爱吱声 › 标签 › 人工智能

标签: 人工智能

相关帖子	版块	作者	回复/查看	最后发表

人工智能的突破临界点	科技探索	dasa 2014-2-21	2 3325	dasa 2014-2-23 17:51
人工智能5-0欧洲冠军李世石将捍卫人类尊严	网林摘葩	燕庐敕 2016-1-28	50 5300	燕庐敕 2016-2-15 11:55
人工智能会成为人类智能的终结吗	科教学圃	晨枫 2016-1-29	72 9799	loy_20002000 2016-7-28 00:45
关于文章级别的软件自动翻译问题	软件人家	老兵帅客 2016-2-2	5 70	老兵帅客 2016-2-29 07:03
人工智能世界的民主自由	日志随笔	tanis 2016-3-13	4 2125	雨楼 2016-3-13 13:55
人工智能vs人类智能的关键	日志随笔	晨枫 2016-3-14	10 2294	牛腰 2016-3-14 09:33
李开复：解决开放性问题才是人工智能真正挑战	科教学圃	燕庐敕 2016-3-16	21 4117	玩牌也 2016-3-17 01:10
上帝视角下的ALFAG围棋的胜利、人工智能以及它们带来的未来	史晓盼的暗黑工作室	史晓盼 2016-3-17	2 13	史晓盼 2016-3-17 01:04
日本或者韩国也有这么厉害的人工智能围棋程序了？	体育看台	燕庐敕 2016-12-31	61 10912	loy_20002000 2017-2-12 21:44
作诗机、诗人及其他	诗梦小轩	李寒秋 2017-4-23	9 4291	李寒秋 2017-5-7 21:08
《人类简史》作者：2050年，无用阶级将诞生	网林摘葩	tangotango 2017-5-25	3 2179	狼人 2017-5-25 14:25

更多...

相关日志

分享打豆豆：人工智能完虐人类选手: 热度 13 沉宝 2017-8-16 09:46; 豆豆（DOTA2），号称是具有最高竞技性的电竞。至少从钱上讲，这一点是正确的，它拥有电竞史上最高的奖金池。前两天，发了一条记录： DOTA2被AI攻陷了，今天说一些细节。这是一场在Ti7现场进行的一对一的单挑，人类一方是Navi DOTA2选手Dendi，他的对手是OpenAI。结果，第一场Dendi 10分钟就被AI 2:0碾压，第二场Dendi被拿一血后直接打出GG，第三场都不用打了。比赛中可以看到，OpenAI已经学会了卡兵，仇恨机制，血量控制对A，S技能骗走位，影压打断大药等solo常见做法，并将这几种做法发挥到极致，堪称完美。在打败Dendi之前，这个AI还击败了RTZ，Sumail等选手，马斯克也发推称赞OpenAI打败了人类顶级玩家。这个OpenAI由一个16人的团队研发，通过Self-Play的方式训练。开发者介绍说OpenAI只玩了一个小时就打败了DOTA2自带的人机（有可能是疯狂人机），训练两周就打败了顶级职业选手。与人工智能在围棋上取得成绩的艰辛相比，DOTA2显然是一种更有利于机器的游戏。虽然是文科生，但在这一点上他的判断显然强于某些理工男团队的下一个目标是做出5个互相协作的AI，在下一届（Ti8）时登场击败由5名人类玩家组成的队伍。比赛的视频在youtube上的链接： https://www.youtube.com/watch?v=wiOopO9jTZw 国内的可能要到B站上看，链接： http://www.bilibili.com/video/av13261040/?zw; 738 次阅读|12 个评论

分享代数与符号系统 —— 《论意识操纵》: gordon 2017-6-20 07:21; 代数取代几何来说，是因为在更复杂的问题上，直观不方便。代数取代算术，是一大跨越，从此不再跟 “数” 打交道了，而是跟符号打交道。数学创造了很多新的概念，比如说矩阵，比如说，群环域这其实都是抽象出来的。所以叫抽象代数嘛。都是新造的概念。 ***************************************************************** 其实，宣传这个事，是第一次世界大战时候，美国最先搞 1927年，《世界战争中的宣传技术》 **************************************************************** 认知心理学、人工智能其实，最早就是从这儿来的。乔姆斯基大名鼎鼎的语言学研究西蒙，大名鼎鼎的芝加哥大学政治系。 **************************************************************** 当然，现在人工智能学科，符号系统不是主流了，转 “神经系统” 了 **************************************************************** 功能还是结构？结构是模仿人类的神经系统。功能是，功能等价就可以了。早年西蒙是想用这个模型研究心理学的，跟劳伦斯的回旋加速器类似。 **************************************************************** 西蒙是研究心理学的，而纽厄尔是研究计算机的。 **************************************************************** IBM 公司，当时给美国政府做了一套防空系统，这个系统当时是防轰炸机的从 “空中管制人员” 那里做研究，西蒙是一个 “工业工程专业” 的专家就是用机器替代 “空管人员” ；机器代替人的劳动它这个系统，最早是干这个的。 **************************************************************** 半自动地面防空系统（Semi-Automatic Ground Environment 简称 SAGE ）是由北美防空司令部自 20 世纪 50 年代后期至 1980 年使用的一套自动化追踪、拦截敌军飞行器，尤其是轰炸机的指挥系统。经后期改造后，系统可以自动地通过指挥机载自动驾驶仪引导飞机执行拦截任务。该系统中警戒雷达将天空中的飞机目标的方位、距离和高度等信息通过雷达录取设备自动录取下来，转换成二进制的数字信号；然后通过数据通信设备传到处理中心；大型计算机自动地接收这些信息，并经过加工处理计算出飞机的飞行航向、飞行速度和飞行的瞬时位置，初步判别出是否入侵，并将这些信息迅速传到空军和高炮部队，使它们有足够的时间作战斗准备。 SAGE 为整个 IT 行业贡献了大量创新技术。这些创新技术包括比以前的技术运作速度更快且存储更多数据的磁核存储；实时操作系统（业界第一）；高度规范的编程方法；重叠计算和 I/O 操作；数据通过电话线的实时传输； CRT 终端和光笔的使用（业界第一）；冗余和备份方法与组件；以及当时最可靠的计算机系统（无故障运行时间）。它是计算机第一次在分散的地理位置的在线实时应用。 **************************************************************** 麻省理工以前有一个旋风计算机，可以做飞机模拟。其实是一个训练飞行员的模拟器参考阅读：【苏】谢.卡拉- 穆尔扎《论意识操纵》; 643 次阅读|0 个评论

分享人工智能创作电影剧本创作小说: 热度 13 Dracula 2017-4-29 03:20; 去年AlphaGo战胜李世石的时候，我觉得人工智能能写通俗小说的这一天还比较遥远，现在看来已经近在眼前了。现在我觉得未来5年之内应该就能训练出能写学术论文的人工智能。不能被机器取代的工作不会剩下多少了。 Coming to the Multiplex: Movies Written by Machines https://www.bloomberg.com/view/articles/2017-04-28/coming-to-the-multiplex-movies-written-by-machines If you’re looking for a good movie, I suggest that you try “It’s No Game.” If you’ve never heard of it, that’s okay. The film, just released this week, is a bit less than eight minutes long. It tells the story of a pair of Hollywood writers who learn that they are going to be replaced by an artificially intelligent algorithm that generates screenplays. By now I’m sure you’ve guessed the kicker: “It’s No Game” was itself written by an artificially intelligent algorithm that generates screenplays. Although the algorithm is still crude, we may be looking at the future. The algorithm is called Benjamin -- it chose its own name -- and is the brainchild of director Oscar Sharp and Ross Goodwin, an AI researcher who is a graduate student at New York University. Their idea was to feed a neural network lots of sci-fi screenplays and teleplays to give it a feel for dialogue, setting and plot, and then switch on the bot and see what came out. Last year, as part of a competition, Benjamin scripted “Sunspring,” its first effort at a short sci-fi film. Three people who seem to be trapped somewhere -- it feels like a bunker, but the screenplay calls it a “ship” -- engage in quick dialogue that is at once utterly nonsensical and yet oddly charming. (Money quote: “I don’t know what you’re talking about.” “That’s right.”) Slate magazine opined that the film “feels like a movie shot in a foreign language you once studied but never really understood.” I don’t entirely agree. The unadorned screenplay is bizarre, but when actually directed and acted, “Sunspring” offers a weirdly compelling tale of passion and betrayal. A monologue at the end is incomprehensible on the page but burns with a certain life on the screen. What we learn from this is that AI can’t really tell a good story yet, but a determined cast and director can sometimes make a lemon of a screenplay into somewhat watery lemonade. “It’s No Game” is a better film than “Sunspring” in part because the story is better. But so is the acting. In particular, David Hasselhoff is by turns funny and creepy as an actor who has been infected by nanobots and voices the thoughts of an AI bot that just happens to be named Benjamin. Yes, a lot of the dialogue is still nonsense, and the ballet number that Benjamin decided to insert toward the end (with an assist from an AI that chooses ballet moves) will try the patience of some viewers. But unlike “Sunspring,” the new film focuses on an actual idea. It’s nicely recursive: an AI-scripted movie about AI-scripted movies. And although the fear of the screenwriters and the robotic nature of the studio mogul are played for laughs, underlying the comedy is an unsubtle prediction: This day will come. Which perhaps it will. In a paper last year, Google explained how it has trained a neural network to write what I suppose we might call short stories, apparently by feeding it a heavy diet of romance novels. They’re not great short stories. Not yet. A sample: He was silent for a moment. It was quiet for a moment. It was dark and cold. There was a pause. It was my turn. This may not be deathless prose, but Google’s AI, which works by interpolating new sentences to link sentences it is provided, seems to have captured something of the genre. Then there’s Heliograf, the Washington Post’s experimental newswriting bot. Heliograf made its debut providing brief updates from the 2016 Olympics in Rio de Janeiro. Last fall the Post used the bot to write some of its election coverage. Heliograf’s stories, to be sure, are short, straightforward and not at all analytical. Still, the results are impressive -- and pretty much impossible to distinguish from the work of the Post’s human staff. Bloomberg LP also uses automation technologies for its news products. I am not trying to raise some crazed AI alarm, and I don’t think that creative writers will be going out of business any time soon. On the other hand, we live in an era when an AI-created novel was able to compete for a major literary prize in Japan. Titled “The Day the Computer Writes a Novel,” the book didn’t win, but did make it past the first round. (A judge said that the novel was weak among other things in its descriptions of characters.) So I suppose we had best stay tuned. As for Benjamin, he remains capable of wacky nonsense that somehow sounds terribly Hollywood. Here’s the bot’s own summary of what might be his next effort: THE SQUIRES OF THE LANDSCAPE Set in 1942 in a post-apocalyptic world, the film follows the journey of a young man who falls in love with a sexy couple who have started to fall in love. As they fall in love, they learn that they are not alone in their own way. The film follows the two groups of people who reconnect with the world and their relationship and the secrets they live. A post-apocalyptic love triangle featuring big secrets, all set in the era of World War II -- what’s not to like? Any day now, Hulu and Netflix will start bidding for an eight-part miniseries. I’ll watch.; 1246 次阅读|4 个评论

分享实践逻辑与领域依赖: gordon 2017-4-1 09:25; 　 20世纪初，在皮亚诺（Giuseppe Peano）、罗素和怀特海（Alfred Whitehead）等人的推动下，逻辑学实现了形式化和数学化。这种逻辑形式化的贡献是巨大的，为计算机技术和人工智能的发展开启了一扇重要的大门。但是，这种形式化的局限也越来越明显地暴露出来。　　那种普遍适用的、规范化的分析性推理方式并不能满足生活的需要，这种理想状态下的推理、论证与日常思维中处于自然状态下的推理、论证之间的鸿沟永远无法填平，推理的形式化程度越高，与实际推理之间的距离就越远。逻辑学研究需要面对真实的问题，需要从书斋走向社会，从课堂走向生活。　　在实际的论证过程中常常包含一系列的前提，这些前提的不确定导致推理、论证过程的不确定性，导致结论的不确定性。基于完全相同的事实，却可以得到截然相反的结论。　　图尔敏提出的实践逻辑（practicallogic）则不同，它在不同的研究领域中可能表现出不同的特点。在对于盗窃罪的认定上，盗窃一般民用物资与盗窃军用危险品是不同的。在塑料拖鞋生产车间，合格率标准可以是95%；在载人航天器关键元件的生产车间，合格率则要达到99.99%以上。在作文评分时，误差控制范围可以是总分的10%；在采用光电读卡器对选择题试卷进行扫描时，误差控制范围可以是10-5；在作弊甄别时，误差范围则要求控制在10-17以下。　　形式逻辑具有跨各种情境的一致性，在各种不同的情境中，数学模型计算得到的结果是一致的。实践逻辑则不同，即使在同一研究领域中，对于不同的情境，也可能做出不同的选择。医师、护士、律师、会计师等职业资格考试的合格标准，在东部沿海，和西部偏远地区之间可以存在差别。在职业资格的合格标准设定上，往往需要根据实际情况对合格标准进行调整。　在人类进入21世纪的时候，物理学家们发现，与100年前相比，世界的图像变得非常复杂，变得远比人类进入20世纪时所设想的世界图像复杂得多。20世纪的相对论、量子力学、大爆炸宇宙学等科学成果，改变了人们对世界的理解。怎样理解世界？怎样解释世界？物理学家们变得越发谨慎。他们不再谈论“真理”，而是说“科学理论”或“科学假说”。他们不再谈论“客观的世界图像”，而是说“可能的世界图像”。他们不再谈论“精确测量”，而是在接受“测不准原理”的前提下谈论各种可供选择的解释世界的方式。　　量子力学中的一个重要观点是“测不准原理”。在量子化的微观世界中，测量结果必然会受到测量手段的影响，并不存在不受测量者影响的“客观测量”。正是20世纪的科学研究成果，改变了人们眼中的物理世界图像。科学家们更清醒地认识到自身认识的局限性，开始对自己的主张更加谨慎，对他人的不同主张更加包容。科学家们对于那些已经得到无数实践支持的科学理论更加大胆地提出质疑，对于那些尚未得到实践支持的貌似荒谬的理论给予了更多的宽容。正是这些科学进展，使图尔敏开始以更审慎的眼光看待世界，看待逻辑，看待理性，看待语言。仅仅借助于数学模型和形式逻辑，很难在现实生活中形成有效的论证。图尔敏对以形式逻辑为主体的传统逻辑学进行了反思，对始于亚里士多德的以“三段论”为代表的逻辑学体系进行了反思，对罗素和怀特海（Alfred Whitehead）所进行的逻辑学数学化的努力进行了反思。他认为，逻辑学的出发点不应是符合逻辑的理论，而应是符合逻辑的实践；逻辑学不应局限于研究理想的逻辑，更应该研究工作的逻辑（working logic），更应该研究日常生活实践中的逻辑。; 214 次阅读|0 个评论

