涌现:由小生大,由简入繁。(待续)
这篇书评可能有关键情节透露
粗略地记录一些想法和思考。
(1)关于涌现emergence。
涌现应从两方面去理解,一方面由局部到整体,另一方面由简单到复杂。原本相互独立的要素通过相互作用聚集为一个整体,涌现出个体独立存在时所不具有的行为或功能,这是基于系统论思想的涌现。同时,一些由规则定义的简单的主体通过与环境的相互作用会涌现出复杂的行为,这是基于复杂性思想的涌现。当然,前者是能够包含后者的,复杂系统一定是一般系统,但是一般系统不一定是复杂系统。也就是说,不是所有简单的个体通过相互作用都能产生复杂的行为。
涌现现象一定是可以识别的并且重复发生的。
(2)关于方法论。
作者对还原论的观念做了更深层次的阐述和理解。首先,摒弃了一般意义上的还原论思想。当系统中存在相互作用时,简单地运用还原的观念——只是孤立地研究部分是无法有效研究整体的性质的;其次,提出了新的还原论分析(更觉着像是基于规则的分析)。我们所观察到的种种复杂行为,都可以还原为一组定义宇宙的简单规律或规则,如牛顿定律、自然选择、量子力学等。这一系列规则可以为世界上种种复杂行为做出解释。
每一层次上的行为和结构都依赖于上一层次的行为和结构;较低层次的行为和结构可以限制并帮助我们去认识更高层次的行为和结构。当我们观察规律性时,经常把描述提高一个层次,以替换那些从初始原理中实现起来很困难的计算。
这个的意思大概就是,站在不同的角度和不同的高度看问题,问题的难易程度会有很大的区别。正如高中解空间几何,换个思路问题可能会变得非常简单。也就是说,问题的复杂性与人的认知层次有关。
(3)关于西洋跳棋alphago。
未来可能性仅仅依赖于当前的状态,而与如何到达这个状态无关。
也就说,过去决定现在,现在决定未来。所以历史可以被清零,未来如何仅取决于你现在的表现。很鸡汤了。
作者也大概介绍了一下机器学习下西洋跳棋的基本思想,虽然我也看的梦里懵懂,而且和在其他地方学习到的有那么一点点不太一样的感觉:(不学计算机或人工智能的我写这部分有些班门弄斧了,只能描述个大概。在知乎上看到了一些介绍,搬运一下......https://zhuanlan.zhihu.com/p/20893777)
我记得之前他们有给我介绍我一个是,监督学习(大概就是给你专业棋谱,学习人类是怎么下棋的)一个是,增强学习(大概就是人类那套机器都学会了,然后就开始每天和自己下棋下着玩儿)。
首先,会提炼出能够描述棋谱的一些基本特征,如领先棋子数、棋子的分散程度等,寻找制胜棋盘种的基本特征,为每个特征赋予一定的权重,获得代价函数V。每下一步棋,就会根据V的估计值来决定下一步走哪里,如果实际值与估计值不相符,就修改权重。
如何做到“走一步想三步”呢?
下了一步棋,就遍历这步棋接下来的可能性,并估计对方的策略(假设对方信息完全),选择对方下棋最大损害最小化的策略方式,然后一步一步下。