--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能哲学" author: null edition: null publisher: null year: null isbn: "7532740544" library_document_id: "7f418071-0fdc-4a5a-a4c5-82dd1979d9c2" source_sha256: "1a81e5f3981b3c472c59c41e3051e038e997d095f1ab9e963fbb8a043c2cba34" pdf_physical_page_count: 501 pdf_physical_page_index_base: 0 range_start: 300 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2?start=300&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=300&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=290&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=310&limit=10" --- # 人工智能哲学 > 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=300 | PRINTED_PAGE=292 人工智能哲学 这种简单网络可用来说明某些要求，一种要求是关于运用义素单元之间的相互作用来“清理”输出的能力的，另一种是关于通过对合适的加权值作微调来避免错误的能力的。这种网络含有30个字母单元、20个词集单元和30个义素单元。字母与义素单元之间不存在直接联结，但每个词集单元是与所有字母和义素单元相联结的。字母单元按每组10个分成3组，同时每个3字母单词在每一10字母组中有一个活动单元(单元的活动水平只能是1或0)。选定每个义素单元活动性的概率为0.2，就可以随机地挑选一个单词的“意义”。图6所示网络已经学会将20个不同的字母串连同选定的意义联系起来。每个词集单元都与许多单词的表述有关，而每个单词又牵涉到许多词集单元。 用来创造这个网络的学习过程和当给出字母输入时用来定出一组活动义素的搜索过程，第7章中有详细说明。这里，我们对这种模拟的主要结果作一简单总结。 292 ## PDF_PHYSICAL_PAGE_INDEX=301 | PRINTED_PAGE=293 经过一段较长时期的学习，这种网络在给出一个字素输入时99.9%地产生正确的义素模式。经学习后，移走词集单元中的任何一个单元，常常会引起几个不同单词的出错率的轻微升高，而不是完全失去一个单词。在别的分布式模型中也已观察到类似的结果(Wood1978)。在我们的模拟中，有些错误响应是相当有趣的。在对丢失一个词集单元的模型所做的10000次测试中，该模型未能恢复正确义素模式的例子有140个。其中有些是由失去的或额外的1或2个义素组成的，但是在出错情况中有83个恰好是某一别的单词的义素模式。这是义素单元之间相互协调作用的结果。如果来自词集单元的输人是噪声或不明因素，即与单元失去作用时的情况一样，那么清理的结果有可能定出一个相似的、但不正确的意义。 这一结果使人想起被称为严重诵读障碍的现象，它是成年人因为某种脑损伤而发生的。在出示一个单词并要求读出它时，受试者有时候会说一个意义非常近似的不同单词。这不正确的单词有时有着十分不同的发音和拼法。例如，当出示单词PEACH1时，受试者会说成APRICOT①。（有关后天诵读障碍的进一步的资料，见Coltheart，Patterson and Marshall 1980。)这类语义错误似乎是很奇怪的，因为看起来受试者在造成语义联系的错误时，肯定已经接触到了词条PEACH，可是如果他能够碰到这个词条，为什么不能说出它呢？（这些受试者也许知道并有能力说出他们读错的那些词。)采用分布式表述，我们就不必严格区分是否接触到一个单词了。在一个学习过单词PEACH的网络中，PEACH的字母表述将近似地使这些义素单元得到正确输入，所以义素层次上的相互作用恰好产生APRICOT的义素模式。另一个心理学上有趣的结果出现在网络破坏后又重新学习的时候。