真正的人工智能,需要理解本体论

d6256d62e5e3b05a971689e0250fd05b.jpeg

来源:混沌巡洋舰

人工智能的终极语境是什么?

真正的人工智能,需要理解本体论

现在的人工智能技术突破或许具有划时代意义,但即使是计算能力最强大、最先进的机器,也达不到人类智能的层级。人工智能具备测算能力,但它无法完全等同于人类的判断力。判断力是一种以符合伦理的承诺和负责任的行动为基础的冷静、深入的思考能力。我们的未来不可避免地与人工智能捆绑在一起,那么我们就需要思考人工智能是什么?如何理解其判断能力?人工智能未来将走向何方?

要理解通用智能和判断能力,我们可以将其应用于三个问题,这三个问题的技术性很强,且重要性非同一般。

1. 指称

第一方面涉及指称的本性。我明确说过,判断能力要求所有的注记负责可靠。这要求对被注记的世界的担当。正如我一直强调的那样,仅为注记担当是远远不够的。正如我们现在可以看到的,这也不是对注记好了的世界的担当,相反,我们所需要的是对“被注记的那个是什么”(that which is registered)的担当。这里重要的不只是注记与注记对象之间的区别,这种区别实际上就是地图和领土之间标志与被标志之间的区别。更确切地说,这是一种形而上学的更为根本的观点:对于那些“被注记的那个是什么”,总是存在着盈余。你可能是一个人,但你不仅仅是我所注记的人,还包括了更多。如果我指称你,我指称的是那个完完全全的你。要把一个论证注记为高明的,我必须指称它,不管它是不是一个论证。

一般来说,为了锚定到世界,指称和思想必须“透过”一切用来解析或理解的注记方案,才能到达世界本身。我们为之担当的不是对世界的注记结果,而是指称和思想所达到的世界本身的那部分,担当把我们与世界绑定,我们的尊崇也是指向世界的。这是真实的也是关键而困难的部分,即使我们所指称的个体的区分准则源于所采用的注记实践。

以下是一个可能有用的类比,如图 12.1 所示的是蒙德里安的画作。考虑“朝向左上角的最大的灰色矩形”,并称之为α。假设图 12.2 是一个精确表征,在很高的放大倍数下,其为该矩形的上边缘的一部分。至少可以说,灰色补丁 A 属于α 的指称范围,深色补丁 B 或许不属于 α 的指称范围(白色补丁 C 还不太清楚是否属于 α 的指称范围,姑且先不管),即使 A 和 B 分别处于与 α 相关联的矩形最为可能的实际边界(理想化的、柏拉图式的)之外和之内。例如,如果蒙德里安让助手“擦掉矩形”,那么毫无疑问 A 就会被擦掉。

e1a5c33c9bdb22bf5fa337e7956af88e.jpeg

 ff2c88051d850eeec58371206caf0b37.jpeg

这幅图仅是一个比喻。关键是,任何被注记的对象(一个人、一个策略、一个国家)不仅不局限于注记者对它的理解,也不局限于任何以它为所指的理想化中所包含的内容,并且最终也不局限于人类的理解。唯有如此,注记才会负责可靠。这一点可能听起来很玄奥,但实际上是常识性的:我们理解的东西其实总会超越我们的理解,包括其本性、有界性和作为一个对象的同一性。

我之前说过,测算系统和判断系统的区别之一是前者满足于在世界的注记范围内运作,而后者必须致力、关注、关切被注记的世界。刚才这个讨论强调,为了确保对世界的担当,一个系统必须“如履薄冰”——把各种注记结果和注记框架都保持悬置在永久的认知和规范中,随时准备对其放手,以便公正地对待用其所注记的事物。佛教有句话很贴切地形容了这种情况:除非以“放下我执”的态度去对待那些你用来理解世界的注记机制,否则永远不能达到“究竟自在”的彼岸。

