关于“场景”、“情境”、“直觉”的对话

【这是一段两年前的对话，朝花夕拾，共享之】

Shifa  01:59直觉与是有是逻辑没有关系，存在逻辑性很强的直觉，也存在没有逻辑关系的直觉??  02:02“非逻辑”的直觉才值得探讨Shifa  02:02@刘凯 直觉还不是预感，比如一件东西看起来直觉不错，不是预感不错，而是认为不错??  02:04不是预感Shifa  02:0450人的一个班里，有两个人的生日是同月同日，直觉的可能性不高，但实际概率大于97%??  02:06这应该叫“直观感觉”Shifa  02:07买彩票的人总觉得中奖很容易（也许是因为总在报纸上看到有人中奖），实际相反??  02:08这些都不是真正的直觉Shifa  02:09真正的直觉是什么？??  02:09审美是“非逻辑”的直觉??  02:10女性在某些时候直觉很强??  02:11男性认为非常复杂的事情，她们非常容易??  02:12根本不用思考王培  05:34我觉得“镜像神经元”的价值在于解释感知和运动在内在表示上有重合、共用之处（这也是纳思的做法），但如果在“我伸手”和“你伸手”中的“伸手”根本就是同一个概念，那这二者就无所谓“镜像”。模仿是学习的一种重要方式，但未必要用一种特殊神经元来解释。纽约老熊  05:46@王培 ，我比较认同。恐怕，所谓的镜像神经元，不过是重复使用的神经元。有无必要取名为镜像，我甚至怀疑。lyx  05:47中文 直觉 英文有两个翻译 intuition 和 instinct 实际区别很大[呲牙]纽约老熊  05:49是否instinct本能，就是说遗传来的多一些，而intuition从既往经验来的多一些？纽约老熊  05:50如果是那样，是否有更好的中文词？lyx  05:54不知道有没有更好的，讨论的时候约定好是什么意思就是了。刘伟  06:19曲别针可以变顾1、2、3、4、5、6、7、8、9和加减乘除，可以变成英文、拉丁文、俄文字母，于是天下所有语言能够表达的东西，曲别针都可以表达刘伟  06:38人类直觉的秘密在记忆，机械的存储不能实现灵活的类比的特征保留组合。存储是形式化的方式，失去了意向性的丰富自由～刘伟  06:42直觉本质上是   一种介于文字和数字（定性定量混杂）的快速表征刘伟  06:45@刘伟 用曲别针A不行，EFHKQTXY也不行标准的不行，模糊的、上下文的可以纽约老熊  06:52@刘伟 ，你说：“人类直觉的秘密在记忆，机械的存储不能实现灵活的类比的特征保留组合。”我看，恐怕过了。机械的东西未必就做不到。关键还是，现在我们不懂原理。陈  07:12直觉更近于模式或特征判断，例如他说的合情合理、有鼻子有眼，但直觉告诉我他在说谎。刘伟  07:14@纽约老熊 人类直觉的秘密在记忆，机械的存储不能实现灵活的类比的特征保留组合。记忆～意向性～主动性～自主性～直觉机器是存储，不是记忆，所以不能产生概率空间函数～因而没有意向性，只有表层的归纳演绎推理，很难产生深入的事件样本跨情境特征匹配整合，挂一漏万，非深度态势感知
而人则是: 记忆～意向性（跨情境特征选择整合）～主动性～自主性～直觉～深度态势感知人的记忆～保留原型（活的特征，可概率穿梭时空，随机应变组合，形成跨情跨境）；
机的存储～数据模版（死的数字，机械呆板，就事论事，不能越雷池半步）陈  07:16例如他每次说谎都会皱起鼻纹，我的大脑观察到了这个现象，但我未必意识到。这次他又皱了，我虽然说不出什么缘由，但直觉他又说谎了。纽约老熊  07:26@刘伟 ，这些机械都可以做。且看！刘伟  08:42@纽约老熊 我想至少一点比较清楚了，那就是，事物有的性质，是随主观的情况而变动。而这是认知体的基本属性。不具备这个属性的，恐怕就不是独立的认知体。[强]纽约老熊  08:50@刘伟 ，完全同意。这点现在清楚了。应该感谢这里的讨论。或许这是认知体第一原则。不过，要体现在工程上，还有很大距离。刘伟  08:57@纽约老熊 对，随机应变第一原则纽约老熊  09:30@王培 ，你说的，我都同意。不过，我们是否有更深入一些的呢？例如，主观中的客观是什么？或者主观到什么程度？Shifa  13:30@刘伟 机器人高考的文章说“计算机现在最大的问题，或者说与人最大的不同是：它不知道它自己不知道什么！”。
