智慧文摘

我教书三十年，学生总这样问，我经验丰富之后就知道怎么回答了，我说人生的意义就在于你可以不断地问人生有什么意义。我们先说什么叫“意义”，意义就是理解了可能性。我现在说一句话你不了解，这句话就没有意义，你说的话对我来说是希腊文就代表没有意义。所以有意义代表他可以理解。

早在几十年前，科学家恩格尔巴特就将机器和人类这种相互提升智慧的过程称为“自生过程”和“共同进化”。这展现了一个有趣的前景：无论计算机发展速度有多快，也不论人类智慧将达到什么高度，都将无法超越人机协作所产生的智慧。

 

什么叫智慧？智慧就是对人生做完整而根本的理解。完整代表不是片面的，比如说我现在正好是中年，我就忘记了什么叫做少年，也不知道什么叫老年，那这不叫完整。我现在总不可能知道老年和面临死亡，这就要参考别人的资料，看历史故事，知道别人到那个情况大概会如何，否则的话我们只看我们现在的情况和过去的经验，我们所能得到的是非常有限的。

 

完整也包括人类和自然界，还要再问它的根源何在，如果只看人类和自然界的话还是不够完整，因为人的生命有开始，有结束。有开始之物它的根源何在呢？不找到这个问题的话永远找不到真正的智慧，这就是为什么学哲学常常被人家说成是空洞的原因。

对一些机械控制来说，它可以予以辅助。但即便是当你使用自己的双手打字时，你的大脑产生的信号就已经是非线性的了。

 “智能”是解决问题的能力，“意识”是能感知事物的能力。

人类和其他的哺乳动物都是通过感知事物来解决问题的，但计算机不是这样。我们在计算机的智能上有了很大的进展，但是在“意识”这一领域上几乎进展为零。 AI机器人Alpha Go战胜了人类的围棋冠军，围棋是非常需要智慧的游戏，但是却不需要任何的感知能力，在比赛中，机器不会有任何的焦虑感，即使赢了比赛，机器也不会有任何高兴的感受，这其中不涉及任何的意识和感觉。所以我们没有道理认为人工智能在“意识”这一领域真正有进展。 我以前提及过“意识”的重要性，我说了人类有意识，所以人类才能知道，面对这样强大的能量，我们能做什么。

让计算机产生“意识”并不是一定能办到的事，我们自己都不是很清楚人类的意识到底是怎么来的，所以要让计算机也学会意识，这很难。 

根据他对利用智能系统改进人类生活的研究经验，金出雄武教授还说了一项他自己对AR的理解：得到了增强的不是现实，而是对现实的显示。 

卓越的神学家、古典学家和数学家，在艾萨克·牛顿之前担任剑桥大学卢卡逊教席（the Lucasian Chair）的艾萨克·巴罗（Isaac Barrow，1630－1677）宣称，“信仰的固有对象是……某个命题”。这可以扩展到“某个命题系统”，比如在“真宗教中所讲授的所有命题”这一特定情形中。至于对一个人的信任（fiducia），实际上可以归结为赞同（assensus）有关这个人的命题：“信任一个人或物只是一个简短的表达，（比喻性地）意指确信与那个人有关的某个命题为真。”用现代分析宗教哲学家的话来说，“信仰”（belief in）就等同于“相信……”（belief that）。 

神学家爱德华·斯蒂林弗利特（Edward Stillingfleet）宣称，信仰是“心灵的一种理性的和推理的行为……是对证据的赞同，或促使心灵赞同的理由”。洛克和他都认为，应把“信仰”理解为“对命题予以赞同”，就宗教信仰而言应当理解为“基于最高理性的赞同”。 信仰是为了人来分担压力和痛苦而诞生的。 

数据的变化与动态映射是感知的瓶颈，人会期望性的补偿或回望性的修正，而机器就是把过去性（数据）当成当下来处理，若数据不敏感还好，若是临界性数据，就常常会刻舟求剑了…

政治的本质问题与哲学差不多，就是‘我’，去掉后，就是神学。经济学和智能科学也是一个‘我’字，无之则无知。军事无理论，也是‘我’ 自主包括记忆、期望、选择、匹配、控制、同化、顺应等模块，人的自主最厉害之处在于这些分析模块可以同时秩序或失序地执行…… 

自序~可以产生自个的秩序运行 

主动注意分配行为是知感，被动则是感知 

正如黑格尔在柏林大学开讲词中所说： “精神的伟大和力量是不可低估和小视的。那隐蔽着的宇宙的本质自身并没有力量足以抗拒求知的勇气。对于勇毅的求知者，它只能揭开它的秘密，将它的奥妙和财富公开给他，让他享受。” 

古诗词常常是衡量形式与内容、规则统计与自我表征的智能化程度大小的一种方式。 

我们看清外部世界常常是通过调节视觉的焦点进行的，想看的会被聚焦而变得很清晰，其他的背景会变得比较模糊……同样，我们觉察（意识）各种情境时，也往往是通过注意的方式进行聚精会神的，关注的会凸显清晰，忽略的会变的模糊不清……

我们看到的物体世界，其实是光的反射所决定的，眼睛在光的作用下变得十分高效……我们觉察（意识）到的各种关系，是交互过程所涌现出的，人机环境系统交互的过程中变得格外自然灵性，犹如多道彩虹? 一般神怡! 

