有个很简单的证据就是人的数字计算能力只能在很肤浅的水平上进行。大多数人要使用计算器、算盘或笔纸之类的工具进行简单计算，更不用说复杂计算了。而动物基本上没有计算能力。

    如果人脑的工作是数字式的，没有人会需要计算器了。有些被称之为天才白痴的人具有很强的计算能力，这是因为他们大脑中的无意识区加深了计算“程序”，其结果导致意识区功能的异常。由于电脑是完全“无意识”，所以是最伟大的天才白痴。

    大脑思维在一定水平上是使用某种“印象块”或“记忆块”而不是数字。这说明我们大脑并不是好的数字计算器。即使很简单的数字计算也无法“程序化”或者说靠无意识算出。尽管在某些逻辑上相同，数字化与大脑的工作机制相距甚远。

    大脑神经元的兴奋和抑制并不证明人脑的思维是数字式的。我认为它们是在关联“记忆块” 。在神经元水平上不存在数字和模拟的区别。

    在大脑思维中，计算过程位于无意识区很肤浅的水平，要比其它情感区浅得多。不借用辅助工具人脑可以而构思深刻复杂的语言和形象作品，但却难以进行简单的数字计算。大脑的无意识包括了大量短小的“程序”，而电脑的程序和步骤远比大脑中的程序复杂和长得多。

    几乎我们所有的价值观都是无法程序化的。如果有人试图去做，他最终将会落入一个逻辑陷井，即“制做一个程序用来选择其它程序而本身又不包括那些被选择的程序”。根据我的理论，价值观与系统墒有关。

    价值观既可以是公共的也可以是个别人的。智能主体是使用本能和价值观来判定和作出选择的，而不是使用精确的规则和程序。价值观是可以改变的，就象我们有时改变对某种情况的态度那样。

    价值观是分层次的，有基本的，道德的，经验的和即时的。我们经常面对得失取舍，受益和付出，获利和风险，我们贪婪而又恐惧。这些形成了我们所处的永不完美世界的真实生活。就连我为参加一个聚会做个什么发型也取决于我的价值观。对于人工智能来说最难的就是即时或短期价值的判定。

    人们用价值观解释人的行为是我们试图用量化的方式解释人的判断和选择，但不能证明人脑的思维是数字式的。

    第一类情况可以编程，因为我们知道在预期的情况下对于某种刺激该如何反应，或者我们确信通过逻辑可以得出准确的结果。这就是人工智能的工作方式。不过，这会让我们产生错觉，认为的人工智能是真正的智能。因为我们人类是经常这样做的，或者说人工智能可以表现出智能生命的某些功能。

    而我所强调的是根据自身价值观从很多规则中选择正确的规则才需要真正的智能。而假的智能如果没有外部提示或引导则不具备选择规则的能力。当遇到新的、料想不到的和不断变化的情况时只有高级进化的生命才有这种能力。面对规则的选择是这些生命很普通的经历。这也说明为什么我们至今无法制造一种通用程序用于法庭审判，学校教学或医疗诊治等。

    现代科技与数字化相结合只能够解决理性化的问题，并在这个范畴内大大超过人的能力。但是，智能是用来解决感性问题的。

    智能被认为是一种主观概念。对于人工智能来说重要的是如何去实现它以及面对各种选择我们能走多远。

    智能的概念常被滥用。现代科技与计算机技术结合几乎可以模拟任何事物包括“学习”以欺骗我们的感觉。

    计算机程序的功能同样给我们造成错觉，因为计算机功能与智能生命的某些功能相同。这是功能学派的基本观点。但我认为从根本上说这些功能是由它的制做者规定和控制的。我很难承认物质世界(非生命)具有自己的欲望和意志，不论它表现得如何生动，更不用谈它自身的价值观了。智能是包括两端在内的过程，而不仅仅是结果。功能或虚拟现实只能让我们看到结果。

    关于所谓功能，我举一个简单例子：假定12345除以98.76是刺激、原因或输入，125是反应、结果或输出。我们如何判定这个计算是否是智能的呢？我们也许认为它是来自智能的结果，因为我们人类要靠智能才能实现这个计算过程。但是如果这个过程是计算器完成的，我们又怎么想？甚至包括显示器显示出在一个黑板上的计算过程，我们又怎么看待这个虚拟现实？

    非生命系统和智能系统开始某个工作时是不同的。如果任何工作都是由于条件的具备或外部指定而开始的，我们就不认为这个系统具有智能，因为它是完全程序化的而且不能选择规则。但是在某种情况下一项工作开始执行某个程序以实现系统自身的某个目标并不是任何程序的运行的条件已经完全达到，或者说是我们预测不到的。我们就认为这个系统具有智能，因为它有选择规则的内驱力。后者情况是难以想象的，但是高级形式的生命能够做到。开始工作与选择规则是密切联系的。我们人类制定了大量的规则供我们选择，但是非生命人工智能只有一个规则可以运行，尽管这个规则要复杂得多而且可能要比我们大脑中的任何现成的规则都好。

    在英文中Artificial这个词有两个含义，一是人工的，二是假的。这样我们就有三种“智能”，生命智能、人工真智能和人工假智能。我不认为虚拟现实是智能的，它让我们感受的是游戏而不是智能。

    假定一个人工智能系统有不只一个规则，这些规则就应该是相互独立的。这个系统就应该具有从中选择规则的能力。关键问题是它如何通过学习选择、改变这些规则或建立新规则。用程序？灰色理论或相关分析法？还是量子计算机？系统能否建立类似价值观的内在的动态平衡机制。我们永远无法用精确的方法实现模糊方式。这正是我们世界的深奥之处。

