ChatGPT:一个人机环境系统交互的初级产品
从人机环境系统智能的角度看,Chatgpt就是一个还没有开始上道的系统。“一阴一阳之谓道”,Chatgpt的“阴”(默会隐性的部分)尚无体现,就是“阳”(显性描述的部分)还停留在人类与大数据交互的浅层部分,简而言之,Chatgpt基本无“道”可言。暗知识、类比、隐喻等这些看似不严谨、无逻辑的东西绝非仅凭理性思维推理就可以得到的,而这些非逻辑、超逻辑(至少当前逻辑很难定义)的东西恰恰是构成人类智能的重要组成部分。或许,这也不仅是Chatgpt的缺点,整个人工智能领域又何尝不是如此呢?
粗略地说,人工智能技术就是人类使用数学计算模拟自身及其它智能的技术,最初是使用基于符号规则的数学模型建立起的机器智能(如专家系统),其次是借助基于统计概率的数据连接处理实现机器学习及分类,下一步则是试图借助有/无监督学习、样本预训练、微调对齐、人机校准等迁移方法实现上下文感知行为智能系统。这三类人工智能技术的发展趋势延续了从人到机再到人机、人机环境系统的研究路径(符号-联结-行为融合主义路径),其中最困难的部分(也是Chatgpt的瓶颈)是智能最底层的一个“神秘之物”——指称的破解问题,这不仅是自然语言与数学语言的问题,还更是涉及思维(如直觉、认知)与群体等“语言”之外的问题。
智能领域研究中最困难的不是如山一般的各种数学公式堆积,而是最基础最原始的概念剖析和理解,这与黎曼、戴德金、高斯强调“以思想代替计算”的数学原则有着异曲同工之妙(即数学理论不应该以公式和计算为基础,它们应该总是以表述清楚的一般概念为基础,而把解析表达式和计算的工具推给理论的进一步发展。)。鉴于此,分析Chatgpt也不例外,下面将从数据、推理(算法)、指称的交互方面分别阐述:
1、从数据的角度看,Chatgpt并不具备智能的本质特征
小样本小数据解决大问题,才是智能的本质。在许多场景中,交互双方的意图往往是在具有不确定性的非完备的动态小数据中以小概率出现并逐步演化而成的,充分利用这些小数据,从不同维度、不同角度和不同颗粒度猜测对手的意图,从而实现“知己(看到兆头苗头)、趣时(抓住时机)、变通(随机应变)”的真实智能。这完全不同于机器智能所擅长的大数据中可重复、可验证规律的提取,人类智能还擅长使用统计概率之外的奇异性数据,并能够从有价值的小数据中全面提取可能的需要意向,尤其是能够打破常规、实现跨域联结的事实或反事实、价值或反价值的猜测。ChatGPT中的GPT代表生成式(G)-预训练(P)-变换模型(T),就是一种大数据+机器学习+微调变换+人机对齐的程序模式,该智能体的行为是依据数据的事实性泛化来行动,但对泛化形成的行动价值其实是完全不知道的,这种泛化形成的行为结果常常是错误的、乃至危险的,如在对话中出现各种无厘头“胡说”现象,更不要说ChatGPT能够准确翻译相声、莎士比亚的笑话、指桑骂槐、意在言外了。
2、从推理逻辑的角度看,Chatgpt同样不具备智能的本质特征
把智能看成计算,把智能看成逻辑,这两个错误是制约智能发展的瓶颈和误区。事实上,真实的智能不但包括理性逻辑部分,也包括非/超逻辑的感性部分,构成人工智能基础的数学工具也只是基于公理的逻辑体系部分。Chatgpt的核心就是计算智能、数据智能,其所谓的感知、认知“能力”(准确地说应该是“功能”)是预训练文本(以后或许还有音频、视频、图像等形式)的按需匹配组合,既不涉及知识来源的产权,也不需要考虑结果的风险责任,虽然Chatgpt算法中被设置了伦理道德的门槛约束,但其可能带来的专业误导危害依然不容小觑(尤其是对未知知识的多源因果解释、非因果相关性说明方面)。
Chatgpt系统的“自主”与人类的“自主”不同。一般而言,Chatgpt的自主智能是在文本符号时空里进行大数据或规则或统计推理过程,这种推理是基于数学计算算法“我”(个体性)的顺序过程;而人类的自主智能则是在物理/认知/信息(符号)/社会混合时空里小数据或无数据进行因果互激荡推导或推论过程,这种因果互激荡是基于“我们”(群体性)的过程。西方的还原思想基础是因果关系,东方的整体思想基础是共在关系(共时空共情)。进一步而言,Chatgpt的计算是因果还原论,其知识是等同的显性事实知识,算计是共在系统论,其知识是等价的隐性价值知识。这里的推导/推论包含推理,等价包含等同,价值包含事实,但大于事实。
智能的关键不在于计算能力,而在于带有反思的算计能力。算计比计算强大于反事实、反价值能力,如人类自主里常常就包含有反思(事实反馈+价值反馈)能力。事实性的计算仅仅是使用时空(逻辑),而价值性的算计是产生(新的)时空(逻辑);计算是用符号域、物理域时空中的名和道实施精准过程,而算计则是用认知域、信息域、物理域、社会域等混合时空中的非常名与非常道进行定向。
3、从指称的角度看,Chatgpt同样不具备智能的本质特征
