通用问题求解器（GPS）是艾伦·纽厄尔、赫伯特·A·西蒙和J·C·肖开发的一个早期人工智能程序。它于1957年首次演示，旨在通过应用通用推理方法而非领域特定知识来解决广泛的问题。它被广泛视为人工智能和认知科学史上的一个基础性里程碑。
GPS基于问题的形式化表示运行，使用一种称为手段-目的分析的技术。这种方法涉及将问题的当前状态与期望的目标状态进行比较，识别差异，并选择能够减少这些差异的操作符。程序递归地应用这一过程，直到实现目标。尽管GPS在实践中并非真正通用，但其架构影响了许多后来的AI系统，并为机器学习和问题求解范式的发展做出了贡献。
起源与发展
GPS构想于兰德公司，后来在卡内基梅隆大学（当时为卡内基理工学院）开发。纽厄尔、西蒙和肖此前曾致力于逻辑理论家（1956年），这是一个证明数学定理的程序。GPS旨在创建一个更灵活的系统，能够处理更广泛的问题类别，包括谜题、符号逻辑，甚至简单的规划任务。该程序用IPL（信息处理语言）编程语言实现，该语言专为符号AI研究而设计。
GPS的首次公开演示于1957年进行，该系统在整个1950年代末和1960年代初不断改进。它被用于解决诸如汉诺塔、传教士与食人族谜题以及各种字母算术问题。然而，GPS在需要大量领域知识或复杂搜索空间的问题上遇到困难，其性能往往受到当时计算资源的限制。
手段-目的分析
GPS的核心机制是手段-目的分析，这是一种问题求解策略，涉及三个主要步骤：（1）识别当前状态与目标状态之间的差异，（2）找到能够减少该差异的操作符，以及（3）应用该操作符，可能通过递归求解子问题来促进其应用。这种方法受到人类问题求解行为的启发，西蒙和纽厄尔对此进行了广泛研究。GPS使用连接表将差异与操作符联系起来，使其能够根据当前情况选择合适的行动。
手段-目的分析成为早期AI和认知建模的基石。它后来被纳入许多规划系统，并影响了序列到序列模型和其他现代AI架构的发展。这一概念也在课程学习中找到了应用，其中任务被结构化以逐步缩小当前能力与期望能力之间的差距。
影响与遗产
GPS对AI领域产生了深远的影响，无论是在概念上还是在实践上。它证明了机器能够执行需要推理和规划的任务，挑战了计算机仅限于算术计算的主流观点。纽厄尔和西蒙关于GPS的工作为他们后来对人类认知的研究做出了贡献，最终在1980年代促成了SOAR认知架构的开发。GPS还影响了专家系统和早期自然语言处理系统的设计。
尽管名为通用问题求解器，GPS在现代意义上并非真正的通用问题求解器；它要求问题以特定方式形式化，并且缺乏从经验中学习的能力。尽管如此，它为后来生成式AI和大型语言模型的进步奠定了基础，这些模型建立在通用推理的理念之上，但拥有更强大的计算资源和数据驱动方法。
局限性与批评
随着研究人员试图将GPS扩展到更复杂的问题，其几个局限性变得明显。该程序依赖于问题领域的完整而准确的形式化，而这往往难以实现。其搜索空间可能呈指数级增长，使其对现实世界任务不切实际。此外，GPS没有从过去的成功或失败中学习的机制，因此无法随时间提高其性能。
批评者还指出，GPS的“通用”性质被夸大了，因为它需要为每个新问题手工制作表示和操作符定义。这一局限性凸显了领域知识的重要性，并导致了1970年代基于知识的系统的发展。尽管如此，GPS仍然是AI史上的一个里程碑，展示了创造智能机器的前景和挑战。
现代联系
虽然GPS本身已不再使用，但其思想在当代AI研究中引起共鸣。手段-目的分析的概念在现代规划算法以及基于Transformer的模型设计中得到体现，这些模型将复杂任务分解为子任务。对问题表示和搜索的强调是神经网络和深度学习的核心，这些方法从数据中学习表示，而不是依赖手工编码的规则。MIT CSAIL和斯坦福AI实验室等机构的研究人员继续探索通用推理，常常从GPS等早期系统中汲取灵感。
总之，通用问题求解器是创建通用推理引擎的开创性努力。它的发展标志着AI作为一门学科的开端，其遗产可以在许多现代问题求解和机器智能方法中看到。