1 智能是什么呢？

2 神经网络深度学习的局限性

3 NARS系统的理论预设

4 参考资源

在神经网络深度学习盛行的今天，我们来聊聊与之截然不同的遵从逻辑规则的计算机推理系统，美国天普大学计算机与信息科学系王培先生的NARS（Non-Axiomatic Reasoning System）系统，非公理化推理系统。

在介绍NARS之前，我们先讨论一下智能。

1 智能是什么呢？

王培先生曾在《人工智能：何为“智”？》人工智能：何为“智”？-虎嗅网一文中说明，智能是一种在现实的知识和资源的约束下发挥的高级适应能力。这就要求智能系统必须是 “开放” 的，即新知识和新问题可以在任何时刻出现，且新知识可能和系统已有的知识相冲突，而新问题也可能超出系统已有的知识范围或时空资源限度。我们希望人工智能系统能在这种条件下工作。但问题是这种系统中的推理总体上无法遵循经典逻辑。

智能是单纯的算法么？

智能需要协调运用各个认知功能，包括预测、解释、概括、分类等推理活动，认知功能或现象（如学习、规划、决策、感知、行动、通讯、记忆、注意、灵感、直觉、想象、情感、游戏、审美等）。

所谓算法，就是独立定义每个问题分别进行解决，在这种纯数学抽象中，自然而然地忽略了各个认知功能之间的内在联系。各种认知功能在人工智能系统中的表现和其在人的真实思维活动中的完全不同。

以自然语言理解为例，如果我们说，“语言理解不需要思考”，这是明显有认知问题的，但至今语言理解系统一般都没有推理能力。

基于以上的阐述，我们很容易看到神经网络在人工智能的局限性。

2 神经网络深度学习的局限性

小编曾在【新手上路常见问答】关于深度学习这篇文章里介绍过神经网络深度学习的局限性，下面细细说来。

人工神经网络把知识表示成输入或输出向量，这种表示方法本身就是有问题的，对于通用系统来说往往是不方便的，因为知识往往涉及不同的抽象水平。具体解释如下：

智能系统所面临的问题往往不能被简单看作一个输入输出之间的函数关系，通常，对一个给定输入，一般不是仅有一个唯一输出与其相对应。“思维” （或称其为 “智能” 、 “认知” 等等）不能被简单看成用数据拟合一个函数
人工神经网络擅长从具体例子中总结一般规律，这只是智能学习中的一个小小的方面。
智能本身需要极快的响应速度，但是人工神经网络的学习和工作都遵循给定算法，因此对每个问题有确定的时空资源开销，无法满足实时系统的要求。

总之，尽管神经元网络对很多专门问题的确非常有效，但仍未解决通用智能系统的核心问题。来看看王培先生的努力吧。请看链接

GitHub - opennars/opennars: OpenNARS for Research 3.0+

3 NARS系统的理论预设

如前所述，智能是“一个适应系统在知识和资源不足的条件下工作的能力”，所以思维不遵循“经典逻辑” ，即不是从公理推出定理，而是非公理化逻辑，根据系统的经验确定概念的意义和陈述的真值，也就是NARS的智能体现为一种元能力，即获得解决问题能力的能力，是通用的能力，而不是直接体现在其解决问题的能力上。

关于知识和资源不足，具体指以下三点，王培在一个哲学家的科学实验 —— 徐英瑾《心智、语言和机器——维特根斯坦哲学和人工智能科学的对话》评介 https://cis.temple.edu/~pwang/Chinese/XuBook.pdf

一文中这样解释

智能系统只能依赖于有限的信息加工资源。有限性指处理器的数量、速度以及存储空间的容量。对于智能机器人，有限性也包括能量储备和直接感知运动能力。
智能系统必须实时工作。这就是说新任务可能在任何时刻出现，并且均有完成时间要求，如“五分钟之内”或“越快越好”等等，因此多个任务会争夺系统资源。
智能系统必须对未来经验报完全开放的态度。这就意味着新知识可能和已有知识相冲突，新问题可能超出系统的知识范围，而这些情况均不应导致系统的瘫痪。

NARS系统基于人类的思维活动特征，在信息加工原则上基于人类的基本特点,而不是复制人的个别解决问题能力，是非常有意义有突破的智能系统。来看看其主要结构吧。纳思是一个推理系统框架,以统一实现各种传统上不被看作推理的认知功能, 如学习、联想、规划、感知、决策、操作、通讯等。这些功能不是由彼此独立的模块分别完成的, 而是同一个过程的不同侧面。纳思系统主要包括逻辑部分和控制部分。

