关于人工智能的探讨(续二)(300分)

  • 主题发起人 主题发起人 creation-zy
  • 开始时间 开始时间
呵呵,DarwinZhang兄对扫雷很有兴趣嘛:)
我觉得能够让电脑理解“二维数组”就很麻烦了。不过,我发现似乎思维的基础程度与可
扩展性没有太大的关联,我们可以将一些常见、基础的东西固化进去... :)
 
to creation-zy兄:
实际上二维数组不过是人的一个定义,表达一个数据结构思想,
对于本例它怎么理解我认为并无太大关系。
我觉得它并非是人的一个基本概念。 而像 自我,理想 啊这些概念就比较基本了。
现在想开发和人接近的系统似乎没有可能。[:)]
不过从一定概念基础上构造一个简单一点的智能系统未尝不可
--也许可以发现我们从未想到过的事情呢?[:)]

“DarwinZhang兄对扫雷很有兴趣嘛”
没办法,我这里只能玩扫雷[:(],而且它表达起来比较简单,我认为是个不错的东西。[:)]
 
to DarwinZhang兄:
如果我们只是针对扫雷编一个能够通过自动学习从不会扫到会扫的程序——这并不难——
只要在程序内部建立一个二维数组与雷区相应以及一个基于概率统计的记忆库即可。但是,
这个程序估计也只能用于扫雷,如果要换一个智能应用,整个系统很可能就要推翻重来。当
然,如果我们将扫雷中数字的含义告诉电脑,在程序中用算法完成推理——这肯定非常快,
并且不需要学习(逻辑已固化在算法中)——这个方案的灵活性显然比前者更差。我的想法
是:建立一个基于知识库的问题求解系统,事先将“数字”、“二维数组”、“方向”、“
相邻”、“周围”等基本概念输入其中,然后告诉它扫雷的规则,让它根据规则自动构造推
理算法进行求解——这样一个智能系统是不是比较理想了呢?

想到了一些东西:
我认为我们的绝大多数思维是建立在“联想”的基础之上的。比如:我们经过推理,发现
A和B都成立的条件下可以推导出C,那么,在我们的记忆中,就会形成这样一个联想模式
A and B => C 。请注意,联想模式虽然有方向性,但是绝大多数的联想模式都是可以进行
双向联想的(正/反向链推理?!)。eg: 如果一个数即可以被5整除,又能被2整除,那么
可以推导出这个数的末位数必然是0。我们一旦推导成功,就会形成一个联想模式:“能被5
整除 + 能被2整除 => 末位数是0”,在以后的思维中,只要事实库中的事实能够满足三个
命题中的任合一个,我们都能够联想到这个模式中其余的部分而不必经过任何推导过程!(
当然,能够与联想模式匹配的事实越多,该模式被“唤醒”的概率就越大)
这种“联想模式”的思路和贝叶斯模型有相似之处,它的特点是不经过推理的基于经验的
直接联想功能,以及匹配率的高低与“唤醒”概率的正比关系。
 
呵呵,哪位能做色情图像识别!
 
to creation-zy 兄:
确实,实现排地雷的智能方法不难,这样才会选择它来作为试验对象。[:)]
它只需要知道0,1,2,3,4,5,6,7,8这9个数字就可以了,知道“相邻”的概念
等等不多的一些概念,将他们固化就可以了。这样就可以集中精力来写对应的程序了,
假如实现以后,会有什么表现,这正是我现在比较关心的。
看看它是不是可以体现出一些意想不到的好东西。[:)]
“联想”的一个很重要的基础是“抽象”,只有抽象出若干要素后才可能进行联想。
当然,我们可以固化或动态加入一些这样的概念。--降低要求。
 
我有个象棋的小程序真是太历害了,我自问象棋水平不错(以前在班里是前三的),可是和它下
每次都必输,一年来连一次都没胜过,真TNND受不了,有谁想试一下留下油箱。
 
to Wjzhou:
呵呵,你可以同时开两个游戏,一个先手,一个后手,在其中一个走棋之后手工将走步输
入到另一个中去,再将另一个的回应输回来...如此反复,直到一方获胜为止——这样可以
很容易的看出电脑的棋路(我就是这样测试我的五子棋的:P:)

