1704433672
绝大多数自然情境下的目标界定都比较模糊不清。某些目标的界定含混程度较低，譬如“消防灭火”。某些目标的界定含混程度较高，譬如“解决停车场难题”。还有一些目标的界定含混程度则极高，譬如“写作优秀的短篇小说”。
1704433673
1704433674
绝大多数问题解决与决策研究都集中关注界定清晰的目标──譬如，解答数学方程、物理习题或者逻辑推理中的三段论问题。之所以热衷于探讨这些界定清晰的问题，是因为科研人员可以据此布置精心设计的实验，操纵不同的变量，再观察实验操纵是否会影响到正确答案的出现概率。由于所有的问题都存在正确答案，因此这些研究也都不存在任何模糊性。总之，问题解决领域大多只关注于那些界定清晰的任务。
1704433675
1704433676
从“问题定义”，到“生成行动选项”，再到“评价结果”，步步紧扣，这种标准化的建议极具系统性，因此也就愈加吸引人心。可是，在处理界定含混的目标时，这种观点注定失效。第一步，界定目标，即永远无法完成，因为目标界定本身就是模糊的，这也就意味着问题解决者难以再进行到下一步。事实上，问题解决者不得不一直受困在第一步。可见，此种标准的解决问题方法，可以说连“屠龙之技”尚且不如，因为它反而会干扰到界定含混问题的解决过程。
1704433677
1704433678
请试想以下问题：“我希望如何度过自己的人生？五年之后，或者二十年之后，我又希望自己成为一个什么样的人呢？我希望拥有什么样的生活方式呢？所有这些问题，都需要在我参加工作之前，甚至在完成自己的教育之前，就给出圆满的答案。”上述问题来自于专门设计给高校学生的传单。笔者很想知道，拥有高等学历的读者朋友们，有多少人能够清晰地回答出这些问题。
1704433679
1704433680
条理不清的问题包括很多类别，不只是界定含混的目标。按照雷特曼的观点，条理不清的问题还有可能表现为“起始状态没有界定”，“目标状态界定不明”或者“从初始状态到目标状态的转换过程界定不清”。对于某些问题而言，澄清初始状态才是重中之重。举个例子，诊断出导致一系列诡异症状的病因，往往可以帮助医师确认合适的治疗措施。对于其他问题，譬如从燃烧的高楼中救助市民，分析受困民众为什么要进入大楼，则纯属无关紧要之事。接下来，我们探讨一下“目标状态界定含混”的情况。对于某些问题而言，澄清目标状态是至关紧要之事。譬如，一位寻找工作的青少年，就可能对一份好工作的关键特征一无所知。对于其他问题，譬如，将某大城市的犯罪率降低一半，目标状态的界定非常清晰，决策者所需要做的就是诊断出犯罪的主要原因（譬如，失业率过高，法纪松弛等），并且找到杜绝这些原因的方法。最后，从初始状态到目标状态的转变，也有可能是重中之重，譬如，制订一份计划目录；从初始状态到目标状态的转变或许也可以是无关紧要的，譬如，一位医师在了解了病情之后，对于治疗过程早已熟稔于胸了。因此，鉴于问题本质各有不同，问题解决的关注点也将大相径庭。
1704433681
1704433682
四阶段模型并不完整，而且有误导之嫌。它并没有指明个体应该如何界定目标，或者如何制订行动方案。它仅仅说“这些步骤必须要完成”。它可能包含“诊断问题”这一阶段，可惜这对于某些类型的问题而言毫无用武之地。它让人们误以为所有的步骤都必须按照线性顺序加以执行。绝大多数研究问题解决的行为科学家，现在都已认识到了阶段模型的缺陷之处。阶段模型中的各个成分本身都有其道理所在。它所存在的问题并不在于阶段模型的各成分，而是其线性假设。图十二中的各成分与阶段模型别无二致，差异在于这些成分的组织方式，正因如此，该非线性模型才更加适用于解决界定含混的难题。
1704433683
1704433684
人工智能方法
1704433685
1704433686
人工智能的研究者致力于使用电子计算机来执行复杂任务和推理任务。20世纪50年代，赫伯特·西蒙与其他先驱者意识到，电脑不仅可以操纵数字，还可处理符号。通过将知识以符号的形式进行编码，西蒙及其同事能够赋予电脑学习、推理以及解决问题的能力。由此，他将思维研究塑造成为一种令人尊敬的科学门类。想验证编码后的电脑是否能够模拟人类的思维过程，只需将电脑解决问题时的表现与正常人类相互对照。先前，美国的心理学家非常排斥思维研究，认为其太不科学。主流的研究范式是探查较低级生命体──譬如老鼠和鸽子——的学习行为。西蒙及其同事彻底改变了这股风气。
1704433687
1704433688
