图灵测试的作用、价值和意义: “ 迄今为止,没有一台计算机通过了图灵测试。 虽然如此,在尝试通过图灵测试的漫漫征程上,模拟人类思维的愿望不断激励着我们。 这一原动力对计算机科学乃至认知科学的发展,产生了深远影响。” 具体的感受,请阅读附件! 附录 : 人工智能下一步,通过图灵测试 Drink-Me 发表于 2012-04-19 19:27 http://www.guokr.com/article/155296/ 图灵是 20 世纪最伟大的数学家之一。作为现代计算机概念的缔造者他的密码破译工作在第二次世界大战中起到了决定性作用。在那个创意无限的计算机黎明时代,图灵率先提出的测试,说来似乎很简单如果一台计算机通过对话能使人们认定它是人类,那么这台计算机便被认为是具有智能的。 图灵试验的标准模式: C 使用问题来判断 A 或 B 是人类还是机械。对象为:一个具有正常思维的人(代号 B )、一个是机器(代号 A )。如果经过若干询问以后, C 不能得出实质的区别来分辨 A 与 B 的不同,则此机器 A 通过图灵试验。 在现代社会,无论是 GPS 导航系统与 Google 搜索引擎,还是自动柜员机与苹果 Siri ,更遑论象棋大师深蓝( Deep Blue )和满腹经纶的沃森( Watson ),人工智能无处不在。但是, 迄今为止,没有一台计算机通过了图灵测试。 虽然如此,在尝试通过图灵测试的漫漫征程上,模拟人类思维的愿望不断激励着我们。 这一原动力对计算机科学乃至认知科学的发展,产生了深远影响。 而现在,我们有理由相信,一台内核代码已经写就的计算机, 拥有通过图灵测试的能力 。 “两项革命性的信息技术进步,可能 将重新给被闲置已久的图灵测试 ,带来新的任务,”法国国家科学研究中心的 认知科学家 罗伯特•弗兰茨( RobertFrench )在 4 月 12 日 的《科学》杂志上撰文称“第一步是准备数量巨大的原始数据: 输入的内容 包括视频资料和完备的声音环境信息,以及随意的谈话内容和关于各种各样事物的技术文档。第二步是能够 整理、收集、处理 这些丰富数据的复杂技术。” 这有没有可能创造出 相当于人类大脑认知水平的神经连结网络 ?它能够感知到我们所感知的吗? 图灵第一次进行他的测试是在一次聚会时。他巧妙的实验令人印象深刻:参加者努力让评判者相信他们的性别是伪装的(图灵本人由于其同性恋取向受到了严酷的迫害)。那时候,这种 创建等效于人类大脑认知方式的低水平神经网络 的想法还不存在。然而复制人类的思想似乎很有可能,相比之下似乎更简单。 我们一般认为,人类的思维是逻辑性的,而计算机能够运行逻辑性的命令。因此,我们的大脑应该是可计算的。 计算机科学家 由此认为,二十年之内或许不超过十年,我们就可以看到这样激动人心的事情:人们无法根据对话分辨出对方是计算机还是人类 。 这个过分简约的构想,被证明是建立在错误的理论基础上的。认知过程要远比 20 世纪中叶的计算机科学家及心理学家所设想的复杂得多 。并且令人沮丧的是,在运用逻辑学描述我们的思想过程时科学家遇到了非常大的困难。并且 我们越来越清楚:根据人类大脑所特有的,适应快速变化的外界环境、整合信息碎片等一系列特殊功能来看,模仿人类思维几乎是无法完成的任务。 “对于现实中众多不确定性而言,符号逻辑本身过于脆弱,”斯坦福大学研究 机器智能 模拟的 计算机科学家 诺亚•古德曼( Noah Goodman) 如是说。 尽管如此现在被我们认为已经失败的传统 AI 技术上依旧颇具启发性。因为,它们彻底改变了我们对于人类大脑运作方式的看法。挫折过后,不断涌出的是许许多多极其重要的 认知科学 新观点。 直到 20 世纪 80 年代中期, 图灵测试 , 一直都是被放弃闲置的探索领域 (尽管今天它衍生出了专为 虚拟聊天机器人 设置的年度 Loebner 奖,同时, 即时虚拟广告机器人 在我们的日常生活中也益发普遍) (康奈尔大学创新机器实验室的两部 虚拟谈话机器人 正在进行非常有趣的唠嗑 ) 与此同时衍生出的是现代 认知科学和人工智能 的两个主要研究方向: 1. 推算事件发生的概率,做出准确判断。(称为概率性) 2. 在与简单、微小的程序的互动过程中,得出复杂的行为模式。(称为连结性) 和那些,像深蓝( Deep Blue )(曾因击败国际象棋大师 Garry Kasparov 扬名 ) 一样,使用“蛮力”的电脑程序的计算特点不同,人们认为这些程序至少精确反映出了人类思维中产生的某些特有现象。 迄今为止,所谓“概率性”和“连结性”两大人工智能研究新思路指导开发出了一系列现实生活中被广泛使用的人工智能产品:自动驾驶汽车, Google 搜索引擎,自动机器翻译,以及 IBM 开发的能巧妙回答任何刁钻古怪问题的 Watson 电脑。 ( IBM 的 Watson 电脑击败 KenJennings ,他是 Jeopardy! 节目的人类最高水平玩家。) 但是美中不足的是,它们在某些方面能力仍旧有限——“如果你说:‘ Watson ,给我做晚饭好不好,’或者‘ Watson ,写首十四行诗吧 , ’他会憋炸的。”古德曼这样说。但是人们不断上涨的使用(或调戏)欲望使它们的性能得以飞快进步,数据库更详实。 “你所说过的、听到的、写下的、或者是读到的每一个字,每一句话,以及每一个看到的场景,每一段经历的声音片段 , 一并同其他成百上千、甚至成千上万的人们的相关数据,都被录制下来并可随时调用。久而久之,甚至触觉以及嗅觉传感器也可以被接入以全面丰富我们这个充满图像和声音的数据库。”作为对 MIT (麻省理工)研究员戴伯•罗伊( Deb Roy )的相关研究的延伸,弗兰茨在《科学》杂志上这样设想。戴伯曾经录制了 9 万小时的视频,内容是关于他襁褓中的儿子清醒状态下的认知发展过程。 假定我们拥有可编目、分析、串联和交叉全部海量信息的处理软件以及备有上述数据库和分析系统的程序,应该完全能够使得一台计算机回答现今的 AI 们无法回答的棘手问题。这最终意味着通过图灵测试。 