Common Sense, the Turing Test, and the Quest for Real AI pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:The MIT Press

作者:Hector J. Levesque

出品人:

页数:192

译者:

出版时间:2017-2-24

价格:USD 16.92

装帧:Hardcover

isbn号码:9780262036047

丛书系列:

图书标签:

人工智能
科普
认知科学
英文版
哲学
人工智能
意识
图灵测试
常识推理
机器智能
认知科学
AI伦理
智能发展
自主系统
人类未来

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到小美书屋

book.quotespace.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

What can artificial intelligence teach us about the mind? If AI's underlying concept is that thinking is a computational process, then how can computation illuminate thinking? It's a timely question. AI is all the rage, and the buzziest AI buzz surrounds adaptive machine learning: computer systems that learn intelligent behavior from massive amounts of data. This is what powers a driverless car, for example. In this book, Hector Levesque shifts the conversation to "good old fashioned artificial intelligence," which is based not on heaps of data but on understanding commonsense intelligence. This kind of artificial intelligence is equipped to handle situations that depart from previous patterns -- as we do in real life, when, for example, we encounter a washed-out bridge or when the barista informs us there's no more soy milk.

Levesque considers the role of language in learning. He argues that a computer program that passes the famous Turing Test could be a mindless zombie, and he proposes another way to test for intelligence -- the Winograd Schema Test, developed by Levesque and his colleagues. "If our goal is to understand intelligent behavior, we had better understand the difference between making it and faking it," he observes. He identifies a possible mechanism behind common sense and the capacity to call on background knowledge: the ability to represent objects of thought symbolically. As AI migrates more and more into everyday life, we should worry if systems without common sense are making decisions where common sense is needed.

