什么是邏輯

進城

進城 發(fā)表于 2025-7-26 18:46
至于電腦的智能計算與舊式老式計算有何不同，不是學這個專業(yè)的不太清楚。
可能老式電腦計算屬于一種模枋類 ...

當計算機出現(xiàn)后，人類開始真正有了一個可以模擬人類思維的工具，

進城

研究范疇
自然語言處理，知識表現(xiàn)，智能搜索，推理，規(guī)劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計軟計算，不精確和不確定的管理，人工生命，神經網絡，復雜系統(tǒng)，遺傳算法。
意識和人工智能
人工智能就其本質而言，是對人的思維的信息過程的模擬。
對于人的思維模擬可以從兩條道路進行，一是結構模擬，仿照人腦的結構機制，制造出“類人腦”的機器；二是功能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬�，F(xiàn)代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬。
弱人工智能如今不斷地迅猛發(fā)展，尤其是2008年經濟危機后，美日歐希望借機器人等實現(xiàn)再工業(yè)化，工業(yè)機器人以比以往任何時候更快的速度發(fā)展，更加帶動了弱人工智能和相關領域產業(yè)的不斷突破，很多必須用人來做的工作如今已經能用機器人實現(xiàn)。
而強人工智能則暫時處于瓶頸，還需要科學家們和人類的努力。