密歇根大学 人工智能专家 赛汀德•辛( Satinder Singh) 对数据所显示的前景充满了信心:“ 大容量数据库终会造就一台极具灵活性的人工智能机器 。” 但这样来说,梳理所有曾经学习过的问题数据就显得重要了许多。计算机要懂得:什么更值得记住,什么更值得去预测。可是,如果 你把一个孩子领进屋内,让他自由自在、随心所愿,不交给他任何任务,他为什么会自发地去做他想做的事情呢?所有的这类问题都变得异常有趣。 “ 为了变得更渊博,更灵活,更有能力,一个人必须要被动力和好奇心所驱使,从而,提炼出重要的事情, ”辛说:“这些对计算机来说,都是巨大的挑战。” “一架机器要通过图灵测试,一定要充满着人类的情感与欲望吗?。就像是弗兰肯斯坦(玛莉•雪莱( Marry Shelley )笔下的人造人),或者有生命的泥人( Golem 希伯莱传说中的用粘土、石头或青铜制成的无生命的巨人,注入魔力后可行动)一样吗?”墨西哥国立自治大学的 计算机科学家 卡洛斯•格申森( CarlosGershenson) 充满了疑问。但是,这和更基本的问题一样,难以回答。 “这做起来一定很困难,可是我们这样做的目的是什么?”他充满了疑问。 Artificial Intelligence Could Be on Brinkof Passing Turing Test BY BRANDON KEIM 04.12.12 | 5:37 PM | PERMALINK Share on Facebook Tweet In Share One hundred years after Alan Turing wasborn, his eponymous test remains an elusive benchmark for artificialintelligence. Now, for the first time in decades, it’s possible to imagine amachine making the grade. Turing was one of the 20th century’s great mathematicians,a conceptual architect of modern computing whose code-breaking played adecisive part in World War II. His test, described in a seminal dawn-of-the-computer-agepaper, was deceptively simple: If a machine could pass for human inconversation, the machine could be considered intelligent. Artificial intelligences are nowubiquitous, from GPS navigation systems and Google algorithms to automatedcustomer service and Apple’s Siri, to say nothing of Deep Blue and Watson — but no machine hasmet Turing’s standard . The quest to do so,however, and the lines of research inspired by the general challenge ofmodeling human thought, have profoundly influenced both computer and cognitivescience. There is reason tobelieve that code kernels for the firstTuring-intelligent machine have already been written. “ Tworevolutionary advances in information technology may bring the Turing test out of retirement ,” wroteRobert French, a cognitive scientist at the French National Center forScientific Research, in an Apr. 12 Science essay. “ The first is the ready availability of vastamounts of raw data — from video feeds to complete soundenvironments, and from casual conversations to technical documents on everyconceivable subject. The second is the advent of sophisticatedtechniques for collecting, organizing, and processing this rich collection ofdata. ” ' Tworevolutionary advances in information technology may bring the Turing test outof retirement .' “Is it possible to recreate something similar to the subcognitivelow-level association network that we have? That’s experiencing largely whatwe’re