疑犯追踪吧 关注：184,678贴子：945,642
第一个关于那个寻狗启示的那个 应该不难理解
而且大家重点都在 宅总心算950*641*6701 这个上面
下面就直接进入第二个谜题的扫盲活动
---------bongard problem----------
先八一八什么是 邦加德谜题
Bongard problem
A Bongard problem is a kind of puzzle invented by the Soviet computer scientist Mikhail Moiseevich Bongard, probably in the mid-1960s. They were published in his eponymous 1967 book on pattern recognition, which became known in English translation from 1970. Bongard, in the introduction of the book (which deals with a number of topics including perceptrons) credits the ideas in it to a group including M. N. Vainstvaig, V. V. Maksimov, and M. S. Smirnov.
The idea of a Bongard problem is to present two sets of relatively simple diagrams, say "A" and "B". All the diagrams from set "A" have a common factor or attribute, which is lacking in all the diagrams of set "B". The problem is to find, or to formulate, convincingly, the common factor.
Many computational architectures have been devised to solve Bongard problems, the most extensive of which being Phaeaco, by Dr. Harry Foundalis. Such task was relevant to the early days of machine learning and is still unsolved to this date. The problems were popularised by their occurrence in the 1979 book "Gödel, Escher, Bach" by Douglas Hofstadter, himself a composer of Bongard problems. Bongard problems are also at the heart of the game Zendo.
抱歉只找到官方英文解释
不过不要紧
官方解释都是给大神看的
（表示图片无法上传 只能一张一张来了）
而且大家重点都在 宅总心算950*641*6701 这个上面
下面就直接进入第二个谜题的扫盲活动
---------bongard problem----------
先八一八什么是 邦加德谜题
Bongard problem
A Bongard problem is a kind of puzzle invented by the Soviet computer scientist Mikhail Moiseevich Bongard, probably in the mid-1960s. They were published in his eponymous 1967 book on pattern recognition, which became known in English translation from 1970. Bongard, in the introduction of the book (which deals with a number of topics including perceptrons) credits the ideas in it to a group including M. N. Vainstvaig, V. V. Maksimov, and M. S. Smirnov.
The idea of a Bongard problem is to present two sets of relatively simple diagrams, say "A" and "B". All the diagrams from set "A" have a common factor or attribute, which is lacking in all the diagrams of set "B". The problem is to find, or to formulate, convincingly, the common factor.
Many computational architectures have been devised to solve Bongard problems, the most extensive of which being Phaeaco, by Dr. Harry Foundalis. Such task was relevant to the early days of machine learning and is still unsolved to this date. The problems were popularised by their occurrence in the 1979 book "Gödel, Escher, Bach" by Douglas Hofstadter, himself a composer of Bongard problems. Bongard problems are also at the heart of the game Zendo.
抱歉只找到官方英文解释
不过不要紧
官方解释都是给大神看的
（表示图片无法上传 只能一张一张来了）
不过 附加一个我在别的地方看到的关于这个bongard的文章