進城

技術研究
播報
用來研究人工智能的主要物質基礎以及能夠實現(xiàn)人工智能技術平臺的機器就是計算機，人工智能的發(fā)展歷史是和計算機科學技術的發(fā)展史聯(lián)系在一起的。除了計算機科學以外，人工智能還涉及信息論、控制論、自動化、仿生學、生物學、心理學、數(shù)理邏輯、語言學、醫(yī)學和哲學等多門學科。人工智能學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統(tǒng)、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。
研究方法
如今沒有統(tǒng)一的原理或范式指導人工智能研究。許多問題上研究者都存在爭論。其中幾個長久以來仍沒有結論的問題是：是否應從心理或神經方面模擬人工智能?或者像鳥類生物學對于航空工程一樣，人類生物學對于人工智能研究是沒有關系的？智能行為能否用簡單的原則（如邏輯或優(yōu)化）來描述？還是必須解決大量完全無關的問題？
智能是否可以使用高級符號表達，如詞和想法？還是需要“子符號”的處理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提議人工智能應歸類為SYNTHETIC INTELLIGENCE，這個概念后來被某些非GOFAI研究者采納。
大腦模擬
主條目：控制論和計算神經科學
20世紀40年代到50年代，許多研究者探索神經病學，信息理論及控制論之間的聯(lián)系。其中還造出一些使用電子網絡構造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 這些研究者還經常在普林斯頓大學和英國的RATIO CLUB舉行技術協(xié)會會議。直到1960年， 大部分人已經放棄這個方法，盡管在80年代再次提出這些原理。
符號處理
主條目：GOFAI
當20世紀50年代，數(shù)字計算機研制成功，研究者開始探索人類智能是否能簡化成符號處理。研究主要集中在卡內基梅隆大學， 斯坦福大學和麻省理工學院，而各自有獨立的研究風格。JOHN HAUGELAND稱這些方法為GOFAI（出色的老式人工智能）。 [31] 60年代，符號方法在小型證明程序上模擬高級思考有很大的成就�；�于控制論或神經網絡的方法則置于次要。 [32]60~70年代的研究者確信符號方法最終可以成功創(chuàng)造強人工智能的機器，同時這也是他們的目標。
認知模擬經濟學家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時他們?yōu)槿斯ぶ悄艿幕�本原理打下基礎，如認知科學， 運籌學和經營科學。他們的研究團隊使用心理學實驗的結果開發(fā)模擬人類解決問題方法的程序。這方法一直在卡內基梅隆大學沿襲下來，并在80年代于SOAR發(fā)展到高峰。基于邏輯不像艾倫·紐厄爾和赫伯特·西蒙，JOHN MCCARTHY認為機器不需要模擬人類的思想，而應嘗試找到抽象推理和解決問題的本質，不管人們是否使用同樣的算法。他在斯坦福大學的實驗室致力于使用形式化邏輯解決多種問題，包括知識表示， 智能規(guī)劃和機器學習. 致力于邏輯方法的還有愛丁堡大學，而促成歐洲的其他地方開發(fā)編程語言PROLOG和邏輯編程科學.“反邏輯”斯坦福大學的研究者 (如馬文·閔斯基和西摩爾·派普特)發(fā)現(xiàn)要解決計算機視覺和自然語言處理的困難問題，需要專門的方案-他們主張不存在簡單和通用原理（如邏輯）能夠達到所有的智能行為。ROGER SCHANK 描述他們的“反邏輯”方法為 "SCRUFFY" .常識知識庫 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子，因為他們必須人工一次編寫一個復雜的概念。基于知識大約在1970年出現(xiàn)大容量內存計算機，研究者分別以三個方法開始把知識構造成應用軟件。這場“知識革命”促成專家系統(tǒng)的開發(fā)與計劃，這是第一個成功的人工智能軟件形式�！爸�識革命”同時讓人們意識到許多簡單的人工智能軟件可能需要大量的知識。
子符號法
80年代符號人工智能停滯不前，很多人認為符號系統(tǒng)永遠不可能模仿人類所有的認知過程，特別是感知，機器人，機器學習和模式識別。很多研究者開始關注子符號方法解決特定的人工智能問題。
自下而上， 接口AGENT，嵌入環(huán)境（機器人），行為主義，新式AI機器人領域相關的研究者，如RODNEY BROOKS，否定符號人工智能而專注于機器人移動和求生等基本的工程問題。他們的工作再次關注早期控制論研究者的觀點，同時提出了在人工智能中使用控制理論。這與認知科學領域中的表征感知論點是一致的:更高的智能需要個體的表征(如移動，感知和形象)。計算智能80年代中DAVID RUMELHART 等再次提出神經網絡和聯(lián)結主義. 這和其他的子符號方法，如模糊控制和進化計算，都屬于計算智能學科研究范疇。
統(tǒng)計學法
90年代，人工智能研究發(fā)展出復雜的數(shù)學工具來解決特定的分支問題。這些工具是真正的科學方法，即這些方法的結果是可測量的和可驗證的，同時也是人工智能成功的原因。共用的數(shù)學語言也允許已有學科的合作（如數(shù)學，經濟或運籌學）。STUART J. RUSSELL和PETER NORVIG指出這些進步不亞于“革命”和“NEATS的成功”。有人批評這些技術太專注于特定的問題，而沒有考慮長遠的強人工智能目標。
