Computation, Cognition, and Pylyshyn pdf epub mobi txt 电子书 下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:

作者:Dedrick, Don (EDT)/ Trick, Lana (EDT)/ Fodor, Jerry (INT)

出品人:

页数:368

译者:

出版时间:2009-7

价格:$ 79.10

装帧:

isbn号码:9780262012843

丛书系列:

图书标签:

• 认知科学
• 计算理论
• 心理学
• 认知架构
• 表征
• 心理模型
• Pylyshyn
• 认知过程
• 信息处理
• 人工智能

《计算、认知与“计算”的未来》 在人类心智的浩瀚宇宙中，一个持续了数个世纪的深刻问题始终萦绕不散：我们如何思考？思维的过程究竟是什么样的？长久以来，哲学、心理学和神经科学等多个领域都在试图解答这个谜题，而“计算”——这一在计算机科学中占据核心地位的概念，为我们理解和模拟心智活动提供了前所未有的强大框架。本书《计算、认知与“计算”的未来》正是以此为基石，深入探讨了计算模型在理解人类认知能力方面所扮演的关键角色，并审视了这一视角在未来可能带来的深刻变革。 本书并非对特定一本名为《Computation, Cognition, and Pylyshyn》的著作的解读，而是以此为灵感，展开一场关于计算、认知以及“计算”本身未来走向的宏大叙事。它旨在勾勒出一种看待心智的计算性视角，追溯其思想根源，考察其在认知科学领域的实际应用，并大胆预见其在未来发展中可能衍生的新范式。 第一部分：计算视角下的认知基石 我们首先将从历史的视角出发，回顾“计算”思想如何逐步渗透并重塑我们对人类思维的理解。从早期的逻辑机器和图灵机的概念，到信息论的诞生，再到人工智能的早期探索，这些都为将心智视为一种信息处理系统奠定了基础。我们将考察那些奠基性的理论，例如符号处理理论（Symbolic Processing Theory），它认为思维本质上是对符号进行操作和转换的过程，就像计算机处理程序代码一样。这种视角在早期的人工智能研究中占据主导地位，并催生了许多关于推理、问题解决和知识表示的理论模型。 然而，心智的复杂性远非简单的符号操作所能完全涵盖。因此，我们也将深入探讨连接主义（Connectionism）的兴起，以及神经网络模型（Neural Network Models）如何提供了一种不同于符号处理的计算范式。连接主义强调的是大规模并行处理和分布式表征，通过模拟大脑中神经元之间的连接和激活模式，来解释学习、模式识别以及其他一些“涌现”式的认知能力。本书将详细解析这些不同计算模型的优势与局限，以及它们如何共同构成了我们理解认知能力的多元化工具箱。 第二部分：认知科学中的计算模型应用 在奠定理论基础之后，我们将把目光投向具体的认知科学研究领域，考察计算模型是如何被广泛应用于解释和模拟各种认知现象的。 感知（Perception）： 从视觉识别复杂的物体，到听觉理解流动的语言，感知过程涉及海量信息的实时处理和解释。计算模型，尤其是基于统计学和机器学习的模型，被用来解释视觉系统如何从二维图像中构建三维世界，或者听觉系统如何从声波信号中提取有意义的语音信息。例如，卷积神经网络（Convolutional Neural Networks）在图像识别领域取得了惊人的成就，其架构灵感就部分来源于生物视觉皮层的组织方式。 记忆（Memory）： 我们如何编码、存储和检索信息？计算模型为理解不同类型的记忆（如工作记忆、长期记忆）提供了框架。例如，一些模型尝试解释遗忘的机制，另一些则关注记忆的提取过程，以及我们在回忆时如何构建出完整的事件或事实。 语言（Language）： 语言是人类最核心的认知能力之一。计算模型，从早期的句法分析器到如今的深度学习语言模型，都在努力捕捉语言的结构、语义和语用。我们将探讨生成语法（Generative Grammar）背后的计算假设，以及统计语言模型（Statistical Language Models）如何通过分析大量的文本数据来预测词语序列和理解文本含义。 