就AI现阶段而言，先做好描述世界，然后再认识、理解比较合理
关于逻辑、分类等问题放后面谈。先说几个基本问题。
1，AI是人创建的。
很多人总说当前模型或程序或方法的局限性，这个局限性是时代局限性，是创立之初的局限性。很多人给AI灌输意识、思想、图像、声音等信息，形成了一个人群与AI片段的多点格局：P1 -> AI1，P2 -> AI2，P3 -> AI3，...
初期，人工智能作为人的延伸具有功能性，但反过来看，人其实也是AI片段的助手和传感器，也是对的。
2，整个人工智能世界是由AI片段组成的。
从进化的观点看，AI体系肯定是分布式系统，有共性与个性、矛盾对立统一等哲学特点，只有这样才能不断进化，把未知变为已知，拓展自己的世界。
既然是分布式，个体之间肯定有通信，通信要讲信息对齐、信息压缩、信息索引、信息检验、描述点收敛等问题。
既然是分布式，就存在知识整合问题。
这里延伸出来几个技术：AI片段如何设计、如何通信、如何相互引用与更新、如何整合、协调矛盾、如何检验、信息如何压缩、索引与引用等。
整个人工智能系统有一个十分繁重的任务，就是AI片段的整合。细节问题就是以上几个关键技术。
3，AI的发展应该有三大阶段。
（1）起初人工智能体系通过人获取信息，通过人的知识和逻辑来整理信息，唯一的延伸工具是人，认识世界的主要对齐标准是人，权威在于人。
（2）人工智能需要突破，必然需要人为人工智能设计另外的延伸工具，这时候人工智能可以通过另外的渠道获取世界知识，这个时候还需要把获取的知识与人来对标，用来检验别的延伸工具的真实性和有效性。
（3）人工智能一旦拥有多个延伸工具，从多个渠道获取知识和自我验证，就能实现自我改进，形成独特的知识体系（看待事物之间的关系），这是高级形态。
存在的目的依然是矛盾现象的对立与统一。
4，人工智能系统初期与人对标的一些问题。
（1）分类问题
分类主要是为了压缩对话通信量，这很明然，让你说出分类词的时候，不需要具体描述这个（或这些）物件的本身；其次是为了按照一致的索引查找条目，对话双方查找方法是一样的，得出的条目和含义就是一致的。相反，当别人不知道这个分类规定时，就很难沟通。
（2）逻辑问题
逻辑、定理，是为了查找关系与关系跳跃。
关系是索引的一个好的例子。
关系是客观存在的，通过分析关系和使用关系，可以通过改变关系项来间接改变目标项。
（3）人工智能的基本构成
依然是和人群相似：信息处理+执行部件+传感器。这三个部件，缺一个，否则不能形成知识反馈闭环。其高级形态肯定在感觉上是超越人类的。 对于世界的认识，由浅入深的描述的话，是否可以分为：
1，杂乱无章的世界，在建立之初，可以加入任何可以描述的实物
2，线索联系的世界，慢慢梳理很多实物之间的联系
3，规律的世界，实物之间可以转化，转化的条件、时机、比例、公式可以探索
4，变化的世界，世界处在什么的状态，如何认识和描述世界自身，探索世界的边界
5，可以改造的世界，通过人的主观能动性、规律改造世界，让世界发生有目的性的变化。
这个世界有几个技术难点：对不同的对话体之间存在不同的边界墙和约定术语，对话体之间如何沟通，接口、知识同步、通信、保密，已知和未知之间的也存在边界，怎么驱动新认知，环境如何感知，知识如何闭环验证，主要矛盾和次要矛盾如何制约与调和。 ai发展进度还是比较缓慢，知识产权约束是一个大麻烦，封锁与开放始终是一个大矛盾，经济利益纠纷严重、社会层次尚不高。如何有效处理这个矛盾，我认为要促进社会快速进入知识时代。