experiencing? Would that be so impossible?” French said. When Turing firstproposed the test — poignantly modeled on a party gamein which participants tried to fool judges about their gender; Turing wascruelly persecuted for his homosexuality – the idea of “a subcognitive low-level association network” didn’t exist.The idea of replicating human thought, however, seemed quite possible, evenrelatively easy. The human mind wasthought to be logical. Computers run logical commands.Therefore our brains should be computable. Computer scientists thought thatwithin a decade, maybe two, a person engaged in dialogue with two hiddenconversants, one computer and one human, would be unable to reliably tell themapart. That simplistic ideaproved ill-founded. Cognition is far more complicated than mid-20th centurycomputer scientists or psychologists had imagined, and logic was woefullyinsufficient in describing our thoughts. Appearinghuman turned out to be an insurmountably difficult task, drawing on previouslyunappreciated human abilities to integrate disparate pieces of information in afast-changing environment. “ Symboliclogic by itself is too brittle to account for uncertainty,” said Noah Goodman,a computer scientist at Stanford University who models intelligence inmachines. Nevertheless, “the failure of what we now call old-fashioned AI wasvery instructive. It led to changes in how we thinkabout the human mind. Many of the most important things that have happened incognitive science” emerged from these struggles, he said. By the mid-1980s, the Turing test had been largely abandoned as a research goal (though it survives today in the annual Loebner prize for realistic chatbots,and momentarily realistic advertising bots are a regular feature of onlinelife.) However, it helped spawn the two dominantthemes of modern cognition and artificial intelligence: calculatingprobabilities and producing complex behavior from the interaction of manysmall, simple processes. Unlike the so-called brute forcecomputational approaches seen in programs like Deep Blue, the computer thatfamously defeated chess champion Garry Kasparov, these are considered accuratereflections of at least some of what occurs in human thought. As of now, so-called probabilistic and connectionist approachesinform many real-world artificial intelligences: autonomous cars, Googlesearches, automated language translation, the IBM-developed Watson program thatso thoroughly dominated at Jeopardy. They remain limited in scope — “If yousay, ‘Watson, make