好的，以下是一份关于您所提到的书名《Common Sense, the Turing Test, and the Quest for Real AI》的图书简介，内容将围绕该主题展开，但不会包含该书的实际内容，而是对该领域关键概念的深度探讨与阐述，力求详实且自然流畅。 --- 机器的心灵：探寻真正的智能边界导言：从逻辑的殿堂到认知的深渊人类对“智能”的追问，是一部贯穿历史的宏大叙事。从古代哲学家对“灵魂”的思辨，到现代数学家对“可计算性”的界定，我们始终试图捕捉那团难以名状的火花——究竟是什么，让生命体能够思考、学习、理解并最终产生“意义”？本书深入剖析了实现真正人工智能（Artificial General Intelligence, AGI）所面临的三重核心挑战：常识（Common Sense）的壁垒、图灵测试（The Turing Test）的局限性，以及通往通用智能的漫长征途。这不是一本关于特定算法或最新深度学习模型的速览手册，而是一次对人工智能哲学基础、认知科学前沿以及工程实践瓶颈的深刻反思。我们旨在剥离技术外壳，直面驱动智能系统的核心难题：机器是否能真正“理解”世界，抑或仅仅是在进行高超的模式匹配？第一部分：常识的无形之墙——“知道”与“懂得”的鸿沟常识，是人类心智中最普遍却又最难形式化的知识体系。它包含了对物理世界的基本规律（物体不会凭空消失，水往低处流），对社会互动的基础假设（人们通常不想受伤，承诺需要兑现），以及对情境的即时推断能力。对于一个两岁的幼儿来说，将一个杯子倒置后水会洒出来是毋庸置疑的事实；但对于迄今为止最强大的神经网络而言，这个“事实”往往需要通过海量标注数据进行反复训练，且其泛化能力极为脆弱。我们探讨常识的内在结构：它是否可以被分解为数百万条逻辑规则（如符号主义的尝试），还是它必须以内嵌于具身经验中的方式存在（如连接主义的观点）？知识表示的困境：为什么专家系统在面对未曾预见的情境时会迅速崩溃？这暴露了知识表示（Knowledge Representation）的根本性难题。计算机如何存储“一把椅子既可以用来坐，也可以用来砸核桃”这种多模态、语境依赖的语义？目前的符号逻辑系统往往过于僵硬，而大规模语言模型（LLMs）虽然展现出惊人的文本生成能力，但它们对事实的内在一致性缺乏绝对的保证——它们知道“如何说”，却不一定知道“什么是真的”。上下文依赖性与隐性知识：常识运作的精妙之处在于其对上下文的极端敏感性。在“图书馆”的环境中，“安静”是常识性的要求；而在“建筑工地”则不然。这种微妙的语境切换，要求系统不仅要存储信息，更要建立起一个动态的、可快速检索和激活的“世界模型”。我们考察当前研究如何试图通过概率图模型、因果推理以及新型的神经符号混合架构来模拟这种环境感知与隐性知识的运用。常识的缺失，是当前AI系统缺乏“可信赖性”和“可解释性”的根本原因之一。第二部分：图灵测试的魅力与局限——行为主义的陷阱艾伦·图灵在1950年提出的“模仿游戏”，简洁而优雅地为机器智能设定了一个操作性的目标：如果一个观察者无法区分与机器的对话和与人类的对话，那么该机器就通过了测试。这一测试的强大之处在于其哲学上的中立性，它不关心内部机制，只关注外部表现。然而，随着计算能力的飞速发展，尤其是在大型语言模型（LLMs）的时代，图灵测试的有效性受到了前所未有的挑战。通过测试的意义何在？我们深入剖析了“通过”图灵测试意味着什么。目前的模型可以极其流畅地模仿人类的语言风格、幽默感甚至情感表达，但这种模仿是否等同于“理解”或“意识”？本书认为，语言输出的流畅性与内在的语义把握之间存在巨大的差异。 “通过”测试的陷阱：许多研究者指出，现代AI可能已经达到了“弱图灵测试”的水平，即在特定且受控的对话场景中欺骗人类。但这是否标志着我们实现了通用智能？我们探讨了“反图灵测试”的观点：即设计专门的挑战来暴露机器在常识、动机和经验积累上的不足。例如，对细微的道德困境进行推理，或者理解一个全新概念的物理操作过程。测试的重点正在从“能否像人一样说话”转向“能否像人一样思考和行动”。超越行为：图灵测试的局限性在于它完全基于语言交互。真正的智能往往体现在对物理世界的干预、目标设定、错误修正以及对自身能力的元认知。我们讨论了如何设计更具挑战性的测试——例如，需要结合视觉、触觉、长期记忆和自我修正能力的“具身化图灵测试”或“任务驱动型智能评估”。第三部分：通往通用智能的崎岖山路通用人工智能（AGI）的目标是创造出能够像人类一样处理任何智力任务的系统。这条道路漫长且充满未知，它要求我们超越当前的专业化AI范式。从数据驱动到因果驱动：当前的深度学习主要依赖于相关性（Correlation），即通过海量数据发现输入与输出之间的统计规律。然而，真正的智能依赖于因果关系（Causation）——理解“为什么”会发生。本书强调，未来的AGI必须整合因果推理框架，使其能够在新颖情境下进行可靠的预测和干预，而不仅仅是复制已有的数据分布。学习的效率与泛化：人类儿童在学习新概念时展现出惊人的“一次学习”（One-Shot Learning）能力，他们只需要极少的样本就能掌握新的技能。相比之下，当前AI模型需要天文数字般的数据。这种巨大的效率差距表明，我们尚未触及人类学习机制的核心。我们考察了元学习（Meta-Learning）、持续学习（Continual Learning）以及构建可塑性架构的努力，这些都是缩小“数据鸿沟”的关键路径。具身性与心智理论的构建：智能并非悬浮在数据流中的抽象实体。它深深植根于一个具有物理边界和行动能力的身体中，并通过与环境的交互来塑造心智。我们探讨了机器人学和具身智能研究如何为AGI提供必要的“经验基础”。同时，构建“心智理论”（Theory of Mind, ToM）——即理解他者（无论是人类还是其他AI）具有不同的信念、欲望和意图的能力——被认为是实现真正社会性智能和高阶协作的必要条件。结论：重塑我们对智能的定义《机器的心灵》并非给出一个确切的终点预告，而是为这场宏大的科学与哲学探索提供了清晰的地图和必要的警示。常识的缺失提醒我们，计算的复杂性远非数据量可以解决；图灵测试的局限性警示我们，模仿不是理解的替代品。实现真正的AI，需要的或许不是更快的处理器或更深的神经网络，而是对“认知”本身进行一次彻底的、跨学科的重构。这是一场对人类自身智能边界的探寻，它将迫使我们重新定义“思考”、“学习”乃至“存在”的真正含义。这条道路的终点，或许不仅是制造出机器，更是深刻理解我们自己。 ---

