论智能机器人研究的语境论范式，本文主要内容关键词为：范式论文,语境论文,机器人论文,智能论文，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：N031文献标志码：A文章编号：1000-8934(2009)02-0012-08
自1920年捷克斯洛伐克作家卡雷尔·恰佩克(Karel Capek)在其科幻小说中提出“机器人”概念以来，人们逐渐认识到，不能以似人外观性而应根据自动机器所具有的智能性来界定机器人。尽管可把能自动执行工作的机器装置都视为机器人，但要成为智能机器人，则至少要具有一定的自主处理任务的智能功能。人工智能的快速发展，尤其是传感器的出现，延伸了智能机器人对外部环境信息及其自身内部状态信息的了解。人们藉此希望智能机器人可以在非结构化的环境下完成各种指定的任务。由此，从1968年世界上第一台智能机器人Shakey诞生以来，人工智能机器人学共出现过三种研究范式。不过，这三种范式主导下研发出来的智能机器人，都无法在非结构化环境下很好地处理未知事件。人工智能机器人学的范式问题，日益成为制约人工智能机器人发展的核心问题。
1 当前智能机器人的研究范式及其问题
以感知、规划和执行为主要基元，智能机器人研究中先后出现过分级范式(the hierarchical paradigm)、反应范式(the reactive paradigm)和慎思/反应混合范式(the hybrid deliberative/reactive paradigm)等三种结构的研究范式。从自上而下还是自下而上的路径来模拟人类智能，以及如何处理感知、规划和执行这三种主要基元之间的关系，成为人工智能机器人学范式演变的关键因素。然而，一方面是必须对机器人所处的复杂环境进行表征，而另一方面却是计算机自身计算能力低下，这两者之间的矛盾一直是人工智能机器人学研究无法逾越的障碍。
(1)分级范式及其问题
1956年，在明确提出“人工智能”的达特茅斯会议上，马文·明斯基(Marvin Minsky)指出，智能机器应该能对周围环境创建抽象模型，并从中寻找解决问题的方法。这一思想为以后的智能机器人研究指出了方向。智能机器人研究的核心之一，就是如何表征智能机器人所面临的复杂环境，进而在表征基础上通过计算来解决问题。在这一思想影响下，智能机器人研究领域最早出现了分级范式。从20世纪60年代后期至80年代末，分级范式是人工智能机器人学领域最主要的研究范式。
分级范式以人类理性主义思维的内省观点为基础，按照自上而下的研究路径，以“感知—规划—执行”的方式来处理任务：智能机器人首先感知外部环境，将感知到的数据处理成一个全局环境模型，为规划器提供惟一的环境表征。然后，感知器暂时停止工作，规划器进而根据这一全局环境模型规划机器人将要执行的动作，最后由执行器来执行这个动作。依次循环，就形成机器人的连续动作[1]4。
表面看来，分级范式似乎行得通，但在实际应用过程中，却表现出很多难以克服的困难：
首先，分级范式是基于封闭环境假设之上的。封闭环境假设要求在全局环境模型中表征出机器人需要的所有知识。而这些知识是由程序员在编程过程中编写到全局环境模型中的。一旦机器人在执行过程中遇到了全局环境模型之外的情况，就不能正常完成任务。从常识知识工程的失败中我们可以知道，用表征的方式不可能将世界上的所有知识都记录下来，因此要建立一个有关世界的全局环境模型根本就不可能。并且，即便建立一个较小范围或较小领域，所需的全部常识知识也相当困难。
