计算机如何识别大象的艺术表现。信用:本·维格勒/CSHL，2021你不会惊讶于在热带草原上看到一头大象或在你的厨房里看到一个盘子。根据你以前的经验和知识，你知道那是经常能找到大象和盘子的地方。如果你在你的厨房里看到一个神秘的物体，你怎么知道它是什么？你会依赖于你的期望或先前的知识。计算机应该用同样的方法处理这个问题吗？答案可能会让你大吃一惊。冷泉港实验室教授帕萨·米特拉在《自然机器智能》中描述了他是如何从“视角”看待这些问题的。他希望他的见解能帮助研究人员教会计算机如何更有效地分析复杂系统。Mitra认为这有助于理解知识的本质。从数学上讲，许多数据科学家试图创建一个“适合一头大象”的模型，或者一组复杂的数据点。Mitra要求研究人员考虑什么样的哲学框架最适合特定的机器学习任务:“用哲学术语来说，想法是有这两个极端。一种是“理性主义者”，另一种是“经验主义者”的观点。实际上，这是关于先验知识或先验假设的作用。”
理性主义者对经验主义者
理性主义者通过先验知识的视角来看待世界。他们希望盘子在厨房，大象在热带草原。
经验主义者准确地分析数据。当他们参观稀树草原时，他们不希望看到大象，就像他们不希望看到盘子一样。
如果一个理性主义者在厨房里发现了这组数据点，他们一开始可能会倾向于把它看作一个盘子。他们的先验知识表明，盘子很可能在厨房里找到；很难找到大象。他们以前从未见过这种情况，也从未了解到这种情况可能会发生。虽然他们的结果吸收了一定数量的数据，但却遗漏了其他部分。在这种情况下，他们的方法产生了一个不正确的结果:一个盘子。
厨房里的“数据”。信用:本·维格勒当一个经验主义者看到同样的数据时，他们会分析它，而不考虑他们是在热带草原还是在他们的厨房里。他们将从尽可能多的数据点拼凑出一幅图像。在这种情况下，它们的结果是参差不齐的图像。它不会告诉经验主义者他们是在看大象、盘子还是其他东西。
经验主义者和理性主义者都没有错。这两种方法都适用于各种问题。然而，在这种情况下，如果厨房里有一头大象，尽快弄清楚是值得的。纯经验主义和纯理性主义方法之间的中间地带可能是最好的。有了一些关于大象长相的先验知识，你可能会注意到它的躯干和腿。尽管一头大象出现在你厨房的几率很低，但这肯定不是不可能的。因此，你会得出结论，你的厨房里确实有一头大象，你可能应该离开——快。
可预测但错误
数据科学家一直面临这种问题。他们训练计算机识别新的物体或模式。一些机器学习程序可能能够处理大量信息，并制定许多规则来适应呈现的数据，如上面的锯齿状图像。当相同的规则应用于另一个相似的数据集时，锯齿图像可能是可再现的。但是仅仅因为模式是可复制的，这并不意味着它准确地代表了正在发生的事情(大象)。
历史上有这种困境的例子。两千年前，托勒密开发了一个宇宙模型，对月球和行星的运动做出了出色的预测。他的模型被成功使用了几个世纪。然而，托勒密使用了错误的先验信息:他将地球置于太阳系的中心，并优先考虑天体的圆周运动。约翰尼斯·开普勒在17世纪对这一观点提出质疑，并最终拒绝了托勒密的方法，这最终导致了牛顿的万有引力定律。虽然托勒密的复杂模型非常符合他自己的观察，但它并没有准确地代表正在发生的事情。Mitra警告说，“如果你想成为一个极端的经验主义者，你确实需要大量的数据。我们现在明白了为什么在某些情况下，这样的方法实际上可以在严格的数学环境中成功。另一方面，生物大脑介于两者之间。你确实从经验中学习，但你并不完全是数据驱动的。”
Trunk，legs:一定是大象！功劳:本·维格勒·米特拉希望数据科学家在开发下一代机器学习方法时，能从大脑回路中寻找灵感。脊椎动物的大脑有不同大小的回路，包括中等大小(中尺度)的回路。这些电路是用先验编码的(已知的信息，比如动物长什么样，它们在哪里被发现，或者如何快速逃离正在充电的大象)。与此同时，你的大脑高度灵活，根据经验对新信息进行分类，并权衡不同优先事项的重要性——大象可能不属于厨房，但不知何故，你还是有一个。
米特拉在他的文章中总结道，“这指出了基于分布式电路架构的新一代智能机器的可能性，这种架构结合了更强的prior，可能借鉴了脊椎动物大脑的中尺度电路架构。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
