強人工智慧的產生是否離不開數理邏輯的支撐?

如題


曾經發表過十多篇形式邏輯的文章在AAAI、ISWC、RR等會議上,對這個事情可能有一點發言權。

這個問題很難回答,因為強人工智慧是什麼,也沒有一致的看法。現在主流的人工智慧研究者,也很少有追求達到強人工智慧的。

數理邏輯作為人工智慧的支柱之一,則無疑問是作為工程的人工智慧不可繞過的。但是邏輯的建模和推理的高複雜性,限制了這種方法在非專家系統領域的廣泛使用。即使是在人工智慧專業領域內,能掌握數理邏輯方法的人也是很少的。

命題邏輯、一階邏輯、高階邏輯、模態邏輯、時態邏輯、空間邏輯、認知邏輯、描述邏輯、概率邏輯、邏輯程序、答題程序、過程規則、模糊邏輯……數理邏輯本身是一個極大的學科群體,任何一個人工智慧問題,往深了鑽研,最後都會遇到知識的表達問題、知識的重用問題、從已知知識推導推論的問題。所以最近即使是深度學習的研究,也開始和邏輯表達結合了。

邏輯方法由於其工程複雜性,現在通常在應用中只運用其簡化的形式。最典型的就是資料庫中的查詢語言,如SQL、SPARQL和Gremlin,本質上都是邏輯語言。邏輯的基礎是結構化表示,最近的應用表現多以語義網和知識圖譜出現。

從工程上講,我們要解決複雜人工智慧問題,通常需要懂一點邏輯。至於強人工智慧是不是需要邏輯,我不知道。


當然離不開,因為也是邏輯思考的組成部分,是一個整體的。但是也只是一部分而已,並不是全部。這裡的部分不是演算法組合體,不要將智慧和演算法划上等號,演算法只是智慧的副產物。


其實現在的神經網路以及所謂「深度學習」都沒有很強的數學邏輯。人們只知道這樣訓練可以訓練出識別率很高的分類器,卻不知道怎麼來的。未來的人工智慧可能連人類自己都無法理解了吧


瀉藥 。

數學不過關的人在 AI 這個圈子裡是無法參與交流的, 或者說得直白一點,是被人瞧不起的,根本無法被接納成為AI 圈子裡的人。 其次,數學不過關而只能調參數的人,實踐當中並不好用。 我接觸過幾個 AI 創業企業,他們都瘋狂的缺人,但是對於不懂數學只會使用工具的「人才」,他們卻大門緊閉。什麼原因?溝通效率低,出活慢,遇到問題無法解決,一句話,「不好用」。 第三,即便是調參這件事情本身,懂不懂數學也是有很大差別的。 因為調參是一個跟自己較勁的過程,不斷地劃分訓練數據集和驗證數據集,調整參數,追求更高的準確率,又要防範過擬合,一遍又一遍,本身就是非常繁瑣和枯燥的工作。如果你數學不過關,對參數的意義和相關關係理解不深,方向感不強,只能半隨機的去刷參數,那麼工作的單調性和煩瑣性還會大大上升,很難堅持到做出好的模型來。

就這三點,決定了不懂數學的「AI框架調參工」不會是一個令人嚮往的工作。我絕不相信一個年輕人滿懷 AI 夢想走進這個行業,會滿足於做一個「以其昏昏使人昭昭」的調參工。

所以,結論已經很清楚,想搞 AI,數學必須過關。一切與這個結論有衝突的說法,都是耍流氓。


類比著問:

對於人類而言,除了四肢,是否離不開大腦?

作為數學專業的但是人工智慧的門外漢,試著隨意胡說幾句。。歡迎專業人士的吐槽。

人工智慧的不同於數理邏輯的另一個支撐是什麼?我想,是統計能力。

統計的功能如下:可以從一堆信息巨大的數據中,萃取出一個關鍵性的命題(發現相關性或因果性),保證:1.可以對既有數據進行解釋,並且 2. 具備在既有數據之外,比較準確的預測能力。

而邏輯演繹的功能則在於:在既有的公理基礎之上(這些公理可能來自於統計或其它來源的有效命題),進行演繹推理,得到更多的結論。

邏輯演繹的關鍵之處便在於:通過邏輯演繹得到的新結論,可能是無法從數據中得來的,或者說,根本做不到在現實中收集到能夠直接驗證該結論的數據

比如,對於 「如果全球全面進入共產主義,那麼人類進入最高效的發展路徑」 這種命題,你怎麼直接設計實驗而收集數據?在真偽未被驗證之前(假設拒絕其它驗證方式的話),人類當然是拒絕冒此風險的。

這就體現出邏輯的價值。它可能可以得到一些 命題,而它們通過實驗被直接證實的成本過高

所以,這也可以反過來看,我在文首舉的例子的類比關係:

四肢可以不斷地與外界接觸,是實踐的重要部位,重複的實踐會形成肌肉記憶,它更像是在反覆的具體實踐(數據)中習得的,所以四肢就像是統計能力;

大腦則可以進行各種抽象的概念的討論,假設的自由空間很大,而且基本上沒什麼現實成本,所以更像數理邏輯能力。

從以上角度去看,當然可以相信,人工智慧的進步,也許正是體現在對邏輯演繹能力的進步。

而當前的統計能力,顯然是百花集放(但似乎也不能說成熟,個人覺得還未到集大成者的階段,但是從很多具體的人工智慧測試來看,還是非常雄心勃勃啊)。

當然,邏輯演繹也許是一件在目前來看,還很困難的事情。

其一是自公理出發可以推出的命題實在太多,而且有很多冗餘的命題。怎麼建立一個識別並篩選出有價值的命題的機制,是有意義的一個問題。

其二是在現實情形中恰好有用的命題,怎麼能夠及時地找到,這也是另一個問題。

比如現實情形中,我們會提出某個命題,關心它是否成立。而強人工智慧的回答則自然有四種:真、偽、不可判斷真偽、不知道(是上面三個的哪一種)。也許更多的時候,強人工智慧的回答就是第四個——不知道,那我們自然很絕望啊(笑)。

對邏輯演繹的前景,我覺得我們可以參考一下人腦在歷史上所做到的效率,或者說人類在邏輯演繹領域的進堅進度——可行,但是進度似乎也不夠快。

所以嘛,我將含著淚歡迎,未來的人工智慧把我們這些可能靠著一點證明本事的數學從業者,搞失業。

債見!


題主的這個問題目前來看還屬於人類的未解之謎。


推薦閱讀:

如何紮實地學習Lisp?
具體的講,C#相比JAVA有哪些先進的地方?
計算機專業不學c語言是怎樣的存在?
程序員怎麼學習英語?

TAG:人工智慧 | 編程 | 機器學習 | 計算機科學 | 數理邏輯SymbolicLogic |