——————————————————————————————————————————————————————
写在前面：
好久不见，各位朋友们。从去年夏日的知了刚刚爬上树梢到现在相距上次发布博文已经一年有余，真的是一段相当长的时间。在此期间，非常抱歉我没有给各位及时的回复，同时也非常感谢各位仍旧能够关注，并且留下宝贵的评论以及建议。接下来的日子，计划继续加入算法，大数据等人工智能相关的内容。希望与各位一同进步。
——————————————————————————————————————————————————————
目录
长久以来，我们称自己为Homo sapiens（智人），因为我们的智能（intelligence）对我们非常的重要。数千年来，我们一直试图理解我们是如何思考的：即，仅仅少量的物质怎能感知，理解，预测和操纵一个远大于自身且比自身复杂得多的世界。
在第二次世界大战结束后，人工智能的正式研究工作迅速展开。1956年创造了“人工智能“这个名称本身。在其后的时间里，AI经常与分子生物学一起，被其他学科的科学家誉为”我最想参加的研究领域“。一方面物理专业的学生有理由任务所有好的研究思想已经被伽利略，牛顿，爱因斯坦以及其他物理学家想尽了。另一方面，AI对若干位专职的爱因斯坦们和爱迪生们仍有良机。
AI目前包含大量各种各样的子领域，范围从通用领域，如学习和感知，到专门领域，如下棋，证明数学定理，在拥挤的街道上开车和诊断疾病等等。
那么接下来我们来详细说明它。
开始之前，先来看看什么是智能？
智能：个体适应环境并能在不同环境中实现其目标的能力。
1.什么是人工智能？
| 像人一样思考 | 理性思考 |
| 像人一样行动 | 理性行动 |
第一列的定义根据与人类表现得逼真度，来衡量成功与否。
第二列的定义依靠”rationality“的理想的表现量来衡量。一个系统若能基于已知条件”正确行事“则它是合理的。
历史上，对AI的所有4中途径都有人关注，不同的人用不同的方法来追寻不同的途径。以人为中心的途径在某种程度上必然是一种经验科学，涉及到关于人类行为的观察与假设。理性论者的途径涉及到数学与工程的结合。不同的研究小组既相互批评又相互帮助。
接下来，我们更详细的考察一下这4种途径。
1.1 像人一样行动：图灵测试的途径
由阿兰·图灵（Alan Turing）（1950）提出的图灵测试（Turing Test）的设计，旨在为智能提供一个令人满意的可操作的定义。所谓”图灵测试“（Turing Testing）：即，一个人（C）在完全不接触对方（A和B）的情况下，和对方进行一系列的问答，如果在相当长时间内，他无法根据这些问题判断对方是人（B）还是计算机（A），那么，就认为该计算机具有同人相当的智能，（即计算机是能思维的）。【特别的：图灵预言，到2000年，机器可以做到5分钟内以30%的可能性让普通人分辨不出其是机器还是人。】
然而，所谓的完全图灵测试（total Turing Test）还包括视频信号以便询问这既可以测试对方的感知能力，又有机会”通过舱口“传递物理对象。因此，AI的大部分内容围绕：自然语言处理，知识表示，自动推理，机器学习，计算机视觉，机器人学，6大领域展开。
除此之外，图灵设计了一个60年后仍合适的测试而值得称赞。然而，从古至今，AI研究者们并未致力于通过图灵测试，他们认为研究智能的基本原理比复制样本更重要。只有莱特兄弟和其他人停止模仿鸟并开始使用风洞且开始了解空气动力学后，对”人工飞行“的追求才获得成功。
1.2 像人一样思考：认知建模的途径
如果我们说某个程序能像人一样思考，那么我们必须基于某种办法来确定人是如何思考的。我们需要领会人脑的实际运用。有三种办法来完成这项任务：
- 通过内省：试图捕获我们自身的思维过程
- 通过心理实验：观察工作中的一个人
- 通过脑成像：观察工作中的头脑