集成方法
智能AGENT范式智能AGENT是一個會感知環(huán)境并作出行動以達致目標的系統(tǒng)。最簡單的智能AGENT是那些可以解決特定問題的程序。更復雜的AGENT包括人類和人類組織（如公司）。這些范式可以讓研究者研究單獨的問題和找出有用且可驗證的方案，而不需考慮單一的方法。一個解決特定問題的AGENT可以使用任何可行的方法-一些AGENT用符號方法和邏輯方法，一些則是子符號神經網絡或其他新的方法。范式同時也給研究者提供一個與其他領域溝通的共同語言--如決策論和經濟學（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被廣泛接受。AGENT體系結構和認知體系結構研究者設計出一些系統(tǒng)來處理多ANGENT系統(tǒng)中智能AGENT之間的相互作用。一個系統(tǒng)中包含符號和子符號部分的系統(tǒng)稱為混合智能系統(tǒng) ，而對這種系統(tǒng)的研究則是人工智能系統(tǒng)集成。分級控制系統(tǒng)則給反應級別的子符號AI 和最高級別的傳統(tǒng)符號AI提供橋梁，同時放寬了規(guī)劃和世界建模的時間。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一個早期的分級系統(tǒng)計劃。
智能模擬
機器視、聽、觸、感覺及思維方式的模擬：指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統(tǒng)，智能搜索，定理證明，邏輯推理，博弈，信息感應與辨證處理。
學科范疇
人工智能是一門邊沿學科，屬于自然科學、社會科學、技術科學三向交叉學科。
涉及學科
哲學和認知科學，數(shù)學，神經生理學，心理學，計算機科學，信息論，控制論，不定性論，仿生學，社會結構學與科學發(fā)展觀。
研究范疇
語言的學習與處理，知識表現(xiàn)，智能搜索，推理，規(guī)劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計，軟計算，不精確和不確定的管理，人工生命，神經網絡，復雜系統(tǒng)，遺傳算法人類思維方式，最關鍵的難題還是機器的自主創(chuàng)造性思維能力的塑造與提升。
安全問題
人工智能還在研究中，但有學者認為讓計算機擁有智商是很危險的，它可能會反抗人類。這種隱患也在多部電影中發(fā)生過，其主要的關鍵是允不允許機器擁有自主意識的產生與延續(xù)，如果使機器擁有自主意識，則意味著機器具有與人同等或類似的創(chuàng)造性，自我保護意識，情感和自發(fā)行為。因此，人工智能的安全可控問題要同步從技術層面來解決。 [22]隨著技術的發(fā)展成熟，監(jiān)管形式可能逐步發(fā)生變化，但人工智能必須接受人工監(jiān)管的本質不能改變。 [23]生成式AI可能引發(fā)大規(guī)模隱私或者個人信息泄露問題。 [31]
實現(xiàn)方法
人工智能在計算機上實現(xiàn)時有2種不同的方式。一種是采用傳統(tǒng)的編程技術，使系統(tǒng)呈現(xiàn)智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。這種方法叫工程學方法（ENGINEERING APPROACH），它已在一些領域內作出了成果，如文字識別、電腦下棋等。另一種是模擬法（MODELING APPROACH），它不僅要看效果，還要求實現(xiàn)方法也和人類或生物機體所用的方法相同或相類似。遺傳算法（GENERIC ALGORITHM，簡稱GA）和人工神經網絡（ARTIFICIAL NEURAL NETWORK，簡稱ANN）均屬后一類型。遺傳算法模擬人類或生物的遺傳-進化機制，人工神經網絡則是模擬人類或動物大腦中神經細胞的活動方式。為了得到相同智能效果，兩種方式通常都可使用。采用前一種方法，需要人工詳細規(guī)定程序邏輯，如果游戲簡單，還是方便的。如果游戲復雜，角色數(shù)量和活動空間增加，相應的邏輯就會很復雜（按指數(shù)式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程序，重新編譯、調試，最后為用戶提供一個新的版本或提供一個新補丁，非常麻煩。采用后一種方法時，編程者要為每一角色設計一個智能系統(tǒng)（一個模塊）來進行控制，這個智能系統(tǒng)（模塊）開始什么也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環(huán)境，應付各種復雜情況。這種系統(tǒng)開始也常犯錯誤，但它能吸取教訓，下一次運行時就可能改正，至少不會永遠錯下去，用不到發(fā)布新版本或打補丁。利用這種方法來實現(xiàn)人工智能，要求編程者具有生物學的思考方法，入門難度大一點。但一旦入了門，就可得到廣泛應用。由于這種方法編程時無須對角色的活動規(guī)律做詳細規(guī)定，應用于復雜問題，通常會比前一種方法更省力。
與人類差距
2023年，中國科學院自動化研究所（中科院自動化所）團隊最新完成的一項研究發(fā)現(xiàn)，基于人工智能的神經網絡和深度學習模型對幻覺輪廓“視而不見”，人類與人工智能的“角逐”在幻覺認知上“扳回一局”。 [13]