    我们可以制做越来越好的电脑和机器人为我们人类服务。在具有超级智能的人工生命或外星“人”出现之前，我们是这个世界的主宰。

火山爆发、核爆炸等等，但是它在模拟人的情感和智能方面却无能为力。

电脑的模拟技术是数字式的，属于理性范畴，而人的情感和智能属于感性

范畴。感性是高级生命特有的。人类的欲望、情感、智能和意志都是人的

生命表象。情感是只有是真时才能够起作用。情感是不能制造的，模拟永

远是假的。因为一旦这些东西脱离了它们的主体，就不存在了。如果电脑

能够实现这些表象，我们就可以把它看作具有生命。

    模拟通常有两种方式，模型方式和数字方式。显然物质模型无法模拟

人的精神世界。尽管数字模拟的过程完全是假的，但它可以使人获得真实

情况的结果。数字模拟只能给出结果，但不是真正经过的过程。例如电脑

模拟汽车碰撞的情况时，电脑在显示器上可以显示所谓的过程，在喇叭里

发出声响，这些"虚拟真实"不过是在欺骗我们，因为电脑里未发生任何真

的碰撞和声响。人的情感和智能表象恰恰是过程而不仅仅是结果。这是电

脑的数字化模拟技术为什么无法模拟人脑的最根本原因。

    模拟是由人编制程序以实现被模拟事物的表象。模拟技术可以表现事

物的真实性，不过凡是人的内在特性都无法通过模拟方式真实体现。这并

不是说电脑不能模拟人的某些感性特征，而是指这种不论不类模拟是假的，

是人通过程序编造的，这种东西可以用在游乐场或简单的服务实施。这种

模拟人的过程是外在的、程序化的，它与会动、会哭、会笑、会说话的玩

具娃娃在本质上没有什么区别。

    现在许多科学家正徒劳地试图用电脑的数字化技术模拟或真正实现人

的情感和智能。时间将无情地证明他们走的是一条错误的路。

      人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

      知识表示是人工智能的基本问题之一，推理和搜索都与表示方法密切相关。常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。

      常识，自然为人们所关注，已提出多种方法，如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。

      问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法，相应地有多种推理方法。推理过程一般可分为演绎推理和非演绎推理。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎性的。由于知识处理的需要，近几年来提出了多种非演泽的推理方法，如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。

      搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小。典型的启发式搜索方法有A*、AO*算法等。近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。

      机器学习是人工智能的另一重要课题。机器学习是指在一定的知识表示意义下获取新知识的过程，按照学习机制的不同，主要有归纳学习、分析学习、连接机制学习和遗传学习等。

      知识处理系统主要由知识库和推理机组成。知识库存储系统所需要的知识，当知识量较大而又有多种表示方法时，知识的合理组织与管理是重要的。推理机在问题求解时，规定使用知识的基本方法和策略，推理过程中为记录结果或通信需设数据库或采用黑板机制。如果在知识库中存储的是某一领域(如医疗诊断)的专家知识，则这样的知识系统称为专家系统。为适应复杂问题的求解需要，单一的专家系统向多主体的分布式人工智能系统发展，这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题。

一、人工智能的历史

      人工智能（AI）是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能的目的就是让计算机这台机器能够象人一样思考。这可是不是一个容易的事情。 如果希望做出一台能够思考的机器，那就必须知识什么是思考，更进一步讲就是什么是智慧，它的表现是什么，你可以说科学

家有智慧，可你决不会说一个路人什么也不会，没有知识，你同样不敢说一个孩子没有智慧，可对于机器你就不敢说它有智慧了吧，那么智慧是如何分辨的呢？我们说的话，我们做的事情，我们的想法如同泉水一样从大脑中流出，如此自然，可是机器能够吗，那么什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。

      在定义智慧时，英国科学家图灵做出了贡献，如果一台机器能够通过称之为图灵实验的实验，那它就是智慧的，图灵实验的本质 就是让人在不看外型的情况下不能区别是机器的行为还是人的行为时，这个机器就是智慧的。不要以为图灵只做出这一点贡献就会名垂表史，如果你是学计算机的就会知道，对于计算机人士而言，获得图灵奖就等于物理学家获得诺贝尔奖一样，图灵在理论上奠定了计算机产生的基础，没有他的杰出贡献世界上根本不可能有这个东西，更不用说什么网络了。

      科学家早在计算机出现之前就已经希望能够制造出可能模拟人类思维的机器了，在这方面我希望提到另外一个杰出的数学家，哲学家布尔，通过对人类思维进行数学化精确地刻画，他和其它杰出的科学家一起奠定了智慧机器的思维结构与方法，今天我们的计算机内使用的逻辑基础正是他所创立的。

      我想任何学过计算机的人对布尔一定不会陌生，我们所学的布尔代数，就是由它开创的。当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具了，在以后的岁月中，无数科学家为这个目标努力着，现在人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，现在计算机似乎已经变得十分聪明了，刚刚结束的国际象棋大赛中，计算机把人给胜了，这是人们都知道的，大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。

      现在人类已经把计算机的计算能力提高到了前所未有的地步，而人工智能也在下世纪领导计算机发展的潮头，现在人工智能的发展因为受到理论上的限制不是很明显，但它必将象今天的网络一样深远地影响我们的生活。　

      在世界各地对人工智能的研究很早就开始了，但对人工智能的真正实现要从计算机的诞生开始算起，这时人类才有可能以机器的实现人类的智能。AI这个英文单词最早是在1956年的一次会议上提出的，在此以后，因此一些科学的努力它得以发展。人工智能的进展并不象我们期待的那样迅速，因为人工智能的基本理论还不完整，我们还不能从本质上解释我们的大脑为什么能够思考，这种思考来自于什么，这种思考为什么得以产生等一系列问题。但经过这几十年的发展，人工智能正在以它巨大的力量影响着人们的生活。

      让我们顺着人工智能的发展来回顾一下计算机的发展，在1941年由美国和德国两国共同研制的第一台计算机诞生了，从此以后人类存储和处理信息的方法开始发生革命性的变化。第一台计算机的体型可不算太好，它比较胖，还比较娇气，需要工作在有空调的房间里，如果希望它处理什么事情，需要大家把线路重新接一次，这可不是一件省力气的活儿，把成千上万的线重新焊一下我想现在的程序员已经是生活在天堂中了。

      终于在1949发明了可以存储程序的计算机，这样，编程程序总算可以不用焊了，好多了。因为编程变得十分简单，计算机理论的发展终于导致了人工智能理论的产生。人们总算可以找到一个存储信息和自动处理信息的方法了。

