人工智能跨越“奇点”？

青山

基于真正理解的文本分类，现在还没有。有了奇点就跨过了。
现在的大多数都是基于统计学的分类方法。

比较简单的。就是把已经人工分类的文章按类别分开。
新来一篇待分类的文章，统计每个词在不同分类文章中出现
的次数。说实话，我觉得这方法误差还是蛮大的，不过目前
大多数都是基于这种统计学方法的分类方法。

别说多个类别分类，就是二选一，都是大问题。比如垃圾邮
件识别，就是这种分类问题的最简单应用。但是即便如此，
误判仍然是相当多的。所以我觉得，这种简单的统计学方法，
基本上是走进了死胡同。

原帖由 woodheadz 于 20-4-2009 11:45 发表

                               
登录/注册后可看大图

我想要做一个能够自动分析一段文字的内容所属类别的程序，青山兄能否指点下相关的理论/开源算法呢？ 一些入门的提示就可以了。THX！

青山

我觉得最终基于人工智能的文明可能彻底替代人类目前基于动物体的文明。
差别只在于，过度是平稳的，渐变的，传承的，还是血腥的，革命式的。

如果是后者，可能是灾难性的。而且机器文明本身在尚未成熟之前，如果就
消灭了人类文明，那么它们自身也很容易崩溃。

原帖由 清风不写字 于 20-4-2009 12:15 发表

                               
登录/注册后可看大图

如果机器人变得跟人类一样狡猾，贪婪的时候，还有人类生存的空间么？

青山

你对AI现状的了解基本上差不多。不过我不赞同你的结论。

模糊识别并不是一定要新的结构的计算机才可以实现的。
我认为模糊识别本身，就是一种通过算法可实现的东西。

另外，通过模糊识别和训练样本中的要素做匹配，我认
为就是真正的思维。事实上，人的思维就是这么进行的。
只不过人因为有感官，所以训练样本很大而已。

原帖由 dover 于 20-4-2009 12:59 发表

                               
登录/注册后可看大图

AI这一块含义很广，但实质上的东西却很相近。AI现在说得最多的可能是机器学习，它是很多应用的基础，比如data mining, pattern recognition，语义分析也是机器学习的范畴。机器学习的核心是分类。具体地说分类又可分成supervised和unsupervised等。再具体就是很多模型，像HMM, SVM, neural Network等等非常多。大家不要把AI认为是让电脑和人一样聪明或思考，现阶段AI本质是对训练样本进行归纳总结，得到一个分类函数或所说的分类器。它和所谓的独立思考是两回事。如果有一天机器能理解自然语言，那将会是一个伟大的成就，但也只能说电脑可以提炼出句子结构像主，谓，宾语等，并能将它们与训练样本中的意义做匹配。那也不是思维。不要被一些科普的噱头吓住，有一点是现在的计算机是可控的，只有模糊概念才会产生不可控情况，而现在的电脑从根本上不识别模糊概念，所以代替人类的思维很难，除非有全新结构的计算机产生。

青山

图灵测试确实有严重的缺陷。目前得奖的，基本上都是伪智能。
基本上都是以误导为主要手段的系统。

青山

这东西，貌似不以人的意志为转移。如果很快能搞出真正的人工智能，我相信很多科学家即使冒着掉脑袋的风险也会去搞的。
禁止是禁止不了的。

原帖由 清风不写字 于 20-4-2009 13:22 发表

                               
登录/注册后可看大图

这种研究即使成功了，不可避免的要被先应用于军事领域，估计每个国家都想掌握这种能力吧，制造比星战里面的机器人更聪明的军团。
最终搞的就像核武器一样，难道最后再来个 《人工智能不扩散条约》？

反正人类就是 ...

青山

心理，动机，存在感等等，这些都不是最难的。人工智能体的心理，动机，存在感跟人肯定不同，但是同类的活动并不难理解。

我目前研究的过程中就有一个猜想——存在感来源于一个被顺序激活的神经元组成的环路。就是一个群神经元，互相有因果关系，然后逐一被激活，重复地被激活。说白了，存在感来源于神经元的一个运动状态。你睡着了，这个环路不存在了，你也就失去存在感了。你苏醒的过程，就是重建这个环路的过程。

动机就更容易解释了。比如你的笔记本电脑电池快没电了，如果它是个机器人，就会去找地方充电。这就是动机。

青山

Swinburne 目前Phd在读。
国内本科毕业。

原帖由 key 于 8-5-2009 01:18 发表

                               
登录/注册后可看大图

青山同学在哪个大学读的研究生？

青山

我现在做的就是尝试把我的猜想，在现有的计算机上建立模型，实现出来。

到目前为止，在理论上我没碰到任何真正过不去的地方。相反，随着猜想的深入和细化，很多现象都让我觉得我离目标越来越近了。

我现在主要的障碍其实是训练集不足。

原帖由 ubuntuhk 于 7-5-2009 23:53 发表

                               
登录/注册后可看大图

你这说得太玄了，等你建立这个玄学理论，还得发展一套相应的神经元计算机系统，否则现在的01计算机系统应该没法实现

青山

没错，模型最终就建立在数学运算，条件判断之上。没什么神秘的。
我说的神经元环路产生自我意识，指人脑的神经元，但是这种环路并非不可模拟的。
我觉得也没有大多数人认为的那样神秘。我现在就在努力在现有的计算机上建立模型，
模拟这种神经元活动。

这个模型和以往的神经元模型还是有区别的。但是没有本质差别。我觉得现在之所以
还没有模拟出人脑的活动，只是神经元的传播和激活策略还跟人脑差距比较大。
并没有根本性的障碍。