纳思的逻辑部分是“非公理化”的,根据系统的经验确定概念的意义和陈述的真值，因为其中没有一个来自经验的陈述具有 “公理”的逻辑地位,即其真值不可能被未来的经验所挑战。这个系统帮助传统逻辑中无法包容的归纳、类比等非演绎推理在统一的基础上得以实现。

纳思的控制部分是有效地分配系统的资源。在大量推理活动竞争有限资源的情况下, 综合了竞争者(概念、任务、知识等)的自身特征、系统对其以往效用的评价、与当前系统目标的相关性等因素，根据其优先程度，为其分配系统的时间和空间。一个完整复杂问题的解决包括各个小步骤，每个步骤遵循相应的算法，这些算法的组合依赖于系统的历史和环境中的各种因素。

上图是NARS架构图，解释如下

内存存储任务和信念，以及其他信息
带有例程的推理引擎实现推理规则
缓冲区保存正在处理的数据项
输入输出通道将系统与环境连接起来

4 参考资源

opennars 代码

GitHub - opennars/opennars: OpenNARS for Research 3.0+

王培教授在微信公众号《返朴》建了一个专辑 AI那厮合集

以下是专辑中的文章
通用人工智能的四大基本问题 |「AI 那厮」开篇辞

AI是理性的，人类是非理性的，果真如此吗？| AI那厮

欢迎留言，一起讨论人工智能相关问题。

【脑洞大开】神经网络vs非公理化推理系统(NARS)相关推荐

【数据挖掘】基于卷积神经网络的非侵入式负荷分解（NILM）Python实现
本方法主要利用基于卷积神经网络的非侵入式负荷分解方法实现住宅设备的识别,输入数据为在设备运行时获得的瞬态功率信号数据.训练卷积神经网络使用数据为开源数据REDD(1Hz),具体实现原理请参考文献下载链 ...
论文浅尝 | 神经网络与非神经网络简单知识问答方法的强基线分析
来源:NAACL 2018 链接:http://aclweb.org/anthology/N18-2047 本文关注任务为面向简单问题的知识库问答(仅用KB中的一个事实就能回答问题).作者将任务划分为 ...
对目前AI的一些理论、流派的评述
类脑AI评述大脑作为已知的最强的智能载体,能够提供很多启示,但是由于人类对大脑的研究还处于非常初级的阶段,所以大多数模仿都是从结构上模仿,而不是从原理上模仿.同时大脑本身的结构和原理也未必完全合理. ...
7天搞定图神经网络，实战助力新冠疫情防控！
要问这几年一直在逆势而上的技术有哪些?你一定不会忽略它--图神经网络. 相比传统神经网络,图神经网络的优势非常明显: 1.非顺序排序的特征学习:GNN的输出不以节点的输入顺序为转移的. 2.两个节点之 ...
神经网络和深度学习简史（三）
一.可以做决定的神经网络在了解了神经网络在无监督学习方面的应用以后,我们接下来将见到机器学习的第三部分:增强学习.尽管这个概念需要一个明确的数学表示进行描述,但我们可以先从简单理解一下:增强学习 ...
收藏｜图神经网络综述
来源:人工智能AI技术本文约12000字,建议阅读10+分钟本文为你简述图计算.图数据库.知识图谱.图神经网络等图技术领域的相关历史及不同类型的图结构. 在科学研究中,从方法论上来讲,都应&quo ...
如果神经网络规模足够大，会产生智能吗？
作者:桔了个仔链接:https://www.zhihu.com/question/408690594/answer/1363115251 来源:知乎著作权归作者所有.商业转载请联系作者获得授权,非 ...
干货丨从感知机到深度神经网络，带你入坑深度学习
作者:Adi Chris 机器之心编译参与:朱乾树.刘晓坤机器学习工程师 Adi Chris 最近学习完吴恩达在 Coursera 上的最新课程后,决定写篇博客来记录下自己对这一领域的理解.他建议 ...
【综述专栏】图神经网络综述
来源:图灵人工智能作者:王健宗等 https://wwwihcm/people/euu-lin-jun-7 原文链接: https://kns.cnki.net/kcms/detail/31.128 ...
神经网络预测模型算法_MATLAB Elman神经网络的数据预测—电力负荷预测模型研究...
点击上方蓝字关注"公众号" MATLAB Elman神经网络的数据预测-电力负荷预测模型研究负荷预测的核心问题是预测的技术问题,或者说是预测的数学模型. 传统的数学模型是用显示 ...

【脑洞大开】神经网络vs非公理化推理系统(NARS)

1 智能是什么呢？

2 神经网络深度学习的局限性

3 NARS系统的理论预设

4 参考资源

【脑洞大开】神经网络vs非公理化推理系统(NARS)相关推荐

最新文章

热门文章