迪士尼3帶聊天室源碼搭建下載

地址一：【hubawl.com】狐霸源碼論壇

地址二：【bbscherry.com】車厘子源碼論壇

人工智能給Judea Pearl（貝葉斯之父）帶來諸多啟發(fā)。在二十世紀八十年代，他領導的工作使機器能夠以概率方式進行推理。現(xiàn)在他是該領域最敏銳的評論家之一。在他的最新著作“The Book of Why: The New Science of Cause and Effect”中，他認為人工智能的發(fā)展由于對智能真正含義不完全理解而受到阻礙。

三十年前，人工智能研究面臨的主要挑戰(zhàn)是編制機器將潛在原因與一系列可觀察條件聯(lián)系起來。Pearl利用一種稱為貝葉斯網(wǎng)絡的方案想出了如何做到這一點。貝葉斯網(wǎng)絡使得機器更有實用性，比如認為從非洲回來后發(fā)熱且身體酸痛的患者，最可能的病因是瘧疾。在2011年，Pearl主要因這項工作贏得了圖靈獎，這是計算機科學的最高榮譽。

但是，正如Pearl所看到的那樣，人工智能領域陷入了概率關聯(lián)的困境。最近頭條新聞報道了機器學習和神經(jīng)網(wǎng)絡的最新突破。我們閱讀有關計算機可以掌握古代游戲和駕駛汽車的新聞。Pearl不以為然，正如他所看到的那樣，今天人工智能領域的技術水平只不過是上一代機器已有功能的增強版：在大量數(shù)據(jù)中發(fā)現(xiàn)隱藏的規(guī)律性?！八辛钊擞∠笊羁痰纳疃葘W習成果都只是曲線擬合，”他最近這樣說道。

在新書中，現(xiàn)年81歲的Pearl詳細闡述了智能機器如何真正思考的愿景。他認為，關鍵在于用結合因果推理來取代推理。機器不僅僅有將發(fā)熱和瘧疾關聯(lián)起來的能力，而是需要能夠推斷瘧疾引起發(fā)燒的能力。一旦這種因果關系框架到位，機器就有可能提出反事實問題，以此查詢因給予某種干預而引起的因果關系如何改變，Pearl將其視為科學思想的基石。Pearl還提出了一種形式化的語言，使這種思維成為可能：21世紀的貝葉斯框架版本允許機器以概率形式思考。

Pearl期望因果推理可以為機器提供人類水平的智能。他解釋說，他們可以更有效地與人類溝通，甚至可以實現(xiàn)具有自由意志或邪惡思維的道德實體的地位。Quanta Magazine在最近的一次圣地亞哥會議上與Pearl進行談話，隨后通過電話與他進行了后續(xù)采訪。對話的如下。

Q：為什么你的新書名是“The Book of Why”？

A：它是對過去25年來我一直在做的工作的總結，包括因果關系、在一個人生活中的含義、應用以及我們如何提出對固有因果問題的答案。奇怪的是，這些問題已經(jīng)被科學拋棄了。所以我在這里補上了這一點。

Q：科學已經(jīng)放棄了因果關系，這很戲劇化?？蛇@不正是科學的全部內容嗎？

A：當然了，但是在科學方程式中你看不到這種期望。代數(shù)的語言是對稱的：如果X告訴我們有關Y的信息，那么Y就會告訴我們關于X的信息。我指的是確定性關系。在數(shù)學中無法寫出一個簡單的事實，例如，即將到來的暴風雨會導致晴雨表下降，而不是相反。數(shù)學并沒有非對稱性語言可以捕捉我們的理解，比如，X導致Y并不意味著Y會導致X。我知道，這對于科學來說是一件可怕的事情。

但是科學更為寬容：鑒于我們缺少不對稱關系的微積分，科學鼓勵我們創(chuàng)造一種關系。從這里就要引入數(shù)學了。對我而言，看到簡單的因果演算解決了我們這個時代最偉大的統(tǒng)計學家被認為是不明確或無法解決的問題，這結果令人興奮不已。

Q：幾十年前，你通過教授機器如何進行概率推理而名聲大噪，能說明一下當時AI的發(fā)展情況嗎？

A：20世紀80年代初出現(xiàn)的問題具有預測性或可診斷性。醫(yī)生會從患者身上看到一系列癥狀，并提出患者患有瘧疾或其他疾病的可能性。我們希望自動系統(tǒng)和專家系統(tǒng)能夠替代專業(yè)人員，無論是醫(yī)生還是礦物探險家，還是其他類型的付費專家。所以在那時我提出了概率性這個想法。

