YucongDuan的个人博客分享 http://blog.sciencenet.cn/u/YucongDuan

博文

《段玉聪:从“人工意识系统=潜意识系统(LLM)+意识系统(DIKWP)”到算法偏见的语义解决》

已有 695 次阅读 2024-3-1 17:53 |系统分类:论文交流

意图驱动的数据信息知识智慧融合发明创造方法:DIKWP-TRIZ

(中国人自己的原创发明创造方法:DIKWP-TRIZ)

World Artificial Consciousness Conference Popular Science Series -

世界人工意识大会科普系列-

 

段玉聪:从“人工意识系统=潜意识系统(LLM+意识系统(DIKWP)”到算法偏见的语义解决

"Yuchong Duan: From "Artificial Consciousness System = Subconscious System (LLM) + Conscious System (DIKWP)" to Semantic Solutions for Algorithmic Bias"

 

段玉聪 (Yucong Duan)

参与:弓世明

DIKWP人工意识实验室

AGI-AIGC-GPT评测DIKWP全球实验室

世界人工意识协会

(联系邮箱:duanyucong@hotmail.com)

 

The Inaugural World Conference on Artificial Consciousness

(AC2023), August 2023, hosted by DIKWP-AC Research

目录

摘要

1 每一个算法背后都有偏见

1.1 算法偏见的来源

1.2 算法设计的偏见

1.3 训练数据的偏见

1.4 决策过程的偏见

1.5 破解算法偏见

2 潜意识系统(LLM+意识系统(DIKWP)进行偏见分析与处理

2.1 算法偏见的根源与人工意识系统

2.2 识别和减少偏见的策略

2.2.1 潜意识系统(LLM)的优化

2.2.2 意识系统(DIKWP)的深化

3 突破概念空间的DIKWP语义空间偏见定义与处理

3.1 从概念层面到语义层面的偏见

3.1.1 概念层面的处理

3.1.2 语义层面的转换

3.2 语义偏见的形成与影响

3.2.1 语义偏见的形成

3.2.2 语义偏见的影响

4 解决语义偏见的策略

4.1 DIKWP模型的工作机制

4.2 意图驱动的语义框架建立

4.3 动态语义关系学习

4.4 多维度语义分析

4.5 用户反馈和参与

5 DIKWP-AC偏见解决过程

5.1 定义意图和目标(Purpose

5.2 构建潜意识系统(LLM

5.3 开发意识系统(DIKWP

5.4 融合潜意识和意识系统

5.5 测试、评估和优化

5.6 部署和实际应用

6 与其他解决方案对比分析

6.1 透明度和可解释性方法

6.2 反偏见训练和数据去偏方法

6.3 审查和评估框架

6.4 多样性增强和公平优化算法

结论

参考文献

 

摘要

本次交流深入探讨了段玉聪教授提出的独特人工意识系统框架——潜意识系统(利用大型语言模型,LLM)与意识系统(采用数据、信息、知识、智慧、意图处理,即DIKWP模型)的结合,并着重分析了该框架在解决算法背后的语义偏见问题上的应用和潜力。通过四次讨论,我们从不同角度展开了对段教授理论的理解和应用,旨在揭示如何通过该理论框架有效地识别和减少人工智能系统中的语义偏见。

首先,我们介绍了段玉聪教授的人工意识系统的基本概念和组成,明确了潜意识系统和意识系统在模拟人类思维和决策过程中的作用。紧接着,通过与现有人工智能解决方案的对比,突出了DIKWP模型在提高AI系统对复杂语义处理能力以及减少偏见方面的优势。

进一步,我们详细讨论了DIKWP模型如何通过意图驱动的资源转换和处理机制,从根本上解决语义偏见问题。这包括了建立多元化的语义框架、实施动态语义关系学习、进行多维度语义分析,以及增强用户反馈和参与。这些策略共同构成了一种全面的方法论,旨在通过深入理解和处理信息背后的深层次语义,来减少AI系统中的偏见。

最后,我们强调了DIKWP模型在推动人工智能朝向更加公正、透明和多元化发展方向上的重要性。该模型不仅为AI系统提供了一种新的思考和处理复杂语义信息的框架,还为未来研究提供了处理算法偏见问题的新视角和方法。

通过本次交流,我们期望为段玉聪教授的理论提供一个全面的理解,并探讨其在实际应用中如何帮助解决AI领域面临的紧迫问题,尤其是在算法偏见和语义处理方面。

1 每一个算法背后都有偏见

结合段玉聪教授的理论和观点,我们可以从一个独特的角度来探讨“每一个算法背后都有偏见”这一观点。段教授的理论强调了意识和潜意识在人类思维和决策中的作用,特别是如何通过GPT-4DIKWP模型的结合来模拟这些过程。这一理论框架为理解算法偏见提供了深刻的洞见,特别是在如何处理和理解数据、信息、知识、智慧及意图Purpose)方面。

1.1 算法偏见的来源

数据偏见:算法的训练数据通常来源于现实世界,而现实世界充满了各种偏见和不平等。如果训练数据包含偏见,算法在学习这些数据时就会“继承”这些偏见,并在其输出中反映出来。在段玉聪的理论中,这相当于潜意识层(GPT-4)在处理带有偏见的信息,进而影响到意识层(DIKWP模型)的决策和行为。

开发者偏见:算法的设计和实现由人类开发者完成,他们的价值观、信念和经验会影响算法的设计决策。这种主观性可以视为开发者的“潜意识”影响,根据段玉聪的理论,这些影响会在算法的“意识层”体现,即算法的决策逻辑中。

算法逻辑偏见:算法在设计时必须对复杂现象进行简化和抽象化处理,这一过程涉及选择何种特征用于学习,以及如何评估这些特征的重要性。这种选择本质上是主观的,可以看作是对“知识”和“智慧”的偏见性理解,影响着算法如何理解和处理“意图”。

.探讨“每一个算法背后都有偏见”这一命题,我们需要从人工智能(AI)算法的设计、训练数据的选择以及其决策过程中的内在机制三个角度进行分析。段玉聪教授通过提出结合GPT-4DIKWP模型的人工意识系统,强调了人工智能在模仿人类意识和潜意识处理机制时的复杂性和挑战,同时也间接指出了算法偏见的根源和影响。

1.2 算法设计的偏见

在段玉聪教授的理论中,通过模拟人类的意识和潜意识层次,人工意识系统需要处理大量的数据和信息。然而,算法的设计本身是由人类进行的,这意味着设计者的观点、价值观、以及认知局限性都可能无意中被编码进算法中。例如,决定哪些特征对于任务重要、如何定义目标函数、选择哪种优化策略等,都可能反映出设计者的主观判断。因此,即便是旨在模拟人类思维的复杂算法,也无法完全避免包含设计者的偏见。