Chatgpt这类生成式AI不同于以往大多数的人工智能,此前大多数AI只能分析现有数据,但是生成式AI可以创作出全新的内容,例如文本、图片,甚至是视频或者音乐。但与人类相比,Chatgpt局限性包括:有限的常识和因果推理(偏向知识而非智力)、有限的自然语言和逻辑推理、缺乏在现实世界中的基础(没有视觉输入或物理交互)、性能不可靠且无法预测等,其中最主要的一个缺点就是不能实现人类的“指称”。
维特根斯坦在其第一部著作《逻辑哲学论》中对世界和语言进行了分层描述和映射,即世界的结构是:对象—事态—事实—世界,而人类语言的结构是:名称—基本命题—命题—语言,其中对象与名称、事态与基本命题、事实与命题、世界与语言是相互对应的,比如一个茶杯,在世界中是一个对象,在语言中就是一个名称;“一个茶杯放在桌子上”在世界中是一个事态,反映茶杯与桌子两个对象的关系,在语言中就是一个基本命题,该基本命题是现实茶杯与桌子的图象;“一个茶杯放在桌子上,桌子在房间里面”在世界中是一个事实,反映茶杯与桌子、桌子与房间两组对象的关系,在语言中就是一个命题,该命题是现实茶杯与桌子、桌子与房间的图象;世界就是由众多的事实构成的,语言是由命题构成的;这样世界的结构就与语言的结构完美地对应起来了。但是后来,维特根斯坦发现这个思想有问题,仅仅有世界与语言的对应结构是很难反映出真实性的,于是他在去世后发表的另一本著作《哲学研究》中又提出了三个概念,即语言游戏、生活现象、非家族相似性,通过这三个概念他提出了在逻辑之外的“指称”问题,也就是他所谓的 “不可言说的”、“应保持沉默”之物。实际上,他发现了人类思维中存在着“世界”、“语言”之外物:言外之意、弦外之音。这与爱因斯坦描述逻辑与想象差异的名言:“Logic will get you from A to B,Imagination will take you everywhere”(逻辑会把你从A带到B,想象力会把你带到任何地方)一语极其相似。同时,从人机环境系统的角度来看,这也印证了东方智慧中的一句名言:“人算不如天算”,也即:人只有智能的一部分,而不是全部。
对于人类智能的不足,维特根斯坦虽然意识到了,但没有提出恰当的解决办法,他的学生和朋友图灵却想到了一个办法,若把人类的理性逻辑与感性指称进行剥离,那么就可以通过数学的形式化系统对人类的智能进行模拟,当然这种模拟会丢失很多东西,比如感性、直觉等等,但为了实现初步的人工智能体系,也只好忍痛割爱了,这样一来,在有规则、复合逻辑的领域(如围棋对弈、文本浅层处理等),人工智能与机器可以代替人类。
4、从意识的角度看,Chatgpt同样不具备智能的本质特征
Chatgpt在词语的打标基础上实现了篇章上下文的打标、不少逻辑的打标、人机共同的打标,其核心在于依赖于自注意力机制来计算其输入和输出的表示的Transformer转换模型,实现了更快、更强的计算,但它依然没有突破人类大脑最深奥的问题:如何产生意识?或许,某种意义上说,意识就是“交互”,无论内在的交互,还是外在的交互,都是人机环境系统的态势感知事实与价值的算计,而不仅仅是简单的事实打标计算。事实常常是一阶的,而价值往往是二阶或高阶的,一阶对的,二阶或高阶里面却不一定对,比如地震了就跑这个事实是对的,但对于老师得先组织学生跑才是正确的,只顾自己跑就是不对的。世界上所有的知识都是有范围和背景的,离开这些范围和背景,知识的内涵外延会发生很大的变化,甚至可以相反,我们不但需要在已知中发现未知,有时候还需要在未知中发现已知,在这些方面Chatgpt基本上还无能为力,更进一步讲,数字人(如《流浪地球2》中Moss)能够通过摄像头对客观事实环境进行感知、识别、反应是可能的,但能否产生主观价值是目前科技和数学工具水平还远远解决不了的难题。能否实现以有限反映无限、以应然反映必然、以客观反映主观应是检验一个系统智能高低的标志之一,Chatgpt也不例外。
智能中的“意识”不是一个物理概念,不是一个数理概念,也不是一个单纯社会学概念,而是一个依靠客观事实与主观价值共同建构起来的思想层面的文化交互概念产物。我们在物理上生活在同一个空间里,在社会学意义上生活在相互交往的网络中,但并不意味着我们生活在同一个文化意义体系中。从西方二元对立的形而上学哲学转向二元互动的形而中学思想,从而将世界真理的基点从绝对上帝或存在(being,客观的“是”)转向生成变化、生生不息的道体(should,主观的“义”),这无疑将成为中国学术界为“地球村”探索智能基础的新开端。总之,智能不是人工智能,也不仅仅是西方科技计算能够实现的,需要加入东方智慧中的算计,才能形成具有深度态势感知的人机环境系统智能体系——属于人类的文明财富。
只有把情感注入到某个事情中,才能看到灵魂,对于人如此,对于智能体而言,也很类似,毕竟文明不但需要科学技术的进步,还需要人文艺术的滋养!目前来看,Chatgpt中显露出的情感成分还是与之交互者在特定对话环境下自发内生出来的情感因素。
相关文章:
ChatGPT:一个人机环境系统交互的初级产品
从人机环境系统智能的角度看,Chatgpt就是一个还没有开始上道的系统。“一阴一阳之谓道”,Chatgpt的“阴”(默会隐性的部分)尚无体现,就是“阳”(显性描述的部分)还停留在人类与大数据交互的浅层…...