分享人工智能能打败林丹吗？: gordon 2017-3-2 12:16; http://video.weibo.com/player/1034:3aa7869630c5c7d9ae466aece08d15f4/v.swf; 215 次阅读|0 个评论

分享人工智能: 热度 23 heinsect 2017-2-18 14:05; 个人分类: 搞笑|1622 次阅读|5 个评论

分享尼克达特茅斯会议的一些八卦（转）: 热度 7 gordon 2017-2-18 07:56; 作者很小气，赶紧把作者名字标出来。确实有些八卦，国内的人不知道。50、60年代，中美隔阂比较大而达特茅斯会议在心理学的进程中，影响又太大。没办法，只好抄人家的东西。不要脸就不要脸吧，let ‘s go 实际上，在心理学著作的书里，也 “语言不详" 。包括像乔姆斯基 “语法分析，句法分析” 都是那一年。因为语言算是一种高级智能 **************************************************************************** 背景现在一说起人工智能的起源，公认是1956年的达特茅斯会议。殊不知还有个前戏：1955年，美国西部计算机联合大会（Western Joint Computer Conference）在洛杉矶召开，会中还套了个小会：“学习机讨论会”（Session on Learning Machine）。讨论会的参加者中有两个人参加了第二年的达特茅斯会议，他们是塞弗里奇（Oliver Selfridge）和纽厄尔（Allen Newell），塞弗里奇发表了一篇模式识别的文章，而纽厄尔则探讨了计算机下棋，他们分别代表两派观点。讨论会的主持人是神经网络的鼻祖之一皮茨（Pitts），他最后总结时说：“（一派人）企图模拟神经系统，而纽厄尔则企图模拟心智（mind）……但殊途同归。”皮茨眼可真毒，这预示了人工智能随后几十年关于“结构与功能”两个阶级、两条路线的斗争。开聊达特茅斯会议之前，先说六个最相关的人。首先，会议的召集者麦卡锡（John McCarthy）当时是达特茅斯学院的数学系助理教授。两年前（1954年）达特茅斯数学系同时有四位教授退休，这对达特茅斯这样的小学校真是不可承受之轻。刚上任的年轻系主任克门尼（Kemeny）之前两年才在普林斯顿逻辑学家丘奇（Church）门下得了逻辑学博士，于是跑到母校求援。这么说起来，克门尼算是图灵的师弟，他战时和物理学家费曼一起工作，还一度当过爱因斯坦的数学助理，后来一头扎在计算机里，和麦卡锡一起琢磨出了分时系统，但他最为人知的工作应该是老少咸宜的编程语言BASIC。现在估计已经没人知道BASIC语言发明人曾是LISP语言发明人的老板。克门尼是天生的官僚，后来位居达特茅斯的校长，美国三里岛核电站出事，总统委托他当调查委员会主席，这是后话。克门尼从母校数学系带回了刚毕业的四位博士前往任教，麦卡锡是其中之一。麦卡锡后来发明的LISP语言中最重要功能Eval实际就是丘奇的lambda演算，而且他后半生致力于用数理逻辑把常识形式化，大家由此猜他可能也是丘奇的学生，但其实不是，他压根学的就不是逻辑。他的老师是失去双手的代数拓扑学家所罗门·莱夫谢茨（Lefschetz）。但麦卡锡对逻辑和计算理论一直有强烈兴趣，他1948年刚到普林斯顿读研究生时就认识了冯·诺伊曼，在老冯影响下开始对在计算机上模拟智能发生兴趣。会议的另一位有影响力的参加者是明斯基。他也是普林斯顿的数学博士，和麦卡锡在读书时就相熟。他的主业也不是逻辑，尽管他后来写过计算理论的书，还培养过好几个计算理论的博士，其中就有图灵奖获得者布鲁姆（Manual Blum）。布鲁姆目前和他老婆(就是实数计算模型BSS的B）、儿子一家三口都在卡内基梅隆大学任教。明斯基的理论情结和丘奇关系也不大，他的老师塔克（Tucker）是莱夫谢茨的学生，主要搞非线性规划和博弈论，多年担任普林斯顿数学系主任，是数学世家，儿子、孙子也都是数学家。所以按辈分论，麦卡锡还是明斯基的师叔。塔克的另一名出色的学生后来得了诺贝尔经济学奖，就是心灵美丽的纳什。纳什比明斯基小一岁，但比他早四年拿到博士，也算是明斯基的师兄。明斯基的博士论文做的是神经网络，他在MIT一百五十周年纪念会议上回忆说是冯·诺伊曼和麦卡洛克启发他做了神经网络。有人还找过他麻烦，质疑说神经网络的研究算数学吗，倒是老冯力挺说：现在不算，但很快就得算。塞弗里奇被后人提及不多，但他真是人工智能学科的先驱，他在MIT时一直和神经网络的开创人之一沃伦·麦卡洛克（Warren McCulloch）一起在维纳手下工作，他是维纳最喜欢的学生，但从没读完博士，维纳《控制论》一书的第一个读者就是塞弗里奇。塞弗里奇是模式识别的奠基人，他也写了第一个可工作的AI程序。他后来在麻省理工参与领导MAC项目，这个项目后一分为二：MIT计算机科学实验室和人工智能实验室，分久必合：现在这俩地方又合并了，变成MIT CSAIL。顺便给女读者添点料：塞弗里奇的爷爷就是英国第二大百货店塞尔福里奇（Selfridges）的创始人，塞尔福里奇百货和隔壁的哈罗德百货支撑着牛津街的零售业，现在大概一半顾客来自中国二线城市。信息论的创始人克劳德· 香农（Claude Shannon）被麦卡锡拉大旗做虎皮也请到会上打酱油。其实麦卡锡和香农的观点并不一致，平日相处也不睦。香农的硕士、博士论文都是讲怎么实现布尔代数，当时 MIT校长布什（Bush）亲自指导。博士毕业后他去了普林斯顿高等研究院，曾和数学家外尔（Weyl）、爱因斯坦、哥德尔等共事，战争中，他一直在贝尔实验室做密码学的工作，图灵在1943年曾秘访美国，和同行交流破解德国密码的经验，其间和香农曾有会晤，一起聊过通用图灵机。战后香农去英国还回访过图灵，一起讨论过计算机下棋。香农内向，从没说过这段往事，直到1982年接受一次采访时才提起。1950年香农在《科学美国人》发表过一篇讲计算机下棋的文章。香农比其他几位年长十岁左右，当时已是贝尔实验室的大佬。另外两位重量级参与者是纽厄尔和司马贺（Herbert Simon）。纽厄尔是麦卡锡和明斯基的同龄人，他硕士也是在普林斯顿数学系，按说普林斯顿数学系很小，他们应有机会碰面，但那时纽厄尔和他俩还真不认识。他们的第一次见面，纽厄尔回忆是在IBM，而麦卡锡回忆是在兰德公司，纽厄尔硕士导师就是冯·诺伊曼的合作者、博弈论先驱摩根斯顿，纽厄尔硕士毕业就迁往西部加入著名智库兰德公司。在兰德开会时认识了塞弗里奇，并受到塞做的神经网络和模式识别的工作的启发，但方法论却完全走的是另一条路。司马贺比他们仨都大十一岁（怀特海比罗素也大十一岁），那时是卡内基理工学院（卡内基梅隆大学的前身）工业管理系的年轻系主任，他在兰德公司学术休假时认识了纽厄尔。司马贺后来把纽厄尔力邀到卡内基梅隆大学，并给纽厄尔发了个博士学位，开始了他们终生的合作。纽厄尔和司马贺的合作是平等的，司马是纽的老师，但他们合作的文章署名都是按字母顺序纽在前司马在后，每次他们受邀去演讲，都是轮流。司马每次见到别人把他名字放到纽厄尔之前时都纠正。他们共享了1975年的图灵奖，三年后司马贺再得诺贝尔经济学奖。纽厄尔和司马贺代表了人工智能的另一条路线：符号派，他们后来把他们的哲学思路命名为“物理符号系统假说”。简单地说就是：智能是对符号的操作，最原始的符号对应于物理客体。这个思路和英美的经验主义哲学传统接近。他们和当时的数学系主任、第一届图灵奖获得者阿兰·珀里思（Alan Perlis）一起创立了卡内基梅隆大学的计算机系，CMU从此成为计算机学科的重镇。达特茅斯会议 1953年夏天，麦卡锡和明斯基都在贝尔实验室为香农打工。香农那时的兴趣是图灵机以及是否可用图灵机作为智能活动的理论基础，麦卡锡向香农建议编一本文集，请当时做智能研究的各位大佬贡献文章，这本文集直到1956年才以《自动机研究》（Automata Studies）为名出版，这个书名最后是香农起的，他不想花里胡哨，但麦卡锡认为这没有反映他们的初衷。文集的作者有两类人，一类是逻辑学家（后来都变成计算理论家了），如丘奇的两位杰出学生马丁·戴维斯和克里尼，后者的名著《元数学导论》国内有逻辑学家莫绍揆先生的译本。明斯基、麦卡锡也都有论文录入，香农本人贡献了一篇讲只有两个内部状态的通用图灵机的文章，文集录入的一篇冯·诺伊曼的论文后来开创了容错计算。文集的另一类作者几乎都是维纳的信徒，如阿什比（Ross Ashby）等，以控制论为基础。麦卡锡素不喜控制论和维纳，既不想把维纳当老大，也不愿和他见面争执，其中原因不详，或许和维纳与麦卡洛克吵翻了有关。麦卡洛克和皮茨两位为维纳《控制论》思想贡献多多的人物，在维纳的自传里压根没被提及。麦卡锡同时又觉得香农太理论，当时他想自立门户，只对用计算机实现智能感兴趣。于是他筹划再搞一次活动。 1955年夏天，麦卡锡到IBM打工（美国教授都是九个月工资，如果没有研究经费，夏天要自己觅食），他的老板是罗切斯特（Nathaniel Rochester），罗切斯特是IBM第一代通用机701的主设计师并对神经网络素有兴趣。他们两人倒是挺对脾气，决定第二年夏天在达特茅斯搞一次活动，他俩遂说动了香农和当时在哈佛做初级研究员（Junior Fellow）的明斯基（哈佛的Fellow还是挺值钱的，历史上人数不多，蒯因、王浩、库恩在变成正式教授之前都做过。乔姆斯基几乎在同时也是哈佛的 Fellow）一起给洛克菲勒基金会写了个项目建议书，希望得到资助。美国富豪还是有文化传统，至少知道要资助好东西，值得中国土豪的后代学习，别像他们的父辈即使打着“办大学”的名义还是要骗钱。麦卡锡给这个第二年的活动起了个当时看来别出心裁的名字：“人工智能夏季研讨会”(Summer Research Project on Artificial Intelligence)。普遍的误解是“人工智能”这个词是麦卡锡想出来的，其实不是。麦老晚年回忆也承认这个词最早是从别人那里听来的，但记不清是谁。后来英国数学家菲利普·伍德华（Woodward）给《新科学家》杂志写信说他是AI一词的始作俑者，麦卡锡最早是听他说的，因为他1956年曾去 MIT交流，见过麦卡锡。但麦卡锡的建议书1955年就开始用“人工智能”了，人老了回忆真不靠谱。当事人除了明斯基之外，都已仙逝，这事恐怕要成悬案了。大家对“人工智能”这个词一开始并没取得完全共识。很多人认为啥事一加“人工”就变味了。纽厄尔和司马贺一直主张用“复杂信息处理”这个词，以至他们发明的语言就叫IPL（Information Processing Language)。他们从某种意义上说偏功能学派，也就是说找到智能的功能不一定非得依靠结构相同或相似。图灵机和递归函数等价，但结构完全不同，所以他们强调“信息处理” 。他们俩一开始颇不喜“人工智能”几个字。1958年，在英国国家物理试验室（NPL）召开了“思维过程机器化” （Mechanization of Thought Process）会议，达特茅斯会议的麦卡锡、明斯基、塞弗里奇都参加了，此外还有致力神经网络研究的麦卡洛克，以及英国的控制论代表人物阿什比。两位编程语言的先驱也出席了：巴克斯（Backus）发表了一篇关于他新发明的语言FORTRAN的论文，但他后来一直是函数式语言的倡导者；美国海军女少将格蕾丝·哈泊（Grace Hopper）的文章是讲第一个编译器的，这项工作导致了COBOL语言。他俩论文的题目里都有Automatic Programming的说法，这在当时就是指高级语言编程，不能和后来人工智能中的自动编程搞混了。这次会上有人再提“人工思维” （Artificial Thinking)的说法。司马贺等人由此也逐渐接受了AI的说法，他晚年还写了本书“人工的科学”，倒是把Artificial这个词更加放大了。 AI历史的方法论历史研究素有两种方法，基于事件的，基于课题（issue）的。人和事的八卦都属前种。纽厄尔在1981年为一本颇为有料的文集《信息研究》贡献的一篇文章 “AI历史的智力课题”走了第二条路线。他的方法也挺有意思。他把AI历史当作斗争史，把历史分为两个阶级、两条路线的斗争，于是历史成了一串儿对立的议题，如模拟vs数字，串行vs并行，取代vs增强，语法vs语义，机械论vs目的论，生物学vs活力论，工程vs科学，符号vs连续，逻辑vs心理等，在每一议题下有进一步可分的子议题，如在逻辑vs心理下又有定理证明vs问题求解等。被提到最多的是人工智能vs控制论。在Google ngrams里试试Cybernetics和Artificial Intelligence两个词在Google Books里出现的词频，可以看出学科的起伏跌宕。前苏联，倒是一直用“控制论”指称AI，人工智能和铁幕是一个节奏。美国最早办的一批计算机相关的系科都创办于1960年代中期，那时有些系直接叫“计算机科学系”，而有些则叫“计算机与信息科学系”，带“信息”的都有些“控制论”的背景，如麻省大学计算机与信息系的创办人就有维纳的学生麦克·阿比卜。而密歇根大学则叫计算机与通讯科学系。这些系后来都改名叫计算机系了。而原来的图书馆系现在都纷纷改名叫信息科学系，如伯克利和华盛顿大学的图书馆学院都改名叫信息学院（School of Information），连“科学”都省了。但现在计算机系又有加载信息的趋势，麻省大学和加州大学厄湾分校近年又改名叫信息与计算机科学学院了。大概和现在深度学习及神经网络又峰回路转有关吧。倒是中国的学科简单，一直都有计算机和自动化之分，老死不相往来罢了。 “人工智能”这个词真正被共同体广泛认可是在十年后的1965年，当伯克利的欧陆派哲学家德雷弗斯（Hubert Dreyfus）发表了《炼金术与人工智能》一文之后。这篇文章一开始只是针对纽厄尔和司马贺的工作，几年后这篇文章演变成了那本著名的（或者被AI圈子称为“臭名昭著”的）《计算机不能干什么》一书，则是把整个AI当作靶子。欧陆派哲学家被人诟病数学和科学不通，但德雷弗斯有个数学家的兄弟，和他同一年在哈佛得了应用数学博士，后来又同在伯克利教书，是动态规划的大家，还带过神经网络的博士。哥俩一个立场。有时一个共同体的形成并不是靠内部的团结，而是靠外部的反对。有意思的是《炼金术》一文是德雷弗斯在兰德公司工作时写就的。司马贺后来撰文猛批德雷弗斯，说他滥用兰德公司的标签。德雷弗斯后来抱怨他在 MIT和哈佛食堂吃饭，所有AI的人都躲他远远的。学术争执哪儿都一样。麦卡锡和明斯基的建议书里罗列了他们计划研究的七个领域：一、自动计算机，所谓“自动”指的是可编程；二、编程语言；三、神经网络；四、计算规模的理论（theory of size of a calculation),这说的是计算复杂性，明斯基后来一直认为计算理论是人工智能的一部分，他早期对理论问题时不时会动动手，后来一手组建了MIT 的计算理论队伍；五、自我改进，这个是说机器学习；六、抽象；七、随机性和创见性。麦卡锡的原始预算是一万三千五百美元，但洛克菲勒基金会只批了七千五百美元。麦卡锡预计会有六位学界的人出席，会议应该支付每人两个月的薪水一千两百美元，由此可推算出麦卡锡、明斯基当时的年薪在八千美元左右。除了那六君子外，另外还有四人也参加了达特茅斯会议。他们是来自IBM的撒缪尔（Arthur Samuel）和伯恩斯坦，他们一个研究跳棋，一个研究象棋。