人类如何经过机器自动增强认知环节和行为

计算逻辑以各种方式出现,就像其余类型的逻辑一样。本文将重点引见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备压服力的模型。

ALP代理框架作为一个解释性模型,它以消费系统为例;而作为一种规范性模型,它不只包括经典逻辑,而且与传统的决策实践相分歧。ALP代理框架的双重性性质包括直觉推理和慎重推理,将其归类为双环节实践。与其余实践结构相似,双环节实践有多种版本。正如[Kahneman 和 Frederick ,2002] 在参考文献中所形容的那样,直觉思想“迅速发生判别疑问的天性处置方案”,而慎重思想“评价这些处置方案,选择能否认可、调整或拒绝它们”。

本文将关键关注ALP代理框架的规范性元素,探求如何应用它来增强者们的认知环节和行为。详细来说,将钻研它在日常生存中提高人们的沟通技巧和决策才干的后劲。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松软的实践基础,并为[Hammond等人,1999]中讨论的更好的决策提供了见地。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求,并援用了相关的学术著述。

图1简化的溯因推理和代理循环

ALP代理的基本概述

ALP代理框架可以被以为是BDI(决计-欲望-用意)模型的一种变体,其中代理经过构成用意(实质上是执行方案)来应用常识成功其指标,用意实质上是执行方案。在ALP代理中,常识(决计)和指标(用意)都以逻辑方式示意为条件语句。决计被示意为逻辑编程规则,而指标则经常使用更灵敏的子句来形容,能够捕捉一阶逻辑(FOL)的所有范围。

例如,以下的语句说明了这一点:第一个语句表白了一个指标,随后的四个语句代表了决计:

在本次讨论中,指标通常在开局时就构建了条件,由于它们关键用于正向推理,相似于消费规则。另一方面,决计通常首先得出论断,由于它们通罕用于反向推理,相似于逻辑编程。但是,在ALP中,决计也可以先用条件来写,由于它们可以运行于正向推理和反向推理。详细的顺序(无论是正向还是反向)都不会影响底层逻辑。

1.模型假定和适用言语

更便捷地说,在ALP代理框架内,决计代表了代理对环球的认识,而指标则依据代理形容了环球的希冀形态。在归结数据库语境中,决计对应于存储的数据,指标与查问或完整性规则相关。

在方式上,在ALP代理框架的模型实践解释中,具备决计BBB、指标GGG和观察OOO的代理必定确定执行和假定,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具备共同的最小模型。其余更复杂的场景可以简化为霍恩条款的状况,虽然这些技术方面超出了这里的关键关注点。

在实践的解释中,ALP代理关键基于其观察结果启动正向推理,而代理则从其决计中既启动正向推理和反向推理,以评价指标条件能否满足,并确定相应的结果作为要成功的指标。正向推理相似于基于规则系统中的正向链接,它经过确保满足条件来使指标的论断成立。以这种方式解释的指标通常被称为保养指标。另一方面,经过反向推理来处置成功指标,这触及找到一系列执行,当执行这些执行时,将成功指标。反向推理作为指标合成的环节,其中可操作的步骤被视为原子子指标的特定状况。

例如,假设你观察到一场火灾,可以经常使用前面提到的指标和决计,经过正向推理得出紧急状况存在的论断,从而成功自己处置状况、寻求协助或逃离的指标。这些选项构成了一组初步的或许性集。为了成功指标,可以启动反向推理,将寻求协助的指标合成为子指标,例如前方路线有阻碍时,通知火车司机和按下报警按钮。假设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),那么可以间接执行。假设此操作成功,则成功了成功指标,同时也满足了相应的保养指标。

从模型论的角度来看,代理不只要生成举措,还要对环球做出假定。这正是ALP中溯因推理概念施展作用的中央。溯因推理触及构成假定以解释观察结果。例如,假设观察到的是烟而不是火,并且置信出现烟雾象征着有火灾,那么从观察到的现象登程启动反向推理,将会造成假定有火灾存在。而后,正向推理和反向推理将照常启动。

在模型实践和操作语义学中,观察结果和指标都以相似的方式处置。经过正向推理和反向推理,代理生成举措和额外的假定,以在其决计所定义的环球的最小模型中使指标和观察结果成立。在前面的例子中,假设观察结果是存在烟雾,那么存在火灾的决计和按下警报按钮的举措,联合代理的决计,都会使指标和观察结果成立。只需满足某些假定,操作语义就与模型论语义坚持分歧。

