诺姆.乔姆斯基:人工智能在哪里出了错?
如果一个人享有文明的最大和最难以捉摸的智力挑战，“解码”的问题，我们 - 我们的头脑，我们的大脑的内部工作原理，以及如何在我们的基因组编码的架构，这些元素的列表 - 肯定会在顶部。然而，在不同的领域，承担了这一挑战，从哲学，心理学，计算机科学和神经科学，是充满了分歧正确的方法。
1956年，计算机科学家约翰·麦卡锡创造的“人工智能”（AI）来形容情报研究，实现其基本功能的计算机上。实例化的智能系统，使用人造的硬件，而不是我们自己的“生物硬件”的细胞和组织，终极的了解，并有明显的实际应用中的智能设备，甚至机器人的创造。
然而，有些的麦卡锡在邻近的部门的同事，更感兴趣的是智力是如何实现的第一个人类（和其他动物）。乔姆斯基和其他人的工作对什么成为认知科学的一个领域，旨在揭示心理的陈述和规则，我们的感知和认知能力的基础。乔姆斯基和他的同事们，推翻了当时的主导范式的行为，倡导由哈佛大学心理学家BF斯金纳，动物行为减少到一组简单的行动和其后续的奖励或处罚之间的关联。斯金纳在心理学上的抓地力，通常标志着1967年 乔姆斯基的严格审查，斯金纳的书言语行为，斯金纳一本书，试图解释语言能力，行为主义原则的毁灭。
Skinner的做法强调了历史性的刺激和动物的反应之间的关联 - 这种方法容易诬陷作为一种实证统计分析，预测未来，在过去的函数。乔姆斯基的概念的语言，在另一方面，强调的复杂的内部表示，在基因组中编码的，其成熟的正确的数据到一个复杂的计算系统，一个不能被有益打破向下成一组的关联。行为主义原则的关联无法解释的丰富的语言知识，我们不断地创造性地使用它，或如何迅速的儿童只有很少的语言由他们所处的环境和不完美的曝光。“语言教师”，如乔姆斯基提到它，是生物体的遗传禀赋的一部分，很像的视觉系统，对免疫系统和循环系统，我们应该向接近它只是作为我们接近这些其他更脚踏实地，地球上的生物系统。
戴维·马尔，乔姆斯基在麻省理工学院的神经科学家同事，定义为研究复杂的生物系统（如脑）在他的有影响力的书视觉，乔姆斯基的语言能力的分析或多或少融入了一个总体框架。根据马尔，一个复杂的生物系统可以理解在三个不同的层次。第一电平（“计算电平”）描述的输入和输出系统，它定义了系统正在执行的任务。在视觉系统的情况下，输入的图像投射在我们的视网膜和输出我们的大脑识别的对象可能存在于我们所观察到的图像。第二电平（“算法电平”）描述的程序，通过该输入被转换为一个输出端，即我们的视网膜上的图像是如何可以被处理，以达到由计算的水平描述的任务。最后，第三级（“执行层面”）描述了我们自己的生物硬体细胞是如何实现的算法描述的过程。
乔姆斯基和Marr所采取的方法，对理解我们的头脑是如何实现他们所做的事情一样，是可以从行为。这里强调的是系统的内部结构的，使其能够执行任务，而不是过去的行为的系统和环境之间的外部关联。我们的目标是挖掘到的“黑盒子”的驱动系统，并说明其内部运作，这就像一个计算机科学家将解释如何设计巧妙的软件的工作原理，以及如何它可以在桌面计算机上执行。
今天写的，的历史认知科学是一个故事，毫不含糊的胜利的基本上Chomskyian的方法对斯金纳的行为主义范式 - 通常被称为“认知革命的成就，”虽然乔姆斯基本人拒绝这个词。虽然这可能是一个比较准确的描述，认知科学，心理学，行为主义者的想法是死在相关学科。行为主义的实验范式和动物行为的联想心理学的解释是常规使用的目的是研究在实验室动物如鼠类，系统的三个层次的框架所倡导的马尔行为的神经生物学的神经科学家。
在去年5月，在150周年，麻省理工学院，“大脑，思想和机器”发生了一个研讨会上，领先的计算机科学家，心理学家和神经科学家齐聚一堂，讨论过去和未来的人工智能和连接到神经科学的。
聚会是为了激励多学科的复兴人工智能领域的科学问题：如何做情报工作的热情呢？我们的大脑如何让我们的认知能力，并可能永远不会实现在一台机器上吗？
诺姆·乔姆斯基，在研讨会上发言，就不是那么热情。，乔姆斯基批评了人工智能领域采用的做法让人联想到的行为，但在更现代，计算复杂的形式。乔姆斯基认为，该领域的大量使用统计技术在大量的数据中挑选规律是不可能得到解释的洞察力，科学应该提供。乔姆斯基的“新AI” - 专注于使用统计学习技术，以便更好地矿和预测数据 - 是不可能产生智慧生物的性质或有关认知的一般原则。
这种批评引发了一个详细的答复，以乔姆斯基从谷歌的研究，并指出AI研究员，彼得·诺维格，谁辩护利用统计模型和认为，AI的新方法和定义的进步是不遥远从其他科学 发生的事情。
乔姆斯基承认，统计方法可能有实用价值，只是作为一个有用的搜索引擎的例子，能够处理海量数据的快速计算机的问世启用。但作为一门科学，乔姆斯基会认为这是不够的，更严厉的，浅种。我们不会教的电脑什么短语“物理学家艾萨克·牛顿爵士”的真正含义，即使我们可以建立一个搜索引擎，返回合理的点击率用户输入的短语英寸
事实证明，有关的分歧已按生物学家试着去了解传统的生物系统乔姆斯基比喻为语言能力的排序。正如计算革命，使燃料的“新AI”，大量的数据分析，测序引起盛开的基因组学和系统生物学领域的现代生物学的革命。高通量测序技术，这种技术可以读取快速，廉价地以百万计的DNA分子的基因组测序转向了十年之久的昂贵的企业可以承受的，普遍的实验室程序。而不是刻意研究基因的隔离，我们现在可以观察到系统的基因细胞作为一个整体，在不同条件下的数百或数千的行为。
