复旦大学公开课:人工智能哲学 笔记

复旦大学公开课:人工智能哲学
本人学习理解

1 为何人工智能科学需要哲学的参与

人工智能和哲学一样,本身的定义和研究方向就非常特别,
对智能的认识本身就是对人对智慧有更深的认识
哲学是研究人和世界的,所以,有指导作用 或是相互发展的

2 近代欧洲哲学与人工智能
介绍近代欧洲哲学家们对AI的观点,老师通过辩证方式来给大家
有个过程了解哲学与人工智能的发展
对理性,感性,数理,逻辑,与智能有个辩证反问到底人工智能
本身能否实现,最后提了下统计学与联结主义的AI,生物神经AI

3 康德、类比推理和“照猫画虎”
休莫的是经验主义,用统计学来实现
茉布尼茨的是绝对理性主义,比如:类比模式的实现,来实现
康德哲学给工程启发些什么
感性层面 到想象力层面 到知性层面 双向回馈
思想与其具体化,工程化实践思想

4 汉字屋论证

老师用内部自省或外部行为两个可能,来确定屋里人
是否智能,来反证第七点,“假设系统通过 汉语测试,被试人也不懂汉语”

8a 内省不懂汉语 8b外部测试来确定被试不会汉语 才有可能成立七
而第三点:外部行为无法确定是否懂汉语
第六点:内部被试不存在思能力,不存在智能,只有执行程序才智能

因为8ab都和前提相背,所以8不成立,所以7不成立

网易网友讲,第七点少了可能两字,是的,被试可能不懂汉语。

看汉字屋实验 本人是不同意作者的结论的,因为,

可以抽象屋里人为 A人 B狗 C传递自动化机 D类似可以操作传递卡片操作的

事实上,真正决定是否懂汉语的是规则,如果一个‘不好不懂汉语’的规则,外面的人容易认为里面
人是不懂汉语的,反之就难以辨别

所以,不管屋里人是会汉语,英语,或不懂语言,甚至其他物种都不会对实验有影响,真正影响的是
规则!也许它就是一个会汉语的人的智能选择对应的卡片!

作者对的是,它的实验的确不能确定屋里人是否会汉言,屋里人也不需要理解语义就能让屋外人认为
屋里里人会汉语!
而错的是,在这个实验中,可以让屋外人认为屋里人会汉语的,选择规则一定是需要理解语义的!
而这个理解语义[对象规则]与作者不需要理解语义的计算机[对象人]就可以做出[对象规则]会汉语的却没有智能[对象人]相背!
所以作者是有局限的! 逻辑及对象 转移了!

5 维特根斯坦、“颜色不相容”、框架问题和拆弹机器人
不太理解

欢迎评论,交流

时间: 2024-08-25 06:13:13

复旦大学公开课:人工智能哲学 笔记的相关文章

Andrew Ng机器学习公开课第一节笔记

课程主页,亲测能上,有好些材料 http://cs229.stanford.edu/ Andrew讲的比较早的机器学习应用,1958年有人用来训练一个会下国象的电脑,这个有机会可以试一下,训练一个会下中国象棋的. 介绍了有监督的学习(supervised)和无监督的学习型算法(unsupervised) 有监督是有标准答案集来反馈的训练,无监督的就是没有标准答案的通过算法从数据本身结构决定谁是谁 两类问题:回归问题和分类问题 回归问题针对那些描述数据的值或结果是连续的情况,分类问题针对不连续的情

斯坦福吴恩达教授机器学习公开课第二讲笔记——有/无监督学习+线性回归

斯坦福吴恩达教授机器学习公开课第三讲笔记——局部加权回归/线性回归的概率解释/分类和逻辑回归

斯坦福吴恩达教授机器学习公开课第五讲笔记——判别分析/高斯判别分析/GPA+逻辑回归/laplace平滑/极大似然的原理

MIT公开课: Python 笔记7 列表及可变性,字典,效率

Lecture 7: Lists and mutability,dictionaries,pseudocode,introduction to efficiency 列表及可变性,字典,伪代码,效率 Lists and mutability 列表及可变性 >>> L1 = [1, 2, 3] >>> L2 = L1 >>> print L2 [1, 2, 3] >>> L1[0] = 4 >>> print L2 [

MIT公开课: Python 笔记6 二分法,牛顿-拉夫森方法,列表

Lecture5: Bisection methods , Newton/Raphson, introduction to lists二分法,牛顿,拉复生方法,列表 Bisection methods 二分法 注意: # bug: when x < 1, sqrt(x) > x = high eg.x=0.25 sqrt(x) = 0.5 # fix bug: high = max(x, 1.0) def squareRootBi(x, epsilon): """

Stanford公开课机器学习---1.Intrduction 机器学习介绍

文章是下面这个公开课的个人笔记,推荐的笔记里记的比较全,完全依据视频课程(有少量小错误),我的笔记依据课程按自己的理解记录一些重点,方便快速回顾.另外自己开始学这门课时搜到的好的资料,推荐给大家: |- Coursera上斯坦福大学Andrew Ng教授的"机器学习公开课" |-- 类 别:适合入门 |-- 网页地址: https://www.coursera.org/learn/machine-learning/outline |-- 学习笔记:推荐 @小小人_V 同学这门课程的学习

斯坦福ML公开课笔记13B-因子分析模型及其EM求解

转载请注明:http://blog.csdn.net/stdcoutzyx/article/details/37559995 本文是<斯坦福ML公开课笔记13A>的续篇.主要讲述针对混合高斯模型的问题所采取的简单解决方法,即对假设进行限制的简单方法,最后引出因子分析模型(Factor Analysis Model),包括因子分析模型的介绍.EM求解等. 斯坦福ML公开课笔记13B-因子分析模型及其EM求解,布布扣,bubuko.com

JS公开课笔记一

JS公开课笔记 没特别说明就是和Java语言一样. JS变量:弱类型语言 1.在JS中,true表示1,false表示0.和Java不一样. 2. var y: 提示undefined: 3.如果alert(y+10)://提示NaN 表示 非法值. 4.JS没有字符和字符串区别,所以使用""和'' 是一样. 5. var arr = new Array(3); arr[0] = 'abc'; arr[1] = 123; arr[3] = false; alert(arr); 是正确的