2.选用最优解

或许存在多种处置方案,这些处置方案与决计集BBB相联合,使得指标GGG和观察结果OOO都有效。这些处置方案或许有不同的结果,而代理面临的应战是在可用资源的限度下识别出最有效的处置方案。在经典决策实践中,一个举措的价值由其结果的预期效益选择。雷同地,在迷信哲学中,一个解释的价值是依据其或许性和解释观察结果的才干来评价的(能够解释的观察结果越多,就越好)。

在ALP代理中,这些相反的规范可以运行于评价潜在的行为和解释。这两种假定都是经过预测结果来评价的。在ALP代理中,寻觅最优解的环节被整合到反向推理战略中,应用最佳优先搜查算法(例如,a *或分支定界)等方法。这种方法相似于基于规则的系统中处置抵触的便捷义务。传统的基于规则的系统经过将初级指标、决计和决策转换为低级启示式和抚慰-反响形式来简化决策和溯因推理。例如:

在ALP代理中,低级规则可以与初级认知环节相联合,相似于双环节实践,以应用这两种方法的长处。与大少数一次性只关注一个方案的BDI代理不同,ALP代理可以处置单个举措,并可以同时执行多个方案,以提高成功的或许性。例如,在紧急状况下,代理或许会同时启动警报并尝试逃生。是专一于一个方案还是同时关注多个方案,取决于所选的搜查战略。虽然深度优先搜查一次性只关注一个方案,但其余战略或许会带来更大的好处。

ALP代理模型可用于创立人工代理,但它也是了解人类决策的有用框架。在接上去的章节中,将论证这个模型不只改良了传统的逻辑和决策实践,而且还提供了一种规范(或规则性)的方法。驳回ALP代理模型作为初级决策实践基础的理由是,子句逻辑提供了一种思想言语(LOT)的可行示意。将经过比拟子句逻辑和人造言语来进一步讨论这一论点,并展现这个模型如何协助团体启动更明晰、更有效的沟通。在最后一章节中,将从新讨论ALP代理模型在增强决策中的运行。

作为主体认知框架的子句逻辑

在言语和思想的钻研中,关于言语与认知的相关有三种关键实践:

ALP代理模型与第一种实践分歧,与第二种实践相悖,与第三种实践兼容。它与第二种实践相悖,由于人工自动的逻辑框架并不依赖于书面语的存在,而且依据人工自动的规范,人造言语往往过于含糊,无法有效地模拟人类的思想。但是,它支持第三种实践,由于它的衔接主义实施掩盖了其言语个性。

在人工自动畛域,某种方式的逻辑代表代理的认知框架的观念与传统的人工自动方法(通常称为GOFAI或“传统的人工自动”)严密相连,但新方法(例如衔接主义方法和贝叶斯方法)在必定水平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和谐方式。ALP的子句逻辑比规范的一阶逻辑(FOL)更便捷,融入了衔接主义原理,并蕴含了贝叶斯概率。它与规范的一阶逻辑的相关相似于认知框架与人造言语的相关。

这一论点始于关联实践[Sperber和Wilson, 1986],该实践以为人们了解言语是经过用起码的认知致力提取最多的信息。依据这一实践,沟通越合乎其用意,受众就越容易了解。钻研认知框架实质的一种方法是审核准确和有效了解至关关键的场景。例如,伦敦地铁上的紧急通知设计得很容易了解,由于它们被明白或隐含地结构为逻辑条件句。

1.紧急状况下应采取的执行

要处置危机,激活报警信号按钮通知火车司机。假设火车停在车站,司机就会立刻停车。假设没有报警,火车将驶往下一站,在那里可以更容易地提供声援。须要留意的是,不当经常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指标,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方式表白,但有些含糊且不足完整的条件。它或许象征着假设火车司机收到警报,并且火车停在车站,那么就会停车。

第三个指令触及两个条件:假设收到警报,火车不在站内,司机将在下一个站点停车。假设火车离站点越近,就越容易提供声援,这句话是一个附加论断,而不是一个条件。假设这是一种条件,那就象征着火车只停在容易取得声援的车站。