测序革命才刚刚开始，一个已获得的数据量惊人，它会带来新的人类疾病的治疗和诊断的承诺和炒作。例如，当一个传统的抗癌药物无法工作的一组病人，得到的答案可能在于基因组的患者中，可能有一个特殊的属性，防止药物作用。有了足够的数据，从这些癌症患者和正确的对照组相关的功能基因组进行比较，可能会发现，定制药物，从而导致一种“个性化药物。” 隐在这方面的假设是，有足够的先进的统计工具和足够大的数据集合，感兴趣的信号可以被淘汰，大，知之甚少的生物系统中的噪声。
个性化医疗及其他分支的测序革命和系统生物学的方法取决于我们乔姆斯基所说的“群众”未经分析的数据处理能力等领域的成功 - 把生物学中的一个类似的辩论的中心自20世纪60年代以来，发生在心理学和人工智能。
系统生物学不升不持怀疑态度。一次伟大的遗传学家，诺贝尔经济学奖获得者生物学家悉尼·布雷内定义的“低投入，高通量，无输出科学领域。“ “布伦纳，一个当代的的乔姆斯基谁也参加了AI在同一个研讨会上，新系统的方法来了解大脑也同样持怀疑态度。当描述一个有前途的系统方法，称为连接学的脑电路，这要求所有的神经元在大脑中（即图表连接到其他神经细胞），对应的接线，布伦纳称这是一个“精神错乱。 “
布伦纳经常挂在嘴边的一句话咬在系统生物学和神经科学的相关技术在不远处的AI从乔姆斯基的批评。对一个不太可能的，系统生物学和人工智能都面临着相同的基本任务逆向工程一个高度复杂的系统，其内部的运作在很大程度上是一个谜。然而，不断改进的技术，产生大量的数据与系统相关的，只有一小部分，这可能是相关的。我们依靠强大的计算和统计方法区分信号从噪声中，还是我们的更多的系统背后的基本原则，并解释其实质吗？的迫切需要收集更多的数据是不可阻挡的，但它并不总是很清楚什么理论框架，这些资料可能适合。这些辩论提高在科学哲学的和一般的老问题：是什么让一个令人满意的科学理论或解释，以及如何成功应该被定义为科学？
我坐在诺姆·乔姆斯基（Noam Chomsky）日下午，在有些蓬乱的会议室，藏在一个隐蔽的角落，弗兰克·盖里（Frank Gehry）的令人眼花缭乱的麻省理工学院的Stata中心。我想更好的理解乔姆斯基的批判人工智能和为什么它可能会走向错误的方向。我也想探索其他部门的科学，如生物学，神经科学和系统的影响，这种批评都面临着逆向工程的复杂系统-那里的研究人员经常发现自己在一个不断扩大的海上海量数据的挑战。部分接受我们的采访动机是乔姆斯基很少问及现在的科研课题。记者也占领了美国的外交政策，在中东，奥巴马*和其他标准的主题得到他的意见。另一个原因是，乔姆斯基属于一种罕见的，特殊品种的知识分子，很快成为灭绝。曾经因为以赛亚柏林的著名文章，它已经成为一个最喜欢的消遣学者，以将不同的思想家和科学家的“刺猬的狐狸”连续：在刺猬，一个细致和专业的工作人员，在一个明确定义的领域相对于通过循序渐进的驱动福克斯，华丽的驱动，思想的思想家，谁跳得回答的问题，而忽略了领域界限，将他或她的技能，他们似乎适用。乔姆斯基是特殊的，因为他使这种区分似乎像一个疲倦的老俗套。乔姆斯基的深度不来的多功能性和广度的费用，但在大多数情况下，他投入了他的整个科学生涯中定义的主题，语言学和认知科学的研究。各种他自己以外的领域，包括计算机科学和哲学，乔姆斯基的工作有很大的影响，他并没有回避讨论和批评这些思想的影响，使他成为一个特别有趣的人采访。在接受记者采访时的视频可以在这里找到。
首先，我想有一个很基本的问题。在AI的开始，人们都非常看好该领域的进展，但还没有原来的方式。为什么它是如此的困难？如果你问的神经科学家了解大脑是如此的困难，他们给你非常理智不令人满意的答案，这样的大脑有几十亿个细胞，我们不能从所有这些记录，等等。
乔姆斯基：有东西的。如果你看一看科学的进步，科学是一个连续的种，但它们被分割成多个字段。最大的进步就是在科学学习最简单的系统。所以，说物理-最大的进步。但是的原因之一是，的物理学家有优势，有没有什么其他的科学。如果事情变得太复杂，他们把它交给别人。
像化学家？
乔姆斯基：如果一个分子过大，你给它的化学家。化学家，对他们来说，如果分子过大或系统变得太大，你给它的生物学家。如果它变得太大他们，他们给它的心理学家，和最后结束的文学批评家手中，等等。那么，，神经学家说是不完全虚假的。
不过，这可能是 - 在我看来它已被认为相当振振有词，虽然神经科学家不喜欢它 - 神经科学的过去几百年一直在错误的轨道。本书的一个很好的认知神经科学家，兰迪Gallistel和国王有一个相当新的争论 - 在我看来，振振有词 - 神经科学发展的一种着迷联想主义和相关意见的方式，人类和动物的工作。而且由于他们一直在寻找的东西，有联想心理学心理学的属性。
喜欢赫布可塑性？[ 编者按：A理论，归因于唐纳德·赫布，通过加强神经元之间的突触连接的环境刺激和对刺激的反应之间的关联可以编码。
乔姆斯基：嗯，就像加强突触连接。Gallistel已经被争论了多年，如果你想研究大脑正常，你应该开始，有点像马尔，问什么任务执行。因此，他最感兴趣的昆虫。所以，如果你想学习，蚂蚁说，神经病学，你问蚂蚁做什么呢？事实证明，蚂蚁做相当复杂的事情，比如整合路径，例如。如果你看看蜜蜂，蜜蜂的导航是非常复杂的计算，涉及到太阳的位置，等等等等。但在一般他说的是，如果你看一看在动物的认知，人类也一样，它的计算系统。因此，你要寻找的计算单位。想想一台图灵机，说，这是最简单的计算，你必须要找到单位具有的属性，如“读”，“写”和“地址”。这是最小计算单位，所以你得看在大脑中的那些。你永远不会找到他们，如果你在寻找加强突触连接或字段属性，等等。你一定要开始寻找什么的都有，什么是工作，你看，从Marr的最高水平。
右，但大多数神经科学家不坐下来和描述的输入和输出的问题，他们在学习。他们说，驱动鼠标的学习任务，并记录许多神经元可能，询问是否需要基因X的学习任务，等。这些都是他们的实验中生成的各类报表。
乔姆斯基：这是正确的..
