身体的智能：2.1古典方法的成功之处
智能的古典理论认为智能只是一种纯粹的抽象符号处理过程，而具身性人工智能这个术语产生于19世纪80年代中期的人工智能领域，是对这种古典方法的反驳。
在古典方法中重要的是算法或者程序（如果你喜欢的话也可称软件），而不是这些运算法则的载体，即硬件（身体或大脑）。古典方法认为抽象的功能是独立于特定的硬件细节之外的，即思想占据着主导地位，这也成为计算已经征服世界的主要原因之
。因为，你的计算机上运行的程序就是所有的关键，计算机硬件是无关紧要的。
这种思维可以追溯到著名的达特茅斯（Dartmouth）会议，这个会议于1956年在新罕布什尔州（New Hampshire）的小城镇汉诺威（Hanover）举行，从那时开始，“人工智能”正式成为一个新的研究学科（关于人工智能短暂的历史，见插注2.1）。芝加哥大学的美国哲学家John Haugeland 是举世闻名的著作 Artificial
Intelligence:The Very ldea，an Excellent Philosophical
Treatise on Traditional or Classical Artificial Intelligence的作者，他创造了GOFAI（“好但过时的人工智能”（Good Old-Fashioned Artificial Intelligence））一词来描述这种方法（Haugeland，1985）。
在人工智能的古典观点中，人被放置在中心位置，人类智能是关注的焦点。这种观点的结果使自然语言、知识表达和推理、数学定理证明、玩跳棋或象棋游戏以及专家问题求解等成为最受欢迎的研究领域。在20世纪80年代，专家问题求解成为极受欢迎的一个研究领域。专家系统，正像这种模型的名字那样，意在取代人类
专家，或者至少是接管其部分任务，这种系统在医疗和技术诊断、复杂计算机系统配置、商业贷款评估、投资组合管理等领域得到应用。这些系统是古典人工智能方法的缩影，这种方法把人类智能看作和计算机程序一样的符号处理系统。这个所谓的信息处理方法强烈影响着人工智能、心理学以及认知神经科学领域的研究人员。
现在似乎科学家及大众一般将人类智能看作信息处理，问题就是“它还会是什么呢？”。于是计算机科学家和心理学家联手来开发人类用来求解问题的信息处理模型，特别是专家系统。
插注2.1人工智能的历史
有些作者（Brighton，2004年）认为人工智能的历史始于大约公元前3000年，在卢克索发现的草纸上，以专家系统的形式记录着医学知识：“病人有此症状的话，那么他有此种伤病，如果实施此种治疗那么他会产生如此预后症状”。但通常大家一致认为，人工智能真正的开端是在1956年著名的达特茅斯会议（Dartmouth conference），在与会者中，
“人工智能之父”Marvin Minsky，John
McCarthy，Alen Newell，Herbert
Simon 和Claude Shannon产生了一种猜想：“学习以及其他智能特征的任何方面在原则上均可以被精确描述，从而可以制造一台机器来模拟它”（达特茅斯人工智能的项目建议书，McCarthy等，
1955年8月31日）。他们的讨论围绕着人类的思维过程如何或是否能在计算机上实现。
处理这个问题现在仍然需要许多不同学科的知识。最后，一种共同的语言――用信息处理和抽象符号处理的语言被创造出来，使不同的学科领域的研究者能够相互交流，并陈述他们的理论。于是，这个领域开始腾飞，并推广到全美国。各种程序，如自然语言程
|序，还有面向证明数学定理、处理公式、解决抽象问题、进行正式游戏如跳棋和国际象
|棋、规划、解决真实世界问题的专家系统等纷纷涌现，而且数量迅速增加。
专家系统是特别为医学诊断、分析和修复故障设备、银行商业贷款评估、复杂计算机系统的配置以及证券管理等开发的，这里仅举了其应用领域的几个例子。专家系统的想法是给一个人类专家，如一位经验丰富的医生建模，模型使用一系列的规则，如“如果病人皮肤有红点，并伴有高烧等，则感染最有可能由……造成”（注意与埃及系统的相似性）。Herbert Simon在1965年预计到1985年机器将有能力做人可以做的任何脑力劳动。
然而，到20世纪80年代末，大多数开发专家系统的企业纷纷破产，很多研究者放弃了建立“能够自主解决问题，从而取代人类专家”的系统的目标。现在我们已经很清楚地知道，将人类专家作为符号处理机器来概念化是不恰当的，最终将会导致一事无成。于是，研究人员关注的重心从自主问题求解转向协助人类智能。
