人工智能与数字系统工程

译者序

本书的目标在于帮助更多的人从系统角度来理解并接受人工智能（AI）最新技术的应用模式。近年来，人工智能从新兴技术走向成熟技术，全球化和产业化加剧使人工智能处于高速扩张的战略机遇期。由此，其为众多领域带来巨大变化，同时，也将为理论研究和工程开发方法方面带来深层次的影响。正如图灵奖得主、贝叶斯网络奠基人朱迪亚·珀尔（Judea Pearl）指出的那样，从当前以数据为中心的范式向以科学为中心的范式的转移进程中，一场席卷各个研究领域的“因果革命”随之而来，其核心是构建新逻辑的数学语言和推理引擎框架。本书致力于推动下一代的人机自主团队运行概念以及依赖AI的系统工程技术的发展，面向怀揣好奇心的系统工程专业人士，提供有关人工智能系统的理论、模型、方法和应用的回顾、思考和展望，使其更全面地洞悉人机自主系统这一颠覆性创新所能带来的机会和面临的风险。

系统工程和人工智能融合的要素特征

关于人类智能和机器智能的认识，决定着未来人工智能在系统工程中的应用模式，有必要真正理解自然智能和人工智能的含义——自然智能涉及人类获取知识、知识推理并利用知识有效地解决问题的能力，当然也涉及基于现有知识开发新知识的能力；而相比之下，可以这样界定人工智能——机器利用所模仿人类的知识来解决问题的能力。当我们准备投入到自然智能与人工智能的融合过程时，理所当然地期望以系统为中心的方法论能助一臂之力。

人工智能绝非孤立的一个事物，我们需要以不同的视角来看待它的出现，其同样源于各种元素的集合，包括软件、硬件、数据平台、策略、程序步骤、规范、规则甚至于人的直觉。我们如何利用这样一个涉及多个方面的系统，使其从事那些看似智能的事情，并让它具有人类思考和工作方式的典型特征——这将需要秉持以系统为中心的思想来寻求人工智能技术元素的融合，也是当前系统工程实现AI的现实问题。

至于AI的应用背景，始终存在着各种有争议的观点和多样化的技术方法。争议内容涉及从智能的基本定义到人类追求人工智能的道德和伦理方面的质疑。尽管至今还是存在悬而未决的争议，但这项技术仍继续创造着实际的效用。随着人工智能研究的日益深入，许多争议已被或将被验证的技术方法所解决。

在AI的研究中发现，计算机现在能够完成曾经超乎想象的事情。由于专家系统背后的技术在过去十年中变化不大，因此问题不在于该技术是否有用，而在于如何实现它。这就是为什么本书提出的集成化的方法十分有用。必须用人类智能来调和它，最好的混合方式是机器智能与人类智能的集成。在过去的几年中，专家系统已被证明其在解决工程和制造环境中重要问题方面具有潜力。我们发现现实世界的问题最好通过由人员、软件和硬件组成的系统管理所涉及的集成策略予以解决。

驱动人工智能演进发展的技术特征

历来，人类在各种行动中向往拥有像智能机器这样的朋友，这一信念推动着人工智能在科学、技术、工程以及数学方面的进步。

依据17世纪英国哲学家和思想家托马斯·霍布斯（Thomas Hobbes）的说法，机器思维涉及由计算所构成的符号处理和推理过程。机器有能力解释符号并通过符号的操纵来寻求到新的意义——这一过程被称为符号人工智能。与机器学习（ML）和其他一些人工智能方法相比，符号人工智能通过创建清晰、可解释的规则来引导推理，从而提供从问题到方案的完全透明的过程。霍布斯认为思维由符号的运算组成，生活中的一切都可由数学来表示。这些信念直接带来了这样的一种观念——能够对符号进行数学运算的机器可以模仿人类的思维，这也成了AI发展背后的基本驱动力。正是出于这个原因，人们将霍布斯称为“人工智能的哲学祖父”。

英国数学家艾伦·麦席森·图灵在1936年提出了“图灵机”的理论。图灵机又称图灵计算机，它不是真正的机器，而是一个数学模型、一个概念，就像状态机、自动机（automata）或组合逻辑一样。它是纯粹的计算模型，将人们使用纸笔进行数学运算的过程进行抽象，由一个虚拟的机器替代人们进行数学运算。艾伦·麦席森·图灵为问题求解机器概念的构思做出了重大贡献，该机器仅根据输入的可变指令就可普遍用于所有问题。