综述 Hofstadter认为，感知过程可以分为两部分，一部分是底层感知，对不同感知形态的信息的早期处理。另一部分是高层感知（High-level perception，HLP），从原材料中抽取出意义，在概念层上理解情景。最具体的包括识别对象，更抽象的则包括抓住抽象的关系，乃至从整体上理解整个情景。 高层感知对于人类认知来说是基本的，和认知的中心问题最为相关。通过高层感知，外界刺激的原始数据被组织成为一个一致的结构化的整体，即表示，并用于整个认知处理过程。传统AI中，表示问题一般被描述为"what is the correct structure for mental representations?"然而，即使可能发现一类优化的表示结构，仍然有两个重要问题没有解决： 相关性问题。如何决定来自环境的大量信息的哪一个子集用于表示结构的不同部分？要决定数据的那一部分和一个给定表示相关，需要一个复杂的过滤过程。 组织问题。这些数据如何变成表示的正确形式？即使我们已经决定了那些数据是相关的，并且确定了表示所需的框架结构，我们仍然需要一种有效的方法把数据组织进表示形式。 传统AI的大部分工作都忽略了高层感知处理，而从手工编码的表示开始，还假定数据都是相关的。数据被程序员组织进选定的表示结构。研究者通常用他们对问题本质的先验知识来把数据手工编码为一种接近最优的表示形式。 早期人工智能对感知以及对象、情景、类别的表示是持一种客观主义观点的。如同语言学家George Lakoff所说：按客观主义的观点，现实的实体、性质和关系有一个唯一正确的，完全的结构。这一结构不依赖于任何人类理解而存在。 物理符号系统假说（Newell&Simon 1976）认为思考是通过对符号表示的处理产生的，后者由基本原子符号构成。这样的符号表示本质就是刚性的，非此即彼的实体。 然而早在19世纪后期，William James就提出： There is no property ABSOLUTELY essential to one thing. 也就是说，在不同时间，一个对象或情景可以有不同的表示。表示过程自调整以适应给定上下文的压力。高层感知最重要的特性之一就是它的极端灵活性。给定输入数据集可以用许多不同的方式感知，依赖于上下文和感知器状态，以及概念层的top-down影响（包括belife,goal…）。因此,将感知过程看成将一个固定表示与一个特定情景关联的过程是错误的。它是semantic的，需要抽取情景的意义。所有感知中最抽象的过程是对整个情景的理解，也是最灵活的。 一个很好的例子就是所谓的Bongard问题，这是由Mikhail Bongard在《Pattern recognition》（Spartan Books, New York, 1970.）中首次提出的，并被Hofstadter等人作为其小组下一步研究的对象问题。 一个Bongard problem包括两类图，每一类由6各样本图形表示。目标是找出两类的区别。换句话说，图形的不同之处中，哪些方面可以概括两类的特征。 显然，解决这种问题需要根据具体问题的上下文，突出情景的不同方面，而且经常并非一开始显得最明显的方面。这一点目前的计算机模式识别尚难以做到，很好地体现了人类认知和目前计算机识别过程的区别。 从70年代中期开始，传统AI的看法受到了一小批AI研究者质疑。最强有力的观点之一出自David Marr(Marr 1977,p.44)： The perception of an event or object must include the simultaneous computation of several different descriptions of it, that capture diverse aspects of the use, purpose or circumstances of the event or object. 最近，随着复杂的连接主义模型（Rumelhart & McClelland 1986）的出现，朝着表示灵活性的方向有了很大进步。在这种模型中，分布式的表示是高度上下文相关的，内部处理中也没有表示的基本元素。每一表示都是一个多维空间中的一个向量，其位置不是固定的，而是可以在环境刺激下灵活调整的。表示甚至可以感知到模型的内部状态。
综述 Hofstadter认为，感知过程可以分为两部分，一部分是底层感知，对不同感知形态的信息的早期处理。另一部分是高层感知（High-level perception，HLP），从原材料中抽取出意义，在概念层上理解情景。最具体的包括识别对象，更抽象的则包括抓住抽象的关系，乃至从整体上理解整个情景。 高层感知对于人类认知来说是基本的，和认知的中心问题最为相关。通过高层感知，外界刺激的原始数据被组织成为一个一致的结构化的整体，即表示，并用于整个认知处理过程。传统AI中，表示问题一般被描述为"what is the correct structure for mental representations?"然而，即使可能发现一类优化的表示结构，仍然有两个重要问题没有解决： 相关性问题。如何决定来自环境的大量信息的哪一个子集用于表示结构的不同部分？要决定数据的那一部分和一个给定表示相关，需要一个复杂的过滤过程。 组织问题。这些数据如何变成表示的正确形式？即使我们已经决定了那些数据是相关的，并且确定了表示所需的框架结构，我们仍然需要一种有效的方法把数据组织进表示形式。 传统AI的大部分工作都忽略了高层感知处理，而从手工编码的表示开始，还假定数据都是相关的。数据被程序员组织进选定的表示结构。研究者通常用他们对问题本质的先验知识来把数据手工编码为一种接近最优的表示形式。 早期人工智能对感知以及对象、情景、类别的表示是持一种客观主义观点的。如同语言学家George Lakoff所说：按客观主义的观点，现实的实体、性质和关系有一个唯一正确的，完全的结构。这一结构不依赖于任何人类理解而存在。 物理符号系统假说（Newell&Simon 1976）认为思考是通过对符号表示的处理产生的，后者由基本原子符号构成。这样的符号表示本质就是刚性的，非此即彼的实体。 然而早在19世纪后期，William James就提出： There is no property ABSOLUTELY essential to one thing. 也就是说，在不同时间，一个对象或情景可以有不同的表示。表示过程自调整以适应给定上下文的压力。高层感知最重要的特性之一就是它的极端灵活性。给定输入数据集可以用许多不同的方式感知，依赖于上下文和感知器状态，以及概念层的top-down影响（包括belife,goal…）。因此,将感知过程看成将一个固定表示与一个特定情景关联的过程是错误的。它是semantic的，需要抽取情景的意义。所有感知中最抽象的过程是对整个情景的理解，也是最灵活的。 一个很好的例子就是所谓的Bongard问题，这是由Mikhail Bongard在《Pattern recognition》（Spartan Books, New York, 1970.）中首次提出的，并被Hofstadter等人作为其小组下一步研究的对象问题。 一个Bongard problem包括两类图，每一类由6各样本图形表示。目标是找出两类的区别。换句话说，图形的不同之处中，哪些方面可以概括两类的特征。 显然，解决这种问题需要根据具体问题的上下文，突出情景的不同方面，而且经常并非一开始显得最明显的方面。这一点目前的计算机模式识别尚难以做到，很好地体现了人类认知和目前计算机识别过程的区别。 从70年代中期开始，传统AI的看法受到了一小批AI研究者质疑。最强有力的观点之一出自David Marr(Marr 1977,p.44)： The perception of an event or object must include the simultaneous computation of several different descriptions of it, that capture diverse aspects of the use, purpose or circumstances of the event or object. 最近，随着复杂的连接主义模型（Rumelhart & McClelland 1986）的出现，朝着表示灵活性的方向有了很大进步。在这种模型中，分布式的表示是高度上下文相关的，内部处理中也没有表示的基本元素。每一表示都是一个多维空间中的一个向量，其位置不是固定的，而是可以在环境刺激下灵活调整的。表示甚至可以感知到模型的内部状态。
