{"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":28,"pdf_page":36,"physical_index":36,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"b36acd70899524c1ed0725d206b50c5f57d96e08a1e3b7e6e6bf1af0b8bfd65c"},"chapter":"人工智能哲学","content":"我们把H的周围传入神经定义为H的神经元，而H不带有对其产生突触作用的轴突。设 $N _ { ! } , \\quad \\cdots , \\quad N _ { p }$ 表示这种神经元的动作，而$N _ { p + \\ldots } , N _ { p + \\ldots } , \\ldots , N _ { n }$ 表示其余神经元的动作。于是H的解答将是一类 $S _ { i }$ 形式的语句： $N _ { p + 1 } ( z _ { 1 } ) . \\equiv . P r _ { i } ( N _ { ! } , N _ { 2 } , \\cdots , N _ { p } , z _ { 1 } )$ ，式中 $P r _ { i }$ 不包含除 $z _ { 1 }$ 以外的自由变量，也不包含除自变量[Arg]中的N以外的描述符号，而可能包含某种常量语句[sa]；这样，每个 $\\pmb { S } _ { i }$ 就是H的真值。反之，已知 $P r _ { \\uparrow } ( ^ { \\uparrow } p _ { \\uparrow } ^ { \\uparrow } , ^ { ~ 1 } p _ { \\downarrow } ^ { \\uparrow } , ^ { ~ \\dots } , ^ { ~ 1 } p _ { p } ^ { \\uparrow } , ~ z _ { \\uparrow } , ~ s )$ ，其中不包含除了它的Arg中变量以外的自由变量，那么如果存在一个网H和H中的一系列 $N _ { i }$ ，使得 $N _ { \\scriptscriptstyle 1 } ( z _ { \\scriptscriptstyle 1 } ) \\equiv . P r _ { \\scriptscriptstyle 1 } ( N _ { \\scriptscriptstyle 1 } , N _ { \\scriptscriptstyle 2 } , \\cdots , z _ { \\scriptscriptstyle 1 } , s a _ { \\scriptscriptstyle 1 } )$ 是H的真值，式中sa」的形式是N(0)，我们就说它是狭义可实现的。如果对某个n, $S ^ { n } ( P r , \\textit { \\textbf { \\xi } } ) ( p _ { 1 } , \\textit { \\textbf { \\xi } } ^ { \\dots } , \\ p _ { p } , \\ z _ { 1 } , \\ \\textit { \\textbf { \\xi } } s )$ 在上述意义下是可实现的，我们就称它是广义可实现的，或简称可实现的。这里 $c _ { \\beta }$ 是起实现作用的神经元。有两个神经刺激定律，如果根据一个假定，每一个S不管狭义广义都是可实现的，那么根据另一假定它也是可实现的，不过可能通过不同的网实现，这时我们将说这两个定律是两个等价的假定。\n\n下面有关可实现性的定理都是指广义的。在某些情况下，可以得出较鲜明的有关狭义可实现性的定理；但是这除了增加叙述的复杂性而外，很少有实际价值，因为我们目前的神经生理学知识所确定的刺激规律只是广义等价的，而更精确的定理会因我们采用的可允许的假定而有所不同。然而，不太精确的定理在等价的条件下是不变的，只要对冲动通过整个网的准确时间没有 $\\mathcal { F }$ 格要求，所有的意图都能充分得到满足。\n\n人工智能哲学\n\n28","previous_page":27,"next_page":29}