人工智能的适应性知识表征与推理
|
摘要
自达尔文以来生物适应环境的观念已深入人心。智能主体,包括人类和机器,其智能的发展也是适应环境的。就人工智能主体而言,它展现的知识表征过程充分体现了人工智能主体适应其环境的特征,尽管这种环境是人类设计者设置的。从认知哲学来看,人工智能的知识表征也与其人类设计者的知识表征极为类似。首先需要给它建立一个能够表征抽象概念的本体论框架,然后在此框架下根据逻辑规则执行各种表征程序,诸如客体范畴化、事件运算、命题态度、范畴推理、缺省信息推理、真理保持系统和基于知识的主体的推理,这些程序在各自环境中适应性地进行表征与推理。人工智能主体Alpha Go和Master是这方面的两个典型例子。
The idea of organism adapting to the environment has been deeply rooted in the hearts of the people since Darwin.Agents,including humans and machines,their intelligent developments are also adapted to the environment. For artificial agents,the process of knowledge representation that agents showed fully reflects the characteristics of artificial agents adapting to their environment,even though the environment is set by human designers. From the perspective of philosophy of cognition,the knowledge representation of artificial intelligence is very similar to that of human designers. First of all,it is necessary to build an ontological framework that can represent abstract concepts. Then various representation programs are executed under this framework according to logical rules such as first-order logic. These programs include object categorization,event operation,propositional attitude,categorical reasoning,default information,truth preserving system,knowledge-based agent,adaptive representation and reasoning in their respective environments. Two artificial agents,Alphago and Master,are two typical examples to illustrate the adaptive knowledge representation and reasoning in artificial intelligence.
The idea of organism adapting to the environment has been deeply rooted in the hearts of the people since Darwin.Agents,including humans and machines,their intelligent developments are also adapted to the environment. For artificial agents,the process of knowledge representation that agents showed fully reflects the characteristics of artificial agents adapting to their environment,even though the environment is set by human designers. From the perspective of philosophy of cognition,the knowledge representation of artificial intelligence is very similar to that of human designers. First of all,it is necessary to build an ontological framework that can represent abstract concepts. Then various representation programs are executed under this framework according to logical rules such as first-order logic. These programs include object categorization,event operation,propositional attitude,categorical reasoning,default information,truth preserving system,knowledge-based agent,adaptive representation and reasoning in their respective environments. Two artificial agents,Alphago and Master,are two typical examples to illustrate the adaptive knowledge representation and reasoning in artificial intelligence.
