人工智能 (AI) 取得了长足进步,无论是符号学派还是联结学派 [1]。然而,机器思维的根本困难依然存在。这些困难的根源似乎在于人们不了解机器分类器之外的自然思维是什么。艾伦·图灵曾预言 [2]:“我相信,到本世纪末,词汇的使用和一般受过教育的观点将发生巨大变化,人们将能够在不被反驳的情况下谈论机器思维。”不幸的是,这种情况到 1999 年并没有发生。比图灵预测的晚了 20 多年,这篇论文基于我们自发展网络 (DN) [3]–[5] 以来取得的一些重大进展,建设性地解决了这个具有挑战性的问题,这些进展得益于我们在人工智能和自然智能方面的广博知识。我们提出了一种称为有意识学习的人工智能新范式,其会议版本于 2020 年发表在 [6]、[7] 中。有意识的学习意味着人工智能机器在其一生中必须具有部分意识,因为它早年较简单和部分的意识对于它在以后的生命中学习更复杂和更完整的意识是必要的。然而,意识超出了本文的讨论范围。在本文中,我们提出了一个机器学习模型,它是有意识学习的必要条件。我们进一步将规划作为思维的一个例子,以通过实验促进我们的理解。虽然我们已经看到一些书籍 [8]、[9] 的书名中带有“机器思维”,但这些出版物并没有明确定义他们所说的“机器思维”是什么意思,而且这些书中的方法仍然是非涌现的,不符合这里对机器思维的定义。
讲师:Trenton Jerde,博士 办公室: 上课时间:星期三:下午 6:10 - 8:00 办公时间: 房间:405 Schemerhorn 电子邮件:taj2128@columbia.edu 课程公告描述 本课程将概述机器智能的历史和现代发展,包括心理学、神经科学和计算机科学等领域,以及控制论、人工智能、神经网络、联结主义、机器学习和深度学习等智力运动。重点是主题的概念理解。本课程不包括也不要求具有计算机编程和统计学背景。研讨会的一个关键方面是让学生成为人工智能应用的知情消费者。 先决条件 本科生:本科生应该修过 PSYC UN1001 心理学科学或同等的心理学入门课程。此外,一些统计学和研究方法以及认知心理学或认知神经科学的课程或经验将非常有帮助。还需要得到导师的许可。 研究生:经导师许可,对心理学系的博士生和计算机科学、神经科学和工程等相关系的研究生开放。 导师 导师是《自然机器智能》的高级编辑,该杂志是一本关于人工智能、机器学习和机器人技术的科学期刊。他曾在明尼苏达大学(认知科学)、纽约大学(心理学)和哥伦比亚大学(应用分析)任教。他拥有明尼苏达大学的神经科学博士学位和爱荷华大学的心理学学士学位。 课程详细描述 研讨会的目标是更深入地了解机器智能。学生将通过准备针对必读内容的幻灯片演示来引导课堂讨论。学生应尽可能多地参与课堂讨论 - 请记住,研讨会是为了讨论。具体来说:
近 70 年前,卡尔·拉什利 (Karl Lashley) 开始寻找印迹。此后,人们学到了很多东西,但分歧依然存在。在当代学习和记忆的神经生物学中,有两种截然不同的概念在竞争:联想/联结 (A/C) 概念和计算/表征 (C/R) 概念。这两种理论都建立在这样的信念之上:心智是从物质大脑的属性和过程产生的。这些理论的不同之处在于它们对记忆的神经生物学基础是什么以及它在大脑中的位置的描述。记忆的 A/C 理论强调需要将记忆认知与记忆印迹区分开来,并假定记忆认知是通过印迹回路路由的模式化神经活动的一种新兴属性。在这个模型中,学习重新组织突触关联强度以指导未来的神经活动。重要的是,本文所提倡的 A/C 理论认为突触变化不是象征性的,尽管通常是必需的,但对于记忆认知来说并不够。相反,突触变化提供了恢复神经活动符号模式的能力和蓝图。与假设记忆出现在电路层面的 A/C 理论不同,C/R 概念表明记忆表现在细胞内分子结构的层面。在 C/R 理论中,这些细胞内结构传递信息,其特性与大脑计算利用读/写存储器的观点相一致,功能类似于计算机中的读/写存储器。新的研究激发了双方的热情,并强调了进行新讨论的必要性。本文介绍了这两种理论、每种理论尚未解决的关键问题以及几种潜在的发展路径。
