《计算机与智能》读后感
| | 分类于
字数统计:5.4k字 | 阅读时长:18 分钟 阅读量: 0 | 评论量: 0

《计算机与智能》读后感

with 0 comments
Word count: 5.4k | Reading time: 18min

Computing Machinery and Intelligence<span class=”hint–top hint–error hint–medium hint–rounded hint–bounce” aria-label=”图灵的文章”Computing machinery and intelligence”译文“>[1]

模仿游戏 

图表 1模仿游戏示意图

游戏中的机器

1.”一个或一队工程师制造出一个可以工作的机器,但是却不能很好的描述其工作方式,因为他们使用了基于试验的方法来设计它”

现在的神经网络通过训练来确定模型的权重、偏置参数,其内部也是一个黑盒子,输出的不确定性是由其非线性激活函数来决定的。当然最近的一篇《Explaining Deep Neural Networks》试图解释神经网络的原理<span class=”hint–top hint–error hint–medium hint–rounded hint–bounce” aria-label=”让神经网络解释自己:牛津大学博士小姐姐,用毕业论文揭示”炼丹炉”结构
“>[2]

2.”为什么不拿一台直接作实验?很容易就能满足游戏的要求。让许多提问者同时参加游戏,然后统计出判断正确的概率”

accuracy_cnt=0
for i in range(len(x)):
    y=predict(network,x[i])
    p=np.argmax(y)#获取概率最高的元素的引用
    if p==t[i]:
        accuracy_cnt+=1
print("Accuracy:"+str(float(accuracy_cnt)/len(x)))#0.9352

个人认为判断一个模型的好坏可以从它的执行时间和精确度两个方面来衡量。

3.”是否存在可想象的计算机能够通过游戏。”

得出强人工智能实现的可能性,标准即为能否通过图灵测试。

数字计算机

1.”(i)存贮器(ii)执行单元(iii)控制器”

冯.诺伊曼计算机结构:控制器、运算器、存储器、输入设备、输出设备

2.”不妨把它们称为”指令表”。控制器的功能就是保证指令按照正确的顺序执行,其设计使得这成为可能。”

CPU中的指令集,高级语言都是把语义化的代码翻译成指令集供CPU执行。像Python、Javascript是边解释边运行;而Java、CPP要编译成字节码文件才能运行。

3.”把存放在6890的数加上存放在4302的数,并把结果存入后面单元。”

这种操作可以使用机器语言轻松完成。

4.””现在执行存储在 5606的指令,并从那里继续执行。”或者是:”如果 4505位置是0,那么执行存储在6707的指令,否则继续”。”

现在的高级语言有go和ifelse这类关键字对应。顺序结构、循环结构、分支结构。

5.”如果一个人想让机器模仿计算员执行复杂的操作,他必须告诉计算机如何做,并把结果翻译成某种形式的指令表。这种构造指令表的行为通常被称为”编程””

我觉得编程的概念是写代码,一般是高级语言;而”将结果翻译成某种形式的指令表”是编译器要做的事情将代码编程成计算机能理解的二进制文件,再通过CPU中的指令集运行二进制文件。

6.”通常并不能通过观察判断出一个机器是否有随机元素,因为一个相似的效果可以依据Pi的小数部分进行选择来产生。”

关于依据Pi的小数部分来产生随机数的想法我是不赞同的,就算现在大部分高级语言实现的Random接口来产生的随机数也只是伪随机数(依据从某个时间节点到现在的毫秒数来产生)。牵扯到如何把一个数组随机打乱,使每个元素的概率一致是不能仅仅用Random和排序来做的,要使用专门的Shuffle算法来操作。

7. “让一个计算机具有无限的存储空间并不存在理论上的困难,当然在任何时候都只有有限的部分被使用。同样,只有有限的存储空间被建造,不过我们可以想象越来越多的存储空间可以根据要求添加。”

“无限容量计算机”结合Google的三篇论文《GFS》、《Big Table》、《Map Reduce》,以及Hadoop和后来的分布式与云计算技术使其成为可能,同时具备实用价值。”根据要求添加”在《GFS》这篇论文中明确得指出了GFS系统设计要符合”可伸缩性”、”容错”、”灾难冗余”的原则或者要求。

8.”分析机的存储全部由用轮子和卡片组成的机械实现。”

