1. 首页 > 百货 > 玩具模型

人类如何通过机器智能增强认知过程和行为

计算逻辑以各种形式出现,就像其他类型的逻辑一样。本文将重点介绍计算逻辑中的溯因逻辑编程(ALP)方法,并将论证ALP代理框架,它将 ALP 集成到代理的操作周期中,为解释性推理和规范性推理提供了一个具有说服力的模型。

ALP代理框架作为一个解释性模型,它以生产系统为例;而作为一种规范性模型,它不仅包括经典逻辑,而且与传统的决策理论相一致。ALP代理框架的双重性性质包括直觉推理和审慎推理,将其归类为双过程理论。与其他理论结构类似,双过程理论有多种版本。正如[Kahneman 和 Frederick ,2002] 在参考文献中所描述的那样,直觉思维“迅速产生判断问题的本能解决方案”,而审慎思维“评估这些解决方案,决定是否认可、调整或拒绝它们”。

本文将主要关注ALP代理框架的规范性元素,探索如何利用它来增强人们的认知过程和行为。具体来说,将研究它在日常生活中提高人们的沟通技巧和决策能力的潜力。因此可以断言,ALP代理框架为[Williams, 1990,1995]中概述的有效写作指南提供了坚实的理论基础,并为[Hammond等人,1999]中讨论的更好的决策提供了见解。本文的基础在于[Amin, 2018],它提供了对ALP代理框架的技术方面的详细探索,并引用了相关的学术著作。

图1简化的溯因推理和代理循环

ALP代理的基本概述

ALP代理框架可以被认为是BDI(信念-愿望-意图)模型的一种变体,其中代理通过形成意图(本质上是行动计划)来利用知识实现其目标,意图本质上是行动计划。在ALP代理中,知识(信念)和目标(意图)都以逻辑形式表示为条件语句。信念被表示为逻辑编程规则,而目标则使用更灵活的子句来描述,能够捕捉一阶逻辑(FOL)的全部范围。

例如,以下的语句说明了这一点:第一个语句表达了一个目标,随后的四个语句代表了信念:

在本次讨论中,目标通常在开始时就构建了条件,因为它们主要用于正向推理,类似于生产规则。另一方面,信念通常首先得出结论,因为它们通常用于反向推理,类似于逻辑编程。然而,在ALP中,信念也可以先用条件来写,因为它们可以应用于正向推理和反向推理。具体的顺序(无论是正向还是反向)都不会影响底层逻辑。

1.模型假设和实用语言

更简单地说,在ALP代理框架内,信念代表了代理对世界的看法,而目标则根据代理描述了世界的期望状态。在演绎数据库语境中,信念对应于存储的数据,目标与查询或完整性规则相关。

在形式上,在ALP代理框架的模型理论解释中,具有信念BBB、目标GGG和观察OOO的代理必须确定行动和假设,使G∪OG\cup OG \8746 O在BBB定义的最小模型内成立。在BBB由霍恩(Horn)条款组成的基本场景中,BBB具有独特的最小模型。其他更复杂的场景可以简化为霍恩条款的情况,尽管这些技术方面超出了这里的主要关注点。

在实际的解释中,ALP代理主要基于其观察结果进行正向推理,而代理则从其信念中既进行正向推理和反向推理,以评估目标条件是否满足,并确定相应的结果作为要实现的目标。正向推理类似于基于规则系统中的正向链接,它通过确保满足条件来使目标的结论成立。以这种方式解释的目标通常被称为维护目标。另一方面,通过反向推理来处理实现目标,这涉及找到一系列行动,当执行这些行动时,将实现目标。反向推理作为目标分解的过程,其中可操作的步骤被视为原子子目标的特定情况。

例如,如果你观察到一场火灾,可以使用前面提到的目标和信念,通过正向推理得出紧急情况存在的结论,从而实现自己处理情况、寻求帮助或逃离的目标。这些选项构成了一组初步的可能性集。为了实现目标,可以进行反向推理,将寻求帮助的目标分解为子目标,例如前方道路有障碍时,通知火车司机和按下报警按钮。如果按下报警按钮是原子操作(是指不会被线程调度机制打断的操作),那么可以直接执行。如果此操作成功,则完成了实现目标,同时也满足了相应的维护目标。