第四个指令是有条件的:不当经常使用报警信号按钮或许会被罚款50英镑。

紧急通知的明晰性是由于它与认知框架中的预期意义相分歧。该通知是连接的,由于每句话都与前一句有逻辑咨询,并与读者对应急程序的或许了解坚持分歧。

省略条件和细节有时会增强连接性。依据Williams[1990,1995]的观念,连接性也可以经过构建句子来成功,让相熟的想法出如今扫尾,新的想法出如今开头。这种方法准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接性。依据Williams[1990,1995]的观念,连接也可以经过组织句子来成功,让相熟的想法出如今扫尾,新的想法出如今开头。这种方法准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代理模型所处置的推理类型:

因此,你不应该不带伞进来。

在下一节中,将论证这些例子中所展现的连接性可以经过句子中条件和论断之间的逻辑相关来了解。

2.人造言语与认知表征

与解释为明晰和连接而精心设计的信息相比,了解日常的人造言语交流是更复杂的应战。这种复杂性包括两个关键方面。首先,它须要破译通讯的预期含意。例如,要了解模棱两可的句子“他给了她这本书”,一团体必定确定“他”和“她”的身份。

第二个应战是以规范化格局对预期的含意启动编码,以确保相反的信息获取分歧的示意。例如,上方的句子表白了相反的意思:

用规范的方式示意这个共同的含意,简化了后续的推理。共享的意思可以用一个逻辑表白式来表白,例如给(give)(Alia, Arjun, book),或许更准确地说:

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

准确的格局有助于更有效地域分相似的事情和对象。

依据关联实践,为了提高了解才干,交流应该与他们的心思表征严密联合。它们应该明晰繁复地表白进去,反映代表的规范方式。

例如,与其说“属于水生脊椎类的鱼都有鳃”,不如说:

在书面表白中,明晰度通常是经过标点符号来成功的,例如在相关子句周围加逗号。在子句逻辑中,这种区别反映在论断和条件之间的差异上。

这些例子标明,条件和论断之间的区别和相关是认知框架的基本方面,支持了这样一个概念,即具备条件方式的子句逻辑是了解心思表征的牢靠模型。

3.规范FOL与子句逻辑的比拟

在人工自动的常识示意畛域,曾经探求了各种逻辑系统,其中子句逻辑通常被定位为传一致阶逻辑(FOL)的代替方案。虽然它很便捷,但子句逻辑被证实是建模认知环节的有力候选者。

子句逻辑经过其便捷的条件格局将其与规范FOL区离开来,同时坚持了相当的表白力。与依赖显式存在量词的FOL不同,子句逻辑经常使用Skolemization将标识符调配给假定的实体,(例如e1000和book21),从而保管其表白才干。此外,子句逻辑在某些方面优于FOL,特意是在与最小模型语义联合时。

子句逻辑中的推理显著比规范FOL更便捷,关键触及正向推理和反向推理环节。这种便捷性裁减到自动推理,包括在最小模型语义框架内处置失败否认。

规范FOL和子句逻辑之间的相关反映了人造言语和假定思想言语(LOT)之间的相关。这两个系统都触及两个推理阶段:第一阶段将语句转换为规范格局,而第二阶段则应用这种格局启动推理。

在FOL中,初始推理规则用于将句子转换为子句方式,例如Skolemization和逻辑转换(例如,将¬(A∨B)转换为¬A∧¬B)。随后的推理就触及到用这种子句方式启动推理,例如从∀X(XP(X))推导出P(t),这是正向推理和反向推理无法或缺的环节。

就像人造言语提供多种方式来传播相反的信息一样,FOL提供了等效语句的许多复杂示意。例如,“一切的鱼都有鳃”的断言可以在自在言语中以各种方式示意,但子句逻辑将其简化为规范方式,以子句为例:鳃(X)←鱼(X)和鱼(Alia)。

因此,子句逻辑与FOL的相关相似于LOT与人造言语的相关。正如LOT作为人造言语表白式的精简和明白版本一样,子句逻辑提供了FOL的简化版本和规范版本。这种比拟强调了子句逻辑作为认知表征基础模型的可行性。

在人工自动中,子句逻辑已被证实是一种有效的常识示意框架,独立于代理经常使用的通讯言语。关于人类的交流,经过与LOT坚持分歧,子句逻辑提供了一种更明晰、更连接地表白想法的方法。经过将新信息与现有常识整合,子句逻辑促成了更好的连接性和了解,应用其与衔接主义示意的兼容性,在衔接主义示意中,信息被组织在指标和决计的网络中[Aditya Amin, 2018]。