具体到分级范式，在计算机计算能力的限制下，人们只能对一个很小范围的环境进行抽象表征(如一两间陈设简单的办公室)。一旦环境发生一定程度的改变，智能机器人就不能正常工作。而这又带来了框架问题。因此，分级范式智能机器人都是针对特定小生境(niches)而设计的，其感知器建立的所谓全局环境模型也不可靠，更无法考虑机器人的通用性。可以说，分级范式过于注重智能功能的针对性，而没有真正解决机器人所面临的不确定性问题。封闭环境假设以及框架问题的出现，从根本上说都与对常识知识的表征问题相关。其实质是将环境模型作为一种先验知识，通过静态表征方式抽象地描述出来。人工智能机器人学要求“机器人必须工作在开放的环境”[1]32，即必须以开放环境假设为基础。而开放环境假设要求机器人可以处理环境的动态改变。根据这一要求，分级范式的封闭环境假设显然远远不能满足要求。
其次，分级范式“感知—规划—执行”模式模拟人类理性主义内省思维的特点，首先假设机器人的智能模式应遵循自上而下的研究路径，对机器人要处理的所有任务都必须事先规划，然后才能付诸实施。机器人的“大脑”是一个中央控制系统，所有行为都先需经由这一系统规划之后才能执行。这种在感知、规划和执行三种基元之间顺序进行的结构，无法根据环境的改变对机器人动作及时做出相应调整。编程人员不可能为机器人预先编制好处理所有可能出现的偶然事件的程序，这使得智能机器人动作看起来不连贯或表现出对环境变化的不适应。并且，这种“感知—规划—执行”的顺序结构忽略了人类行为中感知可以直接引起动作这一事实。也就是说，自上而下的分级范式虽然符合人类理性思维的内省模式，但不符合人类行为的刺激—反应模式。从表面上看，这仅仅是一个计算速度问题，但从智能生成的内部机制来看，这更是一个结构处理问题。因为在机器人学的每一个发展时期，计算机的计算速度都相对固定，要想提高机器人智能，只有从改善感知、规划、执行这三种基元的结构入手，才能取得较好效果。
此外，在分级范式盛行的时代，计算机硬件技术还不十分发达，由此造成的计算速度缓慢也是该范式难以取得较好效果的主要决定因素之一。在计算速度的影响下，这一时期的智能机器人研究很少能走出实验室，真正达到商业应用的目的。
(2)反应范式及其问题
20世纪80年代初，鉴于分级范式中的问题，人们开始从动物智能的认知模式上寻找灵感，试图突破分级范式“感知—规划—执行”结构模式。与分级范式自上而下的处理方式完全相反，反应范式认为，智能行为产生于主体与环境的交互过程，智能主体能以快速反馈替代传统人工智能中精确的数学模型，从而达到适应复杂、不确定和非结构化的客观环境的目的。复杂行为可以分解成若干个简单行为加以研究，人工智能可以像人类智能一样逐步进化。
反应范式以动物的刺激—反应(stimulus-response)模式为基础，按照自下而上的研究路径，以“感知—执行”方式来处理任务，并且没有规划部分。由于不存在分级范式那样的全局环境模型，使得反应式机器人的执行速度非常快，从而也避免了框架问题。
然而，经过多年发展，反应范式智能机器人并没有表现出人们期望的智能程度，这主要由以下几个原因所致：
首先，反应范式假设大多数甚至是人类层次的行为都没有详细表征，是通过非常简单的机制对世界产生的一种反射。灵活性、敏锐的视觉以及在一个动态环境中执行与生存相关任务的能力，是发展真正智能的必要基础。分级范式主要就失败在表征问题上。当智能严格依赖于通过感知和行为与真实世界的交互这种方式来获得时，就不再依赖于表征了。低层次简单活动可以慢慢教会生物对环境中的危险或重要变化做出反应。没有复杂的表征以及维持那些与之相关的表征和推理的需要，这些反应可以很容易地迅速做出，足以适应它们的目标[2]。也就是说，行为由感知器和执行器之间的紧耦合而产生，没有任何机制来监视环境的改变，也没有记忆系统，只是简单地对环境的激励做出响应。