８、伴随学习对智能的意义。
Ｃ、预测表现和预测活动的比较。在上面的过程中，如果没有伴随学习，就不会形成对预测的纪录。预测就只能停留在表现层次，也就是说预测只能是附属于反射功能的一种行为。然而有了伴随学习情况就不同了，它为预测记录了经验，大脑可以不通过反射功能，而通过对预测经验的调用来进行预测。预测便成为一个独立的活动了。
下面我们对比反射型预测和经验型预测（这是两个为讨论方便暂时使用的概念）的操作流程：
反射型预测：反射链的形成——外部刺激激发反射链的一个环节——整个反射链被激发——反射链中的一个欲望被激发——随机发动一个动作去满足于网（这实际发动起一个自主学习过程）——通过学习得到一个确定的满足欲望的活动。
学习后，机体便产生对于这个特定刺激用特定活动（自主学习确定的）表现的预测表现。
经验型预测：在反射型预测学习时记录伴随经验（预测经验）——外部刺激激发经验——找并激发相应反射链——激发反射链中的欲望——发动自主学习确定实现表现的动作——确定预测表现的动作。
学习后，机体也产生一个与特定刺激对应的特定的预测表现活动。
对比后，我们会发现后者比前面多了一个环节，这从程序求简的原则上看好像是不利的。但是正因为多了这一个环节，大脑就新产生了一个活动——预测活动。大脑就向思维的产生迈进一步。
Ｄ、新功能产生的进一步讨论。很多人怀疑我的说法：不就是多一条经验么，有那么大作用么？但是我们不要忘记机体的另一个学习能力——自主学习能力，它可以经过三个层次使一种活动由毫无经验转变为有经验、转变为懂事。
当大脑调用预测经验进行预测活动时，就可以对稍有联系的事件进行胡乱预测（这时已经不限于对欲望的激发），然后经自主学习确定成功的预测，记录下失败的预测，由成功的预测作为以后预测活动的依据，由失败的预测禁止一些预测的作出。预测就会变成比较懂事的预测（当然，由于此时思维能力还没有产生，懂事的预测也不能与人类的预测相比）
显然，自主学习能力与伴随学习能力的交替作用对于机体大脑新功能的产生作用是非常大的。伴随学习负担记录机体胡乱活动中新能力的产生，自主学习能力负责使那些新能力由毫无经验到有丰富经验。一个是发现萌芽，一个是培育萌芽。以这种路子，思维的各种功能的产生就是可以预料得到的了。 二、模拟智能系统的学习过程。
８、伴随学习对智能的意义。
Ｅ、思维能力产生的初步讨论。思维生成理论很长，因为它要讨论到各种思维能力的生成过程。不可能用几十字、几百字叙述清楚。因此只能讨论个初步。
我们就以预测能力的发展为线索，讨论一下思维生成的一个侧面。
预测经过学习发展为一个成熟的能力以后，就会产生对相关事件出现的预测，这种预测就发展为对原因事件和结果事件的判断。伴随学习记录下这种新的能力——判断。自主学习能力使判断由最初的胡乱判断发展为有成熟经验的判断（当然还不如有成熟思维后的判断，更不如逻辑推理的判断）。
人类的判断实际是一种综合的思维活动，它的生成要有一个更复杂的过程。
按照上述思路，大家也可以设想一下各种思维的生成过程。
Ｆ、上述思想的推理成分。
我们要指出，在我们这个预测能力和思维生成的思路中，自主学习能力是由桑代克的尝试错误实验证明的。伴随学习能力是由托尔曼认知地图实验证明的，预测能力可以由对动物的观察实验来证明。这些实验之间就是靠推理来补充的。因此这个推理就有被证实和证伪两个可能。
目前，要用生理解剖实验证明上述过程的正确性还是不可能的，证实和证伪都不可能。但是我们现在考虑得是计算机程序，计算机程序并不要求它一定要与大脑的真实相符。只要是运行成功，就是好的程序。例如，目前计算机思维与大脑的思维相差甚远，但也一样叫做思维，一样起着很好的作用。
另外，我们在脑科学和生物学都无法解释思维是如何产生的情况下，起码提供了一个由程序实现的由无思维到产生思维的途径，这也许并不是大脑产生思维的真正途径，但是它起码证明了无思维的设备可以自己在学习中产生思维。而不必须由人编程序为为它编制思维。