从模型论的角度来看,代理不仅要生成动作,还要对世界做出假设。这正是ALP中溯因推理概念发挥作用的地方。溯因推理涉及形成假设以解释观察结果。例如,如果观察到的是烟而不是火,并且相信出现烟雾意味着有火灾,那么从观察到的现象出发进行反向推理,将会导致假设有火灾存在。然后,正向推理和反向推理将照常进行。

在模型理论和操作语义学中,观察结果和目标都以类似的方式处理。通过正向推理和反向推理,代理生成动作和额外的假设,以在其信念所定义的世界的最小模型中使目标和观察结果成立。在前面的例子中,如果观察结果是存在烟雾,那么存在火灾的信念和按下警报按钮的动作,结合代理的信念,都会使目标和观察结果成立。只要满足某些假设,操作语义就与模型论语义保持一致。

2.选择最优解

可能存在多种解决方案,这些解决方案与信念集BBB相结合,使得目标GGG和观察结果OOO都有效。这些解决方案可能有不同的结果,而代理面临的挑战是在可用资源的限制下识别出最有效的解决方案。在经典决策理论中,一个动作的价值由其结果的预期效益决定。同样地,在科学哲学中,一个解释的价值是根据其可能性和解释观察结果的能力来评估的(能够解释的观察结果越多,就越好)。

在ALP代理中,这些相同的标准可以应用于评估潜在的行为和解释。这两种假设都是通过预测结果来评估的。在ALP代理中,寻找最优解的过程被整合到反向推理策略中,利用最佳优先搜索算法(例如,a *或分支定界)等方法。这种方法类似于基于规则的系统中解决冲突的简单任务。传统的基于规则的系统通过将高级目标、信念和决策转换为低级启发式和刺激-反应模式来简化决策和溯因推理。例如:

在ALP代理中,低级规则可以与高级认知过程相结合,类似于双过程理论,以利用这两种方法的优势。与大多数一次只关注一个计划的BDI代理不同,ALP代理可以处理单个动作,并可以同时执行多个计划,以提高成功的可能性。例如,在紧急情况下,代理可能会同时启动警报并尝试逃生。是专注于一个计划还是同时关注多个计划,取决于所选的搜索策略。虽然深度优先搜索一次只关注一个计划,但其他策略可能会带来更大的好处。

ALP代理模型可用于创建人工代理,但它也是理解人类决策的有用框架。在接下来的章节中,将论证这个模型不仅改进了传统的逻辑和决策理论,而且还提供了一种规范(或规定性)的方法。采用ALP代理模型作为高级决策理论基础的理由是,子句逻辑提供了一种思维语言(LOT)的可行表示。将通过比较子句逻辑和自然语言来进一步探讨这一论点,并展示这个模型如何帮助个人进行更清晰、更有效的沟通。在最后一章节中,将重新讨论ALP代理模型在增强决策中的应用。

作为主体认知框架的子句逻辑

在语言和思维的研究中,关于语言与认知的关系有三种主要理论:

ALP代理模型与第一种理论一致,与第二种理论相悖,与第三种理论兼容。它与第二种理论相悖,因为人工智能的逻辑框架并不依赖于口语的存在,而且根据人工智能的标准,自然语言往往过于模糊,无法有效地模拟人类的思维。然而,它支持第三种理论,因为它的连接主义实施掩盖了其语言特性。

在人工智能领域,某种形式的逻辑代表代理的认知框架的观点与传统的人工智能方法(通常称为GOFAI或“传统的人工智能”)紧密相连,但新方法(例如连接主义方法和贝叶斯方法)在一定程度上掩盖了传统方法的光芒。ALP模型为这些不同的方法提供了一种潜在的调和方式。ALP的子句逻辑比标准的一阶逻辑(FOL)更简单,融入了连接主义原理,并包含了贝叶斯概率。它与标准的一阶逻辑的关系类似于认知框架与自然语言的关系。