达特茅斯的教授摩尔（Trenchard More）也参与了，他后来在工业界混的时间长，少为外人所知。达特茅斯会议中一位被后人忽视的先知是所罗门诺夫（Solomonoff）。和其他来来往往的人不同，所罗门诺夫在达特茅斯严肃地待了整整一个暑假。他1951年在芝加哥大学跟随费米得了物理硕士就到了MIT。但在芝加哥对他影响最大的是哲学家卡尔纳普。有意思的是神经网络的奠基者之一皮茨也受惠于卡尔纳普。司马贺的回忆录里也讲到自己在芝加哥时听卡尔纳普的课开始启蒙逻辑，从而开始对智能相关的问题感兴趣。这么说来人工智能的两大派：逻辑和神经网络都发源于老卡。这个话题以后有机会再展开。卡尔纳普那时的兴趣是归纳推理，这成为所罗门诺夫毕生的研究方向。所罗门诺夫后来结识了明斯基和麦卡锡，在他们的影响下研究逻辑和图灵机。达特茅斯会议时，他受麦卡锡“反向图灵机”和乔姆斯基文法的启发，发明了“归纳推理机”。他的工作后来被万能的苏联数学家柯尔莫格罗夫（Kolmogorov）重新但又独立地发明了一遍，就是现在俗称“柯尔莫格罗夫复杂性”和“算法信息论”的东西。来自中国的计算理论学者李明现在是这领域的大牛，曾有专著。柯尔莫格罗夫1968年开始引用所罗门诺夫的文章，使得后者在苏联的名声比在西方更加响亮。所罗门诺夫的另一个观点“无限点”（Infinity Point）后来被未来学家库兹维尔改名“奇点”窃为己有。目前AI中广泛用到的贝叶斯推理也可见到所罗门诺夫的开创性痕迹。他一生并没有大富大贵，大部分时间都是在自己的咨询公司Oxbridge（牛津+剑桥，汉语俗称“清北”）拿政府（空军、海军、ARPA和NIH——NIH资助了很多AI研究，以后有空再聊）的研究经费，那公司只有他自己一个雇员。伦敦大学皇家哈洛威学院（Royal Holloway）后来在前苏联学者领导下搞柯尔莫格罗夫奖，他是第一届获奖人，并在那里兼职教授。他的学术自传1997年发表在计算理论杂志《计算机与系统科学》上。明斯基所谓AI孵化出计算理论的说法不是没有道理。按照麦卡锡和明斯基的说法，这十个人参加了达特茅斯会议，但现在有证据表明会议也有其他的列会者，后来一直做神经网络硬件研究从而躲过AI几十年过山车的斯坦福大学电机系教授维德罗（Bernard Widrow）后来回忆他也去了达特茅斯并且在那儿待了一周。麦卡锡原来的计划是两个月闭门研讨，但并非所有人都对那个事那么上心。纽厄尔和司马贺只待了一周。纽厄尔后来回忆说达特茅斯会议对他和司马没什么影响。尽管是“十仙过海”，但给所有人留下最深印象的是纽厄尔和司马贺的报告，他们公布了一款程序“逻辑理论家”（Logic Theorist），这个程序可以证明怀特海和罗素《数学原理》中命题逻辑部分的一个很大子集。司马贺回忆录里说自己学术生涯最重要的两年就是1955和 1956年。这篇文章后来成了AI历史最重要的文章之一。一段有意思的插曲：这篇文章最早是投给逻辑学最重要的刊物《符号逻辑杂志》的，但惨遭主编克里尼退稿，理由是：把一本过时的逻辑书里的定理用机器重证一遍没啥意思。纽厄尔和司马贺给罗素写信报告这一成果，罗老不咸不淡地回复说：“我相信演绎逻辑里的所有事，机器都能干哈。” 值得注意的是 “逻辑理论家”对人工智能后来的一个分支 “机器定理证明”的影响并不大。哲学家王浩1958年夏天在一台IBM-704机上，只用九分钟就证明了《数学原理》中一阶逻辑的全部定理。当然《数学原理》中罗列的一阶逻辑定理只是一阶逻辑的一个子集，目前，一阶逻辑的机器定理证明比起五十年代已有长足进展，但仍然没有高效的办法。毕竟，王浩证明的是一阶逻辑而“逻辑理论家”只能处理命题逻辑。数学家马丁·戴维斯和哲学家希拉里·普特南合作沿着王浩的思路进一步提出了戴维斯-普特南（DP）证明过程，后来进一步发展为DPLL。王浩对“逻辑理论家”一直持鄙视的态度，认为这是一个不专业的东西。王浩在1983年被授予定理证明里程碑大奖，被认为是定理证明的开山鼻祖。司马贺在他回忆录里则对此不满，认为王浩的工作抵消了“逻辑理论家”的原创性，他们的初衷并不是要有效地证明定理，而是研究人的行为。这是后话，我后续还会有《机器定理证明简史》。麦卡锡多年后回忆说：他从纽厄尔和司马贺的IPL语言中学到了表处理，这成为他后来发明LISP的基础。明斯基后来接受采访时说他对纽厄尔和司马贺的“逻辑理论家”印象深刻，因为那是第一个可工作的AI程序。但事实上，明斯基当时为大会写的总结里对“逻辑理论家”只是轻描淡写。麦卡锡和明斯基明显是一伙的，会议是他们发动的，旨在创立一门新学科。但纽厄尔和司马贺却抢了他们的风头。美国上世纪五十年代的学术氛围也不免浮躁，这一帮人又都是年轻气盛、野心十足。会议之后达特茅斯会后不久，1956年9月IRE（后来改名IEEE）在MIT召开信息论年会上，麦卡锡被邀请做一个对一个月前达特茅斯会议的总结报告，这引起了纽厄尔尤其是司马贺的不满，他们认为麦卡锡只能聊，没干货，而达特茅斯会议唯一的干货是纽厄尔和司马贺的程序“逻辑理论家”（Logic Theorist）。打了一圈架，最后纽厄尔和司马贺做了妥协：麦卡锡先做总结报告，但最后还是由纽厄尔和司马贺讲他们的“逻辑理论家”并发表一篇题为 Logic Theory Machine的文章。明斯基认为是他的协调起了作用，但纽厄尔晚年则只对香农的邀请有印象，而司马贺的回忆录则说是大会的主席罗森布利特和司马贺散了很长一圈步才了断。明斯基机敏异常，讲话时带幽默，但在对这段历史的重构中，却给人印象有点太“刁滑”（cynical），原因也不难猜出。研究历史有时必须得全方位，空间或时间上的接近不见得就真实。太接近时，当事人还都活着，还在一个圈子里混，不方便互相揭短。但在接近生命末期，或者功成名就或者人之将死或者对头已死无所顾忌，敞开了说，有时虽有夸张，但一不留神就会流露真话，纽厄尔属于后者。明斯基“刁滑”可能和他身体好有关系，偌大岁数也没不惑，觉得还有好长路要走。科学达人弗里曼·戴森在他的《一面多彩的镜子》一书中借鉴过以赛亚·伯林“刺猬与狐狸”的比喻：刺猬是那些构建理论体系的人，而狐狸则是那些解决问题的人。在他眼里：爱因斯坦、哥德尔是刺猬；而费米、冯·诺伊曼属狐狸。科学史有时刺猬得势，有时狐狸当道。是不是可以说纽厄尔和司马贺更像刺猬，而麦卡锡和明斯基更像狐狸呢？具体到AI的源头和达特茅斯会议，麦卡锡认为他和明斯基是发起人，纽厄尔和司马贺是“外人”，是搅局者。明斯基的解释是纽厄尔和司马贺一开始的出发点是心理学，这与麦卡锡和他本人的背景不符。但在随后的十年里，他本人更多地走向心理学，而纽厄尔和司马贺更靠近AI，也没什么矛盾。麦卡锡除了和明斯基关系紧密外，和其他AI群体的交流并不多，在所谓其他群体中，最有影响当属卡内基梅隆了。麦卡锡晚年回忆说那时群体之间的沟通主要是通过研究生，研究生就像大佬们的大使。后来斯坦福、CMU、MIT的学生确实互为教授，门户之见随着时间的推移逐渐被抹平了。总之，1956年IRE信息论年会是个值得纪念的会议，除了纽厄尔和司马贺发表的那篇文章之外，心理学家乔治·米勒（George Miller）发表了《人类记忆和对信息的储存》（Human Memory and the Storage of Information），这是那篇著名的文章《魔力数字七》（The Magic Number Seven）的另一个版本，不知算不算一稿多发。同在此会上，伟大的乔姆斯基则发表了《语言描述的三种模型》（Three Models for the Description of Language），该文证明了有限状态句法不能表达某类语言，这是乔姆斯基分层的起源，文中引用了还没出版的不朽名著《句法结构》。乔姆斯基当时刚刚到 MIT现代语言学系（该系后来演变为语言学与哲学系）出任助理教授并在MIT电子实验室做机器翻译的研究。尽管乔老爷后来是反政府斗士，但有点反讽的是他的早期研究经费都来自美国空军和海军。从参与者的角度看，大家会认为这次IRE的信息论年会比达特茅斯会议更重要，影响也更深远。乔治·米勒回忆说他当时直觉认识到实验心理学、理论语言学、认知过程的计算机模拟，都是一个大家伙里面的组成部分。这个所谓的大家伙就是现在的人工智能加认知科学吧。明斯基回忆自己在达特茅斯会议期间，在纸上画了一个几何定理证明器的设计，并手动模拟证明了等腰三角形的一个定理。会后的1956年9月，IBM招了新毕业的物理博士格兰特（Herb Gelernter）实现明斯基的几何定理证明器。麦卡锡此时受到纽厄尔和司马的影响，建议在Fortran里实现表处理语言，作为实现语言。这个项目在 1959年实现后，IBM削减了AI的投入，把这项目砍掉了，理由是IBM不想给人以机器可以替代人的印象。IBM再次资助AI是二十几年后的1983年了，现在好像IBM百年老店只能靠AI系统Watson翻身了。麦卡锡1958年离开达特茅斯去了MIT，他帮助创立了MIT的MAC项目。他和明斯基一起领导了MAC项目中的AI实验室，1962年他再次跳槽到斯坦福。之后明斯基又和帕伯特（Papert）合作。计算机操作系统里“分时”的概念是由麦卡锡在MAC项目中首创的。他回忆说当时机器太少，但等着上机的学生很多。于是就发明了分时系统。按说分时系统的贡献要比麦卡锡后来的AI贡献彰显得多，但麦卡锡得图灵奖可不是靠“分时”，这就像爱因斯坦得诺奖没靠相对论一样。从这个意义上AI有点像哲学：由此衍生出很多问题，而对这些问题的解决产生出许多子学科；一旦这些子学科独立，就不再待见AI了。现在计算机科学已成为成熟的学科，每个计算机系大都有三拨人：理论、系统和AI。二十年前的美国计算机圈子曾有一种说法：理论和系统的人互相看不起，但又同时看不起AI的人。AI这几年火了，但曾几何时，AI人是被压迫者。哲学曾经孕育了科学，但一旦问题被确定，就分离成为单独的科学，最新的例子是逻辑学，现在的逻辑学家都在数学系和计算机系，哲学系被彻底空洞化。哲学家丹尼尔·丹尼特曾说：AI就是哲学。MAC项目孕育了计算机科学中很多原创的概念。以至于明斯基后来认为UNIX系统是反动落后的东西，因为他们丢掉了很多Multics中的精华。 1968年，参议院多数党领袖曼斯菲尔德对“先进研究项目局”（ARPA）的资助方向不满，他认为国防部的钱不能被用于军事目的之外，非军事目的的项目应该由美国国家科学基金会NSF负责。于是，ARPA遂改名DARPA，更强调“国防”。七十年代初期在海尔梅尔（George Heilmeirer）任内，DARPA大砍AI预算。协调政府和AI实验室的工作变得头绪繁多，明斯基决定从AI实验室退位，让他刚毕业的学生温斯顿（Patrick Winston）接手。尽管明斯基说他不喜事务性工作，但他的采访和回忆中，触及的话题总是和联邦政府的资助有关。温斯顿后来回忆时说，管理一个成功的实验室要管理好三个圈的交集：出资人（主要是政府）、科学上有创建、有国计民生的价值。他试图说服几任ARPA的头别把AI当作一个几年一次的项目，而是长期而独立的一门学科。另外他对比了早期ARPA和NSF的不同，NSF给钱少，而且都是同行评议制，结果是越有成就的（established）拿的钱越多，但很少会有根本性的原创性贡献，ARPA早期都是头们说了算，好处是如果管事的头们品味好，肯定会支持好东西。这点也值得中国科技人的借鉴：大型项目决策者的品味可以超越“透明计算”吗？再说回海尔梅尔，他以AI不能帮助造武器打仗为理由。削减了对AI的大规模经费，但同时却重金资助了隐形飞机和空间武器技术，使美国在相关领域一直保持领先。ARPA资助的这类项目要是通过同行评议是很难实施的。ARPA几乎在同时也支持了ARPAnet，后来演变成互联网。有意思的是，海尔梅尔从 ARPA离任后去了德州仪器（TI）做CTO，在TI却大力提倡AI。ARPA对AI的资助在克柔克（Steve Crocker）手里才逐步回复。大家知道克柔克是互联网的先驱之一。再后来的ARPA信息技术办公室（IPTO）的负责人中还有图灵奖获得者萨瑟兰（Sutherland），也对AI继续投入。精英制风格的ARPA，更适合做大型开创性项目，成功取决于少数决策者；而以民主制为基础的NSF，历来就是小规模资助基础研究。预测未来：会有奇点吗？司马贺1957年曾预言十年内计算机下棋会击败人。1968年麦卡锡和象棋大师列维（David Levy）打赌说十年内下棋程序会战胜列维，最后赔了列维两千块。乐观的预言总会给对手留下把柄：德雷弗斯后来每年都拿此事嘲讽AI，说计算机下下跳棋还行，下象棋连十岁的孩子都干不过。这便宜话一直说到1997年，IBM的下棋程序“深蓝”击败了卡斯帕罗夫。这真是“四十年太久，只争朝夕”啊。在 1995年卡斯帕罗夫还在批评计算机下棋缺乏悟性（insights），但1996年时他已经开始意识到“深蓝”貌似有悟性了。而两年间“深蓝”的计算能力只不过提高了一倍而已。有没有悟性其实就是人的能力的极限。量变到质变的临界点就是人的解释能力，人解释不了的东西就有悟性，解释了的东西就没有悟性。司马贺和日本计算机科学家宗像俊则（Munakata）合写了篇解气的文章《人工智能的教训》（AI Lessons）登在《ACM通讯》上。当然，德雷弗斯们还可以将“计算机仍然不能干什么”加上若干个“仍然”接着批评。明斯基1968年在库布里克的电影《2001太空漫游》的新闻发布会上曾大放厥词说三十年内机器智能可以和人有一拼，1989年又预言二十年可以解决自然语言处理。现在我们恐怕还不能说机器翻译器令人满意吧。过分乐观的另一个原因，照明斯基自己的说法是，一门年轻的学科，一开始都需要一点“过度销售 ”（excessive salesmanship）。但是过头了不免被人当作狗皮膏药或炼金术。 2006 年，达特茅斯会议五十年，十位当时的与会者有五位仙逝，活着的五位：摩尔、麦卡锡、明斯基、塞弗里奇和所罗门诺夫在达特茅斯团聚，忆往昔展未来。参会人之一霍维茨（Horvitz)现在是微软实验室的头目，他和他老婆拿出一笔钱在斯坦福捐助了一个“AI100”的活动：在下面一百年里各路豪杰聚会，每五年出个AI进展报告。第一期原定于2015年底出版，我们拭目以待。乔姆斯基晚年边做学问边做斗士。2015年3月他和物理学家克劳斯对话时被问及“机器可以思维吗？”，他套用计算机科学家戴客斯特拉（Dijkstra）的说法反问： “潜艇会游泳吗？”如果机器人可以有意识（consciousness）的性质，机器人可以被认为有意识吗？他进一步说“意识”是相对简单的，而“前意识”（preconsciousness）是困难的问题。他把AI分成工程的和科学的。工程的，如自动驾驶车等，能做出对人类有用的东西；科学的一面，乔老爷明显不认可。他引用图灵的话：这问题too meaningless to deserve discussion（没有讨论的意义）。当一帮奇点理论的粉丝带着正面的期望采访乔姆斯基时，他却对人工智能这个被他深刻影响过的学科没太当回事，他认为气候和毁灭性武器是比奇点更紧迫的问题。这算有意回避吧。明斯基在2012年接受他的学生、预言家、奇点理论炮制者库兹维尔的采访时说，他相信奇点的到来，可能就在我们的有生之年。两位“斯基”在MIT一百五十年纪念会上分在一个小组讨论里，却只打了下太极，并没有针锋相对。他们尽管年长，但身体都挺好，如果他们能在2016年达特茅斯会议六十年时面对面掐一架，肯定会很精彩，反正住得也不远。; 562 次阅读|0 个评论

