感覺值得藉此再討論一下cognitive science在理論取向上一些與傳統實驗科學(例如生物) 不同的地方。 cognitive science和AI確實分享一些共同的假設，例如知識表徵的必要性。 知識表徵其實沒有聽起來這麼玄(或像很多人想的這麼不科學）。 用知識表徵來解釋認知就好像物理學用波義耳定律描述氣體運動， 用牛頓定律描述引力。波義耳定律是氣體嗎？不是，它只是一種近似、一種模擬， 但它確實讓我們對於氣體的自然本質與規律有所了解。 近代物理告訴我們的是，牛頓定律對於引力的描述其實在某些層次是錯的 是不準確的。其他的理論可以描述預測的更好。但牛頓定律確實在大多時候夠用也有 其簡潔性。 因此我想因為AI或計算取向不能完全複製人類認知，就判定其對認知的了解沒有用途是 言過其實。AI為基礎的機器人無法與人類匹敵是一回事，計算取向作為一種方法與理論 能不能增進對人類認知的了解則是另外一回事。現在就放棄計算取向，我想還太早。 尤其在過去二十年間，其實有很多令人興奮與印象深刻的計算模擬研究。 ※ 引述《mulkcs (mulkcs)》之銘言： : ※ 引述《itrs821 (酗咖啡)》之銘言： : : 光看封面會以為這是一本講述人工智慧（以下簡稱AI）的書， : : 不過閱讀之後才發現非但不是如此，而且還大力抨擊所謂的AI， : : 不過這沒有抹滅我的興致，而且還被帶進一個更為入勝的世界之中... : : 根據作者的說法,現在的AI理論是條死胡同，不管架構再怎麼精緻也很難與人類匹敵， : : 因為不管在速度或是容量上，現今的電腦比起人腦都不惶多讓， : : 但是在功能上卻還是遠遠落後 : 這段看了讓我有一些感想，不過卻有可能有些離題。XD。 : 我一直覺得AI領域有很大部份人在做"知識表徵"，在認知層面也好在神經層面也好， : 都面臨到底一對多，或是多對一的問題。例如神經層面有grand mother cell vs : cell assembly，認知層面有hierarchical model vs PDP model。 : 但一對多或多對一是否真的互相對立？ --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 128.84.173.38