2. 语境

第二方面与一个从一开始就困扰人工智能研究的问题有关,在第一波人工智能向第二波人工智能迭代的过程中一直如此。美国国防部高级研究计划局确定其为通用人工智能标准并设想其成为第三波人工智能的一部分:语境的概念。问题不仅是让计算机系统以适当的方式使用对语境敏感的结构和符号,比如用指示词和以视角依赖的方式进行描述(类似于“今天”或“驱动器中的媒介”等),而是将系统配置为可以适用于超出当前所表示的更广泛的情况,包括明确或隐晦的情形,既让系统不要忽略相关的事实或现象,也不要浪费时间和资源去探索任何理论上可能相关(但实际上不相关,甚至任何稍有常识的人都会认为其不相关)的无穷无尽的事实或现象。

我们可以通过考虑对第一波人工智能的认识论批评部分技术含义来探讨这个话题:思维产生于“不可言喻的知识和理解的视域”。要适应语境,并不仅仅是能够考虑给定注记框架中

的其他因素,或者甚至能够从一个注记框架转移到另一个注记框架,就像老派人工智能对逻辑推理的构想中所描述的那样,从一个边界清晰的岛屿转移到另一个岛屿。巧妙地处理语境不是一种后注记、后存在论的技能,这才是关键所在。语境意识需要监督系统在世界中具身化和嵌入式的参与,且只有在适当的时候才进行注记。

长久以来,真正的智能存在一个不容置疑的事实,那就是只要有相关性,任何东西都有它的用处。在任何特定的情况下以及在任何特定的推理过程中,对于什么可能至关重要,并没有限制或规定。当前的分析提高了预期的目标水平:没法保证任何注记框架能够足以应付所有意外情况。毫无疑问,要用英语来描述一种无法注记的情况在概念上是根本行不通的。然而,作为该方向上的一种指示,我们可以进行一些想象,在某些情况下,任何预先设想的注记集合都不足以被用于训练机器学习系统:一架发生故障的飞机在驾驶过程中坠毁在一个人的头顶,一个人们经常在网上备份头脑的社会中关于谋杀的伦理,一个有两个空间和两个时间维度而不是三个空间和一个时间维度的宇宙的本质等。

唯一的“终极语境”是作为一个整体的世界,任何注记框架都不可能涵盖。换句话说,对语境的敏感性要求远不止从一套预先设定的注记框架中进行选择,语境的敏感性不仅仅是一个拥有世界模型的问题。再换句话说,没有一个模型能够适用于所有潜在的情况。相反,对语境的敏感性要求能够根据需求选择或开发一种模型(注记框架),使其适用于任何情况,并以坚定的担当作为后盾,使该模型(框架)对与模型相关的世界负责可靠。

世界需要担当才能被保持在视野中。语境意识必须以这种担当为基础。因此,概念敏感性需要判断能力。这一点仅靠测算能力是无法达到的。

3. 世界(“The World”)

最后,总结这一长长的分析究竟把我们带到了哪里将不无裨益。

我说过对老派人工智能的本体论批判可以说是最为深刻的。毋庸讳言,这不是对本体论的批判,而是对人工智能系统的批判,这与它们对自己要理解的世界所做的本体论假设有关。在构建系统的过程中,我使用了术语“本体论”来大致表示“存在什么”,也就是说,世界中的所有,包括存在的对象、属性和关系。

我也说过,第二波人工智能最重要的贡献之一是它为我们提供了一扇通向另一种本体论观点的窗户。但就目前所知来看,该描述显然不够充分。机器学习的影响更为深远。这些新系统以及我们通过系统构建所获取的经验告诉我们何谓本体,本体的对象是什么、个体化是如何产生的、世界在对象的“形而下”里是什么样子(即使比在对象、属性和关系的个体化抽象中所掌握得更为详细)。换句话说,第二波人工智能为我们提供了对本体论的形而上学基础的洞察。《测算与判断:人工智能的终极未来》中会有强烈的本体论色彩。如果当时我们在这一点上已经有了必要的区分,我可以说,本书充满了强烈的本体论和形而上学色彩。