      虽然现在看来这种新机器已经可以实现部分人类的智力，但是直到50年代人们才把人类智力和这种新机器联系起来。我们注意到旁边这位大肚子的老先生了，他在反馈理论上的研究最终让他提出了一个论断，所有

人类智力的结果都是一种反馈的结果，通过不断地将结果反馈给机体而产生的动作，进而产生了智能。我们家的抽水马桶就是一个十分好的例子，水之所以不会常流不断，正是因为有一个装置在检测水位的变化，如果水太多了，就把水管给关了，这就实现了反馈，是一种负反馈。如果连我们厕所里的装置都可以实现反馈了，那我们应该可以用一种机器实现反馈，进而实现人类智力的机器形式重现。这种想法对于人工智能早期的有着重大的影响。

      在1955的时候，香农与人一起开发了The Logic Theorist程序，它是一种采用树形结构的程序，在程序运行时，它在树中搜索，寻找与可能答案最接近的树的分枝进行探索，以得到正确的答案。这个程序在人工智能的历史上可以说是有重要地位的，它在学术上和社会上带来的巨大的影响，以至于我们现在所采用的方法思想方法有许多还是来自于这个50年代的程序。

      1956年，作为人工智能领域另一位著名科学家的麦卡希（就是右图的那个人）召集了一次会议来讨论人工智能未来的发展方向。从那时起，人工智能的名字才正式确立，这次会议在人工智能历史上不是巨大的成功，但是这次会议给人工智能奠基人相互交流的机会，并为未来人工智能的发展起了铺垫的作用。在此以后，工人智能的重点开始变为建立实用的能够自行解决问题的系统，并要求系统有自学习能力。在1957年，香农和另一些人又开发了一个程序称为General Problem Solver(GPS)，它对Wiener的反馈理论有一个扩展，并能够解决一些比较普遍的问题。别的科学家在努力开发系统时，右图这位科学家作出了一项重大的贡献，他创建了表处理语言LISP，直到现在许多人工智能程序还在使用这种语言，它几乎成了人工智能的代名词，到了今天，LISP仍然在发展。

      在1963年，麻省理工学院受到了美国政府和国防部的支持进行人工智能的研究，美国政府不是为了别的，而是为了在冷战中保持与苏联的均衡，虽然这个目的是带点火药味的，但是它的结果却使人工智能得到了巨大的发展。其后发展出的许多程序十分引人注目，麻省理工大学开发出了SHRDLU。在这个大发展的60年代，STUDENT系统可以解决代数问题，而SIR系统则开始理解简单的英文句子了，SIR的出现导致了新学科的出现：自然语言处理。在70年代出现的专家系统成了一个巨大的进步，他头一次让人知道计算机可以代替人类专家进行一些工作了，由于计算机硬件性能的提高，人工智能得以进行一系列重要的活动，如统计分析数据，参与医疗诊断等等，它作为生活的重要方面开始改变人类生活了。在理论方面，70年代也是大发展的一个时期，计算机开始有了简单的思维和视觉，而不能不提的是在70年代，另一个人工智能语言Prolog语言诞生了，它和LISP一起几乎成了人工智能工作者不可缺少的工具。不要以为人工智能离我们很远，它已经在进入我们的生活，模糊控制，决策支持等等方面都有人工智能的影子。让计算机这个机器代替人类进行简单的智力活动，把人类解放用于其它更有益的工作，这是人工智能的目的，但我想对科学真理的无尽追求才是最终的动力吧。

二、人工智能的应用领域

1、问题求解。
      人工智能的第一大成就是下棋程序，在下棋程度中应用的某些技术，如向前看几步，把困难的问题分解成一些较容易的子问题，发展成为搜索和问题归纳这样的人工智能基本技术。今天的计算机程序已能够达到下各种方盘棋和国际象棋的锦标赛水平。但是，尚未解决包括人类棋手具有的但尚不能明确表达的能力。如国际象棋大师们洞察棋局的能力。另一个问题是涉及问题的原概念，在人工智能中叫问题表示的选择，人们常能找到某种思考问题的方法，从而使求解变易而解决该问题。到目前为止，人工智能程序已能知道如何考虑它们要解决的问题，即搜索解答空间，寻找较优解答。

2、逻辑推理与定理证明。
      逻辑推理是人工智能研究中最持久的领域之一，其中特别重要的是要找到一些方法，只把注意力集中在一个大型的数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的题。定理寻找一个证明或反证，不仅需要有根据假设进行演绎的能力，而且许多非形式的工作，包括医疗诊断和信息检索都可以和定理证明问题一样加以形式化，因此，在人工智能方法的研究中定理证明是一个极其重要的论题。

3、自然语言处理。
      自然语言的处理是人工智能技术应用于实际领域的典型范例，经过多年艰苦努力，这一领域已获得了大量令人注目的成果。目前该领域的主要课题是：计算机系统如何以主题和对话情境为基础，注重大量的常识——世界知识和期望作用，生成和理解自然语言。这是一个极其复杂的编码和解码问题。

4、智能信息检索技术。
      受"()*+ (*) 技术迅猛发展的影响，信息获取和精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题，将人工智能技术应用于这一领域的研究是人工智能走向广泛实际应用的契机与突破口。

5、专家系统。
      专家系统是目前人工智能中最活跃、最有成效的一个研究领域,它是一种具有特定领域内大量知识与经验的程序系统。近年来，在“ 专家系统”或“ 知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识，所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识，也应该能解决人类专家所解决的问题，而且能帮助人类专家发现推理过程中出现的差错，现在这一点已被证实。如在矿物勘测、化学分析、规划和医学诊断方面，专家系统已经达到了人类专家的水平。成功的例子如：PROSPECTOR系统发现了一个钼矿沉积，价值超过1亿美元。DENDRL系统的性能已超过一般专家的水平，可供数百人在化学结构分析方面的使用。MY CIN系统可以对血液传染病的诊断治疗方案提供咨询意见。经正式鉴定结果，对患有细菌血液病、脑膜炎方面的诊断和提供治疗方案已超过了这方面的专家。

