古月小说网

手机浏览器扫描二维码访问

三语言分析方法与当代人工智能问题（第1页）

三、语言分析方法与当代人工智能问题

banner"

>

当代认知科学和人工智能研究的核心论题——人工智能表征和自然语言处理问题同样经历了语用化发展。

作为人工智能的核心领域之一，表征理论的发展水平直接决定了计算机可以达到的智能水平，然而，人工智能表征的分解方法在自然语言语义理解方面遇到各种瓶颈，该难题要想获得突破，就必须以整体性语境描写方法取代传统的基于词汇的语境描写方法，从而在表征问题上突破句子层次结构的限制和句法、语义、语用三个平面的划分，实现整体性语境构建方法与分解方法的有机融合，自然语言处理是计算机智能的核心技术，但由于缺乏统一的理论基础以及思维模式的限制，其发展速度相当缓慢，至今尚未取得重大突破，经历了从整体到局部的思想转变之后，下一阶段自然语言处理的关键就在于，在动态语义分析中引入语用技术，从而在语形和语义阶段的基础上，朝向新的语用化阶段发展。

（一）当代人工智能表征的分解方法及其问题

“认知科学必然以这样一个信念为基础：那就是划分一个单独的称之为‘表征层’的分析层是合理的。”

①在人工智能早期阶段，表征（repre-sentation）融于计算之中，这对于编程人员和专家系统的领域专家来说都是一件烦琐的工作。

系统程序一旦编好，要想修改就非常困难。

并且，不能重复利用已有系统，这在很大程度上浪费了人力和资源，不利于人工智能理论与工程的发展。

到了专家系统阶段，知识库和推理机的分离机制，使人工智能表征和计算以相对独立的姿态在各自领域展开研究。

这是人工智能发展史上的一次巨大进步。

然而，基于形式系统的人工智能在模拟人类智能过程中，在表征问题上发展非常缓慢，遇到了难以逾越的鸿沟，所有的瓶颈问题最后都落在了理解自然语言的语义问题上。

我们认为，基于分解（analysis）的方法是造成人工智能表征瓶颈的关键所在。

因此，有必要从处理人工智能表征的思想方法入手，探索解决这一难题的可能途径。

1.分解方法已经成为人工智能表征发展中的瓶颈

自1956年达特茅斯（Dartmouth）会议提出“人工智能”

以来，作为人工智能核心技术之一的表征，其发展速度相当缓慢，至今尚未取得重大突破。

这是一个值得深刻反思的问题。

建立在形式系统之上的人工智能，在处理表征的方法问题上，通常认为“句子的意义由其语法（gram-mar）以及单词的意义决定”

①，而语法“用于制定如何由词造句的原则”

②。

并且，受乔姆斯基的有限状态语法（fiegrammar）、“短语结构语法”

（phrasestructuregrammar）以及“转换生成语法”

（transfor-mationalgrammar）三个语法模式理论的深刻影响，将句子分解为层次结构的思想成为人工智能表征的主要方法之一。

以上述思想为预设，人工智能在处理表征问题时主要采用句法分析（Syntaxanalysis）、语义分析（Semantialysis）以及词汇分析（Lexialysis）等基于分解的方法。

而这些分解方法实现的基础是首先将句子分解为单词，计算机才可以采取进一步的智能处理。

可见，无论是哪个角度、哪个层面的处理，人工智能表征所采取的方法都是基于分解思想的。

从人工智能理论发展的历程来看，分解是建立在形式系统之上的人工智能表征的必然选择。

然而，在发展到一定程度之后，分解方法的弊端逐步凸现。

因此，思想方法的转变成为下一步人工智能能否取得突破的关键所在。

不过，新的方法必然要以分解方法为基础，我们很难在形式系统上构建完全脱离分解思想的新的表征方法。

由此，正确认识分解方法的思想本质成为新方法建立的前提。

第一，分解思想是造成人工智能表征各种瓶颈问题的理论根源人工智能表征在发展到专家系统阶段之后，就逐步从自然语言处理的语形阶段向语义阶段迈进。

而在自然语言处理的思想方法问题上，对语言意义的处理深受相关哲学思想的影响。

其思想方法的哲学根源在于：为了获得关于语言本性的认识，首要的就是把意义概念置于首位。

因此，“从一开始，包括弗雷格、罗素、卡尔纳普以及语言学家乔姆斯基等，在探讨意义理论时就未加分析地预设了许多前提”

。