我们已经看到,第二波人工智能正在展示一些我已经说了很多年的东西:本体论出现在注记实践的语境中,且并非世界的先验和预设的结构。此外,注记(包括确定适当的注记框架)是智能本身最重要的特征之一,也直接适用于人工智能。坦率地说,对于人工智能以及人工智能所属的更广泛的智能研究来说,仅仅对本体论做出假设很显然是远远不够的,我们还必须解释本体论。

对注记展开研究,从而将本体论的主题纳入人工智能的研究议程,可以说是近年来发展的最重要的哲学和科学成果之一。

我们从机器学习和第二波人工智能中学到以下内容:

需要修正我们对概念和概念推理的理解,以欣赏概念源于浸透在非概念细节中的力量。

我们需要理解“注记”(registration),并适当地认识到“对世界进行注记”可能是智能的重要特征。

对于人工智能及其对所属的对智能的更广泛的研究来说,假定智能是指部署在已经具备本体结构的世界中的系统所具有的能力,这种说法是不全面的。本体论是智能的成果,而非预设。

最高水平的智能——任何能够支持判断能力的智能或者说真正的智能,至少在一种隐性的意义上需要理解本体论观点,且足以规范和实用地管理人工智能的行为。正如我所强调的,判断能力需要对我们可以称为第三个层次上的表征的担当,而不只是对第一个层次的表征或注记(包括数据结构、图像、描述或术语)担当;或者是对第二个层次的表征,也就是说世界作为被注记的样子的担当(如桌子、机械师等)。我不相信人工智能系统已经从第一个层次过渡到第二个层次。但任何接近判断能力的东西都需要第三个层次,这是一个更为苛刻的要求:对被注记为椅子的 TW 担当。这个陈述中的“世界”并不是指我们通常所认为的世界(一个围绕太阳运转的行星体、一个丰富的社会和政治有序体、一个生物发酵体)。相反,世界在让第三个层次上的担当有意义的唯一意义上,是对所有这些事物而言的基础和保证,它是存在的基础。

我知道,用“存在的基础”来描述世界可能听起来有些不可思议(虽然并不是完全不可思议)。但这一点并不难理解,它既不是问题,也不需要害怕。简单来说,就是我在《测算与判断:人工智能的终极未来》中用过很多次的方式,即第三个层次的担当必须是指向我们所注记的 TW 的。就桌子而言,我们认为是桌子的 TW。就人而言,就是我们注记为人的 TW,如此等等。并非(第一个阶段)“桌子”或“人”的表征,亦非(第二个阶段)作为注记结果的桌子或人(因为这并不能让我们说“那根本不是人”或者“你认为是桌子的东西根本不是一个清晰的对象”)。相反,只有当我们对(第三个阶段)将它当作桌子或人的 TW 担当时,我们才有资格对注记结果负责。

我在自己的教学中引入了缩写词“TW”,首先要解释该缩写词是我在这里所使用的“世界”(“The World”)的缩写,即“存在的基础”。但是随着对话的展开,证明了改变缩写词的内涵(如果非其本义)将会有所助益,由此“TW”代表了“that which”,也就是担当、注记等必须面向的“that which”。

尊崇即必须尊重我们所注记、关心、使用的 TW。注记必须是把 TW 认作一张桌子、一个人,或任何其他东西。注记和注记框架必须对 TW 负责可靠,否则就全无负责可靠可言。

摘选自《测算与判断:人工智能的终极未来》2022.9. 中信出版集团

eabfff21c5d3218e3018a24caa8847b6.jpeg

《测算与判断:人工智能的终极未来》

(美)布莱恩·坎特维尔·史密斯 著

中信出版集团

2022年9月

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)大脑研究计划,构建互联网(城市)大脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

37f1431a229730cfc7c4dd586f06d3f3.jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/481609.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

知识图谱-架构图

binlog-MySQL的日志 用于实时处理与离线增量导入架构 Kafka消息队列 老虎队队长(AV75056045)