進城

技術研究
播報
用來研究人工智能的主要物質基礎以及能夠實現(xiàn)人工智能技術平臺的機器就是計算機，人工智能的發(fā)展歷史是和計算機科學技術的發(fā)展史聯(lián)系在一起的。除了計算機科學以外，人工智能還涉及信息論、控制論、自動化、仿生學、生物學、心理學、數(shù)理邏輯、語言學、醫(yī)學和哲學等多門學科。人工智能學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統(tǒng)、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。
研究方法
如今沒有統(tǒng)一的原理或范式指導人工智能研究。許多問題上研究者都存在爭論。其中幾個長久以來仍沒有結論的問題是：是否應從心理或神經方面模擬人工智能?或者像鳥類生物學對于航空工程一樣，人類生物學對于人工智能研究是沒有關系的？智能行為能否用簡單的原則（如邏輯或優(yōu)化）來描述？還是必須解決大量完全無關的問題？
智能是否可以使用高級符號表達，如詞和想法？還是需要“子符號”的處理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提議人工智能應歸類為SYNTHETIC INTELLIGENCE，這個概念后來被某些非GOFAI研究者采納。
大腦模擬
主條目：控制論和計算神經科學
20世紀40年代到50年代，許多研究者探索神經病學，信息理論及控制論之間的聯(lián)系。其中還造出一些使用電子網絡構造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 這些研究者還經常在普林斯頓大學和英國的RATIO CLUB舉行技術協(xié)會會議。直到1960年， 大部分人已經放棄這個方法，盡管在80年代再次提出這些原理。
符號處理
主條目：GOFAI
當20世紀50年代，數(shù)字計算機研制成功，研究者開始探索人類智能是否能簡化成符號處理。研究主要集中在卡內基梅隆大學， 斯坦福大學和麻省理工學院，而各自有獨立的研究風格。JOHN HAUGELAND稱這些方法為GOFAI（出色的老式人工智能）。 [31] 60年代，符號方法在小型證明程序上模擬高級思考有很大的成就�；�于控制論或神經網絡的方法則置于次要。 [32]60~70年代的研究者確信符號方法最終可以成功創(chuàng)造強人工智能的機器，同時這也是他們的目標。
認知模擬經濟學家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時他們?yōu)槿斯ぶ悄艿幕�本原理打下基礎，如認知科學， 運籌學和經營科學。他們的研究團隊使用心理學實驗的結果開發(fā)模擬人類解決問題方法的程序。這方法一直在卡內基梅隆大學沿襲下來，并在80年代于SOAR發(fā)展到高峰�；�于邏輯不像艾倫·紐厄爾和赫伯特·西蒙，JOHN MCCARTHY認為機器不需要模擬人類的思想，而應嘗試找到抽象推理和解決問題的本質，不管人們是否使用同樣的算法。他在斯坦福大學的實驗室致力于使用形式化邏輯解決多種問題，包括知識表示， 智能規(guī)劃和機器學習. 致力于邏輯方法的還有愛丁堡大學，而促成歐洲的其他地方開發(fā)編程語言PROLOG和邏輯編程科學.“反邏輯”斯坦福大學的研究者 (如馬文·閔斯基和西摩爾·派普特)發(fā)現(xiàn)要解決計算機視覺和自然語言處理的困難問題，需要專門的方案-他們主張不存在簡單和通用原理（如邏輯）能夠達到所有的智能行為。ROGER SCHANK 描述他們的“反邏輯”方法為 "SCRUFFY" .常識知識庫 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子，因為他們必須人工一次編寫一個復雜的概念�；�于知識大約在1970年出現(xiàn)大容量內存計算機，研究者分別以三個方法開始把知識構造成應用軟件。這場“知識革命”促成專家系統(tǒng)的開發(fā)與計劃，這是第一個成功的人工智能軟件形式。“知識革命”同時讓人們意識到許多簡單的人工智能軟件可能需要大量的知識。
子符號法