这一论点始于关联理论[Sperber和Wilson, 1986],该理论认为人们理解语言是通过用最少的认知努力提取最多的信息。根据这一理论,沟通越符合其意图,受众就越容易理解。研究认知框架本质的一种方法是检查准确和有效理解至关重要的场景。例如,伦敦地铁上的紧急通知设计得很容易理解,因为它们被明确或隐含地构造为逻辑条件句。

1.紧急情况下应采取的行动

要解决危机,激活报警信号按钮通知火车司机。如果火车停在车站,司机就会立即停车。如果没有报警,火车将驶往下一站,在那里可以更容易地提供援助。需要注意的是,不当使用报警器将被罚款50英镑。

第一个指令代表了一个程序性目标,其逻辑被编码为一个编程子句:激活警报将通知火车司机。第二个指令虽然以逻辑编程的形式表达,但有些模糊且缺乏完整的条件。它可能意味着如果火车司机收到警报,并且火车停在车站,那么就会停车。

第三个指令涉及两个条件:如果收到警报,火车不在站内,司机将在下一个站点停车。如果火车离站点越近,就越容易提供援助,这句话是一个附加结论,而不是一个条件。如果这是一种条件,那就意味着火车只停在容易获得援助的车站。

第四个指令是有条件的:不当使用报警信号按钮可能会被罚款50英镑。

紧急通知的清晰性是因为它与认知框架中的预期意义相一致。该通知是连贯的,因为每句话都与前一句有逻辑联系,并与读者对应急程序的可能理解保持一致。

省略条件和细节有时会增强连贯性。根据Williams[1990,1995]的观点,连贯性也可以通过构建句子来实现,让熟悉的想法出现在开头,新的想法出现在结尾。这种方法允许新信息无缝地过渡到后续句子中。紧急通知的前三句话就是这种方法的例证。

省略条件和细节有时会增强连贯性。根据Williams[1990,1995]的观点,连贯也可以通过组织句子来实现,让熟悉的想法出现在开头,新的想法出现在结尾。这种方法允许新信息无缝地过渡到后续句子中。紧急通知的前三句话就是这种方法的例证。

以下是另一个例子,反映了ALP代理模型所解决的推理类型:

因此,你不应该不带伞出去。

在下一节中,将论证这些例子中所展示的连贯性可以通过句子中条件和结论之间的逻辑关系来理解。

2.自然语言与认知表征

与解释为清晰和连贯而精心设计的信息相比,理解日常的自然语言交流是更复杂的挑战。这种复杂性包括两个主要方面。首先,它需要破译通信的预期含义。例如,要理解模棱两可的句子“他给了她这本书”,一个人必须确定“他”和“她”的身份。

第二个挑战是以标准化格式对预期的含义进行编码,以确保相同的消息得到一致的表示。例如,下面的句子表达了相同的意思:

用规范的形式表示这个共同的含义,简化了后续的推理。共享的意思可以用一个逻辑表达式来表达,例如给(give)(Alia, Arjun, book),或者更准确地说:

event(e1000).act(e1000, giving).agent(e1000, Alia).recipient(e1000, Arjun).object(e1000, book21).Isa(book21, book).

精确的格式有助于更有效地区分类似的事件和对象。

根据关联理论,为了提高理解能力,交流应该与他们的心理表征紧密结合。它们应该清晰简洁地表达出来,反映代表的规范形式。

例如,与其说“属于水生脊椎类的鱼都有鳃”,不如说:

在书面表达中,清晰度通常是通过标点符号来实现的,例如在关系子句周围加逗号。在子句逻辑中,这种区别反映在结论和条件之间的差异上。

这些例子表明,条件和结论之间的区别和关系是认知框架的基本方面,支持了这样一个概念,即具有条件形式的子句逻辑是理解心理表征的可靠模型。

3.标准FOL与子句逻辑的比较

在人工智能的知识表示领域,已经探索了各种逻辑系统,其中子句逻辑通常被定位为传统一阶逻辑(FOL)的替代方案。尽管它很简单,但子句逻辑被证明是建模认知过程的有力候选者。