这虽然很大程度上提高了机器人的执行速度，但舍弃了规划使反应范式走向了另一个极端：反应式机器人既没有中央表征，也不存在一个中央系统。很显然，在人类的智能行为中，只有很少一部分完全基于反馈机制，人主要还是通过大脑这一中枢神经系统来控制行为，人类语言就是一个很明显的中央表征体系。在没有自身主体意向驱动的情况下，反应式机器人所表现出来的行为将毫无意义。因此，这种自下而上的智能模式，只能用于高级工业机器人或商业机器人。可以说，反应范式只是一定程度上模拟了人或动物最基本的智能行为，却无法解释人类高级思维模式的整个过程。
其次，反应范式虽然避开了对整体环境模型的表征问题，却无法避开类似常识知识这样的问题。它需要模拟人类所有抽象的生物功能，才能表现出类似于人的智能行为。它将人类所表现出的各种生物功能进行分类，并建立相应的模块来模拟每一种功能。例如，仅仅有关手的接触和抓取小物件这一简单功能，就归类出手臂的运动、手的形状、手指的运动、手腕的运动、硬度适应、接触察觉、抓取缝隙、表面测试、表面位置等如此之多的功能模块。反应范式目前最先进的机器人Domo(多默)，虽只有上半身且仅具简单抓取的操作能力，就需要15台奔腾计算机联合而成的Linux集群系统来支持其运行[3]，而要模拟人类行为的全部功能，其工程难度绝不会亚于常识知识工程。造成这一问题的原因在于，反应范式并没有从人类产生这些生理功能的根本机制入手，而只是抽象和概括人类行为中所表现出来的功能特征，以为只要解决了对抽象的人类基本能力的模拟就可以进化出高级智能来，是一种典型的功能主义。因此，在反应范式的智能模式中，我们看不出它将如何进化出更为高级的人类智能。反应范式虽然避免了关于客观世界的常识知识问题，却无法避开关于人类自身多样化的生物功能这类常识知识问题。
第三，反应范式中，由于机器人认知功能的局限，使得对人类环境的适应性研究也建立在小生态环境的基础上，并不是以完全的开放环境假设为基础，因而也无法适应全部人类环境。反应范式虽然非常强调智能机器人对人类环境的适应能力，但从已有的机器人认知技术来看，还无法实现对复杂人类环境的认知。因此，研究一般都局限于在某些特定认知功能前提下，机器人在一定人类环境中的智能表现。人类环境是动态的和难以预料的，具有简单智能功能的机器人常常无法适应，这就对智能机器人的研究工作提出了严峻挑战。因此，即便是反应式机器人，也是在一个预设的、应用范围很小的小生态环境中展开研究，并不能在真正的开放环境下工作。
第四，反应式智能机器人系统可从功能上分解为行为。对于每个行为而言，只能通过属于它的特定传感器来实现对环境的感知，而这是一种局部的、行为特定的感知。这样，硬件技术必然会对机器人的认知活动构成限制，使智能机器人的认知系统建立在分解的基础上。麻省理工学院的研究者爱德森格(Aaron Ladd Edsinge)指出：“传感器和驱动技术将强制一个机器人使用来自其自身和世界的不确定的、分解的观点去执行任务。同样，人类环境下的机器人操作将需要一套运算法则和方法去处理这种不确定性。”[3]而实际上，人类的认知活动无疑是整体性的。在反应式机器人的认知系统中，并不具备将那些处于分解状态的局部认知抽象为某种整体性认知的能力。这种分解式的认知方法与人的整体性认知正好相反。完全相反的认知路径，使反应式智能机器人如何适应全部人类环境成为问题所在。
(3)慎思/反应混合范式及其问题
