng)訓練的系統(tǒng)中提取規(guī)則和知識。盡管連接主義方法使用生理學數(shù)據(jù)來指導尋找潛在的原理，但它更傾向于更多地關注整體系統(tǒng)功能或行為，期望通過大腦計算的某些原理來解釋人類的認知現(xiàn)象。

當前，在以生物學和語言學為基礎的計算范式理論研究中誕生了計算智能的概念，有時也稱其為軟計算，其在于模仿和實現(xiàn)人類智能推理過程，關鍵的任務是讓計算機從實驗數(shù)據(jù)或觀察中學習現(xiàn)實生活或復雜的問題。因此，需要將問題表述為計算機可理解的格式，計算智能使用一些試圖模仿人類質(zhì)疑和推理的技術。雖然模仿人類智能是復雜的，但針對問題的推理或質(zhì)疑方式可以復制。計算智能綜合地使用模糊邏輯、人工神經(jīng)網(wǎng)絡、進化理論、學習理論和概率理論等算法/方法，特別適合解決現(xiàn)實生活中的復雜問題。

人工智能的系統(tǒng)工程框架

數(shù)字化特征在于提高重復性和一致性。本書中所提出的數(shù)字系統(tǒng)框架將應用于工業(yè)工程、系統(tǒng)工程和數(shù)字工程相結合的流程，以可持續(xù)和可復用的方式實現(xiàn)資源的管理、配置和組織的過程，從而達成復雜組織和系統(tǒng)的運行目標。典型的決策支持模型是系統(tǒng)的表示方式，可用于回答有關系統(tǒng)的各種問題。雖然系統(tǒng)工程的模型有助于決策，但它們通常并不是傳統(tǒng)的決策支持系統(tǒng)，而是使用系統(tǒng)工程方法將解決方案集成到正常的流程中。

對于復雜系統(tǒng)，沒有哪一種技術可以輕易地滿足問題的所有需求。在尋求解決現(xiàn)實問題的方法時，需要結合多種技術并運用混合的系統(tǒng)�；旌舷到y(tǒng)旨在利用各個系統(tǒng)的優(yōu)勢，從而避免各個系統(tǒng)的局限性。對于大多數(shù)工程和制造問題的解決方案，不僅涉及啟發(fā)式方法，還涉及數(shù)學計算、大數(shù)據(jù)運算、統(tǒng)計分析、實時信息管理、系統(tǒng)優(yōu)化和人機界面等。這些相關的主題將在本書中詳細討論。除專家系統(tǒng)的基本概念外，本書還提供了從問題選擇、數(shù)據(jù)分析、知識獲取以及系統(tǒng)開發(fā)到驗證、確認、集成、實現(xiàn)等工作指南。

面對所有的AI系統(tǒng)和流程，人們期望滿足諸如有效性、高效性、易用性、優(yōu)雅性、安全性、安保性、持續(xù)性等目標。本書中提出人工智能的概念化和運行化的定義，強調(diào)在系統(tǒng)思維的有關背景下，每個元素如何在AI基礎設施的整體架構中發(fā)揮作用。在人工智能的系統(tǒng)工程框架中，我們可以采用構建系統(tǒng)視圖的方式來定義那些達成的愿望；同時將采用基于系統(tǒng)的方法，針對商業(yè)、工業(yè)、政府、軍隊以及學術領域的各個方面，研究人工智能的普適性作用和獨特的貢獻，從而由系統(tǒng)方法促進設計、評估、證實和集成等流程的實現(xiàn)。

本書將討論數(shù)字時代中，在系統(tǒng)工程（SE）的概念、工具和技術的背景下，AI是如何迅速發(fā)展的。系統(tǒng)工程是一門致力于集成各種元素來實現(xiàn)更強大系統(tǒng)整體能力的學科。因為在今天，人們期望更具快捷、高效、適應、一致的系統(tǒng)集成能力，從人工智能（AI）的角度來看，數(shù)字時代由基于數(shù)字的科學、技術、工程和數(shù)學（STEM）所構成，因而數(shù)字框架對于AI的實現(xiàn)至關重要，關鍵的特征將涉及模型協(xié)同的生態(tài)、開放式架構、系統(tǒng)生命周期的可持續(xù)性集成、大規(guī)模計算的基礎設施、安全數(shù)據(jù)存儲和云部署、可用性和可訪問性以及支持敏捷運用的數(shù)字平臺等。本書將介紹一種用于系統(tǒng)的設計、評估、證實和集成（DEJI）的性能增強模型，該模型與數(shù)字系統(tǒng)工程、AI應用研究密切相關。系統(tǒng)工程DEJI模型為數(shù)字系統(tǒng)平臺提供了一個可選的方法，通常適用于一般類型的系統(tǒng)建模，但這一結構化框架和系統(tǒng)工程模型特別適合于數(shù)字系統(tǒng)中實現(xiàn)AI的應用。

高星海

2022年4月于北航

致力于自然智能和人工智能的融合

前言

本書在于提供人工智能（Artificial Intelligence,AI）和數(shù)字系統(tǒng)工程的簡明概述，并非面面俱到，而是針對一般讀者勾畫出快捷的一覽圖，其更多是面向當今的數(shù)字時代，啟發(fā)人們理解人工智能對社會發(fā)展的預示意義。本書將采用基于系統(tǒng)的方法，就研究貢獻的各個方面來表明人工智能的普適性作用，包括商業(yè)、工業(yè)、政府、軍隊，甚至學術領域。系統(tǒng)方法促進了設計、評估、證實和集成流程的實現(xiàn)。

本書最重要的是明確提出集成在實現(xiàn)所有人工智能目標中的角色。AI 成為現(xiàn)代卓越運行的數(shù)字生命線。為實現(xiàn)人工智能應用的科學和技術資產(chǎn)的轉化，本書簡要介紹了相關技能和方法論。人工智能對于不同的人可能意味著不同的事物，本書提出人工智能的概念化和運行化的定義，強調(diào)在系統(tǒng)思維有關的背景下，每個元素如何在AI基礎設施的整體結構中發(fā)揮作用。一些定義用于概念化過程框架中，而另一些則用于技術平臺中。在人工智能工具應用方面，某些組織在不斷創(chuàng)新；而另一些組織則善于研究和開發(fā)新的人工智能工具。因此，我們必須澄清人工智能的各種角色、意義和背景，本書聚焦于此，在于達成這一目標。在AI應用過程中，首要問題是組織領導者如何接納AI的應用及其帶來的結果，本書將解釋各種不同之處。

感謝我的同事、學生和合作伙伴，正是他們多年來的激勵，使我堅持不懈地撰寫相關主題的論文，在教學、研究和知識拓展方面，對我而言意義非凡。雖不能一一列出，在此我向所有人致以崇高的敬意。