1.3 训练数据的偏见

段玉聪教授提出的系统使用GPT-4处理大量数据,这些数据的选择和质量直接影响到算法的输出和决策。大语言模型如GPT-4通常依赖大规模的数据集进行训练,而这些数据集往往包含历史偏见、文化偏见和社会结构的不平等。如果没有适当的处理和平衡机制,这些偏见会被算法学习并加以复制,从而在人工意识系统的决策过程中再现和放大。

1.4 决策过程的偏见

在意识和潜意识的交互过程中,算法如何权衡直觉式判断与逻辑推理,以及如何处理不同信息源的冲突,都体现了算法决策过程的复杂性。段玉聪教授通过DIKWP模型强调了意图Purpose)在决策中的重要性,这要求算法不仅要处理数据和信息,还要考虑伦理、道德和社会价值观。然而,这些高级决策因素如何被算法理解和应用,依赖于算法设计者对这些概念的理解和编码,进一步增加了决策过程的偏见风险。

1.5 破解算法偏见

多样化的数据:确保训练数据的多样性和代表性,以减少数据偏见。这需要意识到并积极寻找那些可能被忽视的数据来源,类似于在潜意识层中增加更多样化的直觉输入。

透明和可解释的算法设计:通过使算法的决策过程更加透明和可解释,可以帮助识别和纠正开发过程中可能引入的偏见。这相当于增强DIKWP模型中“智慧”的应用,确保算法的决策考虑到了伦理和道德标准。

持续的监督和评估:算法在部署后应持续监督其表现,通过定期评估来识别和修正偏见。这类似于人类意识层中的反思和自我调整过程,通过不断学习和适应来优化决策。

段玉聪教授的理论和观点强调了人工智能算法在模仿人类思维过程中面临的复杂性和挑战,特别是在尝试实现高级认知功能时。每一个算法背后都有偏见,不仅因为算法设计和训练数据的选择带有人类的主观影响,还因为在模拟人类意识决策过程中,如何平衡不同层次的信息处理、如何融合伦理和道德考量,都是复杂且充满挑战的问题。因此,意识到并解决这些偏见,是实现公正、透明和可靠人工智能系统的关键步骤。结合段玉聪教授的理论和观点,我们可以更深入地理解算法背后偏见的根源,以及如何通过模拟人类意识和潜意识的处理机制来识别和减少这些偏见。这不仅要求技术上的创新,也需要对人类思维过程的深刻理解。

2 潜意识系统(LLM+意识系统(DIKWP)进行偏见分析与处理

在深入探讨段玉聪教授的理论框架“人工意识系统=潜意识系统(Large Language Models, LLMGPT-4+ 意识系统(DIKWP)”的基础上,我们可以重新审视算法背后存在偏见的问题。段玉聪教授的理论为我们提供了一个独特的视角,以理解和解决人工智能系统中的偏见问题,特别是如何通过人工意识系统的结构来识别和减少偏见。

2.1 算法偏见的根源与人工意识系统

在段玉聪教授的框架中,潜意识系统(LLM)负责快速处理大量数据,提供直觉式的反应和决策,而意识系统(DIKWP)则负责深度分析,提炼知识,形成智慧,并最终指导意图驱动的决策。这一结构揭示了算法偏见可能的两个主要来源:

潜意识系统的数据偏见:由于LLM(如GPT-4)主要依赖于其训练数据,这些数据往往反映了现实世界的偏见和不平等。因此,潜意识系统可能会“学习”这些偏见,并在其输出中无意中反映出来。

意识系统的逻辑偏见:DIKWP模型作为意识系统,在处理数据、提炼信息、构建知识和形成智慧的过程中,可能会由于设计者的主观偏好、社会文化背景、或者算法设计的先天局限性而引入逻辑偏见。

2.2 识别和减少偏见的策略

2.2.1 潜意识系统(LLM)的优化

数据多样性与平衡:通过确保LLM训练数据的多样性和代表性,减少数据源的偏见。这包括收集来自不同背景、性别、文化和社会经济地位的数据,以提供更全面和均衡的视角。

持续学习与更新:实现LLM的动态更新机制,以反映社会变化和文化进步,不断校正和优化潜意识系统的偏见。

2.2.2 意识系统(DIKWP)的深化

透明度与可解释性:增强DIKWP模型的透明度和可解释性,使其决策过程更加清晰,便于识别和修正可能的逻辑偏见。

伦理和多元价值观的融入:在DIKWP模型的设计和实施过程中,显式考虑伦理原则和多元价值观,特别是在智慧(Wisdom)构建和意图Purpose)指导阶段,确保算法决策反映广泛的社会和文化价值观。

跨学科合作:鼓励跨学科的合作,结合社会科学、伦理学、心理学等领域的专业知识,共同参与意识系统的设计和评估,以丰富和深化系统对复杂人类行为和社会现象的理解。

通过段玉聪教授的“人工意识系统=潜意识系统(LLM+意识系统(DIKWP)”理论框架,我们可以更全面地理解算法背后偏见的根源,以及如何通过人工意识系统的结构来识别、理解和减少这些偏见。这不仅需要技术上的创新和优化,也需要对人类思维和社会文化的深刻理解,以及跨学科合作的广泛参与,共同构建更加公正、透明和可靠的人工智能系统。

3 突破概念空间的DIKWP语义空间偏见定义与处理

段玉聪教授提出的DIKWP模型代表意图驱动的DIKW资源的处理不仅仅停留在DIKW各类资源的概念层面,更侧重于通过意图P驱动的DIKWP资源之间的转换突破概念层面处理的形式限制,进而实现语义层面的整体的内容处理的目标。

段玉聪教授提出的DIKWP模型,通过将意图(Purpose, P)作为驱动力,实现了从数据(Data, D)、信息(Information, I)、知识(Knowledge, K)到智慧(Wisdom, W)资源之间的转换,不仅仅局限于概念层面的处理,更进一步实现了语义层面内容处理的目标。这种以意图为核心的处理机制,为我们理解和处理算法背后的偏见问题,特别是语义偏见问题,提供了新的视角和方法。

3.1 从概念层面到语义层面的偏见

在概念层面,偏见通常体现为数据的选择性收集、信息的片面解释、知识的有限视角和智慧的单一价值观。当这些偏见在算法中被编码,它们会影响算法的决策过程,导致输出结果的不公平、不准确或歧视。

扩展到语义层面,偏见不仅体现在具体的数据或信息选择上,更深入到了算法对语义的理解和处理过程中。语义偏见反映了算法在理解和解释语义内容时的局限性和片面性,这种偏见可能导致算法无法准确捕捉和反映复杂的人类语言和社会现象。