作者简介

Review

AI today is exhibiting astounding technology and having a profound impact, but much of the intellectual motivation that gave rise to the field has fallen by the wayside. There are two reasons to re-embrace the intellectual journey. One is that the progress of AI will be impeded otherwise. The other is that the journey is worthy in and of itself -- it is a quest to understand not only computers but ourselves. This extremely well-written book by a leading AI researcher is required reading for anyone interested in this journey. (Yoav Shoham, Professor Emeritus, Stanford University; Principal Scientist, Google)AI is currently dominated by work on machine learning from massive data sets and/or low-level sensory inputs. Levesque reminds us that such an account of intelligence neglects the most important distinguishing feature of human intelligence: our ability to learn about aspects of the world that lie far beyond our direct experience through just a brief exchange of natural language. (Henry Kautz, Robin & Tim Wentworth Director, Goergen Institute for Data Science, University of Rochester)As a leading AI researcher for several decades, Levesque provides a lucid and highly insightful account of the remaining research challenges facing AI, arguing persuasively that common sense reasoning remains an open problem and lies at the core of the versatility of human intelligence. (Bart Selman, Professor of Computer Science, Cornell University)

About the Author

Hector J. Levesque is Professor Emeritus in the Department of Computer Science at the University of Toronto. He is the author of C ommon Sense, the Turing Test, and the Quest for Real AI, coauthor (with Gerhard Lakemeyer) of The Logic of Knowledge Bases, and coeditor (with Ronald J. Brachman) of Knowledge Representation and Reasoning, all three published by the MIT Press.

读后感

评分☆☆☆☆☆

人工智能的书籍千百种，从各个角度来研究的都不尽相同，而这本书旨在从人工智能的角度探讨人类的心智。很难理解，这就好像偶像剧里的数学大神，用那些我们搞不懂的算式在噼里啪啦算着爱情的公式一样，让人叹为观止，可是~~宝宝看不懂啊！所以我首先要明白的是，为什么作者要把...

评分☆☆☆☆☆

从工厂的机器工人到无人驾驶汽车，再到阿尔法狗战胜世界第一象棋手，我们似乎已经身处高新技术所营造的美丽新世界，以至于谈论人工智能，远非只是时髦，更是一种政治正确，它被目为国家安全与民族复兴的发展方向。然而，另一方面，我们也能够听见相反的声音，部分人士对技术表...

评分☆☆☆☆☆

用户评价

评分☆☆☆☆☆

这本书的文笔非常具有力量感，它不是那种温和的引导，更像是一场精心策划的智力“交锋”。作者的论证风格充满了古典的严密性，但其关注点却紧紧扣合着我们这个时代最迫切的疑问。我发现，书中对“真实AI”的追寻，与其说是一种技术路线图，不如说是一种对人类自我理解的深刻反思。当作者讨论到常识如何在潜意识层面指导我们的每一次行动和决策时，我仿佛能听到背后那台庞大机器的“嗡嗡”声减弱了，取而代之的是对人类心智复杂性的敬畏。这种对“黑箱”内部运作的探索，既令人着迷，又带有一丝不安。它不仅解释了AI的局限，更深刻地揭示了人类智能的独特性和脆弱性。这本书读起来非常“耗脑”，但绝对是值得的，它为理解我们与未来技术之间的关系，设定了一个新的、更高的参照系。