只有具备人脑的足够精确地理论，我们才能把这样的理论表示成计算机程序。如果该程序的输入输出行为匹配相应的人类行为，这就是程序的某些机制可能也在人脑中运行的证据。例如，设计了GPS，即”通用问题求解器“（General Problen Solver）的艾伦·纽厄尔（Allen Newell）和赫伯特·西蒙（Herbert Simon）(1961)并不满足于尽让其程序正确地解决问题。他们更关心比较程序推理步骤的轨迹与求解相同问题的人类个体的思维轨迹。认知科学（cognitive science） 这个交叉学科领域把来自AI的计算机模型与来自心理学的实验技术相结合，试图构建一种精确且可测试的人类思维理论。
在AI的早期，不同途径之间经常出现混淆：某位作者可能主张一个算法很好地完成一项任务，所以它是人类表现的一个好模型，反之亦然。现代作者区分这两种主张；这种区分使得AI和认知科学都能更快的发展。
1.3 理性思考：”思维法则“的途径
希腊哲学家亚里士多德是首先试图严格定义”正确思考“的人之一，他将其定义为不可反驳的推理过程。其三段论（syllogisms）为在给定正确前提时总产生正确结论的论证结构提供模式---例如，“苏格拉底使人；所有人必有一死；所有，苏格拉底必有一死。”这些思维发这被认为应当支配着头脑的运行；他们的研究开创了成为逻辑学（logic）的领域。
19世纪的逻辑学家为关于世界上各种对象及对象之间关系的陈述制定了一种精确地表示法（将这种表示法与通常的算数表示法做对比，后者只为关于数的陈述提供表示法）。到了1965年，已经出现了有的程序在原则上可以求解用逻辑表示法描述的任何可解问题（虽然如果不存在解，那么程序可能无限循环）。人工智能所谓的逻辑主义（logicist）流派希望依靠这样的程序来创建智能系统。
对这条途径存在两个主要的障碍。首先，获取非形式的知识，并用逻辑表示法要求的形式术语来陈述之是不容易的，特别是在知识不是百分之百肯定时。其次，在“原则上”可解一个问题与实际上解决该问题之间存在巨大的差别。甚至求解只有几百条事实的问题就可耗尽任何计算机的计算资源，除非关于先试哪个推理步骤，计算机具有某种指导。虽然这两个障碍对建造计算推理系统的任何尝试都适用，但是他们最先出现在逻辑主义流派中。
1.4 理性行动
Agent 就是能够行动的某种东西（英语的agent源于拉丁语的agere，意为“去做”）。当然，所有计算机程序都做某些事情，但是期望计算机Agent做更多的事情：自主的操作，感知环境，长期持续，适应变化并能创建于追求目标。合理Agent（rational agent）是一个是为了实现最佳结果，或者，当存在不确定时，为了实现最佳期望结果而行动的Agent。
在对AI的“思维法则”的途径中，重点在正确的推理。做出正确的推理有时也是合理Agent的部分作用，因为合理行动的一种方法是逻辑地推理出：给定行动将实现目标的结论，然后遵照那个结论行动。另一方面，正确的推理并不是合理性的全部；在某些环境中，不要做可证正确的事情，但是仍然必须做某些事情。还有一些合理行动的方法不能被说成涉及推理。例如，条件反射行为，通常这种行为比仔细考虑后采取的较慢的行为更为成功。
图灵测试需要的所有技能也允许一个Agent合理地行动。知识表示与推理使Agent能够达成好的决定。我们必须能够生成可理解的自然语言句子以便在一个复杂的社会中勉强过得去。我们必须学习，不止是为了博学，而是因为学习可提高我们生成有效行为的能力。
合理Agent的途径与其他途径相比有两个优点。首先，它比“思维法则”的途径更一般，因为正确的推理只是实现合理性的几种可能的机制之一。其次，它比其他基于人类行为或者人类思维的途径更经得起科学发展的检验。合理性的标准，在数学上定义明确，且完全通用，并可以被“解开并取出”来生成可证实现了合理性的Agent设计。另一方面，人类行为可以完全适应特定环境，并且可以很好地定义为人类做的所有事情的总和。所以接下来，我们将着重研究合理Agent的一般原则以及用于构造这样的Agent的部件。我们将看到尽管问题可以被陈述的貌似简单，但是在试图求解问题时各种各样的难题就出现了。
