--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能的进化 计算机思维离人类心智还有多远" author: null edition: null publisher: null year: null isbn: "9787508685670" library_document_id: "72c4da97-7cf2-441a-a985-c1252297d6a3" source_sha256: "7fe6b67406c38d63be8888212fd3015f412217ac0362f442b69e1c1169b192df" pdf_physical_page_count: 216 pdf_physical_page_index_base: 0 range_start: 190 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3?start=190&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=190&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=180&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=200&limit=10" --- # 人工智能的进化 计算机思维离人类心智还有多远 > 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=190 | PRINTED_PAGE=179 第4章 真智能还是假智能? 本章的主题之一就是，智力并不等同于能够忽悠别人(例如在模仿游戏当中)。但是，纯粹从进化论的角度来看，这二者的区别并不是非常明显。一个很好的例子是人类的智慧，尤其语言，其早期的作用就是在智力竞赛中赢得配偶，而在这类竞赛当中起着核心作用的就是炫耀和诓骗。语言的主要功能是道听途说、说长道短、胡吹神侃、装腔作势和积怨记仇。余下时间(称得上是美好时光)里语言给我们带来的些许愉悦不过是小打小闹而已，可参见Grooming, Gossip and the Evolution of Language 和 The RedQueen: Sex and the Evolution of Human Nature。 约瑟夫·魏岑鲍姆(Joseph Weizenbaum)编写的ELIZA程序在期刊Communications of the ACM1966年第9期的 ELIZA一文中有介绍。而与奥利弗·米勒(OliverMiller)的谈话选自一篇博文(参见:http://thoughtcatalog.com/?s=eliza)。魏岑鲍姆在自己的 Computer Power and Human Reason: From Judgment toCalculation一书中谈到，当发现有人将他的成果用于探索心理学（如Artificialparanoia这篇论文）时，他感觉心灰意冷。布莱恩·克里斯蒂安(Brian Christian)在The Most Human Human:What Artificial Intelligence Teaches Us About Being Alive —书中介绍洛伯纳人工智能竞赛，他本人还在其中一场比赛中扮演了人类的角色。尤金·古斯特曼(EugeneGoostman)程序在很多在线新闻文章中都有描述，例如《新科学家》(NewScientist,2012年6月25日）和《连线》杂志（Wired,2014年6月9日)。斯科特·阿伦森(Scott Aaronson)的采访摘自网页 http://www.scottaaronson.com/blog/?p= 1858。 注 释 179 ## PDF_PHYSICAL_PAGE_INDEX=191 | PRINTED_PAGE=180 我举的鳄鱼和棒球的例子最早出现于 Logic and the complexityof reasoning一文（发表于1988年)，后来在 On ourbest behavior一文中再次使用过。Reasoning from imcomplete knowledge 和 Onclosedworlddata bases中有对封闭世界假设的解释。威诺格拉德模式由我在 The Winograd Schema Challenge 中提出，The WinogradSchemaChallenge中有更详细的介绍。首个示例模式（由特里·威诺格拉德提出）出现在UnderstandingNatural Language—书中。模式的来源广泛，五花八门，在网页https://www.cs.nyu.edu/davise/papers/WS.html上可以找到这些问题的合集，涵盖了100多个问题。2014年7月，纽昂斯通信公司(NuanceCommunications)宣布将于2016年7月举办威诺格拉德模式赛。