粒计算中的人工智能思想探析

摘要：本文探讨了粒计算在人工智能领域中的理论基础和应用价值，重点阐述了粒计算如何融合人工智能中的多种理论，并通过信息粒化和全局分析能力来处理复杂和不确定的信息。进一步分析了粒计算如何将系统论和还原论的思想统一为问题求解的结构化思维，从而增强其在不同语境层次上的处理能力。

关键词：粒计算；人工智能；信息处理；还原论；系统论；复杂系统；软计算；语境论

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2024）32-0026-03 开放科学（资源服务）标识码（OSID） ：

0 引言

粒计算是近五十年来发展起来的新学科，主要用于处理不完整、不确定、模糊和海量的信息，是软计算科学的一个分支。目前，粒计算尚无权威定义，但可以从其实践应用和直觉认识上建立一种简单的理论描述：粒计算是研究基于多层次粒结构的思维方式、问题求解方法、信息处理模式及其相关理论、技术和工具的学科[1]。它融合了人工智能中多种理论的研究成果，借助其他学科的哲学思想和方法论，对复杂问题的求解提出了多视角、多层次的全局分析解决方案，将系统论和还原论统一为问题求解的结构化思维。

粒计算是在对人工智能符号主义和联结主义工作范式的局限性进行反思的基础上兴起的。其基本思想强调结构性和系统性，不仅注重从系统的整体语境中进行把握，还关注系统的局部语境，将二者有机结合，从而形成对系统的全面语境理解。

1 粒计算产生和发展的历史背景

传统人工智能的工作范式基于符号处理机制，被称为符号主义。符号主义又称为逻辑主义，认为人与计算机一样是一个物理符号系统，人类智能的基本单元是符号，而认知过程则是符号表示下的符号计算。因此，通过研究逻辑演绎在计算机上的实现方法，可以模拟人类智能[2]。在人工智能发展史上，符号主义长期以来一枝独秀，取得了巨大成就，奠定了人工智能的基础，其兴盛在于与人类认知世界形成的知识逻辑结构相一致。符号主义直接从人脑功能的宏观表现出发，试图用计算机模拟人类智能。然而，到了20 世纪80年代，符号主义这一强人工智能进路遇到了前所未有的困难，在视觉、语音、语言等方面的信息模拟处理上面临巨大的挑战，对于这些非数值计算的形象思维问题，符号主义难以高效处理。此外，符号主义在处理不完整、具有不确定性和模糊性的信息时效率不高，并且对计算机硬件依赖性强，一旦内部元件损坏，系统便无法正常工作。这些问题的出现促使人们开始反思符号主义的理论基础。

在对强人工智能进路局限性反思的基础上，人们开始尝试人工智能的软计算研究途径，神经网络便是在这种情况下兴起的。神经网络的复杂性建模不仅为复杂系统的研究提供了突破方向，更重要的是为人工智能提供了一种方法论的变革，产生了新的研究范式——联结主义。神经网络立足于解决复杂问题，认为复杂系统的复杂性是客观存在的，不能按照传统的线性分析方式简化。神经网络注重复杂系统的整体性，关注其内部错综复杂的关系，可以说它们是一种语境化的模型，将自身完全置于所研究系统之中，尽可能地在模型中表达系统内部的复杂关系。然而，神经网络的局限性也很明显，尽管它们从整体论出发，却忽视了局部的结构性，这实际上与符号主义从还原论出发相似，都是基于简单性原则，这种工作范式与人类认知世界的方式仍有明显差异。

最近五十年兴起的粒计算，从还原论和整体论的视角同时出发，既注重系统的整体性，又关注系统的结构层次性，力图真实反映人类认知的复杂性，为复杂性问题的研究提供一个全面的语境描述。一是，粒计算的理论建构与人对客观世界的认知一致。Zadeh 将人类的认知概括为：粒化、组织和因果推理[3]。粒化是将整体分解成基本粒，组织是按照某种抽象规则将基本粒组成粒层，而因果推理则是粒层之间的分层结构联系。因此，粒计算的模拟对象定位于现实世界的结构、人们的思维模式和行为方式。二是，粒计算的理论构建着眼于对所解决问题的多视角、多层次的描述和理解。三是，粒计算能够在不同层次抽象和处理问题，将复杂问题简化为简单问题。四是，粒计算的结构构建允许不同层次的问题灵活转化，自然过渡。五是，粒计算可以对不确定信息进行不同信息粒度的表达，因此具有良好的鲁棒性。

2 粒计算的基本思想及其理论基础

粒计算的基本思想来源于人类的问题求解思维方式，如图1所示。在认识世界、解决问题和进行推理决策时，人类需要处理大量的信息。为何能从繁杂的信息中搜索出有用信息，并进行综合分析，进而有效处理？粒计算认为，这是因为人类具有信息粒化和全局分析的能力。信息粒化是指人类在处理大量复杂信息时，根据各自的特征和性能，将其划分为若干个较为简单的块，每个块被视为一个粒[4]。同时，人类具备强大的全局分析能力，可以对粒化后的信息进行综合分析，构建粒世界，尽可能实现对现实世界的全面、客观理解。粒计算通过抽象和模拟人类的信息粒化和全局分析能力，希望找到合理的形式化模型，以便通过计算机仿真实现这种功能。