me dinner,’ or ‘Watson, write a sonnet,’ it explodes,” saidGoodman — but raise the alluring possibility of applying them tounprecedentedly large, detailed datasets. “ Suppose, for a moment, that all thewords you have ever spoken, heard, written, or read, as well as all the visualscenes and all the sounds you have ever experienced, were recorded andaccessible, along with similar data for hundreds of thousands, even millions,of other people. Ultimately, tactile, and olfactory sensors could also be addedto complete this record of sensory experience over time,” wrote French inScience, with a nod to MIT researcher Deb Roy’s recordings of 200,000 hours ofhis infant son ’ s wakingdevelopment. He continued, “Assume also that the software exists to catalog,analyze, correlate, and cross-link everything in this sea of data. These dataand the capacity to analyze them appropriately could allow a machine to answerheretofore computer-unanswerable questions” and even pass a Turing test. Artificial intelligence expert Satinder Singh of the University of Michigan was cautiously optimistic aboutthe prospects offered by data. “Are large volumes of data going to be thesource of building a flexibly competent intelligence? Maybe they will be,” hesaid. “ But all kinds of questions thathaven’t been studied much become important at this point. What is useful toremember? What is useful to predict? If you put a kid in a room, and let himwander without any task, why does he do what he does?” Singh continued. “Allthese sorts of questions become really interesting. “ In order to be broadly and flexiblycompetent, one needs to have motivations and curiosities and drives, and figureout what is important,” he said. “These are huge challenges.” Should a machine pass the Turing test, it would fulfill a humandesire that predates the computer age, dating back to Mary Shelley’sFrankenstein or even the golems of Middle Age folklore, said computer scientistCarlos Gershenson of the National Autonomous University of Mexico. But it won’tanswer a more fundamental question. “ It will be difficult to do — butwhat is the purpose?” he said. http://www.wired.com/2012/04/turing-test-revisited/ Citation: “Dusting Off the Turing Test.” By Robert M.French. Science, Vol. 336 No. 6088, April 13, 2012. “ BeyondTuring’s Machines.” By Andrew Hodges. Science, Vol. 336 No. 6088, April 13,2012. Images: 1) The Alan Turing memorial at Bletchley Park, the site of Turing’s codebreakingaccomplishments during World War II. (Jon Callas/Flickr) 2) IBM’s Watsoncomputer defeating Ken Jennings, the highest-ranking human Jeopardy! player.(IBM) Video: Two chatbots hold a conversation in the Cornell Creative MachinesLab. (Cornell University/YouTube)