在《Deep Learning from Scratch》这本书2.6章节(P60)中有提到”仅通过与非门的组合就能实现计算机”,并推荐《计算机系统要素:从零开始构建现代计算机》这本书。实际上结合我在本科学习过”电子电工“这门课程,就可以通过逻辑门电路累加器加法器…CPU计算机来实现(基于电流电路的硬件)。由此看来向华老师所言”软件硬件不分家”是有一定的道理的。

9.”在神经系统中,化学过程至少和电过程同样重要,某些计算机的存储器主要基于声学原理,计算机和神经系统都使用电仅仅是表面的相似,如果我们希望寻找这样的相似,倒不如寻找功能上的数学相似性。”

现代神经网络的构建和神经系统中的神经元有相似的地方(也可以看成一总仿生的应用)。神经元之间的通过生物电来传递介质(或者说信息),当然这种生物电是由生物的化学反应产生的(联想到可以用神经元来实现计算机的可行性,这种计算机可能天生对深度学习有较高的性能,同时软硬件会结合得更加紧密)。”某些计算机的存储器主要基于声学原理”这里有一些看不明白,存储器基于声学原理,这个好像在现代计算机硬件中没有见过。

数字计算机的通用性

1.”即使是考虑实际的物理机器而不是理想机器,只要知道了某个时刻状态的合理准确的信息,就可以相当准确的预测未来状态的信息。”

然而神经网络确实恰恰相反,由于其内部的大量非线性函数,所以造成了内部的不可解释和结果的不确定性。即使可以通过调参来提高准确率,还是被相关从业人员笑称为”炼丹”。

2.”例如,现在在曼彻斯特工作的机器可以有2^165000个状态,也就是大约10^50000。”

现代CPU的制程能达到7微米(手机中的CPU),这意味着能在有限空间中集成更多的电路。晶圆(我把它看成一个一个小开关)的个数也是CPU的性能参数之一,但这是否和状态有关呢?

3.”具有这样性质的机器带来一个重要结果就是,若不考虑速度,并不需要设计出不同的新机器来执行不同的计算,它们都可以用一个数字计算机来实现,只要根据情况适当编程。由此可见,所有数字计算机在某种意义上是等价的。”

图灵的设想同过时间证明了其正确性,现代计算机软硬件的结合通过系统,编程的手段可以调用系统提供的顶层API来调用底层的硬件。家用PC、laptop、服务器等计算机都可以通过安装系统和软件来实现统用的功能。

图表 2现代通用计算机构造图

关于主要问题的对立观点

1.”猜想往往是非常重要的,因为它们提示有用的研究线索。”

根据现实情况作出合理的猜想对科学研究有帮助,猜想验证结论

图表 3对所持意见的对立观点思维导图.SVG

2.”在两种情况下,我们其实都是上帝意志的工具,为他所创造的灵魂提供住所。 “

主观和客观,本我及…

3.”总而言之,人可能比任何特定的机器聪明,但是可能有更聪明的其他机器,等等。”

特定领域的计算机确实比人类聪明,”Deep Blue”和”AlphaGo”的出现使得强人工智能成为可能。

4.”除非机器能够因为感受到思想与情绪”

现代的弱人工智能尽管能够画出一些画作、写出一些诗文,但它不知道自己在做什么,更不会因此而喜悦。所以到强人工智能的路还有很长。

5.”要想知道某人是否在思维,唯一的途径就是成为那个人”

实际上现代脑机接口的发展可以通过脑电的波动来看出一个人是否在思考。但如何把这种方法应用到计算机上呢,看风扇的转速、CPU的温度么?

6.”在实际中经常采用”口试”的方式来发现某人是真的理解某事”

事实上,很多时候未成年人并没有自己的世界观、价值观和人生观。这种思维不健全的未成年人通常没有形成自己的观点,而是人云亦云,鹦鹉学舌。这和现在的一些对话机器人(弱人工智能)有相似的地方。对此我的理解是:只有深刻地经历过后才会理解语言背后的含义。

7.”机器能够通过观察自己行为的结果,修改自己的程序,以便更有效地达到某种目的。这并不是乌托邦式的空想,而是不久的将来可能办到的事”