分享人工智能和机器学习: 热度 46 老马丁 2017-2-8 07:25; 春节期间，网络微信流传，指北京即将在全国人大会议改组国务院，负责两岸关系的“台湾事务办公室”，将和侨办、港澳办一同并入“港澳台侨和民族宗教事务委员会”。消息尚未获官方证实，如果属实，表示北京继续朝“法制化统一台湾”迈进，不但贬抑台湾，将台湾“港澳化”，和边疆事务同属一单位管辖，政治效应非常负面。······················································ 下午的时候我默默的看着我老婆给我5岁的儿子出20道两位数的乘法。20分钟后，他交卷了，只错了一道。我很满意。然后我老婆告诉我她加入的一个家长群里，有个5岁孩子会算对数和开方。我不知道是怎么算的，我俩对此都不以为然：对5岁孩子来说，导数和开方的数学意义在哪里呢? 对数和开方现在会和10年后才学会真有区别么? 可这么一说，想想对5岁孩子来说，现在就会两位数乘法和5年后才会也有很大区别么? 我想出来的理由是数学如同健身房里的哑铃，用来培养开发大脑能力，早点开发这些能力也许有点用处。但是健身房也有极限，比如我培养我儿子心算两位数乘一位数，这就是极限了。心算两位乘两位他肯定做不到，毕竟不是天才。同理，导数和开方也算是超过这个头脑健身房的极限。扯一堆闲话回来，我的意思是，知识比金钱难传承多了。孩子从零开始到掌握一定知识，这个过程太痛苦太漫长了，而且根本不经济。学的有没有用也不知道，知道没用也晚了。时间久了知识还会过时。以后人工智能和机器学习，只要很短时间内就达到一个低端劳力的知识水平，还能升级。这么一说，以后不用和人打交道的工作大部分都可以被机器代替。比如说，call center。现在试验的技术据说能根据语气来预测打电话人的心情，而且这些机器永远不会烦恼，生气，还能无线扩展接线生，达到零等待。那么被代替的这些人以后干嘛？东扯西扯，有感而发。最近我一直给小孩读大学的朋友推荐数学专业。现在感觉这专业有点不太靠谱。如果以后机器能够自主学习建模，代替高端劳力，人辛辛苦苦学下来，哪有机器干得好啊？; 273 次阅读|15 个评论

分享好莱坞明星Kristen Stewart发表人工智能研究论文: 热度 1 gordon 2017-1-21 07:51; 好莱坞明星Kristen Stewart，是的，就是她刚刚发布了一篇关于人工智能的研究论文。几十年来，好莱坞一直在电影中使用人工智能的概念。现在，一个一线明星试图使用人工智能（AI）来制作艺术，而不是从那里仅仅获得灵感。克里斯汀·斯图尔特最知名的是她大获成功《暮光》电影中的明星角色。她对人工智能的兴趣，在一篇关于使用该技术在她的编剧首次亮相（http://www.imdb.com/name/nm0829576/?ref_=tt_ov_dr#writer）的创作艺术 Come Swim 的新论文中阐述。该论文昨天发布在由康奈尔大学运行的在线研究库ArXiv （https://arxiv.org/）上，这些论文在发布前已经经过了同行评审。 Stewart 开始灵感点来自她自己的画作之一 Come Swim。论文描述了电影制作人的风格转移实验，一种流行的机器学习，将一个图像转换成另一个艺术技术和颜色配置文件。斯图尔特和她的制片人使用这种技术将“Come Swim”的场景变成斯图尔特自己绘画的风格。（你可以在这里的论文中看到图像）。斯图尔特论文的共同作者是Starlight Studios（制作这部电影）的制片人和一名 Adobe 公司的员工，他对电影的介入目前未知。 ********************************************************************************* 论文最有趣的方面是它的雄心：团队最初试图调整算法，以转移绘画中的情感的感觉。 “绘画本身唤起了人们在醒来的第一时刻的想法（在梦想和现实之间衰落）。”作者写道， “这直接驱使镜头的外观，导致我们将我们想要唤起的情感映射到算法中的参数当中。” 根据论文描述，尝试指导算法产生艺术上令人满意的图像其实证明比预期更困难。具体体现在不是修改算法本身，而是发现更容易修改来自电影的图像。团队特别裁剪并添加纹理块到了输入图像，所以在制作最终图像时，算法将确保包括那些最大的影响。 Come Swim 将在本月晚些时候参加2017年圣丹斯电影节，并被描述为“一个人一天的双面人生；半印象主义和半现实主义的画像。” Stewart 不是唯一有兴趣使用AI艺术的人：Google有一个名为Magenta（https://qz.com/689887/google-is- launching-a-new-research-project-to-see-if-computers-can-be-truly- creative/）（的团队，以及创业公司CreativeAI（http://www.creativeai.net/）跟踪使用代码来制作音乐、图像和其他艺术表现形式的项目。 ********************************************************************************* 注：人工智能现在干掉自然语言和情感是没有问题的。小冰，微软的小冰，呵呵; 223 次阅读|0 个评论