推理与问题解决（Reasoning and Problem Solving）： 当我们面对新问题时，如何运用现有的知识进行推理并找到解决方案？计算模型，包括逻辑推理系统、启发式搜索算法以及基于模拟的模型，都被用来解释这些过程。我们将审视它们在不同类型的推理任务中的表现，以及它们如何模拟人类在解决逻辑谜题、数学问题或日常决策中的策略。 学习（Learning）： 学习是认知系统的核心能力，它允许我们适应环境、获取新技能并修正错误。计算模型，特别是机器学习中的各种学习算法（如监督学习、无监督学习、强化学习），为我们理解人类和机器的学习过程提供了统一的理论语言。我们将探讨它们如何解释我们从经验中学习，以及这些学习过程如何影响我们未来的认知和行为。 第三部分：“计算”的未来：超越现有范式 随着计算能力的飞速发展和对大脑工作原理认识的不断深化，我们对“计算”本身以及它与认知关系的理解也在经历着深刻的转变。本书的第三部分将聚焦于“计算”的未来，探讨新的计算范式及其对认知科学的潜在影响。 概率与不确定性（Probability and Uncertainty）： 现实世界充满了不确定性，人类的认知系统似乎能够有效地应对这种不确定性。贝叶斯推理（Bayesian Inference）和其他概率建模方法，正日益成为理解认知过程（如决策、归纳、信念更新）的重要工具。我们将探讨这些模型如何捕捉人类思维的“模糊性”和“概率性”特质。 具身认知（Embodied Cognition）： 长期以来，“计算”的视角往往将心智与身体和环境分离开来。然而，越来越多的研究表明，认知过程与身体的运动、感觉以及与环境的交互密切相关。我们将考察具身认知理论，以及它如何挑战纯粹的计算视角，并提出一种更整合的心智模型。 非经典计算（Non-classical Computation）： 除了传统的数字计算，量子计算（Quantum Computing）、神经形态计算（Neuromorphic Computing）等新兴计算模式正在崛起。这些新的计算方式可能为模拟和理解大脑的某些复杂功能提供新的途径。例如，量子计算的叠加和纠缠特性，是否能为解释意识的某些方面提供线索？神经形态计算如何更贴近生物大脑的架构和运作方式？ 情感与动机（Emotion and Motivation）： 情感和动机在人类认知中扮演着至关重要的角色，它们影响着我们的注意力、记忆、决策和学习。然而，将情感和动机纳入计算模型一直是极具挑战性的任务。我们将探讨如何尝试构建能够理解和模拟情感驱动行为的计算框架，以及这对理解人类整体认知有何意义。 意识的计算难题（The Computational Puzzle of Consciousness）： 意识是认知科学中最令人费解的谜团之一。虽然计算模型在解释许多认知功能方面取得了显著进展，但意识的出现及其内在体验，仍然是计算视角所面临的巨大挑战。我们将审视目前主流的计算理论试图解释意识的尝试，以及这些尝试的局限性，并思考未来可能的研究方向。 结语：持续演进的认知图景 《计算、认知与“计算”的未来》并非试图提供一个最终的答案，而是旨在激发读者对人类心智的计算性本质进行更深入的思考。它强调，理解认知是一个持续演进的过程，计算模型作为一种强大的理论工具，将继续在这一探索中发挥不可替代的作用。从经典的符号处理到现代的神经网络，从概率推理到具身认知，再到对未来计算模式的探索，我们对“计算”的理解本身也在不断地被拓宽和深化。 本书将鼓励跨学科的对话，将来自计算机科学、心理学、神经科学、哲学和人工智能等领域的见解汇聚一堂，共同描绘出一幅更加全面和动态的认知图景。它相信，通过不断 refinement 和拓展我们对“计算”的理解，我们终将能够更接近揭示人类心智的奥秘，并为人工智能的未来发展指明方向。这是一个关于理解我们自身、以及创造智能的激动人心的旅程，而“计算”正是贯穿其中的核心语言。

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