三、人工智能理论的数学化趋势越来越突出

      在现代科技高速发展的今天，许多科技理论都有赖于数学提供证明，有赖于数学对其的仿真。人工智能的发展也不例外，如何把人们的思维活动形式化、符号化，使其得以在计算机上实现，就成为人工智能研究的重要课题。在这方面，逻辑的有关理论、方法、技术起着十分重要的作用，它不仅为人工智能提供了有力的工具，而且也为知识的推理奠定了理论基础。人工智能中用到的逻辑可概括地分为两大类。一类是经典命题逻辑和一阶谓词逻辑，其特点是任何一个命题的真值或者是“真”，或者是“假”，二者必居其一。这一类问题可以用数学里的经典逻辑理论来解决。世界上事物千差万别，形形色色，除了确定性的事物或概念外，更广泛存在的是不确定性的事物或概念。这些不确定的事物是无法用经典逻辑理论来解决的。因此我们需要发展新的数学工具来表示这些问题。目前在人工智能中对不确定性的事物或概念是通过运用多值逻辑、模糊理论及概率来描述、处理的。多值逻辑、模糊理论及概率虽然都是通过在［!，"］上取值来刻画不确定性，但三者之间又存在着很大区别。多值逻辑是通过在真（"）与假（!）之间增加了若干中介真值来描述事物为真的程度的，但它把各个中介真值看作是彼此完全分立的，界限分明。而模糊理论认为不同的中介真值之间没有明确的界限，表现了不同中介值相互贯通、渗透的特征，从而更好地反映了不确定性的本质。概率用来度量事件发生的可能性，而事件本身的含义是明确的，只是在一定的条件下它可能不发生，它与模糊理论是从两个不同的角度来描述不确定性的，因而有人称模糊理论描述了事物内在的不确定性，而概率描述的是事物外在的不确定性。由上可以看出，数学使得人工智能能很好的模拟人类智能，大大推动了人工智能的向前发展。现在人工智能中还有一些问题用现在的数学很难表示出来，相信在数学知识不断发展之后，这些问题能很快得到解决。

五、人工智能的发展现状及前景

      目前绝大多数人工智能系统都是建立在物理符号系统假设之上的。在尚未出现能与物理符号系统假设相抗衡的新的人工智能理论之前,无论从设计原理还是从已取得的实验结果来看,Soar 在探讨智能行为的一般特征和人类认知的具体特征的艰难征途上都取得了有特色的进展或成就,处在人工智能研究的前沿。
80 年代,以Newell A 为代表的研究学者总结了专家系统的成功经验,吸收了认知科学研究的最新成果,提出了作为通用智能基础的体系结构Soar。目前的Soar 已经显示出强大的问题求解能力。在Soar中已实现了30 多种搜索方法,实现了若干知识密集型任务(专家系统) ,如RI 等。rooks 提出了人工智能的一种新的途径。它认为无需概念或者说无需符号表示,智能系统的能力可以逐步进化。在它的研究中突出4 个概念:(1) 所处的境遇　机器人不涉及抽象的描述,而是处在直接影响系统的行为的境地。(2) 具体化　机器人有躯干,有直接来自周围世界的经验,他们的感官起作用后立即会有反馈。(3) 智能　智能的来源不仅仅是限于计算装置,也是由于与周围进行交互的动态决定。(4) 浮现　从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能。

五、结语

      人工智能不单单需要逻辑思维与模仿,科学家们对人类大脑和神经系统研究得越多,他们越加肯定:情感是智能的一部分,而不是与智能相分离的。因此人工智能领域的下一个突破可能不仅在于赋予计算机更多的逻辑推理能力,而且还要赋予它情感能力。许多科学家断言,机器的智能会迅速超过阿尔伯特·爱因斯坦和霍金的智能之和。到下世纪中叶,人类生命的本质也会发生变化。神经植入将增强人类的知识和思考能力,并且开始向一种复合的人/机关系过渡,这种复合关系将使人类逐渐停止对生物机体的需求。大量非常微小的机器人将在大脑的感觉区里占据一席之地,并且创造出真假难辨的虚拟现实的仿真效果。

1. 寻找日常思维的规则

    人工智能在表述科学理论时得心应手，但在表述人的日常思想时却遇到了麻烦，这一现象表明了科学推理和日常思维推理是有区别的。科学思维具有精确性和严密性，是构建在数学-逻辑基础上的，这种方式与人工智能运作的基础恰好是一致的。所以由人工智能实现科学推理是一件较为容易的事情。日常思维的情况要复杂得多。对于这个问题，虽然不能很快找到答案，但它促使我们重新考察以往的哲学认识论的立场。哲学没有把建立具体的思维体系当作自己的任务，它没有背负起这样的责任，所以它发问的角度与必须担当这种任务的人工智能相比，可能会狭窄得多。哲学看待问题的角度仅仅是从人出发的角，而没有从包括人在内的更完整的世界的角度出发。人工智能使我们看到了，哲学其实没有能力回答这样的问题：一个完整的思维系统应当具备什么样的基本条件。

    从一定意义上讲，传统哲学对于日常思维是相对轻视的。当哲学家区分“意见与理念”、“经验与知识”、“信念与真知”的时候，无疑给予后者以较高的地位。另一方面，直到逻辑经验主义之前，在讨论思维规律的时候，在哲学中并没有对科学思维和日常思维做出严格的区分，所以这两者又同时包含在传统哲学对思维的讨论之中。人工智能的提问，使我们有必要重新考虑以往哲学中孰轻孰重的立足点。

    日常思维有没有自己的规则？回答应当是肯定的。我们能够根据一个人的思维方式区分出他是正常的人，还是精神病患者，这说明正常的思维是遵循一定规则的。但是要对这个规则加以刻画，却不是一件容易的事。为了推进这一方面的认识，我们可以从强弱两个层次着手研究。一个强的规则，应当是一个完善的理论，而一个弱的规则可以仅仅建立在现象的、描述的基础上。弱规则条款是必要条件，而不是充分条件。根据目前的情况，我们只能从弱规则条款的探讨入手。

