{"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":214,"pdf_page":222,"physical_index":222,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"1c6ed9b4c8a68267eef8317afeac479ed3ca62af7ef336902d0280d9e70b1706"},"chapter":"人工智能哲学","content":"比较而言，只有很少的AI工作者采取类似的方法论立场，然而我仍然认为，为了使表述问题取得实质性进步，这样做是至关重要的。麦卡锡(McCarthy1977)也有某些类似的论点。\n\n这不仅仅是一个变换策略的问题，尽管这个方面也很重要。更为根本的原因是，在构造一个完善的工作程序时，快速成功往往离不开简化和限制，这样，它就不可能去解决基本的表述问题。这表现在两个方面：\n\n第一，为了在编制AI行为方式程序时取得成功，人们的确必须非常小心地选择程序的范围。为了便于处理，必须以某种方式对其作出限制，这通常是相当苛刻的。标准的限制形式是限定程序的工作范围，对推理程序而言，就是限制话题；对自然语言程序而言，是把词汇限制在一个微型世界中；对视觉系统而言，是限制可见物范围；等等。由此可知，程序所需的表述方式，在前述意义上，并不是非常彻底的。此外，表述方式在使用一些技术时，常常会依赖于这个所限制的工作范围(常常就是这样做的)，这些技术对小的“玩具型”世界是行之有效的，但却不能直接应用于更彻底的场合。上面已提到若干例子。\n\n第二，计算上的有效表述方式容易造成较低的稠密性。这有一个重要原因：一个稠密的表述方式，必然定义出一个大型而又急剧扩展的可行推理搜索空间。如果可用于控制推理搜索的仅有的启发式方法，是弱的、一般的(数字式)启发法(如MICROPLANNER中的深度优先搜索，在KRL-0中的局部过程调用，等等)，那么有效的计算行为就不可能通过这种搜索空间来完成。但是这些弱的、一般的方法其实就是我们所仅知的方法，因此，为了达到计算上的有效，就必须具有稀疏的表述方式。\n\n人工智能哲学\n\n214","previous_page":213,"next_page":215}