研究科学发现的计算途径：对BACON程序的考察，本文主要内容关键词为：途径论文,发现论文,科学论文,程序论文,BACON论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
〔中图分类号〕N032 〔文献标识码〕A 〔文章编号〕1000-0763(2004)01-0099-05
科学发现是极富创造性的工作。人们相信，解读创造性之谜能帮助科学家更有效地做出科学发现。科学史家仔细分析一些著名科学家的手稿、信件以及实验室原始记录，试图“挖掘”出科学家做出科学发现的真实过程。心理学家从认知风格、创造人格及创造技法等独特角度研究科学发现。科学哲学家对科学研究程序的探讨早在亚里士多德就开始了，从培根以降的方法论研究中形成了归纳主义程序、猜想－反驳程序、常规科学（范式）→科学革命→新的常规科学（范式）的历史主义程序，以及科学研究纲领。但这种种研究程序都不具有普适性，因而费耶阿本德主张方法论的多元主义，反对有任何一种科学研究的普遍程序，科学哲学中科学方法论的探讨陷入沉寂。同时科学发现逻辑也被波普尔等多数哲学家排除在需哲学家进行逻辑分析的主题之外[1]。
但在近二十年，AI界出现了一个结合科学史、科学哲学进行科学发现研究的新领域。这个领域就叫机器发现（Machine Discovery，简称MD）。现在已经做的是再发现，即开发计算机程序模拟科学史上重要科学发现过程。在众多MD程序中，最重要的经验定律发现程序是一个以英国哲学家弗兰西斯·培根(Francis Bacon,1561-1626)命名的计算机程序系列BACON。从1978年到1983年，先后发表了六种版本(BACON.1-BACON.6)，分别成功地重新发现了开普勒行星运动第三定律、波义耳定律、伽利略关于单摆和匀加速运动定律、理想气体定律等十多个科学史上重要的物理、化学定律。这种新的研究途径能在多大程度上帮助人类揭开“创造性思维”之谜？它能否使科学史家、科学哲学家、认知科学家甚至科学家本人对历史上科学家做出科学发现的过程有更多、更清晰的了解？本文就试图通过考察BACON系统的科学再发现工作回答这个问题。同时也想引起国内相关学科的学者对这一涉及AI、哲学、心理学、语言学和神经科学等多门学科的交叉领域课题的研究兴趣。
一、BACON系统六个版本的成就及其方法论启示
BACON的最早和最主要的开发者为P.兰利(Patrick W.Langley)。兰利1979年在卡内基－梅隆大学师从人工智能创始人之一西蒙(Herbert A.Simon,1916-2001)，获得认知心理学博士学位。从BACON.4以后的版本是兰利与布拉德肖(Gary L.Bradshaw)、西蒙、席特考(Jan M.Zytkow)等人一同合作开发的。
BACON.1：科学再发现的初步实现
最早的系统BACON.1[2]能够解决序列外推任务，学习合取、析取概念及发现简单形式的物理定律：如波义耳定律pV=c（一给定量的气体，温度一定，其压强p与其体积V的乘积等于一个常数c）；开普勒行星运动第三定律
（一个行星距太阳距离D的立方与该行星的运行周期P的平方之比为一常数）。BACON.1是兰利博士论文的研究成果，它对通常发现系统的启发式（详细解释见下文）进行创新，初步实现了“一个一般性发现系统”的设计初衷，可看作西蒙等人1974年提出的通用规则归结器的实现，但该系统只限于发现简单的幂函数。兰利于次年推出了第二个版本BACON.2。
BACON.2：从简单到复杂
BACON.2将BACON.1的产生式（详细解释见下文）加以扩展，增加了两种操作：一种用于在序列外推任务中发现递归模块，另一种用于产生多项式定律([3],p.91)，使该程序通过检查数据的差异发现了复杂的多项式函数，例如，天文学中有名的经验定律波得定律(Bode's Law)，该定律表明各行星环绕太阳的椭圆轨道的平均半径的数值之间是一种简单的数学级数关系。尽管BACON.2发现定律的复杂程度有明显提高，但根据该版本的启发式，系统不能被拓展发现更多的经验定律，而此技术问题在兰利接下来开发的BACON.3中有了很大改观。
BACON.3：打破“观察”和“理论”的分界
