在前几章的阅读中，可能碰到了一些让你挠头的难题。设想一下，如果你遇见了一个问题，并且不知道应该怎样解决，这时候你会怎么办？
很长时间以来人们就在设法回答这个问题。从某种意义上来说，这也是人工智能研究的一个核心问题。
比尔·盖茨以及微软公司的几乎每一位员工一直以来都抱有开发人工智能的梦想，他们希望通过编程让机器能够思考、判断，并像人类一样去解决问题。研究人工智能的一个传统方法就是研究人类解决问题的方法。如果你能够了解人是怎样解决问题的，并能够得到足够多的、有步骤的细节，就可以通过编程让计算机来做同样的事情。
那些擅长解决问题的人是怎样做的呢？逸事传说的描述并不是总能够给我们带来启发，天才们解决问题的方法有时候对他们自己来说都是一个谜。物理学家默里·盖尔－曼在加州理工学院上课时常常向学生演示他的同事理查德·费恩曼解决问题的方法。盖尔－曼会在黑板上写下一个复杂的问题，默默地看上几分钟，然后上去写下正确的答案。盖尔－曼认为费恩曼这样的天才和他解决问题的创造性过程是很难用语言描述出来的。就像路易斯·阿姆斯特朗所说：“如果你必须要知道‘它是什么’，你永远也不能得知。”
尤其让人不解的是，解决问题的某些阶段几乎没有什么逻辑性的东西。有难度的问题通常是通过偶得的灵感和洞察力解决的。一会儿还是稀里糊涂，一会儿灵感却又会蹦进你的脑海，两者之间往往并没有什么可以用语言进行描述的逻辑步骤。
人们在人工智能研究中经常使用一些智力题和游戏。与现实世界的复杂问题相比，这些问题和游戏更为简单，定义更为明确，但它们也包含了解决现实问题所需的逻辑、洞察力和灵感。微软公司有很多人特别热衷于人工智能的研究。这一点就有助于解释一个或许让读者感到诧异的问题——为什么微软会非常自信地认为小小的“愚蠢”智力题会对现实世界产生影响。
解空间和 “零线索”高原
博学多才的经济学家赫伯特·西蒙是现代研究问题解决的“教父”。作为1978年诺贝尔经济学奖的获得者，西蒙职业生涯的大多数时间都是在卡内基梅隆大学度过的，这是一个在计算机和机器人编程领域处于领先地位的大学。西蒙是他同时代应用计算机进行经济研究的经济学家之一。
西蒙对计算机如此着迷，于是他开始研究人类解决问题的方式，期望借鉴人类解决问题的方式来为计算机编程，使计算机能够完成类似的任务。在1972年编写的《人类的解题方式》一书中，西蒙和同事艾伦·纽厄尔发表了一项研究的结果，这项研究对许多志愿者进行了很多数字和文字智力题测试。后来他又试图在1987年发表的《科学发现》中通过历史回顾对许多著名科学突破背后的个人推理进行重新研究。