PaddlePaddle本地环境安装(windows11系统)
写在前面: 这里是关于win11安装PaddlePaddle的步骤和方法,建议参考官方的方法。截止2023年3月份,PaddlePaddle的版本是2.4.2。 官方参考:飞桨PaddlePaddle快速安装使用方法 建议使用Anaconda安装 ,关于Anaconda创建环境的可以借鉴:深度学习Anaconda环境搭建(比较全面)…...

DBeaver 超级详细的安装与使用
一、下载DBeaver DBeaver是一种通用数据库管理工具,适用于需要以专业方式使用数据的每个人;适用于开发人员,数据库管理员,分析师和所有需要使用数据库的人员的免费(DBeaver Community) 的多平台数据库工具。 DBeaver支持80多个数据…...

计算机网络的166个概念 你知道几个第七部分
计算机网络传输层 可靠数据传输:确保数据能够从程序的一端准确无误的传递给应用程序的另一端。 容忍丢失的应用:应用程序在发送数据的过程中可能会存在数据丢失的情况。 非持续连接:每个请求/响应会对经过不同的连接,每一个连接…...

海尔三翼鸟:生态聚拢的密度,决定场景落地速度
最近学到一个新词,叫做涌现能力。 怎么理解呢?我们以当下最火的ChatGPT为例,GPT1模型是1.17亿参数,GPT2有15亿参数,GPT3有1750亿个参数。研究人员在放大模型规模的进程中发现一个惊人的现象,模型参数达到一…...