1945年，冯·诺依曼建议将计算机构建为能够执行各种程序的通用逻辑机，并坚信这样的机器具有高度的灵活性，可以根据计算的结果在多个方案中进行选择，从而做出明智的反应。冯·诺依曼也并不是计算机的发明者，而他提出的前所未有的概念，代表了一台能够执行指令运算而内置智能的机器，为后来基于计算机应用而诞生人工智能开辟了道路。

1956年开创人工智能有组织研究先河的达特茅斯会议，主要是作为交流信息的渠道，更重要的是成为AI研究工作重点的转折点。会议并没有过多地关注硬件如何模仿智能，而是设立专题来研讨计算机处理数据的结构，使用计算机处理符号、新语言的需要以及在测试理论中计算机的作用。

1959年艾伦·纽厄尔、克里夫·肖和赫伯特·西蒙开发了通用问题求解器（GPS）程序，之后人工智能技术的进步与软件技术的发展愈加密切。GPS可作为人类问题求解的理论方法，在这一框架中的信息处理过程，试图解释所有的记忆操作、控制过程和规则等功能行为，从而采用模拟程序的形式来陈述问题，该程序及其相关理论框架对认知心理学的后续发展方向产生了巨大的影响。使用GPS解决问题的关键步骤是根据所实现的目标和转换规则来定义问题空间。GPS的手段目的分析（meansend analysis）方法，作为一种解决问题的技术，识别当前状态、定义最终目标，以模块化的方式确定达到最终状态的行动计划。

在同一年，约翰·麦卡锡推出了一种称为LISP（List Processing，列表处理）的新的计算机编程语言。由于其具备独特的内存组织和控制结构，且不是依据前提条件引导到目标，而是从目标开始，逆向确定实现目标所需的前提条件，因此大大提高了研究人员开发AI程序的能力，作为最早的函数式程序设计的开拓者，诸多创新方面深远地影响着后续编程语言的发展，更是垄断人工智能领域长达30余年的应用。

之后的知识工程是在计算机上建立专家系统的技术。知识工程这个术语最早由美国人工智能专家E·A·费根鲍姆提出，并于1965年与他人合作开发出第一个成功的专家系统DENDRAL。专家系统也是AI领域中最早真正进入商业的应用。不同于之前AI的一般问题求解的期望，专家系统聚焦于解决特定的问题，它模仿人类专家在解决特定领域复杂决策问题时的思维过程，其研究内容主要包括知识的获取、知识的表示以及知识的运用和处理等三大方面。

人工神经网络是20世纪80 年代以来人工智能领域兴起的研究热点，它将神经网络当作人工智能系统中仿真智能（模拟智能）的基础之一。神经网络反映人类大脑的行为，允许计算机程序识别模式并解决人工智能、机器学习和深度学习领域的常见问题。经典人工神经网络（ANN）从数据中学习，AI连接主义的系统不仅以自适应的增量方式从测量进化过程的数据中学习，而且从经训练的系统中提取规则和知识。尽管连接主义方法使用生理学数据来指导寻找潜在的原理，但它更倾向于更多地关注整体系统功能或行为，期望通过大脑计算的某些原理来解释人类的认知现象。

当前，在以生物学和语言学为基础的计算范式理论研究中诞生了计算智能的概念，有时也称其为软计算，其在于模仿和实现人类智能推理过程，关键的任务是让计算机从实验数据或观察中学习现实生活或复杂的问题。因此，需要将问题表述为计算机可理解的格式，计算智能使用一些试图模仿人类质疑和推理的技术。虽然模仿人类智能是复杂的，但针对问题的推理或质疑方式可以复制。计算智能综合地使用模糊逻辑、人工神经网络、进化理论、学习理论和概率理论等算法/方法，特别适合解决现实生活中的复杂问题。

人工智能的系统工程框架

数字化特征在于提高重复性和一致性。本书中所提出的数字系统框架将应用于工业工程、系统工程和数字工程相结合的流程，以可持续和可复用的方式实现资源的管理、配置和组织的过程，从而达成复杂组织和系统的运行目标。典型的决策支持模型是系统的表示方式，可用于回答有关系统的各种问题。虽然系统工程的模型有助于决策，但它们通常并不是传统的决策支持系统，而是使用系统工程方法将解决方案集成到正常的流程中。

