Robotics, A.I. , N.N.


Robotics, A.I. , N.N.19 Jul 2007 01:29 am

Crazy ideas are non stoppable.

Thanks to Angus of 852signal.com , now there are some blogs talking about our GownFull project.

I have to salute to all friendly peers, at that same time to drive to more advanced stages.

Having traditional IME anywhere is convenient, then how about leaping to a cyber world?

We are not sticking to the keyboard. The development team and people in our google groups are most likely impressed by Taku’s stroke recognition method. We have planned to extend it.

Moreover, I have shown an example of completing phase by Google suggest. That’s not cyber enough. Why are we bond to start input by hand?

To make input as a collaboration, we have to link minds together. Yeah, that’s it, directly accessing people’s mind. Mind scanning cannot be done without super equipment, but we can have some fuzzy logic to mimic people’s mind. With some data input, we can work out an augmented mind processor.

We have many input component in our PC, not all working with your hand. With some crypto tricks, these input can be reform to help the remote side to understand what are there. The remote side computer will do the complicated processing and translation, and finally feed back something, such as a list of guesses. That might be what you really want to input.

I was once planning to make an interpretor for web based video conferencing. But people think that I am just too crazy. Fine, now I can work with simple IME. But the ideas are still sparkling in my mind. There shall be one day all guys giving up traditional input methods. It is because input methods are redundant. You already have all the words in your mind, you already show it off in a dialog. Track back to the ancient times, people don’t even know about writing. Yet they can communicate with each other!

You know it, IME shall evolve !

Robotics, A.I. , N.N.06 Jul 2007 11:56 pm

終於等到這一天了

以前一直是一個兩個輪的方塊形老鼠在撞﹐算個啥屁!

Robotics, A.I. , N.N.21 May 2007 01:16 am

留意我在最底行的推文。單單看得明白 KNN 是 Supervised Learning ﹐不算明白。

作者: BBIO (mustard seed) 看板: AAAAAAAA
標題: [分享] KNN演算法
時間: Wed May 16 02:42:41 2007

KNN演算法
http://mmdays.wordpress.com/2007/05/16/knn/

Posted By Mr. Thursday

各位看到標題,如果沒有聽過KNN演算法,會不會覺得疑惑:KNN是甚麼呢?是不是CNN看久了,就變成DNN、ENN、最後變成KNN了呢?當然不是啦 XD!KNN全名是k-th nearest neighbor,中文意思是「第k位最接近的鄰居」。甚麼是「第k位最接近的鄰居」呢?假設在一個廣場上,有100個朋友,每位朋友都是你的鄰居,最接近你的鄰居,就是「第一位距離最近的鄰居」了,比第一位稍微遠一點的鄰居,就是「第二位距離最近的鄰居」了,以此類推,第10位距離最近的鄰居,就是k=10的時候了。

至於KNN演算法是甚麼,又有甚麼特別呢?之前提過了「人工智慧與機器學習」。KNN演算法就是一種機器學習的演算法。在進一步探討甚麼是KNN演算法之前,我們先介紹一下甚麼是演算法。演算法可以看成是一種「步驟」的集合。舉例來說:我們煮一道菜,第一步是先洗菜,第二步切菜,第三步放油,第四步快炒,第五步加點水悶幾分鐘,第六步再炒幾分鐘,最後第七步加鹽和味精,然後炒到菜煮熟為止。演算法就是這樣子,把工作分成詳細的步驟,有些步驟可能會重複執行,像是菜不夠鹹,就再加點鹽,一直到口味對了為止。有時候會依照情況的不同而有不同的步驟,像是過馬路的時候,如果是紅燈,我們重複「等待」的步驟,如果是綠燈,我們會進行「走路過斑馬線」的步驟。

由於電腦本身就是執行一道一道的指令,因此演算法詳細列出來的步驟,已經很接近電腦執行工作的語言。至於KNN演算法又是由哪些步驟所組成的呢?在這之前,我們再稍微提一下KNN演算法和機器學習之間的關係。之前在「人工智慧與機器學習」的文章中稍微提了一下,機器學習就是讓機器接收外界輸入的資料以後,依照某種演算法(一些步驟的集合),訓練出一種模型,這個模型是一種從資料學習出來的東西,有了這個東西,機器看到新的資料的時候,不會空空如也,而是有某種程度的經驗和智慧,可以了解新的資料了。