BACON.3([4],pp.31-54)是最成热、最具逻辑一致性的版本，它成功地重新发现了理想气体定律、库仑定律、开普勒行星运动第三定律、欧姆定律和伽利略的单摆和匀加速定律。其成功的关键是，取消数据和假定的规律之间的界限，从低级描述层次中的数据概括出简单规律之后，就将此简单规律作为较高描述层次中的“数据”，由此“数据”再概括出更复杂的规律，这样逐级上升，启发规则递归地运用于新的“数据”上，最后就得出普遍性的经验定律。在这个过程中，系统描述层次逐级增加，更高的层次描述更复杂的定律，也说明了更多的原始数据，因此大大扩充了系统的表达能力。BACON.3的成功不由得给科学哲学研究一个启示，BACON.1和BACON.2严格区分实验测得的数据与程序得出的假设，却拓展能力不强，而BACON.3取消数据和假设之间的严格区别，却发现了更多的经验定律。由此，我们熟悉的观察和理论的区别的争论在这里得到了一次生动的检验。
BACON.4：形成概念
从BACON.1到BACON.3，系统已经能够比较令人满意地完成科学发现过程的一个重要环节，即对数据进行分析，从数据中找出规律性的一个模式。但是，BACON系统能不能进行科学发现的另一个重要环节，形成概念呢？兰利同他的合作者对此进行尝试，结果在BACON.4中实现了这个功能。BACON.4([5],pp.971-975)的改进之处在于增加新的启发式，使系统能够规定出内在属性（如，导电性、比热等），从而使定律推导步骤简化，描述层次减少。BACON.4重新发现了阿基米德浮力定律、斯涅耳折射定律、动量守恒定律、万有引力定律、布莱克比热定律。但是我们应当清醒地看到，BACON只是发现了概念的数学表述形式。因为它根据启发式推理出这个数学表达式是有用的，而它实际上不可能知道该表达式具有什么样的理论意义。最终形成概念、赋予概念以理论意义都是人来完成的。可见，BACON发现经验定律的过程是一个人机互动的过程。在这个人机交互过程中，人和机器各自发挥自己的所长，或者说，机器充当人的好助手，一同更有效地做出科学发现。
后来在兰利等人对BACON.4和BACON.5的改进中，引入一条新的寻找公因子的启发式（和已有的启发式合取），能够重新发现18世纪末至19世纪初的许多化学定量定律，如普鲁斯特定比定律，道尔顿倍比定律，盖伊－吕萨克定律以及康尼查罗的原子量精确测定方法。
BACON.5：计算模拟优势凸显
在BACON.4和BACON.5重新发现布莱克比热定律时，还引入一条对称性启发式，对称性规律在大多数场合是一个基本原理，这条启发式能省去大量搜索。但是，这样BACON就不是完全数据驱动，而具有理论驱动的性质了。为什么要这样做呢？因为科学史和科学哲学的考察已经表明，实际的科学发现过程既不是完全数据驱动也不是完全理论驱动，而是二者都起作用。兰利他们这样做具有多方面的意义：(1)通过计算机模型的模拟，恰好说明，数据驱动和理论驱动兼备的科学发现途径正是最有效的发现途径。(2)BACON可以成为这样一种更普遍的科学发现模型，实验已经表明，如果数据驱动的发现系统BACON具备一种理论，就能使BACON的搜索空间减小，更有效地发现规律。(3)BACON开创了一种研究科学发现的新途径，这种新途径具有传统研究途径无法比拟的优势。不论历史的、哲学的还是心理学的研究途径都不可能考察纯粹数据驱动或纯粹理论驱动的科学发现，因为这样的发现在历史上是不存在的。而通过计算机模拟，可以将启发式设计成完全数据性的或完全理论性的，从而分别考察数据驱动的发现模式或理论驱动的发现模式，由此新的研究手段就得出新的研究结论，使我们对科学发现的本性有更多的了解。(4)BACON以不同于人类的发现模式也做出了相同的发现，BACON的实验表明，对于一个数据驱动的发现系统，非数据性质的启发式尽管很有用，却不是本质性的。因为BACON别的版本在没有该启发式的完全数据驱动下，通过更加冗繁的工作也发现了同样的定律。
BACON.6：发现复杂的多项式
