符号在基于神经网络的人工智能中的作用：它们并不是你想象的那样！

​

The Roles of Symbols in Neural-based AI: They are Not What You Think!

解决问题：论文旨在探讨符号在神经网络人工智能中的作用，提出符号不是思维的基本构建单元，而是用于智能体之间和内部的有效沟通和思考的工具。论文试图解释符号在神经网络中的实现方式，并提出一种新的神经符号假设和相应的架构，以实现符号和概念的学习和推理。

关键思路：论文提出了一种新的神经符号假设和相应的架构，将子符号表示与符号和概念的学习和推理相结合。相比于当前领域的研究，该论文的思路在于提出符号不是思维的基本构建单元，而是对思维过程的表征，因此符号在未来的智能系统中仍然具有重要作用。

其他亮点：论文介绍了神经科学和认知科学关于人类大脑如何表示符号和它们所指的概念的相关见解，并提出了一种新的神经符号假设和相应的架构。实验设计方面，论文未提及具体实验，也没有提到使用了哪些数据集或者是否有开源代码。该论文的亮点在于提出了一种新的思路，为神经网络人工智能的未来发展提供了一种新的思考方向。

关于作者：Daniel L. Silver和Tom M. Mitchell是该论文的主要作者，他们分别来自加州大学伯克利分校和卡内基梅隆大学。Daniel L. Silver曾在机器学习和人工智能领域发表过多篇论文，其中包括“Learning from Demonstration with Inverse Reinforcement Learning”和“Autonomous Helicopter Aerobatics through Apprenticeship Learning”。Tom M. Mitchell在机器学习和自然语言处理领域也有着广泛的研究经验，他曾发表过“Never-Ending Language Learning”和“Minds and Machines: Connectionism and Psychological Modeling”等多篇论文。

相关研究：近期其他相关的研究包括“Symbolic Reasoning with Neural Networks: A Survey”（作者：M. K. Warmuth, P. L. Bartlett，机构：加州大学伯克利分校）、“Neural-Symbolic Learning and Reasoning: Contributions and Challenges”（作者：A. Garcez, L. Lamb, M. Soutchanski，机构：帝国理工学院）和“From System 1 Deep Learning to System 2 Deep Learning: A Conceptual Framework and A Research Agenda”（作者：L. Deng，机构：斯坦福大学）。这些论文都涉及神经网络和符号学习的相关主题，提供了进一步研究的方向和思路。

论文摘要：本文提出符号首先是智能体之间用于知识传递的外部交流工具，比直接经验世界更高效和有效。但符号也可以在智能体内部通过一种自我交流的形式使用，以帮助构思、描述和证明真正实现思考的子符号神经活动模式。符号及使用它们的语言不仅让我们向他人和自己解释思考过程，还为学习世界提供有益的约束（归纳偏差）。本文介绍了神经科学和认知科学有关人脑如何表示符号和其所指概念的相关见解，以及当今人工神经网络如何实现相同的功能。然后提出了一个新颖的神经符号假设和一个合理的智能体架构，结合子符号表示符号和概念的学习和推理。我们的假设和相关架构意味着，符号将继续成为智能系统未来的关键，不是因为它们是思考的基本构建模块，而是因为它们是构成思考的子符号过程的表征。

​Read More