1700525000
——杰里米·伯恩斯坦
1700525001
1700525002
本书假定任何大脑、机器或其他具有思维的事物一定都是由更小的、不能思考的事物构成的。本书的结构本身就反映了这种观点：每一节都探索了一个理论或理念，而它们又都利用了其他节中的内容。有些读者可能更喜欢常见的故事情节模式。我试了几次，但似乎都不成功。我试过许多方法来把事物排列起来，但每种方法都会留下许多不适用的内容。思维太复杂，不适合那种由这里开始，到那里结束的叙事模式。人类的智能依赖于一个复杂网络中的各种联结，想把它们捋顺根本就行不通。
1700525003
1700525004
许多心理学家都梦想着能用一种简洁的方式描述思维，那么心理学就会变成一种简单而精确的学科，就像物理学一样。但人们不能把现实和梦想混为一谈。可以用很少、很简单的原理来描述世界上的大部分事物并不是物理学家们的远大理想，而是宇宙的本质。而我们的思维操作并不能也依赖于相似的几个简单原理，因为我们的大脑在经历过万古的进化后已经积累了许多不同的机制。这表示心理学永远不会像物理学一样简单，任何一个关于思维的简单理论都会损失“广阔图景”中的大部分内容。如果我们发展出的心理学概述无法给许多更小的理论提供空间，那么对心理科学是很不利的。
1700525005
1700525006
要组建本书中提出的概述，我不得不做出几百种假设。有些科学家可能反对这样做，因为像物理学和化学这种成功的科学已经发现，如果发展出的理论需要的假设最少，并且可以排除所有看上去并非本质的内容，那么这种理论所产生的成果更丰富。但是对于心理学而言，除非我们能有一个更为一致的框架，否则要剔除那些为了展示一种理论比另一种理论更好却未经证实的假设还为时尚早。因为不管怎样，当前的理论似乎都不太可能存活很长时间。在我们对心理学的森林有成形的概念之前，只能想象更多的书目，并且限制自己不要把它们过度简化至死。我们要做好足够复杂的准备来应对那些真实的存在。
1700525007
1700525008
人们开始有效地思考产生思想的脑机器的性质，距今还不到100年[1] 。在此之前，研究这件事的人都受到了阻碍。一方面是因为他们无法做实验，尤其是关于年幼儿童的实验；另一方面，他们缺乏描述复杂机器的概念。现在，人类第一次积累了足够的概念工具来开始理解由几千个组件构成的机器。然而，我们才刚开始应对由几百万组件组成的机器，而对于由数十亿机器构成的大脑，我们几乎还没有开始形成概念。在人们遇到更大、更不熟悉的系统时，新的问题总是会出现。
1700525009
1700525010
由于本书中的大部分陈述都只是推测，那么在每一页都重申这一点就太啰唆了。相反，我用了像“有可能”这样的字眼，并且删除了所有的科学证据文献。与此相应，本书不应该被当作科学学术文本来阅读，而应该当作一次可以展开想象的冒险故事。每个理念都不应被看作是关于思维的确切假说，而只是人们构建思维理论的工具箱中另一件工具而已。实际上，就某种意义而言，这是关于心理学唯一一种现实的思考方式，因为每个人的思维作为一个巨大的机器都是以某种不同的方式发展的。思维是机器吗？对此我毫不怀疑，但我还是会问，是什么类型的机器？尽管大部分人觉得如果被当成机器好像被贬低了，但我希望本书能让他们感到高兴，因为能做一台有如此神奇力量的机器是多棒的一件事啊。
1700525011
1700525012
科学家们喜欢褒奖那些第一个发现各种理念的人。但本书的中心概念，也就是思维是由许多小机器装置构成的社会，包含了多年的努力才有了今天的样子。我只能提到很少一部分人，他们对这一理念有着最重要的影响。在本研究中，我分享了人类思维所能享受的最大特权：与同时代最重要的知识分子一起构建新的理念。作为哈佛大学的一名学生，我沉浸在数学和心理学的海洋里，并且和两位伟大的年轻科学家建立了联系，一位是数学家Andrew Gleason，还有一位是心理学家George A.Miller。那是科学化运动（后来被称为控制论）的时代，而我特别着迷于Nicholas Rashevsky和Warren McCulloch的研究，他们构建了第一批理论来说明简单的细胞机器组合在一起可以做到识别物体和记住它们所看到的内容。1950年，我刚开始在普林斯顿大学读研究生的时候，已经对如何制作多重智能体学习机器有了一个足够清晰的理念。George Miller筹集了制作这台机器的资金，于是就做出了第7章所说的Snarc。这是和我的同学Dean Edmonds一起建构的，它能够以特定的方式学习，但它的局限性让我确信，要想制作具有更多功能的“思维机器”，一定还需要利用许多其他原理。
1700525013
1700525014