知识图谱2-知识表示

知识表示的重要性 知识是智能的基础 机器可以获得知识机器可以运用知识符合计算机要求的知识模式 计算机能存储处理的知识表示模式数据结构ER模型Sql与RDF模型SPARQL对比 关系模型 关系显式定义(RDF) 关系隐式定义(ER)(理解后写出来的表 数据变更时 RDF--数据变更…

韩国芯片教父:金钟基如何带领韩国成为半导体超级大国

来源 :大数据文摘编译:Mickey来源:https://spectrum.ieee.org/kim-choong-ki在韩国芯片行业有这样一群人的传说,他们被称为“金氏黑手党”。金钟基本人不会这么称呼这群人,但对韩国的半导体工程师们来说,“金氏黑手党”…

论文学习1-DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning

文章目录摘要Introduction最近工作基于PRA的其他方法其他使用强化学习的方法我们的方法方法介绍(强化学习摘要 研究了大规模知识图的学习推理问题。更具体地说,我们描述了一个用于学习多跳关系路径的新型强化学习框架:我们使用一个基于知识图嵌入的具有…

万字因果推断入门:为什么要做因果推断?

来源:PaperWeekly1、为什么需要因果推断1.1 辛普森悖论首先,考虑一个与现实情况很相关的例子:针对某种新冠病毒 COVID-27,假设有两种疗法:方案 A 和方案 B,B 比 A 更稀缺(耗费的医疗资源更多&am…

论文学习2-Incorporating Graph Attention Mechanism into Knowledge Graph Reasoning Based on Deep Reinforce

文章目录摘要介绍相关工作方法Mean Selection Rate (MSR) and Mean Replacement Rate (MRRIncorporating Graph Attention Mechanism into Knowledge Graph Reasoning Based on Deep Reinforcement Learning摘要 知识图(KG)推理的目的是寻找关系的推理路径,以解决K…

报告下载:《2022城市大脑首部建设标准资料汇总》

2022年9月1日,中国指挥与控制学会正式发布城市大脑首批三项标准,这部《2022城市大脑首部建设标准资料汇总》除了包含发布的三项标准全文内容,还汇总了城市大脑标准研究团队2022年以来的相关研究资料,完整内容包括:1. 解…

nlp3-有限自动机FLandFA

文章目录1形式语言1.2形式语言3推导3.1句型、句子、语言3.2文法3.3派生树与二义性4有限自动机和正则文法4.1确定的有限自动机DFA4.2不确定的有限自动机NFA4.3有限自动机<>正则文法5.下推自动机PDA和上下文无关文法CFG5.1PDA5.1.1 PDA的例子.5.2 其他自动机5.2.1 区别6. 有…

经常看蓝色的东西能提升智力?科学研究发现,蓝色能改变意识状态

来源&#xff1a;科学的乐园我们的宇宙是一个“多姿多彩”的美丽时空&#xff0c;从人类睁开眼的那一刻开始&#xff0c;映入眼帘的就是一个五颜六色的世界。根据科学家的统计&#xff0c;人眼可以识别的电磁波频段包含100多万种“组合颜色”。这要归功于我们视觉系统得天独厚的…

论文学习3-Improving Neural Fine-Grained Entity Typing with Knowledge Attention

文章目录1 当前不足2. 本文的想法3.相关工作4.KNET4.1encoder4.2类型预测4.3attention5.实验6.以后Improving Neural Fine-Grained Entity Typing with Knowledge Attention用于&#xff1a;Fine-grained entity typing细粒度实体类型(它将实体划分为大量细粒度类型&#xff0c…

深度学习和因果如何结合?北交最新《深度因果模型》综述论文,31页pdf涵盖216篇文献详述41个深度因果模型...