（更多信息，请参考http:/commonsensereasoning.org/winograd.html。) 与之类似的另外一种测试是文本蕴含挑战赛(参见The PASCAL recognising textual entailment challenge )o 第5章 有经验的学习与没有经验的学习 我们的绝大多数知识都习自间接经验，这一事实让哲学家们暂时停止了关于智能离开身体是否可能的争论。例如，如果这种智能无法将语言与真实感觉联系起来，那它如何能够真正地理解“饿”这种词呢?这就是所谓符号接地问题(The symbolgrounding problem)。如果我们知道的只是一个个相互指代的单词，那么怎样才能理解一个词的含义呢?(这个关于“文字游戏的问题会在下一章介绍海伦·凯勒时出现。）当然，艾伦·图灵的想法是，我们对于这样的问题根本不必理会。“理解”这个词太过含糊，而且存在争议。恰恰相反，我们该问的问题是：有没有可能让人工智能程序拥有与人一样的能力，按照上述单词的意思行事。简而言之，就是我们期望通过符号接地问题看到什么样的整脚行为？ 人工智能的进化 180 ## PDF_PHYSICAL_PAGE_INDEX=192 | PRINTED_PAGE=181 我们是如何掌握语言的，这依然是个谜。具体来说，我们如何解释儿童虽然获得的数据有限，但是他们却能掌握复杂的语法?这个问题被诺姆·乔姆斯基称为“刺激贫乏”(RulesandRepresentations)。他的(充满争议的)观点是，孩子天生就具有一种被称为“普遍语法”的能力，帮助他们迅速掌握首次接触的语言的实际语法。 关于行为的学习，艾伦·麦克沃思(AlanMackworth)(可参见他的文章Onseeingrobots)和罗德尼·布鲁克斯(RodneyBrooks)(可参见他的文章Elephants don't play chess)等对老式人工智能持批判态度的学者更为关注动物（包括人在内）如何能够在没有语言和符号的帮助下，依靠真实传感器和效应器生存，这一点非常有趣。这些动物似乎掌握了某种程序性知识（通过某种作业形式获得的知识)，与老式人工智能所关注的陈述性知识(可用陈述句表达的知识）截然不同。但是，我们仍需谨记“巨型拼图”问题，而且“世间行动”是个广义的范畴。当然包括骑自行车和玩溜溜球，也包括饲养照顾宠物金丝雀，收集稀有金币。显而易见，上述两种知识都必不可少。关于这个问题可以参考Frame representations and the declarative/proceduralcontroversy, Declarative and nondeclarative memory: Multiple brainsystems supporting learningandmemory—文则从神经科学的角度做了介绍。 注 释 181 ## PDF_PHYSICAL_PAGE_INDEX=193 | PRINTED_PAGE=182 塞缪尔·早川关于阅读的说法引自Languagein Thought andAction。(早川还曾对通过经验学习和通过语言学习进行过对比。)艾萨克·牛顿的话引自1676年的一封信(参见他的书信集TheCorrespondence of Isaac Newton: 1661—1675)。 第6章 书本智慧与市井智慧 这一章讲的是我们使用语言文本学习的重要性虽然我们对于“书本知识”经常不屑一顾，甚至有点儿不以为然，但人类与其他动物相比确实是鹤立鸡群，它们根本不具备这种能力，而这也极大限制了它们在技术上的发展。关于动物和它们所掌握的技术，请参考 Animal Tool Behavior: The Use and ManufactureofTools by Animals。想进一步了解蚂蚁的超级殖民地（侵略型殖民地及不侵略型殖民地),可参见文章 Evolution of supercolonies:The Argentine ants of southern Europe 人工智能的进化 182 ## PDF_PHYSICAL_PAGE_INDEX=194 | PRINTED_PAGE=183 有关幼儿使用语言处理语言和其他问题的信息，参见TheChild's Conception ofLanguage。唐·佩利（Don Perlis）认为这是语言会话能力的核心(参见Conversational adequacy:mistakes arethe essence )o 海伦·凯勒的生平故事可以在 The Story of My Life —书中找到。第一部分和第二部分均由凯勒自己完成。第三部分摘自安妮·沙利文的书信和报道(本章中的书信也是引自此处)。威廉·拉帕波特对凯勒与人工智能相关性的分析出自HowHelenKeller used syntactic semantics to escape from a Chinese Room —文。我坚信，我们从她身上学到了许多关于人类思维和人类精神的内容。 第7章 长尾理论与培训的界限 本章的主题之一是人们如何利用常识处理之前未曾经历过的全新的情况。