在概念上是有缺陷的吗？
乔姆斯基：嗯，你知道，你可能会得到有用的信息。但实际上是一些计算，涉及计算单位，你不会找到他们的方式。这是一种在错误的灯柱，寻找，整理。这是一个辩论... 我不认为Gallistel的位置是非常广泛的神经科学家之间接受，但它不是一个令人难以置信的位置，它基本上在Marr的分析精神。因此，当你学习愿景，他说，你首先要问的视觉系统进行什么样的计算任务。然后你看一个算法，可能会进行这些计算，最后你寻找的那种，将使算法的工作机制。否则，你可能永远也找不到任何东西。有许多这样的例子，即使是在硬科学，但可以肯定的软科学研究。人们往往会学习你知道如何学习，我的意思是，这是很有意义的。你有一定的实验技术，有一定程度的理解，你试试把信封-这是正常的，我的意思是，它不是一个批评，但人们做什么，你可以做的。另一方面，这是值得思考的，无论你的目标是在正确的方向。它可能是，如果你把大致的马尔Gallistel的角度来看，其中个人而言，我很同情，你会以不同的方式工作，寻找不同类型的实验。
乔姆斯基：嗯，有问题要简单得多。喜欢在麻省理工学院，是一个跨学科的线虫线虫几十年来，据我了解，即使有这样的微乎其微的动物，如果你知道的接线图，我认为有800个神经元，或者什么...对，所以我认为在马尔的核心理念是，像你说的，找到合适的单位来描述问题，排序的权利“的抽象层次”如果你将。因此，如果我们采取一个具体的例子，被称为连接学，神经科学的一个新领域，其目的是要找到非常复杂的有机体的接线图，发现认为，人类大脑皮质，或鼠标皮质中的神经元的连通性。这种方法是由西德尼·布伦纳批评，在许多方面是[历史]该方法的创始人之一。这一领域的倡导者不会停下来问，如果接线图的抽象层次上是正确的 - 这也许不是，所以在那，你有什么看法？
我认为300。
乔姆斯基： ...但是，你无法预测什么事情C. 线虫线虫]要做的事情。也许是因为你在错误的地方寻找。
外来的卡茨
我想转移话题，以不同的方法中所使用AI。因此，“良好的老式AI”，因为它的标记现在，强烈的形式主义的传统弗雷格和罗素的数理逻辑，例如，或它的衍生物，如非单调推理等。有趣的是，从科学的角度来看，即使最近，这些方法已几乎全军覆没的主流，并已在很大程度上取代的历史-在调用自身的AI -概率模型和统计模型。我的问题是，你认为说明了这种转变，是朝着正确的方向迈出的一步吗？
乔姆斯基：我听到帕特温斯顿一说起这几年前。他是人工智能和机器人技术得到了这一点，你其实可以做的事情是有用的，所以它的实际应用和一些，也许没有放弃，而是放在一边，更基本的科学问题，只是赶上了在技术和实现特定目标的成功。
因此，它转移到工程...
这样做了所有的地方。如果要预测明天的天气。好吧，我会得到我的统计先验做到这一点的方法之一是，如果你愿意，明天的天气将是相同的，因为这是昨天在克利夫兰，所以我会坚持，在有一个高概率，和那里的阳光将有一定的影响，所以我会坚持，你会得到一堆这样 的假设，你运行实验，你看它一遍又一遍，纠正贝叶斯方法，你会得到更好的先验。你明天的天气将是一个很好的近似。这不是气象学家做什么-他们想了解它是如何工作的。这些都是成功意味着什么，什么样的成就是两个不同的概念。在我自己的领域，语言领域，这一切都结束的地方。像计算认知科学，语言，成功的概念，是几乎总是这样。所以，如果你得到了越来越多的数据，更好的和更好的统计数字，你可以得到一个更好的和更好的近似一些巨大的语料文本一样，一切都在华尔街日报的档案-但你学不到任何东西的语言。乔姆斯基：成为... 好，这是可以理解的，但当然，直接的人从原来的问题。我不得不说，我自己，我是持怀疑态度的原创作品。我想这是第一次，所有的方式过于乐观，这是假设，几乎没有人理解的系统，需要真正的理解，你可以实现的事情，你就不能获得，理解它抛出一个复杂的机器。如果您尝试这样做，你的成功，这是自我强化的一个概念，因为你获得成功这一概念，但什么做的科学，它是非常不同的。因此，举例来说，一个极端的例子，假设有人说，他希望消除物理系，并以正确的方式做到这一点。该“右”的方法是，以采取无休止的数字什么的发生外部视频的录像带，并养活他们到了最大，速度最快的计算机，千兆字节的数据，并做复杂的统计分析-你知道，贝叶斯这样那样的[ 编辑器的注意事项一个现代化的数据大量运用概率论的方法来分析。] -你会得到一些窗外下会发生什么样的预测。事实上，你得到一个更好的预测比物理系永远不会放弃。好了，如果成功的定义得到一个公平的近似一团混乱的未经分析的数据，那么它的更好的方式，以做它这样比到做它的物理学家做的方式，你知道，没有想到实验有关摩擦的飞机，并因此对等等。但是，你不会得到的，始终瞄准科学-你会得到什么样的理解所发生的事情是一个近似值。
一个非常不同的方法，这我认为是正确的做法，以尝试看到，如果你能理解什么的基本原则是，交易的核心属性，并承认，在实际的使用中，还有的会是一千元其他变量干预 - 有点像窗外发生了什么，你会粘着性排序上以后，如果你想更好的近似，这是一个不同的方法。这些科学是两个不同的概念。第二个是伽利略以来，这是现代科学的科学。近似未经分析的数据类型是排序的一种新的方法，而不是完全，有喜欢的东西了过去。它基本上是一个新的方法，加速了存在大量的记忆，非常迅速的处理，使您可以做这样的事情，你不能这样做的手。但我认为，我自己的，它是领先的计算认知科学等学科的方向，也许一些实用性...