要记住的一个重点是：不久以后我们将看到实现完美的合理性（即总做正确的事情）在复杂环境中不可行。其计算要求太高。
2. 人工智能的基础
这一节，我们将提供为AI贡献了思想，观点和技术的某些学科的一个简史。像任何历史一样，这段历史也集中于少数任务，事件和思想，而忽略了其他一些也很重要的东西。同时，不希望对各位造成如下印象：这些问题是这些学科处理的所有问题，或者，这些学科一直都朝着作为其终极成果的AI前进。
2.1 哲学
- 形式规则可用于推出有效的结论吗？
- 思想如何从物理的大脑中产生？
- 知识来自何方？
- 知识如何导致行动？
亚里士多德（Aristotle）是第一位系统阐述支配头脑理性部分的一组精确规划的人。他为严谨推理制定了一种非形式的三段论系统（给定初始前提后，该系统原则上允许你机械地推导出结论）。很久以后，Ramon Lull认为有用的推理确实可以用机械人造物来实现。Thomas Hobbes 提出推理就想数值计算，“我们在无声的思维中加加减减”。计算本身的自动化已经在顺利进行中。在1500年左右，达芬奇（Leonardo da Vinci）设计了一台机械计算机，但没有建造出来；最近的重建表明该设计是起作用的。虽然Pascaline（由布雷西·帕斯卡(Blaise Pascal) 在1642年建造）更著名，但是第一台已知的计算机器是由德国科学家Wihelm Schickard 在1623年左右建造的。Blaise Pascal写道：“算数机器产生了明显比所有动物行为更接近思维的效果。”莱布尼兹（Gottfried Wilhelm Leibniz）建造了一个试图对概念而不是数学执行操作的机械装置，但是其范围非常有限。莱布尼兹确实超过了Pascal，因为前者建造的计算器能加，减，乘，与求根，而Pascaline只能加与减。有人推测机器不仅能做计算而且还能思考并独立行动。在其1651年的著作《大海兽》中，Thomas Hobbes 提出了“人工动物”的思想，并主张“心脏只为一跳；神经只为那么多连接；关节只为那么多转动”。
认为：头脑，至少部分地根据逻辑规则来运转，并建造能模仿那些规则的一些物理系统，是一件事情；而认为头脑本身就是这样的物理系统是另一件事情。雷内·笛卡尔（Rene Descartes）关于头脑与物质之间的区别以及由此引起的问题给出了第一个清晰的讨论。伴随着头脑的纯物理概念的一个问题是：似乎为自由意志几乎没有留下空间：如果头脑完全由物理定律来支配，那么它比一块岩石“决定”朝地心落下没有更多的自由意志。笛卡尔强烈提出在理解世界时推理的力量，这是一种现在成为理性主义（rationalism）的哲学，亚里士多德和莱布尼兹算作其成员。但是笛卡尔也是二元论（dualism）的支持者。他认为人类头脑存在一部分（称为灵魂或精神的）在自然之外的不受物理定律支配的东西。另一方面，动物没有这种二元性；它们可被当做机器来对待。对二元论的替换物是唯物主义（materialism），它认为脑髓根据物理定律的运转形成了头脑。自由意志只是对选择实体可用选择的感知出现的方式。
给定一个能处理知识的物理头脑，下一个问题是建立知识的来源。经验主义（empiricism）运动始于弗朗西斯·培根（Francis Bacom）的《新工具论》（Novum Organum），被John Locke的格言：“无物非先感受而后理解”所刻画。大卫·休谟（David Hume）的《论人类天性》（A Treatise of Human Nature）提出了现在被称为归纳（induction）原理的东西：一般规则通过揭示规则中元素之间的重复关联来获得。以Ludwig Wittgenstenin和Bertrand Russell的工作为基础，由Rudolf Carnap领导的注明的维也纳学派发展了逻辑实证主义（logical positivism）学说。该学说认为所有知识都可用最终与对应于感知输入的观察语句（observation sentences）相联系的逻辑理论来刻画；因此，逻辑实证主义结合了理性主义和经验主义。Carnap和Carl Hempel的证实理论（confirmation theory）试图分析来自经验的知识获取。Carnap的著作《世界的逻辑结构》（The Logical Structure of the World）为从基本的经验中提取知识定义了一个明确的计算过程。它也许是第一个把头脑看成一个计算过程的理论。
