20世纪90年代，英国有一部流行的电视剧叫做《水晶迷宫传奇》（The Crystal Maze），其中有一个谜题可以用来解释人工智能遇到的一个难题。这个谜题出现在未来世纪区（ Futuristic Zone），这是四个区之一，参赛者会在其中搜寻「时间水晶」以赢得时间来赢取最后水晶宫中的大奖。

在电视剧中，这个谜题从没有在2分钟的时间限制内完成过。它由若干红色圆圈以及连接它们的网络组成，墙上写着要求：「相邻圆圈内不能有连续字母。」旁边放着一堆红色圆盘，印着A～H的字母，可以放入圆圈内。

那么，正确的方法是什么呢？一开始，我们可以先确定，哪些圆圈是最困难的部分。只需要观察一下，你就会选择中间的两个圆圈，因为它们连接的圆圈最多。那么，A和H就是最适合这两个圆圈的选项，因为它们都只有一个邻居（A只和B相连，H只和G相连）。我们可以把它们放入下面这个图中。

现在，我们可以做一些推理，来排除掉其他圆圈中不能填的选项。比如说，左上角的圆圈和A和H都相连，由于字母不能连续，所以排除掉B和G。右上角、左下角、右下角的圆圈也可以用同样的方法，排除掉B和G。

最左边和最右边的圆圈需要分别对待，因为它们分别与A和B相连。左边的，我们可以排除B，右边排除G。

在仔细看看剩下的选项，只有最左边的圆圈可以选择G，只有最右边的圆圈可以选择B。只要把G和B放进去，其他四个圆圈中也可以排除掉一些选项了。

现在，我们再猜一猜。左上角圆圈还剩3个可能性C、D和E，那就先选第一个C吧。这样，右上角圆圈就排除了D。左下角就只能是D，而右下角就只能是F。这样，我们就解出了这个问题。如下图所示。

决策，还是决策

这个谜题属于一个很大的决策问题类型，在生活中很常见，例如医院或工厂的名字登记策略，调度公交车或火车，或者设计医疗实验。为了帮助我们得出最好的解决方案，人工智能的一大挑战就是开发出一种通用的方法，对这些问题进行表征和推理。

其中一个方法是所谓的约束满足问题( constraint satisfaction problem)。就像水晶迷宫里的谜题一样，满足这个模型的问题都涉及到如下这些方面：一组需要进行的决策（比如，把红色盘子放入所有圆圈中）；一组可能性（用所提供的A～H圆盘）；一组约束条件，只允许某些可能性的组合出现（如，相邻圆圈内不能有连续字母）。如果你把这些问题的要求放入一个约束求解软件中，它就会尝试解决这个问题。它解题的方法与我们很相似：将猜测（我们称之为「搜索」）和推导结合起来，并基于目前的决策排除掉那些无法作为解的可能性。

在这个领域，程序员最大的挑战就是，当输入的问题变得越来越多时，会变得越来越难找到解。这与软件「猜测」答案的方式直接相关。尽管在简单的谜题中，我们的猜测被证明是正确的，但人工智能（AI）却常常将我们领向死路。庞大的问题中，可能存在大量的可能性，同样也存在大量的死路。

其中一个关键问题是，有没有一种不需要钻进死胡同的答案搜索方法？目前我们并不知道。这与计算机科学中两个最重要的开放式问题有关：P问题和NP问题。为此，美国克雷数学研究所悬赏1百万美元征集答案。从本质上说，它就是在询问，如果一个问题的答案能被计算机迅速检查，那这个问题是否也能被计算机迅速解决。

目前流行的答案是否定的。如果真是这样，我们的软件不得不搜索所有可能的猜测，那我们必须让它的效率尽可能的高。这里有一个重要的因素是：搜索策略——我们想让计算机下一步聚焦在什么决策，以及我们赋予它的权重是多少。还有一件非常重要的事情是，特定问题的要求是什么。可以选择把谜题直接套入约束满足的模板，但是在真实生活中，还有很多其他选项。只有选择了正确的策略和模型，才能在实际可行的时间内迅速找到解决办法。

现在，我们的水平已经比10年前高很多，目前的约束求解软件可以解决比10年前复杂很多的实际问题。它被用在科学项目中，例如去年的菲莱彗星着陆器。它还能为灾害事件编制更好的疏散计划。

约束求解在调度问题中非常成功，但是，还有许多其他的AI工具可以解决更多类型的问题。例如，命题满足、进化算法、数学规划技术等，它们可以组合使用来解决问题。一旦计算机能够完成这样的分析，我们就能往前迈进一大步。