来源&#xff1a;专知北京交通大学最新《深度因果模型》综述论文&#xff0c;31页pdf涵盖216页pdf详述41个深度因果模型&#xff0c;值得关注&#xff01;因果关系概念在人类认知中起着重要作用。在过去的几十年里&#xff0c;因果推理在计算机科学、医学、经济学和教育等许多领…

论文学习4-An Attentive Neural Architecture for Fine-grained Entity Type Classification

文章目录1.introduction2.相关工作3. 本文model3.1general model3.2 mention represent3.3 context model3.3.1 averaging encoder3.3.2 LSTM encoder3.3.3 Attention Encoder4. 实验在这项工作中&#xff0c;我们提出了一种新的基于注意的神经网络模型来完成细粒度实体类型分类…

脑机接口技术或将纳入美出口管制?技术成熟度与军用进展情况

来源&#xff1a; 学术plus 编译&#xff1a;学术plus高级观察员 TAO2022年9月&#xff0c;美国国会的下属机构政府问责局&#xff08;Government Accountability Office, GAO&#xff09;发布了题为《脑机接口》&#xff08;Brain-Computer Interfaces&#xff09;的焦点…

OpenAI 发布新语音系统「Whisper 」,英文识别能力可接近人类水平

来源&#xff1a;AI科技评论作者&#xff1a;黄楠编辑&#xff1a;陈彩娴9月21日&#xff0c;OpenAI 发布了一个名为「Whisper 」的神经网络&#xff0c;声称其在英语语音识别方面已接近人类水平的鲁棒性和准确性。「Whisper 」式一个自动语音识别&#xff08;ASR&#xff09;系…

论文学习5-NODE2BITS: Compact Time- and Attribute-aware Node Representations for User Stitching

文章目录摘要1.Introduction2. 介绍两个概念2.1 Dynamic Heterogeneous Network Model动态异构网络模型2.2 时间随机游走3NODE2BITS:基于散列的Emdedding框架3.1 采样时间随机游动和定义时间上下文3.2 基于多维特征的时态语境&#xff08;上下文3.3基于特征的上下文聚合和散列4…

谷歌科学家亲讲:具身推理如何实现?让大模型「说」机器人的语言

来源&#xff1a;智源社区整理&#xff1a;戴一鸣导读&#xff1a;机器人领域已经发展了三四十年&#xff0c;但应用方面的进展较慢。这是因为&#xff0c;机器人建立在这样一个假设上&#xff1a;工作环境是简单可控的。如果将机器人部署到稍微复杂一些的环境&#xff08;如家…

论文学习6-(M2DNE)Temporal Network Embedding with Micro- and Macro-dynamics

文章目录1 intorduction2. 相关工作3. 准备工作4.model4.2 Micro-dynamics Preserved Embedding4.2.1 分层时间关注4.3 Macro-dynamics Preserved Embedding4.3.1链接速率4.3.2 宏观约束联合5. 实验网络嵌入的目的是将节点嵌入到低维空间中&#xff0c;同时捕获网络的结构和属性…

蒲慕明院士:我们为什么要探索人脑的奥秘

来源&#xff1a;学习时报作者简介蒲慕明&#xff0c;1948年出生&#xff0c;中国科学院院士&#xff0c;美国科学院外籍院士&#xff0c;现任中国科学院脑科学与智能技术卓越创新中心学术主任&#xff0c;上海脑科学与类脑研究中心主任。他是国际著名的神经生物学家和生物物理…

论文学习7-Spam Review Detection with Graph Convolutional Networks(阿里巴巴)

文章目录Introduction2. 相关工作3. 本文的model3.1 Preliminaries3.2建立问题3.3闲鱼图上的异构卷积网络3.3.1Aggregation Sub-layer3.3.2 Time-related Sampling3.3.4将图形网络与文本分类模型相结合。3.4 GCN-based反垃圾邮件模式4.实验Introduction ppt 任务&#xff1a;…

新型AI芯片 其能效或是替代品的两倍

DAVID BAILLOT/UNIVERSITY OF CALIFORNIA SAN DIEGO来源&#xff1a;IEEE电气电子工程师在软件和硅中复制人脑是人工智能&#xff08;AI&#xff09;研究的长期目标。虽然神经形态芯片在能够同时运行多个计算方面取得了重大进展&#xff0c;并且既能计算也能存储数据&#xff0…