2019年10月31日下午，在北京智源大会的“人工智能的数理基础专题论坛”上，哈佛大学统计系教授、现任清华大学丘成桐数学科学中心教授Donald B.Rubin 做了题为《Can Machines Be Trained to Think, And If So, HowWill We know?》的演讲。Donald B. Rubin是美国国家科学院院士，美国科学与艺术学院院士，获得过统计学领域几乎所有著名奖项，包括著名的 Wilks奖章、Parzen奖、Snedecor奖等，是当今世界最具影响力的统计学泰斗，他的统计思想对生物医学、经济学、心理学、教育学、社会学及计算机科学等众多领域产生了重要的影响。 Rubin在本次演讲中，深入浅出、触类旁通地为我们介绍了他最近正在研究的一个非常有趣的课题“机器受训后是否可以进行思考(thinking) 甚至具有意识(conscious)？”，他认为thinking 和conscious是有区别的，并在讲座中为我们详细介绍了两者的区别。
围绕这两个名词，Rubin带着我们一步步进入演讲的核心内容：Rubin首先介绍了他丰富的求学经历以及在此期间结交的各领域巨擘，这些经历构成了他思考问题时的独特思维方式；紧接着Rubin用一个非常简单的统计学问题介绍了他的观点---机器是可以受训进行思考的，但是并没有意识；最后，Rubin将内容进一步升华，从意识的起源为我们介绍了思考和意识的区别。整个演讲层层递进，引人入胜又轻松有趣，智源小编根据Rubin的演讲逻辑对它进行了如下二次整理，相信大家会开卷有益。
01人类：IDIOSYNCRATIC
在英语中，有一个很有趣的单词叫idiosyncratic，中文含义可以理解为特殊的、另类的。当我们看到一个问题，试图回答或者解决这个问题的时候，我们发现不同的人会看到问题的不同方面，这就是所谓的idiosyncratic。Rubin教授一生置身学术，因此他对于这个课题的认识，很大程度受到其学术背景的影响。 Donald B.Rubin 1943年出生于美国华盛顿，1961年至1965年在普林斯顿大学攻读物理学博士学位，他的导师John Wheeler①（编者注：关于John Wheeler的学术生涯介绍，请参考本文后的参考资料）是一位传奇式的人物，他是冯诺伊曼、爱因斯坦、玻尔等人的同事，是理查德·费曼、马克思·特格马特等人的的导师，他的研究和见解对核物理、粒子物理、核武器的设计、广义相对论及相对论天体物理、量子引力及量子信息等领域都产生了重大影响，思考更是涉及观察者与实在、实在的结构、时间的起始与终结、观测的本性、因果性、科学的本体等基本的哲学问题，大家非常熟悉的一些词汇：黑洞、虫洞、量子泡沫、多宇宙等也均由他首次提出。
这位美国著名的物理学家、物理学思想家和物理学教育家喜欢思考解决宏大而无边界的问题，在大学的物理课堂上，他会问大家：野鹅能够飞多远？当然这是一个没有标准的答案，学生们会写下许多问题：野鹅？能够飞多远？重量是多少？脂肪是多少？脂肪中有多少可以转化成能量？John Wheeler通过提出这个问题，来启迪学生如何针对一个问题进行扩展性的思考。在那个年代，普林斯顿大学堪称物理学的麦加圣地，它的高级研究院中，汇聚着爱因斯坦、冯诺伊曼等一批大人物。这段求学经历深刻影响了Rubin教授，不仅训练了他极好的物理思维方式，也培养了他在学术作风上的谦虚谨慎、兼收并蓄。 1965年，Rubin在普林斯顿大学继续攻读应用心理学，在那里，Rubin遇到了很多应用心理学方向很伟大的研究者，他们的思维方式与物理学虽然截然不同，然而同样具有创造力和启发性。在学习期间，Rubin与Julian Jaynes 相识，并阅读了Julian Jaynes 的著作《The Origin of Consciousness in the Breakdown of theBicameral Mind》（《二分心智的崩溃与意识的起源》），这本书对他的影响意义深远，他在书中读到关于人类意识起源的理解（详见下文），促使他更深层的探索“机器的思考和意识的起源”。1975年，Rubin在密西根大学遇到著名的数学心理学教授Daniel Kahneman。Daniel Kahneman发现，很多人在生活中都在“误解”概率：他们在面临收获时是风险规避的，而在面临损失时是风险偏爱的，人们对损失比对收获心理更敏感；损失对人心理造成的痛苦程度是等幅收益带来喜悦程度的2.5倍，这一数据客观显示了人类与机器一个很大的区别--人类具有“非理性”的一面。 