..在工程？
乔姆斯基： ...但离理解。是啊，也许一些有效的工程。它是一种有趣的，看看发生了什么事工程。所以当我到麻省理工学院，它是20世纪50年代，这是一个工科学校。有一个很好的数学系，物理系，但他们提供服务的部门。他们教的工程师，他们可以使用的技巧。电气工程部门，您学习了如何建立一个电路。好吧，如果你去了麻省理工学院在20世纪60年代，还是现在，它是完全不同的。无论你在什么工程领域，你学会了基本相同的科学和数学。那么也许你了解一点点关于如何应用它。但是，这是一个非常不同的方法。它可能导致的事实，真正在历史上是第一次，在基础科学，物理学一样，有一些东西真的告诉工程师。此外，技术开始改变速度非常快，所以没有太大的学习今天的技术，如果它的将是不同的10年，从现在的点。所以，你要学会科学的根本，将是适用于任何沿。而几乎同样的事情发生在医学上。因此，在过去的一个世纪中，又是第一次，生物学有什么大不了的事情告诉给医学实践的，所以你必须了解，如果你想成为一名医生的生物学和技术，将再次改变。嗯，我认为这是一种过渡，像一门艺术，您将学习如何练习-一个模拟将设法满足一些数据，你不明白，也许，在一些时尚的东西，将工作建设- -科学在现代时期，发生了什么事，大约伽利略的科学。
我明白。返回的贝叶斯统计模型中的语言和认知的角度。你认为一句名言，说一个句子的概率是对自己不知所云......
乔姆斯基：那么你可以得到一个数字，如果你想要的，但它并不意味着什么。
这并不意味着什么。但它似乎喜欢那里的几乎一个平凡的方式，以统一的概率方法与承认，那里有非常丰富的内部心理陈述，包括规则和其他象征性的结构，和概率论的目标是刚刚到链接嘈杂的稀疏数据在世界上与这些内部的标志性建筑。不承诺你说任何有关如何获得这些结构 - 他们本来可以在那里一起，或有部分的一些参数被调整的，不管你的概念是。但是，概率论只是作为一种胶之间的噪声数据，并且非常丰富的精神表示。
乔姆斯基：嗯... 概率论没有什么错，没有什么错误的统计数据。
但它有一定的作用吗？
乔姆斯基：如果你可以用它，挺好的。但问题是什么是你使用它呢？首先，第一个问题是，是否有任何一点了解噪声的数据吗？有一些点理解这是怎么回事窗外吗？
好了，我们轰炸[嘈杂的数据是Marr的一个例子，我们正面临着嘈杂的数据的时候，我们的视网膜...
乔姆斯基：这是真的。但他说的是：我们的生物系统的问自己，如何挑选出的，噪音的东西是重要的。视网膜是不是要复制的噪声。它可以说我要去看看这个，这和其他的事情。它说，语言习得是相同的。新生的婴儿正面临着巨大的噪音，威廉·詹姆斯（William James）被称为“喧嚣繁芜的困惑，”只是一个烂摊子。如果说，猿或一只小猫或一只鸟或任何与噪声，这就是它结束。然而，人类的婴儿，不知何故，瞬间本能地，挑选出的噪音，这是与语言相关的一些零散的部件。这是第一步。那么，它是如何做呢？它没有做统计分析，，因为APE可以做大致相同的概率分析。寻找特别的东西。所以，心理语言学，neurolinguists，和其他人试图以某种方式调整，以特定的环境方面的计算系统和神经生理学的发现的特定部分。好了，事实证明，实际上有反应的神经回路，特定种类的节奏，这发生在语言，如音节长度等。有一些证据表明，这是，婴儿的大脑正在寻求的第一件事情之一-韵律结构。回去到Gallistel和Marr，它得到了我做这些事情“，并说，这是说”好了，这里的一些计算系统内了9个月，典型的婴儿已经拒绝了-消除其作品库-语音中不使用自己的语言的区别。因此，最初，当然，任何婴儿被调谐到任何语言。而是说，日本在9个月的孩子将还没有反应过来的RL区别了，这是一种淘汰。因此，该系统似乎理清很多的可能性和限制，还仅仅是语言的一部分，并有一个狭窄的那些。可以弥补非语言的婴儿永远无法做到这一点，那么你正在寻找其他的事情。例如，进入一个更为抽象的一种语言，现在有大量的证据，这么简单的事情线性顺序什么之前什么，没有进入的句法和语义的计算系统，他们只是没有设计的寻找线性顺序。所以，你发现压倒性的距离，更抽象的概念，而不是直线距离计算，你可以找到一些神经生理学的证据证明这一点，太。就像如果人工语言的发明和教导，像你这样的人，使用线性顺序否定一个句子的第三个词做的事情。人可以解决这一难题，但显然的标准语言的大脑区域没有被激活-激活其他地区的，所以他们把它当作一个谜，而不是作为一种语言问题。您需要更多的工作，但是...
您认为这是令人信服的证据，激活的大脑区域的激活或缺乏...