子句逻辑的衔接主义解释

正如子句逻辑将一阶逻辑(FOL)从新表述为规范方式一样,衔接图证实环节经过衔接主义框架来顺应子句逻辑。这种方法包括预先计算和建设条件和论断之间的衔接,同时用它们各自的一致交流标志这些衔接。而后可以依据须要激活这些预先计算的衔接,无论是向前还是向后。频繁激活的衔接可以简化为快捷方式,相似于启示式规则和抚慰-反响形式。

虽然子句逻辑基本上是一种符号示意,但一旦建设了咨询及其一致的代替,谓词符号的详细称号就变得有关紧要了。随后的推理关键触及这些衔接的激活和新分句的生成。新新子句承袭了其前身的衔接,在许多状况下,一旦衔接被充沛应用,过期或冗余的父子句就可以被摈弃或笼罩。

衔接可以在任何一点被激活,但当由于新的观察或通讯而将新的子句引入图中时,激活它们会更有效。激活可以依据观察和指标的相对关键性(或成效)来确定优先级。此外,可以依据统计数据对不同的衔接启动加权,这些数据反映了这些衔接在过去发生有益结果的频率。

图2指标和决计之间相关的简化衔接图

须要注的是,只要D、F和H与事实环球的元素间接相关。B、C和A是代理用来组织其思想和治理其行为的认知结构。E和G的形态仍未确定。此外,假设D而后((E和F)或(G和H)),则可以经过较低级别指标成功更间接的方法。

依据链接权重,观察和指标强度在整个图中启动调配。激活环节相似于Maes的激活网络,并联合了ALP格调的正向推理和反向推理与最佳优先搜查方法。

虽然衔接图模型或许标明思想不足言语或逻辑属性,但衔接图和子句逻辑之间的区别相似于优化的低级成功和初级疑问示意之间的区别。

这个模型支持这样一种观念,即思想在很大水平上是独立于人造言语的。虽然LOT或许有助于开发人造言语,但并不取决于它。

此外,衔接图模型标明,代用人造言语表白思想相似于将低级程序翻译成初级规范。正如反编译程序很复杂一样,这也可以解释表白思想或许具备应战性的要素。

1.量化不确定性

在汇编图中,存在外部链接来组织代理的认知环节,以及外部链接将这些环节与事实环球衔接起来。外部链接经过观察和代理的行为被激活,也或许触及未观察到的环球属性。代理可以针对这些属性制订假定,并评价其或许性。

这些假定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,例如买彩票或扮演祈雨舞,但你不能总是影响他人的行为或环球状况,假设彩票号码能否中奖或神灵能否保祐。充其量可以预计满足这些条件的概率(例如百万分之一)。David Poole[1997]证实,将概率与这些假定相联合,使ALP具备与贝叶斯网络相似的才干。

增强决策才干

应答环球的不确定性对决策提出了严重应战。传统的决策实践通常经过做出某些假定来简化这种复杂性。最具局限性的假定之一是,一切或许的选用都是预先确定的。例如,在寻觅一份新上班时,经典决策实践假定一切潜在的上班时机都是事前知道的,并且只关注于选用或许发生最佳结果的选项。

决策剖析经过强调各种选项面前的指标,提供非正式的战略来改良决策。ALP代理模型提供了一种结构化的方法来方式化这些战略,将它们与人类认知的鲁棒模型集成在一同。详细来说,它展现了预期成效(经典决策实践的基石)如何经过最佳优先搜查技术指点对备选方案的探求。此外,它说明了启示式甚至抚慰-反响形式如何补充逻辑推理和决策实践,反映了双环节模型的原理。

论断

此次讨论强调了ALP代理模型(自创人工自动的提高)优化人类智力的两种关键方式。它协助人们更明晰、更连接地表白自己的想法,同时也提高了决策才干。置信运行这些方法代表了一个有出路的钻研方向,促成了人工自动专家和人文畛域学者之间的协作。

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.

原文题目:​ ​ HumanIntrospectionWithMachineIntelligence ​ ​,作者:vuppulapati Chandra Sekhar Naidu

您可能还会对下面的文章感兴趣: