|
1、莫拉维克悖论 这个悖论的大体意思是：对人来说简单的问题，对计算机来说往往很困难；对人来说困难的问题，对计算机往往很容易。在我看来，这个悖论的本质，是对两类问题的漠视：对人简单、对计算机也简单；对人困难、对计算机也困难。这两类问题都存在，只是人们不关心它们，于是出现了上述悖论。“如果有两只手表，就不会与准确的时间”。同样，既然人和计算机是不同的计算机制，差异也总是会存在的。其中，计算机的记忆和计算能力是人类望尘莫及的，而人类的直觉、顿悟等也是计算机难以企及的。这种能力，正是人工智能研究的重点，也是近期的突破点。我觉得，图像语音识别、阿尔法狗都是具体体现。 2、新知识悖论 计算机到底能不能发现新知识？这个问题的本质就是：如何定义新知识。比如，归纳和总结得到的结论，算不算新知识？我们知道，人类很多知识是实践探索过程中得到的。比如，把多种元素混在一起生成合金，其性能往往是事先无法计算出来的。这样的知识，只能通过物理实验来获得。如果把“知识”的定义局限于这类物质世界的知识，计算机显然是无法得到新知识的。但是，有了数据之后，计算机可以通过归纳和总结，得到普遍适用的公式；如果把这样的公式看做新知识，计算就就是可以产生新知识的。 3、启发式悖论 人工智能针对的问题往往是NP完备性问题。如果不是NP完备性问题，计算机往往就有能力计算出来、就更容易被看做普通优化或数学规划问题，而不被人们当做人工智能问题。换句话说，这是人们划分学科的习惯性问题。如果是NP完备性问题，往往需要启发式函数来提高搜索效率。当人类面临这类问题时，往往会形成一定的感觉或直觉。“善弈者谋势、不善弈者谋子“。所谓的“势”，其实就是这样一种难以用语言文字或代码描述清楚的直觉感觉。而启发函数就是去描述这种“势”。阿尔法狗的自学习，本质上可以看成对这种“势”的自我构筑。采用启发式函数肯定是有风险的，但常常是没有办法的办法。其实，在具体应用的时候，工程师总能找到一些办法为自己的工作“保底”，以避免因为它的问题出现大的风险。 |
|
|