从上述分析可以看出，分级范式采用自上而下的方法来解决智能机器人系统的构造问题，“首先确定一个复杂的高层认知任务，进而将其分解为一系列子任务，然后构造实现这些任务的完整系统”[4]。这种以静态和整体性表征为前提的方法论，使分级范式陷入了大量烦琐的表征以及计算之中，因而对环境的适应性非常低。而反应范式则采用自下而上的研究策略，从相对独立的基本行为入手，逐步生成或突现某种智能行为。这种以动态和分解为特征的方法论，使反应范式无法形成对人类环境的整体性认知，因而也无法真正实现开放环境假设的要求。基于此，人们认识到，如何将自上而下的分级范式与自下而上的反应范式相结合，来构建混合系统[5]，可能是智能机器人研究取得突破之关键所在。20世纪90年代以来，人工智能机器人研究逐步采用慎思/反应混合范式。
慎思/反应混合范式在反应范式的基础上，让智能机器人重新具有规划和慎思的功能，即以“规划，感知—执行”的方式来处理任务：智能机器人首先使用全局环境模型将任务规划分解为若干子任务，然后按照感知—执行的方式来分别执行每一个子任务。在子任务执行过程中，高层规划器可以监听低层感知信息，当行为识别出障碍后，就将该障碍标示在全局地图中，但规划器并不直接干预低层具体的执行程序。当低层任务无法继续执行时，可以通过故障上传的方式向高层求助。通过异步处理技术，反应式行为可以独立于慎思功能自主执行，慎思功能的规划器则可以慢慢计算机器人导航的下一个目标，而同时又以高刷新率对当前目标进行反应式的导航[1]5。这样，既没有破坏反应式行为快速执行的优势，又将分级范式的规划和慎思功能融合进来，使两种范式在优势互补基础上达到更好的智能效果。
与分级范式和反应范式相比，慎思/反应混合范式显然是一种进步。然而，在慎思/反应范式中也存在着很多难以克服的困难：
首先，从结构上看，“规划，感知—执行”虽然在一定程度上融合了分级范式和反应范式的优势，但这种融合是一种松耦合。也就是说，规划部分不能直接控制感知和执行部分。在慎思/反应范式下，虽然加入了分级范式的全局环境模型，使行为包括了反射的、本能的和学习的行为，但引起行为执行的“感知”实际上仍是直接感知或称为直感，即感知仍然是局部的和行为相关的。而在人类认知中，虽然也存在着直接感知，但很显然，人类大部分的感知和动作，都受大脑直接控制，而不仅仅是由直接感知直接引起动作这么简单。我们的感知是一种有选择的感知，相同环境下，不同的人总是根据各自的需求有选择地关注或感知某些对象而忽略另一些，并且相应采取的行为或动作建立在这种有选择的感知基础之上。这说明在人的认知过程中，规划、感知和执行之间是一种紧耦合关系。因此，“规划，感知—执行”结构模式不能很好地模拟人类大部分行为。
其次，在慎思/反应混合范式中，规划部分创建的所谓“全局环境模型”是一个相对含混的概念。由于研究核心是如何规划机器人的行为使之更加适应环境，因此“全局环境模型”的核心问题仍在于对复杂环境的表征。虽然在慎思/反应混合范式阶段，硬件技术的进步提高了计算机的计算速度，但与分级范式一样，人们同样无法在开放环境假设前提下，将智能机器人可能面临的所有环境都表征出来。因此，慎思/反应混合范式机器人仍然是运行在小生态环境下的智能产品，而不是运行在真正意义上的“全局环境模型”中。在这个意义上，慎思/反应混合范式只是在处理低级智能行为的前提下松耦合了分级范式和反应范式，并没有真正实现将自上而下与自下而上的人类思维模式有机融合的智能处理模式。也就是说，在模拟人类整体思维的方式上，慎思/反应混合范式本质上还是遵循了自下而上的在低级智能中突现高级智能的研究路径。
2 构建智能机器人研究的网络化语境论范式
从上述对人工智能机器人学各范式在发展过程中存在问题的分析中，我们可以看出，造成已有范式问题的共同原因主要有以下几个方面：
第一，三种范式共同关注的问题都局限在低级智能行为上，而忽略了高级智能行为及其产生原因。
