感觉值得藉此再讨论一下cognitive science在理论取向上一些与传统实验科学(例如生物) 不同的地方。 cognitive science和AI确实分享一些共同的假设，例如知识表徵的必要性。 知识表徵其实没有听起来这麽玄(或像很多人想的这麽不科学）。 用知识表徵来解释认知就好像物理学用波义耳定律描述气体运动， 用牛顿定律描述引力。波义耳定律是气体吗？不是，它只是一种近似、一种模拟， 但它确实让我们对於气体的自然本质与规律有所了解。 近代物理告诉我们的是，牛顿定律对於引力的描述其实在某些层次是错的 是不准确的。其他的理论可以描述预测的更好。但牛顿定律确实在大多时候够用也有 其简洁性。 因此我想因为AI或计算取向不能完全复制人类认知，就判定其对认知的了解没有用途是 言过其实。AI为基础的机器人无法与人类匹敌是一回事，计算取向作为一种方法与理论 能不能增进对人类认知的了解则是另外一回事。现在就放弃计算取向，我想还太早。 尤其在过去二十年间，其实有很多令人兴奋与印象深刻的计算模拟研究。 ※ 引述《mulkcs (mulkcs)》之铭言： : ※ 引述《itrs821 (酗咖啡)》之铭言： : : 光看封面会以为这是一本讲述人工智慧（以下简称AI）的书， : : 不过阅读之後才发现非但不是如此，而且还大力抨击所谓的AI， : : 不过这没有抹灭我的兴致，而且还被带进一个更为入胜的世界之中... : : 根据作者的说法,现在的AI理论是条死胡同，不管架构再怎麽精致也很难与人类匹敌， : : 因为不管在速度或是容量上，现今的电脑比起人脑都不惶多让， : : 但是在功能上却还是远远落後 : 这段看了让我有一些感想，不过却有可能有些离题。XD。 : 我一直觉得AI领域有很大部份人在做"知识表徵"，在认知层面也好在神经层面也好， : 都面临到底一对多，或是多对一的问题。例如神经层面有grand mother cell vs : cell assembly，认知层面有hierarchical model vs PDP model。 : 但一对多或多对一是否真的互相对立？ --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 128.84.173.38