    日常思维不需要精深的理论知识，一个文盲仍可以正常地思维，所以这个规则不是针对专门的知识背景建立的。

    通过分析科学理论，我们可以看到，科学思维的陈述是可以由日常思维陈述来完成的。科学中最初的陈述无疑要由日常陈述来搭建，即使是经过多次演绎的、复杂形式的科学陈述，仍然可以还原为日常陈述，所以日常思维可以看作科学思维的基础，科学思维只是这个系统的一个子系统。事实上，了解一个子系统总是比了解整个系统要容易得多。

    日常思维在认知中的主要任务是辨识对象（对个体做判断）和解决问题（对事物的关系做判断）。在识别对象时，对人而言，无论是熟悉的还是陌生的事物，都有能力将它纳入自己的思维，成为思考的对象。这种过程实际上是将某一事物按照认知的习惯方式加以指认，根据知识背景，使其与已有的知识框架相联系，而获得意义。即使完全不熟悉的东西，也会因其具有物质的外形，可以从直观的角度加以表述，使其获得定位。所以在物质的经验世界里，日常思维不会留下任何空白。这是日常思维的一个重要特点。关于辨识对象，哲学中的命名问题和摹状词理论是值得借鉴的。人工智能在讨论对象的表征时与之关系密切。

    解决问题可以看作是根据已有的对象关系建立新的所需的对象关系。在从一种状态向另一种状态过渡时，思维是按照一定方式组织的。传统哲学中对此有过一些讨论。在日常思维中，联想是一种常见的思维方式。洛克十分重视这一方式，对其进行过较为详细的探讨。康德将认识划分为感性、知性、理性，这种层次性，以及上层对下层的统摄，从某个角度反映了思维规则。他还指出了二律背反的存在，说明思维中存在矛盾后果的情形。但是用他构造的体系很难直接解释具体的思维过程，或者说人的思维体系难以直接根据这几条规则来构造。在具体构造方面，人工智能“创造”了一些局部行之有效的方法，如“脚本”或“框架”等方法。弗雷格-罗素建立的谓词逻辑理论是对思维形式体系的说明，人工智能借重于这些理论，但它不能解决全部日常思维规则的问题。与之相关的一些方面将在下一个问题中讨论。

    在解决问题的过程中目的性具有重要作用，导向是其作用之一。推理过程在每一节点上存在着多种选择，必须有导向的机制存在，人工智能的搜索过程就面临着导向的问题，而采用“启发式”策略，是其采用的方法之一。

    日常思维的机制是直接与遗传（本能）机制相衔接的。乔姆斯基之所以愿意像研究一个身体器官一样讲究人的语言能力，是因为越是接近基础，与天赋的关系也将越密切。这方面的一个例子是，心理学的研究发现，面孔的识别在人的大脑中占有一个专门的位置，它与物体的识别分属两个系统。人对面孔的识别能力中天赋的因素在起主要作用，所以幼小的儿童就具有这种能力，而计算机获得这种能力却是相当困难的。先天的机制具有较为固定的模式，了解这种模式的形态是怎样的，是一项重要工作。这种研究有些类似于“解剖学”和仿生学，对于人工智能模仿人的智能来说，是十分重要的。

    日常思维的规则是一个有待研究的方面，继续挖掘哲学的资源，也许可以将认识推进一步。

2．逻辑与日常思维推理的关系

    为了研究人的日常推理，出现了一些突破传统逻辑的新方法，如缺省逻辑，非单调逻辑，模糊逻辑，动态逻辑等等。但是这些方面仍然不能全部涵盖日常思维的规则。日常思维同逻辑的关系是值得探讨的问题。许多并非符合逻辑的思维过程实际上却是合理的。例如，在选择一条旅游线路时，往往是偶然因素在起作用，可以是因为阅读了旅游书籍，也可能因为思想深处的某种感情。还有一个常见的现象，人在解决问题时，常常有各种奇思妙想，其出现的原因无法解释，而谓之顿悟。在这类思维方式中，猜谜语有一定的代表性。原先的知识系统可以自由地进行各种组合，可能出现的结果几乎是无穷多的。

    这里的一个问题是，思维可以在完全不同的系统中自由地转换，既有很具体的系统，也有很抽象的系统。仅仅根据逻辑系统，这种转换是很难表述的。还有一个问题，在多通道系统中，逻辑本身只提供选择的分配，而不提供选择的原因。从一定意义上说，逻辑是对一种即定的思想过程的描述，而不是驱动思维发展的机制。日常思维是和需求（目的）相联系的，而逻辑不能反映需求或需求的变化。再一个问题，逻辑中的量词和关系词虽然可以反映思维运用的一些基本概念，如“全”、“非”等，但是它们和日常思维中的用法却是不同的。日常思维离不开对“域”的设置，但是域的界限不是非常严格的，而仅仅是为了思维的方便。

3．学习的本质和机器学习的可能性

    知识学习对于个体人的发展和人类的进步都是必不可少的。知识学习在个体身上是如何发生的？ 对人而言，这是一个生成和建构的过程，是通过对自身经验的总结，以及继承他人的经验成果实现的。自身经验总结虽有归纳的特点，但如皮亚杰所说，是一个复杂的“同化和顺应”的过程。继承性学习则包含了生成、建构过程，也是一个系统创生的过程。事实上，这两者中都包含了创造性的因素。前者表现为从哪个角度去归纳，以及归纳中是否包含着范式的创新。人可以灵活地做出多种选择，而机器只能根据人的规定去归纳。后者是建立在概念（语义）基础上的，同时要有联想和想象的参与，以建构的方式形成一些新的知识系统。如果把学习看成是一种本质上是创造性的活动，是否可以说，机器是不能完成真正的学习的。

    人工智能中联结主义的学习系统虽然可以产生出与初始状态完全不同的系统，但这种“不同”只是表面上的，各种新的状态都是众多（可能是数量很大的）备选状态中的一种，是在选择该系统时已经确定下来的模式中的一种。机器的学习是以模拟为机理的，这与人类学习有着本质的差异。

