{
  "id": "allen-newell",
  "title": "艾伦·纽厄尔",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "艾伦·纽厄尔是美国计算机科学家、认知科学家，其研究推动了人工智能及人类问题求解计算理论的建立。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "person",
  "aliases": [
    "艾伦·纽厄尔"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/allen-newell/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/allen-newell/",
      "json": "https://aiwiki.page/en/allen-newell.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "艾伦·纽厄尔（Allen Newell，1927年3月19日—1992年7月19日）是美国研究学者，其工作推动了人工智能和认知科学的建立。他主要任职于兰德公司和卡内基梅隆大学，开发了将推理视为符号表征操作过程的计算机程序和理论。他与赫伯特·西蒙、克利夫·肖合作，开发出了一批旨在模拟人类问题求解某些方面的早期程序。纽厄尔与西蒙共同获得了1975年ACM图灵奖。"
    },
    {
      "heading": "早年生活与职业生涯",
      "text": "纽厄尔出生于加利福尼亚州旧金山。在美国海军服役后，他进入斯坦福大学学习物理学，于1949年获得学士学位。随后，他在普林斯顿大学攻读研究生，并于1950年加入兰德公司。\n\n在兰德公司，纽厄尔研究了涉及军事组织、决策和复杂系统的问题。对群体如何处理信息、协调活动的研究，促使他逐渐将注意力转向人类思维。新兴的数字计算机提供了一种将思维理论明确表达出来的途径：研究者可以把假设的一系列心理操作编写为程序，再考察程序的行为。\n\n纽厄尔于20世纪50年代中期开始与西蒙合作，并于1957年获得卡内基理工学院的工业管理博士学位。他于1961年加入该校任教，此后整个职业生涯都在这所后来成为卡内基梅隆大学的院校度过。他的研究跨越了计算机科学、心理学和组织行为研究等学科的边界。"
    },
    {
      "heading": "早期人工智能程序",
      "text": "逻辑理论家\n\n1955至1956年间，纽厄尔、西蒙和肖开发了逻辑理论家，这是一个搜索数学定理证明的程序。其早期演示针对阿尔弗雷德·诺思·怀特海与伯特兰·罗素合著的《数学原理》中的命题逻辑。逻辑理论家被广泛认为是最早的人工智能程序之一。\n\n它的意义不仅在于得出了证明，还在于寻找证明所采用的方法。它并不穷尽探索所有可能的推导序列，而是使用启发式方法，优先考虑更有希望的备选路径。这使数学推理成为可以开展实验研究的对象：研究者能够比较不同的搜索策略，并考察程序如何得出结果。\n\n该项目还推动了信息处理语言（IPL）的开发。这是一种早期编程语言，旨在操作列表和符号结构。这类结构十分重要，因为仅靠普通的数值计算，难以方便地表示陈述、目标和关系。\n\n通用问题求解器\n\n随后，纽厄尔、西蒙和肖开发了通用问题求解器（GPS），并于1957年首次实现。GPS试图将通用的问题求解过程与完成特定任务所需的知识分离开来。\n\n其核心技术是手段—目的分析。程序将当前状态与期望状态进行比较，找出差异，再选择一种可能缩小差异的操作。如果该操作的前提条件尚未满足，这些前提条件就会成为子目标。\n\n这种方法为多种受限任务提供了共同框架，包括逻辑问题和谜题。“通用”指的是问题求解机制在设计上可以重复用于不同任务，而非能够解决现实世界中的任意问题。GPS依赖精心规定的表征和算子，而且随着可能情况的增多，搜索可能变得难以实际执行。尽管如此，它仍推动了问题空间、目标、算子和启发式搜索成为符号人工智能的核心概念。"
    },
    {
      "heading": "将人类问题求解视为信息处理",
      "text": "纽厄尔工作的独特之处，在于既将计算机程序视为能够运行的系统，也将其视为人类认知的理论。一个能够得到正确答案的程序，并不一定就是恰当的心理学模型：中间步骤、错误和策略同样重要。\n\n在《人类问题求解》（1972年）一书中，纽厄尔与西蒙用问题空间的概念详细阐述了推理过程。他们认为，问题求解者会表征初始情境、可能的操作以及一个或多个目标条件。求解问题，就是有选择地探索通过这些操作可以到达的状态。\n\n一项重要的证据来源是出声思维记录，即记录参与者在完成任务时说出的内容。研究者将这些记录与计算模型的操作过程进行比较。尽管言语报告只能部分反映认知活动，但这种方法仍有助于将抽象的推理理论与可观察的行为序列联系起来。\n\n这项研究强调通用处理机制与任务特定知识之间的相互作用。同一个形式问题可能容易，也可能困难，这取决于问题如何被表征，以及求解者掌握了哪些相关知识。"
