AI 与机器学习2024arxiv.org
Edelman：迈向人工意识 (2021)
Edelman's Steps Toward a Conscious Artifact (2021)
专业 · 约 40 分钟读完前置知识：神经科学基础、意识的神经科学理论（如神经达尔文主义、全局工作空间）、运动控制与语言起源
导读
这篇论文整理了神经科学家 Gerald Edelman 关于如何构建「有意识的造物」（conscious artifact）的分步路线图——相关笔记写于 2006 年，2021 年才正式发表。其核心思路是：意识离不开与物理环境的交互，而动作的选择与动作序列可能是语言的前身，语言根植于动作与运动控制。
HN 关注点：这套「意识必须依赖物理环境」的前提是否已经过时，以及把互联网当作意识实体新环境的替代设想。
HN 评论精选
这几条评论里：支持 1 质疑 1
质疑文章前提过时：意识未必需要物理环境，互联网本身就可作为意识存在的环境。
我粗略翻了一遍，这篇论文非常有「时代局限」——笔记写于2006年，直到2021年才发表。它基本上把「要有意识就必须与物理环境交互」当作公理。但思想已经往前走了，我们可以把互联网看作意识实体可以存在的另一种「环境」。未来的意识造物不会主要存在于物理世界、再用笨拙的工具上网，而是主要存在于互联网中、再用笨拙的工具去接触物理世界。
jstanley查看英文原文
I've given this a skim, and it seems to be very much "of its time" (the notes were written in 2006, but only published in this paper in 2021). It basically takes as an axiom that in order to be conscious you need to be interacting with the physical environment. But the thinking has moved on since then, and we can view the internet as an alternative "environment" in which a conscious entity could exist. Instead of existing primarily in the physical world and using clumsy tools to access the internet, conscious artifacts will exist primarily in the internet and will use clumsy tools to access the physical world.
支持Edelman 把语言起源追溯到动作选择与运动控制，这一点值得关注。
第3.5节：「Edelman 认为动作选择和动作序列是通向语言的第一步。他坚决主张语言根植于动作与运动控制。」这个想法很有意思。
bondarchuk查看英文原文
sec. 3.5: "Edelman thought that action selection and the sequence of actions was a first step towards language. He was a strong proponent of the idea that language was rooted in action and motor control." Interesting idea.
历次讨论
- 2024Hacker News 讨论帖36 分 · 40 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。
AI 与机器学习2025 · 982 分 · 465 评进阶 · 约 90 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选