乔姆斯基：这是证据，你当然会想要更多。但是，这是什么样的证据，无论在语言学方面，你看语言的工作方式， -他们没有像第三个词在句子中使用的东西。以一个简单的句子，如“本能的老鹰飞游”，“本能”，“游泳，它不会去飞，即使它没有任何意义。这是自反的。“本能地”，副词，不是寻找最近的动词，它的结构最突出的一个。这是一个困难得多的计算。但是，这是唯一使用过的计算。线性的顺序是一个很容易计算，但它从来没有使用过。有一吨类似这样的证据，和一个小的神经语言学证据，但它们指向相同的方向中。你去到更复杂的结构，这就是你的，发现越来越多的。
这是，至少在我看来，尝试发现系统实际上是如何工作的，就像在视觉在Marr的实验室，西蒙·厄尔曼等人发现了一些非常了不起的事情，如刚性原则。你不会发现，通过数据的统计分析。但他没有找到它通过精心设计的实验。那你看的神经生理学，看看你能找到的东西，这些计算。我认为这是相同的语言，相同的学习算术能力，规划，几乎所有的东西你看。只是想分析前处理混乱的数据是不可能的，因为它不会得到伽利略的任何地方，就像让你随时随地。事实上，如果你回到这，在17世纪，这是不容易的人，如伽利略和其他主要科学家说服NSF [美国国家科学基金会的一天 - 即贵族 - 任何任何意义。我的意思是，为什么研究滚动的球，不存在摩擦的飞机。为什么不学习花卉生长的吗？好吧，如果你试图通过研究花卉生长在那个时候，你会得到也许是什么东西看起来像一个统计分析。
在生物学领域，你会认为孟德尔的工作，作为一个成功的情况下，你把这个喧闹的数据 - 基本上计数 - 你飞跃假设这一理论的对象...这是值得记忆与认知科学方面，我们是种预伽利略，刚开始打开这个话题。我想你可以学到一些东西从科学工作[当时]。事实上，一个化学史的创始实验中，大约1640左右，如果有人证明在科学界的满意度，一路攀升到牛顿，水可以变成生活问题。他们这样做的方式 - 当然，没有人知道任何有关光合作用 - 所以你做的是你把一堆土，加热所有的水逃逸。你的体重，并把它的杨柳树中的一个分支，浇上水就可以了，衡量你的水，你进去，当你这样做，你的杨柳树种植量，你再采取地球加热所有的水都消失了 - 以前一样。因此，您已经表明，水可以变成一棵橡树什么。这是一个实验，它右边的类的，但它只是你不知道什么样的事情，你应该寻找。他们不知道，直到祭司发现，空气是世界的一个组成部分，它得到了氮，等等，您了解光合作用等。然后，你可以重做实验，并找出发生了什么事情。但是你可以很容易地被误导的实验，似乎工作，因为你有足够的了解不知道要寻找什么。而且你可以误导甚至更多，如果你尝试研究树木的生长，只是采取了大量的数据，如何生长的树木，给它一个庞大的计算机，做了一些统计，得到一个近似发生了什么事。
乔姆斯基： ......好了，扔了很多的数据没有工作。
但看到的比例是有道理的，给予理论。
乔姆斯基：是啊，他做了正确的事情。他的理论指导数据。这是或多或少被解雇的计数器数据，你知道你不能把它放在你的论文。他当然谈论的事情，没有人能找到，像你找不到他的假设的单位。但是，这是，当然，这是的方式科普作品。与化学相同。化学，直到我的童年，而不是很久以前，被认为是作为一个计算设备。因为你不能降低物理学。因此，这只是一些实验结果的计算方式。玻尔原子对待。它的方式计算实验的结果，但它不能成为真正的科学，因为你不能把它减少到物理，顺便说一句竟然是真实的，你不能减少它的物理，因为物理是错误的。当量子物理学来了，你可以做统一化学大致维持不变。所以，该项目的减少是错误的项目。正确的项目是怎么看这两种方式看世界的统一。它原来是一个惊喜-他们从根本上改变基本的科学统一。这很可能是说，心理学和神经科学的情况。我的意思是，远不及先进的神经科学是物理学的一个世纪前。
对还原论的方法寻找相关性的分子，这将大大...
乔姆斯基：是啊。事实上，简单化的方法经常被证明是错误的。统一的做法是有道理的。但统一可能无法打开要减少，因为可能是错误的核心科学中的物理，化学的情况下，我怀疑很可能在神经科学心理学的情况下。如果Gallistel是正确的，那将是一个很好的例子，是的，他们可以统一，但用不同的方法来神经科学。
因此，是一个值得追求的目标的统一或领域的同时进行吗？
乔姆斯基：嗯，统一是一种直观的理想，科学的神秘感，如果你喜欢。这是你试图找到一个统一的理论的世界。现在也许有，也许不同的部分以不同的方式工作，但你的假设是，直到我证明是错误的明确，我认为有一个统一核算的世界，这是我的任务，试图找到它。和统一可能不来减少-它往往不。这样的指导逻辑的戴维·马尔的方法：什么你发现在的计算水平应该到被统一，什么你将有一天找到了在机制层面，但也许不是条款的方式，我们现在了解的机制。
隐含在马尔看来，你不能在所有三个平行[计算，算法，执行水平，它必须自上而下进行，这是一个非常严格的要求，科学通常不工作，方式。
乔姆斯基：嗯，他就不用说了，它是刚性的。例如，发现更多的机制，可能会导致你改变你的计算的概念。但也有一种逻辑的优先级，这不一定是研究的优先级，因为在研究一切在同一时间的推移。但我认为，粗糙的画面是好的。虽然我提，Marr的概念设计输入系统...
信息处理系统...
乔姆斯基：是啊，你的视野。在那里有一些数据-这是一个处理系统-和里面的东西。它也没有很好的认知系统而设计的。喜欢你的算术运算能力..
这是非常差的，但是，是...