也许，将来更进一步的研究，为我们找出真正的思维生成的途径。但是到那时，我们的这个途径也不失为第一个指出思维是如何具体地完成由无思维到有思维过程的意义。也就是说，也许这个思路仅在思维科学大厦中起一小块铺路石的作用，但是目前它还是第一块这样的铺路石。
当然，我们更希望它是正确的，那样它就会为思维科学开拓新路。 二、模拟智能系统的学习过程。
９、模仿学习能力。
Ａ、模仿学习。在过去我们养猫时，猫是自己捉老鼠吃的，母猫如果有了小猫，在小猫动作能力基本形成后，母猫就会教小猫学捉老鼠。它把捉到的老鼠不咬死，而是在小猫面前放开捉住，然后再放开，让小猫学着捉。这就是模仿学习。人类的模仿学习就更多了。
显然由于模仿学习有模仿对象的存在，系统可以减少学习时间，因此我们要我们的模拟智能系统有模仿学习能力是加快系统学习速度的一个好方法。
表面看，模仿学习只不过是增加一个模仿对象而已。但仔细从计算机模拟角度考虑，就会发现模拟模仿学习会对系统提出很高的要求。例如如何让系统接收对象的活动模式？如何让系统按模仿对象的活动模式活动？前者要求系统有较好的模拟感觉设备，后者要求系统有较好的模拟活动设备。
这也不是说在家庭微机上我们不能模拟模仿学习过程了，只是很不像而已。例如我们可以用字符串表示某种活动的形象，用另一些字符串表示模仿出来的形象，一般说，这种ＰＣ机上的模拟，只有我们实验者承认它是模拟模仿学习，很难叫局外人承认这一点。但是它的优点是给出模拟模仿学习的程序结构，一旦用到机器人上，把程序稍加修改移植过去就可以了。
Ｂ、模仿学习能力的程序结构。
具有模仿学习能力的系统在人编程序上，没有太大的改动，只需要加入一个能够按输入活动形象进行相对应活动的程序就可以了。这里也有粗细程序之分。较粗的程序，通过人把活动形象与系统活动指令人为的对应起来就可以了。较细的程序，则要求系统通过自主学习学会这种对应，即要求系统先是胡乱对应，然后形成对应经验再合理的对应。粗程序人为量大，但学习进行得快。细程序更加逼真，但是学习过程要延长很多。
在系统做模仿活动的过程中，由伴随学习能力记录下活动的过程，以此为系统模仿学习后自编而成的自编程序。显然，人编系统程序在这个方面没有大的变化。
如果在ＰＣ机上运行模仿学习程序，还要人为的编写活动形象信息，还要编写输出这些信息的相应小程序。这些小程序就相当于我们前面所说的活动指令。其实这个过程是满麻烦的，但是唯此我们才能够在ＰＣ机上模拟模仿学习过程。 二、模拟智能系统的学习过程。
９、模仿学习能力。
Ｃ、有教学习的雏形。模仿学习是有教学习的雏形，我们这里讨论的还是无智力情况下的有教学习。教育者就是模仿对象。
随着学习能力进一步提高（它也是在学习中靠自编程序提高的），有教学习也可以模拟人类的在校学习，模拟人类在学习解决问题时对思维能力的模仿学习，对创造能力的模仿学习，等。由此可以预见得到，教育计算机的条件有多么高，计算机学习获得的能力就会有多么好。
而且，由于这个计算机系统有自主活动能力，可以自编活动程序，那么它就有可能在某一方面超越人类知识的原有范围而提出自己的见解。于是一个具有发明创造能力的计算机便出现了！
Ｄ、语言和思维能力的学习。
在计算机学习理论中，人们需要解决的一个问题是知识的表达问题。但是这个问题在我们的程序中不会刻意的存在。因为它是一个自己获得信息自己处理信息的系统，知识的表达方式是在它学习中形成的。如果我们不叫它利用模仿学习能力学习语言，那么它的知识表达就会停留在使用低效的形象语言层次。我们并不需要向计算机内输入词库之类的东西，只要让它经历语言学习的过程，它就会自动形成一个自己使用方便的语言数据库。自己学会理解人类语言，自己学会表达人类语言。在我们这个系统面前，自然语言理解是一个完全不用编程者操心的问题。
