XiaoMi-AI文件搜索系统
World File Search SystemAnalogy
类比设计中人与人工智能的交互协同创造力
简介 十一年前，马希尔 (Maher) 问道：“谁在创造？” (Maher 2012)，并提出了几个创造性应用的分析空间，包括构思和互动两个维度。马希尔的问题引出了乔丹诺斯 (Jordanous) 的 PPP 视角框架，其中创造行为可以由人类或人工智能 (Jordanous 2016) 执行，以及坎托萨洛 (Kantosalo) 和塔卡拉 (Takala) 的 5C 框架，其中创造行为由人类和人工智能共同组成的集体执行 (Kantosalo and Takala 2020)。1然而，对于人与人工智能互动中创造力的位置，人们的共识较少。混合主动性创造性界面方法提出了一组基本的细粒度活动，这些活动可以由人类或人工智能以某种结构化对话的形式执行（Deterding 等人，2017 年；Spoto 和 Oleynik，2017 年），随后扩展到生成应用（Muller、Weisz 和 Geyer，2020 年），针对特定算法方法进行了改进（Grabe、Duque 和 Zhu，2022 年），并针对其他算法方法进行了批评（Zheng，2023 年）。虽然这些方法生成了重叠的分析动作词汇，但它们并没有解决创造力在何处发生（以及由谁或什么通过这些动作发生）的问题。在这篇短文中，我们提供了对该问题的一个答案的几个例子。我们重新利用 Kantosalo 和 Takala (2020) 的 5C 中的集体概念，提出一种类型的创造力可能会在以下互动空间中不对称地出现 (Rezwana and Maher 2022)
视觉类比的两种计算方法：任务‐......
人工智能的发展提出了一个关于人类智能的基本问题：人类推理是通过应用从丰富的先前经验中获得的任务特定知识来最好地模拟的，还是基于领域通用的心理表征操纵和比较？我们针对视觉类比推理的情况来解决这个问题。使用熟悉的三维物体（汽车及其零件）的真实图像，我们系统地操纵视觉类比问题中的视点、零件关系和实体属性。我们将人类的表现与两种最近的深度学习模型（孪生网络和关系网络）的表现进行了比较，这两种模型直接经过训练来解决这些问题并将其任务特定知识应用于类比推理。我们还通过将领域通用的映射程序应用于汽车及其零部件的学习表征，开发了一个使用基于零件的比较 (PCM) 的新模型。在四项类比（实验 1）和开放式类比（实验 2）中，领域通用的 PCM 模型（而非特定任务的深度学习模型）在关键方面产生了与人类推理者相似的性能。这些发现证明，通过将大数据的深度学习应用于特定类型的类比问题，不太可能实现类似人类的类比推理。相反，人类确实（并且机器可能）通过学习对多个任务有用的结构信息进行编码的表示，再加上关系相似性的高效计算来实现类比推理。
玻尔兹曼机与费曼路径积分的类比
摘要：机器学习对科学、技术、健康以及计算机和信息科学等多个领域产生了重大影响。随着量子计算的出现，量子机器学习已成为研究复杂学习问题的一种新的、重要的途径。然而，关于机器学习的基础存在着大量的争论和不确定性。在这里，我们详细阐述了一种称为玻尔兹曼机的通用机器学习方法与费曼对量子和统计力学的描述之间的数学联系。在费曼的描述中，量子现象源于路径的优雅加权和（或叠加）。我们的分析表明，玻尔兹曼机和神经网络具有相似的数学结构。这允许将玻尔兹曼机和神经网络中的隐藏层解释为路径元素的离散版本，并允许对机器学习进行类似于量子和统计力学的路径积分解释。由于费曼路径是对干涉现象和与量子力学密切相关的叠加原理的自然而优雅的描述，这种分析使我们能够将机器学习的目标解释为通过网络找到路径和累积路径权重的适当组合，从而累积地捕获给定数学问题的 x 到 y 映射的正确属性。我们不得不得出结论，神经网络与费曼路径积分有着天然的联系，因此可能提供了一种被视为量子问题的途径。因此，我们提供了适用于玻尔兹曼机和费曼路径积分的通用量子电路模型。
基于数字孪生的多类比创新设计 - MDPI
摘要：类比设计是一种有效的创新设计方法。但现有的类比设计研究主要侧重于创新方案的形成方法，没有考虑应用的可行性和实用性。本研究提出了一种基于类比的多类比创新设计（M-AID）模型，该模型既考虑了以设计为中心的复杂性（DCC），也考虑了发明问题的解决方案（TRIZ）。为了提高实用性，引入数字孪生（DT），将真实的设计信息、制造生产数据和维护信息应用于设计过程。该方法包括6个步骤：（1）基于用户和市场需求对目标产品进行分析，综合一般功能需求；（2）利用知识库和专利库获取类比功能源；（3）调用数字孪生资源获取真实产品数据进行设计；（4）利用DCC理论降低融合后设计系统的复杂性； (5)利用TRIZ解决设计冲突问题；(6)根据产品需求评估设计方案。该方法提高了设计方案的可行性，减少了设计过程中从概念方案到最终方案的迭代次数，提高了创新设计过程的效率。以太阳能电池板除尘系统的创新设计为例，证明了该方法的适用性。