引文
(1)International and interdisciplinary conference on adaptive knowledge representation and reasoning,http://research.ics.aalto.fi/events/AKRR05/index.html。关于适应性知识表征与推理(AKRR)的国际和跨学科会议于2005年6月首次在芬兰的埃斯波召开,会议提出知识表征和推理是人工智能的传统领域,在现代社会中它们不仅是各种信息系统和网络中的底层结构单元,也是认知科学和认识论的核心主题。由于传统模式是基于谓词逻辑、语义网络和其他符号表征的,因此该会议涉及的相关问题包括我们如何知道我们所知道的,我们如何能够使用有效推理,我们如何在知识表征与推理的模型和应用中使用计算机。该会议的目的是探讨统计潜在变量模型、向量空间表征、统计机器学习、人工神经网络和动态系统等替代表征和算法。这些挑战对于生命科学也非常有意义,因为在生命科学中,疾病机制的复杂性和新药的开发过程需要新的方法。此次会议探讨了认知和社会系统中知识的产生、复杂性和自组织问题:知识是如何在人类和计算机中介网络中创造和建立的,以及语言作为知识建构的适应媒介的作用。
(2)International and interdisciplinary conference on adaptive knowledge representation and reasoning,http://research.ics.aalto.fi/events/AKRR08/。第二届适应性知识表征与推理(AKRR)国际和跨学科会议于2008年9月在芬兰的波尔沃召开,它虽然在主题上延续了2005年的,但其目的是将研究经验科学中复杂现象的科学家和开发处理复杂性的计算方法的科学家聚集在一起。经验科学方面包括认知科学、社会学、教育心理学、经济学、医学等方面的研究人员,方法科学方面涉及发展统计机器学习、动力系统理论和适应系统的研究人员。会议还旨在与那些遇到复杂现象的从业人员密切联系,因为他们正在寻找应对管理和战略决策方面的挑战的新方法。关于这个主题的第三次会议至今还没有召开,原因不详。
(1)Stuart J.Russell,Peter Norvig,Artificial Intelligence:A Modern Approach,清华大学出版社2011年版,第438页。
(2)CYC源于encyclopedia(百科全书)。Cycorp是由Douglas Lenat成立并领导的、致力于实现人工智能的公司。CycL是Cyc的基于一阶逻辑的专有知识表征语言。1986年Lenat就预测过,若想要完成CYC这样庞大的常识知识系统,至少会涉及25万条规则,并将要花费350个人1年才能完成。CYC知识库中一般采取三段论推理形式的知识,推出正确结论。该知识库中大约有320万条人类定义的语句,涉及30万个概念,15000个谓词。这些资源都采CycL语言和谓词代数描述,语法上与Lisp程序设计语言类似。
(3)DBpedia是一个特殊的语义网应用系统,能够从维基百科词条里提取结构化的资料,以强化维基百科的搜寻功能。它是世界上最大的多领域知识本体论之一,是Linked Data的一部分。
(1)Stuart J.Russell,Peter Norvig,Artificial Intelligence:A Modern Approach,第446页。
(1)Stuart J.Russell,Peter Norvig,Artificial Intelligence:A Modern Approach,第459页。
(1)这里的语句是一个技术术语,类似于但不同于英语、汉语等自然语言,是自然语言与形式语言的混用形式。
(1)一个典型的魔兽世界由16个方格构成,其标记方式与坐标系相同,即纵向是从下到上1-4,横向从左到右1-4,用数字标记分别是[1,1][1,2][1,3][1,4][2,1][2,2][2,3][2,4][3,1]3,2[3,3][3,4][4,1][4,2][4,3][4,4],主体位于[1,1]中,魔兽位于[1,3]中,金子在[2,3]中,有坑的房间分别是[3,1][3,3][4,4]。
(2)由性能(Performance)、环境(Environment)、促动器(Actuator)和感知器(Sensor)组合成的方法,这四个指标是设置人工智能环境常用的标准。
(1)https://zhuanlan.zhihu.com/intelligentunit。
(2)关于这个问题,我的看法是,目前机器智能没有超过人类智能。这就看我们如何定义“智能”概念了。在我看来,智能应该包括计算力、感知力、预测力、直觉力、洞见力、情感力、意向力(自我意识)和自语境化力(能够自动融入语境),这些能力统称为人类的综合能力。智能机显然还没有达到这种综合能力,虽然它具有计算力和预测力,而且这两种能力可能还远远超过人类(计算机的计算能力远超过人)。目前的智能机显然没有情感和自我意识,更不能随着语境的变化而自动融入新的语境,因为智能机毕竟还是机器,它是不依赖语境的,尽管设计者可以在一个给定范围给它设置语境,如一个特定的语义网构成一个语义域。就人机对弈而言,虽然人输给了智能机,但这不意味着它超越了人类的智能,理由是:(1)智能机背后是设计它的一群人,这等于是一群人借助机器与一个人对弈,一个人当然敌不过一群人,“三个臭皮匠胜过一个诸葛亮”;(2)以单一能力超强评价是“以偏概全”,狗的嗅觉比人好,鹰的视力比人好,难道我们能够说狗和鹰超过了人的智能?同样,计算机无疑比人的计算力强,我们不能因此说计算机超过了人的智能;(3)一个人的智能(李世石)并不能代表整个人类的智能,集体意识或者智能不是一个人能够表现出来的;(4)机器可以连续工作,而人则不能,所以在“累”的意义上,人类就不如智能机,累会使人体力下降,专注力下降,因而会影响智力的发挥;(5)在灵活性、应变性、综合性方面,正如前述所说,智能机远不如人类,更不用说情感和自我意识了。