在這個過程中,有兩種訓練的方法:監督式和非監督式的學習。所謂監督式的學習,是指在訓練機器學出一個模型的之前,會先有一段訓練的時間,在這段時間裡面,每一筆資料會有一個正確答案,機器學習以後,會根據答案調整自己學習的方法。舉例來說:我們學習數學的時候,可能會練習一些題目,練習以後,會對一下答案,如果算錯了,就會調整自己的計算方式,或是檢查有沒有粗心算錯的地方。機器學習裡面的監督式學習正是如此,訓練之後,才開始有預測的階段,這個時候輸入機器的資料沒有正確答案,機器必須根據他之前學習的模型來判斷,預測新的資料應該輸出哪一個正確答案,而不像再訓練階段的時候,輸入的資料會有人類提供的正確答案了。

另外一種非監督式的學習,則是連訓練的階段都沒有。我們只給予機器簡單的學習方法,或是一個簡單的價值觀,然後就開始把資料輸入機器,讓機器自行判斷正確答案。舉例來說:我們還沒上小學之前,已經有了一些基本的說話能力。我們從嬰兒開始啞啞學語,我們並不曉得,甚麼是主詞、動詞、受詞。我們可能連注音符號都不曉得。但是我們的父母一直跟我們講話,我們有一天就突然蹦出一些詞,第一句可能是「媽媽」!第二句可能是「爸爸」!之後可能開始簡單的對話,最後在上小學之前,我們至少會問簡單的問題,老師講的句子也都聽的懂,才有辦法起立、立正、敬禮,還有學習注音符號,練習寫字了。

非監督式的學習就是類似如此,我們給機器資料,簡單的規則和價值觀,剩下的就交給機器一邊學習一邊預測正確答案是甚麼了。

KNN就是一種非監督式的學習法。首先,我們要替每一筆資料定出一個位置,像是下圖:

knn

我們的目標是要機器學會怎樣子分出紅點和藍點。每個點在平面上有個位置,分別用(x,y)來代表,舉個例子來說:紅點代表女生的大頭照,藍點代表男生的大頭照,x軸代表照片中頭髮的長度,y軸代表照片中臉面積的大小。現在機器已經知道某些點是男生的大頭照(藍色的點)、某些是女生的大頭照(紅色的點)。當一張新的大頭照輸入機器以後(圖片裡面打問號沒有顏色的點),KNN演算法就先計算這個點,和其他已經知道男生或女生的資料點之間的距離(圖裡面畫了幾條線代表在計算距離)。今天KNN的K如果設定成1,也就是(1-NN)的話,代表機器會找第一位距離最近的點,然後看這個點是男生(圖中藍色點)或是女生(圖中紅色點)。如果這個點是男生,那麼我們也預測剛才打問號的這個點(新的資料點)是男生的大頭照。之後這個問號點就變成藍色的,然後繼續反覆同樣的動作在下一個新輸入的資料點,預測新的問號點是男生或是女生。

如果k=3,也就是使用3-NN學習,情況會變成怎樣子呢?機器同樣先計算圖中打問號的點和各個顏色的點的距離,接著選出前三名距離最近的點,然後看看裡面紅色的點比較多(2個以上的點是紅色)還是藍色的點比較多(2個以上的點是藍色),如果藍色點比較多,就判斷這個新問號點,是男生的大頭照了。以此類推,會有5-NN,7-NN,9-NN學習法,端看問題的需要而定。

KNN學習法就是如此。他的好處是簡單,而且是一種非監督式學習方法,讓人們省去準備訓練資料(資料和對應的正確答案)的時間。然而KNN也有他困難的地方。首先是每個機器學習法都要面對的問題,就是選擇特徵,用剛才的例子,我們用頭髮長度和臉大小的面積來讓機器學習,如果遇到留長髮的男生或是輪廓比較大的女生,可能就判斷不大出來:或是說,如果我們改用膚色來判斷,比較白的是女生,比較黑的是男生,萬一這個規則拿來判斷歐洲人,可能也不大行。

