分类： 前沿

【”具身智能”的诱惑】用什么注入AI灵魂？大数据(数据量)真的是资产或壁垒吗？Embodied AI（具身人工智能）

“什么是幸福？权力在增加，阻力被克服的感觉……” —— 弗里德里希·威廉·尼采

每个哲学家对“意志力”的看法都不同。但在机器学习领域，似乎看法一致的是， 没有自由意志的智能很难接近或超越人类智能。或者说 ，不围绕“意志力”这一虚无的主题，人类很难构造出类似自己的AI。

另一方面值得注意的是，正像尼采说的“幸福是权力在增加，阻力被克服”，他也在揭露一部分“意志力”的秘密，如果AI获得的“意志力”产生的行为导致一部分人类失去了幸福感，那么这是无法接受的，这是道德上的冲突。

在技术上，无论是尼采口中的权利，还是像亚瑟•叔本华曾表达的：“在智力的表层之下是盲目的意志力，它让人去爱，去索要，而不管是否合理，因此导致了人的痛苦。”这种“盲目的”意志是难以量化的。

但 ，赋予机器灵魂这件事的诱惑太强了，借鉴叔本华所谓的自然力，人们提出“具身智能”，即让实体AI在环境中去真实感受，进而学习。当然，可想见的优越性很多：如可以通过声音视觉触觉，多模态地学习，可以像婴儿一样慢慢学习，可以和环境交互，可以 继续阅读【”具身智能”的诱惑】用什么注入AI灵魂？大数据(数据量)真的是资产或壁垒吗？Embodied AI（具身人工智能）

【因果论第一弹】类人智能副产品#1：因果解释，因果推理，因果神经网络ENN，Causality，causal inference

一旦因果清晰明了，作为人类，下一步就是发现和创造因果—— David 9

人类其实是“欲望管理大师”，
不像动物被欲望直接地驱使，
我们依靠“想象”构造出无限欲望，
我们又依靠“欺骗”打破无限欲望，重塑欲望。(无论是欺骗他人还是欺骗自己)。
而“因果关系”——让欺骗成为可能。
 
当你在奇怪人类为什么痴迷于“欺骗”与“被欺骗”，不如先反观一下“因果关系”在人类社会中的作用。首先，我们的大脑是“强预测”的，jeff hawkin曾在他的书中曾提到一个有意思的例子，如果我们打算伸手去触摸咖啡杯，其实，我们的大脑早已在预测触摸杯子的感觉和之后的情况了：
并且，每一根手指早已有自己的感觉判断，只是你不自觉而已。
这种强预测的“本性”促使我们对因果关系特别痴迷，因为对因果关系的预测，是我们预测高层认知世界的载体。而利用“欺骗”这个技能，人类可以对因果关系进行自由操控和表达。（无论你是错误还是正确，你都有了操纵和表达因果解释的自由）。比如哪怕你不喜欢男(女)朋友做的午饭，你还是会说：”我之前早上吃的太多了，所以现在容易饱”。
当然david今天不是想说“欺骗”的魅力，而是想说“因果关系”，这个看似是类人智能副产品的东西，在构建下一阶段AI的重要性。
 

“因果关系”帮助智能体注意到游戏规则，而不是数据本身

目前的AI太过关注数据本身，事实上数据不能代表一切，无论静态数据还是动态数据，都有这样那样的漏洞。
概率学中一个著名的悖论“蒙提·霍尔悖论”就是一个例子：20世纪80年代末一个竞猜游戏类电视节目中，有三扇门供你选择，其中一扇门后面是一辆车(奖品)，另外两扇门后面是山羊。你挑了一扇门，比如说1号门，主持人知道门后面是什么，这时主持人会打开了另一扇“山羊”门，比如说3号门，你看到这扇门的后面是一只山羊。此时，如果他问你：‘你想重新选择，改选2号门吗？’
那么，选择换门是否对你赢走奖品更有利？概率又是多少：

当时许多概率学者会回答： 继续阅读【因果论第一弹】类人智能副产品#1：因果解释，因果推理，因果神经网络ENN，Causality，causal inference

#感知融合第2弹：单网络处理任意模态数据的时代正在临近，强数据控制，蓄水池计算，全局工作区理论与自注意力机制

强人工智能(类人智能)可能比较遥远，但强数据控制智能已经临近 —— David 9

在上次感知融合中我们谈到，“肤浅感知”跳过了“理解” 这一步，不过，“肤浅感知”相当有效，以至于传统神经网络(CNN, RNN, BERT)可以直截了当地堆加融合数据(同态或多模态)。但是，很快人们就将发现问题：

1. “肤浅感知”模型太关注模型本身的优化，如特殊loss或特殊的优化器，而模型和当前数据集及任务是强相关的，这缺乏对数据的灵活控制和鲁棒性。

2. 正如阿德南曾在“是人类水平的智能，还是动物般的智能”中表达的，神经网络近年来在构造精巧的函数上是成功的，但进一步可以相信更精巧的函数还会出现，因为目前“动物智能”模型的精巧程度依旧比不上 动物。

更重要的是，也许我们低估了低等智能背后的普适性，越低等智能(感知)，对于“外设”和输入数据越是鲁棒。如，盲人的听觉可以比常人好得多，跛脚的动物可以很快适应新的走路方式，我们用一只眼也可以很快地适应生活甚至做得更好，

低等感知需要做的是让输入信息更高效地流入自身的感知系统，并适应周围环境，这时的关键词是“快”，而不是“好”或“为什么”，只有人类才会在感知后还会有其他反思。

这就是为什么值得相信，目前的人工感知模型(cnn, transformers)在灵活性层面 继续阅读#感知融合第2弹：单网络处理任意模态数据的时代正在临近，强数据控制，蓄水池计算，全局工作区理论与自注意力机制