我在普林斯顿的老师正处于数学的黄金年龄，他对心理学不是特别有兴趣，但思维方式比学科本身更重要，我从Albert Tucker、Ralph Fox、Solomon Lefshetz、John Tukey、Salomon Bochner和John von Neumann那里学到了新的思维策略。我从和我同时代的普林斯顿的学生那里学到了更多，尤其是John Nash、Lloyd Shapley、Martin Shubik和John McCarthy。1954年，我作为哈佛大学研究员协会的初级研究员回到了哈佛，没有其他负担，只需要追求看上去最重要的目标即可。似乎没有办法可以避开低水平、分布式联结的学习机器所具有的明显局限性，所以我转向了一个关于经验泛化的新理论，这个理论是由Ray Solomonoff开创的。我还与Warren McCulloch和Oliver Selfridge建立了联系，直到我成为麻省理工学院的数学教授之前，一直在与他们紧密合作。正是他们让我获得了如何建立实验室工作的概念。
1700525015
1700525016
1959年，John McCarthy从达特茅斯学院来到麻省理工学院，之后我们开始了麻省理工学院人工智能项目。我们一致认为最关键的问题是思维如何进行常识性推理。McCarthy更关注为推理建立逻辑和数学基础，而我更关注我们如何利用识别和类比模式进行推理的理论。这种理论与实践相结合的研究吸引了许多能力很强的学生，而我们的实验室氛围结合了数学的力量和工程学的冒险精神，这不仅产生了关于计算机的新理论，而且开发出了第一批自动化机器人。1963年，McCarthy离开并在斯坦福大学建立了一个新的人工智能实验室，而现在人工智能领域已经有了三个主要的研究中心，还包括Allen Newell和Herbert Simon较早前在卡内基-梅隆大学建立的研究中心。第四个中心将很快出现在斯坦福研究实验室，我们所有人都会紧密合作。
1700525017
1700525018
为我们的工作提供人力和设备支持的资金主要来自一个高级研究项目机构的办公室，这个机构主要关注的是信息加工技术。这个办公室实际上是由科学家本身监管的，最初的总监是J.C.R.Licklider博士，我在哈佛上学时，他就是我的老师和朋友。Licklider已经在马萨诸塞州剑桥市的“Bolt，Beranek and Newman”公司组织过一个研究中心，McCarthy和我，还有我们的几名学生曾经和这个组织紧密合作过几年。后来，Licklider回到麻省理工学院成了一名教授，信息加工技术办公室就由Lawrence G.Roberts和Ivan Sutherland（曾是我们在麻省理工学院的学生）接管，之后又由Robert Taylor和Robert Kahn接管，他们所有人都做出了重要的智力贡献。所有这些研究合同的实际细节都由海军研究办公室（ONR）的Marvin Denicoff管理，他关于未来的愿景对整个领域产生过实质性影响。我自己的研究在很长一段时间里都是由ONR支持的，它从我在普林斯顿读拓扑学研究生的时候就开始为我提供支持，后来Denicoff的接任者Alan Meyrowitz在我完成本书期间也为我提供了支持。
1700525019
1700525020
麻省理工学院的Jerome Wiesner和Philip Morse为我们的第一个实验室筹集了资源。我们在麻省理工学院的发展受到了William Ted Martin、Norman Levinson、Witold Hurewicz、Norbert Weiner、Claude Shannon、Peter Elias和Robert Fano的鼓励。我有幸与Shannon共同被授予麻省理工学院的科学贡献教授，并且在多年中都得到了许多个人和组织的支持：John Williams、Paul Armer和Merril Flood让我可以与“Newll，Shaw and Simon at the Rand”公司合作，Oliver Selfridge和Gerald Dinneen支持了在麻省理工学院林肯实验室的研究，Michel Gouilloud从斯伦贝谢公司支持了我的工作，Edward David从埃森克石油公司提供支持，还有Alan Kay（相继）从施乐、雅达利和苹果公司为我的许多学生都提供了支持。有好几年的时间，思维机器公司既支持了研究，也支持了一种名为联结机器的新型计算机开发，这是由我的学生Danny Hillis为体现心智社会而设计的。
1700525021
1700525022