不幸的是，標準概率計算需要指數(shù)空間和指數(shù)時間。我想出了一個稱為貝葉斯網(wǎng)絡的方案，它需要多項式時間，并且也非常透明。

Q：但是在你的新書中，你認為自己與今天的AI背道而馳，理由是什么？

A：就我們開發(fā)的工具而言，只要我們的機器能夠以不確定的方式推理，我就會去追求更具挑戰(zhàn)性的任務：因果推理。我許多做AI的同事對此仍然不確定，有些研究圈子繼續(xù)在診斷方面工作，而不去擔心問題的因果關系。他們想要的只是預測好，診斷良好。

舉個例子來說，我們今天看到的所有機器學習工作都是在診斷模式下進行的，比如說將對象標記為“貓”或“老虎”。他們不關心干預，他們只是想識別一個對象并預測它在一段時間內將如何發(fā)展。

當我開發(fā)出用于預測和診斷的強大工具時，這雖然只是人類智能的冰山一角，但我有一種背離感。如果我們想要機器推理干預措施（“如果我們禁止香煙怎么辦？”）和內?。ā叭绻易x完了高中要做什么？”），我們必須引用因果模型。光靠關聯(lián)是遠遠是不夠的，這是一個數(shù)學事實，而非主觀意見。

Q：人們對AI的可能性感到興奮，你不覺得嗎？

A：就像我深入了解深度學習的過程一樣，我發(fā)現(xiàn)他們都在聯(lián)系的層面上堅持下去，即曲線擬合。這聽起來像是一種褻瀆，說深度學習的所有令人印象深刻的成就只是為數(shù)據(jù)擬合一條曲線。從數(shù)學的角度來看，不管操作數(shù)據(jù)的方式多么巧妙，在操作數(shù)據(jù)時讀入的數(shù)據(jù)如何，它仍然是一個曲線擬合練習，雖然復雜卻非常平庸。

Q：您談論曲線擬合的方式，聽起來好像對機器學習并不是很感興趣。

A：不，這給我留下了深刻的印象，因為我們沒有想到可以通過純曲線擬合來解決這么多問題。事實證明，他們可以。但我想問，接下來呢？能否有一位機器人科學家來計劃一個實驗，并找到未決科學問題的新答案？這是下一步。我們也希望與一臺有意義的機器進行一些溝通，這種有意義的方式意味著符合我們的直覺。如果你剝奪機器人關于原因和結果的直覺，你永遠不會與它進行有意義的交流。機器人無法像你我那樣說“我本該做得更好”。我們因此失去了一個重要的溝通渠道。

Q：有什么機會分享我們對因果關系的直覺？

A：我們必須為機器配備環(huán)境模型。如果一臺機器沒有現(xiàn)實的模型，那么你不能指望機器在現(xiàn)實中表現(xiàn)得很聰明。第一步，在10年內邁出一步，現(xiàn)實的概念模型將由人類編程。

下一步將是機器自行假設這些模型，并根據(jù)經(jīng)驗證據(jù)對它們進行驗證和改進。這就是科學，我們從一個以地心為中心的模型開始，到圓和循環(huán)，最后以橢圓形的日心模型結束。

機器人也將相互溝通，并用隱喻的模型內化這個假想的世界。

Q：當你今天與AI工作的人分享這些想法時，他們是如何反應的？

A：人們對AI看法不一。首先，有機器學習、深度學習和神經(jīng)網(wǎng)絡的成功令人陶醉。他們不明白我的想法。他們希望繼續(xù)擬合曲線。但是當你與在統(tǒng)計學習以外從事人工智能工作的人談話時，他們會立即理解我的意思。

Q：你是否認為目前有非機器學習的發(fā)展趨勢？

A：這不是一種趨勢，而是一種認真的探索，我們會問：我們要去哪里？下一步是什么？

Q：這也是我想問你的最后的問題。

A：我很高興你沒有問我關于自由意志的事情。

Q：在那種情況下，你如何看待自由意志？

A：絕對會有機器人擁有自由意志。我們必須了解如何對它們進行編程，以及我們從中會獲得什么。出于某種原因，進化邏輯中這種自由意志的感覺是可以計算的。

Q：以什么方式呢？

A：你有自由意志的感覺，進化為我們帶來了這種感覺。顯然，它有一定的計算功能。

Q：怎么看出機器人擁有自由意志？

A：我想第一個證據(jù)是機器人開始進行反事實交流，比如它說“你本該做得更好”。如果一個踢足球的機器人開始用這種語言溝通，那么我們就會知道他們有一種感覺，那就是自由意志?！澳惚驹摪亚騻鹘o我的，我一直等著你，但你沒有傳球！”所以自由意志的第一個標志就是溝通。