1700522661
1700522662
我们可以使用“且”智能体来识别很多东西，但这种理念也有严重的局限性。假设你试图通过这种方式识别一把椅子，如果你坚持寻找“四条腿且有一个座位且有一个靠背”，那么这个任务通常会失败。你很少能同时看到椅子的全部四条腿，通常至少有一条腿在视线之外。此外，如果有人坐在椅子上，你常常根本无法看到座位。在现实生活中，如果一个识别方案是以绝对完美的证据为基础，那么它并不总是能起作用。一个更明智的方案不会要求椅子的每个特征都能被看到，相反，它会在椅子出现时“权衡证据的重要性”。举例而言，我们让椅子智能体在看到椅子6个特征中的5个或以上时就激活：
1700522663
1700522664
1700522665
1700522666
1700522667
这种方案同样也会犯错。如果椅子的特征中有很多都看不见，那也会无法识别出椅子。如果这些特征虽然呈现出来，但是以错误的排列出现，智能体就会把其他物体错认成椅子。比如椅子的所有四条腿都安在了“座位”的同一边。实际上，仅仅确认所有要求的组件都存在，通常不足以用来识别事物，人们还要确认这些组件的维度和关系。否则我们的识别器无法区分椅子和沙发，甚至不能区分椅子和一堆木板木条。有一类荒谬的笑话就是以无法确认关系为基础的：
1700522668
1700522669
什么东西有八条腿还能飞？
1700522670
1700522671
——一个乘飞机旅游的弦乐四重奏乐团。
1700522672
1700522673
1700522674
1700522675
1700522676
心智社会：从细胞到人工智能，人类思维的优雅解读 [:1700518565]
1700522677
心智社会：从细胞到人工智能，人类思维的优雅解读 19.7 权衡证据
1700522678
1700522679
在“权衡证据”这个主题上有很多重要变体。我们的第一个理念就是数出有多少证据支持某个物体是一把椅子。但所有的证据价值都一样，所以我们可以通过给不同类型的证据赋予不同的“权重”来改进方案。
1700522680
1700522681
1700522682
1700522683
1700522684
桌子也有四条腿和一个座位，我们如何防止这个椅子识别器把桌子当成椅子呢？方法之一就是安排权重。但如果已经拥有了一个桌子识别器，我们就可以用它的输出作为证据来反对把这个物体当成椅子，只要给它赋予负数的权重即可！人们应该如何决定每个特征应该被赋予多少权重呢？在1959年，弗兰克·罗森布拉特发明了一种具有独创性的证据加权机器，叫作“感知器”。它配备了一个流程，一个老师会告诉它，它所做的哪种区分是不可接受的，从而让它自动学会应该使用哪种权重。
1700522685
1700522686
所有的特征加权机器都有严重的局限性，因为尽管可以估量各种特征是否出现，但它们无法足够重视这些特征之间的关系。举例而言，在《感知器》（Perceptrons）一书中，西蒙·派珀特和我用数学方法证明了没有一个特征加权机器可以区分下列图案，无论我们用多么聪明的办法来加权。
1700522687
1700522688
1700522689
1700522690
1700522691
左边的两幅图描绘的是相连的图形，也就是可以用一条线画出的图形。右边的两幅图是不相连的图形，需要用两条分开的线来画。下面这种方法可以证明没有一种特征加权机器可以认出这种不同之处。假设你把每张图都撕成一堆碎片。仅仅因为每一堆都包含着同样种类的图画碎片，我们无法知道哪一堆碎片来自相连的图画，哪一堆来自不相连的图画！每堆碎片都包含着四个直角，两个“线段的端点”，以及同样长度的水平线和竖直线。因此，通过“证据叠加”是无法区分这几堆图形的，因为所有关于各种证据间关系的信息都已经丢失了。
1700522692
1700522693
1700522694
1700522695
1700522696
心智社会：从细胞到人工智能，人类思维的优雅解读 [:1700518566]
1700522697
心智社会：从细胞到人工智能，人类思维的优雅解读 19.8 泛化
1700522698
1700522699
我们看到一些例子，然后把它们应用于以前没有见过的情境，通过这种方式，我们总是能从经验中学习。一声吓人的咆哮或吠叫可能会让一个婴儿害怕所有差不多大小的狗，甚至害怕所有的动物。我们是怎么泛化这些零碎的证据呢？我的一只狗曾经被车撞过，于是它再也不去自己被撞的那条街了，但它却从来没有停止过在其他街道上追车。
1700522700
1700522701
每个时期的哲学家都会试图概括我们是如何从经验中学到这么多东西的。关于这一点，他们曾经提出过许多理论，起了一些如“抽象法”“归纳法”“溯因法”这样的名字，但还没有人发现一种方式可以一直进行正确的泛化。这大概是因为这样简单的方案根本就不存在，无论我们“学会”什么，最后都可能是错的。无论如何，我们人类不会根据任何固定不变的原则进行学习。相反，我们会积累各种学习方案，这些方案在性质和种类方面都各不相同。
1700522702
1700522703
我们已经看到过几种泛化的方式。其中一种就是建立统一框架，在这种方式中，我们会做出一些描述，把认为不重要的细节都排除在外。有一个相关的理念是建立在“水平带”概念中的。然而还有一个方案隐含在多忆体的概念中，这个方案试图通过把一些预期组合在一起来猜测事物的特性，那些预期是根据一些独立属性建立的。不管怎样，我们如何“表述”已知的事物与看似最合理的泛化之间存在着紧密的联系。举例来说，第一次提出椅子“识别器”时，我们是根据多忆体把它组装起来的，与这个多忆体相关的是一些我们已经熟悉的理念，也就是座位、椅子腿和靠背。我们已经给予了这些特征适当的权重。
1700522704
1700522705
如果我们改变这些证据的权重，就会产生新的识别器。举例来说，给“靠背”一个负权重，新的智能体就会拒绝椅子，而接受长凳、板凳或者桌子。如果所有权重都增加（但所需要的总权重保持不变），那么新的识别器就会接受更多类型的家具，或者那些有更多特征隐藏在视线之外的家具，还有其他一些根本就不是家具的物体。
1700522706
1700522707
为什么这种变体非常有可能产生有用的识别器呢？如果我们只是随机选择旧的识别器，并把它们组合成新的识别器，确实不太可能。但如果每个新的识别器都是由智能体发送的信号组成，并且这些智能体已经证明自己在相关的环境中是有用的，那么产生有用的新识别器的可能性就高得多。就像侯世达所解释的：
1700522708
1700522709
使一个主题产生变化是创造性的症结所在。但这并不是两个看不见的概念相撞而产生的一个魔幻而神秘的过程，它是概念可以划分为重要的次级概念元素所产生的结果。
1700522710