【未完成】【读书笔记】浅谈人工智能:现状、任务、架构与统一
重点1:
有了物理环境的因果链和智能物种的任务与价值链,那么一切都是可以推导出来的。要构造一个智能系统,如机器人或者游戏环境中的虚拟的人物,我们先给他们定义好身体的基本行动的功能,再定一个模型的空间(包括价值函数)。其实,生物的基因也就给了每个智能的个体这两点。然后,它就降临在某个环境和社会群体之中,就应该自主地生存,就像乌鸦那样找到一条活路:认识世界、利用世界、改造世界。
这里说的模型的空间是一个数学的概念,我们人脑时刻都在改变之中,也就是 一个抽象的点,在这个空间中移动。模型的空间通过价值函数、决策函数、感知、 认知、任务计划等来表达。通俗来说,一个脑模型就是世界观、人生观、价值观的 一个数学的表达。这个空间的复杂度决定了个体的智商和成就。我后面会讲到,这 个模型的表达方式和包含哪些基本要素。
有了这个先天的基本条件(设计)后,下一个重要问题:是什么驱动了模型在 空间中的运动,也就是学习的过程?还是两点:
一、 外来的
数据
。外部世界通过各种感知信号,传递到人脑,塑造我们的模型。
数据来源于观察(observation)和实践(experimentation)。观察的数据一般用 于学习各种
统计模型
,这种模型就是某种时间和空间的联合分布,也就是统计的关 联与相关性。实践的数据用于学习各种
因果模型
,将行为与结果联系在一起。因果 与统计相关是不同的概念。
二、内在的
任务
。这就是由内在的价值函数驱动的行为、以期达到某种目的。
我们的价值函数是在生物进化过程中形成的。因为任务的不同,我们往往对环境中 有些变量非常敏感,而对其它一些变量不关心。由此,形成不同的模型。
机器人的脑、人脑都可以看成一个模型。
任何一个模型由
数据
与
任务
来共同塑造。
重点2:
相关概念:
时空因果的解译图
(Spatial,Temporal and Causal Parse Graph),简称 STC-PG
几何常识推理与三维场景构建
物理学家认为我 们可观察的物质和能量只是占宇宙总体的 5%,剩下的 95%是观察不到的暗物质和 暗能量。视觉与此十分相似:
感知的图像往往只占 5%,提供一些蛛丝马迹;而后面 的 95%,包括功能、物理、因果、动机等等是要靠人的想象和推理过程来完成的
。
重点3:
1-几何常识推理与三维场景构建
2-场景识别的本质是功能推理
3-物理稳定性与关系的推理
4-意向、注意和预测
5-任务驱动的因果推理与学习