另一個困難則是距離的訂定。剛才的例子中,頭髮長度如果用公分來算,差距1公分的頭髮長度,可能有辦法分辨男女。如果是用頭髮的顏色來判斷的話,那麼顏色的「距離」就不知道要怎麼定了,或許可以定成光線頻率的距離,那機器還可以學習,不然「紅色」和「黑色」兩種顏色之間的距離,可能就不知道要怎麼定了。這個問題在語意的問題上,也特別重要。如果我們要判斷兩個詞是否屬於同一類東西,但是只看兩個詞差別的字數,用相異字數的個數來當做座標上的距離,就會出現一些意想不到的狀況。譬如說:「巴黎鐵塔」、和「巴黎蛋塔」,只差了一個字,和「巴黎聖母院」差了三個字,所以「巴黎鐵塔」和「巴黎蛋塔」比較接近,屬於同一類,那麼機器學出來的東西,可能就不是我們想要的了。

因此,KNN是個好用的機器學習法,然而在某些問題上,仍然有改進的空間了!希望大家讀完這一篇以後,都能了解KNN演算法囉!

總結

演算法是一些步驟的集合,包含重覆部分與依條件執行的部分機器學習可分為監督和非監督兩種學習法,差別在於有無訓練資料(訓練資料裡面有正確答案給機器參考)

KNN是一種非監督式學習演算法,是參考最近k個鄰居的答案來做判斷某些問題上(例如語意問題)以及特徵的選擇,是使用KNN需要注意的地方

參考資料

KNN Algorithm (Wikipedia)

演算法Algorithm (Wikipedia)


※ 發信站: 批踢踢兔(ptt2.cc)
◆ From: 61.230.1.51

作者 CharlieL () 看板 learner
標題 Re: [轉錄][分享] KNN演算法
時間 Wed May 16 04:33:56 2007
───────────────────────────────────────

我必須指出來,在一般我所看到的文件中,k Nearest Neighbor 並不是非監督(unsupervised)的方法。實際上,在 wikipedia 裡

http://en.wikipedia.org/wiki/Supervised_learning

很明確的把 kNN 列為 supervised 的方法。一般 supervised 和 unsupervised的分別,是前者有資料的標記(label),像您的例子裡的紅點或藍點。而 unsupervised 的方法,則是連點的顏色都不給,由機器自行歸納。所以您舉的例子,其實是個 supervised learning 的例子,因為訓練資料裡,其實是有標記/答案的。


※ 發信站: 批踢踢兔(ptt2.cc)
◆ From: 71.137.248.70
→ chyang:你說的那個自己歸納的是clustering的演算法嗎?久沒唸書 推 05/16 04:35
→ chyang:了,都還給老師了~~^^~~ 推 05/16 04:36
→ CharlieL:k-NN 不是 clustering,k-means 才是 推 05/16 04:37
→ lxb:大同意. 除非是逆向推導 optium K 推 05/16 15:02
→ lxb:我想連原文, 附帶你的評語借轉到 BLOG, 請問可以嗎? 推 05/16 15:03
→ CharlieL:fine with me 推 05/18 00:30

Robotics, A.I. , N.N.& Digest03 May 2007 12:17 pm

由於 Mr. Thursday 寫的《人工智慧與機器學習》編輯得挺好﹐所以特地 post 一個 link 給學系師弟妹參考。

又照例﹐由於在 ptt2.cc 8A 版看到例牌的反面資料﹐也不忘轉載來參考:

作者 A1Yoshi (啊!我左肩骨露出來了!) 看板 AAAAAAAA
標題 Re: [分享] 人工智慧與機器學習
時間 Thu May 3 06:06:24 2007
───────────────────────────────────────
照例,給一些對立意見的參考資料。內容我就不多說了,有空再聊:

Key words: Chinese Room Arguement (或中文:華語房間論證、中文室論證
、中文房論證)