我们对于初等思维能力的出现较为关心，因为它与我们的人编系统程序（母程序）的性能相关。而对于高级的逻辑思维能力，我们就不必太过于关注，因为它们也是在学习中靠自编程序形成的。形成过程与人类在学生时期，通过向老师学习解决问题的方法，模仿学会各种思维的方式一致。并且在这个过程中自动形成逻辑思维。
由于我们系统学习的思维是联想、想象、思维共同合作的过程，因此它与目前计算机思维完全不同，而与人类思维基本类似。既有自主性和灵活性，还具有创造性！ 二、模拟智能系统的学习过程。
１０、反射学习能力。
Ａ、反射学习实验简介。其实在人和动物机体上，还有一种更为基本的学习能力，这就是反射学习能力。有关反射的实验有很多，如我国人了解最多的是巴甫洛夫的条件反射实验。此外还有斯金纳的工具性条件作用实验。巴甫洛夫的条件反射实验有三个要件组成：反应，条件刺激和非条件刺激。在反应与非条件刺激间实验前有一个非条件反射把它们联系起来。实验时条件刺激与非条件刺激多次同时出现，实验的结果是在条件刺激和反应建立起条件反射。
在巴甫洛夫理论中两次把定语加在反射前面，显然反射另有解释。在巴甫洛夫理论中把反射定义为神经间的联系。因此反射学习能力是一种有机体神经结构决定的能力。
斯金纳的工具性条件作用也有三个要件：刺激、偶然动作和奖励。刺激与偶然动作同时出现，并且获得奖励，反复多次后，在刺激与偶然动作间建立起反射。
各种反射实验表明神经间建立联系的一个规律，两个神经部位多次同时被激发，它们中间就会建立后天性反射，当其中一个被单独激发时，另一个就会被反射连带激发。这里包含两个过程：后天性反射的建立过程和后天性反射的实现过程。
后天性反射建立后需要巩固，不加以巩固就会退还。这也是反射学习能力的重要特征。
Ｂ、反射在学习中的巨大意义。目前人们对大脑的结构进行了大量的研究，也得出很多实验结果，但是对智能的研究均没有多大的推动意义。目前能够见到的有关资料大多处于加入大量假设阶段，没有一个完整的理论是被实验严格证实的，所以我们一概不予以采信。
目前对大脑各种实验对于智能研究有意义的只有两点：第一、大脑的活动是靠神经元间的联系和信息传递完成。第二、大脑间的神经间联系分两种，一种是与生俱来的先天性反射。一种是后天学习而来的后天性反射（靠多次同时接受刺激建立的）。这是我们认为目前仅能采信的大脑科学结论。但是它已经足够了。更多的东西先让有关科学家们研究着玩去吧，让那些喜欢追风的假学者炒作去吧。我们欢迎他们有成果，但是也不抱太大希望！
首先反射确定了记忆。从艾宾浩斯的记忆曲线到今天的什么海马，记忆的规律基本与反射的规律一致，因此可以确定记忆是靠反射学习完成的。
其次确定了原始经验的形式。既然各个同时被激发的神经间在多次反复后可以建立反射，那么可以确定最初的经验是用神经间联系“书写”的。用一个被激发，其他神经部位都连带激发“回忆的。
例如视觉经验，视网膜同时出现一些光点，在大量同时出现的观点经重复便建立了反射，这个反射就为我们提取出一个图像的模式，例如人头、人眼、人整体等图像模式。 二、模拟智能系统的学习过程。
１０、反射学习能力。
Ｃ、反射学习的一个难题。
反射建立的前提条件是同时出现和反复。因此建立起反射的神经部位具有共时性。也就是说它只记录同时（或时间相差不多）的神经间联系。那么历时性事物如何记忆，如何形成经验呢？
比如一个活动自始至终的经验，比如一个事件的自始至终的过程。
因此我们提出一个生物钟假设。我们假设大脑中有一个对时间先后顺序进行确定的先天性反射机制，并把它叫做生物钟。与它的每一时刻同时发生的神经性分别纪录为一条反射，再由生物钟的前进记录下顺序的各条反射，从而记忆下顺序事件和记录下顺序经验。
比如一条肢体活动的经验，就是由与生物钟的每一时刻对应的多条反射组成，每条反射记录着同时进行的各个动作的神经部位，以生物钟顺序为依据，把整个肢体活动的各条反射连接起来，就是这项肢体活动的经验。
