{"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":30,"pdf_page":38,"physical_index":38,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"aa8caed994f9c7767c3f56fe27fccd2e9e0f3c01963f38d48efa131402df3fa0"},"chapter":"人工智能哲学","content":"超过θ。于是据上述假定，我们就能得到\n\n$$\nN _ { i } ( z _ { 1 } ) _ { \\cdot } = . S \\left\\{ \\prod _ { m = 1 } ^ { q } \\sim N _ { j m } ( z _ { 1 } ) . \\sum _ { \\alpha \\varepsilon k i } \\quad \\prod _ { \\delta \\varepsilon \\alpha } N _ { i s } ( z _ { 1 } ) \\right\\}\\tag{1}\n$$\n\n$\\ \" \\textdegree$ 和“II”是析取和合取的句法符号，在每一情况下它们都是有限的。因为对于每一个不是周围传入神经的 $c _ { i }$ 都能写出这种形式的表达式，所以用(1)中对应的表达式替换每一个不是周围传入神经的神经元的 $N _ { j m }$ 或 $N _ { i s }$ ，并且对该结果重复这个过程，最后就可以只用周围传入神经N得出 $N _ { i }$ 的表达式，因为H是无环的。此外，这个表达式是一个TPE，因为(1)显然是TPE；同时从定义可直接得出，用TPE替换TPE中的一个成分 $p ( z )$ 得到的也是一个TPE。\n\n定理Ⅱ\n\n每一个TPE都可用一个零阶网实现。\n\n函子S显然可以用析取、合取和否定进行交换。显然，以任一狭义可实现的 $S _ { i }$ 替换一个可实现的表达式 $\\pmb { S } _ { 1 }$ 中的 $p ( z )$ ，其结果本身也是狭义可实现的；构造这种起实现作用的网的方法，是用那些在 $S _ { i }$ 的网中起实现作用的神经元替代 $\\pmb { S } _ { 1 }$ 的网中的周围传入神经。如果 $s _ { \\ z }$ 能够在狭义上得以实现，一个神经元网则在狭义上实现了 $p _ { 1 } ( z _ { 1 } )$ ，图1a示出一个网在狭义上实现了 $S p _ { 1 } ( z _ { 1 } )$ ，并且因而 $\\pmb { S } _ { 2 }$ 也是狭义可实现的。如果 ${ \\pmb S } _ { 2 }$ 和 $s _ { \\scriptscriptstyle 3 }$ 是可实现的，那么对适当的m和n， $S ^ { m } S _ { 2 }$ 和 $\\pmb { S } ^ { n } \\pmb { S } _ { 3 }$ 也是狭义可实现的。从而可以推及 $S ^ { m + n } S _ { 2 }$ 和 $S ^ { m + n } S _ { 3 }$ 。现在图1b，c和d中的网分别在狭义上实现了 $S ( p _ { 1 } ( z _ { 1 } ) \\vee p _ { 2 } ( z _ { 1 } ) )$ $S ( p _ { 1 } ( z _ { 1 } ) . p _ { 2 } ( z _ { 1 } ) )$ 和S$( p _ { ! } ( z _ { ! } ) _ { \\cdot } \\sim p _ { : } ( z _ { ! } ) )$ ，从而 $S ^ { m + n + 1 } \\left( S , \\vee S _ { 2 } \\right)$ $S ^ { m + n + 1 } \\left( S _ { 1 } , S _ { 2 } \\right)$ 和 $S ^ { m + n + 1 }$ $( S _ { 1 } . \\sim S _ { 2 } )$ 也是狭义可实现的。所以如果 $\\pmb { S } _ { 1 }$ 和 $\\pmb { S } _ { 2 }$ 是可实现的，那么 $s _ { \\mathrm { { r } } }$ $\\vee S _ { ? } S _ { ! } . S _ { ? } S _ { ! } . - S _ { : }$ 就是可实现的。经过完全归纳，所有TPE都是可实现的。由此可见，所有的网都能看作是由图1a，b，c，d这样的基础单元组合而成的，正像时间命题表达式是由进动、析取、合取，再联合否定的运算所产生的一样。特别是，在对一个网的状态，或对它的所有神经元的动作的真假值分布作出任何描述的情况下，除非这些值都是假的，总可以构成单个神经元，它的激发是使这描述有效的充要条件。此外，总是存在着一些数目不定的、拓朴结构不同的实现任何TPE的行为。\n\n人工智能哲学\n\n30","previous_page":29,"next_page":31}