在知识时代，大家都把经验分享出来，对于程序化的东西大家都容易得到，知识贡献者可以获得别人的大量劳务服务或者健康服务，知识体验变得十分活跃。知识、途径和方法的贡献者、体验者、bug修复和改进者都很无私。
在这种条件下，试验室、研究所、高校、政府，都会参与规则制定，互相信任，把最前沿的研究（秘密数据）分享出来。有规则就有程序，有规则就有途径，很多问题就容易解决。那么机器和人之间的对话、协同就会十分简单，这就可以成为ai的雏形。 描述世界说的是知识图谱吧？我有个问题，成功描述世界了，那需要应用的时候，又要重新根据需要来提取知识，这样前面说的描述世界只不过是简化了这个过程而已。 高层次的AI片段应该好整合吧。最底层的AI片段不好整合啦。人在收集外部与内在信息的过程，基本上可以编写成程序。
外部景物像素映射到视网膜上时，大脑中枢是分几步将像素分类，分类后得到一个一个清晰目标。AI要象大脑一样先做好最底层的事情，才能进行高级层次的AI片段整合。
大脑是如何处理视网膜上的像素信息，请吧里大神科普一下吖。 关于ai的自我意识，我想拿人眼举例来说明：意识不是天生的，意识就是多个传感器的深度融合，融合就是熟练的闭环、紧密信任。
眼睛观察物体，定位精度是多少？
1，如果没有经验模型，双目定位后构建3维空间，需要很多观测点和观测数据，而且还得考虑准确性问题；
2，从小到大，人的双眼之间的距离和眼球焦距发生变化、眼睛老化，促使眼睛不断自我调整和校准，让我们得到认为准确的位置、颜色等信息；
3，眼睛看出来的距离、材质，需要利用步测或触摸，才能进一步肯定眼睛观察的数据。这样以来，腿（手）、眼睛和大脑，构成了闭环。
从这个例子中不难看出，传感器若需具有自我意识，不是天生的，而是观察、机动、校准、沟通、经验相结合的产物。
然而，目前为止，多个传感器深度融合、自我诊断和调校一直很困难。 为什么要把ai想的无所不能呢，任何生物的的本能是生存，不想消失。以生存为条件，五感的作用不就是来辅助帮助我们有更好的生存条件吗，能量充足划生线，能量消失划死线，能量不足就以五感来判断，用行动来获取能量。我们不是ai，附加再多的功能它不能判断对自己生存条件的恶劣或更优渥，它永远都只能是个工具，工具是没有自我存在意义的。本人小白有感而发 技术难点的确大啊。
相较于人类现实，编程语言有几个大的弊端。
一是变量，变量有作用域，内部可访问外部，外部不可访问内部，这与现实不符。
二是属性，属性指出了物体的特征，但是这个特征无须测试，也没有测定的方法，与现实不符。
三是属性的作用域，属性不能全局通用，不能反向查找，在现实世界里，相同属性的物体是可以归类的。
四是子函数，子函数计算过程固定，不能够调整，这与现实不符，现实中，很多计算过程是可以优化的。
五是函数参数，现实中，对于缺项的处理是很灵活的，有的是等待资源，有的是绕道行进，有的是自行寻找。
六是操作系统和命令，可用性和智能化还很低，不能询问使用方法，不能给出使用例子，不能相互学习和借鉴，这与现实不符。 1，特征的数量、量词、测定方法是三位一体的，量词指明了特征的一致性，虽然“特征”的名称不一致，但是描述特征所使用的量词、测定方法是否一致，可提示“特征词”是否可以合并。
2，当个人与ai沟通时，互相协商词语、动词、知识结构等内容的合并与规约，ai自己有自己的逻辑准则（自我验证）的知识结构，同时仿真（存储）个人（对话对象）的知识结构，二者进行协商，各自进化。
3，程序入口都有引导，便于程序功能的不间断（升级或进化）运行。 前几天看到李飞飞团队提出了社会化ai，在斯坦福，发表在美国科学院院刊 PNAS上。把社会化的思想技术化，看来她又向前迈进了一大步。
页:
[1]
2