集智AI小组第十二次活动纪要
时间：10月25日(周日)上午9点半
地点：三号会所
费用：参加活动每人15元(含一份饮料) [注：这是三号会所收取的场地费，我们的活动是免费的]
主题：
1）01-_-19主持讨论《The Cambridge Handbook of Computational Psychology》的第二章，即Ch.2 Connectionist models of cognition (Michael Thomas and James McClelland) ;
为了使讨论更有成效，请诸位参加者事先阅读这一章，至少要浏览一遍吧。电子版可从Google group的页面(http://groups.google.com/group/swarmagents_ai/files)下载；
2）关于project proposal的想法，可继续讨论～～
后面几次的安排：
读书会2-3（11.8？） 何永振主持讨论
Ch.5 Declarative/ logic-based computational cognitive modeling (Selmer Bringsjord);
读书会2-4（11.22？） jake主持讨论
Ch.3 Bayesian models of cognition (Thomas Griffiths, Charles Kemp, and Joshua Tenenbaum);
读书会2-5（12.6？） ？？主持讨论
Ch.4 Dynamical systems approaches to cognition (Gregor Schoener);
读书会2-6（12.22？） ？？主持讨论
Ch.6 Constraints in cognitive architectures (Niels Taatgen and John Anderson);
==========================
2-5和2-6还没人认领，pem 你能主持2-5吗？我觉得这章由学物理的主持比较好～～
另外，作为背景材料，大家有空的话可以读本认知心理学，毕竟，认知心理学是AI的理论基础之一，虽然很多计算机系的AI不开这门课～～国内用的最普遍的教材应该是王甦先生的《认知心理学》（http://www.douban.com/subject/1122236/），但这本书是1992年出的，无法反映近十多年的研究进展，所以建议找本新的来读，比如这本 http://www.douban.com/subject/3854718/
活动总结
Liu Qingqing总结
第一部分：关于Blue Brain
观看了miner带来的视频，是Henry Markram在今年TED会议上的演讲，题目叫Builds a Brain in a Supercomputer. 研究者们用电生理等技术探索生物神经网络的结构，用一个CPU来模拟一个神经元。预计在10年之内就可实现人脑模拟。演讲梗概 http://www.douban.com/group/topic/7445437/ 视频
http://www.ted.com/talks/henry_markram_supercomputing_the_brain_s_secrets.html
第二部分：介绍/讨论Computational Psychology的第二章Connectionist Models of Cognition。ppt见上次的附件，增加了一些讨论到的内容。
第三部分：郑法伟向大家介绍他对连接主义模型的一些思考，详见他的ppt和程序。
其他：一些讨论（欢迎补充）
1 Miner：贝叶斯模型很强大。贝叶斯模型很适合解释归纳学习：当我们面对一个新事物的时候，会根据已有的经验来猜测它可能具有什么样的性质，这就是我们认为它具有某种性质的先验概率，然后在和它打交道的过程中不断修正这个先验概率，最终能够比较准确地了解这个事物。但目前不是所有的学习都可用贝叶斯模型解释。
2 世界是“概率的”还是“规律的”？世界之所以是这样，是因为它以这种面目出现的概率最大。所谓“规律”并不意味着“绝对会这样”，而只能说“这样的概率太大了，以至于出现其他情况的概率通常被人们忽略”。如果世界是概率的，那么概率是什么？Zheng Fawei：如果人脑的运算能力足够强，那么应该能够发现“概率背后的规律”，也就能够预测一切、解释一切。（大刘写过一篇科幻讲的就是这个，叫《镜子》可以到这里看全文：http://club.book.sohu.com/read_art_sub.new.php?b=science&a=22209&sr=2&allchildnum=50。 pem：我是反對存在終極理論的。我只是覺得在各個層次上，都能找得到好用的規律，都用概率包打是不好的~