头脑的哲学描述中的最后元素是：知识与行动之间的联系。这个问题对人工智能是及其重要的，因为智能既要求推理又要求行动。进而，只有懂得如何证明行动是正当的，我们才能懂得如何构造一个其行动是无可非议的（或合理的）Agent。
2300年后，亚里士多德的算法被纽厄尔和西蒙实现在他们的GPS程序中。我们现在称其为回归规划系统。
基于目标的分析是有用的，但是没有说明当多个行动均可达到目标时或者当没有行动可完全达到目标时该做什么。Antoine Arnauld正确地描述了用于决定在这种情况下该采取什么行动的一个定量公式。John Stuart Mill的著作《功利主义》（Utilitarianism）在人类活动的所有领域推广了理性决策准则的思想。更多形式化决策理论将在后面的内容中讨论。
2.2 数学
- 什么是能导出有效结论的形式化规则？
- 什么可以被计算？
- 我们如何用不确定的信息来推理？
哲学家们标出了人工智能的基本思想，但是到正式科学的跳跃要求在三个基础领域（逻辑，计算，概率）具有一定水准的数学形式体系。
形式逻辑的思想可以追溯到古希腊的哲学家，但是其数学发展实际上始于乔治·布尔（George Boole）的工作，他详细设计出命题逻辑，又称布尔逻辑（Boole）。1879年，高特罗布·弗雷格（Gottlob Frege）扩展了布尔逻辑，使其包含对象与关系，创建了现在使用的一阶逻辑。阿尔弗雷德·塔斯基（Alfred Tarski）引入了一种关联理论，他指出如何把逻辑对象与现实世界的对象联系起来。
下一步是确定逻辑和计算能做的事情的极限。一般认为第一个不平凡的算法（Algorithm）是计算最大公约数的欧几里得（Euclid）算法。algorithm这个单词（以及研究算法的思想）始于9世纪的波斯数学家al-Khowarazmi，其著作还把阿拉伯数字和代数引入欧洲。布尔和其他人探讨了用于逻辑演绎的算法，而到了19世纪晚期，把一般的数学推理形式化为逻辑演绎得努力已经在进行中。1930年，库特·哥德尔（Kurt Godel）证明了：存在一个有效的证明过程来证明弗雷格和罗素的一阶逻辑中的任何真语句，但是那个一阶逻辑不能处理刻画自然数所需要的数学归纳法的原则。1931年，哥德尔证明了确实存在演绎得局限。他的不完备性定理（incompleteness theorem）证明了在与佩亚诺（Peano）算数（自然数的基本理论）一样强的任何形式理论中都存在不可判定的真语句，即在该理论中这些真语句没有证明。
这个基本的结果也可解释为证明了整数上的某些函数无法用算法表示-----即，它们是不可计算的。这促使阿兰·图灵（Alan Turing）尝试去精确刻画那些函数是可计算的（conputable）-----能够被计算。实际上这个想法稍微有点问题，因为实际上不能给出计算或有效过程概念的形式化定义。然而，丘奇-图灵（Curch-Turing）论题说明图灵机（Turing）有能力计算任何可计算的函数，该论题被广泛认同为提供了一个充分的定义。图灵还证明了存在一些没有图灵机可以计算的函数。例如，没有图灵机可以一般地判断一个给定的程序对于给定的输入能否返回答案或者永远的执行下去。
虽然可判定性和可计算性对于理解计算是重要的，但是易处理性（tractability）的概念具有更大的影响。粗略地说，如果解决一个问题的示例所需要时间随实例的规模成指数级地增长，那么该问题称为不易处理的。复杂性的多项式级与指数级增长的区别最早与20世纪60年代中期得到重视。这是重要的，因为指数级增长意味着及时适度大的实例都不能在合理的时间内得到解决。所以，应该努力把产生智能行为的整体问题分解成易处理的子问题，而不是不易处理的子问题。
