{"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":356,"pdf_page":364,"physical_index":364,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"477f216d0092a24e756ed2cda703f7bfd30fae4b3251886f9d64ad1ef17a6c84"},"chapter":"人工智能哲学","content":"人工智能哲学\n\n来构成这样的说明，输入节点上面一层中的每一节点可以依据与它的联结方式被解释为在对一组特定输入模式中出现的一个模式进行探测。(有些模式将成为训练中使用的模式，有些模式则永远不被使用。)如果要把一个构想的名字(几乎可以肯定我们的词汇表中没有它的名字)给予一个特定节点探测到的一组输入模式，那么这个节点就可以被解释为是在探测以此命名的高度抽象的特征。这样，输入层的上面一层中的每一节点，就能够被刻划成特征探测器。类似地，这些节点上面一层中的每一节点，可以被解释为在探测更高阶的特征，这特征被定义为在第一层次的特征探测器中存在着一组经过详细说明的模式之一。还可循着层级体系向上继续进行。\n\n智能被定义为有关适合于一领域的一组特定的联系的知识，根据一个技能领域中许多高度抽象的特征之间的关系总是可以对智能加以说明，然而这一事实并没有维护理性主义的直觉，即认为这些解释特征必须获取该领域的基本结构，以便能在它们的基础上建立理论。如果再多把一个输入输出对的联系(这里，训练之前的输入所产生的输出，不同干要学习的那个输出)教给网络，至少有些节点的解释就必须改变。所以在最后一个训练的例子之前，由某些节点分辨出的特征原来并不是该领域的不变的结构特征。\n\n人们一旦放弃了经典AI的哲学方法，并接受了神经网络建模的非理论主张，那就留下这样一个问题：能够预期这样的网络获得多少日常智能呢？正如鲁梅哈特已经注意到的，经典AI研究者很快就指出，迄今为止，神经建模者已在按步长进行问题求解方面遇上了困难。联结论者的答复是：他们有信心，他们迟早会解决这个问题。然而这一答复太容易使人想起60年代符号操作者们对于批评他们的程序在模式感知方面的欠缺所作的那种答复了。以前的斗争还在理智主义者与格式塔主义者之间继续着，理智主义者认为，由于他们能够进行语境无关的逻辑活动，所以具备处理日常认知的能力，但是在理解知觉方面有些欠缺，格式塔主义者则有一些关于知觉的初步说明，但不能对日常认知方式作出说明。1用了右大脑和左大脑的比喻，人们可能会认为，大脑或心灵也许会运用每一个适当的策略。这样，就会产生怎样使这些策略结合起来的问题。人们不能只是来回转换，因为据海德格尔和格式塔主义者的看法，在相关性的确定中，甚至在日常逻辑和问题求解中，起关键作用的是有实际价值的背景，而任何领域甚至逻辑方面的专家，都是利用它们在功能上的相似性来掌握运算的。\n\n356","previous_page":355,"next_page":357}