图灵1951年报告Intelligent Machinery,A Heretical Theory中英文，公号回复“图灵1951报告”下载PDF双语典藏版

图灵1951年报告Intelligent Machinery,A Heretical Theory中英文，公号回复“图灵1951报告”下载PDF双语典藏版

原创 2018-04-21 阿兰·图灵 数据简化DataSimp

数据简化DataSimp导读：柳渝博士在不确定性的困惑与NP理论分享http://blog.sciencenet.cn/u/liuyu2205博客，组织了一个图灵论文翻译行动。这是著名AI科学家图灵的文章“Intelligentmachinery, a heretical theory”译文，附英文原文，全文由刘德欣主译，数据简化社区获授权转发并再校对，部分译文及解读见智能哲学：逆源图灵的思想看人、机关系。

用数学方法描述世界、解决问题，是科学发展的核心动力。知识是如何被发现产生出来，以及不同知识间的渊源和启发关系，比记住很多知识更重要。对于人类来说，文字知识是记录人类智能和思想的手段，而非终点。把文字考试作为教育目标，是极其简单粗暴不负责任的。从启迪思想来说，应试是舍本逐末。这方面，愚昧落后的教育者要负责任。AI时代来临，在大多数研究者仍然没有掌握计算机设计制作技术精髓的情况下，很难相信如何跨过计算机科学“弯道超车”步入人工智能科学。我们必须理解计算机、人工智能是如何诞生，背后的科学思想和原理是什么？加油！只会空想空谈喊口号表忠心可不行，而浪费人财物时间精力投入骗经费的则可耻。（秦陇纪，2018）

 

01图灵1951年报告IntelligentMachinery, A Heretical Theory汉译文 (4461字)

经典人工智能文章《智能机器，被视为异端的理论》（Intelligent machinery, a heretical theory）来自于1951年，阿兰·图灵在BBC电台节目The'51 Society中为大众做的报告^[1]，旨在介绍“智能机器（Intelligent machinery）”的原理。

在文章中，图灵用“learn byexperience（通过经验学习）”来阐释“智能机器”：从一个相对而言较为简单的机器来开始这一切，通过让其经历一系列所谓的“经验”，逐步将其转化为一套精巧得多的机器，而且还能够被用来处理更为广泛的各类偶发事件。^[2]

图灵这里所说的“智能机器”与人工智能的核心“Machine Learning（机器学习）”密切相关，希望图灵这篇文章能追本溯源为理解“机器学习”这一基本而复杂的概念带来启发性的帮助。

这里刊载的全文由刘德欣主译，部分译文及解读见智能哲学：逆源图灵的思想看人、机关系。

参考文献：

［1］Alan Turing, Intelligentmachinery, aheretical theory，1951，http://viola.informatik.uni-bremen.de/typo/fileadmin/media/lernen/Turing-_Intelligent_Machinery.pdf

［2］B. Jack. Copeland, The Essential Turing,2004

智能机器，被视为异端的理论Intelligent machinery, aheretical theory

A.M.图灵，1951年BBC的The'51 Society电台节目

“你不可能制造出一台可以为你思考的机器”，这似乎是一个已经被普遍接受的不再被质疑的观点。

本文的目的就是要质疑这个似乎已经被广为接受的观点。

大多数为商业用途开发的机器是被用于完成一些特定领域的特定工作，并且以可观的速度获得确定的结果。通常情况下，机器被用来完成一系列同样且重复的工作。这个基于我们实际所能得到的机器的这个事实，成为了很多持如上标语所示观点的人们的一个强大论据。然而，对一个数理学家来说，这个论据是明显站不住脚的。因为有证据表明，存在这样的机器，理论上是可以用非常接近人类思考的方式来完成一些事情。举例来说，这种能力可以被用来检验《数学原理》体系当中出现的正式证据的有效性，甚至可被用来判定这个《数学原理》体系当中的公式到底是可被证明为真还是被证明为假。但是，在公式本身不能被证实真假的情况下，这样的机器的表现肯定是不能够令人满意的。因为它会持续不断工作，而根本不产生任何有效结果，但这一点不能被视为与数学家在类似情境中的反应有很大的不同，比如对照在过去数百年间，数学家在证明费尔马大定理之真伪的过程的实际表现。对这类机器来说，一个更为精巧微妙的论据支持无疑是必要的。根据著名的哥德尔定理，或者一些类似的根据，人们可以证明：尽管这类机器可以被建造出来，但肯定有一些事例，机器对此是不可能给出一个答案的，但一个数学家却可以。从另外一个角度来说，机器的确拥有一些相对于数学家的优势。只要不出现所谓的机械“系统崩溃”，那么其实际所为是可以被信赖的，而与此相对照，数学家却总是会犯一定比例的错误。我倾向于相信数学家会犯错的这种所谓的“危险”的一个不可避免的必然产物，正是导致其有时会偶然获得一种全新的解决问题的方法的原因。这一点似乎可以从一个更广为众人所知的事实方面来得到确认，既最可靠的人往往不能获得解决问题的新方法。

我争论的观点是：那种能够高真模仿人类行为的机器是可以被造出来的。它们有时会犯错误，有时会得出十分新颖有趣的结果，总的来说，它们的结果输出可以与人类的输出一样,被予以等量齐观的关注。这个结果的内容在于对真实结果的更高的概率期望，而对于这一点，我认为它恰恰不可能被给予一个精确的描述。例如，你不能因为一台具体的机器迟早可以得出所有可能的结果就简单地说机器迟早会得出任何正确的结果。我们也知道如何去建造这种机器，它们会以基本相同的概率输出正确的或错误的结果，如果是这样，那么它们输出的结果是没有任何意义的。而且如果这真的可以被证明的话，那么机器对客观情境的真实反应会证明我的论点。

让我们更深入细致地进入到“证据”本身。制造一台在任何程度的测试下都能得到良好结果的机器是完全可能的，条件是机器被做得足够精细。然而，这仍然不可能被视为是一个足够的证据。这样的机器将会因为重复犯同样的错误，且不可能自我纠错或者只能依赖于外界干涉（来纠错）而大现原形。

如果一台机器能以某种方式“根据经验学习”，那将会给人以深刻的印象。因为如果这是真的，那么看起来我们没有任何理由不从一个相对而言较为简单的机器来开始这一切，通过让其经历一系列所谓的“经验”，逐步将其转化为一套精巧得多的机器，而且还能够被用来处理更为广泛的各类偶发事件。这个过程有可能以通过对其所需遵从的经验进行适当的选择而被加速，