可如何确认不易处理的问题呢？由斯蒂文·库克（Steven Cook）和理查德·卡普（Richard Karp）开创的NP-完全（NP-completeness）理论提供了一种方法。库克和卡普证明存在大量经典组合搜索与推理问题是NP-完全的。NP-完全问题类可归约到的任何问题类可能就是不易处理的（虽然尚未证明NP-完全问题必是不易处理的，但是大多数理论家相信这个结论）。这些结果与大众新闻迎接第一台计算机···“比爱因斯坦更快！”的“电子超级脑袋”--时的乐观形成对比。尽管计算机的速度在增加，资源的小心使用将成为智能系统的特征。粗糙的说，世界是一个非常大的问题实例！人工智能中的工作有助于解释为什么NP-完全问题的某些实例是艰难的，而另一些是容易的（Cheeseman等）。
除逻辑和计算之外，数学对人工智能的第三大贡献是概率（probability）理论。意大利人Gerolamo Cardano首先指定了概率的思想，按照赌博事件的可能结果来描述它。1654年，布雷西·帕斯卡（Blaise Pascal），在一封致比埃尔·费尔马（Pierre Fermat）的信件中指出如何预测一场未完成的赌博游戏的未来，并对赌徒指定平均的收益。概率很快成为所有定量科学的无价之宝，以帮助对付不确定的测量和不完备的理论。詹姆斯·贝努利（James Bernoulli），彼埃尔·拉布拉斯（Pierre Laplace）和其他人推进了该理论并引入了新的统计方法。托马斯·贝叶斯（Thomas Bayes）提出了根据新证据更新概率的规则。贝叶斯的规则构成了人工智能系统大多数用于不确定推理的现代方法的基础。
2.3 经济学
- 我们应该如何决策以便收益最大？
- 当其他人不合作时，我们应该如果做？
- 当收益遥遥无期时，我们应该如何做？
经济学作为科学始于1776年，那时苏格兰哲学家亚当·史密斯（Adam Smith）出版了《国民财富的性质和原因的研究》（An Inquiry into the Nature and Causes of the Wealth of Nations）。虽然古希腊人和其他人也对经济学思想做出了贡献，但是史密斯是第一个把它当做科学来对待的人，他认为经济组织由试图最大化他们自己的经济福利的若干个体Agent组成。虽然多数人以为经济是关于金钱的学问，但是经济学家会说他们实际上是在研究人们如何做出能导致更喜欢的结果的选择。当麦当劳为1美元提供一个汉堡时，它们断言：他们更喜欢美元并希望顾客更喜欢汉堡包。对“更喜欢的结果”或者效用（utility）的数学处理首先被Leon Walras形式化，并被弗兰克·拉姆齐（Frank Ramsey）改进，再后来被约翰·冯·诺依曼（Jhon von Neumann）和奥斯卡·摩根施特恩(Oskar Morgenstern) 在他们的著作《博弈论与经济行为》（The Theory of Games and Economic Behavior）中进一步改进。
决策理论（Decision theory）把概论理论和效用理论结合起来，为在不确定情况下，即，在概率描述能适当捕获决策制定者的环境的情况下，做出（经济的或者其他的）决策提供了一个形式化且完整的框架。这对”宏观“经济是合适的，其中每个Agent不必注意其他作为个体的Agent的行动。而对”微观“经济，情况更像博弈游戏：一位玩家的行动可能显著地（正面或负面）影响另一位玩家的效用。冯诺依曼和Morgenstern对博弈论（game theory）的发展包括以下惊人的结果，即对某些博弈游戏，一个理性的Agent应该采用（至少看起来是）随机化的政策。不像决策理论，博弈论并不为选择行动提供清晰的规定。