主讲教师:Chittaranjan Hota 教授 (hota@hyderabad.bits-pilani.ac.in) 范围和目标 本课程从计算机科学的角度向学生介绍人工智能的基本概念和方法。人工智能关注一系列特定的问题,并开发了一套解决这些问题的特定技术。本课程的重点是研究开发智能程序所需的知识表示方法、推理和算法。人工智能不仅致力于构建智能实体,而且还允许理解它们。本课程将使学生了解如何使用经典的符号方法对计算机进行编程,使其以通常归因于人类“智能”的方式运行。人工智能目前涵盖了各种各样的子领域,如感知、逻辑推理、证明数学定理和诊断疾病等。人工智能使计算机工程师能够借助一套工具和方法系统化和自动化智力任务。本课程研究的方法可应用于人类智力活动的任何领域。作业部分将强调使用 C/C++、Python、R 等。学生将被要求在现实世界的问题解决中使用搜索策略、游戏程序(如国际象棋或井字游戏)、规划器、仅具有推理引擎的小型专家系统外壳、使用 TMS 或贝叶斯网络等模型在不确定性下进行推理的程序、自然语言理解程序以及使用联结主义模型(如神经网络)的机器学习领域的程序。教科书 T1 Stuart Russell 和 Peter Norvig,《人工智能:一种现代方法》,Pearson 教育,第 3 版,2009 年。参考书 R1 George F. Luger 人工智能:复杂问题解决的结构和策略,第四版,Pearson,2002 年。R2 DW Patterson,《人工智能与专家系统简介》,PHI,2002 年。 R4 Elaine Rich 和 Kevin Knight,《人工智能》,Tata McGraw Hill,第二版,2002 年。
摘要:人文和社会科学研究人员正在研究人工智能 (AI) 对人类社会的深远影响以及它们如何改变研究范式。神经符号人工智能中联结主义和符号主义的整合对于涉及大量数据的人文和社会问题的研究具有重要意义。它在计算社会科学和数字人文等新多学科领域的发展中也发挥着至关重要的作用。人文和社会科学面临着人工智能 (AI) 的重大挑战,人工智能正在影响公众对话,引发人们对可接受性、隐私和经济影响的担忧。除了提出社会问题外,它还通过机器和深度学习技术促进大规模数据分析,为跨学科分析开辟了新的途径,从而改变了研究程序。除了为此目的专门定义人工智能的范围外,本研究还为人工智能驱动的社会理论提供了愿景,并建议使用数字数据来测试基于人工智能模型的预测能力的社会理论。它利用兰德尔·柯林斯的状态分解模型,说明了人工智能现有的综合知识、推理和系统解决各种问题的能力。然而,人工智能驱动的社会理论受到实际、技术和认识论问题的阻碍。语义化(生成机器可操作的言语概念)、可转移性(使用跨语境学习到的信息)和生成性(独立生成和升级概念)是当前系统所缺乏的关键功能。通过填补这些空白,未来的研究可以使人工智能成为累积社会理论发展的先驱。凭借丰富的数据,神经符号人工智能具有解决棘手的人文和社会问题的巨大潜力。对于计算社会科学和数字人文等新兴跨学科领域而言,它的整合代表着重大进步。关键词:数字人文、深度学习、躯体化、神经符号
我们首先应该尝试定义主题。一般来说,我们将神经符号人工智能(简称 NeSy AI)理解为人工智能(简称 AI)领域的一个子领域,该领域致力于将人工智能中的神经和符号传统结合在一起以增加价值。当前使用了不同的拼写,包括神经符号和神经符号,也包括符号亚符号和其他 - 我们认为它们是相同的。在这种情况下,术语神经是指广义上的人工神经网络或联结系统的使用。术语符号是指基于显式符号操作的人工智能方法。这通常包括术语重写、图形算法和自然语言问答等。然而,它通常被更狭义地理解为基于形式逻辑的方法,例如在人工智能的子领域“知识表示和推理”中所使用的方法。然而,这些界限很容易模糊,出于本概述的目的,我们不会将自己局限于基于逻辑的方法。NeSy AI 的总体前景在于希望实现两全其美的局面,其中神经和符号方法的互补优势可以以有利的方式结合起来。在神经方面,理想的优势包括可从原始数据进行训练和对底层数据故障的鲁棒性,而在符号方面,人们希望保留这些系统固有的高可解释性和可证明的正确性,以及在其设计和功能中轻松利用人类专家的深厚知识。在功能特征方面,将符号方法与机器学习(尤其是目前研究最为活跃的深度学习)相结合,人们希望在词汇处理、小数据集训练、错误恢复以及总体可解释性等问题上做得更好,而不是仅仅依赖深度学习的系统。神经和符号人工智能方法之间的一个根本区别与我们的讨论有关,即人工智能系统中信息的表示。对于符号系统,表示是明确的,原则上人类可以理解。例如,正方形(x)→长方形(x)这样的规则很容易通过符号方式理解和操作。然而,在神经系统中,表示通常是通过(许多)神经元之间的加权连接和/或对(可能大量)神经元的同时激活来实现的。特别是,人类观察者无法轻易识别所表示的内容。