分类:具有高层知识生成器的人工智能

来自Big Physics


研究背景

我们人类觉得,人类比人工智能强,强在创造性,例如,提出问题的能力,提出新联系的能力,迁移能力。当然,其实这些能力是什么,目前我们也是不清楚的。我们唯一清楚的事情是,当前,人工智能还是不会完成这些创造性任务的:本质上,它们只能完成人类已经完成的,有答案的问题,也就是,我们必须给人工智能一些已知的问题和答案,记做[math]\displaystyle{ \left\{\left(\vec{x},y\right)\right\} }[/math],然后它学会一个函数[math]\displaystyle{ y=f\left(\vec{x}\right) }[/math]

那么,能不能有一天,人工智能可以自己提出来,我想看看概念A和概念B之间的关系,我想借助前人的类似研究通过做这样的计算或者做这样的实验来看看。如果人工智能可以学会这样提问,剩下的执行和检验答案相对来说总是小问题。于是,人工智能就会了人类的所谓的创造性。用上面的函数的语言,就是,我猜这个[math]\displaystyle{ \vec{x},y }[/math]之间有关系,然后,我来检验一下这个关系。

那么,可以如何帮助人工智能来提出这些问题,并且设计回答这些问题的方案呢?

靠高层知识生成器和概念网络。

高层知识生成器就是所谓的学科大图景(尤其是典型思维方式、典型分析方法、和世界还有其他学科的关系)、一般人类思维方式(批判性思维、系联性思考)这样的东西,以及在学科概念网络内,用更基本的概念(有人称之为“大概念”)生成其他概念的过程。人类就是受了这些高层知识生成器的指引,然后,启发式地去猜测概念间的联系,去提出新问题,然后通过实验和计算(最终,本质上还是实验)来验证这些联系。

那么,一旦我们有办法把高层知识生成器显性化,然后让人工智能学会,是不是,就能够达到人工智能可以提出新问题的境界了呢?这就是这个研究索要回答的问题。

那,怎么研究?

怎么做

  1. 构建学科已有的概念网络。
  2. 整理出来可以得到高层知识生成器的数据:收集人类提出问题的数据,也就是每一篇研究论文在做那个工作之前的概念网络的状态,在那之后的概念网络的状态,以及中间做了什么。
  3. 在这些研究论文中,把高层知识生成器明确写出来,以及它们如何帮助创造知识,也明确写出来
  4. 其他的可以体会到高层知识生成器的例子
  5. 把这些都喂给人工智能,让人工智能学会人类的基于概念网络和高层知识生成器来提出问题解决问题,创造知识的能力。

当然,其实,就算人工智能不会这样的启发式的提出问题结局问题的算法,而是完全用穷举法,只要有一个判断这个问题是不是一个可以回答的问题的判断器,这样做是不是有可能解决问题的判断器,其实,人工智能仍然可以创造知识。

反思

如果人工智能能够从概念网络、高层知识生成器、使用高层知识生成器来解决问题的经验中学会提出问题和解决问题,那么,人类比人工智能强的地方到底在哪里?甚至和穷举法的人工智能相比,人类也就可能多了一个“这个联系是不是有可能成立、这样做是不是可以检验这个联系”的判断器而已,然后剩下的事情就交给瞎想——那个叫做灵感的东西。

本分类目前不含有任何页面或媒体文件。