从已有的三种机器人学范式可以知道，反应范式在处理低级智能行为方面速度最快，慎思/反应混合范式虽然加入了规划模块，但处理重点还是低级智能行为。这三种范式实质上都秉承了行为主义路线来开展研究，研究重点是针对复杂变化的环境，移动机器人如何完成规定的智能任务。这其实是以所给出的智能任务的简单性为基础。这类智能任务必须以与环境的“感性”接触为前提，不包括纯粹复杂的高级理性思维，更谈不上两者都涉及的智能任务。而对于人类环境下的大多数智能任务，仅仅依靠低级智能行为是无法完成的，需要引入大量基于符号的高级智能因素才能实现。舍弃了对符号主义高级智能的研究，智能机器人对智能任务的处理能力就不可能有大的提高。
第二，已有三种范式都无法突破小生态环境的局限。
机器人学的学科目标，是研制出像人一样可以在开放环境假设下工作的智能机器人。而已有三种研究范式中：①分级范式以闭环境假设为前提，不仅无法突破小生态环境的局限，还无法摆脱框架问题的影响，致使该范式在20世纪90年代后就遭到淘汰。②反应范式似乎突破了封闭环境这一前提假设，从而也摆脱了框架问题。但由于机器人认知能力的局限，使得反应式机器人研究都局限在特定的小生态环境下。并且，模拟人类智能行为越复杂的机器人，其适应环境的能力就越差。因为复杂性智能行为是以对环境的高度认知为前提的。③慎思/反应混合范式虽然在反应范式基础上融合了分级范式的优势，但在对环境的认知方面，并没有在前两种范式基础上取得根本性突破。所以，混合范式也不可能突破小生态环境的局限。正如詹姆士(James P.H)所描述的：“与环境的直接交互将增加一个真正智能功能所需要的关于世界的知识。不知何故，在前进的道路上，无论是人工视觉还是机器人学，都似乎再一次地偏离了最初的路线，转而去寻找它们自己特定的小生境”[6]。总之，造成小生态环境局限的根本原因，是机器人认知能力低下。所带来的后果就是，智能机器人研究从整体转入局部，所有的智能机器人要么是功能单一的商业产品，要么是实验环境下的玩具型问题。而在机器人认知问题上，人们一直致力于如何将感知器感知到的局部的、被动的感知信息，构建成一个整体的、有选择性的主动认知体系，从而使智能机器人具有处理不确定性且相对完整的认知系统。在这一构建过程中，最大的困难在于如何从环境信息中抽象出有用部分，以及用何种表征方式来描述这些信息，进而对机器人行为产生影响。事实上，人们尚未弄清人类自身的认知机制。在机器人认知这一问题上，虽然取得了一定研究成果，但罗杰·彭罗斯(Roger Penrose)曾经指出：“可能这样较为客观地说：尽管目前确实已经有了许多聪明的东西，但距真正有智能的任何东西的模拟还差得很远”[7]。
第三，在硬件资源相对一定的情况下，三种范式都无法突破复杂性表征和计算能力低下两者之间固有的矛盾。
机器人要想突破小生态环境限制，获得较高的智能，就必须具有对复杂环境的认知能力。按照目前计算机技术的发展现状，机器人智能是建立在表征和计算基础之上的。研究者必须把智能机器人所需了解的常识知识，通过一定的表征方式存储下来，然后根据具体的任务要求，用相应的算法将任务相关的常识知识提取出来，机器人才能表现出一定的智能。从表征的角度来看，机器人想要适应的环境类型越多，所需的常识知识也就越多。常识知识工程的失败说明，要想用表征的方式将所有人类常识知识都表征出来是不可能的，其工程量也相当大。从计算的角度来看，机器人的所有行为以及智能表现都要通过一定的算法才能实现。硬件技术虽然发展得非常迅速，但对于大计算量的智能任务来说还很不够。计算速度太慢是制约机器人智能水平的一个关键因素。而硬件技术的发展并不是无限的。因此，在计算机硬件一定的前提下，复杂性表征和大计算量就成为竞争使用硬件资源的两个主要因素。在一个机器人上，太多常识性知识的表征意味着计算能力低下，机器人就不可能有足够的空间用于处理相关的行为计算，机器人的动作会不连贯。但如果将硬件资源都用于行为相关的计算，这必然导致机器人不可能具有足够的常识知识和认知能力，所能表现出的智能程度就比较低。两者之间的矛盾也是造成现有的机器人只注重低级智能行为而忽略高级智能的重要因素。