在问题求解过程中，人类能够从不同视角和不同层次抽象出问题进行观察、分析和综合，从而对问题形成全面的认知。因此，粒计算作为智能计算的一种理论和方法，主要体现在通过不同的粒度层次和视角对问题进行尽可能系统、客观的认识，进而实现求解。

一个具体的粒计算模型包括三个基本组成部分：粒、粒层和分层结构。粒是粒计算研究对象的基本单位，是问题求解的基本单位，是按照某个粒化准则对世界进行抽象的结果，是对复杂信息细化后抽象出来的最小的、不可或不需要再分解的个体。例如，在物理学中，原子可以是一个基本粒，分子也可以是一个粒；在天文学中，地球可以是一个粒，太阳系也可以是一个粒。粒层是依据某种抽象方式即粒化准则得到的所有粒的集合。每个粒层有一个粒化准则，不同的粒层则有不同的粒化准则。同一粒层的粒之间可以是不相交的，也可以是交叠的。一个粒层中所有粒的粒化观点共同描述该层所要解决的问题。分层结构由多个粒层组成，粒层之间存在有序的递进关系，例如由表及里、由抽象到具体、由粗糙到细致。分层结构是现实世界的内在特征，人们对现实世界的认知也是分层进行的，不同的抽象方式构成了不同层次的认识。粒计算研究强调全面、整体的观点，认为应该考虑所有粒层构成的结构。同时，粒计算强调多视角把握事物，不仅要考虑一个分层结构的多层次，还要考虑多个分层结构。例如，在Jeffries和Ranford对社会阶层的研究中，采用了多个分层结构[6]。

3 粒计算中的系统和结构化思想

粒计算注重用系统和结构化的方法来解决复杂问题。人工智能在复杂系统研究方面开辟了一系列新途径，并取得了显著成就。在解决复杂问题时，人工智能不再沿用经典科学中线性分析的还原论方法，也不再追寻确定性的精确表征，而是采用软计算方式进行探析。神经网络模拟大脑的神经网络结构，成为软计算的一个新分支。神经网络完全基于系统论的思想，虽然注重系统的整体演化，却忽视了系统要素和结构的实在性。实践已经证明，对于复杂性问题，整体与部分任何一方的弱化都不能提供有效的解决方案。如何既涵盖系统整体性，又关注系统内部结构，历来是复杂性问题的难点。粒计算提供了一种思路，既注重系统的结构性，又关注系统的整体性，试图将系统论和还原论统一为问题求解的结构化思维。

粒计算是一种基于人类认识世界的结构层次化思维而发展起来的信息处理方式。现实世界充满了结构和层次，比如自然系统、社会系统等。人们对现实世界的认知、理解、解释和表达也是结构化和层次化的。人类的语言和知识均具备结构和层次化，人脑本身也如此。虽然人脑由无数神经元错综复杂地连接组成，但这些连接并不杂乱无章，而是高度有序的。整个大脑分为不同区域，各司其职，却又密切相关，构成一个多层次的结构，信息可以在其中有效传递。由此可见，客观世界是一个结构和层次化的整体，对客观世界的认识既要立足于其要素，又要整体把握。粒计算试图从该角度达到认知世界的目的。它包括将整体分割为部分，也包括将个体整合为整体，并注重因果关系，力求其自身结构与现实世界的结构、人类思维方式和行为方式的一致性。粒计算希望涵盖人类思维方式的各个方面，为复杂性问题提供全面的描述。

当今时代是大数据时代，大数据开源平台蓬勃发展，粒计算在大数据信息处理中拥有广阔的应用前景。它可以对海量信息进行结构化和系统性分析，选择合适的多粒度模型，归纳可能的粒层，并确定各层次上的信息粒及粒层的语义。依据领域知识构建信息粒之间的相互关系。在海量信息中，有许多信息是模糊和不确定的，信息粒之间的互补描述能够更精确地处理不确定信息。

4 粒计算中的语境特征

粒计算支持语境实在论的观点，证实了解决复杂性问题时走向语境化的必要性。粒计算注重系统的结构分析，这一观点虽然来源于传统的原子本体论，但与之不同。每个粒并不是简单的个体，而是具有内涵和外延的。传统的原子本体论将世界理解为可以简化为若干基本要素，通过对这些基本要素的线性叠加来获得对整体的理解，即整体等于部分之和。然而，粒计算的结构化并不是对整体的简单线性分割，而是在整体意义上的结构化。粒与粒之间不是静态的，而是通过一定关系动态关联的，这种关联可以是线性的，也可以是非线性的。例如，概率粒强调概率关联，模糊集强调模糊关联。粒与粒之间、粒与粒层之间、粒与整体之间是动态关联的，每个粒都有三重属性：内在属性、外在属性和环境属性。粒作为一个个体研究时，考虑其内在属性，内在属性由其所包含的元素决定；当粒作为一个部分研究时，考虑其外在属性，外在属性决定其如何被理解和认知；粒如何应对环境的动态变化，考虑其环境属性，环境属性研究当其外部环境变化时，粒如何保持和调整其内部属性和外部属性，从而对环境能够动态响应。