但纳西姆·塔勒布认为大多数人，尤其是投资者非常不善于处理这些“黑天鹅”(见 The Black Swan:The Impactofthe HighlyImprobable)。这里并不矛盾，常识就是处理新出现的情况，但投资者的任务更为棘手，需要分析评估所有可能发生的情况。在决定购买某只股票前，投资者必须考虑到所有可能导致股票下跌的因素。塔勒布认为，人们并不善于把握黑天鹅。例如，在文中提到的英国国家语料库中，有些词语出现的概率只有千万分之一，似乎可以忽略不计，但实际上这种词语非常多，如果忽略就会出大问题。英国国家语料库的信息可以在网上查到(见http://www.natcorp.ox.ac.uk/)。厄尼·戴维斯(ErnieDavis)对该语料库中大量存在的罕见词进行了观察，更多细节可以参考他的教材 Linear Algebra and Probability for Computer ScienceApplications的第 274 页。 注 释 183 ## PDF_PHYSICAL_PAGE_INDEX=195 | PRINTED_PAGE=184 20世纪70年代，人工智能研究重点专注于技术和专业技能。主要想法是与专家进行访谈对话，利用条件规则复制他们在专业领域的知识，构建所谓专家系统，参见Introduction toExpertSystems 和 Building Expert Systems 的例子。论文 Skill in chess 和The expertmind提到了国际象棋专家。休伯特·德雷福斯和图尔特·德雷福斯(StuartDreyfus)共同完成了国际象棋专家在下国际象棋的同时，还要进行复杂运算这一实验(参见MindOverMachine: The Power ofHuman Intuition and Expertise in the Era ofthe Computer)。他们是如是说： 我们最近做了个实验，要求国际象棋大师胡利奥·卡普兰(JulioKaplan)与另外一位水平稍差但也是大师级的棋手下5秒一步的国际象棋，同时卡普兰还要以每秒一个数字的速度将听到的数字加在一起。即使分析思维完全被数字所占据，卡普兰依然能够棋高一着，多次击败对手。 人工智能的进化 184 ## PDF_PHYSICAL_PAGE_INDEX=196 | PRINTED_PAGE=185 What Computers Still Can't Do: A Critique of Artificial Reason一书介绍了他们对人工智能、专家系统的看法，还从哲学角度对专家和新手进行了观察分析。 第8章符号与符号处理 这一章名为“符号与符号处理”，实际是介绍计算机科学。计算机科学始于艾伦·图灵的图灵机研究（见On computablenumbers, with an application to the Entscheidungsproblem )。 有些学者推崇非符号形式的人工智能（例如文章Connectionist AI,symbolic AI, and the brain)，但他们实际谈论的依然是符号处理，只不过是在用数字代表符号（如符号代数中的例子)，而非使用非数字概念(如符号逻辑中的例子)。 这两个例子谈到的问题是计算机科学的核心，且非常有趣。一道题可以有多种解答方法，并且属性各不相同，计算机科学家花了大量时间和精力研究算法，即题的各种解答方法(参见Algorithmics: The Spirit of Computing) 。 在符号代数中，求解方程组的标准算法是高斯消元（GaussianElimination) (参见 Schaum's outline of theory and problems oflinear algebra)。其属性是，对于具有n个变量的n 个方程，通过大约 $\boldsymbol { \mathrm { n } } ^ { 3 }$ 步可以求得一个解。这就是说，即使方程组里有成百上千万个变量，依然能够解决。 注 释 185 ## PDF_PHYSICAL_PAGE_INDEX=197 | PRINTED_PAGE=186 但在符号逻辑当中，目前为止最好的算法可能就是DPLL(数字锁相环，可参见文章Satisfiability solvers的例子)。逻辑问题存在有 n个变量，求解大约需要2"步The intractability ofresolution。（而证明这点则需要根据消解规则，对DPLL进行变体(A machine-oriented logic based on the resolution principle ), 文中已经提到)。这就是说，即使是最快的计算机，对于只有100个变量的逻辑问题也无能为力。 这又引出了两个问题。首先，我们在想是否会有比DPLL更好的算法。在数学领域，这个问题的精确版就是著名的P=NP问题，这个问题由斯蒂芬·库克（Stephen Cook）于20世纪70年代首次提出（参见 The complexity of theorem-proving procedures)。