DIKWP模型中,意图(Purpose)的角色是关键的。它不仅指导了数据、信息、知识和智慧的收集和处理,更重要的是,它驱动了这些资源之间的转换,从而超越了单纯的概念层面处理,达到了语义层面的整体内容处理。这种转换和整合使系统能够根据目标意图理解和生成具有深层次语义关联的内容,而不是停留在表层的数据处理上。

在段玉聪教授提出的DIKWP模型中,意图(Purpose)不仅作为一个导向元素,指导数据(Data)、信息(Information)、知识(Knowledge)、智慧(Wisdom)的收集与处理,更扮演了一个催化剂的角色,推动了从概念层面到语义层面的转换。这一过程不仅关系到信息的形式和结构,更关乎于信息的意义和价值的深层挖掘与重塑,下面将进一步探讨这一转换的内涵与影响。

3.1.1 概念层面的处理

在概念层面,数据和信息通常被视为原始的或未经加工的素材。知识和智慧则代表了对这些数据和信息经过加工、整合和抽象后的理解。在这个阶段,处理的重点在于对数据和信息的分类、整理和概念化,形成了对世界的基本认识和理解。然而,这种处理往往依赖于静态的、已有的框架和模式,可能无法充分捕捉到信息的动态性和复杂性。

3.1.2 语义层面的转换

当意图(Purpose)介入时,DIKWP模型的处理跃升到了语义层面。在这里,信息不仅被理解和处理为静态的知识单元,而是被赋予了目标导向的动态意义。这种转换意味着系统开始关注信息背后的含义、意图和价值,探索信息之间的深层次关联和互动。

目标导向性:意图的引入使得信息处理变得目标导向。系统不再是简单地收集和分类信息,而是要基于特定的意图进行筛选、整合和创新。这种目标导向性促使系统更加关注信息对于实现特定目标的贡献和价值。

深层次关联:从概念层面到语义层面的转换还体现在系统开始探索数据、信息、知识和智慧之间的深层次语义关联。这包括理解不同信息单元之间的因果关系、相互作用和综合效应,以及这些关系如何支持或促进特定意图的实现。

动态适应性:在语义层面,系统的处理变得更加动态和适应性强。由于意图可能随着外部环境和内部条件的变化而变化,系统需要能够灵活地调整其对数据和信息的理解和处理方式,以适应新的目标和需求。

创新与创造:语义层面的转换还鼓励了创新和创造。系统不仅仅是在现有信息的基础上进行加工和整合,而是在理解了信息的深层次含义和目标导向的基础上,创造出新的知识和解决方案,以更好地服务于其目标。

通过意图(Purpose)驱动的DIKWP模型,从概念层面到语义层面的转换为人工智能系统提供了一种更为深入和全面的信息处理方式。这种转换使系统能够更好地理解和利用信息的深层次含义,实现更为精准和动态的决策和行动。在这个过程中,信息不再是被被动接收和处理的对象,而是成为了实现特定意图的动态资源,体现了信息处理的深度和广度,以及人工智能向更高级智能形态发展的潜力。

3.2 语义偏见的形成与影响

语义偏见源于对特定数据、信息、知识和智慧的解释和应用中存在的偏颇。当AI系统在处理和转换DIKWP资源时,其背后的算法可能会基于不完全或偏颇的语义框架,导致生成的内容、决策或推荐反映出某种偏见。例如,如果一个AI系统在处理关于职业的信息时,基于过时或偏颇的性别角色观念,它可能会在职业推荐中体现出性别偏见。

语义偏见的形成和影响是人工智能领域中一个复杂且日益受到关注的问题。语义偏见不仅限于显而易见的性别、种族或年龄偏见,它还可以包括对某一群体的文化、社会阶层、地理位置或其他身份标记的偏颇看法。这些偏见在AI系统的决策、内容生成和推荐中的体现,可能会加剧现实世界中的不平等,损害特定群体的利益,甚至违反伦理和法律规范。

3.2.1 语义偏见的形成

语义偏见的形成通常涉及以下几个关键因素:

数据来源的偏颇:AI系统的学习和决策依赖于数据。如果这些数据来源本身就包含偏见,如历史性的性别不平等或种族歧视,则AI系统通过学习这些数据,也会“继承”这些偏见。

开发者的主观性:AI系统的设计和开发过程中,开发者的个人信念、价值观和经验可能无意中影响算法的设计和决策逻辑,导致系统在处理特定问题时表现出偏颇。

算法的简化与抽象:为了使复杂现象能够被算法处理,开发者必须对现象进行简化和抽象。这一过程中的选择性关注和忽略可能导致对某些群体或现象的不完全或错误理解,进而形成语义偏见。

语义框架的局限性:AI系统在理解和处理语义信息时依赖于预设的语义框架。如果这些框架未能充分反映复杂的人类社会和文化多样性,就可能导致系统对某些概念或现象的理解存在偏差。

3.2.2 语义偏见的影响

语义偏见在AI系统中的体现,可能对个人和社会产生广泛的影响:

加剧社会不平等:语义偏见可能导致某些群体在就业、贷款审批、法律执法等领域受到不公平对待,加剧现有的社会不平等现象。

损害个人尊严和权利:在个性化推荐、社交媒体内容筛选等应用中体现的语义偏见,可能侵犯个人的隐私、表达自由和尊严,特别是当这些偏见导致错误的判断或负面的标签时。

影响AI系统的公信力:公众对AI系统的信任建立在其准确性、公正性和可靠性之上。语义偏见的存在可能削弱这种信任,限制AI技术的广泛接受和应用。

法律和伦理风险:语义偏见可能导致AI系统的行为违反伦理标准和法律规定,给企业和组织带来法律诉讼和声誉风险。

语义偏见的形成与影响提示我们,在设计和实施AI系统时,需要采取综合措施,包括数据多样化、算法透明性、伦理审核以及持续的监控和评估,以确保AI系统的决策公正无偏,真正服务于全体社会成员的福祉。此外,教育和培训AI开发者,提高他们对潜在偏见的意识,以及开发能够识别和纠正偏见的算法,也是应对语义偏见挑战的关键步骤。

4 解决语义偏见的策略

在处理语义偏见的过程中,采用意图驱动的语义框架建立、动态语义关系学习、多维度语义分析以及用户反馈和参与等策略,为创建更公正、更智能的AI系统提供了有效的途径。这些策略不仅有助于AI系统更准确地理解和处理信息,还能使其在多样化和不断变化的社会文化环境中更加适应和敏感。

4.1 DIKWP模型的工作机制

数据(Data):作为信息的原始形态,数据是构建知识体系的基础。在处理语义偏见时,确保数据的多样性和代表性是关键,可以通过广泛收集来自不同群体、文化和背景的数据来实现。