分享数学不好，也可以学习人工智能（转）: gordon 2017-1-15 09:31; 如果你像我一样，也着迷于人工智能。也许你想深入挖掘，并在 TensorFlow 或 Theano 运行一个图像分类器。也许你是一个敢于尝试新事物的开发人员或系统架构师，你知道计算机非常好，但只有一个小问题：你的数学不好。没关系！这里，我向你分享一个小秘密，此外我这里向你推荐一些书籍和网站,它们将真正帮助你快速提高。像许多人一样，我对智能机器的爱不是来自微积分课程。它源自于科幻小说。我记得自己在一个美丽的夏天的晚上，读《I, Robot》，想象着如何找到 Asimov 的《Three Rules of Robotics》。看完名作《2001: A SpaceOdyssey》和《Ghost in the Shell》，自己感觉似乎不知道哪一天，格式塔思想可能从闪烁的信息海洋中涌出，并宣布自己有感情。当我长大开始发表自己的科幻作品，我想象着人工智能作为一个普遍的力量，如同电力一样无处不在，涉及生活的每一个方面。我们需要弄清楚为什么人工智能现在能够脱颖而出。大多数人工智能，在80年代和90年代早期做出的承诺都没有实现，人工智能一直处在冰冻状态。在过去的几年里，随着深度学习的突然成功，一切都改变了。也许你在“纽约时报”上看到过这个故事，论述谷歌如何在一夜之间改变其翻译服务（即提供与专业翻译人员准确性相匹敌的服务）在仅仅九个月的时间里，他们超过了过去七年间翻译平台总的翻译能力。也许你读过一个这样的故事：孩子用开源工具，在自己神奇（freaking）车库里开发了一辆无人驾驶汽车你可能也看过了下面这个惊人的幻灯片，显示深度学习如何在短短几年内横扫整个图像识别领域：相关模型的错误率开始时在25％左右，而在2017年，一些模型的表现已经超过人类。无论你办事多么有效率，人工智能比你更有效率，它已经解决了几十年来困扰我们的棘手问题。我们知道如何驾驶汽车，但我们不能告诉机器怎么做。但是,我们可以让机器为自己找出答案。现在从硅谷出来的技术不只是炒作的概念，而是真实的实体。人工智能受欢迎，是有原因的。现在，顶级人工智能研究人员的年收入已经超过了国家橄榄球联盟中首发的中卫。而你，想加入这场淘金热中。另外，你可能看到了一个非常可怕的未来：人工智能胜任所有的工作。作为一个传统的软件工程师或系统管理员，你需要确保自己有在一个以人工智能为中心的世界中竞争的技能。没问题。已经有很多的教程。你只需要开始学习。然后你会看到像下面这一段，这段文字节选自 Ian Goodfellow 的一本具有开创性的书——《Deep Learning》。你会发现自己完全不知道他在说什么。协方差给出了两个值彼此线性相关的程度大小，以及这些变量的规模： ************************************************************************ 问题就在于，你必须理解一个系统嵌套的逻辑，术语，符号和思想，这些都是相互关联的，但你却没有任何基础。所以这些东西对你来说，基本上相当于天书。你可能会理解相关文本的字面意思，但其余的都是废话。这很快就会让人变的非常沮丧。但是不要害怕！你还没有失去一切。我在这里用一些书帮助你解决重重困难,会让你像一个学者一样处理数据。也许你不会是Daniel Tammet，但是你可以抛开那些关于背诵乘法表的痛苦回忆，并得到启迪。你可以像一个成年人一样学习数学。我试着阅读一些人工智能的文本和教程。我直观地理解了这些概念。他们对我来说是完美的感觉。只是，当我看到一串符号时我的大脑呆滞，我不知道我在读什么。作为系统架构师，我的生活的大部分时间里不需要太多的数学。有IP子网的备忘清单，只要我知道电力通常可以沿着电缆移动多远，我就可以切割它们并适当地卷曲它们。在我生活的大部分时间里，我只需要了解系统如何设置，它们如何协同工作以及如何保持运行。系统管理可以视为布尔函数。它要么工作，要么不工作。但是人工智能和数学却受大脑的其他地方影响。我需要的是一些为像你不懂数学一样的成年人写的通俗读物。我也需要那些可以告诉我为什么数学可以发挥作用的书。在学校里，你学习的原因可能是“闭嘴，去做，否则就惩罚你”。但是作为一个成年人你需要更多理由来说服自己学习。你也想知道某件事成功的原理。你需要的第一本书是《Mathematics: A Very Short Introduction》（已有中文版出版——《牛津通识读本：数学》， https://book.douban.com/subject/25829287/ ），来自Timothy Gowers。这本书精妙地分解了数学的“为什么”。它将主体与现实世界联系起来，进入背后隐藏的哲学理念,然后快速地离开。因为你不需要理解分数是否在自然界或柏拉图层面。相反， Timothy 帮助我明白，数学是一个抽象的概念。它将问题分解为更简单，更清晰的步骤。制定一个精确模拟盒子中粒子相互作用的模型，需要考虑现实世界的物理属性，如磁干扰，重力，碰撞力，粒子初始方向和速度以及很多很多方面。我们可以证明，现实生活是一系列复杂的算法。但这里是有窍门的。在实践中，你不需要一个完美的模型。相反，数学似乎把这个问题分解成了它的基本组成部分。什么是关键因素？数学给你这个问题的抽象答案，使你可以把这个问题与其他问题放在一起，综合考虑。本质上，数字本身并不重要。它们只是变量。数学可以归纳为变量和规则。你可以学习这些变量和规则！当你阅读这本书时，你会想要这个网站中的主要数学符号便携指南。如果你能像我一样，你就必须在坚持不下去之前成百上千次的记忆这些符号。你可能会发现，刚翻过去几秒钟，自己就忘记了刚才的各种符号！但不用担心，这个备忘单是完美的。接着深吸一口气，继续慢慢地浏览一个接一个的符号，直到你开始理解这一连串疯狂的符号。即使你要查阅每个符号一千次，你也必须去做！生活中没有学习的捷径。你只需要去做这项工作。现在有两个强大的竞争者，来帮助你建立自己的数学基础。第一个是 Morris Kline 写的：《Mathematicsfor the Nonmathemetician》。第二个是 Ivan Savov 写的《No Bullshit Guide to Math and Physics》。这两本书各有自己的思想。我比较喜欢后者,因为它会直接切入，讨论实质问题,并仍然设法与数学保持非常密切的关联。“前面那本书的篇幅更长，更详细地介绍了数学史以及它在世界上的作用。有些人会很喜欢这种方法。《No Bullshit Guide to Math and Physics》那本书，正如任何工作本身的工作方式那样，是直截了当的，没有答案，快速切入公式。这基本上是一个规则的引子。这将吸引那些缺乏深度思考能力的人。下一本你想要的是 Jim Loats 和 Kenn Amdahl 的《Algebra Unplugged》。现在书中有一些拼写错误，但我发现这些东西无伤大雅。我欣赏这本书的风格，慢慢入门，接着节奏快速加快。有些人仅仅遇到一些拼写错误时，就觉得这样的学习毫无意义，但要记着，你还有更大的麻烦呢！当你想学习数学时，你的大脑不像你年轻时那样可塑！因此忽视这里的拼写错误，要去把握全局。这本书将真正帮助你朝正确的方向前进。在你完成上面的数学学习之后，你需要深入学习 Tariq Rashid 所写的《Make Your Own Neural Network》。它其实也有一些拼写错误。但幸运的是，有一个伟大的Github库在持续更新,修复了他们中的大多数错误。这本书是非常温和和直观的。它似乎在你刚刚看到这本书时，就预料到你的抵触和担忧。作者的不可思议在于当你产生抵触情绪时，他发现了这一点。这本书只专注于你需要的神经网络的数学。然后它通过 Python代码工作，并假设你对编程一无所知。最后，它让你从头编码自己的神经网络程序。现在,当然有一些工具,可以更好的为专业项目服务。但这本书有助于你亲自尝试构建自己的第一个神经网络模型,所以它将是你理解相关成熟模型的基础。在看完那本书之后，您将需要开始浏览网络。每天都有新的精彩教程。也许可以看看《Tensorflow for Poets》，《RecurrentNeural Networks for Artists》。用媒体学习人工智能是很好的一种途径的。例如，查看这篇讨论各种数据挖掘编程语言的综合文章，跟自己摸索相比，你可以获得更深的理解。话又说回来，也许你不是上课学习的类型，更喜欢自己探索？没有问题。请看看这个来自人工智能研究员 ArthurJuliani 的八篇系列文章。还有《Machine Learning is Fun》,这是一个网上很棒的系列教程。最后，你可能会想读一本更高级的书，锻炼自己理解更具挑战性的概念。我推荐前面提到的 Ian Goodfellow 的《Deep Learning》 , 你可以在线阅读或在亚马逊上获取一份副本。原文地址：https://hackernoon.com/learning-ai-if-you-suck-at-math-8bdfb4b79037#.gb6vrdxm1 ************************************************************************* 老美就是有这种能力，能把东西讲的好简单。你可以看科幻小说入门，就这么简单。注：对于它来说，反而是想象更重要。; 725 次阅读|0 个评论

分享 1956年9月11日，心理学的重大变革 —— 行为主义被彻底抛弃: 热度 2 gordon 2016-11-20 06:32; 行为主义和刺激-反应心理学的主导地位直到20世纪50年代才真正结束。几乎是一夜之间，心理学家就以认知的方式进行思考，而不仅是行为的方式。 George Miller，这位曾经坚定的行为主义者，在20世纪50年代彻底地改变了观点。 1951年，Miller 写了一本很有影响力的书，名为《Language and Communication》，并在前言中写道“偏向于行为主义”。11年后他写了另一本书，名为《psychology，the science of mental life》—— 这个标题标志着对“心理学应该只研究行为”这一观点的彻底抛弃。在反思中，Miller 很清晰地记得他放弃行为主义而转向认知主义的确切日期是1956年9月11日，在麻省理工学院举办第二届信息理论研讨会期间。 ******************************************************************** 对很多学科来说，那一年都是个丰收年。在计算机科学领域，allen newell 和 herbert simon 成功提出了“第一代信息加工语言”，那是一个强大的程序，可以模拟逻辑定理的证明。冯诺依曼写了关于神经组织的 silliman 讲义。著名的人工智能会议在达特茅斯大学召开，与会者包括明斯基、香农和许多其他的人。心理学界也发生了重大是事件。由于“二战”的缘故，很多新技术正被应用。 james tanner 和 john swets 用信号检测术和计算机技术研究知觉（这些技术绝大部分是美国国防部研制，用来探测潜艇的）。在1956年，miller 写了他那经典的文章“神奇的数字 7 加减2 ”，其中，他说明了人在一个短时间内能理解的信息有一个上限。另外，发展心理学家 jerome bruner 正在致力于研究思维的问题。尽管bruner 看到了联想主义者关于儿童学习的观点的局限性，但是他认为高级的加工过程会涉及那种建构在表征和心理地图之上的思维。其中，可能是最重要的进展来自于 Noam Chomsky 的工作。他的《句法理论》的最初版本发表于1956年的一篇名为“描述语言的三个模型”的文章中。乔姆斯基的努力几乎在一夜之间改变了语言研究。深刻地昭示出学习理论——即联想主义，那时主要以斯金纳为代表 —— 根本不能解释语言是如何习得的。这样，在1956年9月11日，一年的重大发展和理论换代后，miller 认识到，尽管行为主义可以提供重要的理论，但它不能解释一切学习过程，他开始把大脑作为一个综合的整体去理解它如何运作——理解大脑和心智的工作方式。许多人跟随他投身到这一新的任务中，几年以后，一个新的领域诞生了，这就是认知神经科学。注： “洗脑” 这东西，最早来自于对纳粹德国的研究，“符号、旗帜” 最早的人工智能就是从符号来的。后来才转到 “神经网络” 我问一个最简单问题啊，他们怎么知道 “符号能产生智能” ？哈哈哈 ************************************************************************ 你知道明星演唱会那个灯柱吗？那就是以前希特勒演讲时候搞的，最早的形式是探照灯。抗美援朝打飞机，知道吧，用探照灯照飞机。后来被好莱坞借用过去了。心理学很多东西都被用到营销、广告业。冯卡门的族人，好多都是电影明星。奥匈帝国很牛逼的，不管是维也纳还是匈牙利中国人大多是哈德国的，认为奥匈帝国不牛逼。 ************************************************************************ 钱写的 “劣质器件可以搞成一个好的系统” ，这个观点是不是抄冯诺依曼的，还不知道呢冯诺依曼在加州理工发表过一个演讲，就是讲这个事。那时候，真空管不太稳定，就像灯泡一样，而且那么多灯泡聚在一块儿，发热量很大。冯诺依曼干过这个事情，就用这种办法。当然后来，晶体管发明了，造大型机的事就简单了。注：不过钱写的是 “工程控制论” 嘛，控制论本身就是范围很广，“万能胶” 嘛，啥都能糊一糊不过冯那篇东西，日期在钱之前。 ************************************************************************ 冯诺依曼写的 silliman 讲义，可能是指耶鲁大学西利曼讲座(Silliman Lectures)，原文指的什么，不清楚。在2O世纪初叶，洛克菲勒基金会就通过讲座的方式聘请欧洲名师来提升美国现代物理学的水准。J．J．汤姆逊(Joseph John Thomson)、卢瑟福(Ernest Ruther ford)和能斯特(Nernst Hermann Walther)相继担任过耶鲁大学的西利曼讲座(Silliman Lectures)教席． J．J．汤姆逊继续讲述他的电子；卢瑟福钟爱他的放射性课题；能斯特阐述他的热力学大厦的封顶之作—— 热力学第三定律注：西利曼讲座，以著名化学家本杰明 · 西利曼之名命名。他发明了石油的分馏法。; 288 次阅读|1 个评论