1966年，Rubin转学到哈佛读计算机科学，并有机会结识一些其他领域的朋友，比如著名的语言结构学家Avram Noam Chomsky，“人工智能之父”和框架理论的创立者Marvin Lee Minsky。 1970年，Rubin在哈佛获得统计学博士学位，师从William Cochran。William Cochran在1957年到1976年供职于哈佛大学，在其任职期间Cochran建立了哈佛大学的统计学系，使得哈佛大学在今后的几十年间培养了大量优秀的统计学专家。在Rubin学习期间，Cochran向其介绍了另外一名著名的统计学家，R.A.Fisher。R.A.Fisher在1915年、1918年相继发表过两篇重要文章，前者探讨相关系数的分布；后者证明遗传上的连续变异。R.A.Fisher在1925所著《研究工作者的统计方法》影响力超过半世纪，遍及全世界；而他工作的结晶同时也表现在为达尔文演化论澄清迷雾的巨著《天择的遗传理论》中，将统计分析的方法带入演化论的研究，这一研究为解释现代生物学的核心理论打下了坚实的基础。 Rubin 教授丰富的个人求学过程，跨领域的研究经历以及常常与伟大学者交流对话的行为，都不可避免地影响着他的思考方式。他接纳着来自不同学科领域中思考方式的优缺点，并将其融汇贯通，不断的内化，最终形成了自己独一无二的个体思考方式。其实我们知道，每个人的思考方式、行为特点等都深受其家庭环境、教育背景以及周围朋友的影响。下面让我们来看一下Rubin如何思考这个问题：计算机是否也可以像人类一样进行思考呢？ 02机器：有边界问题的思考者
我们如何了解机器是否能思考呢？Rubin 经常审核与机器学习相关的论文，因此他在讲座中为我们列举了关于机器学习的算例。Rubin认为机器学习中典型的“训练数据集/测试数据集”机制并不会让机器产生理解，只会在类似赌博的行为中产生最大利益。下面，Rubin在演讲中例举的一个小例子揭示了“理解”与机器学习的“预测”之间的不同。 简单起见，我们不妨仅考虑一个变量Y，它等于男性或者女性，根据Y的样本统计值，我们可以估算出女性在总人口中的比例。问题是，当我们进行了抽样调查时，不巧发现样本中20%的Y样本丢失了，因此，我们需要插补出丢失的数据。假设数据丢失是完全随机缺失（MCAR）或者随机缺失（MAR）的——在上述情况中，由于仅考虑一个变量Y，因此两者是等同的（MCAR=MAR），我们可以随机将整个可观测样本分成训练集和测试集两大类，接下来我们开始插补数据了。为了下文能够说明机器学习在“理解”上的“荒谬”，不妨假设在可被观察的Y中，男女比例为4:6。在人类看来，这种假设下插补数据中男女比例如果也为4:6，应该是最“理解”原始数据的插补方法。但按照机器学习的模式进行计算，将整体数据随机地分为训练集和测试集，并用如下两种方法进行拟算：
方法A：假设我们插补的数据全部均为女性，也就是说丢失的20%均为Y=女性；方法B：假设我们插补的数据男女比例为4:6；
事实上，机器学习产生了令人费解的结果：使用方法A达到正确拟算的期望为60%，使用方法B达到正确拟算的期望为52%。 显然，在理解数据的基础上，我们认为方法B达到正确拟算的期望应该更高，但是结果却并非如此。Rubin认为，这两种方法都无法在通过对数据集的推算中得到有效的统计推断；而有效的统计推断才更接近于“理解”。一般情况下，单一插补方法无法产生有效的统计推断，只有多重插补法才能在广泛意义下做到这一点，其中最主要的统计学方法即为贝叶斯估计。 那么，从观测数据中进行有效推演的经典统计学方法有哪些需要注意的呢？Rubin 给我们做了一些介绍：
点估计：点估计是用样本统计量来估计总体参数，因为样本统计量为数轴上某一点值，估计的结果也以一个点的数值表示。点估计是近似无偏的，可以认为等同于重复样本的估计，并且估计中的结构设计是相同的；
对真实假设的检测，拒绝率应该低于名义利率；
置信区间：在重复抽样的前提下，至少应尽可能地覆盖他们的估计，也就是说被估量至少和实际宣称的被估量大体保持一致；
也就是说当我们掌握被观测的数据集时，最有效的推演实际是我们希望找到另一组数据集，这组数据集能更好的“匹配”原始的被观测数据。所谓更好的“匹配”，其实是这组数据集在统计学的角度看，具备了很多良好的性质或条件：比如 MSE较小、置信度较高、更符合贝叶斯思想或在机器学习的角度上，更容易构建精确的方法去计算。
现在让我们返回最初的问题：机器是否可以思考呢？答案是肯定的。如果我们让机器思考的问题，是具有明确界定的，那么机器是可以给出我们答案的。正如上面Rubin教授给我们举出的计算女性比例的例子一样。但是机器给我们的是一个问题的答案，而非对问题的理解，因此，如果我们从长远的角度看，比如：举一反三、触类旁通等这些方面，机器的“答案”显然是没有意义的。但人类是不同的，人类不仅可以形成答案，而且可以理解问题：也就是说人类具有“思考问题的过程”，尽管这个过程可能会有这样那样的缺陷，但是人脑却更具有创造性、更复杂，更能解决那些之前并未形成结论或边界的问题，甚至可以因此而提出新的问题。