除了专家系统以外，计算机视觉和语音处理领域都存在严重的缺陷和不足。人工智能系统在不同的距离、方向和照明条件以及局部遮挡条件下感知物体的能力还远远达不到人类的程度。同样地，尽管在语音系统方面进行巨额投资，人工智能系统在语音辨别方面的能力、准确性以及实效性仍低于预期值。视觉和语音领域面临特别挑战，是因为它们都是一种自然现象，极大依赖于真实世界。通过（通常为计算密集型）算法来模拟人类视觉感知和语言的尝试，似乎也没成功。
对于这些领域的研究者，幸运的是在20世纪80年代初，一门新的学科――联结主义理论诞生了，它试图用神经网络来模拟认知科学中的现象。神经网络是受生物大脑启
发的计算模型，因此，它们中的许多继承了大脑固有的能力，如适应性、泛化和学习。因为它们是基于模式处理，而不是符号处理，学者们希望神经网络能更好地描述自然心理现象――这是此前的专家系统及相关算法做不到的事情。事实上联结主义确切地说并不是一门新的学科，神经网络在20世纪40年代就已经存在，并作为生物神经网络的模型被首次提出（例如，McCulloch和Pits，1943）。其作为计算装置于20世纪80年代的再现更像是一种复兴。不过，因为大部分模型都是些彼此类似的算法，尽管有一定进展，但没有最终解决与真实世界交互这个大难题。而在利用神经网络获取专家知识、建立语音系统及对环境的感知方面也没有实质的突破。对人工智能的研究者是又一个打击。经历了这些挫折之后，人工智能领域迫切需要一个真正的范式转变。在20世纪80年代中期Rodney
Brooks提出，一直以来我们的研究都侧重于逻辑、解决问题和推理，这些都是以我们对自己的反思为基础的，即我们怎样去了解我们自己和自身心理过程，人工智能的前进方向被误导了。相反，他提出，从本质上我们应该忘记符号处理、内部表述和高层次认知，着眼于与真实世界的交互，“智能需要一个身体”是这种新的具身性人工智能理论的口号。由于研究方向的转变，研究问题的性质也产生了变化：学者们开始对运动（locomotion）、操作（manipulation）以及智能体一般如何在一个不断变化的世界中成功地活动产生了兴趣。
因此，世界各地的许多学者开始对机器人展开研究。但是，对机器人的研究并不能自动地解决问题，大多数机器人执行真实世界任务（如行走、奔跑、感知以及操作物体）所表现的性能仍然不能令人满意。所以，我们一定遗漏了某些关键。我们怀疑上述情况的原因是由于人们常常按照古典的方式使用机器人：如研究者编程，机器人直接按照程序执行其任务。这往往导致了计算上昂贵的解决方案，不仅产生了不自然的行为，而且实现也过于缓慢，一个很好的例子是奔跑行为。因此，具身性概念不仅意味着智能体必须有一个身体，很显然机器人确实有身体，它也意味制造机器人或一般智能体时必须遵循一定的思维方式。正如我们在本书中将会详细说明的那样，在思想上，设计者应该有一个独特的理论态度。虽然我们确信这种理论的潜能，然而只有时间才能告诉我们它是否能比以往的方法获得更大的成功。
在20世纪80年代，围绕专家系统有很多夸大的宣传，并有很多公司开始开发专家系统，但是这些公司很快就倒闭了。这是因为这种对人类专业知识和人类智能进行概念化的方式，最终被证明是有瑕疵的，我们将在下一节对这个问题进行讨论（Clancey，1997；Pfeifer和Scheier，1999；Winograd和Flores，1986）。
20世纪80年代中期，古典方法已成长为一个包括很多方面和界限模糊的庞大学科，尽管它有一些缺陷，但它也取得了许多成就。每当你打开笔记本电脑，你就启动了很多算法，它们都来源于人工智能的研究。举例来说，如果你在互联网上使用搜索引擎，你就是在利用聪明的机器学习的算法。
①机器学习是和人工智能相关的领域，但是它倾向于明确强调学习的计算模型，而人工智能则涉及人类认知的所有方面。
如果你使用文字处理系统，它也会利用算法试图从你先前完成的上下文中推断出你的意图，并且，文字处理系统经常会主动提出建议。自然语言接口、计算机游戏以及家电、电梯、汽车和火车的控制中都充满着人工智能算法。最近，高度依赖于机器学习技术的数据挖掘系统已经开发成功，可以击败地球上任何一个人的国际象棋程序也已经设计出来，这是一项相当大的成就！这类系统的发展，虽然都起源于人工智能，但是，通常目前已经变得与应用信息学难以区分了，这些系统已成为今天的计算机技术不可分割的一部分。