最重要的是，我想感谢西蒙·派珀特对本书的贡献，他于1963年来到麻省理工学院，此前他和让·皮亚杰在日内瓦研究了五年儿童发展。派珀特和我合作得非常好，我们一起管理了十年实验室，互相同意对方对应该做什么所做出的决策。我们一起开发了新的数学技术，设计了实验室做试验，建立了计算机硬件和软件，并且指导了同样的学生。如果不是因为我们在相遇之前发展出相似的智能研究方向，是不会有这么好的合作关系的。我们关注的都是相同的数学领域，对机器的关注以及对心理学的态度也很相似。我们有一个项目是要建立一种机器，它有很好的视觉，可以用机械手来解决真实世界的问题，这就是“建设者”以及它所引发的洞见的起源。在试图让这个机器人可以看见的过程中，我们发现没有一种单一的方法本身可以很好地发挥作用。举例而言，机器人只凭视觉几乎无法辨认一个客体的形状，它还需要利用其他类型的知识，比如哪种类型的客体很有可能被看见。这个经验让我们产生了这样一种印象，只有把不同类型的程序组合才有可能足以完成任务。除了机器人，派珀特和我在其他许多领域都有合作。举例而言，我们花了几年的时间为后来被认为是神秘的感知器类型的学习机器开发了一个新的数学理论。在20世纪70年代中期，派珀特和我试图共同写一本关于心智社会的书，后来由于理念尚未成熟而放弃了这一尝试，但我们的合作结果影响了本书的早期章节。
1700525023
1700525024
派珀特和我最终都从大规模的科学事业离开，转向了一些不同的个人目标，我们把监管实验室的责任交给了我们最有创造性也最具生产力的学生之一Patrick Winston，是他第一个想出了制作统一框架的理念。派珀特继续发展了一批关于思维发展与教育的新理论，这使得后来出现了一种叫作LOGO的计算机语言，还产生了许多其他概念，这些概念在接下来的十年中开始进入主流教育思想。我主要关注的是寻找更好的理论来解释关于一个儿童如何有可能学会搭建积木这个小世界。构成这本书整体画面的各个小拼图在20世纪70年代中期开始在我脑中匹配起来，围绕着框架编队的概念，最终形成了关于沟通线、K线和水平带的理论，后来在本书成形的最后阶段，形成了代原体、多忆体和跨领域通信的理念。
1700525025
1700525026
就手稿本身来说，Bradley Marx阅读了每一版草稿，把各个新版本与早期版本对照，帮助我保持清晰性和风格一致性，尤其是还防止好的理念由于冲动的修改而被破坏。这是一项艰巨的工作，因为早期的手稿长度是现在版本的两倍。Robin Lakoff建议缩减英文，这开始看上去好像不可能，但后来变得非常自然。Theodore Sturgeon审阅了早期的草稿，我真希望他能活到现在看到本书出版。Kenneth Haase、Betty Dexter和Tom Beckman提出了无数的建议和修正。后续的草稿由Danny Hillis、Steve Bagley、Marvin Denicoff、Charlotte Minsky、Michel Gouilloud、Justin Lieber、Philip Agre、David Wallace、Ben Kuipers、Peter de Jong和Sona Vogel审阅。Richard Feynman对关于记忆和并行加工的内容提出了许多真知灼见。David Yarmush帮助把本书组织成章节，并帮助形成了从常识性语言到技术性语言的坡度。Bob Whittinghill提出了许多关于语言和心理学的建议。Douglas Hofstadter评估了整个理论，迫使我做出了一些实质性的改变。Michael Crichton提出了许多技术性建议，并帮助我精炼了许多早期的章节。
1700525027
1700525028
Russell Noftsker和Tom Callahan在工程学方面为我们的工作做出了重要贡献。有许多理念都来自麻省理工学院的学生，尤其是Howard Austin、Manuel Blum、Danny Bobrow、Eugene Charniak、Henry Ernst、Tom Evans、Scott Fahlman、Ira Goldstein、William Gosper、Richard Greenblatt、Adolfo Guzman、Kenneth Haase、William Henneman、Carl Hewitt、Danny Hillis、Jack Holloway、Tom Knight、William Martin、Joel Moses、Bertram Raphael、Larry Roberts、James Slagle、Jerry Sussman、Ivan Sutherland、David Waltz、Terry Winograd、Patrick Winston和其他许多人。