BACON.6[6]主要针对发现前述十八世纪末至十九世纪初的许多化学定量定律而改进的。它有能力处理大量的干扰，利用差分技术寻找相关的两变量之间最好的多项式函数，它能够发现像y=aXbX+c及sin(y)=a log(X)+b这样的关系。需要说明的是，BACON.6虽然是BACON系列中最后一个版本，但并不能说只有它是最成熟的版本，无论BACON的设计者还是评论者，都一致认为BACON.3是BACON系列中最成熟、最具逻辑一致性的版本，人们也都以它为例来评价BACON。
二、BACON再发现系统的方法特点
BACON已成为近二十年最成功的经验定律发现程序。其成功来自于其自身的特点。
1、数据驱动及独特的启发式
(1)数据驱动而非理论驱动
目前开发的机器发现系统大致有两类，理论（模型）驱动MD系统和数据驱动MD系统。理论驱动MD系统是指，将已知的科学理论形式化后输入计算机，作为计算机已经知道的知识，指导它的推理过程。这种理论驱动的MD系统适合在比较成熟、已经公理化的学科领域做出新的发现。比如AM(D.B.Lenat,1977)[7]，它从约100个基本概念和约250个启发式开始，重新发现了数论中的概念并提出数学猜想。
而数据驱动则是对探测数据规则的启发式进行利用。比如BACON，在给它输入历史上科学家做出真实发现的原始数据，以及探测数据规则的启发式之后，它就对数据进行分析，找出它们之间的相互关系，从中发现一种模式，这种模式表示了一系列数据的规律[8]。在它的发现过程中可以完全不需要任何理论知识做背景。在科学史上，绝大多数科学发现都是主要为数据驱动的过程，尤其是在学科发展的早期，人们常常是先提出许多奇妙的纯粹经验性的定律、规则，而后几年甚至多年才能解释这些经验定律的理论意义。比如前面提到的波得定律、欧姆定律、孟德尔遗传定律等等。属于数据驱动的经验发现系统还有函数归纳模型(Model of Function Induction),FAHRENHEIT系统，IDS系统[9]等。
(2)启发式
简单的说，启发式就是提高搜索效率的规则。BACON系统的启发式用OPS（Official Production System，通用产生式系统）写成，兰利认为该语言“为模拟人类行为提供了坚实的基础”([3],p.39)。这是一种著名的知识表示系统，它依据人类大脑记忆模式中各种知识块之间普遍存在的因果关系或“条件－行动”式，用“IF THEN”型的产生式规则来表示知识，以此可以方便、灵活地建立人类问题求解的认知模型。
兰利为BACON设计了丰富的启发式。以BACON.3为例，其启发式由86条OPS2语言写成的产生式规则组成，这些产生式又被分成7个启发式组，分别完成不同的功能：第一组，收集数据；第二组，发现规律；第三组，计算理论项的值；第四组，注意冗余理论项；第五组，忽略差异；第六组，归并描述簇；第七组，处理无关变量。
因为BACON的数据驱动性质，它所运用的丰富启发式中，最基本的是三个探测数据规律的启发式：A.递增：如果X值随Y值的增加而增加，就定义比值X/Y，并考察这个值。B.递减：如果X值随Y值的增加而减少，就定义乘积XY并考察这个值。C.常量：如果X的许多值几乎都是一个常量，就假设X总是取这个值。
根据这三个基本启发式以及其他的丰富启发式的指引，西蒙评价说“该程序的行为了不起的地方是，通过这些步骤发现上述种种定律并不需要大量的搜索。为找到一个不变量，很少需要考察原变量的12个以上的函数。”[10]
2、BACON的再发现方法
(1)是培根的归纳还是波普尔的猜想－反驳？
BACON系统的开发者认为BACON重新发现经验定律的方法，就是培根所提倡的归纳方法。他们对培根的归纳方法是这样理解的：“培根相信，如果一个人收集到足够的数据，那么在这些数据中的规律就会跳出来(leap out)，呈现在观察者面前。BACON.3这个程序正是用这种方法发现经验定律的。”([4],p.31)因此，他们将该发现系统以这位早期科学哲学家的名字来命名。
与此针锋相对，科学哲学研究者孔宪中(Edwin.H-C.Hung)认为：“从一开始，BACON做的工作根本就不是归纳。拿BACON.1再发现开普勒第三定律来说，它所做的就是去检验假说，一个接一个地。第14个假说因为经受了检验而被接受，而前面13个假说都失败了。这是典型的假说－演绎方法，波普尔的证伪方法。”([11],p.460)所以他认为“BACON”这个名字用得不当，而且具有讽刺意味，因为BACON运用的方法恰恰是将自己同培根作了坚决划分的波普尔的猜想－反驳方法。
