• 人机杂感


    【编者按:人机混合智能的核心是解决有态无势的问题,就是解决如何通过认知域(感知)把物理域(态)转化成信息域(势)的过程,即解决“数据丰富,信息贫乏”的DRIP(Data Rich Information Poor)问题。】

    9a7234901c54a6b586caef24cfc8a95b.jpeg

    人不是普通的物,所以人的思维及行为与物理的变化规律并不一致,符号主义有其天然的局限性。但人又是一种特殊的物,在最亚原子层级上与其它物体相同,所以又会遵循一定程度的物理变化规律,这体现在联结主义和行为主义的部分匹配上。回溯强化学习和深度学习的历史,会发现它们都来自于神经科学。强化学习可以追溯自巴浦洛夫的行为神经学,而深度学习来自于哈佛大学David Hubel和Torsten Wiesel在研究视觉中枢的生理学中所做的工作。他们记录了猫和猴子的视觉神经结构,并提出了一种视觉中枢的神经架构。正是这种架构,而非模型训练技巧,在深度学习神经网络中得到了应用,甚至包括了最近的残差神经网络ResNet。


    算计是一种谋划,多逻辑的组合,是人机环境系统交互作用的产物。既包括随动也包含预测,有情感的作用,也有理性的作用。真正的智能是无界和跨界,也是显隐、阴阳共存态。同情和同理是人类智能的隐性前提和条件,机器的智能(人工智能)对于后者尚有一部分,但对于前者还依然无能为力。机器学习是一种能从数据中学习的计算机编程科学以及艺术,如 《 The book of WHY 》 作者Pearl在书中所说:统计学习只能去寻找关联,而不能得到因果。人机结合的智能重要的不但是解释,而且更是改变。人机环境系统即是智能,智能即是人机环境系统,如人工智能,有多人工,就有多智能。系统一词来源于英文system的音译,即若干部分相互联系、相互作用,形成的具有某些功能的整体。系统一般分为自然系统、人为系统、复合系统和生理学概念,描述系统的方法有符号、单位脉冲响应、差分方程和图形等。

    网络切片是一种按需组网的系统方式,可以让运营商在统一的基础设施上分离出多个虚拟的端到端网络,每个网络切片从无线接入网、承载网再到核心网上进行逻辑隔离,以适配各种各样类型的应用。马赛克既可以是元素的动态需求组合(如人、机单元),也可以是关系的动态需求组合(如各局域网集合关系),还可以是元素与关系之间的动态需求组合,即元素与集合的交叉。可解释性是一种以人类认识的语言(术语)给人类提供解释的能力。

    在不同的维度或逻辑里,点可以是线、面、体,反之也可以,例如面对同样的事实空间,不同人的不同角度其价值空间是不同的,不同状态空间与不同趋势空间的差异也是不同的,不同感觉空间与不同知觉空间的差异也是不同的,这些都是概念维度变化导致不一致性的原因之所在。哲学不知道思维的出发点和思维方向是由情感决定的。逻辑是思维的规则或规律,但只能保证思维走的是直线,而不是解决各组合之间缠绕和叠加。

    适应性转变是一种复杂的适应性进化,“盲眼钟表匠”理论认为,进化是一步步逐渐进行的,每一步都会从一堆随机的“修修补补”突变中保留下一些对生物体来说微小、但可以提高适应度的改变,聚沙成塔。

    不由得让人又想起那个段子,要花上百万设计出机械手去抓取生产线上的空香皂盒,结果用一台风扇放在生产线旁一吹就解决了。是时候仔细想想了,我们大脑真的是用那些复杂的数学方程在解决问题吗?