前端基础知识
文章目录前端基础知识HTML1. html基本结构2.常见的html标签注释标签标题标签(h1~h6)段落标签p换行标签 br格式化标签图片标签:img超链接标签表格标签列表标签表单标签input标签label标签select标签textarea 标签盒子标签div&span3. html特殊字符CSS1. 基本语法2…...
LiveData 面试题库、解答、源码分析
引子LiveData 是能感知生命周期的,可观察的,粘性的,数据持有者。LiveData 用于以“数据驱动”方式更新界面。换一种描述方式:LiveData 缓存了最新的数据并将其传递给正活跃的组件。关于数据驱动的详解可以点击我是怎么把业务代码越…...
kotlin用object实现单例模式,companion object与java静态
kotlin用object实现单例模式,companion object与java静态 kotlin中很容易使用object实现java中的单例模式。由于kotlin中没有static修饰词,可以用companion object实现Java中的static效果。 //object相当于java的单例 object Singleton {var count: In…...
智慧楼宇中的“黑科技”
据不完全统计,无论是居家、办公、学习还是社交,人们有80%的时间都是在室内空间度过的。而随着社会生产力水平与人们消费理念的提升,用户对于楼宇建筑的使用要求也在不断提高,从最基本的舒适为先逐步朝着数字化、智慧化升级。 如果…...

炫云渲染质量功能测试
炫云已经支持优化渲染质量,分别是保守优化、中度优化和深度优化,使用后效果图的渲染时间会有所缩短,尤其对低版本V-Ray和参数设置不当的场景非常有效,能大幅提升渲染速度及节省渲染费用,当然最终效果图有可能有稍许差异…...

SpringBoot入门
文章目录前言一、约定大于配置二、使用步骤1.使用IDEA创建SpringBoot项目2.引入依赖3.测试三、application.properties和application.yml配置文件四、application.yml配置多环境五、测试:总结前言 SpringBoot并不是一门新的技术栈,它的主要目的是为了去…...
D. Constant Palindrome Sum(差分数组维护)
Problem - D - Codeforces 题意:给定长度为n的数组,每次操作可以选择一个数令a[i]变成[1,k]范围内的一个数,问最少需要多少次操作可以让a[i]a[n-i1]x (1< i < n/2)满足。 思路:利用差分数组d[i]表示x取i需要的总操作数。 …...

【C++】30h速成C++从入门到精通(IO流)
C语言的输入与输出C语言中我们用到的最频繁的输入输出方式就是scanf ()与printf()。 scanf(): 从标准输入设备(键盘)读取数据,并将值存放在变量中。printf(): 将指定的文字/字符串输出到标准输出设备(屏幕)。注意宽度输出和精度输出控制。C语言借助了相应的缓冲区来…...

文件变成chk如何恢复正常
许多人不知道chk文件是什么?其实它是用户在使用“磁盘碎片整理程序”整理硬盘后所产生的“丢失簇的恢复文件”,而在u盘、内存卡等移动设备读取数据过程中,由于断电或强制拔出也容易产生大量的chk文件。那么文件变成chk如何恢复正常呢…...
Meta最新模型LLaMA细节与代码详解
Meta最新模型LLaMA细节与代码详解0. 简介1. 项目环境依赖2. 模型细节2.1 RMS Pre-Norm2.2 SwiGLU激活函数2.3 RoPE旋转位置编码3. 代码解读3.1 tokenizer3.2 model3.2.1 模型细节详解3.2.2 transformer构建3.3 generate4. 推理0. 简介 今天介绍的内容是Facebook Meta AI最新提…...
3/6考试总结
时间安排 7:30–7:50 看题,T1,T2 感觉是同类型的题,直接搜索状态然后 dp 一下,T3 估计是个独角晒。 7:50–8:20 T3,有 n^2 的式子,然后可以优化到 n ,写暴力验证一下发现不对。很迷,反复推了几遍都拍不上暴…...
产品经理必读书单
产品经理必读书单,世界变化那么快,不如静下来读读书。在这个浮躁的时代,能够安静下来读书的人太少了。古人云,“读万卷书,不如行万里路,行万里路不如阅人无数”。很多人别说阅人无数了,上学的时…...

UEFI移植LVGL
自己组装过游戏主机的应该都有看到过,进入BIOS设置,酷炫的界面便呈现在眼前,而很多BIOS,使用的还是标准的界面。现在有个趋势,phoenix和insyde也在慢慢朝这种GUI界面发展,而AMI的使用C编写的界面已经非常完…...
RK356x U-Boot研究所(命令篇)3.8 test命令的用法
平台U-Boot 版本Linux SDK 版本RK356x2017.09v1.2.3文章目录 一、test命令的介绍二、test命令的定义三、test命令的用法一、test命令的介绍 test 命令定义在cmd/test.c,需要使能以下配置: obj-$(CONFIG_HUSH_PARSER) += test.o以下介绍摘自cmd/Kconfig: config HUSH_PARS…...