对每一个涉及词集单元的联结增加噪声，这个网络就会受到破坏。这样就使性能从99.3%正确降低到64.3%。[1]然后重新对这个网络进行训练，它就会出现十分快的重新学习过程，比它在性能是64.3%时原来的学习效率要快得多。几何学论据对这种快速恢复作出了预测，该论据表明，存在着有关一组联结强度的某种特殊的东西，这是通过向一组近似完备的联结强度增加噪声而生成的。最后得到的这组联结强度与表现出同样性能的其他组的联结强度有很大的不同。(进一步的讨论见第7章。） 11 分布式表述 [1] PEACH 意为桃子，APRICOT 意为杏子。——译者 293 ## PDF_PHYSICAL_PAGE_INDEX=302 | PRINTED_PAGE=294 如果在再训练时将几个单词删去，会有更意想不到的结果出现。在进行再训练的过程中，这些单词的出错率大大地减少了，尽管其他字母-义素配对与它们并没有内在关系，因为所有这些配对都是随机选择的。网络没有再次显示单词的“自发”恢复，这是使用分布式表述的结果。所有这些加权值都与再训练中显示出的那些单词的子集合的编码有关，因此就会从每个加权值中消去这种后增的噪声。对每个单词使用分离单元的方案不会有这种表现，所以我们可以把未训练过的条目的自发恢复看作分布式表述的一个性质表征。 3. 结构表述和加工 这一节里，我们来看看分布式表述的两种扩展。这些扩展说明，分布式表述的思想与人工智能领域有关结构在表述和加工中的重要性的某些主要见解是一致的。也许因为分布式表述的某些倡导者没有特意与这些论点相协调，所以常常看不清楚在分布式表述方案中结构是怎样获取的。本节的这两部分指出了在扩展分布式表述以处理这些重要问题时可以采取的某些方向。 人工智能哲学 [1] 在这例子中，出错率(似应为“正确率”译者)是99.3%，而不是99.9%，因为这种网络必须较快地作出响应，所以共同的作用使定出最佳输出所用的时间比较少。 294 ## PDF_PHYSICAL_PAGE_INDEX=303 | PRINTED_PAGE=295 成分结构的表述 任何系统如果试图实现人类使用的各种概念结构，都必须具备表述两种颇为不同的层级体系的能力。第一种是“IS-A”体系，它使类型与它们的例子相联系。第二种是部分/整体体系，它使条目与组成它们的成分条目相联系。IS-A体系的最重要的特征是类型的已知特性必须被例子“继承”，而已知可应用于一个类型的所有例子的那些特性，必须正规地从这类型得出。在本章的前面部分，我们已看到，怎样可以通过使一个例子的分布式表述包含这一类型的分布式表述(作为子部分)，来实现IS-A体系。这种表述技巧自动产生出IS-A体系的最重要的特征，但是这种技巧只能用于一种层级体系。如果我们用活动模式之间的部分/整体关系来表示条目之间的类型/例子关系，看来就不能也用它来表示条目之间的部分/整体关系。我们不能使整体表述变成它的部分表述的总和。 如何表示一个条目与组成它的成分条目之间的关系的问题，已成为那些假定分布式表述成立的理论的一个主要绊脚石。在与之对立的定位式方案中，一个整体就是一个节点，该节点由标示弧与表示它的部分的节点相连接。但是分布式方案的中心宗旨是，不同条目与同一组单元中的各种备选活动模式相对应，所以看来整体和它的部分似乎是不能同时表述的。 欣顿(Hinton1981)提出了一个摆脱这一困境的方法。该方法基于整体不是各部分简单加和这一事实。整体是由那些在整个结构内部扮演特殊角色的部分构成的。例如，一个形状是由一些具有特定尺寸、方向和位置的相对于整体来说较小的形状构成的。每一个成分形状都作为一定的空间角色，而整个形状是由一组形状/角色对构成的。类似地，一个命题是由在整个命题结构中具有特定语义角色的一些事物构成的。这就提供了一种实现整体与部分之间的关系的方法：每个部分的本体(identity)首先应该与它的角色组合，产生出表示本体与角色组合的单一模式，然后整体的分布式表述应由这些本体/角色组合的分布式表述(以及某些附加的“自发”特征)之和来组成。这一提法不同于那种简单地认为整体的表述是它的部分的表述之和的思想，因为用来表示本体/角色组合的子模式与用来单独表示这些本体的模式有很大区别。例如，它们并不把这些模式作为部分包含进去。 11 分布式表述 [1]部分之间的关系也是很重要的。将形状/角色对清楚地表示出来的一个好处是，它使不同的对可以互相支持。人们可以把一个物体内部各种不同的位置看作槽，而把一个物体的形状或部分看作这些槽的填充物。