4．信息的组织形式

    信息开采（信息挖掘）是当前人工智能研究的重要方面之一。已经获取的信息库（如人造卫星拍摄的大量照片），以及自然界固有的信息，如果运用计算机来开采，其效率势必大大提高。

    我们可以把信息的类别区分为语义的信息和物理的（包括生物的）信息。这两种信息的组织方式是不同的。当学者从龟甲上发现一些异样的条纹时，就可以断定其中包含着文字信息；我们也可以根据线条的特征区分出它是乱画的曲线还是文字的笔画，即使是一种陌生的文字。这些现象说明了文字（语义）信息自身一定是有某种外在形式的特征的。除了外在的形式特征，语义信息系统也有内在的组织特征，这种研究有可能帮助考古学家破解古埃及文字的内容。与计算机的方法结合起来研究这些问题，也许会有新的发现。

    物理信息是自然状态的。对物理信息而言，可以说，信息的存在也就是事物的存在：信息是告诉我们事物存在的方式。如果我们从普通的事物里看到了不寻常的信息，这种“不寻常”只是与习惯不一致，并不是信息本身有什么特殊。外部世界可以通过各式各样的方式组织起来，向我们呈现意义，通过这样一种过程，它们就变成了可以被理解的信息，而这些组织信息方式是我们先天具有的，或者后天建立的。

    所谓信息发掘有两种情况，第一种情况是，信息以我们已经具备的理解系统存在着，但是它同其他东西混杂在一起，被隐蔽起来，寻找它，就是将它和其他的东西分离开来，使其成为我们可认识的形式；还有一种是，我们原先不具备认识它的能力（系统），当我们具有了新的理论或是新的仪器后，原先无意义的信息成为有价值的了。自然界向我们提供什么样的信息，不在于自然界本身，而在于我们的筛选机制。我们从自然界无际的“信息海洋”里捞取出那些对我们来说是有意义的部分，关键取决于我们的“过滤”工具。在这个意义上，将自然界看作是物自体，是合情合理的。

    自然界中许多极其重要的信息，由于没有得到发掘，都白白流失了。近年来出现的功能脑成像技术，非常有力地说明了这一点。在原有的磁共振成像机上增加一个截取信息的软件，就可以显示以来完全无法看到的大脑思维活动的状况，一个崭新的研究领域也由此被开拓出来，让人不能不感叹信息获取方式的改善所产生的巨大影响。

    一方面人类通过建立各种理论，开辟新的获取信息的切入点，另一方面，人直接获取信息的方式又是受到自身条件限制的。为此，人们设计了各种仪器，来拓展原有的信息获取方式。计算机可以借鉴这些已有的方式，但是也可能开辟不同于以往的方式。计算机在信息组织方面的灵活性大大超出其他机器。人工智能中发展起来许多新的开采信息的方法，是非常有效的。在认识世界的方式上，计算机作为拓展我们原有的思维工具，有可能带来非常深刻的创新。

5．何谓理解？

    塞尔“中文屋”思想实验的例子在哲学界和人工智能界都引起了较大的反响。这个例子不仅因为比喻精当而引人深思，它还包含着值得进一步探讨的问题：理解究竟是什么？理解的机制是什么？借助于这个例子，我们尝试做出一些回答。

    比照塞尔的例子，我们假定有一个只懂中文而不懂英文的人，看一看他回答在两语言提问时的情况是怎样的。当他回答中文问题时，他是根据语义运作的；当他回答英文问题时，他是根据中文工具书的指令来运作的。如果我们把语义看成是一种联结关系，将它同工具书发出的机械指令联结关系来比较，会看到一些差别。首先，语义联结方式更灵活，效率更高。这种差别在人的目的性行为和动物由本能产生的行为模式的比较中很容易看到。昆虫的向性是一种固定的行为模式，可以看作一种生理的机械联结。它可以产生出一些表面上看来是目的性的行为，但是如果环境稍有变化，它的机械僵硬的弱点就会暴露出来。语义方式的灵活性来自语义结构的多连通性，以及语义转换的快捷性。但是语义结构的构造是不容易模仿的，因为对它的许多方面我们还缺乏透彻的认识。

    这里还存在着另一个差别。这个懂中文的人在理解中文时也可以不直接理解，而通过一本中文指令书来操作。在这种情况下，他必须对中文指令书做出理解，而且是语义的理解。这两种情况的差别在于理解的基点不同。由于人的生理特点，人在同一时刻注意的内容是有限的，只能有一个中心区域。这个区域的内容可以被理解，并按语义的方式被组织，以某种方式进行操作。凡在中心区域以外的内容是得不到理解的，也不被操作。如果我们同时听两个人说话，一般情况下只能理解其中的一个。当我们一个非常复杂的句子时，会感到理解的困难，或是遇到一些陌生词汇时感到理解的困难，是因为复杂句子的内容不能进入中心区，或者某些词汇不能与语义结构接通，都因不能在中心区被操作而达不到理解。就这个意义而言，能够理解的东西必须是在意义上能够直达的东西。

    建立在语义基础上的意义的直达是理解的必要条件。这是一种特殊的组织结构，它具有强大的功能。

6．从物理关系到语义关系的转换

    当我们说“那棵树上落着一只鸟”的时候，如果是因为看到了这样一个实在的场景，那么我们的感知系统和语义系统同时对此做出了反映。这两者结合得如此自然，如果不刻意区分，就不会感到这是两个可以分离的方面。但实际上感觉系统中的物理世界和语义系统中的意义世界处在两个不同的范畴。它们之间存在着一种对应关系，这种关系中的某些因素是相当稳定的，尤其在日常思维中，但是这种对应关系却不是单一的和不可改变的。

    感知的内容是以表象方式呈现的，而表象是以实体本身的样式存在的（人以为的实体本身的样式），这种样式是由形状、颜色、声音等物理的特点构成的，所以由感觉反映出的是一种物理的关系。语义的内容是由概念的意义和和意义形成的概念间的关系构成的，是通过语言系统表达的语义关系。这两个系统是各自独立的，还是可通约的？它们的对应关系是如何建立的？是值得讨论的问题。这里我们遇到了认识论的基本问题。