LCD液晶段码驱动IC/LCD液晶驱动芯片VK2C22高抗干扰/抗噪,适用于汽车仪表/单相智能电表
产品型号:VK2C22A/B产品品牌:永嘉微电/VINKA封装形式:LQFP52/48、DICE(COB邦定片)、COG(邦定玻璃用)产品年份:新年份原厂,工程服务,技术支持!VK2C22A/B概述:VK2C22是一个点阵式存储映…...
变量 varablie 声明- Rust 变量 let mut 声明与 C/C++ 变量声明对比分析
一、变量声明设计:let 与 mut 的哲学解析 Rust 采用 let 声明变量并通过 mut 显式标记可变性,这种设计体现了语言的核心哲学。以下是深度解析: 1.1 设计理念剖析 安全优先原则:默认不可变强制开发者明确声明意图 let x 5; …...

微信小程序之bind和catch
这两个呢,都是绑定事件用的,具体使用有些小区别。 官方文档: 事件冒泡处理不同 bind:绑定的事件会向上冒泡,即触发当前组件的事件后,还会继续触发父组件的相同事件。例如,有一个子视图绑定了b…...

基于FPGA的PID算法学习———实现PID比例控制算法
基于FPGA的PID算法学习 前言一、PID算法分析二、PID仿真分析1. PID代码2.PI代码3.P代码4.顶层5.测试文件6.仿真波形 总结 前言 学习内容:参考网站: PID算法控制 PID即:Proportional(比例)、Integral(积分&…...
PHP和Node.js哪个更爽?
先说结论,rust完胜。 php:laravel,swoole,webman,最开始在苏宁的时候写了几年php,当时觉得php真的是世界上最好的语言,因为当初活在舒适圈里,不愿意跳出来,就好比当初活在…...

深入理解JavaScript设计模式之单例模式
目录 什么是单例模式为什么需要单例模式常见应用场景包括 单例模式实现透明单例模式实现不透明单例模式用代理实现单例模式javaScript中的单例模式使用命名空间使用闭包封装私有变量 惰性单例通用的惰性单例 结语 什么是单例模式 单例模式(Singleton Pattern&#…...

【机器视觉】单目测距——运动结构恢复
ps:图是随便找的,为了凑个封面 前言 在前面对光流法进行进一步改进,希望将2D光流推广至3D场景流时,发现2D转3D过程中存在尺度歧义问题,需要补全摄像头拍摄图像中缺失的深度信息,否则解空间不收敛…...
Java - Mysql数据类型对应
Mysql数据类型java数据类型备注整型INT/INTEGERint / java.lang.Integer–BIGINTlong/java.lang.Long–––浮点型FLOATfloat/java.lang.FloatDOUBLEdouble/java.lang.Double–DECIMAL/NUMERICjava.math.BigDecimal字符串型CHARjava.lang.String固定长度字符串VARCHARjava.lang…...
【决胜公务员考试】求职OMG——见面课测验1
2025最新版!!!6.8截至答题,大家注意呀! 博主码字不易点个关注吧,祝期末顺利~~ 1.单选题(2分) 下列说法错误的是:( B ) A.选调生属于公务员系统 B.公务员属于事业编 C.选调生有基层锻炼的要求 D…...
Hive 存储格式深度解析:从 TextFile 到 ORC,如何选对数据存储方案?
在大数据处理领域,Hive 作为 Hadoop 生态中重要的数据仓库工具,其存储格式的选择直接影响数据存储成本、查询效率和计算资源消耗。面对 TextFile、SequenceFile、Parquet、RCFile、ORC 等多种存储格式,很多开发者常常陷入选择困境。本文将从底…...
使用Matplotlib创建炫酷的3D散点图:数据可视化的新维度
文章目录 基础实现代码代码解析进阶技巧1. 自定义点的大小和颜色2. 添加图例和样式美化3. 真实数据应用示例实用技巧与注意事项完整示例(带样式)应用场景在数据科学和可视化领域,三维图形能为我们提供更丰富的数据洞察。本文将手把手教你如何使用Python的Matplotlib库创建引…...