困扰99%前端程序员的Vue问题

那么，计算机智能有没有办法，突破固定结构的局限性，从不同的演化路径去“模拟”出人类智能呢?

智能与数据

如前所述，能够创造出算法是智能的关键所在，而在编程领域，有这样一个洞见：

算法和数据结构有一个关系，即：数据结构越复杂算法就可以越简单，数据结构越简单那么算法就需要越复杂。

例如，编程语言越是动态化，就越容易构建复杂结构，用其编写算法也就越容易，相反编程语言越是静态化，就越难以构建复杂结构，用其编写算法就困难。

其原理就在于，算法实现——是逻辑关系的“计算映射”，即动态地进行逻辑关系的转化;数据结构——是逻辑关系的“固化映射”，即将已经计算好的逻辑关系，存储在了结构之中。

可见，算法比数据结构多出了计算的过程——前者需要根据逻辑关系进行逻辑运算，后者仅需要根据结构的逻辑关系直接读写——所以应用数据结构进行逻辑关系的转化，会更加高效。

而人脑可以从环境数据中，提取数据结构并习得算法，最终将两者存储到脑结构之中——可见，神经结构、数据结构、算法，三者可以相互转化，或说相互表征。

表征——是指用信息描述某一事物的状态，即：信息符号可以代替某一事物本身。

换言之，如果数据结构足够强大，它就可以充当复杂算法的功能，甚至可以替代复杂的神经结构。

因此，计算机智能“拟人”的一个途径，就是通过强化数据结构来模拟神经结构，以及弱化人类智能所提供的代码算法，转而使用结构去生成算法，而这就是目前人工智能的发展方向——以下使用“人工智能”来替代“计算机智能”。

那么，问题就回到了，人工智能的数据结构从何而来呢?

显然，“人工”二字已经说明，依然由人类智能来提供，只不过这不是一个针对具体问题的数据结构，而是一个模拟人脑神经网络的通用数据结构——它是对人脑结构的简化抽象，并由程序语言编程实现的数学模型(以矩阵为基础，想象黑客帝国的母体)，可称之为“类脑数据结构”，更形象的描述是“类脑神经网络”。

接下来，人类智能继续提供一种算法——机器学习算法(如深度学习、强化学习等等，每种又有不同的具体实现)，这种算法可以通过拟合与计算，试图在海量的大数据中找到各种各样的算法——从而把特定的输入问题与输出结果对应起来——这相当于实现了一种可以创造算法的算法。

而将类脑数据结构与机器学习算法结合起来，就可以动态的自组织类脑数据结构(通过结构连接关系的权重)，以存储算法创造的算法——于是人工智能就表现出了自主学习与自主推理。

有趣的是，有一种机器学习算法(强化学习，Reinforcement Learning)与人脑多巴胺强化学习的机制是相一致的——这说明机器可以使用人脑相同的学习机制进行“自我学习”。

由上可见，人工智能是在通过输入数据、数据结构与学习算法之间的相互转化，来形成“拟人智能”的——也就是从数据中找到结构，再从结构中产生算法，最后将算法存入结构。

值得一提的是，实践表明，人工智能模型可以通过数据训练，获得非常精准的预测能力，但这种预测能力不具有可解释性，即无法解释预测结果的形成路径。换言之，类脑数据结构(或说类脑神经网络)是一个——“黑箱模型”，如同人脑一样。

那么，从此也可以看出，结构涌现智能的规律与力量——就如同化学中结构决定性质，物理中结构决定激发，程序中结构决定功能，语言中结构决定语义，等等——或许结构决定了一切，这被称为“结构主义”。

但在拟人智能的道路上，仍有一个显著的问题，即是人脑的模糊性与计算机的精确性，它们之间的差异性应该如何解决?

智能与概率

事实上，计算机一直是基于精确逻辑的工作模式，任何微小的逻辑错误，都会在计算积累中不断地被放大，直到逻辑崩塌或程序崩溃，最终导致任务失败。

人脑的逻辑处理则完全不同，人脑基于“贝叶斯算法”使用概率模型，通过统计的结果来得出可能性，从而创造出各种假设，并随着接收到的新信息而不断调整模型，同时又会根据最新模型连续地计算，不断逼近最真实准确的答案，所以人脑可以忽略不具有规模的异常和错误。

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!