1700550130
1700550131
[9]正如乔纳森·海德特在他所著的《象与骑象人：幸福的假设》中所说，“人们很容易编造理由来解释自己的行为，这一发现被称为‘虚构’。虚构常常伴随着裂脑患者和其他脑损伤人士，心理学家迈克尔·加扎尼加用‘解释模块’表示大脑左侧的语言中心，其工作是当场解释自我所做的事情，当然它无法得知自我行为的真正原因或动机。举例来说，如果‘走’字在大脑的右半球闪现，患者就可能站起来走开。当被问到为什么站起来时，他可能会说：‘我要去拿一杯可口可乐。’解释模块善于编造理由，但它自己都不知道已经编出来了”。Jonathan Haidt. The Happiness Hypothesis: Finding Modern Truth in Ancient Wisdom(New York: Basic Books, 2006), 8.
1700550132
1700550133
[10]这些信息来自人们同意安装在家中的机顶盒。
1700550134
1700550135
[11]由第三方处理匹配过程以保护隐私，奥巴马竞选团队和评级公司不会看到彼此的名册。
1700550136
1700550137
[12]关于Uber在巴黎恐怖袭击期间继续高峰定价的谣言四处传播。
1700550138
1700550139
[13]实际上，在一项实验中，心理学家塞巴斯蒂安·博巴蒂拉–苏阿雷兹（Sebastian Bobadilla-Suarez）及其同事发现：即使人们得知自动化决策能使他们在整体上挣得更多，他们还是愿意为了保住资金分配的决策权而付出代价。人们喜欢决策的权力。Sebastian Bobadilla-Suarez, Cass R. Sunstein, and Tali Sharot, “The Intrinsic Value of Control: The Propensity to Under-delegate in the Face of Potential Gains and Losses.”SSRN, February 17, 2016. https://papers.ssrn.com/sol3/papers2.cfm?abstract_id=2733142.
1700550140
1700550141
[14]菲利普·泰洛克在该领域撰写的作品《超预测：预见未来的艺术和科学》由中信出版社于2016年7月出版。——编者注
1700550142
1700550143
[15]“狐狸和刺猬”也是哲学家以赛亚·柏林（Isaiah Berlin）的一篇文章的标题，该文将历史上的思想家分为两类：在整个职业生涯中孜孜以求一种大思想的人，以及那些探索许多不同想法的人。
1700550144
1700550145
1700550146
1700550147
1700550149
人机平台：商业未来行动路线图 02 最像人脑的机器
1700550150
1700550151
我相信到20世纪末，词汇的用法和一般教育理念会发生很大改变，因此那时将可以谈论机器思维而不再怕造成矛盾了。
1700550152
1700550153
艾伦·图灵（Alan Turing），1950年
1700550154
1700550155
我们刚刚开发数字化电脑时，就尝试让它们像我们一样思考。从一开始就显而易见的是，电脑对于进行常规数学计算非常有用，但这并不稀罕。毕竟，人类一直在开发计算的机器，远在公元元年之前，就有了日本和巴比伦的算盘，以及神秘的希腊安提凯希拉机械装置。[1]
1700550156
1700550157
令人耳目一新的是新式数字化电脑的编程能力，也就是让它们执行任意复杂的指令。[2]正如我们在前一章所看到的那样，电脑程序是执行算法的理想选择，它们是用于完成任务的精确的、按部就班的指令。但许多学科领域中的卓越思想家很快就开始尝试让这种新机器做更多事情，而不仅仅是“萧规曹随”。这些先驱想要创建一个自主的软硬件组合，换句话说，它可以和人类一样进行推理，从而变成人工智能。
1700550158
1700550159
分叉的人工智能
1700550160
1700550161
达特茅斯学院的数学教授约翰·麦卡锡（John McCarthy）将人工智能定义为“制造智能机器的科学与工程”。他于1956年在校园举办了第一次专题研讨会。几年之后，该领域最大、最为持久的争论开始了。要了解它本身及其重要性，我们可以考虑小孩子学习语言的方式与大多数成年人学习第二种语言的方式之间的区别。