我觉得计算机最大的问题是什么都不知道。计算机所谓的“知道”其实都是人知道，计算机输出字符、显示图像、发出声音，计算机一点都不知道自己在干什么。离开人，计算机其实什么都不知道。Shifa  13:42@刘伟 功能固着可能是人类认知能力的基础能力 -- 认定能力。深度学习不能边用边学，因为使用的时候没有带标注数据（强化学习除外），而人是能边用边学习，学习的依据是什么？就是认定，或者同一性认定。比如一个人偶然把杯子翻过来看它底部，他看到完全不一样的图像，这时他不会把杯子认为是别的东西，而是认为杯子还有这样的图像，并学习杯子的这面图像。人的这个能力靠认定，或者功能固着。刘伟  13:50@张世发 一是自动化二是人教机三是机助人四是人机互助五是机主人Shifa  14:07电脑的存储器数据本身不能成为智能系统的知觉、直觉、知识、记忆等，因为知觉这些东西都是动的，而存储器里的数据是不会动的。要使存储器里的数据动起来，就必须给它们配程序，类似面向对象的数据和方法集成。但面向对象的对象（数据+方法）还不能成为知觉的内容，因为类的方法是固定的，而知觉中的行为不是固定的，而是在观察体验中不断更新的。刘伟  14:26如何让数据动起来是规则和概率的事，如何让规则和概率动起来现在是人的事，未来希望机能做到～hjcai  14:51我计划今年在武汉大学组织召开一个“自我意识与人工智能”的国际会议，不知道群里哪几位愿意来参加？时间可以商量。刘伟  14:54@hjcai 好建议[强]有时间一定前去学习不知庐  15:00＠hjcai [强]??  19:28@张世发 “
我觉得计算机最大的问题是什么都不知道。计算机所谓的“知道”其实都是人知道，计算机输出字符、显示图像、发出声音，计算机一点都不知道自己在干什么。离开人，计算机其实什么都不知道。” —— 说到关键了！??  19:36计算机是图灵等价的逻辑电路，只能执行“机器码”（Machine Code）。??  19:40任何（高级）程序语言都最终要“编译”（Compiling）成Machine code的。??  19:41计算机是不可能用人的“知道”、“理解”、“认知”的。??  19:43但是计算机还是可以有自己的“知道”、“理解”、“认知”的：??  20:14计算机只“理解”（执行）machine code，不“理解”高级程序语言，例如Object-oriented language??  22:14高级程序语言是让人（程序员）理解和使用的（例如，面向对象语言模拟人的日常思维，减少程序语言的“抽象性”），不要说machine code，即使是汇编语言，人写一段简单的程序也非常复杂。陈  22:29@hjcai 若有机会 很想去学习Shifa  22:38@林峰 同意你关于人的“理解”和计算机的“理解”的区分。
但这种计算机自己的“理解”是否解决了AI的“理解”的问题？应该还没有定论。我同意“意义是全部关系的总和”，“意义是由系统的相关经验确定的”。但我觉得“关系”应该不限于系统内表达的符号关系，而是外部物体间的关系，符号关系表达只是这些关系的一部分，只是完整关系的一个环节。完整关系还包括感觉运动甚至外部环境。
