--- 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: 80 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3?start=80&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=80&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=70&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=90&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=80 | PRINTED_PAGE=069 当比尔说他是比赛的冠军时，弗兰克感到很嫉妒。(Frank was jealous when Bill said that he was the winner of the competition.) 谁是冠军？ ·弗兰克 ·比尔（特殊词=嫉妒；替代词=快乐） 问题在于，“快乐”一词会使问题变得模糊。弗兰克既可能因为自己是冠军而感到快乐，也可能因为比尔是冠军而感到快乐。(当然，我们会纠正这些极端案例，但我们在此先不用考虑。) 威诺格拉德模式问题不一定适合每个被试者。例如，上文中提到的“奖杯/手提箱”示例可能适合儿童，但“镇议会议员/示威者”的问题却不适合儿童。“泡沫聚苯乙烯塑料/钢”的问题不适合那些不了解泡沫塑料的人。一般来说，威诺格拉德模式问题要经过仔细审查之后才能投入使用。至少，我们需要确保被试者知道题目中出现的所有单词的含义。 考虑到这些问题，现在就可以制订图灵测试的替代方案了。首先在程序库中输入一组威诺格拉德测试题。这组威诺格拉德测试题中包含一些前文所示的问题，随机选择两个特殊的词语，选择错误会有惩罚。该测试可以自动运行，不需要专家评审。 总结一下:关于图灵测试，我们赞同图灵的观点：当与智能（或思想、理解）有关时，实质性问题在于计算机程序能否完成一个可观察的行为。然而，图灵倡导的自由形式的对话并不是正式测试的最佳手段。因为这种形式将主题隐藏在玩笑话当中，里面充满了表达技巧和烟幕弹。我们的立场是：基于威诺格拉德模式问题的替代性测试不能被滥用，尽管有些连正常对话所需的智能水平都难以达到。（例如，我们在第1章有关图灵测试的讨论中看到的关于十四行诗的内容。) 第4章 真智能还是假智能? 069 ## PDF_PHYSICAL_PAGE_INDEX=81 | PRINTED_PAGE=070 我们从中得到的经验 回到本章的要点，观点很明确：在没有专门训练的前提下，会说英语的普通成年人也可以轻松地回答上文中的威诺格拉德模式问题。 在这个人为设置的环境中，这就是我们关注的重点，这就是我们的智能行为需要解释的内容！ 作为科学家，我们可以认为这种行为是像重力或光合作用一样的自然现象。但我们的问题是：我们该如何解释人类是怎样做到这一点的？显然，人们不仅仅要回想起他们听到或读过的东西。就像鳄鱼问题一样，答案不会出现在任何文本中。而且人们可以使用一些小技巧来伪造这些行为吗？也许，这种问题的两个版本中的一字之差使这种可能性降到更低。（更多相关信息，请参阅第7章中的相关内容。) 人工智能的进化 070 ## PDF_PHYSICAL_PAGE_INDEX=82 | PRINTED_PAGE=071 让我们再回顾一下上文中提到的“泡沫聚苯乙烯塑料/钢”问题。我们可能会考虑把问题中的“泡沫聚苯乙烯塑料”和“钢”等特殊词语换成其他词语。如果特殊词是“花岗岩”，替代词就是“大球”；如果特殊词是“轻木”，替代词就是“桌子”，等等。但假设我们要在这个问题上使用一个完全未知的词语： 在这种情况下，没有“正确”的答案：被试者不应偏爱某个答案。但如果我们进一步假设：我们已经提前告知了被试者有关kappanium 的信息： 它是陶氏化学公司的产品。 它通常是白色的，但也有绿色和蓝色的品种。 它的98%是空气，这使得它轻巧易浮。 它是由瑞典发明家卡尔·乔治·蒙特斯（Carl GeorgMunters）首次发现的。 第4章 真智能还是假智能? 071 ## PDF_PHYSICAL_PAGE_INDEX=83 | PRINTED_PAGE=072 有了这些，我们就可以发问了:在了解这些相关资料的过程中，被试者何时能够猜到正确答案?很明显，只看第三条信息就可以了，因为它包含的信息最重要。但更普遍的情况是，人们得到正确的答案(泡沫塑料）是因为他们已经掌握了第三条事实。(上述四个事实都是从维基百科中“泡沫塑料”的页面提取的。）这种背景知识至关重要。没有它，被试者的行为反应会完全不同。 所以，这带我们回到了上一章中关于电影《2001：太空漫游》的讨论。我们从这里得到的经验教训也是一样的：为了了解人类如何做出特定形式的智慧行为，在这种情况下，可以使用威诺格拉德模式测试的按钮行为进行测试。而我们关注的重点也应当放在他们完成任务时所使用的背景知识上。 GOFAI的回归 如第1章所述，目前的人工智能的研究重点已不在知识方面，大部分已经脱离了约翰·麦卡锡的早期愿景。有些人认为，麦卡锡倡导的GOFAI是有进步意义的。