Ｄ、神经信息分析法。
由于我们在模拟类似人类的人工智能时，不可避免地要涉及到计算机中信息的具体形式，因此我们也就不可避免地要讨论神经信息的最可能形式。目前，这方面脑科学并没有为我们提供更多有益的东西。我们只能对其形式作尽可能接近的假设。
这些假设对于人脑智能科学也许是不允许的，但是因为我们搞得不是人脑智能，而是人工智能，人工智能是以计算机的合理运行为目标的，所以只要是假设可以使计算机程序运行，就是允许的。而且计算机运行的成功，又会反过来为脑科学提供一个思路，它会表明，这样的一种信息编写方式，起码在计算机上模拟智能是有效的，如果你们在解译大脑神经信息是找不到出路，可以借鉴一下。
我们这里提出的神经信息方式不是靠传递不同的信息完成的，在神经间只传递一种信息，神经部位的兴奋或不兴奋。而整个信息的表达是由神经间联系完成的。先天性反射是表示联系的基本符号，后天性反射是用基本符号编写的新编码。这里的大脑信息不是靠神经间流动的信息不同来表示，而是靠神经间联系的不同来表示。
生物钟假设，为这种编码提供了更完整的表达前景：多条反射构成一个有时间顺序的事件或经验。它还提供一个神经间联系互不相混的条件：不同时间的神经间联系只与时间联系起来才起作用。也就是说，当两个神经部位在多个反射中出现时，可以靠时间不同加以区别。这也就是有限神经元能够表示无限信息的依据。 说明：本段是第一标题下的第八段，前面发帖时漏了，现补充上，望网友们阅读时原谅！）
7、关于停机问题的讨论。
在我提出自编程序技术后，曾经在人工智能网上有过激烈的讨论。有人认为这种编程方式像要解决被图灵等计算机先驱们提出不停机问题，因此这种技术是不现实的。
在这个讨论中，我们分析了自编程序的程序特征，它仅仅是用一种较为特殊的程序语言，在一定程度上避免了死机问题。并不能彻底解决不停机问题。因此与图灵的判断并不矛盾。
程序的无休止循环，是造成程序不停机的一个原因。由于计算机自己无法对自己运行的程序进行判断，因此它不会自动解决不停机问题。但是，我们在系统无智能的情况下，让它采用随机手段编写出没有循环和分支的程序，这种程序就不可能产生死循环了，因此就不会不停机。
至于需要反复运行时，需要转移运行时，我们已经指出它是由母程序控制，每需要反复一次（或需要转移时），母程序就调用一次自编程序，并在检验运行结果后决定是否再重复（或转移）。这样就不会在自编程序中出现不停机程序。
由上面的过程可以看出，我们并没有解决计算机的不停机问题，只是采用了一个特殊的程序语言，使自编程序不出现不停机问题。显然，如果因母程序的运行出现不停机问题，计算机还不能自行解决。因此我们并没有违反图灵对不停机问题的判断。
计算机还有更大的不停机问题，就是它对所需解决问题不能收敛，造成它的不停机。这种不停机问题实际对于生物体也是存在的。生物体是靠群体的偶然和个体的学习解决此类问题的。一个个体可能解决不了问题，如果把一个生物个体看成一台计算机，那就是它个体程序运行出现不收敛。例如，陈景润在解决哥德巴赫猜想时，仅仅证明了一加二。就是他在解决问题没有做到完全收敛。但是他以前的数学家，连一加二都没有达到，那表明他以前的数学家个体比他的收敛程度更差。但是从数学家群体看来，他们每个人的出现是偶然的，但是互相连接起来，使哥德巴赫猜想趋向收敛。
既然生物解决问题的收敛性如此，我们也不应该要求一台计算机解决问题一定要收敛，不同计算机因为处理问题的方式不同（显然采用同一方式运行的若干计算机不在此列），可能收敛目标不同，而计算体群体，就会共同向问题的解决前进。即便有些问题一时无法解决也不要苛求计算机，要允许计算机有等待问题解决的时间。就好像目前数学家们正在“等待”（在继续研究中“等待”）哥德巴赫猜想的最后证明结果一样。
页:
1
[2]