    意图识别的准确性能在很大程度上影响着搜索的准确性和对话系统的智能性。意图识别是指分析用户的核心需求,输出与查询输入最相关的信息,例如在搜索中要找电影、查快递、市政办公等需求,这些需求在底层的检索策略会有很大的不同,错误的识别几乎可以确定找不到能满足用户需求的内容,导致产生非常差的用户体验;在对话过程中要准确理解对方所想表达的意思,这是具有很大挑战性的任务。

    规律的变就是一种不变,犹如不变的加速度与变化的速度。速度是距离除以时间,加速度是速度除以时间,是速度的速度。顾名思义,关系是事物之间的相互作用,加关系是这些相互作用之间的作用,即相互作用的变化程度。

    例如某些食物富含的物质对身体哪些部位有好处?这种带有更深的逻辑推理问题,往往都有不止一个的答案,蕴含很多集合与集合之间的操作,因此用单个点或者向量是难以表示的。同时这些单点进行(合取/析取)也就是并集和交集操作也是不自然的。

    将复杂问题建模成向量空间的一个点。其普遍缺点是:
    1.一个复杂的问题可能代表着一个很大的答案实体集合,用一个点(类比一个典型实体)表示是不合理的。
    2.向量空间中定义两个点的逻辑操作符(合取/析取)也是不合理的。

    机器学习是使计算机无需显式编程就能学习的研究领域。
    ——阿瑟·塞缪尔,1959年

    还有一个更好的定义:
    “如果一个程序在使用既有的经验(E)执行某类任务(T)的过程中被认为是“具备学习能力的”,那么它一定需要展现出:利用现有的经验(E),不断改善其完成既定任务(T)的性能(P)的特性。”
    ——Tom Mitchell, 1997

    在不知不觉中,也希望越来越多的人意识到,艺术随心智的运动会给数学带来安慰和勇气。——托尼•罗宾

    世界上的事情,最忌讳的就是十全十美,你看那天上的月亮,一旦圆满了,马上就要亏厌;树上的果子,一旦熟透了,马上就要坠落。凡事总要稍留欠缺,才能持恒。——莫言《檀香刑》

    349b7d016aad1ede305a66c5e1408059.jpeg

    人类的学习能够产生范围不确定的隐性的知识和规则,在实践中,人类的智能也可以被描述为:在现有知识体系之外创造新的知识和技能并解决问题的能力,尤其是能够解决带有矛盾的难题能力。人工智能的基础是样本和逻辑,但人类却可以超越样本和逻辑给出的范围。表面上,人工智能是数据和数理逻辑驱动的,实际上,实践中的算法,除了包括理性程序和数据外,还要包含人的因素、有关制度、交叉环境等,所以智能是一个由相互联系的人、物(机是人造物)、环境等概念通过关系或关系的关系构成的网络。各种感知、学习、使用、协调大都是为了增加对这个网络的理解,促进有基础有意义的创造,进而更好的组织这个网络,而这一切的核心就是人机环境系统的多逻辑关联组合计算与算计。

    开放复杂任务情境中充满了偶发的零碎的各种事件,而这些事件又常常是机器学习的数据中需要筛掉的信息,所以系统很难看得见各种关键的偶发事件,更难学得会不能穷举偶发事件所产生的隐秩序和潜逻辑,这或许只能靠人类的生物和社会系统来临机决策,这也就是人工智能很难实现通用智能的根本原因。

    在生活中,稍微认真打开一个高级智能体或智慧体,不经意间,你常常就会发现“对立统一+普遍联系+否定之否定”现象,辩证法不是变戏法,胜似变戏法,一会儿山穷水尽,一会儿柳暗花明,一会儿内外交困,一会儿峰回路转,慕然回首,人算之外竟还有天算和地算,真实的智能,哪里仅是区区数学的形式化计算,分明还有非数学的形而上算计在发力吧!

  • 相关阅读:
    Kafka原理剖析之「位点提交」
    关于去除图片上的水印
    原型链图解帮助理解
    2021年上半年软件设计师上午真题及答案解析(二)
    【WordPress】分页插件WP-PageNavi使用教程
    anaconda3最新版安装|使用详情|Error: Please select a valid Python interpreter
    std::queue 中遇到释放内存错误的问题
    【ODX Studio编辑PDX】-0.3-如何删除/修改Variant变体中继承的(Inherited)元素
    基于Java个性化美食推荐系统设计实现(源码+lw+部署文档+讲解等)
    GoLand 2023:为Go开发者打造的智能IDE mac/win版
  • 原文地址:https://blog.csdn.net/VucNdnrzk8iwX/article/details/126912789