什么是邏輯

進城

進城 發表于 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，智能搜索，推理，規劃，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，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展，尤其是2008年經濟危機后，美日歐希望借機器人等實現再工業化，工業機器人以比以往任何時候更快的速度發展，更加帶動了弱人工智能和相關領域產業的不斷突破，很多必須用人來做的工作如今已經能用機器人實現。
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人工智能技術平臺的機器就是計算機，人工智能的發展歷史是和計算機科學技術的發展史聯系在一起的。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、數理邏輯、語言學、醫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、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，同時他們為人工智能的基本原理打下基礎，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)發現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”促成專家系統的開發與計劃，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。
統計學法
90年代，人工智能研究發展出復雜的數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。共用的數學語言也允許已有學科的合作（如數學，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是一個會感知環境并作出行動以達致目標的系統。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來處理多ANGENT系統中智能AGENT之間的相互作用。一個系統中包含符號和子符號部分的系統稱為混合智能系統 ，而對這種系統的研究則是人工智能系統集成。分級控制系統則給反應級別的子符號AI 和最高級別的傳統符號AI提供橋梁，同時放寬了規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，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展觀。
研究范疇
語言的學習與處理，知識表現，智能搜索，推理，規劃，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，遺傳算法人類思維方式，最關鍵的難題還是機器的自主創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，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造性，自我保護意識，情感和自發行為。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]隨著技術的發展成熟，監管形式可能逐步發生變化，但人工智能必須接受人工監管的本質不能改變。 [23]生成式AI可能引發大規模隱私或者個人信息泄露問題。 [31]
實現方法
人工智能在計算機上實現時有2種不同的方式。一種是采用傳統的編程技術，使系統呈現智能的效果，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，角色數量和活動空間增加，相應的邏輯就會很復雜（按指數式增長），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（一個模塊）來進行控制，這個智能系統（模塊）開始什么也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種復雜情況。這種系統開始也常犯錯誤，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，用不到發布新版本或打補丁。利用這種方法來實現人工智能，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律做詳細規定，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現，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人工智能技術平臺的機器就是計算機，人工智能的發展歷史是和計算機科學技術的發展史聯系在一起的。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、數理邏輯、語言學、醫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、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，同時他們為人工智能的基本原理打下基礎，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)發現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”促成專家系統的開發與計劃，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

進城

當20世紀50年代，數字計算機研制成功，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時有2種不同的方式。一種是采用傳統的編程技術，使系統呈現智能的效果，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 發布于：上海市
“AI教父”辛頓表示，現在的多模態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“多模態和語言模型能發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性錯誤。

為解釋這一觀點，辛頓先談到了自己在1987年發表的論文《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分，但在實際判斷中存在系統性混淆，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也在會上發表了視頻演講，稱AI發展已進入一個模型能夠在真實環境中持續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現和發明”。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，共規劃了超100場專業論壇，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�！