这样，对整个形状的知识就可以由各种不同的填充物之间的正相互作用来实现。 295 ## PDF_PHYSICAL_PAGE_INDEX=304 | PRINTED_PAGE=296 自然，一个项目作为一个整体按它自己的实际情况的表述，与在较大结构内部扮演特定角色的同一项目的表述之间，必定存在着一条通路。例如，必须有可能从两个分离的、显式的分布模式形成本体/角色的表述，其中一个模式表示本体，另一个表示角色。必须也有可能找到另一种方式，从本体/角色组合的单个组合表述生成本体和角色的显式表述(见图11-7)。 人工智能哲学 296 ## PDF_PHYSICAL_PAGE_INDEX=305 | PRINTED_PAGE=297 使用本体/角色组合的表述模式，使部分/整体体系可以按同样的方式表示为类型/例子体系。我们可以把这整体简单地看作许多更一般的类型中的一个特例，每一个这种较一般的类型都可以定义为具有一个扮演特定角色的特种部分的类型(例如装有木制腿的人)。 顺序的符号加工 如果成分结构是以上述方式实现的，就存在一个严峻的问题：在任一时刻能有多少结构是活动的。配置硬件的一个显而易见的方法是，对一个结构内部每一可能的角色使用一组单元，并且使这个组中的活动模式表示当前正在扮演这角色的那个成分的本体。这意味着，除非我们愿意为这一整体结构假定多重拷贝，否则每次只能表示一个结构。使用一些带有编程联结而不是固定联结的单元来做到这一点的一种方法在第16章中介绍。但是，如果有数量较多的模件必须同时“编程”的话，即使这种技术也会碰到困难。然而人们看来的确在能够同时处理的一般相同类型的结构个数方面受到很强的限制。在已知大脑具有大规模并行结构的情况下，人们在这种高描述层次上表现出的顺序性，一开始是使人感到惊讶的，但是如果我们放弃定位式的先入之见，代之以分布式方案，对这一现象的理解就变得容易多了，这种方案采用的是并行关系，它给予每一活动表述一个非常丰富的内部结构，这些结构使得正确种类的概括和按内容寻址成为可能。如果认为每个“符号表述”等同于一个大的互作用网络的连续状态，那么人类是顺序符号加工者的看法就有几分道理。对这些问题的进一步的讨论，见第14章。 顺序符号加工方法的一个中心宗旨(Newell1980)就是要具备这样的能力：即能够集中于结构的任何部分，并把它扩展为一个整体，该整体与以它作为一部分的那个原来的整体在内容上同样丰富。把一个结构的各部分扩展到数目不限的层次上去的递归能力，以及把整体结构压缩成简化形式，使整体结构可以用作更大结构的组成成分的反演能力，是符号加工的本质。有了这种能力，一个系统可以从那些代表另一些整体结构的东西中建造出许多结构，而不要求将这些另外的结构的繁琐的细节全部表示出来。 11 分布式表述 297 ## PDF_PHYSICAL_PAGE_INDEX=306 | PRINTED_PAGE=298 在常规的计算机执行过程中，这一能力是通过使用指示器来获得的。指示器很方便，但是它们依赖于使用地址。在并行网络中，为了实现符号加工，我们需要在功能上等价于任意点的某种东西。这恰好是代表本体/角色组合的子模式所提供的。这些子模式使某个部分的整个本体可以从整体的表述和系统希望集中注意的那个角色的表述中取得，同时它们也使得一个本体和一个角色的显式表述可以被组合成一个不大繁琐的表述，这样，数个本体/角色组合就可以同时被表述，以便构成一个较大结构的表述。 总结 给定一个并行网络，条目的表述可以通过单一定位单元的活动，或通过一个大的单元组中的活动模式，在这单元组中，每个单元都为条目的一个微特征编码。只要存在着一些可以通过微特征之间的相互作用获取的基本规律性，分布式表述就是有效的。通过将每一小段知识编码为一个大的相互作用集合，就有可能获得像按内容寻址的记忆和自动概括那样的有用特性，并且能创造新的条目，而不必创造硬件层次上的新的联结。在连续变动的空间特征的领域中，为分布式表述使用中的优缺点提供一个数学分析是相对容易的。 分布式表述似乎不适合于实现纯任意映射，因为在这种情况下不存在一个基础结构，所以概括只会引起讨厌的于扰。然而，即使对于这种任务，分布式表述也可以变得相当有效，并且在它们受到破坏时，会显示出某些心理学上的有趣影响。 人工智能哲学 298 ## PDF_PHYSICAL_PAGE_INDEX=307 | PRINTED_PAGE=299 在分布式表述能够得到有效使用之前，有几个困难问题必须加以解决。