03意识：Breakdown of the Bicameral Mind
虽然人脑具有意识这个结论是显而易见的，但我们更想了解的是：为什么人脑更具有创造性呢？Rubin介绍了他通过阅读Julian Jaynes 的著作《The Origin of Consciousness in the Breakdown ofthe Bicameral Mind》（《二分心智的崩溃与意识的起源》）所获得的答案：人脑中具有非理性思想的存在。 Julian Jaynes在书中阐述了意识和思考的区别。举个例子，当你拿着手机看这篇文章，你会思考“意识”这个概念，但你不会去思考刚刚你摸了一下脖子，或者把屏幕亮度调低这些行为的理由，因为人类大部分的行为都来自于本能。意识是什么？意识是对思考的知觉，对思考的思考。比如“他在撒谎”可能不是由意识支撑的念头，但“我不能相信权威”，则是一个基于对“权威”概念的理解，以及过去经验而形成的综合，这是对思考的思考，是谓意识。 没有意识的人是如何生存的呢？Jaynes 通过研究大量的古代文献、记录、神话和遗迹，支撑起了这样一个判断：三千年前的人类几乎是没有真正意义上的意识，他们只有二分心智。所谓“二分心智”，即：头脑分成两个半球，右脑负责讲述，左脑负责理解、接受和行动。当时人类的一切行动，都只是一侧头脑在听从另一侧头脑“诉说”的幻觉声音的指引，这种幻觉的声音，也被称为 inner monologue（内在的独白）。从荷马的《伊利亚特》到《旧约》圣经，我们看到所有人物都从未发生内心的反思，他们一切的行动都是神的旨意。一神论是后来形成的，在此之前，花样繁多的神明被各种文明、城邦甚至村落所信仰。Jaynes认为：古代的人总说“神说 xx”，这些记录有没有可能都是真的呢？这样，人的行动就不需要意识和理由的驱动，人的欲望、恐惧和贪婪等一切情感都可以通过本能，以及“上帝的声音”指挥而来。没错，这就是福特所说的“阿诺德的两个错误”。 而随着人类社会日趋复杂，人类开始意识到脑中的“inner monologue”就是自己本身时，这种二分心智也随即坍塌，人类的自我意识被唤醒，最终具有了内在叙事的能力②。 （编者注：根据智源小编对“二分心智崩溃导致意识的起源”说法的论文调研，发现有一些论文并不赞同这个观点，参见文后的参考资料） 现如今，越来越多的人投入到对人工智能的研究当中，人们也隐隐期盼着在这孤独的星球上，能产生可与人类进行平等对话的真正智能。Rubin的演讲揭示了从产生思考到产生意识，距离模拟真正的人类智慧，人工智能还有一道难以跨越的鸿沟。也许，在对人类智慧发展历史的不懈追溯中，我们能发现解决这一问题的蛛丝马迹。
认知智能未来机器人接口API简介介绍
- 认知智能是计算机科学的一个分支科学，是智能科学发展的高级阶段，它以人类认知体系为基础，以模仿人类核心能力为目标，以信息的理解、存储、应用为研究方向，以感知信息的深度理解和自然语言信息的深度理解为突破口，以跨学科理论体系为指导，从而形成的新一代理论、技术及应用系统的技术科学。 认知智能的核心研究范畴包括：1.宇宙、信息、大脑三者关系；2.人类大脑结构、功能、机制；3.哲学体系、文科体系、理科体系；4.认知融通、智慧融通、双脑(人脑和电脑)融通等核心体系。 认知智能四步走：1.认知宇宙世界。支撑理论体系有三体（宇宙、信息、大脑）论、易道论、存在论、本体论、认知论、融智学、HNC 等理论体系；2.清楚人脑结构、功能、机制。支撑学科有脑科学、心理学、逻辑学、情感学、生物学、化学等学科。3.清楚信息内涵规律规则。支撑学科有符号学、语言学、认知语言学、形式语言学等学科。4.系统落地能力。支撑学科有计算机科学、数学等学科。
接口申请官网地址：www.weilaitec.com
接口地址(例子)：
http://a239p06512.zicp.vip/Web/BuAppJava.bujqrex?apikey="+apikey+"&msg="+msg+"&ip="+ip
用户端消息内容。
String msg ="你在干嘛呀？";
apikey参数。这个apikey就是网站上申请的APIKEY
apikey ="";
//客户端ip,最终用户端的唯一标识（可以是用户端的IP,或者手机设备号，或者微信号或者，qq号码等能证明身份的唯一标识就可以）