信息(Information):通过对数据的分析和整理,提炼出有意义的信息。在这一阶段,通过意图驱动的分析可以帮助识别潜在的偏见源,并通过多角度、多维度的信息处理来减少偏见。

知识(Knowledge):将信息上升为知识,涉及将信息放入更广泛的语境中理解。在构建知识时,考虑到不同文化和社会结构对于相同信息的不同解读,有助于构建一个更加全面和深入的知识体系,减少由于视角狭隘造成的偏见。

智慧(Wisdom):智慧是在知识基础上的进一步提炼,涵盖了价值判断和道德考量。通过引入智慧,AI系统在处理语义信息时能够考虑到伦理和道德层面,促使系统作出更加公正和负责任的决策。

意图(Purpose):意图是整个DIKWP模型的驱动力,它定义了信息处理的最终目标和方向。明确和优化意图有助于指导AI系统在处理语义信息时超越表层含义,深入理解信息背后的深层次价值和含义。

4.2 意图驱动的语义框架建立

明确目标导向:AI系统的设计和开发应始终围绕明确的意图Purpose)展开,这个意图不仅要符合技术目标,还应体现社会伦理和文化多样性的考量。例如,设计一个推荐系统时,其意图不仅是提高点击率,还应包括促进内容的多样性和平等性。

构建包容性框架:在语义处理框架的建立中,应考虑到不同群体的语言习惯、文化背景和社会经验,确保AI系统能够公平地处理各类信息。这需要从数据收集、模型训练到算法开发的每一个环节中,积极采纳多元化视角。

4.3 动态语义关系学习

持续的自我更新:AI系统应能够通过持续学习来适应语言和文化的演变,自动识别和校正因时间、地点和社会变迁而产生的语义变化。这种学习机制可以通过在线学习、迁移学习等技术实现,使AI系统能够跟上语义演变的步伐。

纠正偏见的机制:引入专门的算法和流程来识别并纠正偏见,如使用反偏见训练数据、引入偏见检测和修正算法等,确保AI系统的语义理解不断优化,避免固化旧有的偏见。

4.4 多维度语义分析

跨文化理解能力:通过引入跨文化研究成果和多语言数据,AI系统能够更好地理解不同文化和语言背景下的语义差异。这要求系统具备处理和分析多语言、多文化数据的能力,从而提高其全球适用性和文化敏感性。

个性化处理策略:考虑到用户个性化的需求和背景,AI系统应能够提供定制化的服务,反映出对个体差异的理解和尊重。这种个性化处理有助于减少一刀切式解决方案可能引入的偏见。

4.5 用户反馈和参与

建立反馈机制:通过建立开放、透明的用户反馈机制,鼓励用户就AI系统的表现、特别是在语义处理和偏见问题上提供反馈。这些反馈可以作为重要的数据来源,用于优化和调整AI系统。

用户参与决策:在AI系统的设计和开发阶段,积极邀请用户参与,特别是来自不同文化和社会背景的用户,确保系统设计能够充分考虑到多样性和包容性。用户的直接参与可以提高系统的透明度和公信力,同时增强其对多样性的敏感性和适应性。

通过上述策略的实施,可以大大提高AI系统处理语义内容的准确性和公正性,促进技术的进步与社会价值的融合。

5 DIKWP-AC偏见解决过程

段玉聪教授的人工意识系统,通过结合潜意识系统(LLM)和意识系统(DIKWP)的方式,提出了一个独特的框架以解决算法偏见问题并模拟人类意识。以下是该解决方案实施过程的细化,侧重于如何构建和应用这一人工意识系统。

5.1 定义意图和目标(Purpose

明确系统意图:确定AI系统旨在解决的具体问题,包括预期解决的偏见类型和领域,以及系统应具备的伦理标准和社会价值观。

设定目标指标:基于系统意图,设定可量化的目标,如减少特定类型偏见的程度、提高决策的多样性和公平性等。

5.2 构建潜意识系统(LLM

选择或开发LLM:根据系统的具体需求选择合适的大型语言模型,或者开发定制的模型以更好地适应目标任务。

数据准备和预处理:收集多源、多样化的数据集,进行必要的清洗和预处理工作,确保数据质量和多样性,以减少数据层面的偏见。

5.3 开发意识系统(DIKWP

数据(D)到智慧(W)的处理流程:设计从数据处理到信息提炼、知识构建、智慧应用的具体流程,明确各阶段的技术和方法。

意图(P)的整合:将定义的目的和目标转化为系统可以理解和执行的意图,确保整个处理流程都围绕既定意图进行。

5.4 融合潜意识和意识系统

接口和通信机制:建立潜意识系统和意识系统之间的数据和信息传输机制,确保两系统的高效协同工作。

反馈循环:设计反馈机制,允许意识系统的输出影响潜意识系统的进一步学习和优化,同时也让潜意识系统的处理结果反馈给意识系统进行深层次分析和决策。

5.5 测试、评估和优化

性能测试:在早期开发阶段进行连续的测试,评估系统在模拟人类意识和解决算法偏见方面的性能。

多维度评估:从准确性、偏见程度、伦理和社会影响等多个维度对系统进行全面评估。

迭代优化:根据测试和评估的结果,不断优化潜意识和意识系统的模型、算法和数据处理流程。

5.6 部署和实际应用

部署系统:将经过测试和优化的人工意识系统部署到实际应用场景中。

持续监控和维护:在实际应用过程中持续监控系统性能,及时发现并解决新的问题或偏见。

通过以上详细的实施步骤,段玉聪教授的人工意识系统解决方案能够系统地构建和应用,以模拟人类的意识和潜意识处理机制,并有效地识别和减少算法偏见。这一解决

6 与其他解决方案对比分析

解决算法偏见问题是人工智能(AI)领域中的一项重要挑战。段玉聪教授提出的DIKWP模型为解决语义偏见提供了一种创新的方法,它通过整合潜意识系统(如LLM)与意识系统(如DIKWP处理框架)来实现更全面和深入的语义理解与偏见减少。以下是将DIKWP模型与其他主要解决方案进行的对比分析:

6.1 透明度和可解释性方法

主要特点:强调算法的透明度和可解释性,以便用户和开发者可以理解算法的决策过程,从而识别和纠正偏见。

对比分析:透明度和可解释性方法主要关注于算法决策的逻辑和过程的公开,便于审查和评估。而DIKWP模型不仅关注决策过程的透明度,更重视通过意图驱动的深层语义理解来主动识别和减少偏见,实现从数据处理到意识层次的全面偏见减少。