大脑如同计算机：隐喻、类比、理论还是事实？
无论是电子、模拟还是量子，计算机都是可编程机器。Wilder Penfield 认为大脑实际上是一台计算机，因为他是一个二元论者：心灵编程大脑。如果这种二元论被拒绝，那么将大脑与计算机联系起来需要定义大脑“程序”的含义以及谁可以“编程”大脑。如果大脑在学习时“编程”自己，那么这就是一个隐喻。如果进化“编程”大脑，那么这就是一个隐喻。事实上，在神经科学文献中，脑机通常不被用作类比，即作为明确的比较，而是被用作隐喻，通过将计算机领域的术语引入神经科学话语：我们断言大脑计算声音的位置，我们想知道感知算法如何在大脑中实现。当试图对这些术语进行精确的生物学描述时，会出现相当大的困难，这表明我们确实在处理一个隐喻。隐喻既有用又具有误导性。脑机隐喻的吸引力在于它有望连接生理和心理领域。但它具有误导性，因为这一承诺的基础是计算机术语本身是从心理领域（计算、记忆、信息）引入的。换句话说，脑机隐喻提供了一种还原论的认知观点（所有认知都是计算），而不是隐藏在隐喻背后的自然主义认知理论。
人工智能中的抽象和类比.pdf
例如，虽然当今的计算机视觉系统可以识别物体的感知类别，例如将金门大桥的照片标记为“一座桥”，但这些系统缺乏人类对这些物体的丰富概念知识——这些知识使得人类能够在各种各样的情况下对这些物体进行稳健的识别。此外，人类能够形成抽象并将其应用于新情况，而这种方式甚至连当今最好的机器都无法做到。继续使用“桥”的例子，人类可以轻松理解扩展和隐喻概念，例如“水桥”、“蚂蚁桥”、“桥接手指”、“鼻桥”、“歌曲之桥”、“弥合性别差距”、“过桥贷款”、“烧毁桥梁”、“桥下的水”等等。事实上，对于人类来说，任何感知类别（例如桥梁）都是通过其背后的丰富概念结构来理解的。这种概念结构使人类能够轻松回答一些常识性问题，例如“如果你开车经过一座高架吊桥会发生什么？”或“跨越性别差距的桥的两边各有什么？”此外，头脑中的概念结构使人类能够轻松生成不同抽象层次的“桥梁”；例如，想象你自己用腿在沙发和咖啡桌之间架起一座桥梁，或者用其他音符在钢琴上的两个音符之间架起一座桥梁，或者通过对话弥合与配偶之间的差异。
Simple Analogy to Understand Strategic Planning
Simple Analogy to Understand Strategic Planning Perhaps one of the easiest ways to explain strategic planning is by using a simple analogy. The following table depicts a comparison between strategic planning for an organization to vacation planning for a family.
小说和复杂世界中的策略制定：类比的力量 * Giovanni Gavetti Daniel A. Levinthal Jan W. Rivkin 233 Morgan Hall 2028
新颖和复杂世界中的策略制定：类比的力量 * Giovanni Gavetti Daniel A. Levinthal Jan W. Rivkin 233 Morgan Hall 2028 Steinberg-Dietrich Hall 239 Morgan Hall Harvard Harvard商学院沃顿商学院哈佛大学哈佛大学波士顿波士顿，马萨诸塞州，马萨诸塞州02163 Philadelphia，Pharadelphia，6114 BOSTON，616（MA 021）。 495-6378 (215) 898-6826 (617) 495-6690 ggavetti@hbs.edu levinthal@wharton.upenn.edu jrivkin@hbs.edu Strategic Management Journal, 2005 * For helpful comments, we are grateful to Nicolaj Siggelkow, anonymous referees, and seminar audiences at Babson,哈佛商学院，麻省理工学院的斯隆学校，加州大学洛杉矶分校卡尔加里大学，多伦多大学和沃顿商学院。我们还要感谢霍华德·布伦纳（Howard Brenner）的计算机编程工作，西蒙娜·乔治（Simona Giorgi）和伊丽莎白·约翰逊（Elizabeth Johnson）的研究援助以及哈佛商学院慷慨资助的研究部。错误仍然是我们自己的。