从那时起到现在，虽然已有成千上万名计算机科学家和数学家竭尽全力，试图攻克难题，但是依然没有答案。由于这个问题与其他众多题目息息相关，因此被视为计算机科学领域最为重要的开放问题(参见文章 The status of the P versus NP problem)。 第二个问题涉及前一章提到的长尾现象。DPLL的工作方式是系统性地搜索逻辑上的所有可能。有趣的是，在随机构建的测试当中，DPLL执行此类操作所需的步骤却都很少。实际上，上述测试所需的步骤与上一章中的长尾数字非常相似。因为样本测试案例越多，平均值就越高，所以在实践中，根本不可能估算出DPLL所要求的步数。有关详情，请参阅Heavy-tailed phenomenain satisfiability and constraint satisfaction problems —文。 人工智能的进化 186 ## PDF_PHYSICAL_PAGE_INDEX=198 | PRINTED_PAGE=187 如果需要其他材料来教孩子系统学习这些程序，请参考Computational thinking—文。 第9章 基于知识的系统 Leibniz: A Biography是伟大的思想家戈特弗里德·莱布尼茨的传记。但是他的思想大都分散在他旅途中书写的一万多封信里。《哲学百科全书》（The Encyclopedia of Philosophy）中的文章对他进行了更为全面的介绍。 查尔斯·达尔文在《物种起源》中谈到了眼睛的进化。他如是说： 眼睛通过其无与伦比的结构，可以调整焦距以适应不同距离，可以调节光线强度，还可以校正球面色差，如果要说这种能力是通过自然选择而来，那么我只能说，这种说法简直荒谬至极。 Origins of the modern mind: three stage of the evolution of culture and cognition（带有评论）和The Symbolic Species:The Co-Evolution of Language andthe Brain讨论了思想本身的进化过程。 注释 187 ## PDF_PHYSICAL_PAGE_INDEX=199 | PRINTED_PAGE=188 知识表示假说引自布莱恩·史密斯（Brian Smith）的博士论文(Reflection and Semantics in a Procedural Language )。 人们通常会将此观点归功于约翰·麦卡锡，但是显而易见，其他研究人员与他的观点很相似。对于艾伦·纽厄尔（AllenNewell）和赫伯·西蒙（HerbSimon）而言，重点更多放在象征领域，因此他们的版本被称为物理符号系统假说（physical symbol system hypothesis),他们认为:“物理符号系统是普遍智能行为的充分必要条件”(见Computer Science as empirical inquiry: Symbols and search)。( 马文·明斯基作为早期人工智能的研究人员之一，他发现了逻辑和数值方法对于人工智能都有很大局限，提出应将这些方法进行融合，可参见Logical versus symbolic versus connectionist or neatversus scruffy。) Knowledge Representation and Reasoning 和 KnowledgeRepresentation, Reasoning and Declarative Problem solving 这 两本书专门介绍了人工智能中的知识表示和推理领域。此外，还有每两年举行一次的该领域的学术会议（见http://kr.org)。可以在Readings in knowledge Representation中找到相关的早期内容。Logical Foundations of Artificial Intelligence 和ComputationalIntelligence: A Logical Approach提出了逻辑是人工智能统一的主题, The role of logic in knowledge representation and common sensereasoning 和 The role of gic in knowledge representation 对此进行了进一步讨论。马文·明斯基关于逻辑的论述摘自Aframeworkfor representing knowledge 第 262 页。Logic, probability and humanreasoning是从心理学方面看待推理。关于根据信仰程度不同，用概率的方法进行推理的优势，可参见 Bayesian Rationality: TheProbabilistic Approach to Human Reasoning 人工智能的进化 188 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=200&limit=10)