一个难题是确定用来表述一个条目的活动模式。所选模式与其他现存模式之间的相似性，将决定出现的概括和干扰的种类。寻找好模式以供使用，等价于寻找这个领域的基本规律性。这一学习问题在第Ⅱ部分的章节中讨论。 另一个难题是，弄清分布式表述与人工智能中使用的种种技术，如图式或层级结构描述之间的关系。现存的人工智能程序，在快速找寻最适合于当前状况的图式方面，遇到很大困难。在迅速地把大量知识应用于这种最佳配合搜索方面，并行网络提供了潜力，但是只有当存在一个在并行网络中实现图式的好方法时，这种潜力才被获得。关于怎样可以做到这一点的讨论，见第14章。1 11 分布式表述 [1] 本章以第一作者的一篇技术报告为基础，这一研究得到“系统发展研究基金”的资助。感谢J·安德森、D·阿克利、D·巴拉德、F·克里克、S·法尔曼、J·费尔德曼，K·降盖-希金斯、D·诺尔曼、T·塞诺斯基和T·沙利斯与我们作了有益的讨论。 299 ## PDF_PHYSICAL_PAGE_INDEX=308 | PRINTED_PAGE=300 12 联结论、语言能力和解释方式 A·克拉克\* 1. 解释层次和等价类概念 解释看来是一个多层次的事物。单个现象可以归入一套越来越一般的解释图式。解释往往有所得也有所失，我们用较低层次上详尽的描述/解释力度，来换取较高层次上对适用广度的满足。而在每一个这样的层次上，都存在着优点和缺点。某些解释可能只在某一层次上才有效，但是这样归类的个别情况也会发生变动，变动的方式只有沿着解释的一般性阶梯下降才能得到说明。 举例来说，达尔文或新达尔文的自然选择理论被置于很高的一般性层次。它描绘了一些非常一般的情况，在这些情况下，“盲目”选择能够产生出看起来是目的论的(或有目的的)进化演变。这一奇迹的出现，需要的是根据适应性而建立的特异性繁殖和某种向后代传递种性的机制。这是极具一般性和说服力的思想。因此这种最高层次解释的优点在于，它涵盖了一个由众多事例构成的无界集合，其中所包含的实际机制(如传递机制)可能很不相同。这样，它就定义了一个由许多机制构成的等价集合，即这些机制可能在许多方面都全然不同，但因能够满足达尔文的要求而统一起来。 300 ## PDF_PHYSICAL_PAGE_INDEX=309 | PRINTED_PAGE=301 当然，优点往往伴随着缺点，达尔文的一般性解释的缺点也是显而易见的。在任何给定情况下，我们都尚未弄清达尔文的要求是怎样满足的。也就是说，对于任何给定情况下的遗传率和传递的实际机制，我们连最模糊的概念都没有。此外，显然还会有许多事实涉及某个特殊类别的情况(例如孟德尔豌豆中的隐性特征)，这些事实是一般达尔文理论所未曾预见到的，因此我们有理由进一步寻找更加专门和详尽的解释。 孟德尔遗传学提供的正是这种解释。它从理论上假定了一组控制着每一特征的实体(现在称为基因)，并描述了这些实体相结合的必然方式，以解释观察到的与相继各代豆株进化有关的各种事实。例如，这种说明中包含基因对(基因型)的思想，在基因对中有一个基因可能处于支配地位，因而解释了有关隐性特征的事实(有关进化论和孟德尔遗传学的通俗说明见Ridley1985)。 我们可以顺便指出，在任何两个层次(例如达尔文和孟德尔的遗传学)之间，几乎总是存在着理论上不容忽视的其他层次。所以孟德尔的遗传说事实上只是一个称做魏斯曼遗传说更一般机制的一个特例(见Ridley1985:23)。但是较之达尔文的遗传说，魏斯曼遗传说的一般性更低。魏斯曼学说从一般的达尔文事例中分割出一个理论上统一的子集合。而孟德尔学说又从魏斯曼学说中分割出一个理论上统一的子集合。在每一阶段上，等价类(equilavence class)都被策略地重新定义，从而将大量以前的成员排除在外。我们可以把这种情况想象为等价类的大小在逐渐收缩，尽管这不是严格如实的，因为每一新类别都可能有无穷多的成员，所以我猜想它们的大小是相同的！ 孟德尔遗传学之所以提供了一个有意义的情况，还有一个原因。 12 联结论、语言能力和解释方式 \* A·克拉克的“联结论、语言能力和解释方式”将登载在待出版的一期《英国科学哲学杂志》上。作者允许重印。 A·克拉克(Andy Clark)，苏塞克斯大学认知与计算科学学院认知研究室哲学讲师。译者 301 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=310&limit=10)