“应该”就是意向系统的合理性。丹尼特指出，采取意向立场有一个重要的前提，或者说，意向立场有一个不可缺少的预设，这就是系统的合理性，即将被解释者看作是一个理性的行为者，而将其与环境的关系、其信念、愿望和行为相互之间的关系看作是一个在特定目标之下的合乎理性的关系。不仅如此，意向系统的规范性和合理性还表现在对逻辑法则的遵从，不仅相信系统的信念，而且相信他信念的所有逻辑结果，相信他不会有相互矛盾的信念。意向系统是一种被理想化的最优的理性系统。 

非常搞的是，理性的东西有时会以感性的方式表达出来，比如“应该”的仗义和纹身…而更搞的是，感性的东西竟然也可以用理性的方式呈现，如爱的诗歌和歌唱。 

数据、信息、知识、逻辑本质上就是关系的不同程度表征 。

改变光，可以欺骗眼睛…改变交互，可以欺骗意识… 

意向性与形式化是智能科学的两个命门~意向性容纳对立矛盾，形式化眼睛里不揉沙子。

 

生命在本质上就是一种自我决定和自我创造的独立单位；也就是说，归根结底，生命是自由的。

 

康德哲学理论的一个基本出发点是，将经验转化为知识的理性（即范畴）是人与生俱来的，没有先天的范畴我们就无法理解世界。（康德-拉普拉斯假设）

 

在西方哲学史中，“善”其实是一个源始级别的词汇。

 

从赫拉克利特的“逻各斯”到苏格拉底的“至善”。

“善”被定义为世界正常运转的内在逻辑，是一个了不得的事情。

 

所以到了学生柏拉图这里，他总结，善是一个只有在天上才有的原型，也就是所谓的“理想国”，那就是一个“善”的国度。

 

善良始于同情，约瑟夫·巴特勒说 ：”同情是瞬间的爱。”

 

道德是倾向于增加而非减少快乐总量的行动— 密尔 —

 

在西方，道德是给予我们与他人一起生活的规则，它不是一个制高点，而是一个起点。

哈曼在《道德相对主义辩护》中提到：”只有在一群人就他们彼此的关系达成一种默然协议或默契之时，道德才会产生。”

 

道德的出处是契约社会，他的出发点是面向自己的。道德的中心概念在于“义务”，它不取决于个人情感或欲望，道德哲学的目的是考察我们实际运用理性的能力，同时也告诉我们如何实现道德。就像康德说过的：

意志自律是一切道德法则以及合乎这些法则的之责的独一无二的原则。

道德是一种公共理性，实现道德是人在社会中的自我免责。

道德不是表现，而是对自己的规范，它是一种自我管理，道德应有的作用是底线，而不是制高点。

 

所以，说一个人他很道德，这个没有什么大不了。想做一个道德的人，也没有什么大不了。道德是有理性的人，对自己最起码的约束。

 

道德学根本就不是关于我们如何谋得幸福的学说，

而是关于我们应当如何配当幸福的学说。

 

—康德《实践理性批判》—

 

只有那样做他们心里才会安宁，而且是那种不需要负任何责任的安宁。

 

这，就是道德。

 

而道德的善良，就是为了他人而牺牲自己。

 

朴素贝叶斯是利用概率论和贝叶斯定理预测样本类别（如新闻或客户评论）的概率算法。它们是概率性的，这意味着它们计算给定样本的每个类别的概率，然后输出概率最高的样本类别。他们获得这些概率的方式是使用贝叶斯定理，它基于可能与该特征相关的条件的先前数据来描述特征的概率。

 

1957年，Perceptron 诞生，成为第一个 LearningMachine。LeCun 说，目前的机器学习算法大多衍生自 Perceptron的概念。

 

从那时起，模式识别的标准模型就可以分为 3 步走：1.程序被输入一张图像，通过特征提取，将图像特征转换为多个向量；2. 输入这些向量到可训练的分类器中；3.程序输出识别结果。

 

机器学习算法其实就是误差校正（Error correction），通过调整权重，来进行特征提取。也就是说，如果输入一张图，算法识别后，结果值低于预期类别的值，工程师就将输入的图增加 Positive 的权重，减少 Negative 的权重，来校正误差。

 

