【未完成】【读书笔记】浅谈人工智能：现状、任务、架构与统一

重点1：

有了物理环境的因果链和智能物种的任务与价值链，那么一切都是可以推导出来的。要构造一个智能系统，如机器人或者游戏环境中的虚拟的人物，我们先给他们定义好身体的基本行动的功能，再定一个模型的空间（包括价值函数）。其实，生物的基因也就给了每个智能的个体这两点。然后，它就降临在某个环境和社会群体之中，就应该自主地生存，就像乌鸦那样找到一条活路:认识世界、利用世界、改造世界。

这里说的模型的空间是一个数学的概念，我们人脑时刻都在改变之中，也就是 一个抽象的点，在这个空间中移动。模型的空间通过价值函数、决策函数、感知、 认知、任务计划等来表达。通俗来说，一个脑模型就是世界观、人生观、价值观的 一个数学的表达。这个空间的复杂度决定了个体的智商和成就。我后面会讲到，这 个模型的表达方式和包含哪些基本要素。

有了这个先天的基本条件（设计）后，下一个重要问题：是什么驱动了模型在 空间中的运动，也就是学习的过程？还是两点：

一、 外来的 数据 。外部世界通过各种感知信号，传递到人脑，塑造我们的模型。

数据来源于观察（observation）和实践（experimentation）。观察的数据一般用 于学习各种 统计模型 ，这种模型就是某种时间和空间的联合分布，也就是统计的关 联与相关性。实践的数据用于学习各种 因果模型 ，将行为与结果联系在一起。因果 与统计相关是不同的概念。

二、内在的 任务 。这就是由内在的价值函数驱动的行为、以期达到某种目的。

我们的价值函数是在生物进化过程中形成的。因为任务的不同，我们往往对环境中 有些变量非常敏感，而对其它一些变量不关心。由此，形成不同的模型。

机器人的脑、人脑都可以看成一个模型。

任何一个模型由 数据 与 任务 来共同塑造。

 

 

重点2：

相关概念：

时空因果的解译图 （Spatial，Temporal and Causal Parse Graph）,简称 STC-PG

几何常识推理与三维场景构建

 

物理学家认为我 们可观察的物质和能量只是占宇宙总体的 5%，剩下的 95%是观察不到的暗物质和 暗能量。视觉与此十分相似： 感知的图像往往只占 5%，提供一些蛛丝马迹；而后面 的 95%，包括功能、物理、因果、动机等等是要靠人的想象和推理过程来完成的 。

 

 

 

重点3：

1-几何常识推理与三维场景构建

2-场景识别的本质是功能推理

3-物理稳定性与关系的推理

4-意向、注意和预测

5-任务驱动的因果推理与学习