Sentient AI 不等于智能 AI——Tau 使用逻辑让机器真正理解人

您可能听说过Google 的 LaMDA以及关于 AI 是否可以变得有意识的病毒式讨论。Tau的团队认为，人工智能的感知能力可能只是其智能的一小部分。相反，人工智能的真正智能将基于其从逻辑上理解人们需求并自动满足他们的能力。

Tau 是第一个能够吸收用户的想法、建议和知识，并通过让用户使用机器和人都可以阅读和理解的语言编写来实时更新自己的软件的平台。Tau 的去中心化社交网络及其货币方面，Agoras 加密货币，由团队称之为真正智能的人工智能 - 逻辑人工智能的人工智能提供支持。逻辑 AI 与机器学习完全不同，根据 Tau 的创始人 Ohad Asor 的说法，它正处于成为技术世界下一波浪潮的边缘。

在 Tau 上，Logical AI 将使您能够参与数十亿人规模的讨论，并立即看到通过网络共享的思想背后的集体意图意义。这将通过让人们使用人类和机器都能理解的受控自然语言 (CNL) 来实现。每一个想法和每一条知识，无论是明确的还是隐含的，都将被自动识别并注册为您的世界观，这将作为您在 Tau 上的个人资料，完全属于您。以如此先进的方式组织您的想法和知识将意味着您不仅能够发现突破性的解决方案，而且还能够以前所未有的轻松和直接的方式将您的知识货币化。

只需输入您对 Tau 的想法，您的知识将自动成为您拥有的数字资产。您将能够将您的知识出售给其他买家，或者通过将其特定部分出租给您的订阅者来使用它来创收，因为 Tau 会明白，即使您的一部分知识也可以成为解决某人问题的一部分。Tau 将突出多个用户的知识组合，并将其作为重要和复杂问题的解决方案提出，从而保证所需知识与规范 100% 匹配。

除了基于逻辑的人工智能之外，任何其他类型的人工智能都不可能实现这些解决方案。这是因为，简单地说，Logical AI 就是关于单词和句子的。它的核心是关于从其他陈述中推断陈述的能力，以所谓的演绎推理的方式。例如，从三个语句中：

我们可以推断出陈述

数理逻辑领域教导说，几乎所有逻辑问题都可以归结为这种形式的演绎。例如，一组陈述是矛盾的，当且仅当我们可以从中推断出一个陈述及其否定。

逻辑人工智能是逻辑推理的机械化：发现矛盾，确定结论是否来自给定的假设，等等。因此，它是关于让机器理解我们想要告诉他们的东西的能力，而不仅仅是机器指令。

同时，机器学习是目前最普遍的人工智能形式，它是关于从示例中进行概括。因此，如果我们要以机器学习的方式来传达上述法国和巴黎的例子，我们必须为算法提供许多“x 在 y”形式的例子，然后希望算法能够得出结论，巴黎在欧洲。

这种交流方式甚至不配被称为智能，因为如果不能断定巴黎在欧洲，它怎么可能是智能的，并且必须看到大量的例子才能“理解”这一点，而即使是不保证？从示例中进行概括具有概率性质。我们如何猜测看不见的样本？令人惊讶的是，机器学习有时可能是正确的，而且并非完全随机，而且机器学习确实应该被称为数学奇迹。毕竟，在一些样本之外的零知识的情况下，怎么能说出高概率甚至近似正确的东西呢？

令人惊讶的是，机器学习可以做到这一点。这就是机器学习的所有优点和缺点。它的用例是当我们对系统知之甚少或一无所知时，我们所能做的就是取样并尝试概括它们。

另一方面，逻辑人工智能完全是关于全面的知识和绝对性，无论是明确的还是隐含的。这也是一种更有效的沟通方式，直接沟通，“只是说事情”，而不是费力地举出很多例子。

此外，机器学习本质上无法执行逻辑推理，例如检测矛盾。使用复杂性理论论证在数学上证明了这一点。因此，机器学习只在非语言领域取得成功也就不足为奇了，而在自然语言处理领域，它只呈现出非常有限的能力。

然而，相反的方式是完全有效的：不仅逻辑可以进行机器学习，而且它已经可以了。机器学习算法已经以逻辑形式表达（与示例相反），并且已经实现为计算机程序，这些程序也采用逻辑而非概率形式，即机器指令。

因此，涵盖逻辑 AI 也涵盖了机器学习，但反过来永远无法实现。另一种说法如下：机器学习最终涵盖了所谓的归纳推理和溯因推理（大致对应于所谓的监督学习和无监督学习），因此它非常有前途，但仍处于有限的形式仅作为示例，此外，当前技术仅处理数字性质的数据，或可以转换成数字性质的数据。另一方面，逻辑人工智能可以涵盖定性和定量数据中的演绎推理、归纳推理和溯因推理。

这些是Tau选择逻辑 AI 作为 AI 的最终形式的主要原因，认为机器学习只是 AI 历史上的一个里程碑。Tau 的解决方案将改善人类带宽的许多方面，从讨论规模到知识货币化，再到智能合约和去中心化治理。所有这一切都是因为逻辑能够弥合人与机器之间的鸿沟。

在此处了解有关 Tau 及其背后团队的更多信息

加入Telegram上不断壮大的 Tau 社区