String ip ="";
//这里一定要encode转换编码。转成GBK。
msg = URLEncoder.encode(msg, "GBK");
三个参数全部小写
msg参数就是传输过去的对话内容。
msg参数要编码成gbk，不然会乱码。
接口具体代码：
package ai.nlp.jiekou.test;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.UnsupportedEncodingException;
import java.net.HttpURLConnection;
import java.net.URL;
import java.net.URLEncoder;
import ai.nlp.util.changliang.ChangLiangZi;
public class ApiTest {
/**
* Get请求，获得返回数据
* @param urlStr
* @return
*/
private static String opUrl(String urlStr)
{
URL url = null;
HttpURLConnection conn = null;
InputStream is = null;
ByteArrayOutputStream baos = null;
try
{
url = new URL(urlStr);
conn = (HttpURLConnection) url.openConnection();
conn.setReadTimeout(5 * 10000);
conn.setConnectTimeout(5 * 10000);
conn.setRequestMethod("POST");
if (conn.getResponseCode() == 200)
{
is = conn.getInputStream();
baos = new ByteArrayOutputStream();
int len = -1;
byte[] buf = new byte[128];
while ((len = is.read(buf)) != -1)
{
baos.write(buf, 0, len);
}
baos.flush();
String result = baos.toString();
return result;
} else
{
throw new Exception("服务器连接错误！");
}
} catch (Exception e)
{
e.printStackTrace();
} finally
{
try
{
if (is != null)
is.close();
} catch (IOException e)
{
e.printStackTrace();
}
try
{
if (baos != null)
baos.close();
} catch (IOException e)
{
e.printStackTrace();
}
conn.disconnect();
}
return ChangLiangZi.WU;
}
public static void main(String args []){
//三个参数全部小写
//msg参数就是传输过去的对话内容。
//msg参数要编码成gbk，不然会乱码。
String msg ="你在干嘛呀？";
//apikey参数。
String apikey ="UTNJK34THXK010T566ZI39VES50BLRBE8R66H5R3FOAO84J3BV";
//客户端ip,最终用户端的唯一标识（可以是用户端的IP,或者手机设备号，或者微信号或者，qq号码等能证明身份的唯一标识就可以）
String ip ="127.0.0.1";
//这里一定要encode转换编码。转成GBK。
try
{
msg = URLEncoder.encode(msg, "GBK");
} catch (UnsupportedEncodingException e)
{
e.printStackTrace();
}
System.out.println(opUrl("http://a239p06512.zicp.vip/Web/BuAppJava.bujqrex?apikey="+apikey+"&msg="+msg+"&ip="+ip));
}
}
488
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