乔姆斯基：好吧（笑）。但它是一个内部的能力，你知道你的大脑是一个控制单元的某种图灵机，它可以访问一些外部数据，如记忆，时间等。而在原则上，你可以乘什么，但当然不是在实践中。如果你试图找出什么是你的内部系统，的马尔层次并没有真正很好地工作。您能谈谈有关的计算水平-可能的规则我已经是皮亚诺的公理[ 编者注：一个数学理论（意大利数学家朱塞佩·皮亚诺命名），描述了一个核心的基本规则的算术和自然数，从许多有用的关于算术的事实可以推断，或东西，不管他们是-这是计算的水平。从理论上讲，虽然我们不知道怎么回事，你可以谈论的神经生理水平，没有人知道怎么回事，但有没有真正的算法的水平。因为没有知识的计算，它只是一个系统的知识。要找出知识的系统的性质，没有算法，因为不存在的过程。使用的知识体系，将有一个过程，但不同的东西。
但由于我们犯错误，是不是证明了问题的过程吗？
乔姆斯基：这是使用内部系统的过程。但内部的系统本身是不是一个过程，因为它不具有一个算法。说，普通的数学。如果你把皮亚诺公理和推理规则，确定算术运算，但没有任何算法。如果你问一些理论家是如何适用，以及各种方法。也许你不开始与公理，并开始与推理规则。您的定理，看看我能不能建立一个引理，如果它的工作原理，然后看看我的东西，可以尝试接地引理，最后你得到了证明，这是一个几何对象。
但是，从我小的数字相加在我的头上，这肯定有某种算法，这是一个根本不同的活动。
乔姆斯基：不一定。在这两种情况下的过程中有一个算法。但目前还没有对系统本身的算法，这是一种一类的错误。你不问的问题是什么是由皮亚诺公理和推理规则定义的过程，没有过程。可以使用它们的处理。它可能是一个复杂的过程，同样是真实的计算。内部系统，你必须-因为这，这个问题的过程中并没有出现。但您使用的内部系统，它出现的时候，你可以进行乘法各种方式。譬如当你增加7个和6个，比方说，一个算法是说：“我会看看有多少需要得到10个” -需要3，现在我已经有4左，所以我得走了从10增加4个，我拿14。这是一个添加的算法-它实际上是我在幼儿园教。这是一种方式添加。
但也有其他的方法来添加 - 有没有一种正确的算法。这些算法的开展过程中，认知系统，在你的脑袋。该系统的，你不问这个算法。你可以问的计算，你可以问机制。但该算法级别不存在用于该系统。这是相同的语言。语言是有点像的算术能力。这里也有一些系统在那里，确定可能的句子的无限阵列的声音和意义。但毫无疑问的算法是什么。像有一个正式的系统的算法告诉你有关证明定理毫无疑问的。该系统的使用是一个过程，你可以研究它在Marr的水平上。但重要的是在概念清楚这些区别。
这似乎只是一个惊人的任务去的计算理论，皮亚诺公理一样，马尔3级的...
乔姆斯基：机制...
...机制和实现...
乔姆斯基：哦，是的。嘛。
..没有至少一个算法。
乔姆斯基：嗯，我不认为这是真的。也许它是如何使用的信息，会告诉你一些有关的机制。但一些高智能的-也许比我们高-会看到有一个内部系统，它有一个生理的基础上，我可以学习的生理基础的内部系统。甚至在寻找的过程，它的使用。也许寻找的过程，也许它的使用为您提供有用的信息如何进行。但它的概念上是不同的问题。这是问题，什么是最好的方式学习的东西。因此，也许最好的方式来学习皮亚诺公理和神经元之间的关系是通过观察数学家证明定理。然而，这仅仅是因为它会给你的信息可能会有所帮助。该实际的最终结果将是一个帐户在大脑中的系统，它的生理基础，没有参照任何算法。的算法是使用的过程，它可以帮助您得到答案。也许就像斜面告诉你一件事下降的速度，但如果你看一下牛顿定律，他们并没有说任何有关倾斜平面。
右。因此，学习的Marr使用这种方法的认知和语言系统的逻辑是有道理的，但因为你认为，语言能力的遗传禀赋的一部分，你可以将其应用到其他生物系统，如免疫系统，循环系统系统....
乔姆斯基：当然，我认为这是非常类似的。你可以说的是同一件事的免疫系统的研究。
它甚至可能是简单的，其实，做到这一点的认知这些系统。
乔姆斯基：虽然你所期望的不同的答案。你可以这样做的消化系统。假设某人的研究消化系统。那么，他们就不会学习会发生什么，当你有一肚子的流感，或当你刚吃一个大苹果，或一些。让我们回到窗外拍照。研究消化系统的方法之一是采取在任何情况下，你可以找到有关消化系统做什么，折腾到计算机中的数据，进行统计分析的所有数据-你得到的东西。但它不会是任何生物学家会做什么。他们希望到抽象的路程，在开始的时候，从什么被推定-也许是错，你永远是错的-不相关的变量，如你有胃流感。
但是，这正是生物学家在做什么，他们正在生病的人与病人的消化系统，比较它们的法线，并测量这些分子的性质。
乔姆斯基：他们这样做是在一个高级阶段。他们已经明白了不少消化系统的研究之前，我们对它们进行比较，否则，你会不知道该怎么比较，为什么一个又一个不。
好了，他们依靠统计分析，挑选出的功能歧视。这是一个高度可资助的方法，因为你自称研究生病的人。
乔姆斯基：这可能是资金的事情的方式。比如基金研究语言的方式是说，也许有助于治疗自闭症。这是一个不同的问题（笑）。但开始你，振振有词，采取的是不相关的入侵，看看你能不能找到它的基本性质-然后会问，那么，会发生什么，当我把一些这方面的研究系统抽象的逻辑搜索其他的东西，如胃流感。
它似乎仍然像有Marr的水平，这些类型的系统应用中的一个难点。如果你问，什么是，大脑是解决计算问题，我们有一种答案，它有点像一台电脑。但是，如果你问，什么是计算问题的解决是非常困难的，甚至认为肺， - 这不是明显的信息处理这类问题。
乔姆斯基：没有，但我们没有理由认为所有的生物计算。有可能会被认为是认知的原因。而事实上，Gallistel不说，一切都在身体应该加以研究，发现读/写/地址单元。
