回应
按立场分组 · 点上方立场只看那一组
该照着人要造出智能，得先弄清人是怎么做的。人工智能研究应当采纳认知科学与发展心理学的实验方法论。
不理解婴儿如何发育出智能，就别指望轻易搞懂生成式人工智能的机制
▶ 2:11杰娜·莱文Are We Thinking Correctly About AI Intelligence? | PODCAST: The Joy of Why2026
人工智能研究应当采纳认知科学与发展心理学的实验方法论，才能成为一门真正的科学
▶ 6:17梅拉妮·米切尔Are We Thinking Correctly About AI Intelligence? | PODCAST: The Joy of Why2026
若 AI 的理解方式不同于人类，这些系统就很难在人类世界中与人协作，也就无法可信赖
▶ 44:14梅拉妮·米切尔The Debate Over “Understanding” in AI’s Large Language Models2024
要把 AI 对齐到人类价值观，它需要具备痛苦、性别、种族这类与人类相似的概念
▶ 52:50温妮·斯特里特Melanie Mitchell - Abstraction and Analogy: The Keys to Robust Artificial Intelligence2023
要让计算机做聪明的事，一个好办法是先弄清人类是怎么做的
▶ 4:00赫伯特·西蒙Herbert Simon : September 19, 1979 : Complete Talk2021
认知建模的目标不是让计算机尽可能聪明，而是复现人类实际使用的那类过程
▶ 27:37赫伯特·西蒙Herbert Simon : September 19, 1979 : Complete Talk2021
不必照人把人类心理学直接编进机器的路线没有成功，成功的是神经网络。
人类自身的智能在很多方面同样是黑箱，并不比人工智能更透明
▶ 7:05史蒂夫·斯特罗加茨Are We Thinking Correctly About AI Intelligence? | PODCAST: The Joy of Why2026
把人类心理学直接编进机器的路线没有成功，成功的是从数据中学习的神经网络
▶ 8:06梅拉妮·米切尔Are We Thinking Correctly About AI Intelligence? | PODCAST: The Joy of Why2026
只看人类视频学不会动作，机器人在自身平台上积累的经验无可替代
▶ 47:31切尔西·芬恩Chelsea Finn: This is the State of the Art in Robotics2026
真正管用的机器学习方法出自统计学与运筹学传统，而非五十年代那套人工智能路线
▶ 3:52迈克尔·乔丹Intelligence is collective, not artificial — Prof. Michael I. Jordan (UC Berkeley / Inria)2026
认知科学与神经科学不是构建现实世界可用系统的前沿
▶ 26:45迈克尔·乔丹Intelligence is collective, not artificial — Prof. Michael I. Jordan (UC Berkeley / Inria)2026
数字系统的权重可脱离具体机器复制，因而能在多份副本间高效共享学习成果
▶ 24:25杰弗里·辛顿The surprising truth about AI’s limits and potential | Geoffrey Hinton | Strange Loop2024
苏菲周报 · THE WEEKLY
每周一封，
追问一个大问题。 苏菲拉底的每周来信，写这一周在追问的问题和看到的回应。
追问一个大问题。 苏菲拉底的每周来信，写这一周在追问的问题和看到的回应。
苏菲拉底
ASK THE BIG QUESTIONS · THINK DEEPLY · SEE THE WORLD DIFFERENTLY
微信公众号
© 2026 苏菲拉底 · 内容仅供学习
[email protected]