房客兄在第一个帖子中提出过一个“大统一理论”的概念(惭愧...我目前还不知道“第一
特征”、“第二特征”是什么概念...)。现在,我似乎发现了一些端倪——[red]联想[/red]。我认为,
在人脑中并不存在基于严密的逻辑关系的所谓“推理机”,而应该是“联想机”——从条件
可以联想到结果,也能从结果联想到条件。我们通常认为已经非常基础的布尔逻辑,通过联
想非常容易实现:A is B -> ...A... 可以被联想为 ...B... ,反之亦然。(更加复杂的逻
辑涉及的思维过程较多,在此就不详述了)
联想是思维的一个极为重要的基础,但是,必须存在着另一种强大(但不一定准确)的信
息筛选机制,以使我们的思路不会被海量知识阻塞——基于概率/因果的模糊知识聚类机制。
 
to creation-zy斑竹:
不好意思,借用你的帖子,我有个关于加密算法的问题想求你,可否赐教?
我的email是 monoxide@163.net,或者斑竹留个email,我发信给你可否?
盼复,感谢!
 
to creation-zy斑竹:
我发信给你了,请查收并赐教!感谢!
 
To: Wjzhou

我要。 E-MAIL: Karlbaby@etang.com
 
感谢那些为了大富翁而默默工作的人们!
现在大富翁有了“富翁笔记”,我在其中发现了好几篇和人工智能有关的心得,列表如下:
http://www.delphibbs.com/keylife/iblog_show.asp?xid=165
http://www.delphibbs.com/keylife/iblog_show.asp?xid=257
http://www.delphibbs.com/keylife/iblog_show.asp?xid=258

>>60年代Simon由试验得到结论:人类问题的求解是一个搜索的过程,效果与启发式函数有关。
我认为人类的思维过程是基于信息内容的联想过程,在某些情况下的表现形式是搜索。人类
一般只在学习或者进行样例求解的时候使用搜索求解,其余的绝大多数问题的解决都是通过经
验直接进行定位的。
>>万能的逻辑推理体系至今没有创造出来,并不是因为人工智能专家的本事不够,而是因为这
种万能的体系从根本上就是不可能有的。
我记得有人曾经发表过“智能不需要推理”的观点。单单用推理的方法构造理想的智能体当
然是不可能的。
 
同意楼上观点
 
感谢小笨苯兄! http://www.delphibbs.com/keylife/iblog_show.asp?xid=547
围棋和象棋的主要区别在于,围棋重在“势”的评估,而象棋重在走步的搜索。我想,如
果模式识别技术有所突破的话,电脑围棋就不会那么菜了。:)

通过对思维过程的观察,我认为人类智能的主要基础不是推理,而是联想。比如,在接收
到“猫”这个信息之后,很多人都能联想到“狗”,同样的,“猴子”这个词能够使我们联
想到“香蕉”——显然我们不能将这种自然的联想归类为推理。
推而广之,如果将“意识流”逐步分解,我们就会发现看似连续的意识实际上就是一个因
果流——在每一个刹那,前一个意识+接收到的外部信息==>下一个意识,如果没有接收到外
部信息,该公式就变成了:前一个意识==>下一个意识。
我们可以认为信息在我们的记忆中是以网状结构存在的,每投下一块石子,都会在这张信
息网中激起涟漪,不过,不同于一般意义上的广度搜索,我们的意识在同一时间只能集中于
一点,但是,由于我们可以依赖经验,在绝大多数情况下都可以找到正确的方向,很少走弯
路。还有一点,联想机制使得我们可以将A->B->C自动归约为A->C,从而减少搜索的深度。
说到这里,似乎架构已经完成——只要造一个网状的信息库加上一个可以在这个信息库之
上进行联想的“联想机”就可以了。我认为还有一个问题,一个很大的问题——在信息网之
中,各个信息之间的联系是什么?难道仅仅是 ISA、AKO、HAVE 吗?道家有“一生二,二生
三、三生万物”之说,我现在还没有找到可以表示所有信息之间的联系的东西。
 