3 老何提出的一些关于认知心理学、发展心理学以及大脑结构功能的问题（太多，所以我记不清具体是那些问题了，下面根据印象总结一下，欢迎补充）。可以分层次来研究认知科学。底层：包括神经网络的拓扑结构、神经元的激活模式、信息在突触间的传递模式等（当然还可以进一步向下深入，研究神经元内的生化分子过程，不过这就是生物学的任务了）。高层：观察现象，总结规律。不需要知道背后的神经机制。即使知道了最底层的神经机制，也不一定能与高层的认知现象对应起来。（miner举的例子：你面前这台电脑，你可以拆开机箱来研究它的每一条电路，但知道了这些你就能知道屏幕上显示的是什么吗？）这需要把中间的层次也搞清楚才行。认知心理学与神经科学相结合，探索认知现象的神经机制，并进一步建立各种模型，这就可以看作是对“中间层次”的探索。要根据研究目的来决定研究到什么层面，如果只是功能模拟就没必要研究最底层的神经机制，建立的模型也不一定符合生物的神经网络。
另外：在讨论完毕以后，我们对两个问题做了小小的投票调查：
（问题1）如果最终证明大脑（或人的思维）等同于图灵机，你愿意接受吗？大家基本都表示愿意接受，多数人甚至表示这样的结果是非常令人振奋的（原因：这样很优美/这样就可以实现强AI啦/等等），有人表示理智上可以接受但情感上很难接受
（问题2）你认为所谓的“灵感/直觉/顿悟”是可计算的吗？大概一半认为可计算，另一半表示现在还不清楚需要更多的研究证据，没有人完全认为不可计算。
结论是：本次读书会的参加者们表现出了强烈的计算主义倾向 
Zheng Fawei总结
ppt和程序中(均作了稍许修改)。
NeuralNetworks.pdf 是活动用的ppt，原先的.pptx文件用office2003打不开，所以转换成了pdf格式；
SingleNerveCell文件夹里有训练单个神经元的程序；
SingleNerveCell.f90，nervecell.f90 是源代码；
SingleNerveCell.exe 是编译好的可执行文件（机器配置不同的话可能运行不了，须重新编译）；
train.dat是训练样本，共200组：每组三个数，第一个数比第二个数大的时候 第三个数为1，反之第三个数为零。训练过的神经元能判断两个数的大小；
SingleNerveCell.sln，SingleNerveCell.vfproj是ivf编译器+MS VisualStudio的project文件，用其他编译器时不需要这两个文件。
程序运行时：
首先选择神经元的种类 delta函数 / sigmoid函数 型神经元；
然后选择学习速率；
接着选择学习样本数(1-200)；
回车后会输出训练过的神经元参数；
之后是测试阶段，输入两个数， 程序会给出计算结果；
最后选择是否接着测试；
运行时程序同时给出文件 b.dat, 文件包含依次训练每个样本后的神经元参数。
NeuralNetworks 文件夹里有神经网络的程序，这个程序可以搭建，训练和测试 任意结构的 分层、前馈并且层间全互连的神经网络；
Main.f90， ElementaryNeuralCell.f90， TrainAndTest.f90， TypeNeural.f90， random.f90是源代码。Main.f90是主程序，其他是主程序用到的模块。模块random.f90是从Netlib.org下载的随机数生成器。
NeuralNetWorks.exe 是编译好的可执行文件（机器配置不同的话可能运行不了，须重新编译）；
net.dat 是定义网络结构的文件， 文件中的第一个数字是神经网络的层数n，文件接下来有n+1个数。第一个数是神经网络输入数据个数，之后依次是从输入端到输出端的各层神经元的个数。
作为例子，net.dat定义的网络有九个输入数据，一个输出数据，三层神经元，各含有9个、3个和1个神经元。
training.dat 是训练样本，第一个数是样本总数目，之后是每个样本的输入数据和理想的输出结果；
net.dat中神经网络输入数据个数和输出数据个数需要与training.dat 中每个样本中的数据个数相匹配。
作为例子，training.dat中的数据是 9个数排成三行三列。
如果同一行里的数都是相同的， 就输出1，
如 1 1 1
0 0 0
1 1 1 对应的输出是1；
如果同一列里的数都是相同的， 也输出1，
如 0 1 0
0 1 0
0 1 0 对应的输出是1；
九个数全是0 或全是1 的这种特殊情况 输出也是0；
其他情况的输出都是0。
SingleNerveCell.sln， SingleNerveCell.vfproj 是 ivf编译器 + MS VisualStudio 的project文件；
程序运行时：
提示输入训练循环数， 对于附件中的training.dat和net.dat， 建议选取 1000 左右；
training.dat中共有512个样本，1000个循环 共训练了 512000次；
接着提示学习速率，建议选取 0.2 左右；
学习完成后进入测试阶段；
程序给出神经网络的计算结果；
最后提示是否接着进行测试。
十一月 3rd, 2009 at 10:52 下午
呵呵，就一个字。好！