    },
    {
      "heading": "物理符号系统假说",
      "text": "纽厄尔与西蒙在图灵奖演讲中提出了物理符号系统假说。这篇演讲于1976年以《作为实证探究的计算机科学：符号与搜索》为题发表。该假说提出，物理符号系统具备实现通用智能行为的必要且充分的手段。\n\n按照这一论述，物理符号系统由具有物理实现的符号、这些符号构成的结构，以及创建和变换这些结构的过程组成。符号可以指代对象或情境，而符号表达式可以通过解释来指导后续活动。该假说关注的是处理过程的抽象组织方式，而非某一种特定的编程语言或计算机设计。\n\n这一主张为研究智能的符号主义方法提供了明确的理论表述。同时，它也提出了一个超越个别程序成功经验的强论断。随着研究者探索人工神经网络、具身认知及其他方法，这一论断的适用范围成为争论的焦点。该假说至今仍具有重要的历史影响，但并非一种已获确证、能够解释所有智能形式的理论。"
    },
    {
      "heading": "认知架构与Soar",
      "text": "纽厄尔越来越强调，心理学需要整合性的理论，而不是分别解释孤立实验发现的模型。在他看来，认知理论应当解释感知、记忆、推理、学习和行动如何在同一个系统内协同运作。\n\n这一目标促使他投入Soar的研究。自20世纪80年代初起，他与约翰·莱尔德、保罗·罗森布卢姆及其他合作者共同开发了这一系统。Soar是一种认知架构，即规定通用机制的框架，用于说明在不同任务中如何表征、选择和使用知识。\n\n在经典版本中，Soar使用产生式规则和决策过程来选择算子。当现有知识无法确定下一步该如何进行时，由此形成的僵局可以产生一个子目标，在其中继续求解问题。一种称为组块化的学习机制会将这一处理过程的结果编译为新规则，使系统日后遇到相关问题时能够更直接地处理。\n\n纽厄尔在《统一认知理论》（1990年）中阐述了这一更广泛的研究纲领。其目标不仅是覆盖广泛的任务，更是建立一种受到人类行为证据约束的连贯理论。这样的研究纲领面临严格的检验：一种架构能够完成任务，本身并不能证明其内部机制与人类的机制相符。"
    },
    {
      "heading": "其他贡献",
      "text": "知识层次\n\n在《知识层次》（1982年）一文中，纽厄尔提出，可以在一个关注知识、目标，以及由这些知识和目标所决定的适当行动的层次上描述智能系统。这不同于描述实现该系统所用的符号结构或机器指令。\n\n这一区分使研究者能够讨论智能体知道什么，而不必立即选定某种具体的表征方式。它对知识表示与推理以及有关智能体的理论产生了影响。纽厄尔与之相关的理性原则，是一种将知识和目标与行动联系起来的解释性理想，而不是声称实际系统总能作出最优选择。\n\n人机交互\n\n纽厄尔也对人机交互作出了贡献。他与斯图尔特·卡德、托马斯·莫兰合著了《人机交互心理学》（1983年）。\n\n他们的工作包括人类处理器模型和GOMS框架，后者的名称来自目标、算子、方法和选择规则。这些模型有助于分析熟练用户执行结构化任务时的表现，包括界面操作的顺序和耗时。它们最适用于流程明确的任务，无法全面解释探索性行为、动机或用户体验的所有方面。"
    },
    {
      "heading": "荣誉与影响",
      "text": "除1975年的图灵奖外，纽厄尔还于1992年获得美国国家科学奖章。同年晚些时候，他在匹兹堡去世。\n\n他的研究在可执行程序、认知理论和行为实证研究之间建立了持久的联系。逻辑理论家和GPS使启发式符号推理得到了具体实现；物理符号系统假说阐明了这一方法的理论抱负；而Soar则追求一个要求更高的目标：建立统一的认知计算理论。"
    }
  ],
  "links": [
    "artificial-intelligence",
    "cognitive-science",
    "herbert-a-simon",
    "cliff-shaw",
    "turing-award",
    "computer",
    "computer-science",
    "heuristic",
    "symbolic-artificial-intelligence",
    "artificial-neural-network",
    "knowledge-representation-and-reasoning",
    "human-computer-interaction"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}