对话机器、深度学习与人工智能“新经验主义革命”的功与过

林田; 任晓明

doi:10.12184/wsprzkxWSP2515-528801.20230701

PDF
Export
Share
Collection
Album

Volume 7, Issue 1

Views: 0 Downloads: 4

对话机器、深度学习与人工智能“新经验主义革命”的功与过
1.内蒙古师范大学哲学系，内蒙古呼和浩特，010022
2.四川大学哲学系，四川成都，610065
Vol. 7, Issue 1, Pages: 6-28(2023)
DOI：10.12184/wsprzkxWSP2515-528801.20230701

Full txt

单位.对话机器、深度学习与人工智能“新经验主义革命”的功与过[J].认知科学,2023,07(01):6-28.

林田 & 任晓明. (2023). 对话机器、深度学习与人工智能“新经验主义革命”的功与过. Cognitive Scienc, 7(1), 6-28.
单位.对话机器、深度学习与人工智能“新经验主义革命”的功与过[J].认知科学,2023,07(01):6-28. DOI： 10.12184/wsprzkxWSP2515-528801.20230701.

林田 & 任晓明. (2023). 对话机器、深度学习与人工智能“新经验主义革命”的功与过. Cognitive Scienc, 7(1), 6-28. DOI： 10.12184/wsprzkxWSP2515-528801.20230701.

摘要

近年来，新兴智能对话软件依靠反馈和深度学习技术不断得以完善，以ChatGPT为代表的产品已经基本能够通过图灵测试，成为人工智能发展史上一个里程碑事件。本文通过梳理70年以来人工智能发展史，揭示了智能系统中规则导向（rule-based）和数据导向（data-based）两种主流技术路线基本原理和各自的优缺点，以及它们在不同历史时期和现实条件下的实践历程。此外，我们还将这一问题置入哲学认识论中经验论与唯理论的争论之中，从哲学史的角度进行更宏观的分析，指出现阶段统计学习的流行可以看作发生在人工智能领域的一次“经验主义革命”。就像十六世纪那次经验主义革命一样，基于大数据的深度学习是对20世纪70年代以来人工智能方法论的一次超越，同时也带来一系列新问题；解决这些问题的出路是各学科分支的深度融合，例如深度学习与因果学习的互补。就像哲学认识论中的两种对立观点一样，人工智能两条技术路线中也不存在必然正确的非此即彼研判。人工智能技术以及该领域内对“知识”、“智能”概念的认知和理解，一定会随着技术条件、社会需求的发展变化而不断变化。

Abstract

关键词

因果人工智能统计学习新经验主义大语言模型

Keywords

references

Croft W, Cruse A. Cognitive Linguistics[M]. Cambridge University Press. 2004.

Goodman B, Flaxman S. European Union regulations on algorithmic decision-making and a "right to explanation"[J]. AI Magazine, 2017, 38(3): 50-57.

Hinton G E, Salakhutdinov R. Reducing the Dimensionality of Data with Neural Networks. [J]. Science, 2006, 313(5786): 504-507.

Khurana D, Koli A, Khatter K, et al. Natural language processing: State of the art, current trends and challenges[J]. arXiv preprint arXiv:1708.05148, 2017.

Lake B M, Salakhutdinov R, Tenenbaum J B, et al. Human-level Concept Learning through Probabilistic Program Induction[J]. Science, 2015, 350(6266): 1332-1338.

Marco Tulio Ribeiro, Sameer Singh, etc., Local Interpretable Model-Agnostic Explanations (LIME): An Introduction [J/OL]. O'Reilly, 2016-08-26[2019-09-03] https://www.oreilly.com/learning/introduction-to-local-interpretable-model-agnostic-explanations-limehttps://www.oreilly.com/learning/introduction-to-local-interpretable-model-agnostic-explanations-lime

Su J, Vargas D V, Kouichi S. One Pixel Attack for Fooling Deep Neural Networks[J]. arXiv preprint arXiv:1710.08864, 2017.

von Luxburg U, Schölkopf B. Statistical learning theory: Models, concepts, and Results [M]//Handbook of the History of Logic. North-Holland, 2011, 10: 651-706.

Wachter S, Mittelstadt B, Floridi L. Why a right to explanation of automated decision-making does not exist in the general data protection regulation[J]. International Data Privacy Law, 2017, 7(2): 76-99.

陈宁.语义记忆的联结主义模型述评[J].心理科学,1999(03):245-248.

陈鹏.组合范畴语法(CCG)的计算语言学价值[J].重庆理工大学学报(社会科学),2016,30(08):5-11.

[美]侯世达、[法]桑德尔. 表象与本质[M]. 刘健等译. 杭州:浙江人民出版社. 2018.

黄炎孙. 人工智能的符号主义立场研究[D].北京化工大学,2014.

克劳斯·迈因策尔,贾积有.人工智能与机器学习:算法基础和哲学观点[J].上海师范大学学报(哲学社会科学版),2018,47(03):13-24.

李福印. 认知语言学概论[M]. 北京大学出版社. 2008.

李航.统计学习方法[M]. 北京:清华大学出版社,2012.

刘知远. 大数据智能——互联网时代的机器学习和自然语言处理技术[M]. 北京:电子工业出版社. 2016.

杨梅,王岩.语料库语言学研究述评[J].长春师范学院学报,2005(01):120-122.

赵文. 人工智能的智能标准[D].山东大学,2016.

赵志宇,常健.模式识别概述及其应用[J].信息与电脑(理论版),2010(10):27.

郑捷. NLP汉语自然语言处理原理与实践[M]. 北京:电子工业出版社. 2017.

任晓明、李熙,自我升级智能体的逻辑与认知问题,中国社会科学,2019(12).

Alert me when the article has been cited

Submit

机器有意识吗？

Related Author

No data

Related Institution

北京大学外国哲学研究所、北京大学哲学系（宗教学系）

⁰