科研体会浅谈 《科技导报》“主编心语”栏目曾连载“研究生如何夯实成功科研生涯的基础”系列文章,强调科研成功的四个结构性要素是导师、时间、文献和表达,使我深受启发。在此,结合自己的科研经历谈谈我的科研体会。 保持与导师联系非常重要。在选题之前,我与导师进行了沟通,了解了各方向的主要研究内容,选择了自己最感兴趣的一个研究方向。进入实验室后,我每周都通过E-mail向导师汇报自己的工作进展,主要包括最近做了哪些实验、取得什么样的效果、有哪些不如意的地方、失败的可能原因分析以及下一步的实验计划,等等。有的同学认为实验没有达到预期效果,或者实验失败了,不好意思跟老师说——其实这是个很不好的想法。科研的道路从来都不是平坦的,失败在实验中可谓是司空见惯,我们要学会坦然面对失败,从失败中总结经验和教训。老师想了解的不是你取得了多好的成绩,而是当你发现问题时如何去解决。遇到难题时可以和导师沟通,毕竟导师对课题的了解要比我们深得多,考虑得也会更全面。经过老师点睛,就多了一种思维,多了一个建议,难题往往会迎刃而解。导师了解了每个阶段的研究情况,对你的论文会有更充分的了解,也能更好地提出一些修改建议。我的导师就经常给我发一些很有用的文献做参考,这很珍贵,是保持与导师联系的一个额外收获。 做好工作计划,做一个时间的管理者。磨刀不误砍柴工,安排好时间很重要,要做到“今日事,今日毕”。要有阶段性的计划,给出具体细节完成的时间底线。假如早上进入实验室之前还不知道今天要干什么,你最好想好了再去。我习惯每天做完实验之后进行总结,并安排第二天的实验,这样,一进实验室就可以直接开始工作了。有的实验很耗时,不需要一直盯着,这个时候可以看看文献、整理整理数据。科研需要一丝不苟的态度和严谨的作风,同时还需要灵活的思维方式——有时不能太执着,当遇到阻力时,不妨暂停实验,腾出一点时间换换脑子,试着改变一下实验方案。记住,最大的错误是重复犯同样的错误。科研时需要做好详细的实验记录,避免以后一些不必要的麻烦。此外,要协调好工作和休息时间,做到劳逸结合——只有会休息的人才会工作。 充分利用文献和善于表达自己。文献是科研的开始,是科研的重要组成部分;当然,也不能全部相信别人的成果。那么多文献,应该怎么看呢?我的做法是:多数文章看摘要,少数文章看全文。对于英文文献,我习惯将自己认为重要的部分划线并注释,这样写论文时可以拿来参考。对文献进行归类整理,做好标识,比如综述类、制备类、机理类,等等,方便以后再查阅。“好记性不如烂笔头”,必要时将重要的信息记录在本子上,加上个人观点进行总结。如果没有任何记录和标记,等于没看。通过写文献综述,不但能了解相关研究进展、目前存在的不足以及发展趋势,同时也提高了自己的总结概括能力。很多同学觉得写论文时参考文献的整理是一项麻烦事,尤其是内容修改后引用的文献序号又乱了。其实如果学会使用参考文献管理软件,那写起论文来就方便很多。我使用的是Endnote,该软件使我在文献著录方面的烦恼都不复存在,大大提高了写作效率。我还有这样的习惯,就是每天将当天的实验数据输入Excel,这样查数据时比翻实验记录本要方便许多。实验数据也要做好备份。定期写工作总结也是提高表达能力的一种方式,平时做好总结,写论文时就得心应手。同时要重视交流与合作,表达自己的想法,虚心向学长请教。 ——北京理工大学应用化学专业硕士研究生 陆科呈 如何应对审稿人的各种Comments and Judgements 从念博士、毕业,到现在成为一名教师,我发觉至少有1/4时间是在阅读和处理各个审稿人的Comments and Judgements(评论和意见)。同时,我也做过20来个期刊的审稿人,提出过不少问题。既然“斗争”和“被斗争”了6年多,自然积累了一些经验,现总结如下,抛砖引玉,请大家参考和补充。 审稿人很重要,不论是批评还是赞美你的工作,先虚心接受,来一句:Thank the reviewers for these precious comments and suggestions(感谢审稿人这些珍贵的评论和意见)。 对所有comments,必须Point by point: comments and response(一一响应:一条评论一条回应)。 尽力达到审稿人的要求,补充实验,补充结果比较,补充文献参考,补充实验描述,补充各色各样的内容。当无法达到审稿人的要求时,要耐心解释你已经尽最大努力在实施这个实验,但因为很多的客观原因而无法实施,并把过程和结果在报告里列出来。例如:已经在论文里review(回顾)了相关比较对象或者相似实验的论文,给读者提供更多参考性意见,并同时列举在Responding Report(回复报告)里,需要说明将来一旦可行了,必然完整进行这个实验。 当审稿人质疑你的模型和实验结果时,就需要旁征博引(其他文献),补充过程和实验细节,额外在Responding Report里增加一些容易实现的实验结果来增强审稿人信心。 当审稿人需要你验证某些方法和结论时,而你无法说明的时候,除了补充一些引用说明外,还需要特别指出:This is an interesting open issue, and we will continue to ……(这是一项很有意思的开放性问题,我们会继续……)。 当审稿人指出你的英文质量有问题时,需要在文章里尽量找错误,同时要在Responding Report里一一列出来,使审稿人认为你已经尽了最大努力。 尽量把Revision part(修订部分)一一列在Responding Report里相应的地方,而不要让审稿人到文章中去找你修改的地方。 尽量使得文章格式符合该期刊格式。例如,字体一般11号和1.5倍行距刚好。 顶级期刊往往有多于3个审稿人,因此必须认真对待,留足够的修改时间。对于较优秀的论文,集中精力,1年争取在1—2个顶级期刊(专业前5,非NSC之类)发表文章,少费心力在其他的期刊上。 ——上海大学机电工程与自动化学院副研究员 余建波 (责任编辑 秦政,张杰青)