The first seminal paper against Strong AI written by J. Searle:

http://instruct1.cit.cornell.edu/courses/psych102-summer2003/readings/mbp.pdf

不忘一提﹐暴民 Jacky 也不時有貼關於 AI/Robot 方面的好文章

另﹐以上有關 AI / NN 的文章﹐幾本上都是七八十年代的水平。未入門就看看好﹐入了門還不醒覺﹐那就要檢討一下啦。

Robotics, A.I. , N.N.27 Apr 2007 06:43 am

作者: lxb (無想轉生) 看板: lxb
標題: CMU 教授推出機關術速成包
時間: Fri Apr 27 06:42:41 2007

http://news.com.com/2100-11394_3-6179532.html

http://www.terk.ri.cmu.edu/index.php

很多概念都很好, 不過, 看來賺 $$ 還是不可或缺的核心.
不然, 我看不出 lego mindstorm 有甚麼比不上這計劃.

怎說也好, 我的候補敗家 list 又選一員了.

Terk with Roomba
Terk Flower

※ 發信站: 批踢踢兔(ptt2.cc)
◆ From: 220.246.140.32

Robotics, A.I. , N.N.24 Apr 2007 10:57 am

http://tinyurl.com/37m48x

iRobot SUGV

咁輕身﹐偵察過程中很容易中 Trap 被老笠吧?

好想老笠一隻 Hack 下……唔知伊拉克有沒有網站競標老笠佢?

Robotics, A.I. , N.N.25 Sep 2006 04:21 pm

Current research: neural networks with temporal bais and governing function.

ordinary neuron network: signals has temporal bais based on layers and circuit design.
ordinary learning function: characterising signal magnitude.
temporal bias archived by computation: simple event driven OO programming.
circuit realization: integration operator (recurrent nn).

Main-point :
PoV A. Learning function characterising “signal time shifts” and chronicle events.
PoV B. Suppressing error / Provisioning implied trends , without delaying learning / adaptation

ripple

X is the matter of Subject.

It is governed / disturb by lots of events. Some of the events are predictable and thus to be considered as outstanding sources to for learning. The effect (from) of these events are some how understood, but the triggering time have to be studied / due to change.

Successful learning provides faster and more precise adaptation, outlining temporal relation of centers of decision.

Traditional model:
Error -> tune signal magnitude -> leads to signal decay -> lost track

Proposed model:
Error -> delay / stretch signal -> implies stacks ->
A. stack limits / overflow ?
B. lost in choosing stack / trapped ?
C. better responce to 1st wave ?
D. unefficient learning ?

B/D -> implies second layer of learning/decision (speedy PCA)
Objective : Optimizing C/A

Pros:
- Real life analysts face the same problem set. There is hope to enhance these projections by computation.

Cons:
- Traditional model may be enough, it does not consider human concept / modelling. New model worths no more than satisfying error-poned “model / explanation” needs.

hkday& Robotics, A.I. , N.N.08 May 2006 07:14 pm

http://hackedgadgets.com/2006/05/08/this-is-how-humans-will-die/

由 hkday 的 nnnn 先生推介

按:這不是由蟑螂發動﹐所以不能和軒轅劍二外傳的機關人相比。這只是在「駕駛倉」模擬蟑螂對放大了的互動環境。所以﹐這比較象機動戰士裏的 MA 。

Robotics, A.I. , N.N.23 Apr 2006 12:53 pm

我不介意被當作發瘋。

大學才開始讀機器人學﹐而且是依附於大量的控制論和工程學的課程中﹐我當時認為這個路向是錯誤的﹐所以﹐自己選擇了自己的進路。可惜﹐以四年時間﹐摸定一個系統﹐並不足夠。

這四年內﹐我作了三個主要的嘗試。

第一種﹐是為對人類構造的理解﹐粗略模式為學習解剖學和人類學。誠然﹐我在這兩方面的能力都相當有限﹐為了更有效的理解﹐我曾水過鴨背地學習拉丁文。

第二種﹐是為對人類思路的理解﹐粗略模式為學習認知科學(屬心理學)、古典哲學、文學。這也是我所不擅長的。讀哲學的朋友﹐都說我的思路不夠清晰。我並不以為然﹐因為清晰的思路﹐是一種應用的、詮述性的技巧。有用的是對圖象的組織性﹐這方面我的確表現差勁﹐我相信這是自小以來﹐較少聽音樂的原固。我的節奏感不佳﹐思潮就是需要潮汐回溯﹐這恐怕不是我能克服的障礙。