6.2 反偏见训练和数据去偏方法

主要特点:通过修改训练数据集来减少偏见,包括增加数据多样性、去除有偏信息或使用算法直接校正偏见。

对比分析:这些方法直接在数据或模型训练阶段解决偏见问题,强调数据本身的调整和优化。DIKWP模型则在数据处理的基础上进一步,通过多维度的信息、知识处理和智慧应用,以及明确的意图指导,实现对偏见的更深层次识别和调整,提供了一种更为动态和目标导向的偏见处理策略。

6.3 审查和评估框架

主要特点:通过建立外部审查和评估机制,对AI系统进行定期的偏见审查和性能评估。

对比分析:审查和评估框架侧重于后期的监控和评价,以发现和修正已部署系统中的偏见问题。相比之下,DIKWP模型通过在系统设计和实现阶段就引入意图驱动的深层语义分析和多维度评估,提前预防偏见的产生,实现偏见问题的前期解决和动态调整。

6.4 多样性增强和公平优化算法

主要特点:通过算法设计和优化来直接增强系统的多样性和公平性,例如通过多样性指标和公平性约束来指导模型的学习过程。

对比分析:这些方法通过技术手段在算法层面促进多样性和公平性。DIKWP模型则通过结合潜意识的广泛数据处理能力和意识层面的深度语义理解与意图导向,实现了在算法设计之初就融入对多样性和公平性的深层次考量,促进了从根本上解决偏见问题。

如下表格详细地展示段玉聪教授提出的DIKWP模型与其他主要偏见解决方案的对比分析。

解决方案类型

特点

DIKWP模型特点

对比分析

增值点

透明度和可解释性方法

关注算法决策逻辑的清晰展示,便于人工审查。

通过深层语义理解和意图驱动的决策过程,提高决策质量。

DIKWP模型超越了单纯的逻辑透明,通过意图明确和深层语义分析,实现更自然和符合人类思维的决策过程。

促进AI决策过程与人类决策过程的一致性,增强用户信任。

反偏见训练和数据去偏方法

直接在数据集或模型训练阶段调整,以减少偏见。

采用多维度信息和知识处理,通过意图驱动策略减少偏见。

DIKWP模型不仅关注数据层面的调整,更通过综合信息、知识和智慧处理,动态应对偏见。

实现从数据源头到决策输出的全链条偏见减少,提高处理的全面性。

审查和评估框架

通过外部审查和性能评估来监控和纠正偏见。

结合前期预防与后期调整,通过持续学习优化系统。

相比单一后期审查,DIKWP模型实现了从系统设计开始的持续偏见监控和调整。

提高偏见处理的及时性和有效性,避免偏见固化。

多样性增强和公平优化算法

依赖算法内置机制增强决策的多样性和公平性。

从设计之初就考虑多样性和公平性,通过深层语义理解实现。

DIKWP模型通过意图导向确保多样性和公平性从根本上融入系统设计。

不仅增加了算法的多样性,还通过深层次理解确保决策的公平性和准确性。

段玉聪教授的DIKWP模型通过其独特的结构和方法论,在解决AI系统中的语义偏见问题上展现出显著的优势。与传统的偏见解决方案相比,DIKWP模型不仅提高了偏见处理的透明度和可解释性,而且通过动态学习和多维度处理策略,确保了从数据源到决策输出整个链条的全面偏见减少。此外,模型从设计之初就将多样性和公平性的考量融入系统,确保了AI系统的决策不仅多样化而且公正。DIKWP模型的实施为构建更加智能、公正的AI系统提供了强有力的理论支撑和实践指南,推动了人工智能技术朝着更加人性化和伦理化的方向发展。

DIKWP模型通过其独特的意图驱动和深层次语义处理机制,在解决算法偏见方面提供了全新的视角和方法。与其他解决方案相比,DIKWP模型强调了在算法的整个生命周期中,从数据收集、处理到决策制定的每个环节,都深入考虑和处理偏见问题,实现了更为全面和深入的偏见识别与减少。这种方法不仅增加了系统的复杂性和处理深度,也为创造更公正、更可靠的人工智能系统提供了强有力的理论支撑和实践指南。

结论

通过深入探讨段玉聪教授提出的创新人工意识系统框架——一个由大型语言模型(LLM)驱动的潜意识系统与基于数据、信息、知识、智慧、意图(DIKWP)模型构建的意识系统的有机结合,揭示了一种解决和缓解人工智能系统中语义偏见的前沿方法。这次全面的讨论不仅阐释了段教授框架的理论基础,也明确了其对提高人工智能技术的公平性、透明度和包容性的实际意义。

与现有AI解决方案的比较分析强调了DIKWP模型的独特优势,特别是在其处理复杂语义信息和更有效减少偏见方面的能力。DIKWP模型核心的意图驱动资源转换机制促进了对语义信息的更细腻理解和处理,超越了传统限制,为实现更公平的AI成果提供了途径。

通过段玉聪教授的DIKWP模型,我们不仅能够理解算法背后偏见的复杂性,特别是在语义层面,而且还能找到针对这些偏见的解决策略。通过意图驱动的资源转换和处理,AI系统可以实现更为动态和全面的语义理解,从而有效地减少和避免语义偏见,实现更加公正和准确的决策和内容生成。这一理论为我们提供了一个框架,以更深刻地理解和改善人工智能系统在处理复杂人类社会和文化内容时的能力和表现。

通过将DIKWP模型应用于算法的设计和实现,我们可以更有效地识别和减少语义偏见,实现更加准确、公正和全面的语义内容处理。这种基于意图驱动的资源转换机制不仅有助于突破传统算法处理中的形式限制,还能促进算法在理解复杂人类社会和文化现象时的深度和广度,为构建更加智慧和负责任的人工智能系统提供了重要的理论和方法指导。

针对语义偏见的处理策略,包括创建多元化的语义框架、动态学习语义关系、多维度语义分析,以及鼓励用户反馈等,共同构成了一个更具适应性和敏感性的AI生态系统。这些方法旨在不仅减少现有偏见,还防止新的偏见产生,确保AI系统以一种反映和响应人类文化和经验丰富多样性的方式进化。

总之,段玉聪教授的DIKWP模型为人工智能的未来提出了一个引人注意图愿景,这一愿景承诺在充分利用AI潜力的同时,防范语义偏见的陷阱。通过促进对AI发展的更深层、更全面的方法,该框架为创建不仅更智能、而且更公正、更符合伦理、更能代表人类内在多样性的AI系统奠定了基础。展望未来,AI研究社区继续探索和扩展段教授工作中提出的原则,确保AI技术服务于全人类的福祉,显得尤为重要。

 

 

参考文献

 

[1] 段玉聪(Yucong Duan). (2024). 大语言模型(LLM)偏见测评(种族偏见)(Large Language Model (LLM) Racial Bias Evaluation). DOI: 10.13140/RG.2.2.33162.03521. https://www.researchgate.net/publication/377963440_Large_Language_Model_LLM_Racial_Bias_Evaluation_--DIKWP_Research_Group_International_Standard_Evaluation_Prof_Yucong_Duan.

