人工智能如何从对心灵数学理论的探索中演变而来
探索从亚里士多德三段论到现代人工智能和神经网络的长达几个世纪的旅程。了解对思想形式化的追求如何塑造机器智能
Mewayz Team
Editorial Team
从古代逻辑到神经网络：机器智能的漫漫长路
在人类历史的大部分时间里，思维被认为是神、灵魂和意识的不可言喻的神秘的专属领域。然后，在亚里士多德的三段论和为当今人工智能提供动力的变压器架构之间的长廊中，一个激进的想法占据了主导地位：这个想法本身可能就是你可以写成方程式的东西。这不仅仅是一种哲学好奇心——这是一个长达几个世纪的工程项目，始于哲学家试图将理性形式化，通过 18 世纪和 19 世纪的概率革命加速发展，最终产生了大型语言模型、决策引擎和智能业务系统，重塑了当今组织的运作方式。了解人工智能从何而来并不是学术怀旧。这是理解现代人工智能实际上可以做什么以及为什么它能发挥作用的关键。
形式化理性的梦想
戈特弗里德·威廉·莱布尼茨 (Gottfried Wilhelm Leibniz) 在 17 世纪设想了这一点：一种通用的思想演算，只需说“让我们计算一下”即可解决任何分歧。他的微积分推理机从未完成，但他的雄心壮志播下了几个世纪的智力努力的种子。乔治·布尔 (George Boole) 于 1854 年通过《思维定律的调查》将代数赋予了逻辑——这句话在现代人工智能话语中得到了回响——将人类推理简化为机器原则上可以执行的二进制运算。艾伦·图灵 (Alan Turing) 于 1936 年正式提出了计算机的概念，十年之内，沃伦·麦卡洛克 (Warren McCulloch) 和沃尔特·皮茨 (Walter Pitts) 等先驱者就发布了数学模型，说明单个神经元如何以构成思维的模式放电。
回想起来，令人震惊的是，这些早期工作中有多少真正是关于思维的，而不仅仅是机器。研究人员并没有问“我们可以自动化任务吗？” ——他们问“什么是认知？”计算机被认为是人类智能的一面镜子，是一种通过编码并运行这些理论来测试推理实际如何运作的理论的方式。这种哲学 DNA 仍然存在于现代人工智能中。当神经网络学习对图像进行分类或生成文本时，它正在执行（无论多么不完美）感知和语言的数学理论。
旅程并不顺利。 20 世纪 50 年代和 60 年代的早期“符号人工智能”将人类知识编码为明确的规则，有一段时间似乎暴力逻辑就足够了。国际象棋程序得到改进。定理证明起作用了。但语言、感知和常识始终抵制形式化。到了 20 世纪 70 年代和 80 年代，很明显人类的思维并不是按照任何人都可以编写的规则手册运行的。
概率：缺失的不确定性语言
开启现代人工智能的突破不是更多的计算能力，而是概率论。托马斯·贝叶斯牧师于 1763 年发表了条件概率定理，但直到 20 世纪末，研究人员才完全掌握了它对机器学习的影响。如果因为世界太混乱和不确定而规则无法捕捉人类知识，那么概率也许可以。您不是编码“A 暗示 B”，而是编码“给定 A，B 很可能是 87% 的时间”。这种从确定性到信仰程度的转变在哲学上是变革性的。
贝叶斯推理让机器以更接近人类认知的方式处理歧义。垃圾邮件过滤器学会识别不需要的电子邮件，不是根据固定规则，而是根据数百万个示例的统计模式。医疗诊断系统开始为诊断分配概率，而不是二元是/否答案。语言模型了解到，在“总统签署”之后，“法案”一词比“犀牛”一词出现的可能性要大得多。概率不仅仅是一种数学工具——正如汤姆·格里菲斯（Tom Griffiths）等研究人员所认为的那样，它是解释概率的自然语言。
Related Posts
and ending withFrequently Asked Questions
1. 人工智能的历史起源是什么?
人工智能的历史起源可以追溯到古代逻辑学家亚里士多德的三段论。17世纪 Gottfried Wilhelm Leibniz 设想了一种通用的思想演算机，乔治·布尔于1854年将代数赋予了逻辑，艾伦·图灵于1936年提出了计算机的概念。这些思想家和科学家对思考和推理的形式化和机器化的努力 eventually led to the development of modern AI technologies.
2. 人工智能的发展是怎样的?
人工智能的发展可以分为几个阶段：早期是逻辑符号主义和计算理论的基础工作，1950年代至1970年代是专门化的AI研究，1980年代至1990年代是深度学习和神经网络的崛起，21世纪初开始的是大规模数据和计算能力的应用，目前的人工智能技术主要是基于深度学习和机器学习的方法。Mewayz 的 207 个模块可以帮助您更好地理解和应用人工智能技术的发展历程和应用场景。
3. 人工智能的应用场景有哪些?
人工智能技术目前已经广泛应用于各个领域，包括自然语言处理、图像识别、计算机视觉、决策支持系统、推荐系统、自动驾驶、医疗 Diagnosis、金融风险管理等。Mewayz 提供了多种人工智能应用场景的实践教程和项目样例，可以帮助您更好地理解和掌握人工智能在实际应用中的潜力和挑战。
4. 学习人工智能需要什么样的背景知识和技能?
学习人工智能需要一定的数学和计算机科学基础知识，如线性代数、概率论、统计学、算法设计等。同时，熟悉编程语言如 Python、Java、C++ 等也非常重要。了解数据科学和大数据处理技术、机器学习和深度学习算
获取更多类似的文章
每周商业提示和产品更新。永远免费。
您已订阅！