赠软件计划 最高待遇 欢迎谘询
QQ5825-5957

蓝冠官网:12个人工智能(AI)里程碑:2。雷蒙·拉尔和他的“思考机


 
蓝冠官网:12个人工智能(AI)里程碑:2。雷蒙·拉尔和他的“思考机器”



在1308年,加泰罗尼亚诗人和神学家Ramon Llull完成了终极艺术(终极的一般艺术),进一步完善了他使用基于纸的机械手段从概念组合中创造新知识的方法。
 
许多关于人工智能的历史都是从荷马开始的,他描述了跛脚的铁匠神赫菲斯托斯如何为自己打造了轮子上的三脚架和“黄金”助手,“外表就像活着的年轻女人”,“从不朽的神那里学会了如何做事”。
 
我倾向于尽可能接近“人工智能”的概念,即智能人类实际上在创造,而不仅仅是想象,工具和机制来帮助我们的认知过程或自动化(和模仿)它们。
 
拉尔设计了一套思想体系,他想把这套体系传授给其他人,以帮助他们在神学辩论和其他学术追求中发挥作用。他想用术语的逻辑组合创造一种通用语言。Llull创造的工具是由七个纸圆盘或圆组成,上面列出的概念(例如,上帝的属性,如善良、伟大、永恒、力量、智慧、爱、美德、真理和荣耀)可以被旋转来创建概念的组合,从而产生神学问题的答案。
 
洛尔的体系是基于这样一种信念,即在所有的知识领域中,只有数量有限的不可否认的真理存在,通过研究这些基本真理的所有组合,人类才能获得终极真理。他的艺术可以用来“驱逐所有错误的观点”,并达到“从任何怀疑中消除的真正的知识确信”。
 
1666年初,19岁的戈特弗里德·莱布尼茨(Gottfried Leibniz)写了《组合艺术》(关于组合艺术),这是他哲学博士论文的扩展版。受拉蒙·拉尔等先哲著作的影响,莱布尼茨提出了人类思想的字母表。他认为,所有的概念都是相对较少的简单概念的组合,就像单词是字母的组合一样。所有的真理都可以表示为概念的适当组合,而这些概念又可以分解为简单的思想。
 
莱布尼茨写道:“托马斯·霍布斯,处处都是一位深刻的原则审查员,他正确地指出,我们的思想所做的一切都是一种计算。”他相信这样的计算可以解决分歧的意见:“纠正我们的推理的唯一方法就是让他们那样有形的数学家,这样我们就能发现我们的错误乍一看,人之间有纠纷的时候,我们可以简单地说:让我们计算,闲话少说,看谁是正确的”(发现的艺术,1685)。除了解决争端之外,组合艺术还可以提供创造新思想和发明的手段。

莱布尼茨,就像他之前的拉尔一样,是反唯物主义者,蓝冠注册套件为在智能家居,自动化,智能家电和家庭娱乐等领域将Alexa集成到IoT设备中提供了新的机会。拒绝接受知觉和意识可以被给予机械或物理解释的观点。他认为,知觉和意识不可能被机械地解释,因此也不可能是物理过程。
 
莱布尼茨在1714年的《单子学》中写道:“人们必须承认,知觉及其所依赖的东西是无法用机械原理来解释的,也就是用图形和运动来解释。设想有一种机器,它的结构能使它思考、感知和感知,人们可以设想它在扩大的同时保持同样的比例,这样人们就能进入它,就像进入风车一样。假定如此,当一个人在它里面访问时,他会发现只有部分互相推动,而没有任何东西可以用来解释一种知觉。因此,一个人必须在简单的实体中,而不是在组合物或机器中寻找知觉。”
 
在莱布尼茨看来,无论“思考机器”的内部运作多么复杂,都无法揭示所观察到的是一个有意识的存在的内部运作。两个半世纪后,新学科“人工智能”的创始人、唯物主义者都认为,人类的大脑是一台机器,因此可以用物理组件、计算机硬件和软件来复制。他们相信,如果他们能找到基本的计算方法,通用的语言,他们就能创造出一个智能系统,与人类的“系统”相等或更好。“理性被数字化取代了。
 