这似乎只是任何进化的直觉相反。这些系统的共同进化，重复使用许多相同的部件，相同的分子，途径。细胞被计算的东西。
乔姆斯基：你不学习，肺经询问哪些单元格计算。研究免疫系统和视觉系统，但你不会期望找到相同的答案。一个有机体，是一个高度模块化的系统，有很多复杂的子系统，这是更多或更少内部集成。他们通过不同的原则。生物学是高度模块化。你不要以为这一切都只是一个大的烂摊子，都扮演同样的方式。
不，肯定的，但我是说你会采用同样的方法来研究每个模块。
乔姆斯基：不一定，如果模块是不同的。一些模块可能是计算，其他的可能不大。
所以，你会觉得这是充分的理论是解释，而不是只是预测数据，统计的方法，这将是一个充分的理论系统，计算系统 - 我们甚至可以理解他们吗？
乔姆斯基：当然。您可以了解了很多有关的说法，是什么让一个胚胎变成一只鸡而不是鼠标，让我们说。这是一个非常复杂的系统，涉及到各种化学相互作用，各种其他的事情。即使是线虫，这是没有办法的明显-事实上，有研究报告-这一切都只是问题的一个神经网络。你必须看看在大脑中发生了复杂的化学反应，在神经系统中。你有自己的每个系统的研究。这些化学相互作用，可能不是你的算术能力的作品-可能是不相关的。但他们很可能是关系到是否决定提高你的手臂或降低。
不过，如果你研究的化学作用，它可能会导致你进入你打电话只是重述的现象。
乔姆斯基：或解释。因为也许这是直接，最重要的是，参与。
但是，如果你能解释一下它的化学X已被打开，或基因X已被打开，你还没有真正解释如何确定是生物体。你只是找到了一个开关，打的开关。
乔姆斯基：但你看进一步，并找出是什么使这个基因在这种情况下，做这样或那样的，做别的事，在不同的情况下。
但是，如果基因是错误的抽象层次上，你会搞砸了。
乔姆斯基：那你不会得到正确的答案。也许他们不是。例如，这是非常困难的，占一个有机体如何从一个基因组中产生。有各种生产在细胞上。如果你只是看在基因作用方式，您可能无法在正确的抽象级别。你永远不知道，这就是你的研究。我不认为有任何的算法，对这些问题的回答，您不妨一试。
所以，我想换档更倾向于进化。你批评你所谓的“亲缘经验主义的一个非常有趣的位置。” 你批评这个位置，不具有解释能力。它只是说：好，头脑的方式，因为适应的环境中被选择为。而这些被选定为自然选择。你认为，这并不能说明什么，因为你总是可以向这两个原则的突变和选择。
乔姆斯基：那么你可以在他们挥动你的手，但他们可能是正确的。这可能是，比方说，你的算术能力的发展，产生的随机突变和选择。如果它是真实的，精致的。
这似乎是不言自明。
乔姆斯基：嗯，我的意思是，这并不意味着它是假的。老生常谈是真实的。[笑]。
但他们并没有解释太多。
那么，他们限制了生物学，肯定的。乔姆斯基：也许这是你能得到的最高水平的解释。你可以发明一个世界-我不认为这是我们的世界-但你可以创造对象和选择的基础上，外部*，除了随机变化的世界里，什么也没有发生。我不认为这是我们这个世界的工作方式，我不认为，任何生物学家认为这是它的方式。有各种方式在自然法的规定，渠道选择，和一些事情都可能发生，其他事情没有发生。很多的事情，在生物体的生物学不喜欢这样。因此，采取的第一个步骤，减数分裂。为什么细胞分裂成球，而不是立方体？这不是随机突变和自然选择，它是一个物理定律。我们没有理由认为，物理定律的停在那里，他们的工作，一路过关斩将。
乔姆斯基：好，那么它不只是随机突变和选择。这是随机突变，选择，一切问题，就像物理定律的。
那么，有没有空间，现在产品标签上的“比较基因组学”，像这里的Broad研究所在麻省理工学院/哈佛的这些方法产生大量的数据，不同的基因组，不同的动物，不同的细胞在不同的条件下，任何分子测序，是sequenceable。有什么可以收集这些比较进化研究这些高层次的认知任务，或者是过早吗？
乔姆斯基：我不是说这是错误的做法，但我不知道什么，可以从它。你也不会希望。
你不会有任何的例子，这种进化分析已通知了吗？Foxp2的突变一样吗？[ 编者按：一个基因，该基因被认为在言语或语言能力受到牵连。被发现有破坏这种基因的基因突变，一个家庭与一个刻板的言语障碍。这种基因进化到有几个独特的人类进化谱系的突变。
乔姆斯基： FOXP2是一种有趣的，但它并没有什么做语言。它做精细动作的协调和类似的东西。发生在语言的运用，就像当你说话时你控制你的唇等，但所有的外设语言的，而且我们知道。因此，举例来说，不管你使用的发音器官或符号，你知道手部动作，这是同一种语言。事实上，它甚至被分析，并在相同的大脑部位产生的，即使其中之一是移动你的手，另一种是移动你的嘴唇。所以，无论是外化，它似乎很外设。我想他们是太复杂了谈，但我认为如果你仔细观察语言的设计特点，你得到的证据，。有很多有趣的情况下，在语言学习中你可以找到计算效率和沟通效率之间的冲突。
这种情况下，我什至提到的线性顺序。如果你想知道哪个动词，副词的重视，婴儿本能地用最小的结构距离，不是最小的直线距离。那么，它用最小的直线距离，计算方便，但它需要有线性顺序。如果线性顺序仅仅是一个反射的感觉运动的系统，这是有意义的，它不会提供。这是证据，映射的内部系统感觉运动系统的外围设备的计算系统的运作。
但它也可能限制它的物理限制减数分裂？
乔姆斯基：这可能，但有很少的证明了这一点。因此，例如，一个句子的左端部-遗留在早期感-从右端具有不同的性质。如果你要问一个问题，让我们说：“你有没有看到谁？” 你把“谁”前方，而不是结束。事实上，在每一种语言中，一个wh-短语-喜欢谁，或书，或东西-移动到别的地方，它移动到左边，不正确的。这是非常有可能是处理约束。这句话告诉你，听者打开，在这里它是什么样的一个句子。如果它结束时，你必须把整个的陈述句，和结束时，我要问你得到的信息。如果你把它拼出来，它可能是一个处理约束。所以这是一个情况下，如果为true，在处理约束，外化，会影响计算字符的语法和语义。
