理解

维特根斯坦则揭示了AI在语言理解中的困境，特别是在没有真实语境和互动的情况下，AI无法像人类一样真正理解语言的深层意义。

AI系统通常依赖于大规模的文本数据进行训练，学习如何生成或理解语言，但它并不“参与”真实的语言游戏。

听觉系统要从简单的声音检测发展到能够理解语言的含义和情感。

它如何理解空中飞翔的这个物理世界的？

遗憾的是，今天大多数人对“一稿多投”的理解还局限于上个世纪，笼统把“一稿多投”和“一稿多发”等同起来。

把理解爱因斯坦作为参照，我们对吉布斯的理解还远远没有达到应有的深度。

通过私下平等交流，进一步深化对问题的理解与认识，这既是对受检单位的尊重，也是对专业严谨性的坚守。

80年后的1996年，周光召院士在全国科普大会上首次将“科学精神”引入国家科普政策体系，2002年《中华人民共和国科学技术普及法》正式实施，即便从该概念进入科普法算起，科学精神在国家的大力推动下也已经传播20多年了，尽管公众对科学精神的理解与认知有了很大的进步，但客观地说，这种进步与政策制定者与全社会的预期还是存在很大差距的，问题到底出在哪里？

有时候可能想法很好，但申请书没完全写清楚重点，或者表达上有点小瑕疵，影响了评审的理解。

男女对友谊的理解是否相同？

这有助于人类理解和信任机器的决策，从而更好地进行协同工作。

机器人根据对环境和人类的理解，做出灵活的决策。

这使得研究人员无法区分蛋白的自然运动与非特异性解离引发的运动，进而限制了对GATOR2作用机制的理解。

如深度学习算法在计算机视觉、自然语言处理等领域取得了显著成就，其原理基于数学中的神经网络模型和优化算法，通过大量的数据训练，使计算机能够自动学习到数据中的复杂模式和特征，实现对图像、语音和文本等信息的理解和生成。

计算机虽然可以通过传感器获取一些外部信息，但它对信息的理解和情感体验方面的能力非常有限，无法像大脑那样将感知和情感融入到“计算”过程中。

同时，东方文化中注重和谐、平衡的价值观也深刻影响了对复杂性的理解，东方人在处理复杂问题时，往往追求一种整体的和谐与平衡，而不是单纯强调逻辑的严密性和结果的精确性。

在文化艺术方面，东方的书法、绘画等艺术形式也蕴含着对复杂性的理解。

再说几句我对学术传承的理解。

人机复杂交互中的信任问题确实与使用者对世界的理解密切相关，这种理解不仅塑造了用户对技术的认知框架，也决定了其如何评估交互风险、解读系统行为，并最终形成信任或不信任的判断。