    就出现的顺序而言，物理关系是先于语义关系的。但是另一方面，物理关系可以通过语义关系来表述，反之却不能。有时候，在思维中两种关系形式是并存的，如借助于图形来说明某一抽象问题，但这只是一种比喻或类比，而不是真正建立物理关系。一般说来，思维中的操作是基于语义关系的。这种情况使我们看到，若要将两个关系统一起来，即进行通约的话，只能统一于语义关系。但事实上这两个系统是不能完全通约的。因为若要从语义关系还原到物理关系也是不可能的。这两个系统是独立存在的，因为它们的构成、运作方式都不相同，虽然它们之间存在着对应关系。从上面简单的分析看，同物理关系相比，语义关系处在更基本的地位上。这种看法与物理关系先于语义关系之说是否矛盾呢？这里所谓“先后”之分是指时间上产生的顺序，而“基础”性，是指两者产生之后，在运作时所处的地位。另外，并非所有的物理关系都必须转化成语义关系后才能在思维中运作，可能存在着一些系统，直接在物理关系的层面上被加工，例如人的面孔识别，神经科学已发现，这是一个独立于其他物体识别的系统。

    这种关系问题正是机器人所面临的。一方面，它的摄像头得到了外部世界的信息，而同时它内部又有某些指令（可以表达抽象的理论）。指令是信息和信息运作的组织者，指令甚至也决定着摄像头应获取什么样的信息（在人获取信息时，“注意”起着类似的作用）。机器人之不同于一般的自动机，正在于它的内部运作根据的是建立是语义基础上的理论模式，在这里起作用的完全不是物理关系，而是那些电子器件上附加的语义关系——某种机器语言。

    在建立对应关系时，有一个从物理关系到语义关系的转换，它是如何完成的呢？机器能否产生和人一样的转换呢？对后一问题的回答是：非常困难，至少目前还无法实现，因为人的转换具有极大的选择性。人会根据此刻的情况和目的性产生出各种不同的语义关系。人的语义系统可以产生出多个不同的结果，机器所具备的只是其中之一。

7．人和机器是怎样辨识物体边界的？

    在通常的情况下，人可以毫不费力地将一个物体与它的背景区分开来，也可以将图片上的图形与背景区分开来。然而对于机器来说，这却不是一个简单的任务。在这方面，人工智能已经开发了许多行之有效的技术。例如，记录下闯红灯的汽车牌号，辩识手写字体，等等。我们需要了解的是，人工智能实际上是用什么方法来解决这个问题的。

    人是如何完成这些任务的？心理学的某些研究对此有一定的帮助。知觉过程本身有一定的组织作用，如视觉中的恒常性。福多在心理模块性中提到不少这一方面的成果。这种能力也可以看作是以往经验形成的参照系在起作用。

由此我们可以得出以下推论：

1. 我们无法编写一个独立的程序用以选择其他程序。因此电脑智能或人工
智能是不能完全程序化的，或者说它是不能靠程序实现的。

2. 对于物质世界我们所能够做的就是把某个规则与其他规则合并以制定一
个新规则。这种方式可以使我们制定更多更好的规则。但是我们在生活中所
面临的大量事物是不能完全程序化的。电脑智能和其他人工智能就是要能够
处理尚未程序化的问题和包括选择规则在内的那些无法程序化的问题。

3. 任何无智能的事物都不具备选择规则的能力，换句话说，具有这种能力
的事物可以被认为是具有智能的生命或具有智能的人工生命。
　
4. 一个非生命或非人工生命的自动系统在任何情况下都不可能有一个以上
的程序，否则的话它就要面临对这些程序的选择。

5. 我们人类经常会遇到大量的各种选择。但是我们通常没有精确的规则让
我们作出选择。人类和其他高级生命通常是用本能和价值观进行判断和选择，
而本能和价值观既不是规则也不是程序，它们是思想和行为指向的内在驱动
力。
　
6. 选择规则需要智能，但执行规则是不需要智能的。思维和论理并不是在
执行规则，实际上是在试图选择规则。

7. 选择规则是一种模糊过程，而规则本身是精确的。
8. 寻找规则、改变规则和制定规则都包括了选择规则这一过程。它们在原
理上都适用这一悖论, 即不存在一种可以用来寻找、改变和制定其他规则的

规则。

9. 能够改变自身规则的规则是存在的。不过，如果这个改变过程需要寻找
规则话，它也适用这一悖论。一个规则功能或外在表现是可以自我变化的，
例如计算机病毒就会改变自身的功能。但是，这种变化是在原有规则之中的。
10. 任何规则都与它相反的规则是等同的，区别在于我们用两种相反的方式
来解释它。任一规则一旦与其它规则发生具体的联系就会与这些规则合并成
为一个新的规则。在计算机系统中这种联系就是逻辑门。

原文地址：http://www.newmind40.com/rules_gb.htm

　　为了提高广大单片机爱好者学习单片机的兴趣，凌阳科技教育推广中心推出了应用SPCE061A作为主控制器，外加电机驱动电路制作的智能机器人。该机器人采用特定人语音识别对机器人进行控制，可以完成向前走、倒退、左转、右转、跳两首舞曲、向左瞄准、向右瞄准、发射、连续发射等功能。在此基础上，配合凌阳科技教育推广中心推出的超声波测距模组，为机器人增加了活动过程中实时检测前方障碍物、遇到障碍停止运动并向前方发射飞盘等功能，进一步丰富了机器人的功能，可以大大提高在校学生学习单片机的兴趣。