1972年，艾伦·内维尔和赫伯特·西蒙出版了《人类的问题解决》（Huamn Problem Solving）一书，介绍了他们的成功经验──以编程手段使得电脑可以模仿人类思维过程，完成复杂任务，譬如国际象棋、谜题等。示例二十二即是他们在研究中所使用的算式谜任务。
1704433689
1704433690
示例二十二 DONALD + GERALD = ROBERT
1704433691
1704433692
算式谜（cryptarithmetic）的任务就是要解决一道难题，已知DONALD + GERALD = ROBERT，仅有的线索是D = 5。每个字母都代表着不同的数字，任务是：分析出每个字母分别所代表的数字。
1704433693
1704433694
1704433695
1704433696
1704433697
首先，我们知道D = 5，因此可以推断出T = 0。同样，在等式最左侧一列，我们知道D （5） + G最小是6，最大是9。我们知道， R是奇数，因为在第五列， L + L = R，而两数相加并没有进位，因此R不是7就是9。同样，其他数字亦可依此类推。
1704433698
1704433699
人工智能领域取得了一系列重要的发现，但是其对学界的冲击力并没有达到先驱们理想中的程度。之所以影响力有限，是因为人工智能领域主要关注的是界定清晰的问题。就像示例二十二中所介绍的算式谜一样，它的界定非常清晰。针对这样的问题，内维尔和西蒙发现，个体会使用一些启发式的方法──譬如，寻找到一些中间目标，通过解决它们，来破解整个题目。
1704433700
1704433701
执着于界定清晰的问题并不是人工智能方法的唯一缺陷。尽管该方法宣称其研究对象是人类如何进行问题解决，但是整个理论受限于数字电脑的计算过程，比如建立并且搜寻表格。
1704433702
1704433703
现在，我们来看一下人工智能方法在探讨问题解决的过程中究竟存在着哪些不足。以下是人工智能方法的一些基本观点：
1704433704
1704433705
一、问题以“受限制的问题空间”呈现，通过一系列有限的物体、关系和属性组合而成。
1704433706
1704433707
二、问题解决就是在问题空间内进行搜索、直到理想中的知识状态得以满足的过程。
1704433708
1704433709
三、搜寻可以是启发式的（透过“手段与目的分析”，设定子目标，逐步实现最终目标）。
1704433710
1704433711
四、使用新的形式表述目标，即意味着去除不必要的限制。
1704433712
1704433713
人工智能程序会建立起问题空间，内含对所有物体及其属性、关系的涵义的描述。该程序的目标就是要探测到至少一条将初始状态和终点状态连接起来的通路。程序可以采取启发式的搜索，以免除检查每一种可能途径的繁琐。譬如，程序在遭遇到缺口时，将暂时停止，这就是目前状态与目标状态之间的区别，之后填补此缺口即成为子目标，而搜索的主要任务就是缩减当前状态和目标状态的区别。这就是所谓的“手段与目的分析”策略——识别出通往目标状态路上的阻碍，以消除阻碍为新目标，并以此类推。
1704433714
1704433715
人工智能的研究者尽管取得了诸多成就，但是我们对其主张还是不可掉以轻心。事实上，该理论的每一条基本观点都存在缺陷，整个框架也是建立在不正确的前提之上的。
1704433716
1704433717
首先，所谓的“问题空间”，与我们所了解的任何问题解决相关的人类经验都不匹配。我们根本就没有发现个体去主动地构建问题空间，只有一种情况除外，就是在解决组合性的而且界定十分清晰的问题时──譬如，同时投掷四枚硬币，求其中有三枚正面朝上的概率是多少。假如你不知道相关公式，就只能在纸上画出所有情况，再计算频率。对于复杂程度更高或者精确程度更低的情境，人类通常不会去构建出包含有物体、关系或者属性的问题空间。
1704433718
1704433719
其次，“在问题空间内部进行搜索”这一观念也忽略了一种情况──人类有能力注意到自己过去未曾思考过的事情，发现并整合出一套新的解决方法。设若我们已经建立起了问题空间，那么按照逻辑推理，我们应该是无从做出新颖发现的。
1704433720
1704433721
再次，除了手段与目的分析之外，还存在着其他策略。“运用手段与目的分析达成目标”，与“发现机遇”是截然不同的两种策略。解决问题的过程中，我们能够敏锐地觉察到各种机遇，即使这些机遇与手头上着力消弭的障碍无关，仍可被个体所领悟到。除此之外，沃斯、格林尼、博斯特和潘纳研究了结构模糊的社会科学难题，结果发现，直接支持手段与目的分析的证据十分缺乏。