子句逻辑通过其简单的条件格式将其与标准FOL区分开来,同时保持了相当的表达力。与依赖显式存在量词的FOL不同,子句逻辑使用Skolemization将标识符分配给假设的实体,(例如e1000和book21),从而保留其表达能力。此外,子句逻辑在某些方面优于FOL,特别是在与最小模型语义结合时。

子句逻辑中的推理明显比标准FOL更简单,主要涉及正向推理和反向推理过程。这种简单性扩展到默认推理,包括在最小模型语义框架内处理失败否定。

标准FOL和子句逻辑之间的关系反映了自然语言和假设思维语言(LOT)之间的关系。这两个系统都涉及两个推理阶段:第一阶段将语句转换为标准格式,而第二阶段则利用这种格式进行推理。

在FOL中,初始推理规则用于将句子转换为子句形式,例如Skolemization和逻辑转换(例如,将¬(A∨B)转换为¬A∧¬B)。随后的推理就涉及到用这种子句形式进行推理,例如从∀X(XP(X))推导出P(t),这是正向推理和反向推理不可或缺的过程。

就像自然语言提供多种方式来传达相同的信息一样,FOL提供了等效语句的许多复杂表示。例如,“所有的鱼都有鳃”的断言可以在自由语言中以各种方式表示,但子句逻辑将其简化为规范形式,以子句为例:鳃(X)←鱼(X)和鱼(Alia)。

因此,子句逻辑与FOL的关系类似于LOT与自然语言的关系。正如LOT作为自然语言表达式的精简和明确版本一样,子句逻辑提供了FOL的简化版本和规范版本。这种比较强调了子句逻辑作为认知表征基础模型的可行性。

在人工智能中,子句逻辑已被证明是一种有效的知识表示框架,独立于代理使用的通信语言。对于人类的交流,通过与LOT保持一致,子句逻辑提供了一种更清晰、更连贯地表达想法的方法。通过将新信息与现有知识整合,子句逻辑促进了更好的连贯性和理解,利用其与连接主义表示的兼容性,在连接主义表示中,信息被组织在目标和信念的网络中[Aditya Amin, 2018]。

子句逻辑的连接主义解释

正如子句逻辑将一阶逻辑(FOL)重新表述为规范形式一样,连接图证明过程通过连接主义框架来适应子句逻辑。这种方法包括预先计算和建立条件和结论之间的连接,同时用它们各自的统一替换标记这些连接。然后可以根据需要激活这些预先计算的连接,无论是向前还是向后。频繁激活的连接可以简化为快捷方式,类似于启发式规则和刺激-反应模式。

虽然子句逻辑基本上是一种符号表示,但一旦建立了联系及其统一的替代,谓词符号的具体名称就变得无关紧要了。随后的推理主要涉及这些连接的激活和新分句的生成。新新子句继承了其前身的连接,在许多情况下,一旦连接被充分利用,过时或冗余的父子句就可以被丢弃或覆盖。

连接可以在任何一点被激活,但当由于新的观察或通信而将新的子句引入图中时,激活它们会更有效。激活可以根据观察和目标的相对重要性(或效用)来确定优先级。此外,可以根据统计数据对不同的连接进行加权,这些数据反映了这些连接在过去产生有益结果的频率。

图2目标和信念之间关系的简化连接图

需要注的是,只有D、F和H与现实世界的元素直接相关。B、C和A是代理用来组织其思想和管理其行为的认知结构。E和G的状态仍未确定。此外,如果D然后((E和F)或(G和H)),则可以通过较低级别目标实现更直接的方法。