正是在这个意义上，我们提出构建智能机器人研究的“网络化语境论范式”(the networked contextualism paradigm)，就是要试图解决现有范式中存在的核心问题。但“网络化语境论范式”要想成为人工智能机器人学的新范式，不仅要提出解决已有范式中存在问题的新方法和新思路，而且要论证现有技术水平是否具有实现这一新范式的可能性。从这两个方面出发，我们认为：
首先，网络化语境论范式的提出是解决已有范式存在困境的现实选择。
(1)为什么是语境论(contextualism)的 机器人要想具有在复杂环境中处理任务的能力，必须具备对复杂环境的认知能力。理论界习惯用“环境”这一术语来概括机器人的处理对象，而实际上，机器人在认知过程中，不仅需要获取有关外界环境的信息，也必须对其自身的运行状况进行监测。只有将两种信息综合起来分析，才能获取对下一步行为的正确预期。比如，规划器根据外部环境信息要求机器人在某个通道内向前移动50米然后右转。假设机器人的轮式移动装置每秒钟转10转，轮子周长为1米，那么机器人在理论上的移动速度为10米/秒。按此估算，机器人应在5秒后右转，否则就会撞墙。但机器人在实际移动过程中，由于轮子打滑，虽然每秒钟轮子还是转了10转，但只移动了9米。此时，如果机器人没有对其自身运行状况进行了解，依然在5秒钟后右转的话，它就会撞墙。也就是说，外部环境信息和自身状态信息对智能机器人来说都是必要的。而对这两种信息的掌握实质上就是对机器人所处语境的掌握。在一个简单的移动行为中尚且如此，在复杂的智能任务中，对于语境信息的把握则更为重要。无论是什么样的任务，智能机器人都是以一个独立个体的姿态与环境发生互动的，它必然就会有独立个体所必须的主体地位。因此，对智能机器人来说，只有“环境”还不够，它必定只有在“语境”中才能产生正确的智能行为。由此，语境论范式的提出对于人工智能机器人学研究来说具有了现实的必然性。
(2)为什么是网络化的 从上述分析可以看出，制约人工智能机器人学范式发展的主要因素在于：①没有将基于行为的低级智能与基于符号的高级智能相融合，从而使机器人同时具有自上而下和自下而上的智能模式；②无法突破小生态环境的局限；③复杂性表征和大计算量对硬件资源的竞争性使用。而这三个因素的核心问题就在于如何解决智能机器人在复杂环境中的任务处理。这实际上是一个语境处理问题。现有的范式理论围绕单台机器人的行为主义研究路径，希望在智能行为研究的基础上发展机器人的智能水平，进而向人类智能水平靠近。然而，在人类对自身思维的生理机制尚未弄清的情况下，以功能主义为特征的人工智能机器人学的研究路径，是否可以实现对人类智能的整体性模拟，也还是个未知之数。依照目前的技术水平，要在单台机器人上解决这些问题，在相当长的一段时期内都不太可能。然而，在网络逐步走向智能化的今天，我们是否可以突破单台机器人的限制，通过智能网络来解决这些问题呢？以人工智能专家系统取得的成果为基础，结合单台智能机器人的研究成果，网络化的发展方向便成为人工智能机器人学取得突破的关键因素。
其次，网络化语境论范式的提出具有现实的理论和技术基础。
