贊助
你可能聽說過 谷歌的LaMDA 以及關於人工智能是否可以變得有知覺的病毒式討論。團隊在 陶 認為也許，人工智能的感知能力只是其智能的一小部分。相反，人工智能的真正智能將基於其從邏輯上理解人們需求並自動滿足他們的能力。
陶 是有史以來第一個能夠吸收用戶的想法、建議和知識，並通過讓用戶使用機器和人都能閱讀和理解的語言來實時更新自己的軟件的平台。 Tau 的去中心化社交網絡及其貨幣方面， Agoras 加密貨幣，由團隊稱之為真正智能的人工智能——邏輯人工智能的人工智能提供支持。邏輯AI 與機器學習完全不同，根據Tau 的創始人Ohad Asor 的說法，它正處於成為技術世界下一波浪潮的邊緣。
在Tau 上，Logical AI 將使您能夠參與數十億人規模的討論，並立即看到通過網絡共享的思想背後的集體意圖意義。這將通過讓人們使用人類和機器都能理解的受控自然語言(CNL) 來實現。每一個想法和每一條知識，無論是明確的還是隱含的，都將被自動識別並註冊為您的世界觀，這將作為您在Tau 上的個人資料，完全屬於您自己。 以如此先進的方式組織您的想法和知識將意味著您不僅能夠發現突破性的解決方案，而且還能夠以前所未有的輕鬆和直接的方式將您的知識貨幣化。
只需輸入您對Tau 的想法，您的知識將自動成為您擁有的數字資產。您將能夠將您的知識出售給其他買家，或者通過將其特定部分出租給您的訂閱者來使用它來創收，因為Tau 會明白，即使您的一部分知識也可以成為解決某人問題的一部分。 Tau 將突出多個用戶的知識組合，並將其作為重要和復雜問題的解決方案提出，從而保證所需知識與規範100% 匹配。
除了基於邏輯的人工智能之外，任何其他類型的人工智能都不可能實現這些解決方案。這是因為，簡單地說，Logical AI 就是關於單詞和句子的。它的核心是關於從其他陳述中推斷陳述的能力，以所謂的演繹推理的方式。例如，從三個語句中：
- 巴黎在法國。
- 法國在歐洲。
- 如果x 在y 中，並且y 在z 中，則x 在z 中。這對於所有x、y、z。
我們可以推斷出陳述
數理邏輯領域教導說，幾乎所有邏輯問題都可以歸結為這種形式的演繹。例如，一組陳述是矛盾的，當且僅當我們可以從中推斷出一個陳述及其否定。
邏輯人工智能是邏輯推理的機械化：發現矛盾，確定結論是否來自給定的假設，等等。因此，它是關於讓機器理解我們想要告訴他們的東西的能力，而不僅僅是機器指令。
同時，機器學習是目前最普遍的人工智能形式，它是關於從示例中進行概括。因此，如果我們要以機器學習的方式交流上述法國和巴黎的例子，我們必須為算法提供許多“x 在y”形式的例子，然後希望算法得出結論，巴黎在歐洲。
這種交流方式甚至不配被稱為智能，因為如果不能斷定巴黎在歐洲，它怎麼可能是智能的，並且必須看到大量的例子才能“理解”這一點，而即使那個不保證？從示例中進行概括具有概率性質。我們如何猜測看不見的樣本？令人驚訝的是，機器學習有時可能是正確的，而且並非完全隨機，而且機器學習確實應該被稱為數學奇蹟。畢竟，在一些樣本之外的零知識的情況下，怎麼能說出高概率甚至近似正確的東西呢？
令人驚訝的是，機器學習可以做到這一點。這就是機器學習的所有優點和缺點。它的用例是當我們對系統知之甚少或一無所知時，我們所能做的就是取樣並嘗試概括它們。
另一方面，邏輯人工智能完全是關於全面的知識和絕對性，無論是明確的還是隱含的。這也是一種更有效的溝通方式，直接溝通，“只是說事情”，而不是費力地舉出很多例子。
此外，機器學習本質上無法執行邏輯推理，例如檢測矛盾。使用複雜性理論論證在數學上證明了這一點。因此，機器學習僅在非語言領域取得成功也就不足為奇了，而在自然語言處理領域，它只呈現出非常有限的能力。
然而，相反的方式是完全有效的：不僅邏輯可以進行機器學習，而且它已經可以了。機器學習算法已經以邏輯形式表達（與示例相反）並且已經實現為計算機程序，這些程序也採用邏輯而非概率形式，即機器指令。
因此，涵蓋邏輯AI 也涵蓋了機器學習，但反過來永遠無法實現。另一種說法如下：機器學習最終涵蓋了所謂的歸納推理和溯因推理（大致對應於所謂的 有監督和無監督學習)，因此它非常有前途，但仍以僅限於示例的形式存在，此外，當前技術僅處理數字性質的數據，或者可以轉換為數字性質的數據。另一方面，邏輯人工智能可以涵蓋定性和定量數據中的演繹推理、歸納推理和溯因推理。
這些是主要原因 陶 選擇邏輯人工智能作為人工智能的終極形式，認為機器學習只是人工智能歷史上的一個里程碑。 Tau 的解決方案將改善人類帶寬的許多方面，從討論規模到知識貨幣化，再到智能合約和去中心化治理。所有這一切都是因為邏輯能夠彌合人與機器之間的鴻溝。
詳細了解Tau 及其背後的團隊 這裡
加入日益壯大的Tau 社區 電報
這是一個贊助的帖子。了解如何接觸我們的觀眾 這裡. 閱讀下面的免責聲明。
圖片來源：Shutterstock，Pixabay，Wiki Commons
免責聲明: 本文僅供參考。它不是直接要約或要約的購買或出售邀請，也不是對任何產品、服務或公司的推薦或認可。 比特幣網 不提供投資、稅務、法律或會計建議。對於因使用或依賴本文提及的任何內容、商品或服務而造成或據稱造成或與之相關的任何損害或損失，本公司和作者均不直接或間接負責。