人机复杂交互的信任问题取决于使用者对世界的理解人机复杂交互的信任问题取决于使用者对世界的理解精选

因此，提升人机信任需双管齐下：一方面通过用户教育优化其对世界的理解（减少认知偏差），另一方面通过系统设计增强透明度与可靠性（提供可信赖的交互证据）。

用户对世界的理解并非孤立存在，而是与系统设计、交互模式动态互构，共同塑造信任。

用户对世界的理解（知识、经验、风险感知、价值信念）构成了这一认知的“滤镜”，而系统设计（可解释性、一致性、教育引导）则决定了这面“滤镜”能否被调整得更清晰。

这里的“对世界的理解”可拆解为用户的知识结构、经验图式、风险感知及价值信念四个层面，它们共同构成信任生成的底层逻辑：

如果要用，也一定要根据自己对教学的理解、竞赛的要求等进一步优化完善。

AGI的发展本身就是一个充满探索与发现的过程，每一次突破不仅扩展了机器的能力边界，也深化了人类对自身智能的理解。

1、环境理解与风险评估

在人机环境交互中，机器人对环境的理解不再局限于物理空间布局，还要考虑环境中的社会和文化因素。

二、信任的双向建构：用户理解与系统设计的互动

教育与引导：主动塑造用户的理解

系统的“可解释性”反作用于用户的理解

更为详细地：要实现对知识的理解和掌握，没有足够的学习强度和训练强度是做不到的或是不稳固的；

公众教育和参与：提高公众对智能化算法的理解和参与度，让公众能够对算法的行为进行监督和反馈。

增强算法的可解释性：开发能够解释算法决策过程的技术，帮助人类理解算法的行为。

这种对复杂人体系统的理解是全方位的，不单纯从局部和静态的角度去看待。

加强对人机融合系统操作人员的培训，提高他们对系统的理解和操作技能，同时在社会层面进行科普教育，消除公众对新技术的恐惧和误解，通过举办科技展览和科普讲座，向公众展示人机融合系统的原理、优势和安全性。

例如，在情感分析中，通过语义理解可以判断文本所表达的情感倾向，如积极、消极或中性，这是对情感态势的感知。

例如，在智能客服系统中，系统需要通过语法分析理解用户问题的结构，通过语义理解把握问题的核心意义，再结合语用分析判断用户的实际需求和意图，从而提供准确、有效的回答，这体现了三语联动在态势感知中的重要性。

但不论如何，人类的科学探索无止境，今天LLM等大模型的研究及应用潜力仍具有很大的发展空间，而对于能够理解物理世界的AI的研究与探索，是未来AI研究、发展与突破的重要方向。

人工智能能理解物理世界吗？

比如杨立昆就质疑transformer的token不是理解物理世界的正确方式。

科学总要进步，伴随着对于LLM并不完美的质疑，科学家们开始思考探索，如何让人工智能理解物理世界。

当机器人触摸物体时，能够感知物体的软硬度、表面粗糙程度等特性，从而更好地理解物体的属性，并且可以根据触觉反馈调整抓取物体的方式，就像人用手拿起易碎物品时会很小心一样。

一些研究者认为，如果我们能构建出具有意识、情感和具身认知的机器，那么它们的理解机制可能更接近人类。

人的理解机制依赖于生物神经网络、情感、经验和意识，是一种具身、离身、反身、语义驱动的认知过程；

因此，尽管在某些功能表现上可能相似，但两者的理解机制在本质上是不同的。

很多AI模型（如深度神经网络）内部机制复杂，难以解释其“理解”过程。

综上，要实现人与机器理解机制的趋同，必须推动AI从“功能性模拟”走向“机制性模拟”，即从“像人那样做事”发展为“像人那样理解”。

而机器的理解机制则基于算法、数据和统计模型，是对信息的模式识别和符号处理，缺乏主观体验和真正的语义理解。

要实现人的理解机制与机器的理解机制真正相同，关键在于让机器具备与人类类似的认知结构和体验方式。

理解度理论的运用：通过衡量机器对人类语言的理解程度，逐步优化其语言处理机制，使其不仅能识别字面意思，还能理解言外之意、语境和隐含信息，从而更接近人类的语言理解方式。

人类的理解往往与身体经验密切相关，比如“重”、“温暖”这些概念是通过感知获得的。

在人工智能领域，休谟的哲学观点揭示了一个深刻的问题：尽管AI可以通过大量的数据进行模式识别和推断，但它无法像人类一样“真正”理解因果关系。

麦克风阵列可以定位声源的方向和距离，通过语音识别技术，机器人可以理解周围的声音信息。

它还要理解人类的非语言信号，如眼神交流，机器人可以通过眼神的注视来判断人类的注意力方向，或者通过眼神的闪烁来判断人类是否在思考或者是否感到困惑。

比如，机器人能分辨出欢呼声和惊叫声的区别，并且能够理解人类语言中的双关语、隐喻等表达方式。

这两个哲学思想结合起来，为我们理解人工智能目前的瓶颈提供了有力的理论框架。

人类理解世界的方式，依赖于生物神经网络、情感、经验、身体感知、社会互动等多种因素。

今天LLM等大模型的研究及应用潜力仍具有很大的发展空间，而对于能够理解物理世界的AI的研究与探索