人工智能为高级智能任务的处理提供了基础，智能机器人学是低级智能行为处理的基础。一方面，随着专家系统、自然语言处理、智能网络技术、分布式人工智能以及智能体(agent)等技术的发展，人工智能具备了针对某类特定语境的智能处理能力，为智能机器人处理自上而下的高级智能任务打下了良好的基础。另一方面，各种认知理论使智能机器人具备了一定的视觉、听觉、触觉、嗅觉等对环境的认知能力，再加上仿生学、认知神经科学、情感计算等相关学科的发展，人工智能机器人学在对自下而上的智能行为模拟上获得了很好的成绩。这两个方面的发展为实现自上而下与自下而上相结合的机器人智能模式奠定了理论和技术基础。这是网络化语境论范式得以实现的现实基础。
基于以上两点原因，构建网络化语境论范式便成为人工智能机器人学发展的一个可能前景。
3 网络化语境论范式的特征和意义
人工智能机器人学已有三种范式中核心问题的突现，为网络化语境论范式提供了研究的基点。建立在人工智能和机器人学研究成果基础上的网络化语境论范式，其主要特征在于：
第一，构造“网络智能系统+智能机器人”的智能结构模式，将人工智能的符号主义范式与慎思/反应混合范式相融合。
人工智能机器人学经过一段时期的发展已经证明，仅仅依靠自下而上的研究路径，很难实现对人类高级智能的模拟。同时，符号主义作为处理高级智能最成功的主流模式，具有巨大的网络资源优势。很多类别的常识知识都以专家系统的方式投入使用，并收到了很好的实际效益。因此，必须引入符号主义研究成果，智能机器人研究才会有更广阔的发展前景。问题在于，以什么样的方式把符号主义范式和慎思/反应混合范式进行融合。基于目前的研究基础，有两点必须明确：①网络化语境论范式在目前的技术水平基础上，还不能实现智能模式在自上而下的符号主义与自下而上的慎思/反应混合范式之间的紧耦合。②必须在智能机器人系统中，增加将网络智能与智能行为控制系统相协调的中央控制模块，同时构建相应的网络智能系统，来处理符号主义部分的高级智能，并通过无线连接的方式，使智能机器人的中央控制系统可以随时调用相应的网络智能系统，来为其提供服务。由此，我们构建了网络化语境论范式的系统结构：
网络化语境论范式结构图
如图所示，网络化语境论范式由网络智能系统和智能机器人两部分组成，智能机器人通过无线连接方式与网络智能系统相连。一个网络智能系统可同时为多个与其相连的智能机器人提供服务。一方面，对于单个机器人来说，在慎思/反应混合范式的上层增加了一个中央控制系统，用于协调网络智能系统和慎思/反应混合范式之间的关系，并对接收到的指令进行判别：如果是符号类的高级智能任务，则上传给网络智能系统的主服务器处理；如果是行为类的低级智能任务，则交由机器人自身的慎思/反应混合范式处理。这就在单个机器人上，实现了自上而下的符号主义与自下而上的行为主义之间的松耦合。并且，符号主义与行为主义之间的耦合程度，可以随着技术的进步逐步向紧耦合的方向发展。另一方面，对于网络智能系统来说，主服务器根据智能机器人的请求，调用相应的专家系统，为所有与其连接的智能机器人，提供多种类型的智能服务。总之，网络化语境论范式主要特征之一，就是依靠智能网络来扩展机器人的智能功能。
第二，围绕语境问题展开人工智能机器人学研究。