对抗训练（Adversarial Training）是可以让 AI程序拥有自学能力的方法，他解释，对抗训练就是让两个网络相互博奕，由生成器（Generator）和判别器（Discriminator）组成，生成器随机地从训练集中挑选真实数据和干扰噪音，产生新的训练样本，判别器再用与真实数据比对的方式，判断出数据的真实性，如此一来，生成器与判别器可以交互学习自动优化预测能力，创造最佳的预测模型。

 

人类的学习是建立在与事物互动的过程，许多都是人类自行体会、领悟出对事物的理解，不需要每件事都要教导，举例来说，若有个物体被前面的物体挡住，人类会知道后面的物体依然存在的事实，或是物体没有另一个物体支撑就会掉落的事实。

 

“人脑就是推理引擎！”他说明，人类靠着观察建立内部分析模型，当人类遇到一件新的事物，就能用这些既有的模型来推测，因为生活中人类接触到大量的事物和知识，而建立了“常识”。这些常识可以带领人类做出一些程序无法达到的能力，像是人类可以只看一半的脸就能想像另外一半脸，或是可以从过去的事件推测未来等。

 

他举例，若人类看到一张战利品放不下行李箱的图片，再看到一个句子说：”这些战利品放不下行李箱，因为它太小了。“人类能够很清楚地知道“它”指的是行李箱，人类也因为知道整个社会和世界运行的规则，当没有太多的信息时，人类可以依照因果关系自动补足空白的信息。

 

所谓经验，就是从已发生的事件中获取的知识。哲学中的经验有两种：来源于感官知觉的观念和来源于反思的、即我们由内省而知道的那些观念。

 

非线性与线性有一定的联系又有本质区别，它们常同时存在于一个系统之中，规定着系统不同侧面的性质，一个确定的系统，一般都同时具有线性和非线性两种性质：首先，在一个给定的非线性系统中，它的非线性性质决定它的平衡构造或说稳定机制是否存在，及存在的地方。其次，系统的线性性质决定着系统关于其平衡点(稳定结构)的小振动的规律，即系统在稳定点附近的线性展开性质。

 

非线性与线性的本质区别

　　非线性与线性虽然可以通过数学变换而相互转化，在数学上有一定的联系，但是在同一视角、同一层次、同一参照系下，非线性与线性又是有本质区别的。

　　在数学上，线性函数关系是直线，而非线性函数关系是非直线，包括各种曲线、折线、不连续的线等;线性方程满足叠加原理，非线性方程不满足叠加原理;线性方程易于求出解析解，而非线性方程一般不能得出解析解。

　　在物理上，近线性问题(它不是我们所说的非线性问题)可用线性逼近方法求出一定精确度的解，即依据具体问题对精确度的要求，逐次解出若干个线性问题，把它们叠加起来，就能得到很好的近似解。但是对于非线性问题，由于存有小参数发散及收敛慢等问题，线性逼近方法将失效，特别是对于高速运动状态、强烈的相互作用、长时间的动态行为等非线性很强的情况，线性方法将完全无能为力。线性逼近方法这些局限性，导致非线性方法的不可替代，在无法用线性方法处理的强非线性的地方，只能用非线性方法。线性逼近方法并非经常能奏效，这不光是方法论问题，也是自然观问题，自然界既有量变又有质变，在质变中， 自然界要经历跃变或转折，这是线性所不能包容的。

 

信息整合理论涉及到太多层面，我们不能在这里一一解释，只能简述它的基本脉络。这个理论界定了五个基本属性，以下属性对每个可设想的意识经验都成立：

 

（对于经验的主体来说，而非外部观察者来说）经验本身就存在；

 

经验具有结构性（也即，它由部分组成，并且部分之间存在关联）；

 

经验具有整合性（也就是说，它不能被分离为独立的成分）；

 

经验具有确定性（换句话说，它有边界，包含一些内容但排除另外的）；

 

经验具有特定性（每一个经验正如其所是，因而与其他大量可能的经验不同）。

信息整合理论可以被用来评估任何物理系统的意识的质与量，无论它是人脑、章鱼、蜜蜂的大脑——还是电路板上的数字计算机。

IIT所用的”信息”一词不在当代语境中（从发送者传递到接收者的信息）。意识并不是大脑的一个部分向另一个部分传递的信息。IIT中的“信息”实际上指其原初意义：“information”（信息）来源于 “inform”（通知），意味着 “to give form to”（给予……形式；描绘）。像大脑或计算机之类所拥有的任何一个物理过程的因果力，它影响物理过程自身的下一个状态以及这个状态的因果力，同时，这样一种力量会使大脑或计算机产生一个形式，一个高维的结构，也即经验。

1998年6月14日，在犹他主场的NBA总决赛，芝加哥公牛与犹他爵士总决赛的第六场，在距离第四节结束还剩17秒，乔丹抢断卡尔·马龙后运球到前场，在前场17尺处附近晃倒了拜伦·拉塞尔，将球投进，以87-86险胜爵士，夺得了生涯第六冠。