Įvadas į eksperimentinę AI epistemologiją, kurią sukūrė Monica Anderson
Nukopijuota iš Mano pagrindinė svetainė:
Eksperimentinė epistemologija yra kognityvinių mokslų eksperimentinių metodų panaudojimas norint paaiškinti diskusijas epistemologijoje, filosofinis žinių ir racionaliai pagrįstų įsitikinimų tyrimas. Kai kurie skeptikai tvirtina, kad „eksperimentinė epistemologija“ (arba „eksperimentinė filosofija“ apskritai yra oksimoronas. Jei atliekate eksperimentus, jie sako, kad jūs nedarote filosofijos. Jūs darote psichologiją ar kitą mokslinę veiklą. Tiesa, kad eksperimentinės filosofijos dalis, skirta eksperimentams atlikti ir atlikti statistinę duomenų analizę, pirmiausia yra mokslinė, o ne filosofinė veikla. Tačiau kadangi eksperimentai yra skirti paaiškinti diskusijas filosofijoje, patys eksperimentai išauga iš pagrindinių filosofinių diskusijų, o jų rezultatai yra įšvirkščiami į diskusijas, atsižvelgiant į diskusijų judėjimą į priekį. Ši eksperimentinės filosofijos dalis iš tikrųjų yra filosofija, o ne kaip įprasta, bet vis dėlto filosofija.
Eksperimentinė epistemologija, kurią sukūrė Jamesas R. Beebe
Tradicinė eksperimentinė epistemologija atliko interviu ir psichologinių tyrimų su žmonėmis tyrimus arba rėmėsi gyventojų statistika.
Kaip viena iš naujesnių kognityvinio mokslo šakų, mašinų mokymasis dabar mums suteikė labai skirtingą požiūrį į šią sritį. Dabar galime sukurti kompiuterinius eksperimentinius įgyvendinimus pagal epistemologijos lygio teorijas, kad galėtume jas išbandyti ir pasimokyti iš rezultatų.
Mašinų mokymosi metu svarbiausios epistemologijos lygio koncepcijos ir hipotezės yra apie samprotavimus, supratimą, mokymą Šios savybės:
-
Mokslas neturi lygčių, formulių ar kitų modelių, kaip jie veikia. Tai yra epistemologijos lygio sąvokos, o ne mokslo lygio sąvokos.
-
Mūsų teorijos apie šias sąvokas turi būti pakankamai tvirtos ir išsamios, kad būtų galima įgyvendinti kompiuterius.
Taip yra todėl, kad pats mokslas yra paremtas epistemologijos lygio koncepcijomis. Ir praktikai turi tai žinoti, arba jie patirs pažinimo disonanso sukeltą sumišimą ir stresą.
Raudona mašininio mokymosi piliulė susiduria su drambliu mašininio mokymosi kambaryje: Mašinų mokymasis nėra mokslinis.
Ištrauka iš Raudona piliulė:
Apsvarstykite žemiau pateiktus (neoficialius) epistemologijos srities teiginius ir tai, kaip kiekvienas iš jų gali būti vertinamas kaip AI dizainerių diegimo užuomina. Mes jau galime įvertinti jų poveikį sistemos kompetencijai.
„Galite tik išmokti to, ką jau beveik žinai“ – Patrick Winston, MIT
„Visi intelektai yra klaidingi“ – Monica Anderson
„Norint nustatyti, kad kažkas yra naujo, reikia atpažinti viską seną“ – Monica Anderson
„Negalite pagrįsti to, ko nesuprantate“ – Monica Anderson
„Jūs esate žinomas pagal jūsų saugomą įmonę“ – įterpimo į gilų mokymąsi pateisinimas
„Visa naudinga naujovė Visatoje yra dėl variacijų ir atrankos procesų“ – atrankos specialisto manifestas. Atrankiškumas yra darvinizmo apibendrinimas. Štai kodėl veikia genetiniai algoritmai.
Mokslas „neturi lygčių“ tokioms sąvokoms kaip supratimas, samprotavimas, mokymasis, abstrakcija ar modeliavimas, nes jos visos yra epistemologijos lygio koncepcijos. Mes net negalime pradėti naudoti mokslo, kol nusprendėme, kokį modelį naudoti. Turime panaudoti savo patirtį norėdami atlikti episteminį mažinimą, atsisakyti nereikšmingo, pradedant nuo nepatogios realaus pasaulio problemos situacijos, kol mums nepalieka mokslinio modelio, kurį galime naudoti, pavyzdžiui, lygtį. Didžiausias dėmesys AI tyrimuose turėtų būti būtent tai, kaip mes galime priversti savo mašinas patys atlikti šį ikimokyklinį episteminį mažinimą.
Ir atsakymo į tai negalima rasti mokslo viduje.