在很大程度上，经济学家不会处理上面列出的第三个问题，即，当行动的收益不是即刻的，反而是由几个依次采取的行动来产生时如何做出理性的决策。该主题在运筹学（operations reserch）领域被研究，运筹学出现于第二次世界大战期间，源自为英国优化雷达设置所取得的成就，后来在复杂管理决策中又找到了非军事应用。理查德·贝尔曼（Richard Bellman）的工作形式化了一类成为马尔可夫决策过程（Markov decision process）的连续决策问题，后面我们会一起看看这部分内容。
经济学和运筹学中的工作为我们的理性Agent概念贡献很多，然而多年来人工智能研究一直沿着完全分离的路线向前发展。一个原因是做出理性决策的显著复发性。先驱的人工智能研究者赫伯特·西蒙（Herbert Simon）因其早期的工作在1978年获得经济学诺贝尔奖，其工作指出基于满意度（satisficing）的模型（做出”足够好“的决策，而不是费力地计算最优决策）给出了真实人类行为的一个更好的描述。自从20世纪90年代以来，一直存在对决策理论技术用于Agent系统的兴趣的复兴。
2.4 神经科学
- 大脑如何处理信息？
神经科学（Neuroscience）研究的是神经系统，特别是大脑。虽然大脑使思考成为可能的精确方式仍是一个重大的科学之谜，但是他确实使思考成为可能的例子已被了解达数千年。因为有证据表明重击头部会导致精神缺陷。人类大脑以某种方式也已经被知道很久了；大约公元前335年，亚里士多德写道：”所有动物中，相对其身材来说人类具有最大的大脑。“然而，直到18世纪中叶，大脑仍未被广泛地确认为意识的场所。在此之前，候选地位置包括心脏和脾脏。
1861年，保罗·布鲁卡（Paul Broca）对大脑损伤病人中失语症的研究说明存在负责特定认知功能的局部化大脑区域。特别的，他指出，言语生成被局部化到现在称为布鲁卡区的大脑左半球的一部分。到那时，已经知道大脑由神经细胞或者神经元（neurons）组成，然而直到1873年Camillo Golgi开发出一种染色技术，使人们能够观察大脑中的单个神经元，人们才知道这个事实。
我们现在有一些数据涉及大脑区域与身体器官之间的映射，这些大脑区域控制对应的器官或者从对应的器官接受感觉得输入。数周内，这样的映射能被彻底改变，并且某些动物似乎具有多重映射。此外，我们尚未完全了解当一个区域受损时，其他区域会如何接管其功能。几乎没有理论设计如何存储单独的记忆。
1929年，随着Hans Berger发明了脑波计（EEG），便开始测量无损伤的大脑活动。近来开发的功能性磁共振图像（fMRO）正为神经科学家们提供大脑活动的空前细致的图像，这使按有趣的方式与正在进行而得到加强。单独的神经元可用电学的，化学的，甚至光学的方式来刺激，从而允许映射神经元的输入输出关系。尽管有了这些进步，我们仍然距离理解认知过程实际是如何工作的还很遥远。
真正惊奇的结论是简单细胞的聚集能够产生思想，行动和意识，或者按Jhon Searle简练的言语就是大脑产生精神。唯一实际存在的可供选择的理论是神秘主义：精神运转在某个神秘的领域，该领域超过了自然科学的范围。
人脑与数字计算机多少有些不同的功能。计算机具有比人脑快100万倍的周波时间。人脑用甚至比高端个人计算机更多的存储与相互连接弥补了这方面的不足。然而，最大的超级计算机具有类似于人脑的容量，未来主义者充分利用这些数字，指出正接近一个奇异点（singularity），在该点计算机达到了一个超人的性能级，但是原始比较并非特别有益。即使使用一台具有几乎无限容量的计算机，我们仍然不知道如何实现人脑级的智能。
2.5 心理学
- 人类和动物如何思考与行动？
