{"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":321,"pdf_page":329,"physical_index":329,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"57b38666ada496b4911988f931fdf3009182decde239ca4003686fdae408ad6e"},"chapter":"人工智能哲学","content":"NET讲话是一个大的分布式联结论模型，其目的是研究把书写输人(即单词)转换为音位输出(即声音或言语)的部分过程。网络构造包含一组每次由文本中七个字母激励的输入单元、一组隐蔽单元和一组为音位编码的输出单元。输出被送入口声合成器后，产生出实际的讲话声音。\n\n网络从隐蔽单元(在选定参数内)的加权值和联结的随机分布开始，就是说它对于从文本到音位的转换规则没有任何“想法”。它的任务是通过重复呈现训练示例来学习对付这一特别棘手的认知领域的方法(这领域之所以棘手，是因为从文本到音位的转换是无规则的、次规则的和语境敏感的)。学习按标准方式进行，即按照反向传播的学习规则进行。其工作方式是，给系统一个输入，检查其输出(由一个计算机的“监督器”自动完成)，并告诉它应当产生什么输出(即什么音位编码)。然后，学习规则使系统对隐蔽单元上的加权值作出微小的调整，使输出趋向正确。这一过程要重复数千次。奇妙的情况出现了，这个系统以听得见的方式慢慢地学会英语文本的发音，从咿呀学语，到半能辨认单词，再到相当可靠的最终演示。更充分的说明见罗森堡和塞诺斯基(Rosenberg and Sejnowski 1987)，以及塞诺斯基和罗森堡(Sejnowskiand Rosenberg1986)的文章。\n\n现在来看NET讲话方案的方法论。第一步无疑是引用这一领域的相当丰富的某种先验分析的成果。这一点表现在作者对输入表述方式的选择(例如，选择七个字母作为窗口，为字母和标点符号选择某种编码)，对输出表述方式的选择(音位编码)，以及对隐蔽单元构造(如隐蔽单元的个数)和学习规则的选择上。这些选择强调了联结论模型建立中的先验任务分析在某种程度上继续发挥着重要作用。但是它们还远不是任何一种充分清晰表达的、从文本到音位转换的语言能力理论。因为显而易见，这里缺少任何一组定义在输入和输出表述上的专用的状态转变规则。于是，系统就面临着学习任务，要学习了解一组在其隐蔽单元上的加权值，使该加权值完成向期望状态转变的中介任务。由于这一原因，我认为联结论者的特征是从层次-0.5的“任务分析”开始其研究，而不是层次-1(或1.5)的语言能力理论。然而值得一提的是，层次-0.5的说明虽然不及充分发展的符号语言能力理论，仍然可以体现先验信息在心理学上的非现实部分。因为当一个人学会完成一个任务时，他事先并不知道要调用多少隐蔽单元(太多的话，就会形成一个不提供信息的“查寻树”，太少的话，就无法处理数据)，也不知道表述该解答的最好方式是什么。在这意义上，层次-0.5说明在问题求解方面所做的工作，比起某些联结论者愿意承认的，可能更多一些。然而对当前的目的来说，主要问题仅仅是，层次-0.5模型构成一个基础，在这基础上，由于有力的联结论学习规则，系统(经过大量训练之后)变得能够对付目标中的认知领地。从这一点来看，联结论者已经掌握了一个工作系统——一个全面的层次-3实现方式。\n\n12 联结论、语言能力和解释方式\n\n321","previous_page":320,"next_page":322}