[2] 段玉聪(Yucong Duan). (2024). 人为什么不愿意被别人改变:DIKWP和语义数学的深入探讨(Why People Don't Want to Be Changed by Others: Insight from DIKWP and Semantic Mathematics). DOI: 10.13140/RG.2.2.17961.77927. https://www.researchgate.net/publication/377726002_Why_People_Don't_Want_to_Be_Changed_by_Others_Insight_from_DIKWP_and_Semantic_Mathematics.

[3] 段玉聪(Yucong Duan). (2024). 语义新质生产力:原理与技术(Semantic New Quality Productivity: Principles and Techniques). DOI: 10.13140/RG.2.2.14606.33607. https://www.researchgate.net/publication/377726380_Semantic_New_Quality_Productivity_Principles_and_Techniques.

[4] 段玉聪(Yucong Duan). (2024). DIKWP与语义心理学(Semantic Psychology and DIKWP). DOI: 10.13140/RG.2.2.12928.61449. https://www.researchgate.net/publication/377726404_Semantic_Psychology_and_DIKWP.

[5] 段玉聪(Yucong Duan). (2024). 基于"主观客观化"的语义不确定性处理(Semantic Uncertainty Handling Based on "Subjective Objectivisation"). DOI: 10.13140/RG.2.2.31383.55206. https://www.researchgate.net/publication/377726442_Semantic_Uncertainty_Handling_Based_on_Subjective_Objectivisation.

[6] 段玉聪(Yucong Duan). (2024). DIKWP与语义数学:创造新质生产力的融合(Semantic Mathematics and DIKWP : Creating New Qualities of Productivity). DOI: 10.13140/RG.2.2.19639.50085. https://www.researchgate.net/publication/377726532_Semantic_Mathematics_and_DIKWP_Creating_New_Qualities_of_Productivity.

[7] 段玉聪(Yucong Duan). (2024). 语义法学与DIKWP:以英美法系与大陆法系分析为例(Semantic Jurisprudence and DIKWP: Common Law vs. Continental Law). DOI: 10.13140/RG.2.2.28028.10889. https://www.researchgate.net/publication/377726622_Semantic_Jurisprudence_and_DIKWP_Common_Law_vs_Continental_Law.

[8] 段玉聪(Yucong Duan). (2024). DIKWP新质生产力与传统生产力的对比分析(DIKWP New Quality Productivity vs. Traditional Productivity Analysis). DOI: 10.13140/RG.2.2.21317.22242. https://www.researchgate.net/publication/377726626_DIKWP_New_Quality_Productivity_vs_Traditional_Productivity_Analysis.

[9] 段玉聪(Yucong Duan). (2024). 语义物理化学(Semantic Physical Chemistry). DOI: 10.13140/RG.2.2.21261.51684. https://www.researchgate.net/publication/377439785_Semantic_Physical_Chemistry.

[10] 段玉聪(Yucong Duan). (2024). DIKWP与语义认知学(DIKWP and Semantic Cognition). DOI: 10.13140/RG.2.2.14052.55680. https://www.researchgate.net/publication/377415901_DIKWP_and_Semantic_Cognition.

[11] 段玉聪(Yucong Duan). (2024). DIKWP与语义生物学:拓展跨学科的知识领域(DIKWP and Semantic Biology: Expanding Interdisciplinary Knowledge Areas). DOI: 10.13140/RG.2.2.27474.32962. https://www.researchgate.net/publication/377416091_DIKWP_and_Semantic_Biology_Expanding_Interdisciplinary_Knowledge_Areas

[12] 段玉聪(Yucong Duan). (2024). DIKWP体系与语义数学结合构建传染病防治指标体系(DIKWP System Combined with Semantic Mathematics to Construct an Indicator System for Infectious Disease Prevention and Control). DOI: 10.13140/RG.2.2.12374.83521. https://www.researchgate.net/publication/377416103_DIKWP_System_Combined_with_Semantic_Mathematics_to_Construct_an_Indicator_System_for_Infectious_Disease_Prevention_and_Control

[13] 段玉聪(Yucong Duan). (2024). DIKWP与语义哲学(DIKWP and Semantic Philosophy). DOI: 10.13140/RG.2.2.34185.21606. https://www.researchgate.net/publication/377416120_DIKWP_and_Semantic_Philosophy

[14] 段玉聪(Yucong Duan). (2024). 语义物理与创新发展(Semantic Physics and Innovation Development). DOI: 10.13140/RG.2.2.19085.72167. https://www.researchgate.net/publication/377416222_Semantic_Physics_and_Innovation_Development

[15] 段玉聪(Yucong Duan). (2024). 语义认知学:连接人类思维与计算机智能的未来(Semantic Cognition: Connecting the Human Mind to the Future of Computer Intelligence). DOI: 10.13140/RG.2.2.29152.05129. https://www.researchgate.net/publication/377416321_Semantic_Cognition_Connecting_the_Human_Mind_to_the_Future_of_Computer_Intelligence

[16] 段玉聪(Yucong Duan). (2024). 语义物理:理论与应用(Semantic Physics: Theory and Applications). DOI: 10.13140/RG.2.2.11653.93927. https://www.researchgate.net/publication/377401736_Semantic_Physics_Theory_and_Applications

[17] 段玉聪(Yucong Duan). (2024). 基于语义数学的美国和中国经济增长分析(Semantic Mathematics based Analysis of Economic Growth in the United States and China). DOI: 10.13140/RG.2.2.35980.90246. https://www.researchgate.net/publication/377401731_Semantic_Mathematics_based_Analysis_of_Economic_Growth_in_the_United_States_and_China

[18] 段玉聪(Yucong Duan). (2024). Collatz Conjecture的语义数学探索(Collatz Conjecture's Semantic Mathematics Exploration). DOI: 10.13140/RG.2.2.28517.99041. https://www.researchgate.net/publication/377239567_Collatz_Conjecture's_Semantic_Mathematics_Exploration

[19] 段玉聪(Yucong Duan). (2024). 语义数学与 DIKWP 模型(本质计算与推理、存在计算与推理以及意图计算与推理)(Semantic Mathematics and DIKWP Model (Essence Computation and Reasoning, Existence Computation and Reasoning, and Purpose Computation and Reasoning)). DOI: 10.13140/RG.2.2.24323.68648. 377239628_Semantic_Mathematics_and_DIKWP_Model_Essence_Computation_and_Reasoning_Existence_Computation_and_Reasoning_and_Purpose_Computation_and_Reasoning