原帖由 key 于 8-5-2009 00:00 发表

                               
登录/注册后可看大图

其实你说的这些还是离不开if/else判断，即使应用了一些高级的数学模型。我不知道你所说的“神经元”是否指人工神经网络中的神经元，
还是广义的通过人工智能运算建立的神经单位。如果你说的是人工神经网络科学中的神经元，到最后还是数学运算、条件判断、反馈运算等东西，
可能加入一些伪随机数，以增加不确定性和多态选择吧。这些东西，无论怎样说，都只是运算，而不是真的“智能”。只是利用了现代计算机，
或未来计算机高速运算能力来模拟一些和人相似的操作。

人类思绪的独立性和原生性，我觉得图灵机的发展方向永远都不会达到。

青山

机器学习就是数学应用，没错。你说的这些算法也都在特定的领域起作用。
但是，现在人工智能问题的关键在建模，而不在算法。

就像建立一个模型都需要加减乘除一样，你可以说这个课题是加减乘除的应用，
但是，研究的主要挑战，显然并不是加减乘除。

原帖由 key 于 8-5-2009 00:35 发表

                               
登录/注册后可看大图

我的看法和你正好相反。我觉得机器学习就是一门数学应用。
现在可以找到的最成功的机器学习算法，什么贝叶斯分类器、SVM、BP神经网络，遗传算法等，
无一不是建立在数学基本上。

青山

把machine learning等同于，或者过度依赖于统计学，这正是目前这个领域的问题所在。
现在大多数自然语言理解的算法，都建立在各种统计学算法之上。但是我恰恰觉得因此他们走在死胡同里。

自然语言的多样性，决定了依靠传统的统计学，永远只能挂一漏万，自然语言处理中，共性是相对的。
规则也是相对的，特殊性却是普遍存在的。从统计学的角度去解决这些问题，到一个程度就无法前进了。
这正是过去10年自然语言理解没有实质性进展的原因。

原帖由 key 于 8-5-2009 00:19 发表

                               
登录/注册后可看大图

ML（Machine Learning）目前比较热。但如果你在数学上，尤其是在统计学上没有特别的兴趣和优势，
想在这方面出成绩，看来不容易。

现在的ML算法，很大程度上建立在统计学习理论上，这方面也是比较成熟的方向 ...

青山

这点我很赞同。我现在就觉得，一个建立在相对简单算法上的，符合实际的模型，是解决人工智能问题的关键。
人的大脑的处理方式，并不需要多么复杂的数学理论。神经元传导和激活的方式，应该是简单的数学模型就可以表达和模拟的。

原帖由 key 于 8-5-2009 01:14 发表

                               
登录/注册后可看大图

另外，不要因为觉得某种算法容易、简单，就轻易放弃不用。能把简单算法用好，其实本身就是一件了不起的事。

青山

现在的计算机谈不上智能。只是运算。

虽然我觉得智能可以建立在运算之上，但是仍然有一个量变到质变的过程。
人们讨论的所谓“奇点”，也就是这个质变的点。

原帖由 key 于 7-5-2009 23:35 发表

                               
登录/注册后可看大图

其实要说“人工智能”超势“人”的智能，那就早已经超越了。。。随便找台电子计算器就算得比人快……
机器有机器的特点，人有人的特点，个人觉得完全没有必要去考虑谁超越谁。

就图灵机的定义来看，这种AI永远都只会是机器。

倒是“生物机器人”这个方向多少会有点危险。

青山

现在说的machine learning确实是从统计学来的。但是我认为machine learning如果不超越统计学，就没前途。

另外，我的思路并不是主要基于规则。而是基于搜索。我很赞同那个说法，就是人工智能的本质是搜索。
当然了，这个搜索，不是现在常见的那种keyword搜索。

原帖由 klux 于 9-5-2009 20:00 发表

                               
登录/注册后可看大图

正好相反吧，machine learning本身就是从统计学来的，靠统计学才热的。基于规则的那一套早期的AI一直在做

青山

我赞同你说的这个。我认为神经元的状态，只需要相对简单的数学就可以表达。

原帖由 klux 于 9-5-2009 20:06 发表

                               
登录/注册后可看大图

个人以为智能的本质就是计算。
人脑不过是几十亿的神经元的组合，神经元的行为方式也就是冲动或抑制，还超越不了图灵机的表达能力

青山

海量模式的搜索。我现在的研究，就是语义模式的发现和相关的匹配策略。

你说对了，由于自然语言语义关系的空间分布不均匀，搜索的时间复杂性和空间复杂性，都有很大的余地去优化。

很多人总用复杂性理论来说这个不可能，那个不可能。但是复杂性理论研究的，是最坏的情况。如你所说，适当的限制条件和策略可以大大降低复杂性。

原帖由 klux 于 9-5-2009 22:30 发表

                               
登录/注册后可看大图

well, 广义上任何一种算法都是在解空间的搜索，不同的限制条件和搜索策略有时可以使算法急剧简化。
你说的搜索指什么呢

青山

问题的定义指什么？我现在具体的课题是Word Sense Disambiguation

老实说，在我这个方向上，目前我没找到思路比较接近的文章。
只有两篇稍微有点关系的。或者说他们的某些理论我可以借鉴的。

ASKNet: Automated Semantic Knowledge Network [Brian Harrington and Stephen Clark]
Syntactic features for high precision Word Sense Disambiguation [David Martínez, Eneko Agirre, Lluís Màrquez ]

上次我跟一些人讨论，他们就总拿复杂性理论说事，我跟他们说，复杂性理论是引导我们去解决问题的，而不是阻止我们去研究问题的。

原帖由 klux 于 10-5-2009 19:59 发表

                               
登录/注册后可看大图

确实，对于做理论的人来说，找到一个界之后他们就不care了，但在一个具体应用中还是可能有很多可以优化的地方。
能具体谈谈你做的问题定义吗？或者指点一下相关的文章