分享人工智能与脑洞大开: 热度 10 齐的隆冬强 2016-3-18 09:04; 人工智能这个词，其实反映了人类的傲慢，因为他是以人的尺度来衡量智能的，但是实际上自然世界的进化不需要，也不可能按照人类的模式进行，拥有人类模式，是人工智能打败人类的既不充分也不必要条件，只需要适应自然，就能打败人类。; 554 次阅读|2 个评论

分享当川普遇上AI: 热度 48 holycow 2016-3-5 10:10; 麻省理工人工智能实验室的某博士后闲来无事，学以致用，用神经元网络和深度学习技术（这些都是古狗阿法狗采用的技术）制作了一个人工智能川普。为了回归德国血统，这个AI川普名叫深川普夫(DeepDrumpf) 当这个闲人把川普过去著作，采访，推特里面的金句统统灌进去让AI深度学习过后，深川普夫开始发推特了：什么？你说这看上去不像英文？我说这个AI已经通过了图灵测试 -- 如果删去推特落款，俺就分不清这话到底是深川普夫说的，还是川普本尊说的; 1172 次阅读|8 个评论

分享转载：人工智能革命：通向超级智能之路人类永生或灭绝: 热度 13 奥森 2016-1-28 20:21; http://www.aisonny.com/archives/4352.html 这篇文章是我迄今为止所看过的所有关于人工智能文章中写的最好的一篇。昨天我就在国外网站上看了英文原版的，当时我还在考虑要不要翻译，因为实在是太长了，有点犹豫。今天就在网上看到了网友已经翻译成中文了。感谢知乎用户“谢熊猫君”完成翻译工作。想看英文原版的请点击： The AI Revolution: The Road to Superintelligence【1】 The AI Revolution: Our Immortality or Extinction【2】。请自行点击链接 http://www.aisonny.com/archives/4352.html 看完后我觉得相信并且希望看到超人工智能的出现，然后： 1、第一步，让我的智力上达到我梦寐以求的透彻超能力； 2、第二步，让我的感官达到无与伦比的快乐； 3、第三步，祈祷第一步和第二步能够永久持续，而不是被超人工智能或哪个愚蠢的或恶毒的个人用纳米技术或我现在想不出的技术就把世界崩溃了。 4、第四步，因为有第三步，我倾向于超人工智能会把我们人类当虫子养起来，但愿。我们的未来是快乐的虫子，我是个乐观派; 2282 次阅读|9 个评论

分享 “30年以后应该是医生找不到工作了?"-------有钱真好，怎么牛x怎么说! ...: 热度 22 不知 2014-11-28 08:20; 马云说错了，医生永远会有工作阿里巴巴董事局主马云先生再次语出惊人：“阿里想干的是健康和快乐两个产业，如何让人更加健康，如何让人更加快乐？不是建更多的医院找更多的医生，更不是建更多的药。如果我们（投资）做对的话，30年以后应该是医生找不到工作了，医院、药厂越来越少。” 依据为西医是循证医学，而循证现在绝大部分都机器化了，治疗方案也是标准化的，电脑的准确性更高，以后可能只需要执行医嘱层面的护士、治疗师了。巨头们总是爱放大人工智能的可能效应，认为人工智能可以解决一切；其实90年代俄国的科学家就有这种想法了，如果制造一个软件，输入人体的症状，他就可以自动诊断疾病，进行治疗了。其结果当然是失败的，哲学家分析说其犯了机械唯物主义的错误。人不是简单的机械组装，是一个复杂的生命机体。机器诊疗就是把所有的可能都储存在计算机中，然后通过方程式算法来判断用户提出的要求是否有相应的结果或近似的结果。那么计算机本身思考了吗？没有。任何一个完美的程序，都是一个个代码组成的，而如何组成，来自工程师的大脑。人的生命也是来源于一堆DNA分子，当人类认识到染色体中隐藏大量生命的秘密时，欣喜若狂，以为若能将30亿个碱基对组成的核苷酸序列，约四万个基因的密码全部解开，解秘“生命天书”，便可以对自己的生老病死了若指掌。十多年过去了，人们完成了对全人类的基因组测序，却无法读懂其中的真正含义。人类的现代社会发展很快，从机械化，自动化，再到智能化，甚至生物化，成绩斐然。人类有点自以为是，殊不知人类对生命的认知还处于起点，人类对疾病的认识还极其地有限。医学是一门理论和实践需严密结合的学科。同时人体和疾病具有千变万化、千差万别的属性。细菌就一个细胞，可每个细菌都是不一样的。一个单细胞的生物，人类研究了上百年，还不知其究竟，更何况是极为复杂的人类呢。病毒、细菌都在变异，人的个体差异很多，有太多不确定的因素。一个学医十年，从医几十年的医生，都不敢拍胸脯说自己可以去认知一种疾病。而马天王就来断言医生将会被取代了。马云做电商，是因为他尊重了千千万万小的网店，方便了万万千千的网店主和剁手族。而到了医疗领域，他就敢说取代，敢说颠覆。我个人十分崇拜马天王，但马天王对医生的态度实在不敢苟同，这也反应了大多数人对医疗行业认识的不够深刻。不尊重这个领域的主体，是不可能在这个领域有所建树的。没了医生，医院的药方您真的看得懂？先进的仪器您会操作？无菌手术您真的可以做？医生只是写药单，药房只是卖药那么简单吗？开了个网络药店就扬言医生都要下岗了，搞清楚医疗工作的本质是什么，是吃药吗？买药是买菜吗？把人吃死了这官司找谁打呢？巨头对生物科技，如指纹技术，瞳孔辨人，十分着迷，其技术的根本就在于每个人都是不一样的。可到了人体看病，却可以认为有这么一种程序，可以批量地，流程地去看病。光靠机器怎么就能诊断和治疗所有的疾病了？互联网威力强大，它可以对传统行业进行重组，进行颠覆，如打车、购物、游戏，但这些行业都是门槛很低的，模式较轻的行业，对于资源密集型，技术密集型的产业，互联网能做的不是颠覆，只是改造与提升。以后网络或者虚拟的医疗肯定会对一些疾病的现有治疗及诊断的方式产生影响，但是不可能从根本上替代医生的角色。医生是医疗体系的主体，是生产力；医院是医疗体系的组织形式，是生产关系；强大的互联网思维，可能重组医疗体系，可以取代医院，可以取代药房，但没有医生万万不能。马天王即将启动的网络医药市场会很强大，可以一定程度上冲击医疗行业中的生产关系，但一个个医生的个体，是核心生产力的代表，只会变得更重要，而不会被取代。中国现在医疗模式，大家都在抱怨，但也有它存在的现实合理性。一个社会对待医生的态度，就代表了它对生命的态度。现实中，人们对这个行业的主体，医生，缺少的尊重，对生命缺少敬畏。人们对医学常识，近乎无知；人们对治疗要求，近乎无理；人们对医生态度，近乎苛责；对医生盲目的要求，在一点点压榨医生做选择的空间，在消弭这个群体的积极性和创造力，也在一点点地断送未来医疗环境改善的根基。医疗改革的口号一次次地喊响，但医疗环境一天天地变差，原因是多方面的。逮着医生可劲地骂，不公平也不应该。医患关系是一种生命健康委托关系，而非简单的经济关系或消费关系。只有对医生的尊重与信任，医生才能承担起这一重大的信任委托。这种信任的缺失尤为可怕，如果不能得到改善，我个人非常不看好未来十年之内中国的医疗环境，医务人员和患者都会是受害者，两者的损失都会是巨大的。只不过是，兴，百姓苦，亡，百姓苦。医疗环境不是一种商业模式能解决的，医疗行业是个劳动力密集型，智力密集型和资金密集型的一个行业，想要改善不是一朝一夕的事情。合理的期待，健康的机制，有力地保障，科技的进步，缺一不可。马云能做的是引入一个竞争机制，去撼动这个僵硬的医疗体制，把医生解放出来，激发他们的创造力和服务热情。其他方面还需要这个社会合力去解决。支付宝可以方便人们付款，但我没钱怎么办？我有很多钱，但癌症晚期怎么办？人是逃不过生老病死的，在它面前人人平等。美国总统肯尼迪，能开展登月的阿波罗计划，也还是因小儿麻痹症下身瘫痪。尼克松1976年就提出过治愈癌症的计划，号称癌症“登月”计划，现已成笑柄。是他们能力不足吗？是他们财富不够吗？奥巴马倾全国之力都未能成功进行医改。马云也不可能匹敌美国，以一己之力就改变现有中国的医疗模式。一句话总结，理想化是巨头们的通病。遥远而又遥远的未来，医院也许会消亡，药店也许会消亡，但医生不会，医生将会随着人类的存在而一直存在着。再对不懂医学的马晕说一句话：所有医生没有工作的时候（或者说没有医生的时候）就是人类灭亡的时候。; 1687 次阅读|10 个评论

