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。
1704433722
1704433723
最后，“使用新的形式表述目标”的方法，并非只有“去除不必要的限制”这一条途径。有时候，我们的思想会急速发生剧变。请回想示例八“汽车营救”，搜救队的指挥官在没有去除限制条件的前提下，就改变了目标的本质：利用车顶的空间抬起受害者，而不再执着于从车门处救出受害者。
1704433724
1704433725
人工智能程序并非“生成”选项的方法。相反，它是一种“建立起搜索区域，之后利用启发法实现更高效的搜寻，找出合理选项”的手段。进行快速搜索恰恰是电子计算机最擅长之事。电脑无须为了搜索而构建任何创造性的程序，也无须创造任何新事物。如果搜索空间的结构足够清晰，则可搜出一些新颖的发现。举个例子，如果你在电脑中输入一千种不同的冰淇淋风味，十种蛋卷类型，加上五百种糕点装饰材料，那么电脑绝对会为你组合出一系列前所未有的冰淇淋口味。
1704433726
1704433727
人工智能中的最重要机制之一就是列举出所有的备选项，再高效地对其进行筛选。这种策略与决策中的分析方法相似。这些方法敦促人们尽可能多地生成行动选项，以便将理性层面上最合理的方案囊括其中。这之后，我们再在上述选项中进行搜索，去除糟粕，寻找精华所在。计算式方法致力于将“思维”缩减到“搜索”的层次。因此，对于那些能够转化为搜索过程的任务，人工智能方法的效果最为突出。
1704433728
1704433729
为了批判性地检验图十二中所述问题解决模型的主张和思想，或许我们应该考虑一件既考验决策技巧也考验问题解决技巧的事件。该类事件最令人兴味盎然之处在于：探测问题，呈现问题以及形成新的行动方案。
1704433730
1704433731
如何作出正确决策 [:1704432238]