BACON的再发现方法究竟是培根的归纳还是波普尔的猜想－反驳？我们今后的研究工作将对其进行更全面的分析，但现在至少可以说：孔宪中对BACON的评述，有值得商榷的地方。他认为BACON使用的启发式搜索方法就是波普尔的猜想－反驳方法。但是，西蒙早在80年代来北京讲学期间，就将启发式搜索方法与假说－检验方法用非常直观的例子做了明确区分([8],pp.48-49)。并且我们对BACON进行的细节考察也初步表明，BACON的方法确实具有培根方法的特征。
BACON的再发现过程是这样的：以BACON.3再发现开普勒行星运动第三定律为例。在第一层数据中，BACON.3探测到随距离D增加，斜率S（即1/P）值减小，于是A递减启发式指引BACON.3定义乘积DS,BACON.3考察DS值，发现不是常量。这时，系统启动第二组发现规律启发式组中的一个产生式规则，将DS作为第二层数据中的一个变量，考察它与D的关系，于是，递归地运用A递减启发式及相应规则，定义新的理论术语
。
由此可见，在发现
这个关系过程中，BACON并不是如孔宪中所认为的那样，盲目地从简单函数关系到复杂函数关系逐个实验。而是在启发式指引下，初步类似人的智力那样高度选择性地或者说“聪明地”快速逼近那个最终结果。BACON设计者兰利等人的原话说得更明确：“BACON不做那类不加任何限制的、尝试一切的归纳，因为我们的研究目标是理解在系统考察过人们通过智能选择了少量可能性之后，那些不容易做的归纳究竟是如何完成的。BACON的搜索是高度选择性的，受几个强有力的启发式的指引。”([5],p.972)
(2)实现培根理想
正是因为BACON的数据驱动特征，BACON的发现过程真正实现了培根的理想，即不带有任何猜想、假设的完全由实验数据驱动的逐级机械式归纳。
培根说过：“对于理解力不可赋以翅膀，倒要系以重物”[12]。他的归纳是从观察实验事例出发，“遵循一个正当的上升阶梯，不打岔，不躐等，一步一步，由特殊的东西进至较低的原理，然后再进至中级原理，一个比一个高，最后上升到最普遍的原理；……。”（文献同上）在这里，我们与BACON的方法对比，发现二者非常相似。在重新发现理想气体定律中，BACON.3被给予关于P（气体压强）、V（气体体积）、T（气体的开尔文温度）和n（气体的摩尔数）之间相互变化关系的一堆实验数据，然后在探测数据规律的启发式的指引下，BACON.3首先探测到P和V之间的关系，并定义PV这个理论术语（也可以看作是BACON.3发现的较低原理），接下来，BACON.3将PV作为变量，考察它对T的关系，于是发现PV/T这个更高一层次的理论术语，也即一个较高原理，这样逐级上升，描述层次不断增加，最终得到pV/nT=K这一经验性的、描述性的普遍原理。
培根方法的反对者、提出猜想－反驳方法的波普尔认为培根说的“interpretatio naturae”意指仔细琢磨大自然之书[13]。波普尔对培根思想的这一批判性诠释却抓住了培根归纳方法的精髓，并在此处与BACON方法产生了共鸣：BACON正是按照培根的方法在阅读大自然（得出描述性定律），而不是诠释大自然（得出解释性定律）。因为BACON仅限于发现经验定律，而且BACON发现的经验定律正是培根所提倡的可直接验证的知识，不带有猜想成分的确实的知识。
无独有偶，也是在这层意义上，澳大利亚科学哲学和科学知识社会学研究者彼得·斯莱让克(Peter Slezak)博士，以BACON重新发现科学史中重要定律的实验事实对SSK的“强纲领”进行了驳斥[14]。他认为，BACON等机器发现程序在做科学发现时，完全独立于一切社会或文化因素，这些程序实现了一种“纯粹的”、未受社会因素感染的归纳推理过程，这无疑是对SSK认为数学和经验科学知识也具有社会因果决定性的激进主张的一次挑战。
3、BACON与科学家发现过程的比较
从BACON已经取得的成绩看，它在发现具有相当多样性的定律形式时，都共用了许多基本启发式，而且可以在不考虑实验观察顺序的情况下做出发现([4],pp.50-53)，可以说，BACON是一个一般性的经验定律发现系统。因此BACON也是近20年最成功的MD程序之一。但是将其与真实科学家的发现过程做比较，就让我们清楚地看到科学发现的计算机模拟这一新的研究领域还有许多尚待解决的问题。