分享三大突破让人工智能终成现实，Kevin Kelly最新文章: 热度 10 mooninthissky 2014-11-10 11:38; 转发，本文来自译言，原文链接 http://select.yeeyan.org/view/487273/430903 这是失控作者凯文凯利（Kevin Kelly）最新文章，发表于连线（wired）杂志，原文标题是The Three Breakthroughs That Have Finally Unleashed AI on the World .译者：沈持盈数月前，我长途跋涉来到位于纽约州约克城高地的IBM研究实验室的林间园区，为的就是能早早一窥那近在眼前却让人期待许久的人工智能的未来。这儿是超级电脑“沃森”（Watson）的研发地，而沃森在2011年就在“危险边缘”（Jeopardy！）节目的比赛里拔得头筹。最初的沃森电脑仍留于此处——它是一个体积约与一个卧室相当，由10台直立的冷柜式机器围成四面墙的计算机系统。技术人员可以通过系统内部的小细孔把各种线缆接到机器背部。系统内部温度高得出奇，仿佛这个计算机集群是活生生的一般。如今的沃森系统与之前相比有了显著差异。它不再仅仅存在于一排机柜之中，而是通过大量对用户免费开放的服务器传播，这些服务器能够即时运行上百种人工智能的“情况”。同所有云端化的事物一样，沃森系统为世界各地同时使用的客户服务，他们能够用手机、台式机以及他们自己的数据服务器连上该系统。这类人工智能可以根据需求按比例增加或减少。鉴于人工智能会随人们的使用而逐步改进，沃森将始终变得愈发聪明；它在任何一次情况中所获悉的改进点都会立即传送至其他情况中。并且，它也不是一个单一的程序，而是各种软件引擎的集合——其逻辑演绎引擎和语言解析引擎可以在不同的代码、芯片以及位置上运行——所有这些智慧的因素都汇集成了一个统一的智能流。用户可以直接接入这一永久连接（always-on）的智能系统，也可以通过使用这一人工智能云服务的第三方应用程序接入。正如许多高瞻远瞩的父母一样，IBM想让沃森电脑从事医学工作，因此他们正在开发一款医疗诊断工具的应用程序，这倒也不足为奇。之前，诊疗方面的人工智能尝试大多以惨败告终，但沃森却卓有成效。简单地说，当我输入我曾经在印度感染上的某种疾病症状时，它会给我一个疑似病症的清单，上面一一列明了可能性从高到低的疾病。它认为我最可能感染了贾第鞭毛虫病（Giardia）——说的一点儿也没错。这一技术尚未直接对患者开放；IBM将沃森电脑的智能提供给合作伙伴接入使用，以帮助他们开发出用户友好界面为预约医生及医院方面服务。“我相信类似沃森这种——无论它是机器还是人——都将很快成为世界上最好的诊疗医生”，创业公司Scanadu的首席医疗官艾伦·格林（Alan Greene）说道，该公司受到电影《星际迷航》中医用三录仪的启发，正在利用云人工智能技术制造一种诊疗设备。“从人工智能技术改进的速率来看，现在出生的孩子长大后，很可能不太需要通过看医生来得知诊疗情况了。” 随着人工智能发展，我们可能要设计出一些阻止它们拥有意识的方式——我们所宣称的最优质的人工智能服务将是无意识服务。医学仅仅只是一个开始。所有主流的云计算公司，加上数十家创业公司都在争先恐后地开展类似沃森电脑的认知服务。根据量化分析公司Quid的数据，自2009年以来，人工智能已经吸引了超过170亿美元的投资。仅去年一年，就有322家拥有类似人工智能技术的公司获得了超过20亿美元的投资。Facebook和谷歌也为其公司内部的人工智能研究小组招聘了研究员。自去年以来，雅虎、英特尔、Dropbox、LinkedIn、Pinterest以及推特也都收购了人工智能公司。过去四年间，人工智能领域的民间投资以平均每年62%的增长速率增加，这一速率预计还会持续下去。纵观所有这些活动，人工智能的未来正进入我们的视野之中，它既非如那种哈尔9000（HAL 9000）（译者注：小说及电影《2001：太空漫游》中的超级电脑）——一台拥有超凡（但有潜在嗜杀倾向）的类人意识并依靠此运行的独立机器那般——也非让奇点论者心醉神迷的超级智能。即将到来的人工智能颇似亚马逊的网络服务——廉价、可靠、工业级的数字智慧在一切事物的背后运行，偶尔在你的眼前闪烁几下，其他时候近乎无形。这一通用设施将提供你所需要的人工智能而不超出你的需要。和所有设施一样，即使人工智能改变了互联网、全球经济以及文明，它也将变得令人厌倦。正如一个多世纪以前电力所做的那样，它会让无生命的物体活跃起来。之前我们电气化的所有东西，现在我们都将使之认知化。而实用化的新型人工智能也会增强人类个体（加深我们的记忆、加速我们的认知）以及人类群体的生活。通过加入一些额外的智能因素，我们想不到有什么东西不能变得新奇、不同且有趣。实际上，我们能轻易地预测到接下来的一万家创业公司的商业计划：“做某项事业，并加入人工智能”。兹事体大，近在眼前。大约在2002年时，我参加了谷歌的一个小型聚会——彼时谷歌尚未IPO，还在一心一意地做网络搜索。我与谷歌杰出的联合创始人、2011年成为谷歌CEO的拉里·佩奇（Larry Page）随意攀谈起来。“拉里，我还是搞不懂，现在有这么多搜索公司，你们为什么要做免费的网络搜索？你是怎么想到这个主意的？”我那缺乏想象力的无知着实证明了我们很难去做预测，尤其是对于未来的预测。但我要辩解的是，在谷歌增强其广告拍卖方案并使之形成实际收益，以及进行对YouTube的并购或其他重要并购之前，预测未来是很难的。我并不是唯一一个一边狂热地用着谷歌的搜索引擎一边认为它撑不了多久的用户。但佩奇的回答让我一直难以忘怀：“哦，我们实际上是在做人工智能。” 过去数年间，关于那次谈话我想了很多，谷歌也收购了14家人工智能以及机器人方面的公司。鉴于搜索业务为谷歌贡献了80%的收入，因此乍一看去，你可能会觉得谷歌正在扩充其人工智能方面的投资组合以改善搜索能力。但是我认为正好相反。谷歌正在用搜索技术来改善人工智能，而非使用人工智能来改进搜索技术。每当你输入一个查询词，点击搜索引擎生成的链接，或者在网页上创造一个链接，你都是在训练谷歌的人工智能技术。当你在图片搜索栏中输入“复活节兔子”（Easter Bunny）并点击看起来最像复活节兔子的那张图片时，你都是在告诉人工智能，复活节兔子是长成什么样的。谷歌每天拥有12亿搜索用户，产生1210亿搜索关键词，每一个关键词都是在一次又一次地辅导人工智能进行深度学习。如果再对人工智能的算法进行为之10年的稳固改进，加之一千倍以上的数据以及一百倍以上的计算资源，谷歌将会开发出一款无与伦比的人工智能产品。我的预言是：到2024年，谷歌的主营产品将不再是搜索引擎，而是人工智能产品。这个观点自然也会招来怀疑的声音。近60年来，人工智能的研究者都预测说人工智能时代即将到来，但是直到几年前，人工智能好像还是遥不可及。人们甚至发明了一个词来描述这个研究结果匮乏、研究基金更加匮乏的时代：人工智能之冬。那么事情真的有变化吗？是的。近期的三大突破让人们期待已久的人工智能近在眼前： 1. 成本低廉的并行计算思考是一种人类固有的并行过程，数以亿计的神经元同时放电以创造出大脑皮层用于计算的同步脑电波。搭建一个神经网络——即人工智能软件的主要结构——也需要许多不同的进程同时运行。神经网络的每一个节点都大致模拟了大脑中的一个神经元——其与相邻的节点互相作用，以明确所接收的信号。一项程序要理解某个口语单词，就必须能够听清（不同音节）彼此之间的所有音素；要识别出某幅图片，就需要看到其周围像素环境内的所有像素——二者都是深层次的并行任务。但直到最近，标准的计算机处理器也仅仅能一次处理一项任务。事情在十多年前就已经开始发生变化，彼时出现了一种被称为图形处理单元（graphics processing unit -GPU）的新型芯片，它能够满足可视游戏中高密度的视觉以及并行需求，在这一过程中，每秒钟都有上百万像素被多次重新计算。这一过程需要一种专门的并行计算芯片，该芯片添加至电脑主板上，作为对其的补充。并行图形芯片作用明显，游戏可玩性也大幅上升。到2005年，GPU芯片产量颇高，其价格便降了下来。2009年，吴恩达（Andrew Ng）（译者注：华裔计算机科学家）以及斯坦福大学的一个研究小组意识到，GPU芯片可以并行运行神经网络。这一发现开启了神经网络新的可能性，使得神经网络能容纳上亿个节点间的连接。传统的处理器需要数周才能计算出拥有1亿节点的神经网的级联可能性。而吴恩达发现，一个GPU集群在一天内就可完成同一任务。现在，一些应用云计算的公司通常都会使用GPU来运行神经网络，例如，Facebook会籍此技术来识别用户照片中的好友，Netfilx也会依其来给5000万订阅用户提供靠谱的推荐内容。 2. 大数据每一种智能都需要被训练。哪怕是天生能够给事物分类的人脑，也仍然需要看过十几个例子后才能够区分猫和狗。人工思维则更是如此。即使是（国际象棋）程序编的最好的电脑，也得在至少对弈一千局之后才能有良好表现。人工智能获得突破的部分原因在于，我们收集到来自全球的海量数据，以给人工智能提供了其所需的训练。巨型数据库、自动跟踪（self-tracking）、网页cookie、线上足迹、兆兆字节级存储、数十年的搜索结果、维基百科以及整个数字世界都成了老师，是它们让人工智能变得更加聪明。 3. 更优的算法 20世纪50年代，数字神经网络就被发明了出来，但计算机科学家花费了数十年来研究如何驾驭百万乃至亿级神经元之间那庞大到如天文数字一般的组合关系。这一过程的关键是要将神经网络组织成为堆叠层（stacked layer）。一个相对来说比较简单的任务就是人脸识别。当某神经网络中的一组比特被发现能够形成某种图案——例如，一只眼睛的图像——这一结果就会被向上转移至该神经网络的另一层以做进一步分析。接下来的这一层可能会将两只眼睛拼在一起，将这一有意义的数据块传递到层级结构的第三层，该层可以将眼睛和鼻子的图像结合到一起（来进行分析）。识别一张人脸可能需要数百万个这种节点（每个节点都会生成一个计算结果以供周围节点使用），并需要堆叠高达15个层级。2006年，当时就职于多伦多大学的杰夫·辛顿（Geoff Hinton）对这一方法进行了一次关键改进，并将其称之为“深度学习”。他能够从数学层面上优化每一层的结果从而使神经网络在形成堆叠层时加快学习速度。数年后，当深度学习算法被移植到GPU集群中后，其速度有了显著提高。仅靠深度学习的代码并不足以能产生复杂的逻辑思维，但是它是包括IBM的沃森电脑、谷歌搜索引擎以及Facebook算法在内，当下所有人工智能产品的主要组成部分。这一由并行计算、大数据和更深层次算法组成的完美风暴使得持续耕耘了60年的人工智能一鸣惊人。而这一聚合也表明，只要这些技术趋势继续下去——它们也没有理由不延续——人工智能将精益求精。随着这一趋势的持续，这种基于云技术的人工智能将愈发成为我们日常生活中不可分割的一部分。但天上没有掉馅饼的事。云计算遵循收益递增（increasing returns）法则，这一法则有时也被称为网络效应（network effect），即随着网络发展壮大，网络价值也会以更快的速度增加。网络（规模）越大，对于新用户的吸引力越强，这又让网络变得更大，又进一步增强了吸引力，如此往复。为人工智能服务的云技术也遵循这一法则。越多人使用人工智能产品，它就会变得越聪明；它变得越聪明，就有越多人来使用它；然后它变得更聪明，进一步就有更多人使用它。一旦有公司迈进了这个良性循环中，其规模会变大、发展会加快，以至于没有任何新兴对手能望其项背。因此，人工智能的未来将有两到三家寡头公司统治，它们会开发出大规模基于云技术的多用途商业智能产品。 1997年，沃森电脑的前辈、IBM公司的深蓝电脑在一场著名的人机大赛中击败了当时的国际象棋大师加里·卡斯帕罗夫（Garry Kasparov）。在电脑又赢了几场比赛之后，人们基本上失去了对这类比赛的兴趣。你可能会认为故事到此就结束了，但卡斯帕罗夫意识到，如果他也能像深蓝一样立即访问包括以前所有棋局棋路变化在内的巨型数据库的话，他在对弈中能表现得更好。如果这一数据库工具对于人工智能设备来说是公平的话，为什么人类不能使用它呢？为了探究这一想法，卡斯帕罗夫率先提出了“人加机器”（man-plus-machine）比赛的概念，即用人工智能增强国际象棋选手水平，而非让人与机器之间对抗。这种比赛如今被称为自由式国际象棋比赛，它有点儿像混合武术对抗赛，选手们可以使用任何他们想要用的作战技巧。你可以单打独斗；也可以接受你那装有超级聪明的国际象棋软件的电脑给出的帮助，你要做的仅仅是按照它的建议来移动棋子；或者你可以当一个卡斯帕罗夫所提倡的那种“半人半机”的选手。半人半机选手会听取人工智能设备在其耳边提出的棋路建议，但是也间或不会采用这些建议——颇似我们开车时候用的GPS导航一般。在接受任何模式选手参赛的2014年自由式国际象棋对抗锦标赛上，纯人工智能的国际象棋引擎赢得了42场比赛，而半人半机选手则赢得了53场。当今世上最优秀的国际象棋选手就是半人半机选手Intagrand，它是一个由多人以及数个不同国际象棋程序所组成的小组。但最令人惊讶的是：人工智能的出现并未让纯人类的国际象棋棋手的水平下降。恰恰相反，廉价、超级智能的国际象棋软件吸引了更多人来下国际象棋，比赛比以前增多了，棋手的水平也比以前上升了。现在的国际象棋大师（译者注：国际象棋界的一种等级）人数是深蓝战胜卡斯帕罗夫那时候的两倍多。现在的排名第一的人类国际象棋棋手马格努斯·卡尔森（Magnus Carlsen）就曾接受人工智能的训练，他被认为是所有人类国际象棋棋手中最接近电脑的棋手，同时也是有史以来积分最高的人类国际象棋大师。如果人工智能能帮助人类成为更优秀的国际象棋棋手，那么它也能帮助我们成为更为优秀的飞行员、医生、法官以及教师。大多数由人工智能完成的商业工作都将是有专门目的的工作，严格限制在智能软件能做到的工作之内，比如，（人工智能产品）把某种语言翻译成另一种语言，但却不能翻译成第三种语言。再比如，它们可以开车，但却不能与人交谈。或者是能回忆起YouTube上每个视频的每个像素，却无法预测你的日常工作。在未来十年，你与之直接或者间接互动的人工智能产品，有99%都将是高度专一、极为聪明的“专家”。实际上，这并非真正的智能，至少不是我们细细想来的那种智能。的确，智能可能是一种倾向——尤其是如果我们眼中的智能意味着我们那特有的自我意识、一切我们所有的那种狂乱的自省循环以及凌乱的自我意识流的话。我们希望无人驾驶汽车能一心一意在路上行驶，而不是纠结于之前和车库的争吵。医院中的综合医生“沃森”能专心工作，不要去想自己是不是应该专攻英语。随着人工智能的发展，我们可能要设计出一些阻止它们拥有意识的方式——我们所宣称的最优质的人工智能服务将是无意识服务。我们想要的不是智能，而是人工智慧。与一般的智能不同，智慧（产品）具有专心、可衡量、种类特定的特点。它也能够以完全异于人类认知的方式来思考。这儿有一个关于非人类思考的一个很好的例子，今年三月在德克萨斯州奥斯汀举行的西南偏南音乐节（South by Southwest festival）上，沃森电脑就上演了一幕厉害的绝技：IBM的研究员给沃森添加了由在线菜谱、美国农业部（USDA）出具的营养表以及让饭菜更美味的味道研究报告组成的数据库。凭借这些数据，沃森依靠味道配置资料和现有菜色模型创造出了新式的菜肴。其中一款由沃森创造出的受人追捧的菜肴是美味版本的“炸鱼和炸薯条”（fish and chips），它是用酸橘汁腌鱼和油炸芭蕉制成。在约克城高地的IBM实验室里，我享用了这道菜，也吃了另一款由沃森创造出的美味菜肴：瑞士/泰式芦笋乳蛋饼。味道挺不错！非人类的智能不是错误，而是一种特征。人工智能的主要优点就是它们的“相异智能”（alien intelligence）。一种人工智能产品在思考食物方面与任何的大厨都不相同，这也能让我们以不同的方式看待食物，或者是以不同的方式来考虑制造物料、衣服、金融衍生工具或是任意门类的科学和艺术。相较于人工智能的速度或者力量来说，它的相异性对我们更有价值。实际上，人工智能将帮助我们更好地理解我们起初所说的智能的意思。过去，我们可能会说只有那种超级聪明的人工智能产品才能开车，或是在“危险边缘”节目以及国际象棋大赛中战胜人类。而一旦人工智能做到了那些事情，我们就会觉得这些成就明显机械又刻板，并不能够被称为真正意义上的智能。人工智能的每次成功，都是在重新定义自己。但我们不仅仅是在一直重新定义人工智能的意义——也是在重新定义人类的意义。过去60年间，机械加工复制了我们曾认为是人类所独有的行为和才能，我们不得不改变关于人机之间区别的观点。随着我们发明出越来越多种类的人工智能产品，我们将不得不放弃更多被视为人类所独有能力的观点。在接下来的十年里——甚至，在接下来的一个世纪里——我们将处于一场旷日持久的身份危机（identity crisis）中，并不断扪心自问人类的意义。在这之中最为讽刺的是，我们每日接触的实用性人工智能产品所带来的最大益处，不在于提高产能、扩充经济或是带来一种新的科研方式——尽管这些都会发生。人工智能的最大益处在于，它将帮助我们定义人类。我们需要人工智能来告诉我们，我们究竟是谁。 —————————— 译注： “危险边缘”节目：美国哥伦比亚广播公司益智问答游戏节目，已有数十年历史。该节目的比赛以一种独特的问答形式进行，问题设置的涵盖面非常广泛，涉及到历史、文学、艺术、流行文化、科技、体育、地理、文字游戏等等各个领域。根据以答案形式提供的各种线索，参赛者必须以问题的形式做出简短正确的回答。三录仪、医用三录仪：《星际迷航》中的一个万用工具，能够感知环境四周，并将这些数据记录下来，然后进行计算。它也可以探测生命信号、入侵操作者指定的计算机系统、录音、扫描地形等等；医用三录仪式专门对人体进行扫描以检测病患的工具。奇点：本是物理学词汇，指“时空中的一个普通物理规则不适用的点”。在美国未来学家雷蒙德·库兹韦尔的理论中，“奇点”是指人类与其他物种（物体）的相互融合。确切来说，是指电脑智能与人脑智能兼容的那个神妙时刻。收益递增：一种经济现象，表现为投入增加会导致产出以更大的比例增加。版权声明：本译文仅用于学习和交流目的。非商业转载请注明译者、出处，并保留文章在译言的完整链接。商业合作请联系 biz@yeeyan.com 原文来源： wired.com 原文标题： The Three Breakthroughs That Have Finally Unleashed AI on the World | WIRED 原文地址： http://www.wired.com/2014/10/future-of-artificial; 1642 次阅读|5 个评论

