人工智能跨越“奇点”？

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 ...

清风不写字

原帖由 青山 于 20-4-2009 15:05 发表

                               
登录/注册后可看大图

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。

是啊，这种事情是阻止不了的。所以说我的看法是比较悲观的。
不过任何事物总有发展灭亡的这个过程，人类文明也一样，任何事物也逃不掉这个结果！

key

原帖由 black_zerg 于 24-12-2008 22:57 发表

                               
登录/注册后可看大图

我举的例子是说明人身本身智慧的复杂性，心理，动机，存在感等等。如果连人类智慧本身都没有弄明白，谈什么超越？
我的观点还是：从进化，抽象理论系统的掌握，文化艺术，情感欲望等一系列上，起码几千年内机器不能 ...

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

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。

ubuntuhk

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

key

原帖由 青山 于 7-5-2009 23:47 发表

                               
登录/注册后可看大图

心心理，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。

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。

key

原帖由 coredump 于 25-12-2008 00:07 发表

                               
登录/注册后可看大图

说说看现在做机器学习方面的研究需要哪些知识基础， 我对这方面也比较感兴趣。在计算机专业本科能力加N年实际软件开发工作之上需要再补充哪些知识才能进入AI的research门槛。

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。

也有采用其他方法来实现，比如人工神经网络的应用，但无论怎样弄，数学是最基础。

key

原帖由 coredump 于 25-12-2008 00:24 发表

                               
登录/注册后可看大图

转个和本话题有关的wiki条目：遗传编程 Genetic programming

FROM:  http://zh.wikipedia.org/w/index.php?title=遗传编程
              http://en.wikipedia.org/wiki/Genetic_programming


遗传编程,或称 ...

不要被遗传两个字编了，遗传计算在AI中不是什么高深的学问，采用优胜劣汰，加入随便选择，从而建立一个模拟生物进化过程的一种
计算科学理论而已。最简单的遗传算法估计你只需要30分钟就写出来了。

key

原帖由 青山 于 25-12-2008 08:54 发表

                               
登录/注册后可看大图

确实，research主要是写论文。我现在通过实验的方法做研究，也是承受着我导师的不小的压力的。
这种方法并不被目前多数学院派的研究者所喜爱。不过压力归压力，我该怎么做还是怎么做。
我个人认为，AI这边的研究主 ...

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。

key

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！

如果你想做分类器算法的实验研究，可以考虑用rainbow，这是 CMU 大学开发的一套用于文本分类的多算法集成开源系统。http://www.cs.cmu.edu/~mccallum/bow/rainbow/
如果你只是想做一个简单的文本分类器，可以考虑bmf，这是一个以简单贝叶斯算法为基础的文本分类器；另一个类似的分类器是bogofilter，应用也很广泛。
如果你想学习上面这些开源系统的理论，可以找一本《统计学习理论》http://www.china-pub.com/20254，来看

coredump

能不能讲讲支持向量机(SVM)，我以前听过一个SVM的讲座，一直没搞明白, 神经网络和遗传算法倒是都挺容易的。

key

原帖由 coredump 于 8-5-2009 00:42 发表

                               
登录/注册后可看大图

能不能讲讲支持向量机(SVM)，我以前听过一个SVM的讲座，一直没搞明白, 神经网络和遗传算法倒是都挺容易的。

SVM我本身也学得不太好，我尝试说一下，但估计不对的可能性大一些，哈哈。

SVM是一个建立在N维空间的超平面学习器。首先把输入数据当做一个N维空间的两组向量，分别有正和负两类。
在这个N维空间中建立一个超平面，调整个这超平面的形状和位置，使得输入向量与超平面之间形成的margin是最大的。

数学表示就是
D = { (xi,ci) | xi为N维空间中的向量，ci是+1, -1中的一个值 }
这样的(xi, ci)有n个

如果有一个超平面 W * X - b = 0，其中W为一个向量，X为任意的点在空间的表示。整个算式代表一个N维空间的超平面。

我们要做的事就是把这样的一个超平面找出来，目前当然就是调节W和b了。于是同时建立两个平行的超平面

W * X - b = 1 和 W * X - b = -1 (01)

通过几何运算，可以得到这两个平面的距离实质上就是 2 / ||W||，只要||W||的值达到最小，那么这两个平面的距离
就是最大。

而我们是用(01)中的两个平面来匹配输入集合中的xi的，所以，我们把所有的ci==+1的xi代入(01)中的前一个式，
把ci==-1的xi代入(02)中的第二个式，得到：

W * xi - b >= 1 和 W * xi - b <= -1

这里之所以不是=，理由很明显，因为一般来说我们很难得到一个perfect的的超平面，使所有的xi都在上面。
上面这两个式子又可以简化为：
ci(W * xi - b) >= 1 (02)

然后就是按照(02)式进行优化运算，使得||W||最小

上面的(02)又可以转化为优化(1/2)||W||^2为最小，使用(02)式成立。

我能说的就这么多了，再写下去我自己会疯掉的。。。

key

原帖由 coredump 于 8-5-2009 00:42 发表

                               
登录/注册后可看大图

能不能讲讲支持向量机(SVM)，我以前听过一个SVM的讲座，一直没搞明白, 神经网络和遗传算法倒是都挺容易的。

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。

key

原帖由 青山 于 20-4-2009 13:14 发表

                               
登录/注册后可看大图

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 ...

青山同学在哪个大学读的研究生？

key

原帖由 key 于 8-5-2009 01:12 发表

                               
登录/注册后可看大图

SVM我本身也学得不太好，我尝试说一下，但估计不对的可能性大一些，哈哈。

SVM是一个建立在N维空间的超平面学习器。首先把输入数据当做一个N维空间的两组向量，分别有正和负两类。
在这个N维空间中建立一个超 ...

对于上面一大堆的代数运算，我们可以用简单的例子来解析一下，用我自己的话来说，就是把这些数学问题庸俗一下，哈哈

给数据集：D = { ({1}, 1), ({-1}, -1) }，也就是x1 = {1}, c1 = 1, x2 = {-1}, c2 = -1。想都不用想，就知道这个一维“超平面”为：W = {1}, b = 0
给数据集：D = { ({1, 0}, +1), ({0, 1}, +1), ({-1, 0}, -1), ({0, -1}, -1) }, 在平面直角坐标系中画一下这四个点，很容易就得到一个“超平面”：W={1, 1}, b = 0

而svm要解决的问题是N很大，而数据集中还存在一些误判数据，这些才是svm算法的精华。。。希望上面的东西对你的入门有一定的帮助吧。

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。

klux

原帖由 青山 于 8-5-2009 13:55 发表

                               
登录/注册后可看大图

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 ...

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

klux

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 ...

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

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

klux

原帖由 青山 于 9-5-2009 20:30 发表

                               
登录/注册后可看大图

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 ...

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

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

klux

原帖由 青山 于 10-5-2009 16:15 发表

                               
登录/注册后可看大图

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 ...

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