@ 2006-09-26 03:44 今天是我来到苏格兰的第二周,也是和老板第一次见面。在上周,其实峰(前师弟-现师兄)就已经告诉我,今天peter会见我和chris(另外和我同级的PhD)。以前我就见过他的照片,也在电话里谈了半小时,感觉挺好的。上午到实验室,一直等到下午四点,也没有什么样动静。我就一直在那里自己看文献,查文献,写写自己的研究计划。不经意间,Peter下楼来,看到我在,就很高兴的和我打招呼,然后就告诉我们20分钟后和我们讨论。他先和组里的资深博后Rob讨论,谈了大概半小时,然后就叫我们上四楼,和他谈。他谈的也不多,先和峰谈他目前工作的进展,然后就问我们对自己下一步工作有什么想法。峰就说当然做你想做什么了,把球踢回去了。Peter就三下五除二讲完了,然后问我听懂没有,因为做的材料和我以前几乎一样,所以我几乎都听懂了,而且Peter的想法,与我在想的其中一个最新的方向大致一样(科学机密,等到有结果后,可以公开),我觉得比较开心,毕竟我也想到了一个比较好的方向,接下来就是去做。当然,Peter的口头禅就是一堆堆的good,nice,一次讨论听了他不下20个good。 最后peter讲了一些别的事,如安全最为重要。当然,还有就是和他讨论可以随时找他,试验中有什么阻碍我前进,也可以寻求他的帮助,钱也不是问题。"research is my life"peter 的原话。当然他也明确告诉我,我们这个组方向是只有10%的人愿意做的挑战性的工作,不能跟在人家后面,做没有意义的一般工作,要做就做新颖的、突破性的工作。^
展望学科发展方向、预测将来的热门研究领域,这似乎应该是科学界的大人物们干的事。今天看到一篇观点性论文,没细查作者是不是大人物,喜欢他的观点,介绍给大家参考。尤其是对准备考研的同学,或者准备调整专业研究方向的年轻生物学科研人员,参考此文的观点,也许你今后的科研道路就会便得更宽广、更顺畅。 我先谈一下自己的感受再引出那篇论文的内容。 一个遗传专业的导师,研究论文除了发表在遗传方面的期刊上,也可能发表在生物化学、分子生物学、细胞生物学、甚至是进化生物学、生态学期刊上。同样,做进化的人,好文章也可以往Cell,往Nature Genetics投稿。随着分子生物学在生物学各分支学科的普及,生物学各学科之间的界限越来越小。我给研究生上课时,就经常提醒学生们,不要因为你在生物信息学专业,眼睛就只盯着生物信息学这几种期刊,希望大家把自己想成是学生物学的,而不是生物信息学、遗传学或者细胞生物学。否则你的知识会很欠缺。 今天看到的这篇论文,作者先是回顾了生物学的发展历史,遗传学和分子生物学的发展使" we are no longer merely cell biologists, physiologists, ecologists, or evolutionary biologists; rather, we are now simply biologists "。我们都是生物学家,“ We are all biologists ”。 作者看来,“我们都是生物学家”也成为历史了,“ We're all computational biologists now ”(1)。他说now, 我感觉稍有些夸张。前两年,Nature Biotechnology上曾经发表过一篇论文(2),题目是:“如果你能测任何序列,你准备研究什么?”这几年随着技术手段的进步,分子生物学数据急剧增 长,速度快得惊人。我给学生留的作业变成了:“如果你能找到你想要的任何序列,你准备研究什么?”。其实现在已经不仅仅是DNA序列数据急速增长了,从 DNA的化学修饰、组蛋白在染色体上的定位、DNA在细胞核中的空间分布到代谢、各种层次的调控。。。,各方面生物学数据积累速度都很惊人。可以大胆的估 计,十年之后,只要不是太偏的想法, 你所需要的数据在网上都可以找到。科研人员需要做的就变成,发现问题--思考出假说--寻找数据--处理数据、分析数据 --检验自己的假说。但这种变革至少正在进行中。 我个人感觉,在芽殖酵母,现状已经接近我所设想的这种状态了。 当然,世界上永远会需要一些人做实验,产生数据。但将来生物学这个小社会用不着太多做实验的人了。对于在读的本科生、研究生来说,你最大的精力投入到哪方面,将直接影响你将来在生物学这个小社会的竞争实力。 如果说“ We're all computational biologists ”是now或者in recent future,what is next? 作者说Global Brain。感兴趣的网友自己看他的论文吧。我就不介绍了,因为下一步推测的成分就多一些了,准确性只能感兴趣的人自己判断了。感兴趣的,不要懒惰,自己认真看、自己判断。不太感兴趣的,也就不要看只言片语,以免片面理解被误导。 参考文献 1. Jorgensen RA: We're all computational biologists now ... Next stop, the global brain ? Frontiers in Genetics 2011, 2:68. 2. Kahvejian A, Quackenbush J, Thompson JF: What would you do if you could sequence everything ? Nat Biotechnol 2008, 26:1125-1133. 如果无法下载全文,可向原作者索取或者 发邮件找我帮助 。