智能的本質是演算法嗎？

12-29

人的『智能』究其本源，是可數學化的演算法嗎？如果不是，可能會是什麼？

我覺得是的，目前的問題是

無法給出演算法的優化標準（什麼是好？什麼是壞？）
沒有足夠大的網路

所以我覺得avatar裡面如果一個星球植物根系組成網路的話規模足夠，如果再有統一的目標函數（保衛潘多拉星球），那麼星球就是有智能的。

我一直不認為機器學習是人工智慧的未來。
首先真正的人工智慧，是模擬人類的思維，更具體的標準，比如通過圖靈測試，人腦是具有創造性的，一個基於統計概率的演算法是不可能跳出已經設定的框架的，它的回答只是在備選中來回跳轉，一個沒有自我創造能力的東西說服不了人類他不是一台機器。
智能的本質也一定不是演算法。
按照丘奇的論題，演算法是圖靈等價的，有些問題是計算機也就是演算法肯定解決不了的，比如停機問題，但是人腦可以，試想一下計算能力等價於圖靈機的演算法怎麼去模擬一個計算能力超越圖靈機的人腦。所以智能的本質肯定不是演算法。
人工智慧的未來，個人認為，只有寄希望於更強大的，數倍強大於圖靈機的計算模型去實現了。現在的只能是偽人工智慧吧。

不是
根據實驗，我們給動物重複觀看同一段電影，同時記錄大腦中單個神經元的放電情況，在100ms尺度上，神經元放電是有規律的，而且與內容有明顯關聯，但在幾毫秒的尺度上，神經元具體的放電時間可以用一個完全隨機的泊松分布描述。同時，如果對單個神經元注入電流，那麼放電脈衝序列又會變得很規律。由此可知，產生泊松分布的情況需要有足夠龐大的神經元網路作為背景，而這更符合大腦處理的環境。1998年Shadlen和Newsome發表的論文提出了平衡抑制模型來描述，產生這種不規律脈衝的關鍵是興奮和抑制要平衡。而作為背景的信號不是無序的，也不是完全有序的，而是在有序和無序的邊緣。
20世紀90年代出現的自組織模型認為，自然界存在大量動力學系統會自己調整到混沌的邊緣，這類現象被稱為「自組織的臨界狀態」，他們恰好處於混沌和有序的邊緣，並在兩邊不同擺動。
而根據自組織模型，跨越臨界點的過程是無序的，複雜的，達到臨界點不需要外界的精確調控，卻在統計上具有規律，整體符合冪次定律的無標度分布。
在神經信息學中，跨越臨界點的狀態，我們稱之為「神經雪崩」
「美國Indiana大學的Beggs教授和NIH的Plenz教授研究了小鼠腦切片培養系統里自發的生物電活動，發現從總放電脈衝數和總相關電極數可以知道事件大小和頻率符合冪律分布，且與之前在實驗室觀察到的小鼠腦中在形成記憶時的放電活動有相似之處」——————D.Ji,M.A.Wilson.Coordinated memory replay in the visual cortex and hippocampus during sleep.Nature Neuroscience,2007,10(1):100-107

演算法（Algorithm）是指解題方案的準確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規範的輸入，在有限時間內獲得所要求的輸出。
至少在這個概念來說，演算法和智能，或者說演算法和神經規律不相符合
簡單說演算法好像古典物理，智能有點量子力學裡不確定態的意味

不是。
演算法是數學，智能是玄學。

智能的本質不是演算法，而是撰寫和改造演算法的能力。具體的演算法只是具體的工具。

演算法是通向智能的「唯一路徑」。完全不懂機器學習的話，這條路走不下去。

智能創造了數學，但不是數學。智能是數學研究所憑藉的一些常識性的能力要素：記憶、識別、算術、窮舉，簡單的「可能性」計算、集合計算、和邏輯計算。在學習中，這些能力要素會不斷地被迭代強化。

人腦就是神經網路演算法呀。

10年前我就想明白的道理。

更新：

摘抄猛獁在《未來在現實的第幾層》一書中P87說的話：

那麼，當我們自己都無法察覺到的時候，該怎麼讓計算機學會我們的思考方式？

也許讓計算機來模擬人類的思考方式，並不是一個好辦法。這就像是打字機沒有模擬人類的書寫動作一樣。這就是為什麼現在的研究者們不再把智能用程序編入計算機的原因。他們更傾向於搭建一個環境，讓程序間可以自己交流和互動，並且希望能在這種互動中產生智能。

