查看原文
其他

不过如此or不止如此:我们可以被还原为大脑吗(上)| 神经漫游Ep.20

NR 神经现实 2020-09-12





本期纲要




[01:58]  介绍两种还原论:取消主义和心脑同一论

[12:15]  还原论有什么问题?复杂系统的整体-部分关系

[27:18]  心脑同一论的问题与意识的产生

[35:30]  用奥卡姆剃刀选择理论有问题吗



扫描下方二维码收听

也可点击文末「阅读原文」收听




参考延伸




向下滑动查看


  • More Is Different. By P. W. Anderson. Science 04 Aug 1972: Vol. 177, Issue 4047, pp.

    -参见

    https://science.sciencemag.org/content/177/4047/393


  • 戴维·多伊奇《真实世界的脉络》,见[豆瓣]

    -参见

    https://book.douban.com/subject/26736122/


  • 梅拉妮·米歇尔《复杂》,[见豆瓣]

    -参见

    https://book.douban.com/subject/6749832/


  • 把心灵还原到物理层面的两种理论:

    ①取消的物理主义(eliminativism):不存在心灵状态,只存在脑状态。心灵状态是一种空虚的、像鬼魂一样的虚构物,它不指向任何实际存在的东西。这在本体论上是激进的。

    ②心脑同一论(mind-brain identity theory):存在心灵状态,但是心灵状态=脑状态,正如水=H2O。这在本体论上是保守的。心脑同一论还蕴含了如下规范性的推论:常识的大众心理学(folk psychology)框架可以并且也应该被神经科学的理论框架所取代。


  • 奥卡姆剃刀:简洁是美德。“简单性”是一条挑选理论的重要参考标准。在其它条件相同的情况下,本体论上预设更少的理论是更好的。


  • 连接主义的人工智能:感知机(perceptron),模仿神经元实现感知问题的可能性,用于图像识别分类等 

    ①Marvin Minsky, Perceptrons: an introduction to computational geometry

    ②无法解决线性不可分的问题,如「异或问题」

    ③更多历史:["大脑神经网络——不完美的民主社会"]

    -参见

    https://mp.weixin.qq.com/s/p9g4-4wFYjPcSS1IfmygAg


  • John Hopfield 重新盘活连接主义

    ①用神经网络解决 NP 难问题(e.g., 旅行商问题 travelling sellsman problem)
    John Hopfield, David Tank. “Neural” computation of decisions in optimization problems. Biological Cybernetics, 1985.

    -参见

    https://link.springer.com/article/10.1007/BF00339943


  • 并行分布式信息处理 Parallel and distributed processing (PDP)

    ①神经表示是分布式的,计算是并行的。


  • 获图灵奖的"深度学习三巨头":Yoshua Bengio, Geoffrey Hinton, Yann LeCun


  • 专家系统:基于知识数据库和符号推理的早期人工智能系统。

    -参见

    https://en.wikipedia.org/wiki/Expert_system


  • 联想记忆网络:与循环神经网络类似,是一类带反馈连接的人工神经网络模型,可以用来模拟记忆的存储和提取,或者模式补全。

    -参见

    https://www.tutorialspoint.com/artificial_neural_network/artificial_neural_network_associate_memory.htm


  • 银烛推荐科幻《为您效劳》——选自莱姆《完美的真空》


  • AlphaFold 做蛋白折叠,价值函数估计 Senior, Andrew W., et al. Improved protein structure prediction using potentials from deep learning. Nature 2020.


  • distributional reinforcement learning:预测价值回馈的分布。

    ①Bellemare, Marc G., Will Dabney, and Rémi Munos. A distributional perspective on reinforcement learning. ICML 2017.

    ②Dabney, Will, et al. A distributional code for value in dopamine-based reinforcement learning. Nature 202




统筹:汉那 | 主播:杨闰哲,杨银烛,小羊,汉那

后期:北方

封面:ZHU 排版:茅亚涵


点击此处,即刻收听本期内容

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存