“理性”是决策和选择中的最优解吗解析非理性的理性集合能否覆盖全部非理性怎样看待AI进化之路

【“理性”是决策和选择中的最优解吗解析非理性的理性集合能否覆盖全部非理性怎样看待AI进化之路】 谢邀

就问题本身来说,首先需要对“理性”和“感性”做出定义,从哲学的角度、心理学角度、生物生理学角度可能都有不同的解释。我没这能力去探讨这方面的问题,就从几个小的方面来谈谈,望能管中窥豹,略见一斑吧。

举个例子。
我写代码时若是碰到一些问题debug解决不了,经常是坐在那儿盯着代码看几个小时,绞尽脑汁也找不出问题在哪里。而这时候若是出去散步走走,或是去吃个饭,好多次就在不经意间想明白了问题所在。更有甚者,我在回家的路上想着一个月前写的代码,突然想到某个地方这么做是不是有问题,然后回去一检查代码,果然出了错……
就我自己的这些经验来说,坐在那里“专心”做一件事时,时间久了是很容易疲劳和怠惰的(虽然自己可能并不知道),而且因为一直盯着屏幕盯着代码,容易让视野和思路都被局限到局部中,从而发现不了问题。相对的,走路散步吃饭时大脑是放松的,但思考并不会停止,反而会更加快速地整理之前的各种线索,从而从更整体、宏观的角度来分析并解决问题。
所以就我个人的理解来说,理性是在固有的框架下面分析解决问题所需的品质,而感性是跳脱出固有框框、诞生灵感、创造新事物所需的品质。

而如果说到AI,或者对于机器学习来说,现在离真正的强人工智能还差的很远,而且真正的人工智能形式可以有很多种,如果只是模仿人类的AI,那可以直接套用人类的答案,但其他种类的AI又各有各的特点,很难统一地解释吧(况且现在也无法预知未来的AI究竟是如何的)。
机器学习中最关键的问题之一就是优化——给定一个目标,构建一个模型,通过某种方法修改模型,从而让它逼近设定的目标。而目前热门的深度学习所基于的神经网络,靠的就是通过由目标函数(cost function)反向传播梯度,并利用梯度下降法来优化。
但是单纯的梯度下降法是不能完美优化的,因为深度神经网络模型的空间是非凸的(存在很多局部最小值)。若是按着梯度最大的方向下降,很快就会掉进一个小坑里,然后你发现周围都比你高,觉得你已经收敛了——但其实往外面走,还有更多更深的坑。
在机器学习里有个术语叫退火(annealing),通过对优化过程引入随机变量,从而使得模型有一定的概率跳出局部最优,去寻找更优的解。具体到梯度下降法里,研究者们通过引入动量等方法,提高了优化速度的情况下,也提供了跳出局部最优的可能性。
就从这个优化的问题中去理解“理性”和“感性”的话,理性就是顺着目前你视野内能看到的部分走向最低点,而感性则是勇于去尝试往高处走、翻越高峰、看到更广阔的天地所需的好奇心和勇气。

对于我们每个人而言,个体所能看到的、明白的都是及其有限的,若是只用理性的思维去探究问题的解,答案往往也会被限定在已知的框架中;而感性的思维所引入的随机变量,提供了我们跳脱出这个框架中、探索更多未知可能性的力量——尽管大多数都是失败的——但依旧不得不这么做。
想到之前看到的一个问题,说是为什么P社五萌的游戏里,选择偏向于独裁的政体往往比民主更好。高票回答中就说到,因为玩家在游戏里类似于全知全能的上帝视角,大部分信息都以明确的数字展现了出来,所以玩家能够做出的决策往往都是比较正确的,这种情况下权力更大更集中的独裁政体就能正确发挥其优势。而在现实中,领导人则不是上帝视角,他们所接受的信息需要由下至上经过层层传递、过滤、修改,于是最终得到的是很有限的甚至是扭曲的信息。这种情况下问题就变得复杂了很多,决策与实行的难度也高了很多。正是因为现实中个体所获得的信息及其有限,而环境的复杂度又远远超过理性所能计算的——即便是“简单”如三体问题都无法预测——所以经常不得不依赖于更加模糊的感性思维,或者更准确的说是“直觉”。


推荐阅读