换个角度看“现象意识”:从心理学的视角理解意识系统, 荣格分析心理学的启发

他感受到痛苦,

他明白别人没有感受到他的痛苦,

他希望别人能够感受到他的痛苦,

他希望别人不再感受到他的痛苦

—— David 9

想象这样一个未来,你作为造物主创造了一种硅基智能种群,他们在外表像人一样思考和生活(甚至生育后代),他们有自己的文化、语言、交流信息的方式,但是他们缺乏人类称之为“灵魂”的东西,或者说“自主意识”。

为了让他们更好地融入人类,并在更高层面上帮助人类(或更好地进行道德评估),你决定为这个种群的个体(也许不是所有个体)设计一种主观体验系统(或者说“自我意识”,“现象意识”,p意识),他应该能够感受和表达自己的痛苦、他人的痛苦,甚至感知他人对自己痛苦的反应。

这些心理状态精神状态的设计和归因是极其困难的问题。

正如Thomas Nagel曾经阐述的,即使科学家可以理解蝙蝠回声定位系统的所有生物学和计算细节,他们依旧无法知道在蝙蝠的第一人称视角,究竟看到了什么,究竟意识到了什么?有关 H20 分子的事实确实 清楚地包含有关水性质的事实,例如其表面张力、沸腾温度等。但是如果涉及到脑科学,脑内部的神经生物学属性,并没有清楚地解释人类的主体感官和体验,更不用说为什么会产生意识和附带的体验?

如果我们试图利用脑科学理论框架去设计一个意识系统,那么一开始就会遇到上述难题,因为目前没有一个框框可以很好地解释大脑的内在机制和外部表现(极内在主观感受)的关联。

那么如果我们不借助任何脑科学框架去设计一个意识系统,是否可行呢?我们试图让智能体“看起来”有意识就可以了,正如Schneider 和 Edwin Turner[5] 提出的类似意识图灵测试 . 只要能够欺骗其他人类让他们觉得这个智能体是有独立意识的,那么这个意识系统就是成功的。

看起来这个设计思路更简单易行。我们可以从记忆、人格、心理活动、性格、习惯等多方面着手塑造这样一个看起来有独立意识的智能体。很快你会发现,要让这些功能相互自洽地成为完整意识的一部分并非易事。

因为意识不仅是多重维度的,并且是随着时间演化发展的。甚至定义意识也是一个相当困难的事。

N. 布洛克 (N. Block)认为,意识是一个混合概念,涵盖了多种不同类的意识。他将意识分为两类: 一类是现象意识 ( phenomenal consciousness) 或 P意识,它
是现象性的经验和感觉,包括视觉、听觉等各种经验,以及疼痛、痒、冷热等感觉; 另一类是存取意识 ( access consciousness) 或 A意识,它是指主体能以某种特定方式通达或访问其内容的意识状态,更准确地说,是那些可为主体用作报告、有意识推理以及控制行为的心智状态,例如我们的信念。

然而这种定义往往受到质疑,不仅P意识和A意识的界限并不清晰,更可能的情况是意识的生长具有连续性并且是整体发展的。身体可以感受到的痛苦、兴奋等体验,对A意识的作用并不明显可见,但不可否则产生了一定影响。

假设我讨论唐吉坷德的骑士信念, 继续阅读换个角度看“现象意识”:从心理学的视角理解意识系统, 荣格分析心理学的启发

用极度抽象构建大一统:“几何深度学习”是神经网络的终局吗?#ICLR 2021 Geometric Deep Learning

The knowledge of certain principles easily compensates the lack of knowledge of certain facts.  —— Claude Adrien Helvétius 

人类的快速脑补能力有时也是缺陷,就像哲学家爱尔维修(Helvétius)说的,人们手里一旦有了“锤子”,眼中一切都会变成“钉子”,如果没办法看做“钉子”,首先会想到的,也是做个更好的锤子作为补偿。

现在,CNN或神经网络就是那个“锤子”,各种数据处理(增强)方法就是那个“钉子”。99%的工作都围绕着如何让一对“锤子““钉子”更好地配合。

而我们今天聚焦的就是一个更好的“大锤子” —— Geometric Deep Learning

ICLR2021几何深度学习(Geometric Deep Learning)博得了很多眼球,究其根源,其实它是图深度学习(graph deep learning)的延伸甚至等价,而与深度学习的关系并不密切(主讲人Michael Bronstein之前也是专注graph representation的)。

因为其强大的抽象能力,“几何”二字让深度学习这把“锤子”更大了。

首先,这里的几何主要指的是非欧几何(拓扑学流形学)的领域。研究的是极度抽象的概念如:群论中的对称群不变群等变换:

来自:https://arxiv.org/pdf/2104.13478.pdf

这些对万物实体的极度抽象,帮助我们解决的不仅仅是图像问题,与图论有关的群组问题、化学分子分析,3D测绘等等问题,都可以得到匹配的应用:

几何深度学习天然自带一些很好的性质(这些性质其实卷积网络中已经经常用到),比如对称的稳定性,视觉上,许多物体其实是同一个物体,只要考虑对称性一切都可以迎刃而解,而传统卷积网络更多地使用数据增强(旋转,平移,翻转)来补偿这一目的,这个我们在胶囊网络中讨论过

甚至,我们在几何深度学习中,对不变群的范围要放的更宽泛,如在一段视频中,有两辆小车相向而行,无论速度如何,或者有遮挡,视频的语义还是两辆小车相向行驶:

来自:https://arxiv.org/pdf/2104.13478.pdf

因此我们的网络应该要构建一个这样的不变群能够囊括这种不变转换,即有别于旋转平移对称的常规操作,另外,对于不变群的边界也应该有延伸和评估: 继续阅读用极度抽象构建大一统:“几何深度学习”是神经网络的终局吗?#ICLR 2021 Geometric Deep Learning

审视”类人”智能和人类天性:谈谈Keras之父抽象因果推理语料(ARC)的kaggle竞赛,智能评估,导出智能,类人智能,人类天性

如果“智能”是个体应对特定环境而被“诱导”出的,那么,个体的应对方式或作出假设的瞬间,也许是最有趣的部分! — David 9

David曾经讨论过Keras之父对智能的看法,也谈论过Yann LeCun对智能的看法。前不久Keras之父发起的因果推理语料(ARC)的kaggle竞赛结束,进一步激励我总结一下对“智能”的新看法。

首先,几乎一致认可的是,“智能”不仅是一个个基于任务的技能的简单集合这么简单。如果是这样,无法解释人类在一生中会学习自己都无法预料一些技能,我们学习未知技能的灵活性总是超出自己的想象。

其次,人类智能也不是“通用智能”,这点François Chollet和Yann LeCun都提到了。如果人类智能是通用智能,那么无法解释人类根深蒂固不擅长的那些领域,如不擅长长期计划(跨域年的预测),视觉有盲区认知有偏差计算缓存小(多位数相乘就可以把我们难倒)等等。

人类视觉盲区

哪怕经过训练我们也不能像熟悉走路一样自然地掌握线性代数。

同时,没有免费午餐定理告诉我们,任何优化方法,在一些方面的优势,在另一些方面则是劣势。因此,存在一个凌驾所有智能的万能的“通用智能”的可能性不大。稍加思考你还能发现“智能”这个东西是脱离不了外部环境的,它是大自然的产物。

那么人类智能究竟是一种什么样的“智能”?

...阅读更多...加入David9的星球群阅读所有文章:

加入David9的星球群,获得通行密码 , 阅读全文