admin管理员组

文章数量:1531370

编者按：当前人工智能不可解释性依然成为制约其发展的关键与瓶颈，本文从逻辑推理的角度深入探讨了AI“不可读”的根源，即人们通过计算机和人工智能把一系列逻辑推理压缩在一次逻辑推理里，造成了自然人的“不可读”。同时，在剖析数学领域三次危机的过程中，探讨了构建庞大的逻辑推理网络动力系统对AI的必要性和可行性，进而通过疫情预测事例，提出“从尺规作图到机器证明”的大逻辑解决思想。

    随着人工智能科技的迅猛发展，一个幽灵般的问题开始在人们的头脑中徘徊：机器人能被训练成数学家吗？这一问题关系到哲学的基本问题。笔者以为，机器证明同尺规作图一样都是数学家借助辅助工具实施逻辑推理的过程，机器人、计算机和直尺、圆规等无疑是逻辑推理的辅助工具，而数学家是逻辑推理的主体。

    所谓逻辑推理，是自然人由一个或几个已知的判断推导出一个新的判断的思维形式。人类从远古走来，正是靠这种方式，一步一步迭代，构建起庞大的推理型知识体系，支撑起当代人类文明。本文无意深入考察逻辑推理的科学和哲学内涵，而是探讨现有知识点之间的逻辑关系，建立推理型知识的网络动力系统模型，通过分析其动力机制，揭示快速计算和人工智能等新技术作为逻辑推理辅助工具的本质属性。

一、推理型知识网络及其演化动力

    逻辑推理是产生新知识的一种重要方式。知识是人类通过各种途径获得的，经过提升、总结和凝练的系统认识。获取知识的复杂过程主要包括感觉、交流和推理。柏拉图认为，一条陈述能称得上是知识必须满足三个条件，它一定是被验证过的，正确的，而且是被人们相信的，这也是科学与非科学的区分标准。本文把知识进一步限定为人类通过逻辑推理获取的知识，没有通过逻辑推理而存在的“知识”暂且不叫知识。显然，推理型知识体系是无数个关联的知识点的集合，其中数学就是一个逻辑推理的知识体系，代数、几何、分析等各个分支也相对独立地构成子体系。如果我们把这些大大小小的知识点看作“点”，然后按照逻辑推理的新老关系用有向“边”连接起来，就构成了一个推理型知识网络。这个网络系统随着人类日复一日的逻辑推理在不断的演化——扩张、简约、纠错，没有最好，只有更好。

    推动这个网络系统演化的唯一动力是人类的逻辑推理。某个自然人由一个或几个已知的知识点推出一个新的知识点，这个网络就增加了一个节点；当有人发现一些既有的节点之间的因果关系可以简化时，还可以用推理把这个网络进一步简约化；推理也可能发现老节点之间因果关系的错误，予以删除，实现这个网络的纠错。

    我们特别强调，这个网络系统中的每一个节点都是某一个自然人通过逻辑推理得到的，因此，这一网络的局部特征就同自然人的生命长度和生理功能密切相关。任何一个节点以及同此点直接连接的所有节点代表的逻辑关系能够被一个自然人独立推导、阅读或审核，本文将这一性质称为自然人的局部可读性。

    为了进一步解释这一网络的局部可读性，我们解剖一个具体数学问题：求前 100个自然数之和。解决这个问题最初等的推理是按自然数顺序依次做 99 次加法运算，最终计算出结果；考虑到上面的推理用时较长，高斯观察到 1+ 100, 2 + 99, ……, 50 + 51 的值全是 101，因此上式之和为101 与 50 的积，故等于 5050。毫无疑问，高斯的办法大大减少了推理的时间和推理语言占用的空间。仅仅针对这个小问题可见，自然人在生命时长内和在生理功能允许的范围内能否推导出希望的新结果，因人而异。但如果把问题改为求前10 亿个自然数之和的问题，你就会发现不同推理方法的更多的价值。首先注意，如果试图用初等推理方法解决这个问题（也就是按自然数顺序依次做加法的运算），将用时太长，一个自然人在其生命时间里无法完成；但用高斯的上述方法却很美妙，把推理过程写下来很短，具有“可读性”。为了避免第一种方法“不可读” 的

本文标签： 机器

版权声明：本文标题：从尺规作图到机器证明 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dianzi/1725463750a1024617.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。