该学科的创始文件,即1955年第一届人工智能研讨会的提案,称其基于“一种推测,即学习的各个方面或智能的任何其他特征,原则上都可以被如此精确地描述,以至于可以制造出一台机器来模拟它”。20年后,Herbert Simon和Allan Newel在他们的图灵奖演讲中,将该领域的目标和信念正式化为物理符号系统假说:“物理符号系统具有一般智能行为的必要和充分手段。”
 
然而,在那之后不久,人工智能开始转变范式,从象征主义到联结主义,从定义(和编程)学习和思考的各个方面,到统计推断,或寻找连接或关联,导致基于观察或经验的学习。
 
随着网络和建立很多的数据找到相关性,受到进步的力量电脑和复杂的统计分析方法的发明,我们已经到达的胜利“深度学习”(和去年的图灵奖),及其贡献巨大收益在计算机的能力来执行任务,比如识别图像,应对问题,和文本分析。
 
2019年谈论最多的深度学习“语言模型”是OpenAI的GPT-2。《纽约客》发表了一篇关于“智慧文本输入法将我们”副标题GPT-2 t (URL-possibly原来的标题是更重要的:“机器学习可以写为《纽约客》”),提供的每个部分”的文本,一个人工智能预测未来会”,引用OpenAI Ilya Sutskever:“这个东西就像……炼金术!”。《经济学人》随后刊登了汤姆·斯坦蒂奇(Tom Standage)在2020年使用GPT-2为世界采访人工智能的报道。“你给它几个单词作为提示,然后它根据它所训练的文本模式猜测接下来会发生什么,就像一种超级自动完成,由过去的例子支持,”Standage解释道。
 
1726年,乔纳森·斯威夫特(Jonathan Swift)出版了《格列佛游记》(Gulliver’s Travels),在这本书中,他描述了一种生成词集排列的装置(可能是对Llull系统的模仿)。在放映员学会,格列佛遇到一位教授,教授告诉他:“每个人都知道,通常的方法是如何艰苦地获得艺术和科学;然而,按照他的计划,即使是最无知的人,只要花点体力劳动,花点合理的费用,也可以写哲学、诗歌、政治、法律、数学和神学方面的书,而丝毫不需要天才或研究的帮助。

然后他把我领到画框旁边,他所有的学生都站成一排。它有二十英尺见方,放在房间的中央。上层是由几块木片组成的,大约有一把骰子那么大,但有些木片比另一些木片大。他们都用细线连接在一起。每一块木板上都糊着纸;在这些纸上写着他们的语言,他们的心情,时态和变化;但没有任何命令。然后教授要我去观察;因为他要发动引擎了。”
 
学生们,在他的命令下,每个人拿着一个铁把手,蓝冠官网选择用来训练的数据,其上下文和本身的可用性在某种程度上存在偏差,因为蓝冠官网使用它来表示更一般的情况。当速度并在智力和过度概括之间取得平衡时,也固有地引入了偏差。有四十个固定在框架周围的边缘;他们突然转过身来,说话的内容就完全改变了。然后,他命令三十六名小伙子,当那几行字出现在画框上时,要他们轻轻地念几行;当他们发现有三四个词可以组成一个句子的时候,他们就对剩下的四个当抄写员的孩子听写。这工作重复了三、四次,每转一圈,发动机都设计得很巧妙,字都转到新的地方去了,就像方正的木头倒着移动一样。”
 
这就是18世纪的蛮力深度学习。10年前,当“数据科学”(data science)出现时,作为深度学习基础的复杂统计分析脱颖而出,一些观察人士和参与者提醒我们,“相关性并不意味着因果关系。”今天的斯威夫特可能会补充说:“相关性并不意味着创造力。”