但我们现在需要的是一种全新的方法，一种更加重视神经科学、统计学、经济学和发展心理学等方面见解的新方法。 尽管这些学科能够提供见解，尽管一个全新的计算机程序会更具生产力，但麦卡锡的设想更为激进一点儿。他提出了一个全新的主题，既不属于神经科学，也不属于统计学。这个新主题将从计算机程序的角度研究知识本身的应用情况。 人工智能的进化 072 ## PDF_PHYSICAL_PAGE_INDEX=84 | PRINTED_PAGE=073 非常重要的一点是，批判GOFAI的人们并没有试图去解释智能行为，而是采用了其他的批评方式。他们没能设计出另一个更好地回答威诺格拉德模式问题的程序(例如计算经济学)，反而采用了远离GOFAI的方法。 这更像是主题的一种转变。研究人员不再关注人们回答问题的能力，而是将重点转移到其他形式的行为，尤其是对背景知识依赖程度较低的行为。（他们也许会进一步争论该采用何种进化理论来解释该问题。而我们也许应该在彻底了解行为本身之后，再去研究那些取决于知识的行为。) 因此，专注于AML方面的研究人员可能会侧重于手写识别能力。例如，我们区别数字“3”和“8”的能力似乎较少依赖于背景知识，而是更多地依赖于我们在样本数字中看到的格式差别。AML的研究人员专注于展示如何从这些样品中自动获取必要的模式和特征。 当然，这样做没有任何问题。如果假设所有处于人类水平的智能行为都是依赖于背景知识产生的结果，这又会是一个巨型拼图式的错误。从威诺格拉德模式问题以及其他任何地方，我们都能够清楚地看到：只有一部分智能行为是依赖于背景知识的。 第4章 真智能还是假智能? 073 ## PDF_PHYSICAL_PAGE_INDEX=85 | PRINTED_PAGE=074 人工智能的进化 于是，问题依然存在：人们如何产生这种行为呢?即便不是像AML那种类型的结果，那它会不会以更加复杂的形式呈现出来呢?为了回答上述问题，我们需要进一步了解学习和获取知识背后的内容。 074 ## PDF_PHYSICAL_PAGE_INDEX=86 | PRINTED_PAGE=NOT_DETECTED 第5章 有经验的学习与没有经验的学习 ## PDF_PHYSICAL_PAGE_INDEX=87 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=88 | PRINTED_PAGE=NOT_DETECTED 与30年前我刚刚投身人工智能领域时不同，现在人们所谈的人工智能，基本都围绕着机器学习及其应用领域，即我们一直所说的AML。研究人员在AML的推广应用方面取得了巨大成功，他们研发出了一系列应用程序，从手写数字识别，到人脸识别和跟踪，到在崎岖地形上行走，到在《危险边缘》①里参与问答，再到自动驾驶汽车。所有这些成绩的取得都严重依赖于与AML相关的统计技术。 如果与AML领域的研究人员探讨他们的研究内容，我们会得出这样的结论：学习就是从数据（或周围环境）当中总结规律和特点，并将其提取，而不是通过导师授课或者阅读教材学习。显然，我们的很多知识都是以这种方式学来的，例如如何辨别橘子和苹果、叔叔和阿姨、猫和狗等。但好像也没有人告诉我们，说“注意啦，看到猫有长长的胡须了吗？狗是没有这种胡须的”，而是我们自己像AML一样搞清了这些区别。这正是我们学会母语，学会用词语和句子表达思想的过程。的确，因为我们完全靠自己就掌握了大量知识，而非通过任何口头或书面学习，所以才会忽略那些依靠其他途径学到的知识。 ①《危险边缘》(Jeopardy)是美国哥伦比亚广播公司推出的一档益智问答游戏节目。——译者注 ## PDF_PHYSICAL_PAGE_INDEX=89 | PRINTED_PAGE=078 换句话说，这是个巨型拼图问题。 我们如何学习词语? 让我们从思考自己如何学会词语开始。 我们先拿形容词“hungry(饥饿的)”为例。假设我们的父母会讲英语，我们最终学会了这个词的意思。但我们是在什么时候学会的呢？毕竟，可从没有人向我们解释过这个词的意思啊。事实上，是孩子在感到饥饿的时候，常常会听到这个词，因此逐渐将这个词与对食物的需求联系起来。 从某种意义来说，我们无须对“hungry（饥饿的)”这个词下定义是件好事，因为语言此时也有些力不从心。饥饿是什么感觉?我们可能会说：感觉不舒服，但也不痛苦，至少刚开始还不痛苦。这就是个温和的提示，告诉你该吃东西了。但这种感觉与其他如口渴或眩晕等感觉有何异同呢？ 有趣的是，仅仅是我们的身体做出了某种提醒，并不意味着一定有形容词对其进行描述。例如，在法语中，没有表示“hungry(饥饿的)”的词，意思与之最为接近的是形容词“affamé”，但它的意思更像是“饿极了”，形容比饥渴更为强烈的感觉。在法语中，我们说“J'aifaim”，字面意思是“我有饥饿”或者“我有饥饿的感觉”。由此可见，对于哪些身体提示会有对应的文字表达，我们目前尚不清楚。例如，有一种感觉与饥饿一样人人都曾感受到，尤其让幼儿的父母们每天烦恼不已，但令人惊讶的是，英语中竟然没有与之对应的形容词，这种感觉就是人想要小便时的感觉。 人工智能的进化 078 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=90&limit=10)