概括来讲，虽然BACON是对科学家进行科学发现的模拟，但BACON同真实的科学家的发现只在发现结果上是相同的，而具体的发现过程和发现方法却有着很大差别。
首先，BACON系统模拟重新发现科学定律的过程，比之真实的发现过程，所要解决难题的难度已被降低。BACON对开普勒定律的再发现，有两个前提，一个是程序开发者事先限定它考虑的变量是2个，D和P，而对D和P关系的考虑正是开普勒的一大创新。因为在当时托勒密天文学为主导范式，D，即行星距太阳的平均距离是没有意义的，通常没有科学家考虑这个值。第二个前提是，程序开发者给BACON设计的启发式，限定所搜索的定律的形式是
，寻找这种形式的定律是开普勒的另外一大创新([15],pp.6-11)。
因此，BACON对定律的再发现比之科学家本人的再发现所要解决难题的难度是大大降低了，BACON已被告知了科学家由于自己的创造性思维获得的重要假定（通过析因设计产生式），这样BACON再发现开普勒定律的难题被降低为从给定数据中找出两个参数间的数学关系的问题，这对计算机来说是非常简单的事情。
此外，BACON的设计者清楚地知道，BACON还远远不具备处理现实情况下数据干扰的能力。抗干扰问题是设计者在BACON的系列版本时，不断改进的一个目标。
再者，BACON不能像科学家那样将发现的量的关系解释为新的定律，其输出还必须人来解释。也正因为这样，BACON目前只能发现定量的描述性的定律，远不能像科学家那样发现定性的解释性定律。但这一点在别的机器发现系统身上已有所突破。
另外，阿瑟·米勒(Arthur I.Miller)认为([16],p.91)，尽管个人癖性对一个解决难题的计算机模拟程序来说，或许不重要，但它们却时常参与一个科学家对一个难题的感知系统的建构，很多时候，一个解决方案的产生正是由于这些方面的概念发生转换的结果。米勒还认为计算机的发现过程不能再现美感，而美感是创造性思维的一个重要维度。很多科学家在回想他们的重要发现过程或方法时，都无法用语言说清楚那个重要想法产生的细节，而诉诸于这种特殊的美，宇宙的和谐，这些因素促使他们选择了最能描述这种和谐性的方法。
虽然我们列举了BACON与科学家在发现过程中的不同之处，但我们都知道，开发BACON并不是要在细节上模拟人的发现过程。而正是因为通过与人不同的计算发现，我们才可以发现通往科学发现的不同的途径—计算发现途径。对科学定律的计算发现还处于探索阶段，迄今为止，计算机程序尚未做出任何人类不知道的科学发现，但是正如戴维·兰博(David Lamb)所认为的([16],p.114)，“在发现别人知道的事情和发现这个世界中的新的事情之间并没有尖锐的分界线。”我们相信，BACON以及任何别的发现程序被设计的目的，都不是为了真实重现科学家本人进行发现的思维过程，而是在限定意义上发挥人工智能的作用，提出科学发现也许是如何发生的理性模型。
三、BACON系统的意义及其影响
BACON的工作所具有的重要意义已不仅仅限于它是一个出色的AI系统了，它的影响体现在以下几个方面：
1、BACON是西蒙AI研究思想的成功范例
研究人的思维活动，利用计算机进行人的思维活动的功能模拟，一直是人工智能研究的主导思想之一。西蒙是这一思想的主要倡导者。他和纽厄尔(A.Newell)等人开发的著名AI程序，如50年代的“逻辑理论家（Logic Theorist，简称LT）”，还有60年代初的“通用问题求解程序（General Problem Solver,简称GPS）”，在建立计算机程序模拟人类解决难题的技术探索上取得了相当大成功，这些成功已经昭示出将计算机模拟扩展到研究科学发现即机器发现领域的可能性。西蒙从理论上论证了这种可能性，提出了对研究科学发现逻辑问题有启发性的科学发现模式[17]。他关于科学方法论的著作《发现的模型以及其他科学方法问题》（1977年），被收入著名的《波士顿科学哲学研究》丛书（第54卷）。