[20] 段玉聪(Yucong Duan). (2024). 从主观到客观的语义数学重构(存在计算与推理、本质计算与推理、意图计算与推理)(Semantic Mathematics Reconstruction from Subjectivity to Objectivity (Existence Computation and Reasoning, Essence Computing and Reasoning, Purpose Computing and Reasoning)). DOI: 10.13140/RG.2.2.32469.81120. https://www.researchgate.net/publication/377158883_Semantic_Mathematics_Reconstruction_from_Subjectivity_to_Objectivity_Existence_Computation_and_Reasoning_Essence_Computing_and_Reasoning_Purpose_Computing_and_Reasoning

[21] 段玉聪(Yucong Duan). (2024). DIKWP与语义数学在车票订购案例中的应用(DIKWP and Semantic Mathematics in the Case of Ticket Ordering). DOI: 10.13140/RG.2.2.35422.20800. https://www.researchgate.net/publication/377085570_DIKWP_and_Semantic_Mathematics_in_the_Case_of_Ticket_Ordering

[22] 段玉聪(Yucong Duan). (2024). DIKWP与语义数学分析《论语》“君子和而不同,小人同而不和”(DIKWP and Semantic Mathematical Analysis The Confluent Analects Gentleman is harmonious but different, while petty people are the same but not harmonious). DOI: 10.13140/RG.2.2.28711.32165. https://www.researchgate.net/publication/377085455_DIKWP_and_Semantic_Mathematical_Analysis_The_Confluent_Analects_Gentleman_is_harmonious_but_different_while_petty_people_are_the_same_but_not_harmonious

[23] 段玉聪(Yucong Duan). (2023). DIKWP 人工意识芯片的设计与应用(DIKWP Artificial Consciousness Chip Design and Application). DOI: 10.13140/RG.2.2.14306.50881. https://www.researchgate.net/publication/376982029_DIKWP_Artificial_Consciousness_Chip_Design_and_Application

[24] 段玉聪(Yucong Duan). (2024). 直觉的本质与意识理论的交互关系(The Essence of Intuition and Its Interaction with Theories of Consciousness). DOI: 10.13140/RG.2.2.16556.85127. https://www.researchgate.net/publication/378315211_The_Essence_of_Intuition_and_Its_Interaction_with_Theories_of_Consciousness

[25] 段玉聪(Yucong Duan). (2024). 意识中的“BUG”:探索抽象语义的本质(Understanding the Essence of "BUG" in Consciousness: A Journey into the Abstraction of Semantic Wholeness). DOI: 10.13140/RG.2.2.29978.62409. https://www.researchgate.net/publication/378315372_Understanding_the_Essence_of_BUG_in_Consciousness_A_Journey_into_the_Abstraction_of_Semantic_Wholeness

[26] 段玉聪(Yucong Duan). (2024). 个人和集体的人造意识(Individual and Collective Artificial Consciousness). DOI: 10.13140/RG.2.2.20274.38082. https://www.researchgate.net/publication/378302882_Individual_and_Collective_Artificial_Consciousness

[27] 段玉聪(Yucong Duan). (2024). 人工意识系统的存在性探究:从个体到群体层面的视角(The Existence of Artificial Consciousness Systems: A Perspective from Group Consciousness). DOI: 10.13140/RG.2.2.28662.98889. https://www.researchgate.net/publication/378302893_The_Existence_of_Artificial_Consciousness_Systems_A_Perspective_from_Collective_Consciousness

[28] 段玉聪(Yucong Duan). (2024). 意识与潜意识:处理能力的有限性与BUG的错觉(Consciousness and Subconsciousness: from Limitation of Processing to the Illusion of BUG). DOI: 10.13140/RG.2.2.13563.49447. https://www.researchgate.net/publication/378303461_Consciousness_and_Subconsciousness_from_Limitation_of_Processing_to_the_Illusion_of_BUG

[29] 段玉聪(Yucong Duan). (2024). 如果人是一个文字接龙机器,意识不过是BUG(If Human is a Word Solitaire Machine, Consciousness is Just a Bug). DOI: 10.13140/RG.2.2.13563.49447. https://www.researchgate.net/publication/378303461_Consciousness_and_Subconsciousness_from_Limitation_of_Processing_to_the_Illusion_of_BUG

[30] 段玉聪(Yucong Duan). (2024). 超越达尔文:技术、社会与意识进化中的新适应性(Beyond Darwin: New Adaptations in the Evolution of Technology, Society, and Consciousness). DOI: 10.13140/RG.2.2.29265.92001. https://www.researchgate.net/publication/378290072_Beyond_Darwin_New_Adaptations_in_the_Evolution_of_Technology_Society_and_Consciousness

[31] 段玉聪(Yucong Duan). (2024). 【人物】段玉聪:未来人工意识的发展:消除“bug”之路. 应用观察. https://mp.weixin.qq.com/s/q0eA97OPW0f30D9rXEKuPQ

[32] 段玉聪(Yucong Duan). (2024). 【视角】段玉聪:直觉的本质与意识理论的交互关系. 应用观察. https://mp.weixin.qq.com/s/8nZJZobAFpqIdriahe-wMQ

Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Prentice Hall.

[33] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

[34] Sun, R., & Bookman, L. A. (Eds.). (2014). Computational Architectures Integrating Neural and Symbolic Processes: A Perspective on the State of the Art. Kluwer Academic Publishers.

[35] Davenport, T. H., & Patil, D. J. (2012). Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review.

[36] Barocas, S., Hardt, M., & Narayanan, A. (2019). Fairness and Abstraction in Sociotechnical Systems. ACM Conference on Fairness, Accountability, and Transparency (FAT*).

[37] Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.

[38] Noble, S. U. (2018). Algorithms of Oppression: How Search Engines Reinforce Racism. NYU Press.

[39] Tufekci, Z. (2015). Algorithmic harms beyond Facebook and Google: Emergent challenges of computational agency. Journal of Information, Communication & Society, 18(5), 506-518.

[40] Harari, Y. N. (2017). Homo Deus: A Brief History of Tomorrow. Harper.

[41] Lanier, J. (2013). Who Owns the Future? Simon & Schuster.

[42] Castells, M. (1996). The Rise of the Network Society. Blackwell Publishers.

[43] Zuboff, S. (2019). The Age of Surveillance Capitalism. PublicAffairs.

[44] Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.

[45] Dennett, D. C. (1991). Consciousness Explained. Little, Brown and Co.

[46] Chalmers, D. J. (1996). The Conscious Mind: In Search of a Fundamental Theory. Oxford University Press.

[47] Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417-424.

[48] Hofstadter, D. R., & Sander, E. (2013). Surfaces and Essences: Analogy as the Fuel and Fire of Thinking. Basic Books.