对于复杂系统，没有哪一种技术可以轻易地满足问题的所有需求。在寻求解决现实问题的方法时，需要结合多种技术并运用混合的系统。混合系统旨在利用各个系统的优势，从而避免各个系统的局限性。对于大多数工程和制造问题的解决方案，不仅涉及启发式方法，还涉及数学计算、大数据运算、统计分析、实时信息管理、系统优化和人机界面等。这些相关的主题将在本书中详细讨论。除专家系统的基本概念外，本书还提供了从问题选择、数据分析、知识获取以及系统开发到验证、确认、集成、实现等工作指南。

面对所有的AI系统和流程，人们期望满足诸如有效性、高效性、易用性、优雅性、安全性、安保性、持续性等目标。本书中提出人工智能的概念化和运行化的定义，强调在系统思维的有关背景下，每个元素如何在AI基础设施的整体架构中发挥作用。在人工智能的系统工程框架中，我们可以采用构建系统视图的方式来定义那些达成的愿望；同时将采用基于系统的方法，针对商业、工业、政府、军队以及学术领域的各个方面，研究人工智能的普适性作用和独特的贡献，从而由系统方法促进设计、评估、证实和集成等流程的实现。

本书将讨论数字时代中，在系统工程（SE）的概念、工具和技术的背景下，AI是如何迅速发展的。系统工程是一门致力于集成各种元素来实现更强大系统整体能力的学科。因为在今天，人们期望更具快捷、高效、适应、一致的系统集成能力，从人工智能（AI）的角度来看，数字时代由基于数字的科学、技术、工程和数学（STEM）所构成，因而数字框架对于AI的实现至关重要，关键的特征将涉及模型协同的生态、开放式架构、系统生命周期的可持续性集成、大规模计算的基础设施、安全数据存储和云部署、可用性和可访问性以及支持敏捷运用的数字平台等。本书将介绍一种用于系统的设计、评估、证实和集成（DEJI）的性能增强模型，该模型与数字系统工程、AI应用研究密切相关。系统工程DEJI模型为数字系统平台提供了一个可选的方法，通常适用于一般类型的系统建模，但这一结构化框架和系统工程模型特别适合于数字系统中实现AI的应用。

高星海

2022年4月于北航

致力于自然智能和人工智能的融合

本书在于提供人工智能（Artificial Intelligence,AI）和数字系统工程的简明概述，并非面面俱到，而是针对一般读者勾画出快捷的一览图，其更多是面向当今的数字时代，启发人们理解人工智能对社会发展的预示意义。本书将采用基于系统的方法，就研究贡献的各个方面来表明人工智能的普适性作用，包括商业、工业、政府、军队，甚至学术领域。系统方法促进了设计、评估、证实和集成流程的实现。

本书最重要的是明确提出集成在实现所有人工智能目标中的角色。AI 成为现代卓越运行的数字生命线。为实现人工智能应用的科学和技术资产的转化，本书简要介绍了相关技能和方法论。人工智能对于不同的人可能意味着不同的事物，本书提出人工智能的概念化和运行化的定义，强调在系统思维有关的背景下，每个元素如何在AI基础设施的整体结构中发挥作用。一些定义用于概念化过程框架中，而另一些则用于技术平台中。在人工智能工具应用方面，某些组织在不断创新；而另一些组织则善于研究和开发新的人工智能工具。因此，我们必须澄清人工智能的各种角色、意义和背景，本书聚焦于此，在于达成这一目标。在AI应用过程中，首要问题是组织领导者如何接纳AI的应用及其带来的结果，本书将解释各种不同之处。

感谢我的同事、学生和合作伙伴，正是他们多年来的激励，使我坚持不懈地撰写相关主题的论文，在教学、研究和知识拓展方面，对我而言意义非凡。虽不能一一列出，在此我向所有人致以崇高的敬意。

本书立足当今的数字时代发展特征，运用基于系统方法的思想，以独特的视角提出了人工智能（AI）和数字系统工程融合发展的概览趋势，启发人们理解人工智能对社会进步、工程创新实践的预示性意义。本书研究涉及商业、工业、政府、军队甚至学术领域等领域中人工智能普适性应用的基本范式，响应基于模型的系统工程（MBSE）的应用范式，针对系统中AI技术的实现，提出了设计、评估、证实和集成（DEJI）的系统工程流程模型。

 本书特别适合于从事复杂组织体系研究的学者以及复杂体系工程开发、运行和验证的架构师、系统工程师等从业者使用，亦可作为系统工程大学教育的专业课程教材，同时还可供从事其他专业扩展人工智能交叉融合应用的人员使用。