“机器不能成为它自己思维的主体”现代的神经网络在没有确定权重、偏置参数的情况下是不确定的,可以说”没有主体”,但经过几轮训练之后就像初生的婴儿蹒跚学步,就有了类似经验的东西。”通过观察自己行为的结果,修改自己的程序”现在出现的GAN(对抗生成模型)有异曲同工之妙。

8.” 人们会认为机器所使用的方法(不管是什么方法,总是机械性的)实在太低级了”

现在的神经网络、深度学习似乎不这么低级了。

9. “这并不意味着就无法制造能’独立思考’的电子设备,用生物学的话说,我们能够在其中建立条件反射,用来作’学习’的基础”

实际上现在的深度学习都是基于神经元模仿生物大脑的思考来设计的。这也证实了Hartree的猜测的可能性。

10.”不可能制定一套旨在描述一个人在每种情况该做什么的规则”

在现实情况中,法律是约束人类行动的第一战线,其次是道德,最后才是经验习得。

11.”因为我们认为,受行为规律调控意味着人就是某种机器(尽管不一定是离散状态机器)”

有这种行为规律(或者说先天反射),但是这种行为规律不完备,所以说同样不能将人称之为机器。

12.”相信我们的身体除了按照已知的物理学规律运作外,还按照未知的、但相似的规律运作。”

心灵感应一般存在于双胞胎之间,似乎和量子纠缠有某种联系。

13.”但是,这个随机数字生成程序又受提问者的精神运动的影响,这个精神运动也许就能让计算机猜对的次数比概率计算高”

用意念或者精神来影响客观世界仍旧是神学范畴。

学习机器

图表 4核聚变链式反应

1.” 然而,如果原子堆的大小变的足够大的时候,中子产生的反应很可能会持续的增加,直到原子堆解体。思维中是否存在这样的现象呢?机器中呢?这样的现象在人脑中应该是存在的。”

这里用核聚变中的链式反应来作类比,我觉得是不合适的,科学研究应该是严谨认真的(尽管有些文学作品中可能会用思维爆炸这类词来形容一个人的思维过程)

2.”进入其中的想法将会产生二级三级越来越多的想法,最终成为一个完整的"理论"。”

显然当我的思想成为超临界状态的时候只会胡思乱想而不会形成什么理论。

3.”如果是后一种情况,那么整个思维都是机械的。”

人类的某些思维活动可能会和剥洋葱皮有些类似。但我不赞成这种纯机械的方式来比喻人类的思维活动过程,因为我认为人类的思维活动是非线性的。

4.”而且认为只有一小部分用来进行高级的思考,其余大部分用来保存图像。”

根据生物学的知识来看,人类的大脑可以分为几个区域,这些区域分别对应不同的功能。由此看来人类大脑的构造和计算机有相似之处。

5. 被视为模拟神经细胞的现代机器,其速度比神经细胞快1000倍,这在许多方面可以为补偿速度的损失提供”安全余地”,剩下的问题主要就是如何编程让机器能够完成游戏。

“模拟神经细胞的现代机器”那个时候就有仿生计算机的出现吗?对此我表示怀疑。

图表 5大脑是怎么进入状态的

6.”在试图模拟成人大脑的过程中,我们必须考虑大脑是怎么进入状态的”

有时候我会想,大脑进入状态的过程和计算机开机的过程是否相似。

7.”大脑所经历的经验,此经验不被称为教育。”

我对这个观点持反对意见,经验是对经历的一种总结,也应该被视为一种教育。并且我认为这种教育要比课堂上的教育有效的多。

8.”与其试图编程模拟成人大脑,不如模拟儿童大脑,如果让儿童大脑接受正确的教育课程,就可能获得成人大脑。”

这个我在没看图灵的论文之前也想过,试图用深度学习的技术开发一个对话机器人,然后让它和同龄的学生从幼儿园开始接受人类的教育,最后进化为成人的大脑。此刻我和图灵隔空对话。

9.”显然这个过程与进化有联系”

遗传算法物竞天择,适者生存。

10.” 并不需要局限于随机的变异,如果能够找出某些缺陷的原因,就可能想到改进它的变异。”

随机变异+人类辅助的过程确实会加快机器的进化,同时人类的辅助过程决定者机器未来的属性。这里人类充当着自然界中的环境因素(或者说是上帝),我更乐意看成是一个孔洞不一致的筛子。

11.”其他的学生肯定会嘲笑它,它必须得到专门地训练。”