分享无意识的力量——人工智能的诞生（转）: 热度 3 gordon 2013-10-15 02:52; 注：符号学是早期人工智能的基础，西蒙首先认识到这一点，没有这些社会实践活动，人工智能还不知道何时才能诞生。现在这些人生存也很艰难，因为 “ 人工智能机器的普及会代替他们的工作 ” ，也是一个社会问题。　　群体行为还有一重大心理特征，就是崇尚威势，迷信权威人物。社会中大多数处于中下层地位的群众，大多地位卑微，心理狭窄脆弱，对超出自身生活经验的一般问题不甚了解，不辨真伪，希望听从权威的意见。他们甚至不在乎“说什么”，而在乎持此说之人物的地位，因为群众需要服从权威的指导。因而凡有大众迷信、偶像崇拜之处，群众必然情令智昏匍匐在地，具有一种类似于宗教的极端情感与形式。就像原始初民需要神话，群众潜意识中也需要一个具有神格的伟人。所以不管是拿破仑的凯旋，还是希特勒的讲演、斯大林的检阅等，都是“群众需要上帝，我们就造出一个上帝”的狂热荒谬之举。古往今来的君主枭雄、教主领袖，乃至市井中有号召力之人，都对群众这种心理有着准确的把握，他们无意间成为绝好的心理学家。这正是他们具有统率号召力的原因。　　勒邦道：“每个时代的群体杰出领袖，尤其是革命时期的领袖，大多才疏学浅，他们往往勇气超过才智。才智过多甚至会给领袖带来障碍，但正是这些才智有限的人给世界带来最大影响。”（〔法〕古斯塔夫·勒邦著：《乌合之众——大众心理研究》，冯克利译，中央编译出版社2000年版；）翻开历史书籍，这种出身江湖、强人领袖成功夺取社稷重器的例子遍布于世界各个国家和民族。这类群众领袖的高明不仅在于他们擅长谋略权术，还在于擅用巧妙的宣传和演说把自己打扮神化成伟人救星、明主英雄，窃取国家、民族、真理、革命的名义煽动群众，让他们相信为其谋利，相信其幸福与快乐在于崇拜与服从之中，役使他们赴死就义，心甘情愿在所不辞。　　群众中有无智者？群众为什么会如此容易受欺骗？他们在为人驱使被利用时，甚至在大多数时候，为什么不知道自身的行为常与其利益相背离？这岂止一句“愚昧”、“糊涂”说得清当群体行为发生时，其中个体意识处于一种什么样的状态？关于这些，两本书的作者都有解读。勒邦认为，群众意识有“趋同一致律”，即在特定事件群众集结、情感亢奋昂扬的场面中，个人思想感情必遭弱化乃至泯灭，会不自觉地加入到集体意识中去。即使平时独处冷静清醒的佼佼者，一旦汇入群体，个人都会被感性所支配，被群体所裹挟，意识趋于群众的平均水平。在这种情形下，一个受过教育的绅士和伙夫修鞋匠的心理意识并无多大差别。再者，当群体行为发生时，其中的个人会卸去责任感，有一种冲破压抑、胆大包天、罚不责众的快感。这种快感又被英国哲学家罗素解释为权力感。罗素在其《权力论》中说道：“在目标一致的热烈集会上，群众有一种热情和安全交织的得意感。这种共有的情绪越发强烈，直到排除一切其他情感，只剩下一种因‘自我’倍增而产生的权力兴奋感。集体兴奋是绝好的麻醉。其间，理智、人道、甚至自我保护很容易被遗忘。这时候，残忍的屠杀和英勇殉难同样是可能的。” 　　历史和现实的经验告诉人们，以巧妙的伎俩雄辩演说，来迎合众人浅薄心理，慑服人心为要术，是领袖人物、群众操控者的基本手段。其实他们并非需要掌握什么了不得的理论，只要用一些具有煽动性标语口号或诗一般的语言，开动其控制的宣传机器长久反复的灌输，调动群众的情绪或欲望，便会达到统率思想征服民众的目的。希特勒一再强调，不能靠论证、证据和知识来赢得群众，只能靠感情和信仰。总之，舆论宣传于一切独裁统治是重要而不可或缺的方针政策。　　别小看这些语无伦次大言不惭的口号、毫无实质性内容的豪言壮语，它虽然和一个人对自己祖国与民族真正自然热爱的感情丝毫无关，但当其成为一种强势话语时，会流行传染成一场政治性情感瘟疫，具有“无意识”的巨大力量。这便是宣传造势的秘密。精神分析学中有“自居作用”之说，即一个人感到和另一个人的观念、信仰等一致时，便采取这个人的态度，并在幻想中把自己摆在他人的位置上。赖希先生在对纳粹德国和苏联的大量宣传内容和方式进行考察研究后，揭示出正是这种“自居作用”构成了群众心理的现实基础，即个人越觉得无能、越卑微，就越需要崇拜威权；越感到自身无价值，就越需要移情于集体和大人物，把自身等同于民族的伟大、国家的荣誉，等同于领袖的崇高。当时的德国人民对国家、元首、政府拥戴的态度可以概括为：我就是国家、民族、权威，甚至每一个德国人在潜意识里都自认为是小希特勒。元首的思想就成为德国人的思想，纳粹党的意志就是德国人的意志。这种心理感觉上的置换，潜意识的移情，效果可谓巨大而显著。“没有个人的自大，只有合群的自大”（鲁迅），这种“小人精神”，自卑与自大的非理性情感混合物，正是法西斯民族主义的心理土壤。　　赖希与勒邦在其研究群众心理的书中得出一个共同的结论，即群众是无意识的，他们是完全可以被塑造的。有什么样的国家，就有什么样的人民；反过来也一样，有什么样的人民，就有什么样的国家。所以，如果一种社会的主流意识形态呈现非理性，也会使群众的性格结构成为非理性状态。这不但被法国、德国的历史所证实，也被二战以后世界上大大小小独裁国家统治的现实所证实，而且正在被当今世界上发生的层出不穷的战争和暴力与恐怖主义行为所印证。独裁与专制、战争与暴力是人类的毒瘤，是社会生活中最大的非理性行为。被这种情形笼罩下的民众容易认为自己是生活在天国之邦的蚁民或子民。勒邦与赖希这两本研究群众心理学的著作，”（〔法〕古斯塔夫·勒邦著：《乌合之众——大众心理研究》，冯克利译，中央编译出版社2000年版；〔奥〕威尔海姆·赖希著：《法西斯群众心理学》，张峰译，重庆出版社1990年版）其实际意义就在于唤醒每一个普通人，警惕自身，认识自己，拒绝为野心家和反动势力所利用，保持我们的公民人格，做一个清醒的自由人。; 238 次阅读|2 个评论

分享有个关于人工智能的帖子找不到了, 求助.: 热度 3 profer 2013-4-7 17:32; 记得某大牛在一个回帖里说过, 大致是这么个意思: "以前美国的人工智能是学生绕道躲着走的专业, 几十年了都没有本质性突破, 没前途. 最近取得了理论上的突破, 人工智能又火了起来" 我印象中实在晨大的"自动化迷失"里的回帖, 但是么有找到. 放狗了半天也没搜到. 哪位大牛对这帖子有印象或者说下最近人工智能理论上发生了什么重大突破?? 万分感谢.; 881 次阅读|3 个评论

分享人工智能: 热度 18 我爱莫扎特 2012-1-5 01:06; 昨晚看了去年2月IBM的超级电脑Watson参加 Jeopardy智力问答的全过程。虽说去年看过报道，但真的看了视频还是感觉很震撼！计算机参加这类比赛，难点有三个： 1，将主持人念的题目从语音转化为文字。这就是iPhone4S里Siri干的活，但Watson的准确率几乎为百分之百。 2，对句子进行语义分析，“理解”问题。我认为这是最困难的部分。 3，搜索答案，并给出一系列可能的答案及相应的概率。这涉及到模糊搜索，比现有的搜索技术高一个级别。 YOUTUBE上有全部三天比赛的视频，强烈推荐没看过的同志们去看看。我越来越相信 Ray Kurzweil说的奇点（计算机智能超过人类的那天）即将来临的预言了。补充几句： 1，Watson并没有通过真正意义上的图灵检验，但它的表现确实很棒。 2，推荐一本人工智能方面的科普书《剑桥五重奏》。作者Casti虚构了一场晚宴，参加者有薛定谔（量子物理先驱），维特根斯坦（大哲学家），图灵（计算机之父），霍尔登(J.B.S.Haldane，遗传学家)，及主持人物理学家斯诺（C.P.Snow），五人从各个角度讨论了人工智能。这本书网上有下载。; 1052 次阅读|22 个评论

更多...

		自动登录	找回密码
密码			注册

标签: 人工智能

相关帖子

相关日志