与Maryann Amacher、Gregory Benford、Terry Beyer、Woodrow Bledsoe、Mortimer Casson、Edward Feigenbaum、Edward Fredkin、Arnold Griffith、Louis Hodes、Berthold Horn、Joel Isaacson、Russell Kirsch、David Kirsh、Robert Lawlor、Justin Leiber、Douglas Lenat、Jerome Lettvin、David MacDonald、Curtis Marx、Hans Moravec、Stewart Nelson、Nils Nillsson、Donald Norman、Walter Pitts、Jerry Pournelle、Charles Rosen、Carl Sagan、Roger Schank、Robert Sheckley、Stephen Smoliar、Cynthia Solomon、Ray Solomonoff、Luc Steels、Warren Teitelman和Graziella Tonfoni在各种时间的合作也产生了不计其数的其他思想。我希望能感谢早年所有的朋友对我的启发，尤其是W.Ross Ashby、Thomas Etter、Ned Feder、Heinz von Foerster、Donald Hebb、John Hollander、Arnold Honig、Gordon Pask、Roland Silver、Jan Syrjala、Carroll Williams、Bertram Wolfe、David Yarmush，还有我年轻时所有指导过我的老师，尤其是Dudley Fitts、Ruth Gordon、Alexander Joseph、Edward Lepowsky和Herbert Zim。还有一些人也对我的发展产生过强烈的影响，开始是他们的著作，后来是与他们的友谊，包括Arthur C.Clarke、Robert Heinlein、Frederick Pohl和最重要的Isaac Asimov。
1700525029
1700525030
当然，对我的思维风格影响最深的是我的父母Henry Minsky和Fannie Reiser。我的妻子Gloria Rudisch，我的孩子Margaret、Henry和Juliana（她画了插图，有时还调整文本格式以便它们能对齐），我的姐姐Ruth也帮助过我修改此书。我的姐姐Charlotte也在此列，因为甚至在我还是孩子的时候，她就是一名强大的艺术家和评论家，她的梦想变成了我这些普通文字的意义。
1700525031
1700525032
[1] 本书初版是1985年。——译者注
1700525033
1700525034
1700525035
1700525036
1700525038
心智社会：从细胞到人工智能，人类思维的优雅解读 词汇与参考书目
1700525039
1700525040
因为我觉得对这种思维理论感兴趣的人可能不只是这方面的专家，任何会思考的人可能都会感兴趣，所以我喜欢用一些普通的词汇，而不是心理学方面的技术性语言。这几乎不会造成任何损失，因为许多心理学的术语代表的已经是过时的理念了。但因为我同样希望本书可以面向专家，所以尽量在字里行间隐藏更多的技术理念；我希望这种层面的行为没有表现得太明显。然而还是有一些特定的要点无法用普通的语言来表达，我不得不发明一些新的术语或者为旧术语安排一些新的意思。
1700525041
1700525042
积累（accumulation，12.6） 一种学习类型，以收集理念的范例为基础，而不会试图描述范例之间的共性。与统一框架（uniframe）相反。
1700525043
1700525044
智能组（agency，1.6） 由部件组合在一起构成，人们只会考虑它作为一个单元可以完成什么任务，而不会去考虑它的每个组件本身会做什么。
1700525045
1700525046
智能体（agent，1.4） 思维中的任一组件或程序，它自身非常简单，容易理解，但多个智能体组合在一起可能会产生的现象让人难以理解得多。
1700525047
1700525048
人工智能（Artificial Intelligence，7.4） 这个研究领域关注的是制作机器，让它们去做那些人们认为需要智能的事。在心理学和人工智能之间没有清晰的界线，因为脑本身就是一种机器。要初步了解这一领域，我推荐阅读Patrick Winston的教材Artificial Intelligence（Addison-Wesley，1984）。要了解更多它与心理学的关系，请阅读Roger Schank和Kenneth Colby（教育学专家）所著的Computer Models of Thought and Language，Freeman，1973。想了解关于脑和机器的一些有影响力的早期理念可以阅读Warren McCulloch所著的Embodiments of Mind，MIT Press，Cambridge，Mass.，1966。见智能（intelligence）。
1700525049
[
上一页 ]
[ :1.700525e+09 ]
[
下一页 ]