分类：
2010-07-05 21:25:30
4 课程学习
通常的情况，你只能做AI领域的事情，对AI领域之外的事情一无所知，好像有些人现在也仍然这么认为。但是，现在要求好的研究者对几个相关的领域都了解颇深。计算的可行性本身并没有对什么是智能提供足够的约束，其他的领域给出了其他形式的约束，例如心理学获得的经验数据。更重要的是，其他的研究领域给了你思考的新工具，看待智能的新方法。学习其他领域的另外一个原因是AI本身并没有评价研究价值的标准，全是借自于其他领域。数学将定理作为进展；工程会问某个对象是否工作可靠；心理学要求可重复的试验；哲学有严格的思辨；等等。所有这些标准有时都在AI中起作用，熟悉这些标准有助于你评价他人的工作，深入自己的工作以及保护自己的工作。
经过六年左右的课程方可获得MIT的PhD，你可以在一到两个非AI领域里打下坚实的基础，在更多的领域内具有阅读水平，并且必须对大部分内容具有一定程度的理解。下面是如何学习自己所知甚少领域的一些方法：
选修一门研究生课程，这很牢靠，但通常不是最有效的方法。
阅读课本。这方法还算不错，不过课本的知识经常是过时的，一般还有很高比例的与内容无关的修辞。
找出该领域最棒的期刊是什么，向该领域的高人请教。然后找出最近几年值得阅读的文章，并跟踪相关参考文献。这是最快的感受该领域的方法，但有时候你也许会有错误的理解。
找出该领域最著名的学者，阅读他们所著的书籍。
跟该领域的研究生泡在一起。
参看外校研究该领域的系的课程表。拜访那里的研究院办公室，挑选有用的的文献。
计算机科学是我们所使用的技术。你需要选修的初级研究生课程肯定不能让你对计算机科学有足够的了解，因此你必须通过阅读学习更多的知识。计算机科学所有的领域——理论体系结构，系统，语言等等——都是必须学习的。
数学可能是接下来需要了解的最重要的学科。对于工作在视觉或者机器人学的人来说更关键。对于以系统为中心的工作，表面上看，并不相关，但数学会教你有用的思维方式。你需要能阅读定理，如果具有证明定理的能力将会给本领域的大多数人留下深刻的印象。很少有人能自学数学，光做个听众是不够的，还得做习题集。尽可能早地选修尽可能多的数学课，其他领域的课程以后选也很容易。
计算机科学是以离散数学为基础的：代数，图论，等等。如果你要从事推理方面的工作，逻辑是很重要的。逻辑在MIT用得不多，但是在斯坦福以及其他地方，这是认识思维的主流方法。所以你必须具备足够的逻辑知识，这样你才能保护自己的观点。在MIT数学系选修一两门课程就足够了。要是研究兴趣在感知和机器人，那么不仅需要离散数学，还需要连续数学。在分析，微分几何和拓扑学具有扎实的基础将会给你提供最常使用的技巧。统计和概率只是一般有用。
认知心理学与AI共享几乎完全相同的观点，但是实践者确实具有不同的目标，他们主要是做实验而不是写程序。每一个人都需要知道认知心理学的某些知识。在MIT，Molly Potter开了一门很好的有关认知心理学的初级研究生课程。
如果你想做有关学习的工作，那么发展心理学是很重要的。发展心理学从一般意义上讲也是很有用的，它能告诉你对于人类智能来说，哪些事情难哪些容易。它还给出了有关认知体系结构的认知模型。例如，有关儿童语言习得的工作就对语言处理理论施加了坚实的约束。在MIT，Susan Carey开了一门很好的有关发展心理学的初级研究生课程。
心理学中更“软”的部分，例如心理分析和社会心理学，对AI的影响看似很小，但具有潜在的重大意义。它们会给你非常不同的理解人是什么的方式。象社会学和人类学这样的社会科学可以起相似的作用。具有多种观点是很有用的。上述学科你需要自学。不幸的是，很难区分出这些领域哪些是优秀的成果哪些是垃圾。到哈佛去学习：对于MIT的学生来说，很容易交叉注册哈佛的课程。
神经科学告诉我们有关人体可计算硬件的知识。随着最近可计算神经科学和联结主义的兴起，对AI具有非常大的影响。MIT的脑和行为科学系提供了非常好的课程，视觉（Hildreth, Poggio, Richards, Ullman），移动控制（Hollerbach, Bizzi）和普通神经科学（9.015，由专家组讲授）。
如果你想研究自然语言处理，语言学是很重要的。不仅如此，它还包含了很多有关人类认知的约束。在MIT，语言学主要由Chomsky学院负责。你可以去看看是不是符合自己的兴趣。George Lakoff最近出版的书《Women, Fire, and DangerousThings》可作为另外一种研究程序的例子。
工程，特别是电机工程，已经被很多AI研究机构作为一个研究领域。我们实验室在培养程序中加入了很多需要确实做一些东西的要求，例如分析电路。了解EE也有助于建造定制的芯片或者调试自己的Lisp机器上的电源。
物理学对于那些对感知和机器人感兴趣的人具有强大的影响。
哲学是所有AI领域看不见的框架。很多AI工作都有蕴含着哲学的影响。学习哲学也能帮助你运用或者读懂很多AI论文中用到的观点。哲学可沿着至少两个正交的轴分解。哲学通常是某种东西的哲学；有关思维和语言的哲学与AI更相关。然后存在着多种哲学学派，从比较大的范围来分，哲学可分为分析哲学和大陆哲学。分析哲学有关思维的观点与AI领域大多数研究者一致。大陆哲学则对我们习以为常的很多东西有非常不同的看待方式。它曾经被Dreyfus用于证明AI是不可能的。就在不久前，有几位研究者认为大陆哲学与AI是相容的，提供了另外一种解决问题的方法。MIT的哲学属于分析哲学，哲学学院深深地受到Chomsky在语言学方面工作的影响。
看起来要学习太多的东西，是不是？确实如此。要小心一个陷阱：认为对于所有的X，“只有我对X了解的更多，这个问题才会变得容易”。要知道，与之相关需要进一步了解的东西是永远没完的，但最终你还是要坐下来，解决问题的。
