--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能伦理" author: null edition: null publisher: null year: null isbn: "9787302596622" library_document_id: "4f33a8d5-185f-4dd7-8093-04a4119470cb" source_sha256: "fcd3c9683d64b90a0f86208e72b703029dcf8f67d635958e09e34a63875b4472" pdf_physical_page_count: 1800 pdf_physical_page_index_base: 0 range_start: 950 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb?start=950&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb.md?start=950&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb.md?start=940&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb.md?start=960&limit=10" --- # 人工智能伦理 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=950 | PRINTED_PAGE=NOT_DETECTED 图4.2 帮助或指导儿童学习的方法如何迁移到指导机器学习上？ “对于某些读者来说，学习机的概念可能显得自相矛盾。机器的操作规则能如何改变？无论它经历什么历史、什么变化，它们都应该完整地描述机器将如何反应。因此，这些规则具有很强的时间不变性。这是千真万确的。对这个悖论的解释是，在学习过程中改变的规则仅要求短暂的有效性，非常低调的那种。 “在学习机器中加入一个随机元件可能是明智的。当我们寻找某个问题的解时，随机元件是相当有用的……现在，学习过程可以被视为寻找一种能够满足教师（或其他标准）的行为形式，由于可能存在大量令人满意的解，因此随机方法似乎比系统方法更好。 然而，机器学习并没有按照图灵的设想发展。20世纪80年代之前，机器学习流行规则的方法，之后统计的方法逐渐占据上风。经历了半个多世纪的发展，机器学习已经成为人工智能的一个充满生机的分支，它研究如何让一个智能体（intelligentagent）从经验、知识或环境中自动构建起完成某项任务的能力，并不断地完善它以达到令人满意的效果。例如，图像中的物体识别、棋类游戏、机器翻译（machine translation）、问答系统（question answering system）等。 ## PDF_PHYSICAL_PAGE_INDEX=951 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=952 | PRINTED_PAGE=NOT_DETECTED 图4.3 机器学习是AI的一个分支，而深度学习只是机器学习中的一类模型而已 一般说来，对人类越简单的事情，对机器而言越难搞定。譬如，语言理解、类比推理、想象等。相反，在一些简单计算和测量的事情上，机器要远胜于人类。例如，人类的眼睛和大脑有时在基础感知上会被“欺骗”而产生错觉。人类的大脑并不完美，为了提速，它预设了一些想当然的东西。 ## PDF_PHYSICAL_PAGE_INDEX=953 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=954 | PRINTED_PAGE=NOT_DETECTED 图4.4 1995 年，美国神经学家爱德华·阿德尔森（EdwardAdelson, 1954— ）制作了此图，A,B两格的灰度是相同的，但是人类的眼睛容易被欺骗 比较人类学习和机器学习，二者有很多差异，这里仅列举两点。 现有的机器学习都是单任务的。即便机器可以很好地完成某些任务，但它们之间的共性并不被机器所认知。即机器不会触类旁通、举一反三，而人类则天生地懂得接受间接经验，融会贯通后为己所用。换句话说，机器还不具备人类的学习能力，也不懂得如何积累知识。 普通受高等教育者历经小学、初中、高中、大学阶段，完成知识积累、能力培养到适应社会的质变，历时十五六年之久。随着高等教育的普及，人类自主学习和接受系统教育的时间占整个人生的五分之一，甚至更多。知识更新很快，人类只有持续学习才能不被时代抛弃。荀子在《劝学》篇的第一句话就是“君子曰：学不可以已”。对许多人而言，“活到老学到老”是一个积极的人生信条，丧失学习动力和能力则是衰老的标志。 机器学习的时间跨度没有人类这么大，主要原因是我们不知道怎样赋予机器持续学习的能力，也不知道如何为它制定这么大的学习目标。 神经科学、心理学、教育学、语言学、哲学等对人工智能和机器学习都产生过深刻的影响，促使我们从宏观上思考学习的本质，而不是简单地把某项学习任务归结为某个最优化（optimization）问题后，把注意力放在加速求解上。下面，举几个著名的“他山之石”的例子。 ## PDF_PHYSICAL_PAGE_INDEX=955 | PRINTED_PAGE=NOT_DETECTED 例4.1 德国物理学家、医生赫尔曼·冯·亥姆霍兹（Hermann von Helmholtz, 1821—1894）利用物理方法研究过感知（perception）。1860年，亥姆霍兹测出神经传导速率是90米/秒，即从感官刺激到有意识的感知有时延。其间，大脑对神经信号做了大量的处理，这个先天的能力已经固化在大脑里。类似地，我们需要将一些基本的、常用的感知、计算、推理能力固化在AI芯片里。 ## PDF_PHYSICAL_PAGE_INDEX=956 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=957 | PRINTED_PAGE=NOT_DETECTED 图4.5 亥姆霍兹实验表明神经信号的传递速度并不快。人脑一定将最常使用的功能进行了提速处理，就像多次练习形成“肌肉记忆”一样 例4.2 西班牙神经学家、病理学家、1906年诺贝尔生理学或医学奖得主圣地亚哥·拉蒙 –卡哈尔（Santiago Ramón yCajal, 1852—1934）奠定了神经元理论的基础，被誉为“现代神经科学之父”。他发现了轴突生长锥，并通过实验证明了神经细胞之间的关系不是连续的，而是存在着间隙。人工神经网络（artificial neural network,ANN）是机器学习和模式识别中的经典模型，它是对神经元细胞的计算模拟。 ## PDF_PHYSICAL_PAGE_INDEX=958 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=959 | PRINTED_PAGE=NOT_DETECTED 图4.6 拉蒙–卡哈尔的神经元理论启发了人工神经网络模型和深度学习 例4.3 美国实用主义哲学家、教育家、心理学家约翰·杜威（John Dewey, 1859—1952）被誉为“现代教育之父”，他的学说对20世纪初中国思想界产生过重大的影响。杜威的教育理念是在实践中学习，他反对灌输式的教育方法，提出教育即生活，学校即社会，教育的目的在于培养学生的自学能力。杜威认为，一切知识都是工具，来自于人类适应自然、改造自然的经验活动。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/4f33a8d5-185f-4dd7-8093-04a4119470cb.md?start=960&limit=10)