西蒙的人工智能研究思想和探索方法论活动不能不对兰利发生影响。据兰利讲[18]，他还是一个大学生时，就对科学发现的本质问题着迷了，这个兴趣一直保持着。师从西蒙后，导师给了他许多有益想法，于是他从博士论文就开始了对最原始的BACON系统—BACON.1的开发。可以说，兰利设计开发BACON程序的研究工作，在某种程度上正是西蒙等AI科学家的人工智能研究思想和探索方法论活动的延续。正如兰利所说：“它(BACON.1)是在GPS的致力于一般性和简单性的主旨下构建的。”([3],p.39)从兰利等人的论文中，我们可以感受到兰利以及其他机器发现系统开发者，他们作为AI研究者，对科学哲学和科学史方面的理论问题非常关注，而且他们敏锐意识到机器发现工作将超出AI研究领域而对科学哲学和科学史研究产生影响，因此，兰利等人说([5],p.971)，他们试图通过BACON系统用计算模拟的方式，提出科学发现实际是如何发生的一种假说，并得出关于计算机模拟和历史发现之间的相似性和区别之处。同时他们也将这种模拟过程看作是对人们提出的关于科学发现和创造性思维假说的实验检验。
2、BACON复活“发现的哲学”
BACON作为一个鲜活的实验模拟科学发现的成功案例，重新“复活”了人们对“发现的哲学”这个争论一百年之久依然悬而未决难题的探讨兴趣。
就在AI科学家研制开发能够进行机器发现的计算机系统并初见成效的时期，即20世纪70年代，在科学哲学领域，科学发现逻辑问题被冷落近100年之后，又被重新发现。先是1977年，意大利埃尼切(Erice)举行的两年一次国际科学史学院课程中，来自世界各地的史学、认识论和科学的研究者，就科学发现做了逻辑、心理学、文化和社会诸层面的批评性考察：米尔科·D·格尔梅克(Mirko D.Grmek)呼吁让科学发现史逃离神话之境([19],pp.9-42)；马尔切洛·佩拉(Marcello Pera)深入论证归纳法就是科学发现的方法，并驳斥流行的反归纳法理由之谬误([19],pp.141-165)。1978年，国际科学哲学界召开第一届纪念伦纳德(Guy L.Leonard)哲学讨论会，会议主题就是科学发现。国际科学哲学界普遍认为此次会议标志着科学哲学研究发生重要转向：从此，发现、创新和问题解决将取得合法的研究领域的地位，大多数科学哲学家不再把发现认为是专属于心理学、社会学和史学的研究领域。尼克尔斯(Thomas Nickles)总结说：“现在对历史个案的研究使许多哲学家意识到这个事实：忽视发现、创新和问题解决在一般意义上就是将科学家所进行的活动与所关心的问题的绝大部分给忽略掉了，而这些不仅仅是科学研究中最令人感兴趣的部分，也是（更重要地）与认识论高度相关的。”[20]
无论机器发现研究是否触动了科学哲学界重新发现“科学发现”这个主题，BACON本身都已触及科学哲学研究最为敏感的话题。“科学发现逻辑”同时也是认知科学的核心“创造性思维的本质”问题，因此BACON一出现就引起AI、科学哲学和认知科学等领域研究者的巨大争议。有的学者给BACON以高度评价，认为BACON程序是最出色的发现程序之一([16],p.91)。有的学者却对BACON给予断然的否定，认为BACON的工作，以至于西蒙研究小组的这种研究途径是个失败([15],p.21)。有的学者对BACON的重新发现成就予以充分肯定，但对BACON能否从单纯发现描述性定律的机器系统发展为能发现理论性定律的机器系统，持观望态度[21]。除此之外，BACON也作为探讨创造性及科学发现的案例出现在科学哲学的教材中([11],pp.458-465)，从而体现出国外学术界对BACON所给予的广泛关注。BACON还是引起SSK（科学知识社会学）学者争议最多的一个机器发现系统。SSK学者发表观点的主要刊物《科学的社会研究》1989[22]年和1991[23]年两次专题讨论“计算机发现和科学知识社会学”。
四、结语
对BACON系统再发现方法的考察和分析表明，BACON以及其他机器发现系统，运用人工智能和科学史、科学哲学相结合的方法研究科学发现，仿佛为我们打开了一扇揭示科学发现本质的“窗口”。相信随着研究的深入，随着更多科学史和科学哲学研究者的加入，它将向我们揭示出更多有价值的东西。
〔收稿日期〕2003年3月7日