信息数学是人工智能的基础

Information mathematics is the foundation of artificial intelligence

这是我为人工智能技术起草的一篇应邀教育学论文的梗概：我提出了三个相互联系的观点。

If these indirect indications prove meaningful, my administrative responsibilities would focus primarily on three areas: militaryinformation,educational reform, and science and technology.

如果这些间接迹象确有意义，我的行政职责将主要集中在三个领域：军事信息、教育改革

以及科学技术。

第一，人工智能首先是计算性智能。人工“神经元”是数学函数和参数关系，不是生物神经元。更多参数、更多数据和更快速度可以改善系统表现，却不能证明主观体验、自我意识或人类式理解已经出现。

第二，人工智能时代需要建立完整的信息数学教育。学生应当学习表示、不确定性、信息、算法、优化和误差等方面的数学基础，还必须区分现实、数据、模型、算法、输出和人的解释。教育应当训练他们发现假设、偏差和错误，并认识结论的边界。

第三，人工智能时代的数学教育必须把创造力放在中心。计算机越善于回答已有问题，人就越需要学会提出新问题；计算机越善于执行已有算法，人就越需要学会创造概念、发现联系和设计新方法；计算机生成答案越快，人就越需要学会审查证据、判断意义并承担责任。

我并不反对计算技术。我反对的是使用含糊的术语，把计算宣传成人类思维，把流畅输出宣传成意识，把没有证据支持的故事宣传成科学结论。

数学教育也不应回避计算工具。我们应当把工具放在适当的位置：让计算机完成适合计算机的工作，让人把更多精力用于提出问题、理解结构、创造方法、评价证据和作出负责任的判断。

结语：培养理解计算、能够创造的人。

下篇预告：工程技术教育学论文

从逻辑门到人工智能：为什么不应把计算等同于思维

第一，现代人工智能仍然在数字硬件上实现，并通过算法、数据表示、目标函数和参数变换在数学上得到组织。人工智能并没有脱离计算机工程的基本原理。

第二，工程实现和行为描述回答的是不同问题。电路描述说明状态怎样改变；功能描述说明系统完成什么任务；行为描述记录观察者看到了什么。上述任何一种描述本身都不能证明主观体验的存在。

第三，负责任的公共传播不应把有争议的哲学结论说成工程性能自然推出的事实。说一个系统在计算、预测、分类、生成或优化，是可以检验的技术描述；说它能够真正思考或理解，则必须先定义这些词语，并提供进一步证据。

本文的目的不是贬低人工智能。恰恰相反，准确理解计算，能够使我们承认它的真实力量，同时不把尚未得到证明的属性强加给它。