第三種﹐是為對人類經驗和成長的理解﹐粗略模式為學習歷史、社會學和統計學。最近﹐我把這三個入路﹐交結在宗教(或玄學)的層面處理﹐發覺這相當有用。我也許亦不是這門學問的材料﹐但在這方面﹐成就感要比上述第一二種理解範籌所得的﹐略為好一點。

我記得﹐曾有一期《讀書》或《萬象》的篇章(估計是零三年某一期《萬象》)﹐載述一位大陸的法術學者在港大的教授經驗﹐他十分關心某個學生所探討的信仰問題。我已記不清這個問題是甚麼了﹐然則﹐這篇文章對我的刺激和啟發頗大﹐肯定了超越規範領域的探討模式。

在自動化工程學系﹐若是研究機器人﹐關注點亦可以分為三大象限。第一是控制論﹐第二是機械物理和學子初基﹐第三是智能和模仿。系統編排課目﹐犯了相當嚴重的錯誤﹐把控制論當作核心﹐把物理和學子初基壓在前頭﹐智能和模仿領域﹐實驗資源極之短缺。

這是硬生生的把美國經驗架在香港﹐同時﹐中大聘任得來的教授﹐本就不適合作本科教學。

以一個工程學科而言﹐機械物理和學子初基﹐根柢要厚一點。香港的中學科學教育﹐未能分配足夠的時間在實驗方面。實驗和創作的經驗太少﹐而不能自由借用實驗室、家中又沒有工房﹐是故很難把香港的大學生﹐當作具有工科基礎的匠人。這跟美國有太大分別了﹐跟中國大陸、台灣亦有一定距離。

一旦欠缺了自發實驗和製作的經驗﹐工程科目學習能量一定低。是故﹐香港學生所具的工程學條件﹐相當偏重於電腦編程和應用之上。(因為﹐電腦是最普及、最省空間、最經濟、最堪再用的實驗場所。)

一個成功的學習模型﹐必然須要有自然的導向。自然的導向﹐就是生活化的導向。先要讓學生把握周遭可用的材料(金工、木工、注塑、電子零件)﹐再來討論生活化的問題﹐最後才是探訪如何解決問題、如何優化方案。

由於材料匱乏(我指﹐可以在工坊玩的時間﹐可以在生活中接觸和自行運用材料的機會)﹐學生不具備應用材料的經驗和想象﹐亦欠缺過程中的困難﹐無從將困難問題化。要提起認識材料的旨趣﹐頗不容易。於是乎﹐機械材料科學的觸覺﹐實在不佳。

針對這一點﹐我認為尚有另一種皆存的條件﹐就是材料的定義可以擴闊﹐使香港學生的生活經驗﹐容得套用出來。有甚麼材料﹐以及應用這些材料的經驗﹐香港學生容易掌握呢?我認為就是人體本身。人體本身是最不受工坊經驗所限制的﹐再加上日本機器人卡通片流行﹐相關的玩具和模形亦容易普及﹐香港學生對於仿人機器﹐是有想象、有經驗、有方向的。

美式的機械設計﹐形式較為原始、工具化﹐單用途工具(及其組合)可謂最常見的﹐最好的例子就是單連杆臂(Single linked arm )。這可說是歐陸鑄造、建築經驗的擴展﹐以簡單幾何圖譜( schema)﹐定義出元件單位。在掌握元件的性質後﹐找出最簡單地解決一個問題的方案。

這個思路的背後﹐上承工業化時的思潮。歐美學生﹐多數會對達文西、瓦特、特拉域治的發明和故事﹐以及歷史進程﹐有一定認識。這些東西﹐在歐美可謂是家傳戶曉﹐而且﹐媒體會不斷加以重溫、深化﹐一般學童不必對工程學有興趣﹐只要閒話家常﹐經以吸收了當中的思路和經驗。