不过这也只是设想，我还没看到对关系的完整定义，更没有相关工程实现。??  22:39面向对象（OOA, OOD, OOP）思维把“世界”看成是各种“东西”组成的，每种“东西”有状态和功能：被动地被别的“东西”使用，主动地使用別的“东西”的功能，或者当一些事件发生时如何处理（event）。??  22:41计算机的这种“理解”显然没有解决人工智能的“理解”问题。??  22:46至少不是人所期待的人工智能的“理解”??  22:55正在看这本书。关于主体，叔本华是这样说的：认识一切而不为任何事物所认识的就是主体。凡是存在着的，就只是对于主体的存在。毎人都可发现自己就是一个主体，不过只限于它在认识着的时候，而?在它是被认识的客体时。Shifa  23:22计算机程序（包括OOD程序）一般都是通过表征、模拟外部对象的行为来“理解”外部对象。比如各种图形辅助设计软件、信息管理软件。
在AI系统里，不自觉地也用类似的办法来“理解”外部世界，问题是物体的表征不是真实物体，模拟物体功能不是物体真实的功能。
对AI系统来说重要是要“知道”外部物体，而不是表征外部物体。可是不用数据（或逻辑）把物体的各种关系表达出来，怎么做到“知道”？
用一定数据和逻辑来表达物体还是必要的，但“理解”不能停留在这些数据上，而是要回到外部物体上。怎样回去？不是要每时每刻都和物体直接打交道，而是要知道数据不是物体，所有在数据上的处理只是“想象”、“模拟”，而不是事实。??  23:28到目前为止，计算机最多只能“理解”“数据”吧Shifa  23:29AI不能只盯着自己的数据，而要关注数据背后的现实世界，包括世界的过去、现在、和未来??  23:30把现实世界转化为数据正是人工智能要做的Shifa  23:32不是人工智能要做的，而是人要做的[微笑]??  23:33是 [微笑]??  23:35这正好部分回答了为什么“数学在自然科学中不合理的有效性”??  23:37自然科学的实验不也实验数据吗？??  23:58自然科学的实验不也是在实验数据吗？—————  2017-01-14  —————Shifa  00:03IBM尽吹牛，它的TrueNorth比Nvidia差不知道多少Shifa  00:046年搞一个不能用的芯片，Nvidia都不知道搞了多少代了Shifa  00:07两年前我还分析过TrueNorth的70mw功耗宣传，纯粹是骗人的，按晶体管数乘上最低漏电都不止这个数。Shifa  00:40神经网络也有迁移学习？Shifa  00:41定势，功能固着，认定，似乎是类似的lyx  00:42迁移学习的想法可以迁移到任何参数化的模型[坏笑]Shifa  00:50从一种数据学，然后用在别的数据上？lyx  01:04是 简单就是发现一些对应关系然后把参数进行变换。想要达到的效果是加速在新数据上的学习。目前不大可能在新数据上不经学习直接有非常好的效果。纽约老熊  01:27@张世发 ，我有些相信IBM的truenorth。我猜想功耗小是因为它的计算原理根本不同，不是计算循环，如传统，而是仅做比较少的计算步骤，但是很大程度的平行。如果真是如此，功耗的确应该小。lyx  01:34nvdia的优势在学习。没有看到truenorth怎么学习的。只是运行的话gpu是浪费。纽约老熊  01:35其实无论IBM怎样做，现有的神经网络是超级愚蠢的一种东西。其上的每个节点由一大堆实数和一个怪函数组成。要计算这个节点，必然计算量很大。这个设计肯定走不远。lyx  01:46@纽约老熊 truenorth paper 讲每个神经元只有整数加法，比较，和条件（乘法只和0/1）。lyx  01:47Simple spiked linear thresholdlyx  01:48所以我不知道这东西怎么学习。自己肯定做不了。lyx  01:49paper说offline没有更多细节lyx  01:50http://paulmerolla.com/merolla_main_som.pdflyx  01:55用了个simulator叫compass，然后CNN。学完了灌到truenorth。Shifa  02:30@纽约老熊 truenorth由256个计算神经网络优化的处理器核通过灵活互联网络连接起来，计算原理和一般处理器是一样的。增加本地存储也许缓解存储器访问瓶颈，但当本地存储容量不够怎么办？