2 模组特性简介
2.1 SPCE061A特性简介
　　SPCE061A是凌阳科技研发生产的性价比很高的一款十六位单片机，使用它可以非常方便灵活的实现语音的录放系统，该芯片拥有8路10位精度的ADC，其中一路为音频转换通道，并且内置有自动增益电路。这为实现语音录入提供了方便的硬件条件。两路10位精度的DAC，只需要外接功放（SPY0030A）即可完成语音的播放。另外凌阳十六位单片机具有易学易用的效率较高的一套指令系统和集成开发环境。在此环境中，支持标准C语言，可以实现C语言与凌阳汇编语言的互相调用，并且，提供了语音录放的库函数，只要了解库函数的使用，就会很容易完成语音录放，这些都为软件开发提供了方便的条件：
特性：
   16位μ'nSP微处理器；
   工作电压：内核工作电压VDD为3.0～3.6V(CPU)，IO口工作电压VDDH为VDD～5.5V(I/O)；
   CPU时钟：0.32MHz～49.152MHz；
   内置2K字SRAM；
   内置32K闪存ROM；
   可编程音频处理；
   晶体振荡器；
   系统处于备用状态下(时钟处于停止状态)，耗电小于2μA@3.6V；
   2个16位可编程定时器/计数器(可自动预置初始计数值)；
   2个10位DAC(数-模转换)输出通道；
   32位通用可编程输入/输出端口；
   14个中断源可来自定时器A / B，时基，2个外部时钟源输入，键唤醒；
   具备触键唤醒的功能；
   使用凌阳音频编码SACM_S240方式(2.4K位/秒)，能容纳210秒的语音数据；
   锁相环PLL振荡器提供系统时钟信号；
   32768Hz实时时钟；
   7通道10位电压模-数转换器(ADC)和单通道声音模-数转换器；
   声音模-数转换器输入通道内置麦克风放大器和自动增益控制(AGC)功能；
   具备串行设备接口；
   低电压复位(LVR)功和低电压监测(LVD)功能；
   内置在线仿真板(ICE，In- Circuit Emulator)接口。

2.2 超声波模组简介
2.2.1 功能简介
　　三种测距模式选择跳线J1（短距、中距、可调距）：
　　短距：20cm～100cm左右（根据被测物表面材料决定），精度1cm；
　　中距：70cm～400cm左右（根据被测物表面材料决定）；
　　可调：范围由可调节参数确定，当调节在合适的值时，最远测距700cm左右；

2.2.2 电气参数
　　超声波传感器谐振频率：40KHz
　　模组传感器工作电压：4.5V～9V
　　模组接口电压：4.5V～5.5V

void main(void)
{
TMOD=0x01;
ET0=1;
EA=1;

while(1)
    {
      P3=0xff;
      P3_4=0;
      temp=P3;
      temp=temp & 0x0f;
      if (temp!=0x0f)
        {
          for(i=50;i>0;i--)
          for(j=200;j>0;j--);
          temp=P3;
          temp=temp & 0x0f;
          if (temp!=0x0f)
            {
              temp=P3;
              temp=temp & 0x0f;             
              switch(temp)
                {
                  case 0x0e:
                    key=0;
                    break;
                  case 0x0d:
                    key=1;
                    break;
                  case 0x0b:
                    key=2;
                    break;
                  case 0x07:
                    key=3;
                    break;
                }
              temp=P3;
              P1_0=~P1_0;
              P0=table[key];
              STH0=tab[key]/256;
              STL0=tab[key]%256;
              TR0=1;
              temp=temp & 0x0f;             
              while(temp!=0x0f)
                {
                  temp=P3;
                  temp=temp & 0x0f;             
                }
              TR0=0;
            }
        }

      P3=0xff;
      P3_5=0;
      temp=P3;
      temp=temp & 0x0f;
      if (temp!=0x0f)
        {
          for(i=50;i>0;i--)
          for(j=200;j>0;j--);
          temp=P3;
          temp=temp & 0x0f;
          if (temp!=0x0f)
            {
              temp=P3;
              temp=temp & 0x0f;             
              switch(temp)
                {
                  case 0x0e:
                    key=4;
                    break;
                  case 0x0d:
                    key=5;
                    break;
                  case 0x0b:
                    key=6;
                    break;
                  case 0x07:
                    key=7;
                    break;
                }
              temp=P3;
              P1_0=~P1_0;
              P0=table[key];
              STH0=tab[key]/256;
              STL0=tab[key]%256;
              TR0=1;
              temp=temp & 0x0f;             
              while(temp!=0x0f)
                {
                  temp=P3;
                  temp=temp & 0x0f;             
                }
              TR0=0;
            }
        }

      P3=0xff;
      P3_6=0;
      temp=P3;
      temp=temp & 0x0f;
      if (temp!=0x0f)
        {
          for(i=50;i>0;i--)
          for(j=200;j>0;j--);
          temp=P3;
          temp=temp & 0x0f;
          if (temp!=0x0f)
            {
              temp=P3;
              temp=temp & 0x0f;             
              switch(temp)
                {
                  case 0x0e:
                    key=8;
                    break;
                  case 0x0d:
                    key=9;
                    break;
                  case 0x0b:
                    key=10;
                    break;
                  case 0x07:
                    key=11;
                    break;
                }
              temp=P3;
              P1_0=~P1_0;
              P0=table[key];
              STH0=tab[key]/256;
              STL0=tab[key]%256;
              TR0=1;
              temp=temp & 0x0f;             
              while(temp!=0x0f)
                {
                  temp=P3;
                  temp=temp & 0x0f;             
                }
              TR0=0;
            }
        }

      P3=0xff;
      P3_7=0;
      temp=P3;
      temp=temp & 0x0f;
      if (temp!=0x0f)
        {
          for(i=50;i>0;i--)
          for(j=200;j>0;j--);
          temp=P3;
          temp=temp & 0x0f;
          if (temp!=0x0f)
            {
              temp=P3;
              temp=temp & 0x0f;             
              switch(temp)
                {
                  case 0x0e:
                    key=12;
                    break;
                  case 0x0d:
                    key=13;
                    break;
                  case 0x0b:
                    key=14;
                    break;
                  case 0x07:
                    key=15;
                    break;
                }
              temp=P3;
              P1_0=~P1_0;
              P0=table[key];
              STH0=tab[key]/256;
              STL0=tab[key]%256;
              TR0=1;
              temp=temp & 0x0f;             
              while(temp!=0x0f)
                {
                  temp=P3;
                  temp=temp & 0x0f;             
                }
              TR0=0;
            }
        }     
    }
}

void t0(void) interrupt 1 using 0
{
TH0=STH0;
TL0=STL0;
P1_0=~P1_0;
}