传统的原子论认为个体的属性只是自身的属性，如原子的质量、电荷、化学性质等，都是原子固有属性，这些属性不会因外部环境改变而改变。而在粒计算中，与环境的关系是粒本身的一部分，没有这种关系的表征便不能完整地表达粒。粒计算的哲学观既不同于关系本体论的观点，也不同于传统的原子本体论，而是将两者结合在一起。关系本体论的基本观点是，事物的本质取决于其与其他事物的联系，而不是其自身的属性。原子本体论则强调事物由微小的、独立的、不变的个体组成。符号主义遵循了原子本体论的哲学观，联结主义遵循了关系本体论的哲学观，但人的认知显然是这两种哲学观的综合。因此，粒计算希望突破符号主义和联结主义的局限，以这两种哲学观综合指导其理论架构。

复杂系统之所以复杂，在于其内部关系的非线性，这种非线性由组成要素的不确定性造成，而这种不确定性包括结构的不确定性和属性关系的不确定性。在复杂系统中，要素的属性关系不是其自身固有的，而是一种要素之间动态的属性关系。每个要素又与其他要素相关，也就是说，每个要素的属性关系是整体系统语境下的一种属性关系。因此，粒计算的粒化强调要素与系统的互动，对要素属性关系的确立应放在整体系统语境下。此外，粒化的结果应是多视角、多层次的，尽可能全面地反映其在系统中的状态。在一个粒层中，一个粒表达着一个特定的粒化观点，所有粒的粒化观点相互补充、相互完善，共同形成了在这个层次上对所研究问题的形式化描述。粒层同样具有内在、外在和环境三重属性。

粒计算在对系统粒化时，不再寻求传统的线性简化方式，而是将复杂系统视为一个关系网络，就如神经网络中的神经元一样，它希望尽可能地找到神经元的所有连接，但不同于神经网络用神经元的普遍性消解了个体实在性，粒计算希望找到粒在个体特征基础上的整体关系属性。对于复杂问题的解决，单纯的还原论和系统论都证明是有局限的，只有将这两种方法结合起来走向语境化，才有可能对复杂问题提供全面的认识。

5 粒计算对不同语境层次的处理

粒计算注重对复杂系统在不同语境层次的把握，同时关注不同语境下的连通与融合。对于同一问题，由于认识视角的不同，会有不同的理解和描述。不同的视角形成不同的语境，解释是在特定语境下的解释，而不是绝对的真理标准。粒计算强调对复杂问题的全面理解，主张多视角、多层次地加以把握。作为一个跨学科研究领域，粒计算综合了商空间、粗糙集、模糊集、知识空间、因素空间、人工智能、哲学等多个领域的研究成果，旨在提供一个系统、完整的思维模式和行为方式。人脑思维对客观事物的识别和分类并非只有一种模式，因此描述这种能力的方法也是多种多样的。粒计算重视对世界不同语境的认识和理解，期望通过多种视角反映复杂系统的各个方面。

粒计算同时注重不同语境的相关性和融合。虽然人类对客观世界的认识在不同语境下可能产生不同的认知，但人类能够关注到这种认识的相对性，并能对各种认知进行分析和综合。这种能力使人类能够沟通和融合不同语境，以便对客观世界形成立体且全面的认知。模糊集理论、粗糙集理论和商空间理论是三种典型的粒计算模型，分别在信息处理上具有独特的优势。模糊集理论在处理模糊信息方面表现优异，粗糙集理论在知识表达上很有优势，而商空间理论则擅长描述信息结构。Dubois和Prade提出的模糊粗糙集理论将模糊集与粗糙集相结合，而张铃、张钹教授提出的模糊商空间理论则将模糊集与商空间理论相融合。这些理论模型在数据挖掘中表现出良好的性能，模拟了人类在处理不确定性问题时，将精确语境与不精确语境进行融合的能力。

参考文献：

[1] 苗夺谦，王国胤.粒计算：过去、现在与展望[M].北京：科学出版社，2007.

[2] 张仰森.人工智能原理与应用[M].北京：高等教育出版社，2003.

[3] ZADEH L A.Toward a theory of fuzzy information granulationand its centrality in human reasoning and fuzzy logic[J].FuzzySets and Systems，1997，90（2）：111-127.

[4] 黄兆华，邓毅雄.粒计算及其应用的研究[J].华东交通大学学报，2005，22（5）：124-128.

[5] 苗夺谦. 粒计算理论及其对人工智能的贡献[EB/OL]. （2021-02-24）[2023-03-10].https：//www.thepaper.cn/newsDetail_for⁃ward_11444649.

[6] JEFFRIES V， RANSFORD H E. Social stratification： A mul⁃tiple hierarchy approach[M]. Boston： Allyn and Bacon，1980.

【通联编辑：唐一东】