在有些情况下，你找到明确的计算效率和沟通效率之间的冲突。举个简单的情况下，结构歧义。如果我说，“探亲可以是一个麻烦” - 这是含糊不清的。亲戚访问，或探亲。在的每这种情况下，原来的计算方法是简单地允许*运作的规则，没有约束，有时产量含糊，歧义。因此，它的计算效率高，但它的效率低下的通信，因为它会导致无法解决的歧义。
或者采取什么所谓的花园路径句子，这样的句子：“马跑过的谷仓下跌”。人不理解，因为它的投入方式，他们带领下来一条花园小径。“马跑过的谷仓”听起来像一个句子，然后你会问什么是“跌”在那里干什么结束。另一方面，如果你想想看，这是一个完全形成的句子。它指的马赛跑过去的谷仓，有人下跌。但规则时，他们的语言功能，正好给你一个句子是难以理解的，因为花园路径现象。有很多这样的情况下。有一些事情你就不能说，出于某种原因。所以，如果我说，“力学固定的车”。你说，“他们想知道的力学固定的车。” 您可以询问有关汽车的问题，“有多少车，他们不知道是否力学固定的吗？” 更多或更少的还好。假设你要问的力学问题。“有多少力学他们不知道如果固定的车吗？” 不知怎的，这是行不通的，不能说。这是一个很好的想法，但你不能说。好吧，如果你看看它在细节，最高效的计算规则，防止你说。但表达思想，进行交流沟通，它会是更好的，如果你能说的话 - 所以这是一个冲突。
而事实上，每一个已知的冲突的情况下，计算效率获胜。外部性产生的含糊之处，但各种简单的计算的原因，似乎是在系统内部仅仅是计算有效的，它不关心的外化。好了，我还没有一个非常合理的，但如果你把它拼出来，可以相当有说服力的论据，我认为。
这告诉一些关于进化。这有力地表明的是一个计算系统，在语言的演变，发展，后来它被外在的。如果你认为如何可能演化的语言，你几乎代替了这一立场。在人类进化过程中，在某些时候，它显然是相当近期的考古记录 - 也许十万年，这只不过是一个计算系统 - 在某些时候出现了新的属性，其他生物不具备的，这具有一种算术类型属性...
它能够更好地想过的外化？
乔姆斯基：让你以为。一些重新布线的大脑，这种情况发生在一个单一的人，而不是在一组。所以，人有思想的能力-没有。这样就不会有任何一点外在化。后来，此基因变化的激增，也许很多人，还好后来有一个点，想办法把它映射到感觉运动系统的外化，但它是一个次要的过程。
除非外在和内部的思想系统结合的方式，我们根本无法预测。
乔姆斯基：我们无法预测，但他们没有很大的意义。为何要连接到外部系统的吗？其实，说是不是你的算术能力。还有其他的动物，如鸣禽，其中有内部计算系统，鸟雀鸣唱。这是不一样的系统，但它的一些内部计算系统的一种。它是外在的，但有时并非如此。一只小鸡在某些物种中获得该物种的歌曲，但不生产，直至到期日。，早期期间，它具有的歌曲，但它不具有“外系统。其实这是真正的人类，人类婴儿一样明白了很多超过它可以生产-大量的实验证据证明这一点，这意味着它的内部系统不知何故，但它不能外部。也许它不会有足够的内存，或不管它可能是。
我想一个问题，关于科学哲学的关闭。在最近的一次采访中，你说的问题是，科学家不认为有足够的了解他们是怎么到的那部分。你刚才提到你教的哲学，科学课程在麻省理工学院和人会读，说，威拉德·奥曼蒯因，它会去其他的一只耳朵出，人会回去做同一种科学，他们在做什么。已取得的见解，在哲学的科学，是最相关的科学家是谁试图让说，解释生物学，并给出一个解释的理论，而不是重述的现象是什么？你有什么期望从这样的理论，并什么帮助指导科学的见解，以这种方式呢？而不是引导它向行为主义，这似乎是一种直觉，很多，说，神经科学家有哪些？
乔姆斯基：科学哲学是一个非常有趣的领域，但我不认为这真的有助于科学，学习科学。它试图理解科学做什么，为什么他们实现的事情，什么是错误的路径，如果我们能编纂，并体会到了。我认为这是有价值的，是科学的历史。我认为，我们学到了很多东西，从科学的历史是非常有价值的新兴科学。特别是当我们意识到中说，新兴的认知科学，我们真的是在一种伽利略阶段。我们不知道我们要找的了，比伽利略那样，有很多学习。因此，例如，一个惊人的事实，对早期的科学，而不仅仅是伽利略，但伽利略的突破，是认识到简单的事情，是令人费解的。
以说，如果我在这里一杯水，说水沸腾[水]将交出，蒸汽会上升，但如果我把我的手推开杯将下降。那么为什么杯秋季和蒸汽上升呢？好了几千年，有一个满意的答复，他们正在寻找他们的天然场所。
在亚里士多德物理学一样吗？
乔姆斯基：这是亚里士多德的物理学。最好的和最伟大的科学家认为这是答案。伽利略使自己的疑惑。只要你让自己感到困惑的是，你马上就发现，你的直觉是错的。喜欢一个大质量的下降和一个小的质量，等等。你的直觉是错误的- ，有困惑随处可见。这是从科学史可以学到一些东西。以一个例子，我给你的，“本能老鹰飞游”。从来没有人认为这是令人费解的-是啊，为什么不呢。但是，如果你仔细想想，这是非常令人费解，你正在使用一个复杂的计算，而不是一个简单的。好吧，如果你让自己感到困惑的，像秋天一个杯子，你问：“为什么？” 然后你带领下来到了一些非常有趣的答案的路径。譬如线性顺序的计算系统的一部分，这是一个强烈的要求的架构的头脑-它说，这只是一部分的外在制度，次要的，你知道的。这开辟了各种其他的路径，同一切。
另外一种情况：减少和统一之间的差异。科学史提供了一些非常有趣的插图，化学和物理等，我认为他们是非常相关的认知和神经科学等今天的状态。