智能科学的现状和未来

智能科学需要从弱人工智能发展到强人工智能和通用人工智能, 但目前在理论原则和数学原理上仍然乏善可陈,一片空白. 为了解决智能科学中的众多的理论难题, 我们相信如同在物理中发挥的作用一样, 数学本身仍然具有不可思议的有效性, 数学家有可能靠数学内在的逻辑找到突破难题的方向, 这就是因果凝聚框架和属性主义纲领的目标.

人工智能简单地和机器学习, 深度学习等概念划等号, 人工智能的科学定义仍然是一个很大的挑战. 尼尔森把人工智能定义为关于知识的科学是非常有道理的, 是经得起推敲的, 这个定义也是我们讨论人工智能的起点. 但是什么是知识, 也是一个很困难的问题. 知识的最早定义是柏拉图给出的JBT定义, 但这一持续一千多年的主流定义受到著名的盖提尔问题的挑战, 被证明为是不完备的. 抛开知识的定义困难, 我们认为把人工智能定位于知识概念之上仍然是明智之举, 但我们提出更进一步的观点,即属性主义, 认为人工智能的定义应该建立在比知识更加微观,更加基本的属性概念之上. 从数据科学的角度, 知识获取就是挖掘无穷维空间中的低维结构(因子化结构), 这一模式恰恰是贝兹构造, 因果凝聚所要刻画的. 知识获取和路径积分有着惊人的相似性, 而且后面我会用自旋网络和斯科伦函数的一致性给出更加精确的描述.

知识的微观成分是概念, 概念的微观成分是属性. 知识, 概念和属性都有三种基本维度和功能, 分别为指名, 指心和指物. 人工智能是关于知识的科学, 包含三个方面的内容, 知识的获取, 知识的表征和知识的应用, 前两个方面是核心, 是解决强人工智能问题的关键.

探讨智能本质的问题, 离不开众多的相关问题, 如生命, 意识, 精神等的认识问题. 关于智能的本质, 我们认为马毅教授的表达最简单清晰, 智能是关于知识产生, 更新, 应用的一种能力.这一观点和尼尔森的人工智能的知识论定义是高度一致的. 但是这一认识仍然难以获得更进一步的突破, 因此我们提出了属性主义的纲领, 利用属性的理念超越物质-精神的二元对立. 属性主义同样也升华了薛定谔关于负熵和生命的认识, 生命具有至少两个维度, 物质-能量维度和信息-属性维度, 两个维度的耦合才能形成完整的生命.

属性主义用一个很简单的类比就说明了属性对于生命, 智能的基础重要性.

属性=思维量纲=认知量纲

转载本文请联系原作者获取授权，同时请注明本文来自鲁学星科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3582667-1500477.html

上一篇：因果凝聚和属性主义