Adedeji Badiru是美国空军理工学院系统工程方向的教授，就职于工程与管理研究生院。他曾是田纳西大学工业工程系教授和系主任、俄克拉荷马大学工业工程教授。他是一名注册的专业工程师（PE）、认证的项目管理专业人员（PMP）以及工业与系统工程师协会的会士。他著有30多本专著、合作书籍中的34个专著章节、80篇技术期刊文章，他还是多个专业协会和学术荣誉团体的成员。

高星海，研究员，北京航空航天大学无人系统研究院系统架构技术首席，国际系统工程委员会（INCOSE）认证系统工程师（CSEP）；曾任中国航空工业集团公司系统工程推进办公室副主任、智能制造论证专家组副组长，中国航空工业集团公司信息技术中心常务副主任、总工程师等；曾参与并主持国家级两化深度融合创新体验中心的建设和运营。多年来，面向高端装备领域复杂体系和系统的开发和管理，大力推进基于模型的系统工程（MBSE）理论研究和创新实践，组织建立全球认可的系统工程培训认证体系、国内军工行业领先的技术服务体系，培训各类系统工程技术和管理专业人员超过2 000人，已有350多人获得国际系统工程师认证。曾出版译著《基于模型的系统工程有效方法》《赛博物理系统工程建模与仿真》。作为主要发起人之一参加的“大型航空企业基于数字系统工程的正向创新型研发体系建设”项目，获全国企业管理现代化创新成果一等奖。

人工智能（AI）已成为现代组织及复杂体系卓越运行的数字生命线，与之相关的技术和方法论正在引发人工智能科学和技术依托数字工程环境实施有效的转化，其中关键点在于人工智能的概念化和运行化的定义，并突出在系统思维框架下，重新审视和定位系统中各个元素在AI基础设施整体架构中的使能作用。

《人工智能和数字系统工程》致力于自然智能和人工智能的融合，立足当今数字工程发展转型特征，以独特的系统视角洞悉人工智能（AI）和数字系统工程融合的概览趋势，启发人们理解人工智能对社会进步、工程创新实践的预示性意义。研究涉及业务、工业、政府、军队甚至学术领域等领域中人工智能普适性应用的基本范式，结合基于模型的系统工程（MBSE）的应用范式，针对系统中AI技术的实现，从而提出“设计-评估-证实-集成” （DEJI）的系统工程生命周期流程模型。一方面用于确定概念过程的框架，而另一方面探索应用模型的技术平台。本书聚焦于此，力图澄清人工智能的各种角色、意义和背景，使组织和工程的管理者认知AI应用并接受其带来的结果，这正反映出了自然智能和人工智能的融合发展的合理过程。

关于人类智能和机器智能的认识，决定着未来人工智能在系统工程中的应用模式，有必要真正理解自然智能和人工智能的含义——自然智能涉及人类获取知识、知识推理并利用知识有效地解决问题的能力，当然也涉及基于现有知识开发新知识的能力。而相比之下，可以这样界定人工智能——机器利用所模仿人类的知识来解决问题的能力。当我们准备投入自然智能和人工智能的融合中，期望以系统为中心的方法论能助一臂之力。

面对所有的AI系统和流程，人们期望满足诸如有效性、高效性、易用性、优雅性、安全性、安保性、持续性等目标。本书提出人工智能的概念化和运行化的定义，强调在系统思维有关的背景下，每个元素如何在AI基础设施的整体架构中发挥作用。在人工智能的系统工程框架中，我们可采用构建系统视图的方式来定义那些达成的愿望；同时将采用基于系统的方法，针对业务、工业、政府、军队以及学术领域的各个方面，研究人工智能的普适性作用和独特的贡献，从而由系统方法促进设计、评估、证实和集成等流程的实现。

系统工程是一门致力于集成各种元素来实现更强大系统整体能力的学科。在今天，人们期望更具快捷、高效、适应、一致的系统集成能力，从人工智能（AI）的角度来看，数字时代由基于数字的科学、技术、工程和数学（STEM）所构成，因而数字框架对于AI的实现至关重要，关键的特征将涉及模型协同的生态、开放式架构、系统生命周期的可持续性集成、大规模计算的基础设施、安全数据存储和云部署、可用性和可访问性以及支持敏捷运用的数字平台等。DEJI系统工程生命周期流程模型为此提供一个方法，特别适用于数字系统中实现AI的概念化设计和运行化验证。