这里将机器赋予人权,机器没有腿和胳膊、机器的视觉传感器可能不如人类的发达。但是教育是平等的(至少是相对平等)

12.”海伦.勒女士的例子表明只要老师和学生能够以某种方式进行双向的交流,教育就能进行。”

让我想起了中学的一篇课文,海伦女士对待盲人的”我”充满耐心和爱,让”我”感受到生活下去的力量。

13.”使得遭到惩罚的事件不大可能重复,而受到奖励的事件则会增加重复的可能性。”

这里我想到了GAN(对抗生成模型),有这种奖励和惩戒的机制在里面。

14.”如果教师没有与学生沟通的其他方式,那么所传达的信息量不会超过所用的奖励和惩罚的总和。”

教育”儿童机器”还应该有其他更加温和的方法,奖励惩戒机制可以用作验证其他温和方法的一种。

15.” 在后一种情况下,大多数存储空间将被用来存储定义和命题,这些命题可能具有各种各样的形式,例如,确定的事实,推测,数学上证明的定理,权威给出的判断,具有逻辑形式却没有确定值的表达式等等。”

我赞同第一种”尽可能保持简单以保持通用性”,毕竟大多数人生下来就没有所谓的天赋,多数的技能都是通过后天习得,practice make perfect。

16.”合理的命令(在系统内部表达,并不是系统规则的一部分)”

机器人三大定律:一:机器人不得伤害人类个体,或者目睹人类个体将遭受危险而袖手不管;二:机器人必须服从人给予它的命令,当该命令与第一定律冲突时例外;三:机器人在不违反第一、第二定律的情况下要尽可能保护自己的生存。个人认为这三大定律在一定程度上保证了人类的安全,但是同时也使得机器和人类不能平等地享有人权。所以我是不赞成的。

17.”在这些指令中,最重要的是调节逻辑系统规则的执行顺序,因为在使用这个系统的每一步,都会有许多不同选择,在遵守逻辑系统规则的情况下,任意选择一个都是允许的。”

在现代深度学习神经网络中的表现在于权重和偏置参数的调节,而这也依赖于训练的次数和数据集的质量。

18.”这些命题可能来自权威,也可能来自机器本身,例如科学归纳。”

“科学归纳”意味着机器要有获得经验的能力。

19. 在学习过程中发生变化的规则是一类不那么自命不凡的规则,只声称短暂的有效性。读者可以将之与美国宪法类比。

可以用人类基因是不变的规则,但是后天的条件反射是可变的规则来类比。

20.”智能行为应该和完全服从命令的行为有别,但又不能太大,不应该产生随机的行为或无限循环。”

线性回归、梯度下降、最小二乘

21.”学习的过程并不会产生百分之百的确定结果,否则就不是学习了。”

类比现在的深度学习神经网络,准确率也不可能达到100%。否则就不是学习了,而是既定的规则。

22.”在一个学习机器中加入随机元素应该是明智的”

神经网络中大量的非线性函数。

23. 如何跟踪已经尝试过的不同基因组合,从而避免重复呢?

在有些递归或者动态规划算法中,可能会用一个数组来存储已经计算过的值,从而减少计算的次数,优化算法的时间复杂度。同时也是用空间换时间的一种思想的实践。

24.”我们希望机器最终能和人在所有纯智力领域竞争,但何处是最好的开端?”

“Blue Deep”在智力问答游戏中的出色表现和”AlphaGo”、”AlphaZero”在围棋的出色表现使得强人工智能的实现又近了一步。

25.”也有人认为最好用钱给机器买最好的传感器,然后教它听说英语,和教一个正常的小孩一样,教它命名事物等等。”

在我还没看过图灵这篇论文的时候也有过这种想法,用最好的传感器造一个类人机器人,然后让它从幼儿园开始接受教育,最终实现强人工智能的目的(显然还要强大的算法的支持)。

26.”我们的目光所及,只是不远的前方,但是可以看到,那里有许多工作要做。”

此时此刻,两个灵魂在隔空对话,图灵的大部分想法到了这个时代有的已经验证有的还没实现。图灵的大多数想法放到这个时代并没有落后,甚至还有一些超前。”我们的目光所及,只是不远的前方”我们还有许多工作要完成。

参考文献

看了这么久,不请我喝杯茶吗?