=========================
（更新前內容 ↓ ）
舉個例子，「人腦辨認自己是否認識眼前人」這一過程之快(一秒的多少分之一我忘記了，總之是超乎你想像地快啦，你明白我意思)，絕不是任何搜索演算法（如枚舉演算法、廣度優先演算法、深度優先演算法、A*演算法等）可以比擬的。

因此如果用演算法來模擬智能或者再創智能，或許還存在更多我們習以為常卻難以實現的問題。

我可以肯定的說，我們通常概念中的智能不是演算法。但更廣義地講，什麼是智能，我卻回答不上來。

打個醬油，見笑了。

推薦你看一本書皇帝新腦

不是數字化演算法！是模糊推演！
稍稍具體的說就是，通過學習，然後歸納，最後推演，就是預測能力。

現在機器學習到AI的基本目標也就是這個，讓機器模仿人學習，然後產生推演能力。

舉個例子來說：

現場【A1】之一，黑龍江省公安廳消防總隊司令部戰訓處高級工程師廖軍：一是因為市場商鋪及庫房內部存儲的塑料等材料容易【A2】，起火後風勢很大，易燃物迅速接連被點燃，過火面積很大；二是因為市場樓體【A3】後，未被全部撲滅的火被埋在了廢墟下面，消防員使用機器清理火場的過程中，底部的火又被翻了出來，周圍的易燃物再次被【A4】；

這段話的四個空位，一般來說，我們可以根據上下文基本上猜的出來，並填入一個近似的詞語，然後讓整段話通順。

雖然，是猜出來的近似詞語，但是最終不會妨礙我們的對文字的理解。

這個能力，計算機目前還難以做到。

----2015年2月5日更新
有評論說「總結預測更是演算法」

恰好，我剛剛乾了件有趣的事情。看上了一個模型：
【你見過的最美的手辦是什麼樣的？】@楊小徹：最帥的梵高你見過的最美的手辦是什麼樣的？ - 楊小徹的回答
我在某寶和國內亞馬遜都沒有找到，於是去日本亞馬遜上看了下。
但是首先的問題是，不懂日語。如何搜索呢？
----在這個過程中，沒有尋求任何其他的幫助------------
1.搜索中文梵高，得到了英文名：Van Gogh
2.搜索英文Van Gogh，搜索出一堆英文書
3.看下面的評論，看看那個是日本人提交的
4.找到那麼一段
"CBS放送の報道番組「60minutes」でこの本の著者たちのインタービューを聴き、すぐに発注しました。通勤電車の中で読むには多少　重いですが、読みやすい英文で、內容は微細に亘ってゴッホの生涯を記録に基づいて客観的に記録しています。充実した內容で、一気に読ませます。"

完全是天書，但是初步估計應該有梵高的日文名字。然後瞎猜，估計應該在「生涯を記録」這幾個字之前的某個字。
然後仔細觀察發現存在一個「ゴッホ」可能就是這個了吧。

5.搜索「ゴッホ」，

好吧，目標達成！這個推理，總結，猜測，驗證過程。讓計算機試試？
特別是第四步，在這麼少的條件下，確定某個詞是要找的那個詞語。

一句話：進化與訓練方法……

————————————————

進化演算法，大家都知道，就是建立類似hash表或者某些映射。。。

然後每一個操作近似的結果。

神經網路現在主要的論文都是怎麼去訓練可能高效。

所以人工智慧中至少包含了訓練的方法和進化的演算法。

智能的本質是可複製、可復用。
智能是生命（生物）特有的基本特徵。
智能來源於生命的活動和種族延續，以及對外界的適應。
智能有不同的層次和類型。邏輯，抽象思維，理解能力，自我意識，學習能力，交流，感情，記憶，規劃，問題求解，等等等等，都是智能的不同表現和表象。
人的智能，並不能在所有方面都優於其他生物。比如猩猩的短期數字記憶超過大部分人。
演算法是對智能的描述、分析、簡化、模擬。
數據是演算法的起點和終點，數據是演算法的組成部分。

智能就是人類所獨具的ghost。

我覺得人與機器的根本區別在於，機器是理性的，動作取決於編程，編程遍什麼動作就做什麼。人不是理性的，他具有感官，比如人買個蘋果他經常走著走著就忘了，很多思維都是隨機的。

不是。
是人的認識。

生物科學家都沒完全理解人腦的全部奧秘，你覺得還不能用米飯當電源用的電腦能完美演繹人腦的智能么？

工程師往往會用這種句式開頭：這是目前最合理也最可行的方式，如果這都不行，那根本無解（你必須先認同我的觀點，否則我沒法跟你繼續交流）。
好的，我先假設你認同這個方向，那麼我們現在來說說國際象棋的事…

數據結構與演算法。

肯定吧，人的智能也是通過一系列有邏輯的運算來實現的