進城

當20世紀50年代，數(shù)字計算機研制成功，研究者開始探索人類智能是否能簡化成符號處理。研究主要集中在卡內基梅隆大學， 斯坦福大學和麻省理工學院，而各自有獨立的研究風格。JOHN HAUGELAND稱這些方法為GOFAI（出色的老式人工智能）。 [31] 60年代，符號方法在小型證明程序上模擬高級思考有很大的成就�；�于控制論或神經網絡的方法則置于次要。 [32]60~70年代的研究者確信符號方法最終可以成功創(chuàng)造強人工智能的機器，同時這也是他們的目標。

進城

人工智能在計算機上實現(xiàn)時有2種不同的方式。一種是采用傳統(tǒng)的編程技術，使系統(tǒng)呈現(xiàn)智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。這種方法叫工程學方法（ENGINEERING APPROACH），它已在一些領域內作出了成果，如文字識別、電腦下棋等。另一種是模擬法（MODELING APPROACH），它不僅要看效果，還要求實現(xiàn)方法也和人類或生物機體所用的方法相同或相類似

進城

進城 發(fā)表于 2025-7-26 18:46
至于電腦的智能計算與舊式老式計算有何不同，不是學這個專業(yè)的不太清楚。
可能老式電腦計算屬于一種模枋類 ...

另一種是模擬法（MODELING APPROACH），它不僅要看效果，還要求實現(xiàn)方法也和人類或生物機體所用的方法相同或相類似

進城

進城 發(fā)表于 2025-7-26 19:44
另一種是模擬法（MODELING APPROACH），它不僅要看效果，還要求實現(xiàn)方法也和人類或生物機體所用的方法相 ...

電腦智能計算是直接類人腦計算的計算方式。

進城

“AI教父”辛頓：多模態(tài)聊天機器人已具有“意識”，各國應分享讓AI“善良”的技術
2025-07-26 21:36 發(fā)布于：上海市
“AI教父”辛頓表示，現(xiàn)在的多模態(tài)AI（人工智能）聊天機器人在某種意義上“是有意識的”，各國應盡快分享讓AI“善良”的方法。

7月26日，2025世界人工智能大會（WAIC）正式開幕。在上午的開幕儀式上發(fā)表主題演講后，圖靈獎得主、諾獎得主、“AI教父”杰弗里·辛頓（Geoffrey Hinton）出席了下午的科學前沿全體論壇，與上海AI Lab主任周伯文展開一場尖峰對話。在現(xiàn)場，辛頓受到了全體觀眾的熱烈歡迎。



可以說AI“有意識”，各國應分享讓AI善良的方法

首先，周伯文詢問了辛頓對于“多模態(tài)和語言模型能發(fā)展出自己的主觀體驗”的觀點的解讀。辛頓表示，這嚴格來說并不是一個科學問題，而是取決于對“主觀體驗”或“意識”的定義，實際上，許多人對這些概念的理解存在系統(tǒng)性錯誤。

為解釋這一觀點，辛頓先談到了自己在1987年發(fā)表的論文《The Horizontal-Vertical Delusion》中的經典案例，他指出，許多人在描述水平與垂直的概念時雖然能夠正確區(qū)分，但在實際判斷中存在系統(tǒng)性混淆，忽視了“垂直”其實是一種非常特殊的方向。

將其類比到“模型是否有主觀意識”的論點，辛頓指出：“我認為，許多人對于‘主觀體驗（subjective experience）’這類術語的理解完全錯誤。他們的理論很有說服力，但完全錯誤。這并非一個科學問題，而是建立在一個錯誤的關于心理狀態(tài)的模型上，關于這些術語的運用。所以，我的觀點是，當今的多模態(tài)聊天機器人已經具有意識。”

在辛頓之前，2024圖靈獎得主、阿爾伯塔大學教授Richard Sutton也在會上發(fā)表了視頻演講，稱AI發(fā)展已進入一個模型能夠在真實環(huán)境中持續(xù)學習和積累經驗的新階段。

關于主觀體驗，辛頓進一步闡釋道，當AI以機器人等形式進入世界，它們就有了自己的“體驗”，可以從自己的經驗中學習：“我認為它們會有經驗，但經驗不是事物。而且經驗不像照片，經驗是你和一個物體之間的關系�！�

關于AI安全，辛頓再次強調，讓AI“聰明”和“善良”是兩個截然不同的問題，為了實現(xiàn)這兩者，即使是同一個大模型也需要兩種訓練技術：“所以，國家應該分享讓模型善良的技術，即使他們不愿意分享讓模型聰明的技術�！�

辛頓補充道，可能存在讓AI善良的通用訓練方法，但當AI變得越來越智能時，保證其善良的現(xiàn)有方法也可能失效，所以需要在這個方面進行大量研究。

建議年輕研究者“著眼于那些你認為所有人都做錯了的領域”

在對話中，辛頓還談到，自己獲得諾貝爾物理學獎是一個“錯誤”：“他們很想頒獎給AI領域，但沒有AI領域的諾貝爾獎，所以他們只能將物理學獎頒給AI（的科學家）。”

關于AI對其他領域科學發(fā)展的影響，辛頓認為，AI確實為科學做出了許多貢獻，最顯著的一個例子是醫(yī)藥領域的蛋白質折疊，相信AI今后也能為科學帶來更多突破。

最后，被問到對年輕研究者們的建議，辛頓表示，在進行原創(chuàng)研究時，要著眼于那些“認為其他所有人都做錯了”的領域：“通常在這種情況下，你會鉆研自己認為正確的更好的方法，并最終理解為什么其他人會那樣做、為什么你是錯的。但是，不要放棄，不要認為自己的方法很愚蠢，不要在意導師的意見，堅持自己的方法直到理解錯在哪里。而有時，當你堅持自己所相信的，結果是你沒有錯。這就是出現(xiàn)重大突破的地方。輕易放棄的人無法成功，你需要在其他人反對時堅持下去�！�

辛頓補充道，有一種邏輯能夠支撐這一觀點：“你要么擁有好的直覺，要么擁有壞的直覺。如果你的直覺好，你當然應該堅持自己的直覺；如果你的直覺不好，那么做什么都無關緊要，所以你依然應該堅持自己的直覺�！�

在當天上午的演講中，辛頓發(fā)表了一篇圍繞AI安全的主題演講。辛頓表示，人類實際上很像大語言模型。他將人類目前的處境比作養(yǎng)小老虎當寵物，如果人類想要生存，必須找到辦法訓練AI，不要讓AI消滅人類，讓一個真正聰明的AI不想接管世界：“我們目前根本不知道如何做到這一點，長遠來看，這是人類面臨的最重要的問題。好消息是，這是一個所有國家都應該能夠合作解決的問題�！�

2024年10月8日，瑞典皇家科學院宣布，將2024年諾貝爾物理學獎授予美國普林斯頓大學的約翰·霍普菲爾德和加拿大多倫多大學的杰弗里·辛頓，以表彰他們“為推動利用人工神經網絡進行機器學習作出的基礎性發(fā)現(xiàn)和發(fā)明”。辛頓是卷積神經網絡理論的領軍人物，也被視為由ChatGPT掀起的本輪AI技術躍進背后的奠基性科學家，被譽為“AI教父”。

本次世界人工智能大會以“智能時代 同球共濟”為主題，共規(guī)劃了超100場專業(yè)論壇，匯聚1200余位全球專家，12位圖靈獎、諾獎得主，

進城

辛頓表示，在進行原創(chuàng)研究時，要著眼于那些“認為其他所有人都做錯了”的領域：“通常在這種情況下，你會鉆研自己認為正確的更好的方法，并最終理解為什么其他人會那樣做、為什么你是錯的。但是，不要放棄，不要認為自己的方法很愚蠢，不要在意導師的意見，堅持自己的方法直到理解錯在哪里。而有時，當你堅持自己所相信的，結果是你沒有錯。這就是出現(xiàn)重大突破的地方。輕易放棄的人無法成功，你需要在其他人反對時堅持下去�！