{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","title":"人工智能哲学","author":null,"edition":null,"publisher":null,"year":null,"isbn":"7532740544","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","id":"7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","uuid":"7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","title":"人工智能哲学","normalized_title":"人工智能哲学","author":null,"edition":null,"publisher":null,"year":null,"isbn":"7532740544","isbns":["7532740544"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":501,"navigation_url":"https://workshop.closeclaw.top/ai/book/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%93%B2%E5%AD%A6","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","page_url":"https://workshop.closeclaw.top/api/ai/books/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2/page","search_url":"https://workshop.closeclaw.top/api/ai/books/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2/search"},"page":{"printed_page":21,"pdf_page":29,"physical_index":29,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"04ff0065b9d55270c5bb6361edfa8151d9a445b3cbaae18f08aaf10e8da17625"},"chapter":"人工智能哲学","content":"神经科学家特别关心实际的神经元和神经解剖学，他们常常利用建立计算模型来揭示，一个已知的(单细胞的或多细胞的)神经解剖学结构，怎样使得大脑能够加工某些特定类型的信息。在神经科学家迄今已经设计出的神经元计算机模型中，有许多都是特别注意未加解释的细胞激活方式，而不是用心理学方式解释的神经活动。然而，尽管处在具有跨学科特点的认知科学中心位置上的神经科学家(还)为数不多，而自认为是在作AI研究的人就更少了，但是他们所作的研究，是总的智能科学中最基础的部分，同时这种研究与AI思想的共同之处也在不断增加（Thorpe and Imbert， 待出版；P. S. Churchland 1986； P. M.Churchland，待出版)。例如，玛尔不仅在作出视觉模型时，而且在作出运动控制模型时，都借鉴了神经科学(他的小脑理论采用了某些近期联结论模型中所用的学习规则的一个较早的版本)。\n\n神经解剖学的详尽知识可能会提出一些计算系统类型，它们不同于传统AI或联结论AI中所研究的系统。P·丘奇兰在“认知神经生物学中的某些简化策略”一文(第14章)中，概述了这样一个例子。它与冯·诺伊曼式的或联结论的构造体系不同，含有按照特定大脑结构作出模型的一些相互联系的神经元层，它的作用不是符号加工或达到平衡，而是进行坐标变换。“状态空间分层结构”这一基本思想出现在论述各种感觉“2维至2维”变换的神经科学著作中。能够定义多维状态空间的、更抽象的“神经矩阵”也已形成，它可用于解释小脑是怎样计算运动协调的(“躯体经验”的一个方面)。\n\n这些思想经丘奇兰精心设计，被推广到其他心理学领域，其中包括对颜色和味道的细微辨别。这里，“辨别”也可以用“经验”来代替。丘奇兰的哲学目标是，证明消除性的唯物主义是可信的，其做法是描述一种神经计算方法，由它说明这一点如何可能实现。（正如他所指出的，有理由认为，这个方法更加适合于计算孤立的感觉辨别和感觉运动协调，而非结构化的语言理解或随意动作。)据消除性的唯物主义的看法，未来的神经科学或许能提供有关我们知觉和思维的信息，从而使我们不再把心理事件(甚至感觉特性)看成与大脑状态有什么不同。为了做到这一点，神经科学家首先必须详细地说明，我们的心理状态怎样才能成为可能。值得注意的是(请塞尔原谅)，关于怎样才能做到这一点，丘奇兰所提的建议，不是借助神经生物化学得出的，而是根据大脑回路得出的，这种回路能够实现特殊类型的信息加工。从AI的观点来看，这正是我们所期待的。\n\n导 言\n\n21","previous_page":20,"next_page":22}