科学的心理学的起源通常追溯到德国物理学家 Hermann von Helmholtz 和他的学生Wihelm Wundt的工作。Helmholtz应用科学技术方法来研究人类的视觉，他的《生理光学手册》（Handbook of Physiological Optics）甚至现在都被描述为”关于人类视觉得物理和生理的唯一最重要的论著“。1879年，Wundt在莱比锡大学开放了一个实验心理学实验室。Wundt主张仔细控制的实验，其中他的研究者们在内省他们的思维过程时，要执行知觉得或者联想的任务。虽然仔细的控制使得心理学朝成为一门科学走了一大段路，但是数据的主观性使实验者经常驳斥他或者她自己的理论显得不大可能。另一方面，H.S.Jennings在其具有影响的著作《低等有机体的行为》（Behavior of the Lower Organisms）中所描述的，研究动物行为的生物学家们缺乏内省数据并培养出一种客观的方法学。对人类应用这种观点，John Watson领导的行为主义（behaviorism）运动，以内省不能提供可靠证据为理由，拒绝任何涉及精神过程的理论。行为主义者坚持之研究给予动物的感知（或刺激）及其导致的行为（或反应）的客观度量。行为主义发现了许多关于老鼠和鸽子的事实，但成功理解人类的情况比较少。
认知心理学（Cognitive psychology）把大脑看作一个信息处理装置，至少可以追溯到威廉·詹姆斯（William James）的工作。Helmholtz也坚持感知涉及一种无意识逻辑推理形式。虽然在美国认知关心基本被行为主义替代了，但在由Frederic Bartlett领导剑桥应用心理学小组，认知建模还能再次发展起来。由Bartlett的学生和后继者Kenneth Crail发表的《解释的本质》（The Nature of Explanation），有力地恢复了”心理“术语的合法性，认为他们正如使用压力和温度来谈论气体一样科学。Craik明确说明了给予认识的Agent 的三个关键步骤：（1）刺激必须翻译成内部表示。（2）认知过程处理该表示以获取新的内部表示。（3）这些表示可以反过来重新翻译回行动。
1945年Craik死于自行车事故后，他的工作由Donald Broadbent继续推进。后台的著作《知觉与传播》（Perception and Communication）是把心理现象建模成信息处理的最早著作之一。同时，在美国，计算机建模的发展导致认知科学（cognitive science）领域的创建。该领域可以说始于1956年9月麻省理工学院的一个研讨会。在这次研讨会上，乔治··米勒（George Miller）介绍了”魔术数字7“ （The Magic Number Seven）,诺姆·乔姆斯基（Noam Chomsky）介绍了”语言的三种模型“（Three Models of Language），而阿兰·纽厄尔（Allen Newell）和赫伯特·西蒙（Herbert Simon）介绍了”逻辑理论机“（The Logic Theory Machine）。这三片有影响的论文指出计算机模型可以如何分别用于处理记忆，言语，逻辑思维的心理学。
目前心理学家中常见的观点是”认知理论应该想计算机程序“；即，认知理论应该描述详细的信息处理机制，靠这个机制可以实现某种认知功能。
———————————————————————————————————————————————————————
未完待续~
参考资料：
- 图灵简介
- 亚里士多德三段论
- 逻辑主义（logicist）
- Agent
- 理性主义
- 逻辑实证主义
- 一阶逻辑：不像命题逻辑只处理简单的陈述命题，一阶逻辑还额外包含了断言和量化。断言像是一个会传回真或伪的函数。在一阶逻辑里，上述两句可以使用断言以更相似的方法来表示。其断言为
，表示 
是哲学家。因此，若 
代表苏格拉底，则 为第一个命题－ 
；若 
代表柏拉图，则 为第二个命题－q。一阶逻辑的一个关键要点在此可见：字串“ 
”为一个语法实体，以当 
为哲学家时陈述 为真来赋与其语义。一个语义的赋与称为解释。弗雷格为一阶逻辑提出的表示法：文字与几何图形特征的一种神秘组合，从未流行过。 - 《人工智能--一种现代的方法》第三版，清华大学出版社，Stuart J.Russell，Peter Norvig著