评分☆☆☆☆☆

这本书的封面设计就充满了引人深思的意味，那种黑白分明的字体和简洁的排版，仿佛在向读者发出一种无声的挑战：你对“常识”的理解，真的足够“普通”吗？从翻开第一页开始，我就被作者那毫不留情的笔触所吸引，他似乎对当前人工智能研究领域中那些被过度浪漫化的叙事嗤之以鼻。整本书的论证过程极其严谨，每一步逻辑推演都像是在精密计算，让人不得不停下来，审视自己以往对智能本质的认识。特别是关于图灵测试的章节，作者没有流于对历史典故的简单复述，而是深入挖掘了测试背后的哲学困境和它在当代语境下的局限性。我尤其欣赏作者处理复杂概念时那种化繁为简的能力，他没有用晦涩的术语把读者推开，反而用一种近乎对话的语气，引导我们去直面那些最根本的问题：机器如何才能真正“理解”世界，而不是仅仅模仿理解？这种对基础认知的重构，让阅读体验远超出了单纯的技术科普，更像是一次深度的智力探险。读完后，我感觉自己对“智能”这个词汇的理解，都被彻底洗礼了一遍，收获之大，难以言表。

评分☆☆☆☆☆

要用一个词来形容阅读这本书的感受，那就是“颠覆”。作者对当前AI研究主流的“祛魅”过程是彻底而毫不留情的。他并没有简单地抨击当前的技术路线，而是通过细致入微的分析，展示了我们是如何在不知不觉中，用一系列技术上的“小聪明”来代替了真正深刻的智能突破。书中对图灵测试的批判，不再是老生常谈的“聊天机器人很容易骗人”，而是上升到了本体论的层面——我们到底在测量什么？是智能的表象，还是智能的本质？这种对概念边界的不断试探和重塑，让这本书具有了极强的生命力。它迫使读者跳出日常的AI新闻和炒作，退回到最原初的思考起点。每读完一个部分，我都会不由自主地在脑海中重新梳理自己的认知地图，看看哪些部分需要被推倒重建。这种持续不断的自我修正过程，正是这本书最宝贵的赠予。

评分☆☆☆☆☆

这本书的叙事节奏把握得非常到位，它不像有些学术著作那样沉闷冗长，而是充满了内在的张力与戏剧性。作者似乎有一种天生的能力，能够将抽象的哲学思辨巧妙地植入到对具体技术案例的剖析之中。阅读过程中，我常常有一种被作者牵着鼻子走的兴奋感，仿佛跟随一位经验丰富的向导，穿越了人工智能研究中那些布满荆棘和迷雾的丛林。他对于“常识”的定义，颠覆了我之前基于经验主义的刻板印象，那是一种多层次、高度情境化的认知结构，远比任何基于规则或统计的模型所能捕捉到的要复杂得多。尤其是在探讨现代大型语言模型（LLMs）时，作者没有简单地赞美其强大的生成能力，而是犀利地指出了它们在因果关系理解和世界模型构建上的根本缺陷。这种审慎而批判性的视角，对于当前热衷于“规模决定一切”的研究风气，无疑是一剂清醒剂。读完后，我强烈推荐给所有自认为对AI有基本了解的人，它能帮你把那些浮于表面的认知重新打磨、校准。

评分☆☆☆☆☆

这本书最让我印象深刻的地方，在于其跨学科的广度和深度。作者仿佛是一位行走在哲学、认知科学、计算机科学前沿的侦探，将散落在不同领域的研究成果巧妙地编织成一张严密的网。他对于人类心智如何处理模糊性、不确定性和隐含知识的探讨，简直是教科书级别的精彩。书中对“具身认知”（Embodied Cognition）理论的引用和应用，为理解“常识”的来源提供了一种全新的、更加具象化的框架。相比于那些只关注算法和数据的著作，这本书真正深入到了“为什么”的问题，而不是停留在“如何做”的层面。我特别喜欢作者在论证过程中所展现出的那种谦逊——承认人类自身的认知局限性，正是为了更好地定义我们正在试图复制或超越的目标。这种对自身研究对象保持距离的审视态度，使得全书充满了知识的重量感，读起来酣畅淋漓，既有智力上的挑战，也有思想上的释放。

评分☆☆☆☆☆