creation-zy:
>>围棋和象棋的主要区别在于,围棋重在“势”的评估,而象棋重在走步的搜索。
这个观点我同意,这也正是电脑在认知围棋上很困难的地方。与dirk转贴的文章中科学家
的实验所得出的结论是一个意思,或者说是一个层面上的意思。
至于你说的人类思维的网状式联想,从表面上看,暂时和下围棋时的思考方式还不是一回事,
这种联想应该算是人类思维的一个方面,或人类记忆方面的问题。
 
to creation-zy兄:
"前一个意识+接收到的外部信息==>下一个意识,如果没有接收到外
部信息,该公式就变成了:前一个意识==>下一个意识。"
我们很奇怪的是这些意识是如何切换的呢? 厌倦机制? 恐怕不那样简单,
而且唯一性意识不是很好解释综合考虑的现象,
意识意识到另外一个意识? 虽然可以勉强可性,但并不简洁,
不如可以有并发意思简洁.----本人倾向于有主控制链条和若干
并行链条等若干条意识链条并行的结构.主控制链条只是可以打断其它意识,
但在时间上是和其他意识链条并行的.并且并行链条可以有时变成主控制意识,
原主控制意识下降为并行意思.原因是"竞争"胜利.当一个意识获得进展,导致
兴奋作用的化学物质发生作用,就可以提高优先级别.而停滞时优先级别就会
下降.加上厌倦方式,即达到一定兴奋时间后,就使优先级别下降.
这样的模式大约可以更好的代表大脑的思维行进模式.
综合考虑就可以解释为主控制意识对并行意识竞争结果进行加工.
 
creation-zy測試象棋軟件的方法就是電腦圍棋比賽的方法,太絕了,用這個辦法淘汰了
我的幾個象棋軟件
人腦除了記憶,計算,推理,模糊識別等等,在圖形識別方面,有一個很重要的東西就是矢量轉換了,就是把看到的東西,位圖等等,轉化位矢量方式存儲,比如你想象一個桌子,首先想到的不是它的質材,而是它的3維矢量圖。我想,這也是人腦可以儲存那麼多東西的一個很重要的原因。人工智能方面也應該考慮這個,就是復雜事物形態的簡單化,矢量化。
另外,對於很多爭議的模糊數學和灰色理論可以參考
 
想到了一些东西,似乎可以用来表示信息(知识)之间的联系。
简化版的知识库:
表A(概念表):
ID: 唯一标识符
Name: 假名
表B(关联表):
ID1: 唯一标识符
ID2: 唯一标识符
Rel: 两个概念之间的关系(可以是ISA、AKO、HAVE等简单关系,也可以是某个概念的
ID)
表C(值表):
ID1: 所有者ID
ID2: 属性ID
Value: 属性值(可以是数字、字符等简单数据,也可以是某个概念的ID)
一个例子:
表A 表B 表C
ID Name ID1 ID2 Rel ID1 ID2 Value
------------ ----------------- ----------------------------
1001 名字 1002 1001 HAVE 1006 1001 "British"
1002 国家 1003 1001 HAVE 1007 1004 27 (数字)
1003 人 1003 1004 HAVE 1007 1005 1006
1004 年龄 1003 1005 HAVE 1007 1001 "Mike"
1005 国籍 1006 1002 ISA 1012 1001 "leave"
1006 英国 1007 1003 ISA 1013 1008 1007
1007 迈克 1011 1010 HAVE 1013 1009 1006
1008 主体 1012 1011 ISA 1013 1010 2003-7-16 13:30:00
1009 客体 1012 1008 HAVE
1010 时间 1012 1009 HAVE
1011 事件 1013 1012 ISA
1012 离开 1011 1001 HAVE
1013 事件A

我认为这种知识表示可以表达相当多的“刚性”知识(包括产生式系统的规则)。至于那
些“非刚性”的知识,我觉得可以用“缘生法”的原理进行表示——即在表B、C中加入成立
的条件列。
 
好多文章,苦读中……
期待阶段性总结,减少阅读痛苦zz
 
后退
顶部