第九章

第九章

作为生态算法的机器

为什么人工智能那以实现？

这是一种习惯，这个主题在谈话或者文章中，提供一些安慰，形式上常说一些人的特殊的性格特征是不能被机器模仿的。在一些情况下可能会说没有任何机器可以写出好的英文，或者说机器不会被性吸引力或者一个烟管所影响。我不能提供任何安慰，因为我相信没有任何边界可以被设置。但是我还是真诚的希望并且相信没有绝对的努力被投入到机器制造中和最独特的人，但是非智能的特征例如人类的身体；它的出现对于我来说确实是无用的，无论是目的还是结果，人造花都没有好的质量。企图制造出一个有思想的机器对我来说好像是极具挑战的。所有的思想程序对我们来说依然都是神秘的，但是我坚信制造出一个具有思想的机器会对我们全面认识自己有巨大的帮助。

9.1 介绍

我经常对“人工智能”这个主题和自己工作的主要领域有一些不安。然而，我记得第一次遇见狄克斯特拉。他因为他对计算机科学杰出的贡献和他那惊人的智慧被人们所铭记。他问我我所从事的工作是什么。大概是出于计算机的改革，我说“人工智能”。他立刻回答道“你为何不从事智能方面的工作？”

他说的对，确实如此，如果智能比人工智能更加综合复杂，人们就应该研究更加综合的问题，特别是如果研究的问题属于自然现象，这就是个案例。事实上，这只是我坚信我一直在做的事。在这本书里重点的内容是回答人工智能和智能的本质。但是我们都知道，智能在自然和人工两种形式上是不一定相同的。这一章就讨论这些不同之处。以前的章节已经找到了计算视图的学习方法和足够明显的智能，用计算机模仿出来的东西没有固定的问题。所以，你可能会提出合乎常理的问题，是什么阻挡了我们？

   一个问题是，尽管练习机器学习引导我们将说法转变成了概念，但还是将学习的重点转移到了智能上，学习算法难以将人脑联系起来，也不容易被发现。不过，机器学习算法是受自然事物已经在全世界使用的影响开始起源，有用的规则被现存的各种数据中的机器学习算法发现，包括复杂的人工算法和自然算法。更明显的是，算法让我们明白用机器模拟人类智能的问题所在，给出了主要的学习途径，并且指出了一些严重的问题。这一章的一个主要学习目标是说明自然的现象是如何给出一个具有说服力的解释的，为什么人工智能预期的实现那么的困难。这可能听起来像个借口，但是没有任何人否定这是我们需要的最好的解释。

9.2机器学习

面对任何的测试，计算机都可以通过程序操作它，或者说计算机可以帮助人们学习如何操作它，又或者说是两者的结合体。我们都看到了，学习有统计的方面，这导致结果不一定是完全准确的。与创造出一个错误的程序去面对测试相比较而言，学习解决方案通有这一严重的缺陷。在应用程序中，我们知道如何搜索出自己想要的结果，假设我们都有能力去做这件事，这可能就是最单一的最简单的操作程序了。

当然，我们可能不可以操作计算机去获得各种各样的结果。学习变得更加有力，也是不可或缺的。1.无论何时我们都不能明确指出我们想要的结果，2.无论何时我们都不能明确指出系统执行的已经存在的内容是什么，或者3.无论何时我们都不能得到正确的程序去使用系统。当系统像人一样出现问题，这三种情况都存在，我们就没有任何选择通过计算机去学习了。当我们的设备是一台计算机，第一种情况和第二种情况有时候可能会出现。学习解决方法，成为一个令人满意的计算机使用者。

现在，机器学习已经是一项重要的普遍的技术了。数据库里重要的应用程序大多数属于第一类，那类我们不知道如何明确的指出满意的结果。机器学习也可以预见第二类应用程序，具有强有力的逻辑性，学习知识已达到更高的层次，以致于可以有效避免无法明确指出系统知识的现象，甚至是当机器学习刚开始的阶段，也是可以做到的。

机器学习的重要应用程序部分被环球信息网所提出，环球信息网每天都有数以万计的新的信息被挖掘，这里的信息都不是个人的想法或者单个小组的想法，它可以让人们的思想与信息并驾齐驱。