1700550162
1700550163
本质上，孩子们通过倾听学习一门语言。他们听周围的人说话，吸收一些组成语言的词语和规则，然后在某个时间开始说出自己的话。他们说错时得到反馈和纠正，最终，他们变得善于处理用人的口吻说话这么一件困难的事情。
1700550164
1700550165
成人学习者则知道这件事有多难。当他们开始掌握第二种语言时，马上会面对一堆规则：把代词放在句子的什么地方，用什么介词，动词如何变化，名词是否有性别之分，如果是的话，又有多少，如何区分主体和对象，以便我们知道是狗咬人还是人咬狗，等等。记忆词汇很难，而使大多数成人语言学习者咬牙切齿的，是诸多复杂的、偶尔不一致的规则。
1700550166
1700550167
幼儿牙牙学语不需要明确的规则指导。[3]大多数成年人不能在没有规则的情况下学习。当然，这两种方法有一些重叠，很多孩子最终会修语言课，而大人们也会耳熟能详，但两者毕竟截然不同。幼儿的大脑专门用来学习语言：他们用统计原理来辨别语言模式。[4]例如当妈妈谈论自己时，她用“I”作为主语，并把它放在一句话的开头，她用“me”作为宾语并放在后面。大人的大脑是不同的，因此他们在学习新的语言时通常明确地学习规则。
1700550168
1700550169
与以上对比类似，早期的人工智能社区分为两个阵营。一个追求所谓基于规则的，或者说符号型人工智能，[5]另一个则建立模式识别的统计系统。前者试图以成人学习第二语言的方式发展人工智能，后者试图使人工智能的发展与儿童学习第一语言的方式大致相同。
1700550170
1700550171
一开始，符号型的方法似乎占主导地位。例如，在1956年达特茅斯会议上，艾伦·纽维尔（Allen Newell）、J. C. 肖（J. C. Shaw）和未来的诺贝尔奖得主赫伯特·西蒙（Herbert Simon）演示了他们的“逻辑理论家”程序，它使用形式逻辑的规则自动地证明数学定理。该程序证明了阿尔弗雷德·诺斯·怀特海（Alfred North Whitehead）和伯特兰·罗素（Bertrand Russell）在数学基础方面的里程碑之作《数学原理》（Principia Mathematica）第二章中的38个定理。事实上，关于“逻辑理论家”的一个证明比原书优美很多，引来了罗素本人的“愉快回应”。西蒙宣称他和同事“发明了一台思维机器”。
1700550172
1700550173
然而，其他的挑战使基于规则的方法捉襟见肘。语音识别、图像分类、语言翻译等领域的数十年研究结果并不令人满意。这些领域取得的最好结果与人类的表现仍相距甚远，最糟糕的结果则给人留下了很坏的印象。例如，据一本1979年的逸事集记载，研究人员对“英译俄”翻译程序输入“心有余而力不足”这句话。程序给出的俄语翻译却意为“威士忌不错，但肉坏了”。也许这故事是杜撰的，但它并不夸张。作为一个群体，符号型人工智能产生的结果使人伤感困惑，以至20世纪80年代末，主要的企业和政府的研究资助来源枯竭，“人工智能的冬季”降临在这一领域。
1700550174
1700550175
无解的规则
1700550176
1700550177
是什么使符号型人工智能败绩累累呢？有两个主要障碍。其中一个对这一领域构成了严重挑战，而另一个显然是无法逾越的。首先，简单地说，如成人语言学习者所知，世上有很多规则，了解大多数规则并按规则行事通常是不够的。相反，人必须掌握几乎所有规则，才能有好的表现。一个语法正确率为80%的句子可能很可笑，甚至让人完全无法理解。
1700550178
1700550179
规则中还有规则。例如在英文句子中，知道形容词通常放在名词之前是不够的。正如马克·福赛思（Mark Forsyth）在其《口才元素》（The Elements of Eloquence）一书中所言：“英文的形容词绝对必须按照这个顺序：意见—大小—年代—形状—颜色—来源—材料—目的，再跟着名词。因此，你可以有一把可爱的小的老式的长方形的绿色的法国白银刀，但是，如果你稍稍弄错用词顺序，听起来就会很怪。每个说英语的人都使用这个规则，但几乎没人把它写出来，这真是一件奇怪的事情。”
[
上一页 ]
[ :1.70055013e+09 ]
[
下一页 ]