再加上﹐歐美基礎工業發達﹐自發配置家用品的行為普及﹐生活中﹐經常會接觸和運用到相關的工具。簡單、容易掌握的金工木工﹐要是應用生活上﹐自然容易培養工程意識。對於歐美兒童而言﹐親手製作和修補籬笆、吊車﹐就是最好的工程學入路。倒模、計力等工程行為﹐也有足夠的物理空間得以發揮。

日本、大陸﹐簡單組裝工業一直佔有地位﹐工匠文化亦比較縱深﹐是故兩地有不少年輕人﹐能從工匠親人中得到部件材料﹐使用進楷工具。兩地的少年科學雜誌﹐都不乏電子應用﹐小工具製作的題目。

但是兩地的文明社會﹐都限於城市地區﹐是式較少出現倒模、計力(主要指建築、伐木和造船)等需要大量空間的玩意。兩地都傾向發展精巧工學。

香港兒童﹐可沒有家傳戶曉的工匠故事﹐也沒有家庭工坊(這在六七十年代則不然﹐六七十年代﹐亦即黏膠花、車衣、零件組裝等作業﹐散入家庭或山寨廠模式的年代)﹐也沒有受尊重的匠人文化。培養工學興趣的入路﹐也就不外乎剪紙、砌積木、拆東西﹐以及配電。

相對於元件認識和組裝經驗﹐香港兒童更具有成品(單車、家電和玩具)應用和想象的能力。這種條件下﹐只有室內設計、運籌規劃、成品優化﹐可以從小就培養起來﹐而且要比其他地方具有優勢﹐能集中發展。這是一種高階工學、以社會化為前提的工學。

是故﹐我認為香港(或任何類似香港般資訊發達﹐生活受空間所限制而高度專精於城市概念)比其他地方﹐更有可能孕育出超越性的工學發明。

甚麼是超越性的工學發明?那就是「源自機器內部的創造力」。

我想﹐亞西莫夫所處身的俄國.美國城市社會﹐就跟香港相似。資訊條件優於空間和材料條件﹐應變智慧強於傳統智慧。

而我就是在這樣的香港社會長大。圖書館的綜合類別﹐奇趣科學全書﹐是啟迪我的思維的兒時讀物。我比其他人更有觸覺﹐知道「自動化的創造」﹐需要的是綜合文化。卡通片、漫畫、武俠或科幻小說﹐豐富的玩具市場﹐這些只有香港兒童和日本兒童才有的經驗﹐讓我認識到自動化創造的可能﹐不是出自日本﹐便是出自香港。

恐怕沒有其他地方的兒童﹐會對擬人化的機器具有深切的信念。

人類學正正是指向綜合化的知識構成論。在卡通、漫畫、無神論發達的地方﹐兒童有特優的條件﹐縱觀各模各樣的文明觀念。這也是歷史中﹐各時代最優秀的商業都會的特色。卡通、漫畫所提供的條件﹐就是跳出傳統而重構、綜合經驗。

歷史地看﹐意大利北部之所以是文藝復興的發源﹐圖案紡織就是充當了今時今日的卡通、漫畫的角色:擺脫了宗教(傳統核心)﹐融合和激發普羅大眾去想象、創作。(《紗之器》的中古奇幻風故事﹐正好說明了「紡織等於創世的魔法和歷史」﹐The weavers 的特點﹐就是斗篷包裹著的人﹐並不具有其他種類的形象﹐是不許別人看的。他們就是雜種﹐不必承載和限制於本身的歷史﹐但正因本身的歷史太過空洞﹐他們特別熱衷於學習和創造﹐以便填補自身)

香港文學不發達﹐正好就造了卡通、漫畫佔據童年空間的條件。香港的無根性﹐甚至使香港比日本有更熱切的再創造動力。(所以我極之反對香港向中國認祖歸宗﹐正是不去認﹐香港才有再造中國的能量。香港人比大陸人更有條件認識國學﹐而同時認識、薰習其他文明。有這種認識﹐反叛的跳躍力一定更大。)