根据链接权重,观察和目标强度在整个图中进行分配。激活过程类似于Maes的激活网络,并结合了ALP风格的正向推理和反向推理与最佳优先搜索方法。

尽管连接图模型可能表明思维缺乏语言或逻辑属性,但连接图和子句逻辑之间的区别类似于优化的低级实现和高级问题表示之间的区别。

这个模型支持这样一种观点,即思维在很大程度上是独立于自然语言的。虽然LOT可能有助于开发自然语言,但并不取决于它。

此外,连接图模型表明,代用自然语言表达思想类似于将低级程序翻译成高级规范。正如反编译程序很复杂一样,这也可以解释表达思想可能具有挑战性的原因。

1.量化不确定性

在汇编图中,存在内部链接来组织代理的认知过程,以及外部链接将这些过程与现实世界连接起来。外部链接通过观察和代理的行为被激活,也可能涉及未观察到的世界属性。代理可以针对这些属性制定假设,并评估其可能性。

这些假设的概率会影响代理行为的预期结果。例如:

虽然你可以控制某些行为,例如买彩票或表演祈雨舞,但你不能总是影响他人的行为或全球状况,如果彩票号码是否中奖或神灵是否保祐。充其量可以估计满足这些条件的概率(例如百万分之一)。David Poole[1997]证明,将概率与这些假设相结合,使ALP具有与贝叶斯网络相似的能力。

增强决策能力

应对世界的不确定性对决策提出了重大挑战。传统的决策理论通常通过做出某些假设来简化这种复杂性。最具局限性的假设之一是,所有可能的选择都是预先确定的。例如,在寻找一份新工作时,经典决策理论假设所有潜在的工作机会都是事先知道的,并且只关注于选择可能产生最佳结果的选项。

决策分析通过强调各种选项背后的目标,提供非正式的策略来改进决策。ALP代理模型提供了一种结构化的方法来形式化这些策略,将它们与人类认知的鲁棒模型集成在一起。具体来说,它展示了预期效用(经典决策理论的基石)如何通过最佳优先搜索技术指导对备选方案的探索。此外,它说明了启发式甚至刺激-反应模式如何补充逻辑推理和决策理论,反映了双过程模型的原理。

结论

此次探讨强调了ALP代理模型(借鉴人工智能的进步)提升人类智力的两种关键方式。它帮助人们更清晰、更连贯地表达自己的想法,同时也提高了决策能力。相信应用这些方法代表了一个有前途的研究方向,促进了人工智能专家和人文领域学者之间的合作。

参考文献

[1] [Carlson et al., 2008] Kurt A. Carlson, Chris Janiszewski, Ralph L. Keeney, David H. Krantz, Howard C. Kunreuther, Mary Frances Luce, J. Edward Russo, Stijn M. J. van Osselaer and Detlof von Winterfeldt. A theoretical framework for goal-based choice and for prescriptive analysis. Marketing Letters, 19(3-4):241- 254.

[2] [Hammond et al., 1999] John Hammond, Ralph Keeney, and Howard Raiffa. Smart Choices - A practical guide to making better decisions. Harvard Business School Press.

[3] [Kahneman, and Frederick, 2002] Daniel Kahneman and Shane Frederick. Representativeness revisited: attribute substitution in intuitive judgment. In Heuristics and Biases – The Psychology of Intuitive Judgement. Cambridge University Press.

[4] [Keeney, 1992] Ralph Keeney. Value-focused thinking: a path to creative decision-making. Harvard University Press.

[5] [Maes, 1990] Pattie Maes. Situated agents can have goals. Robot. Autonomous Syst. 6(1-2):49-70.

[6] [Poole, 1997] David Poole. The independent choice logic for modeling multiple agents under uncertainty. Artificial Intelligence, 94:7-56.

原文标题:​ ​ HumanIntrospectionWithMachineIntelligence ​ ​,作者:vuppulapati Chandra Sekhar Naidu

本网站的文章部分内容可能来源于网络和网友发布,仅供大家学习与参考,如有侵权,请联系站长进行删除处理,不代表本网站立场,转载者并注明出处:https://jmbhsh.com/wanjumoxing/32939.html

联系我们

QQ号:***

微信号:***

工作日:9:30-18:30,节假日休息