纵观50多年的人工智能发展历程，我们发现，其中贯穿着鲜明的语境论特征，所有问题都围绕语境问题而展开。符号主义、连接主义、行为主义等现有范式理论已无法对人工智能的发展状况做出正确描述。各范式围绕语境问题走向融合，是人工智能发展中的一个明显趋势。建立在现有范式之上的语境论，有望成为人工智能理论发展的新范式。随着人工智能机器人学研究的不断深入，人们越来越认识到，语境问题也是机器人智能研究的核心问题。而要扩展智能机器人的处理能力，必须将人工智能与机器人学的研究相结合。因此，语境论范式在人工智能机器人学领域的确立，将为该学科的发展指明方向。从上述分析可以看出，智能机器人研究之所以要向网络化方向发展，关键就在于单个机器人对语境问题处理能力低下，只关注于机器人行为等低级智能方面的语境问题，而无力处理人类高级智能层次的语境问题。可以说，网络化本身也是为解决语境问题服务的。网络化语境论范式的另一个主要特征，就是围绕语境问题展开研究。
第三，突破现有范式理论在智能行为处理中解构的思维特征，以语境重构为基础，建构下一代机器人的智能模式。
在现有范式理论中，分级范式将有关小生态环境的知识先验地存储在机器人中，一旦环境发生改变，分级范式机器人就无法正确执行任务；反应范式将机器人动作解构为一个一个的行为，并直接与感知器相连，根本不对环境进行整体性表征；而慎思/反应范式虽然创建了所谓的“全局环境模型”，但只是对小范围环境进行的一种动态表征，并没有突破在低级智能中突现高级智能的自下而上的研究路径。而网络化语境论范式，则建立在对智能机器人外部环境信息和自身状态信息进行语境重构的基础上。这就确立了智能机器人的主体地位，可以在纷杂的环境信息中，选择有用的信息为其所用。因此，语境重构的过程本身就是减少计算量、提高机器人认知能力的过程。
我们看到，从分级范式、反应范式再到慎思/反应混合范式，随着人工智能机器人学的发展，语境问题逐步突现出来，成为制约该领域进一步发展的瓶颈。网络化语境论范式的提出，突破了现有范式理论在单个机器人基础上研究智能问题的限制，明确了语境问题的核心地位，对下一阶段人工智能机器人学的发展具有重要意义，主要表现为：
首先，突破了单台机器人的限制，将智能处理能力扩展至网络范围，解决了单台机器人对复杂环境进行表征的需求与计算机自身计算能力低下之间的矛盾，为符号主义与行为主义的融合奠定了物理基础。网络化的发展方向，为单台机器人无限扩张其智能处理范围提供了可能。人们可以通过在网络智能系统中增加专家系统的方式，来扩张智能处理任务的类型和范围，不必考虑资源限制的问题。而这是单台机器人所无法解决的根本问题，也是人脑所不可能具有的优势。
其次，通过一个网络智能系统同时为多个智能机器人提供服务的模式，最大程度地实现了软件资源共享，这将导致智能机器人开发模式的转变，为下一代智能机器人的商业化提供了有利模式。目前的机器人智能功能单一，且不具备智能升级的功能，智能功能高的产品造价也比较高。网络化语境论范式下的智能机器人，可以通过网络智能系统实现对单个机器人智能功能的升级，且不会增加单个机器人的硬件成本。智能处理功能的扩张，提高了机器人对人类环境的适应能力，这是智能机器人实现商业化的基础。
总之，在人工智能机器人学中，现有的范式理论关注于行为相关的智能研究，而忽视了构建全面的智能模式。网络化语境论范式的提出，将人工智能机器人学研究从对智能的解构上升到对智能的建构这一高度。正如培帕(Stephen C.Pepper)所指出的：“当我们谈到语境论，我们便由理论的分析类型进入合成类型”[8]。网络化语境论范式的意义在于，机器人的智能虽然建立在常识知识基础之上，但这是一个以语境重构为主要特征的合成理论。通过常识知识表征，并不仅仅提供给机器人一个对环境的状态描述，而是抽取机器人行为相关的有用因素，在语境重构的基础上完成智能机器人对任务的理解。由此获得的整体性智能，不仅仅只是部分之和，而是以常识知识为基础的、置身于动态语境中的智能模式。网络化语境论范式虽然没有解决常识知识问题，但它表明，常识知识问题的解决不仅仅是解构式的表征，更重要的是以常识知识为基础的语境重构。