那些卡通、漫畫、小說﹐無論是來自美國、來自日本、來自韓國﹐或是來自歐洲也好﹐我們根本不用刻意地跟隨任何一種﹐而是歷史地看待之、綜合地應用之。

日本漫畫已經啟迪了我們﹐如何能再構世界各地的傳說﹐其欠缺的是前瞻性(況如敘述未來的故事﹐基本質就是歷史故事重新包裝﹐銀英傳即如是)。美國文化﹐則是嚴重非歷史的﹐但卻充滿前瞻性。近來﹐韓國動漫﹐似乎有勢頭﹐把美、日的特點來一個溶合。

看日本漫畫﹐能增加我們對世界文明的曲線認識﹐以及無分曲直的修養。看美國小說、電影、遊戲節目﹐能培養我們的實踐、創新的自信。

揉合這些其他地方的人都無法想象的文化能量﹐我想﹐我現在夠膽重新規劃機器的文明了。

邁向創造的入路如下:

從小亞細亞、印北的宗教、醫學故事中﹐了解人類如何獨立出禽獸。(以往﹐中式的人禽之辨、或希羅式的人神之辨﹐都是已經成熟的人類文明產物);從河谷文明中﹐了解人類如何維護本身的適應力優勢;從草原文明中﹐了解地球人類的宏觀交流。

機器中﹐必須要有一種自覺於其他工具的向度﹐才會有所謂的「意識」。阿西莫夫將這個轉捩點﹐放了在「夢」。我想這已經是太成熟了。這是要有向度的思考﹐不能說是智能之始。閃族文明的精華﹐就是在舊約聖經的第一句﹐「太初﹐上帝說﹐要有光」。這點﹐阿西莫夫視之為世界創造﹐我視之為文明自覺。那是基於光是意識概念化的東西﹐後於大混沌(道教的創世觀)。

光﹐就是生命的能量。機器也要活動的能量﹐自從有智能化的補給系統以來﹐機器的文明基礎﹐已經發生了。是故﹐我曾對熱愛機械人的 benlau 說﹐roomba 那種會自動補給的家具機械人﹐相當有意識。

我甚至說﹐那標誌著機械自覺。相對於因應電量而自動充電的一模家電﹐roomba 是動物﹐家電是植物。動物具有更多要面對的問題﹐這些問題的智慧化﹐交集起來﹐更有條件產生自覺。相對於傳統的活動機器﹐roomba 是配有無線網絡的﹐這是另一個邁向自覺的重要元素:異化體之間開始溝通!

二十多年前螞蟻實驗﹐已經有這向度﹐只差在那些機械蟻﹐沒有離開實驗室﹐沒有生活的命題﹐沒有真正的分工。

知識之所以是知識﹐社會化是必需的。社會化﹐不單是有群體、群體之間有溝通﹐更要有迫使溝通、承傳的行為﹐擴大、常規化的前提:死亡。

第一自覺﹐是維持活動力。第二自覺﹐是對非我的認知。第三自覺﹐是把死亡問題化。

使這三自覺得以進化成創造﹐就是要空間。(人類未宜生活的區間)太空計劃一旦開展﹐機械智能就會找到展現自我的場所。而這個場所必須是 colonized 的﹐亦即是一堆一堆﹐不在一開始便互相連接﹐或經過一段時間﹐而分裂開的。

這種分裂的文明區間﹐會衍化出日漸不同的文明形式。單一種文明形不會有所自覺﹐而當不同的文明成了形﹐可以相互區分之後﹐一旦連接之﹐就會一起自覺了。

第四自覺﹐在非自己中﹐找到平等於我的存在。第五自覺﹐建構歷史想象(神話)。

人從來都沒有創造。人的創造﹐是一種擺脫歷史﹐自以為是的行為。是故﹐創造必然和「歷史」共生。只有把「歷史」非我化﹐割斷演化的記臆﹐人才會自信﹐有所謂「創造」。承載這種創造的最佳容量﹐就是多個相對的文明。單一個文明﹐會把所有創造的歸納於抽象的宗族神明。不同文明之間的殘殺﹐是把創造功勞﹐集中於一個英雄之上的推動力。

第六自覺﹐建構世俗英雄(抽象的﹐回歸現實)。

以上﹐就是我目前心目中的「創造」。


Listed on BlogShares