分类： 神经网络

【独家】深度学习可以有人类逻辑吗？如何建模逻辑思维？SATNet， PrediNet，深度学习的逻辑思维现状

不用担心机器没有逻辑，担心机器没有人类的逻辑 — David 9

所谓人类的逻辑思维，是一个很弱的概念，这和人类一直处于一个开放的复杂环境有关。“如果明天天气很热，我要买个大西瓜”，虽然你心里这么想，但当你明天遇到更诱人的椰子或者冰激凌，你会马上抛开这个想法。如何模拟人类这种快速迭代的弱逻辑，而在必要的时候使用强逻辑，或许是个超级难题。

但如果退一步，仅仅研究类似数独，拼图等强逻辑任务，神经网络已经提供了比以往更好的解决方案，最近卡内基梅隆(CMU) 的SATNet, 和google的PrediNet就是两个很好的例子。SATNet 和 PrediNet都已经做到了端到端的网络（神经网络的扩充）。

我们知道在强逻辑领域，数学上都可以归结为SAT（命题可满足性）问题，SAT问题中最常见的就是MAX-SAT(最大可满足问题)，如下：

来自维基百科

无论你给上式两个变量如何赋值，命题推演后你会发现上面的命题不可能为真（True）。现实中还有更复杂的强逻辑问题，如数独：CMU的SATNet就研究了解答上述复杂SAT问题的神经网络方案。与其说是神经网络， 继续阅读【独家】深度学习可以有人类逻辑吗？如何建模逻辑思维？SATNet， PrediNet，深度学习的逻辑思维现状

为什么神经网络(cnn)关心纹理，而不关心位置和形状信息？整理一些解释和参考文献

我们在第一部分讨论胶囊网络时提到过神经网络(cnn)对纹理很敏感，而不够关心位置和形状信息，这里是David收集的更多的讨论和参考文献，希望对你们有帮助：

1. 研究人员证明神经网络的物体检测有多脆弱，以及一些对抗样本例子：Machine Learning Confronts the Elephant in the Room

2. 实验证明数据增强不能把神经网络的泛化能力提高到人类的水平：Generalisation in humans and deep neural networks

3. 一些非常相似的图片足以迷惑神经网络， 继续阅读为什么神经网络(cnn)关心纹理，而不关心位置和形状信息？整理一些解释和参考文献

David9划重点：对Hinton和LeCun在ACM联合大会演讲的5点思考，深度学习的未来，底层和上层

人类强大的“脑补”和“移情”能力，可能需要AI很久才能跟上 — David 9

前不久四年一度的ACM联合大会在美国亚利桑那州召开，包括今年图灵奖的主深度学习奠基人Hinton和LeCun也各自发表了演讲。Hinton更偏重深度学习的历史进展和神经网络本身底层的未来，LeCun演讲更关注上层解释和应用。Hinton和LeCun的演讲主题是“深度学习革命”：

来自：https://www.youtube.com/watch?v=VsnQf7exv5I

这里David总结下面5点思考，帮助学习交流：

1. 符号型AI  VS.  非符号型AI（深度学习），谁才是对的？

从AI历史说起，Hinton一上来就提到两种AI派别：符号型AI（symbolic）和非符号型AI（non-symbolic）。事实上这两个派别已涉及到哲学领域。

符号型AI学派认为所谓“智能”是需要推理（reasoning）和逻辑（logic）指导的, 没有前后因果的“智能”简直就是耍流氓。我们能分得清猫和老虎是因为我们大脑中其实有复杂逻辑判别（虽然你不自知）

而Hinton所支持的非符号AI学派（如深度学习）认为，我们应该专注学习和感知，没有因果推理没关系，只要神经网络切实地工作并学到东西即可。通过神经连接学习也可以判断猫和老虎。

来自：https://www.youtube.com/watch?v=VsnQf7exv5I

虽然，目前非符号AI学派看似有压倒性优势（符号AI的地盘已经不多，包括自然语言和逻辑推理领域），但是，David的观点是，无论是哪一派，都绕不开所谓的“自由意志”这个点（或者至少让AI自认为有自由意志），没有人证明通过感知的堆叠可以更接近自由意志，也没有人证明抛开因果推理我们人类依旧可以成为“自由意志”的智人。

另外，未来计算机体系结构的变化可能直接影响未来AI的发展方向，我们不知道未来的边缘计算，分布式计算哪怕是5G会给符号型AI什么契机，所以，你们可以冷静地思考一下，而不是盲目拥抱深度学习

2. 反向传播会是未来吗？ 继续阅读David9划重点：对Hinton和LeCun在ACM联合大会演讲的5点思考，深度学习的未来，底层和上层