(3)据说,与人类棋手相比,快速扫描策略的正确判断率只有24.2%,深度模仿策略的正确判断率只有57.0%,网络自我学习策略的正确判断率则高达80%,全局评估网络的误差很低,均方差在0.22-0.23之间。
(1)雷·库兹韦尔:《机器之心》,胡晓娇、张温卓玛、吴纯洁译,中信出版集团2016年版,第289页。
(2)International and interdisciplinary conference on adaptive knowledge representation and reasoning,http://research.ics.aalto.fi/events/AKRR08/。第二届适应性知识表征与推理(AKRR)国际和跨学科会议于2008年9月在芬兰的波尔沃召开,它虽然在主题上延续了2005年的,但其目的是将研究经验科学中复杂现象的科学家和开发处理复杂性的计算方法的科学家聚集在一起。经验科学方面包括认知科学、社会学、教育心理学、经济学、医学等方面的研究人员,方法科学方面涉及发展统计机器学习、动力系统理论和适应系统的研究人员。会议还旨在与那些遇到复杂现象的从业人员密切联系,因为他们正在寻找应对管理和战略决策方面的挑战的新方法。关于这个主题的第三次会议至今还没有召开,原因不详。
(1)Stuart J.Russell,Peter Norvig,Artificial Intelligence:A Modern Approach,清华大学出版社2011年版,第438页。
(2)CYC源于encyclopedia(百科全书)。Cycorp是由Douglas Lenat成立并领导的、致力于实现人工智能的公司。CycL是Cyc的基于一阶逻辑的专有知识表征语言。1986年Lenat就预测过,若想要完成CYC这样庞大的常识知识系统,至少会涉及25万条规则,并将要花费350个人1年才能完成。CYC知识库中一般采取三段论推理形式的知识,推出正确结论。该知识库中大约有320万条人类定义的语句,涉及30万个概念,15000个谓词。这些资源都采CycL语言和谓词代数描述,语法上与Lisp程序设计语言类似。
(3)DBpedia是一个特殊的语义网应用系统,能够从维基百科词条里提取结构化的资料,以强化维基百科的搜寻功能。它是世界上最大的多领域知识本体论之一,是Linked Data的一部分。
(1)Stuart J.Russell,Peter Norvig,Artificial Intelligence:A Modern Approach,第446页。
(1)Stuart J.Russell,Peter Norvig,Artificial Intelligence:A Modern Approach,第459页。
(1)这里的语句是一个技术术语,类似于但不同于英语、汉语等自然语言,是自然语言与形式语言的混用形式。
(1)一个典型的魔兽世界由16个方格构成,其标记方式与坐标系相同,即纵向是从下到上1-4,横向从左到右1-4,用数字标记分别是[1,1][1,2][1,3][1,4][2,1][2,2][2,3][2,4][3,1]3,2[3,3][3,4][4,1][4,2][4,3][4,4],主体位于[1,1]中,魔兽位于[1,3]中,金子在[2,3]中,有坑的房间分别是[3,1][3,3][4,4]。
(2)由性能(Performance)、环境(Environment)、促动器(Actuator)和感知器(Sensor)组合成的方法,这四个指标是设置人工智能环境常用的标准。
(1)https://zhuanlan.zhihu.com/intelligentunit。
(2)关于这个问题,我的看法是,目前机器智能没有超过人类智能。这就看我们如何定义“智能”概念了。在我看来,智能应该包括计算力、感知力、预测力、直觉力、洞见力、情感力、意向力(自我意识)和自语境化力(能够自动融入语境),这些能力统称为人类的综合能力。智能机显然还没有达到这种综合能力,虽然它具有计算力和预测力,而且这两种能力可能还远远超过人类(计算机的计算能力远超过人)。目前的智能机显然没有情感和自我意识,更不能随着语境的变化而自动融入新的语境,因为智能机毕竟还是机器,它是不依赖语境的,尽管设计者可以在一个给定范围给它设置语境,如一个特定的语义网构成一个语义域。就人机对弈而言,虽然人输给了智能机,但这不意味着它超越了人类的智能,理由是:(1)智能机背后是设计它的一群人,这等于是一群人借助机器与一个人对弈,一个人当然敌不过一群人,“三个臭皮匠胜过一个诸葛亮”;(2)以单一能力超强评价是“以偏概全”,狗的嗅觉比人好,鹰的视力比人好,难道我们能够说狗和鹰超过了人的智能?同样,计算机无疑比人的计算力强,我们不能因此说计算机超过了人的智能;(3)一个人的智能(李世石)并不能代表整个人类的智能,集体意识或者智能不是一个人能够表现出来的;(4)机器可以连续工作,而人则不能,所以在“累”的意义上,人类就不如智能机,累会使人体力下降,专注力下降,因而会影响智力的发挥;(5)在灵活性、应变性、综合性方面,正如前述所说,智能机远不如人类,更不用说情感和自我意识了。
(3)据说,与人类棋手相比,快速扫描策略的正确判断率只有24.2%,深度模仿策略的正确判断率只有57.0%,网络自我学习策略的正确判断率则高达80%,全局评估网络的误差很低,均方差在0.22-0.23之间。
(1)雷·库兹韦尔:《机器之心》,胡晓娇、张温卓玛、吴纯洁译,中信出版集团2016年版,第289页。