还有TrueNorth用大金属壳封装，如果真的只有70毫瓦，这个封装设计者肯定脑袋进水了Shifa  02:32说错了，是4096个核，不是256个核纽约老熊  02:32@张世发 ，如果仍然是现在一样的CPU，那就没有什么意思了。再看看。纽约老熊  02:34但是不过这样讲，现在的那种人工神经网络是方向不对的。完全是彻底浪费。必须要有新方向。Shifa  02:43稍微有点不同是用模拟部件“计算”神经脉冲积分，但这样做节省不了多少能量，能量都耗费在提供数据和接收结果上lyx  03:19全数字的，所谓积分就是加法  “We implemented TrueNorth’s neurons using an all-digital approach, breaking path with previous mixed analog–digital approaches.”??  05:29计算机的数值计算，属于计算数学。[微笑]刘伟  06:25人生最有价值的，说到底，都是那些“无用”的时光。刘伟  09:12“AlphaGO下围棋厉害，但并没有让我感到兴奋，”闵万里摸了摸脖子，“早在千年之前，算盘就超过了人，都是规律的游戏，最难的是挑战那些无规律的未知。”刘伟  09:15AI本质在试图解决一个经济学的根本问题：供需匹配，知识的affordance。刘伟  09:24无规律的秩序，非存在的有，模糊的清晰，默会的显性刘伟  09:25坚硬的稀粥刘伟  09:29有意识的形式化—————  2017-01-15  —————Shifa  01:41还是讨论直觉问题有意思[微笑]Shifa  02:00电脑或AI系统知道它在做什么吗？aphaGo知道它在下棋吗？，Watson知道它在看病吗？计算机知道它运行的程序吗？路由器知道它转发的报文吗？应该都不知道。
对比人，人不知道大脑如何做学习、推理、记忆，但人知道世界上的东西，和这些东西的规律。
还是那个问题，人能知道什么，不知道什么，为什么能知道？对机器，一样的问题，它知道什么？怎么知道的？
知道什么对智能系统非常重要，很难想象什么都不知道的东西会有智能。Shifa  02:04人在设计机器时，总是认为机器知道自己知道的东西，其实并不然。Shifa  02:13机器知道的东西必须放在机器之外，放在机器里面的数据机器不可能知道。虽然人觉得在机器里面的东西是机器的记忆、知识，也许是吧，但是关于外部东西的记忆和知识。目前的电脑并不知道它的数据和外部事物的关系。Shifa  02:22如何知道？这就是认识论的问题。现象学提供了一套理论，但没有得到工程验证。我想通过做自主行动的机器人小车，看能不能一定程度上验证现象学理论。罗军  04:40@张世发 确实，计算机如何工作不依赖于理解。传统的"解释器"等等术语是需要比较小心的地方。计算机科学领域里面的数学，逻辑，语义，语法，机制，规则等等术语和概念非常缺乏梳理。很多都是貌似显然，其实是历史流变下的想当然。Shifa  08:51人用编程语言编程序，似乎编译器理解编程语言语法，并能把程序翻译为机器语言。编译器真的理解语法吗？答案是否定的，事实是编译器设计者理解高级语言语法，编译器只是一个辅助数据处理的工具。Shifa  08:54类似的，计算机理解机器语言吗？其实也不理解，是机器设计者理解机器语言，机器只是数据处理辅助工具。??  12:19@张世发 计算机按指令行事，只“理解”规则。??  12:21编程语言不同于自然语言，语法也有不同意义。??  12:39编译器是计算机程序，它按规则按“高级”语言转换为“中间”语言。。。Shifa  12:51@刘伟 那篇文章按“大脑信息加工的本体”的思路研究大脑恐怕要走弯路刘伟  13:01@张世发 且让他们试试看