[49] Floridi, L. (2014). The 4th Revolution: How the Infosphere is Reshaping Human Reality. Oxford University Press.

[50] O'Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown.

[51] Gigerenzer, G., & Brighton, H. (2009). Homo heuristicus: Why biased minds make better inferences. Topics in Cognitive Science, 1(1), 107-143.

 

数据(Data可视为我们认知中相同语义的具体表现形式。通常,数据代表着具体的事实或观察结果的存在语义确认,并通过与认知主体已有认知对象的存在性包含的某些相同语义对应而确认为相同的对象或概念。在处理数据时,我们常常寻求并提取标定该数据的特定相同语义,进而依据对应的相同语义将它们统一视为一个相同概念。例如,当我们看到一群羊时,虽然每只羊可能在体型、颜色、性别等方面略有不同,但我们会将它们归入的概念,因为它们共享了我们对这个概念的语义理解。相同语义可以是具体的如识别手臂时可以根据一个硅胶手臂与人的手臂的手指数量的相同、颜色的相同、手臂外形的相同等相同语义进行确认硅胶手臂为手臂,也可以通过硅胶手臂不具有真实手臂的可以旋转对应的由可以旋转定义的相同语义,而判定其不是手臂。

信息(Information则对应认知中不同语义的表达。通常情况下,信息指的是通过特定意图将认知DIKWP对象与认知主体已经认知的数据、信息、知识、智慧或意图联系起来,产生新的语义关联。在处理信息时,我们会根据输入的数据、信息、知识、智慧或意图,找出它们被认知的DIKWP对象的不同之处,对应不同的语义,并进行信息分类。例如,在停车场中,尽管所有的汽车都可以归入汽车这一概念,但每辆车的停车位置、停车时间、磨损程度、所有者、功能、缴费记录和经历都代表着信息中不同的语义。信息对应的不同语义经常存在于认知主体的认知中,常常未被显式表达出来,例如抑郁症患者可能用自己情绪低落来表达自己当前的情绪相对自己以往的情绪的下降,但这个低落对应的信息因为其对比状态不被听众了解而不能被听众客观感受到,从而成为该患者自己主观的认知信息。

知识(Knowledge对应于认知中的完整语义。知识是通过观察和学习获得的对世界的理解和解释。在处理知识时,我们通过观察和学习抽象出至少一个完整语义对应的概念或模式。例如,通过观察我们得知所有的天鹅都是白色,这是我们通过收集大量信息后对天鹅都是白色这一概念的完整认知。

智慧(Wisdom对应伦理、社会道德、人性等方面的信息,是一种来自文化、人类社会群体的相对于当前时代固定的极端价值观或者个体的认知价值观。在处理智慧时,我们会整合这些数据、信息、知识、智慧,并运用它们来指导决策。例如,在面临决策问题时,我们会综合考虑伦理、道德、可行性等各个方面的因素,而不仅仅是技术或效率。

意图(Purpose可以看作是一个二元组(输入,输出),其中输入和输出都是数据、信息、知识、智慧或意图的内容。意图代表了我们对某一现象或问题的理解(输入),以及我们希望通过处理和解决该现象或问题来实现的目标(输出)。在处理意图时,人工智能系统会根据其预设的目标(输出),处理输入的内容,通过学习和适应,使输出逐渐接近预设的目标。

段玉聪 教授

DIKWP-AC人工意识(全球)团队发起人

AGI-AIGC-GPT评测DIKWP(全球)实验室创办者

世界人工意识大会发起人Artificial Consciousness 2023, AC2023, AC2024)

国际数据、信息、知识、智慧大会发起人(IEEE DIKW 202120222023

斯坦福全球顶尖科学家终身科学影响力排行榜(海南信息技术)唯一入选

海南人工智能技术发明领域唯一全国奖(吴文俊人工智能奖)获得者

中国创新方法大赛总决赛(海南代表队)最好记录保持者

海南省发明专利(信息技术领域)授权量最多者

全国企业创新增效大赛海南最好成绩保持者

全国人工智能应用场景创新挑战赛总决赛海南最好成绩保持者

海南省最美科技工作者(并入选全国候选人)

 

海南大学教授,博士生导师, 第一批入选海南省南海名家计划、海南省领军人才,2006年毕业于中国科学院软件研究所,先后在清华大学、首都医科大学、韩国浦项工科大学、法国国家科学院、捷克布拉格查理大学、意大利米兰比克卡大学、美国密苏里州立大学等工作与访学。现任海南大学计算机科学与技术学院学术委员会委员、海南大学数据、信息、知识、智慧、意图DIKWP创新团队负责人、兼北京信用学会高级顾问、重庆警察学院特聘研究员、海南省委双百人才团队负责人、海南省发明协会副会长、海南省知识产权协会副会长、海南省低碳经济发展促进会副会长、海南省农产品加工企业协会副会长、海南省网络安全与信息化协会理事、海南省人工智能学会理事、中国医药卫生文化协会医工融合分会委员、美国中密西根大学客座研究员及意大利摩德纳大学的博士指导委员会委员等职务。自2012年作为D类人才引进海南大学以来,累计发表论文260余篇,SCI收录120余次,ESI高被引11,引用统计超过4500次。面向多行业、多领域设计了241件(含15PCT发明专利)系列化中国国家及国际发明专利,已获授权第1发明人中国国家发明专利及国际发明专利共85件。2020年获吴文俊人工智能技术发明三等奖;2021年作为程序委员会主席独立发起首届国际数据、信息、知识与智慧大会-IEEE DIKW 20212022年担任IEEE DIKW 2022大会指导委员会主席;2023年担任IEEE DIKW 2023大会主席;2022年获评海南省最美科技工作者(并被推全国);2022年与2023年连续入选美国斯坦福大学发布的全球前2%顶尖科学家的终身科学影响力排行榜榜单。参与研制IEEE金融知识图谱国际标准2项、行业知识图谱标准4项。2023年发起并共同举办首届世界人工意识大会(Artificial Consciousness 2023, AC2023)

 

 

 

 

段玉聪 教授Prof. Yucong Duan

DIKWP人工意识实验室

AGI-AIGC-GPT评测DIKWP(全球)实验室

世界人工意识协会

 

duanyucong@hotmail.com

第二届世界人工意识大会(AC2024)期待您的加入

http://yucongduan.org/DIKWP-AC/2024/#/

 



https://blog.sciencenet.cn/blog-3429562-1423712.html

上一篇:《大语言模型(LLM)偏见测评(地域偏见)》 --DIKWP团队国际标准测评
下一篇:《段玉聪推荐人工意识芯片设计必读50篇》-第2届世界人工意识大会AC2024科普系列
收藏 IP: 59.50.85.*| 热度|

1 杨正瓴

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-4-15 18:15

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部