
<div class="source">
  <img src="/T-44.svg" />
</div>

<div class="source">
  <p>Kio Stark | كيو ستارك</p>

  <p>02-08-2016</p>
</div>

<div class="divEn">
  <h1>The Cult of Done Manifesto</h1>
</div>

<div class="divAr">
  <h1>بيان طائفة الانجاز</h1>
</div>

<div class="divEn">
  <p>
    I present to you a manifesto of done. This was written in collaboration
    with Kio Stark in 20 minutes because we only had 20 minutes to get it done.
  </p>
</div>

<div class="divAr">
  <p>
    أقدم لكم بيان العمل. تمت كتابة هذا بالتعاون مع (كيو ستارك)في 20 دقيقة لأنه
    لم يكن لدينا سوى 20 دقيقة لإنجازه.
  </p>
</div>

<div class="divEn" style="margin-left: 25px">
  <p>1- There are three states of being. Not knowing, action and completion.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>1- هناك ثلاث حالات للوجود. الجهل والعمل والانجاز.</p>
</div>

<div class="divEn" style="margin-left: 25px">
  <p>2- Accept that everything is a draft. It helps to get it done.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>2- تقبل أن كل شيء هو مسودة. إنها تساعد على إنجازها.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>3- There is no editing stage.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>3- لا توجد مرحلة تحرير.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>
    4- Pretending you know what you’re doing is almost the same as knowing what you
    are doing, so just accept that you know what you’re doing even if you don’t
    and do it.
  </p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>4- التظاهر بأنك تعلم ما تفعله يشبه تقريبًا معرفة ما تفعله
     تفعله ، لذا تقبل فقط أنك تعرف ما تفعله حتى لو لم تكن تعرفه
     و افعلها.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>
    5- Banish procrastination. If you wait more than a week to get an idea done,
    abandon it.
  </p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>5- إبعاد المماطلة. إذا انتظرت أكثر من أسبوع لإنجاز فكرة ،
     التخلي عنها.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>6- The point of being done is not to finish but to get other things done.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>6- ليس الهدف من القيام به هو الانتهاء ولكن القيام بأشياء أخرى.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>7- Once you’re done you can throw it away.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>7- بمجرد الانتهاء يمكنك التخلص منه.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>8- Laugh at perfection. It’s boring and keeps you from being done.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>8- اضحك على الكمال. إنه ممل ويمنعك من القيام به.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>9- People without dirty hands are wrong. Doing something makes you right.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>9- الأشخاص الذين ليس لديهم أيدي قذرة مخطئون. القيام بشيء يجعلك على صواب.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>10- Failure counts as done. So do mistakes.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>10- الفشل يعتبر كأنه انجاز. لذا ارتكب الأخطاء.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>11- Destruction is a variant of done.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>11- التدمير هو نوع من الانجاز.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>
    12- If you have an idea and publish it on the internet, that counts as a ghost
    of done.
  </p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>12- إذا كانت لديك فكرة وقمت بنشرها على الإنترنت ، فهذا يعد شبحًا
     من القيام به.</p>
</div>
<div class="divEn" style="margin-left: 25px">
  <p>13- Done is the engine of more.</p>
</div>

<div class="divAr" style="margin-right: 25px">
  <p>13- الانجاز محرك أكثر من ذلك.</p>
</div>

<div class="source">
  <h4>
    <a href="https://medium.com/@bre/the-cult-of-done-manifesto-724ca1c2ff13"
      >Source</a
    >
  </h4>
</div>


The Cult of Done Manifesto

Moore's Law for Everything

Zeroth-Principles Thinking


<div class="source">
  <img src="/Book-1.svg" />
</div>

<div class="source">
  <p>Vishal Maini | فيشيل مانا </p>

  <p>Samer Sabri | سامر صبري</p>

</div>

<div class="divEn">
  <h1>Machine Learning for Humans</h1>
</div>

<div class="divAr">
  <h1>  تعلم الآلة للبشر</h1>
</div>

<div class="divEn">
  <h3>Draft</h3>
</div>

<div class="divAr">
  <h3> مسودة</h3>
</div>

<div class="divEn">
  <p>It took a while , but i finished my first draft translating this book. i hope you enjoy it :)</p>
</div>

<div class="divAr">
  <p>بعد مجهود طويل , ها هي المسودة الأولى من هذا الكتاب , اتمنى ان ينال اعجبكم :)</p>
</div>

<div class="source">
  <h4>
    <a href="/MlAr.pdf">تعلم الآلة للبشر</a>
  </h4>

  <h4>
    <a href="https://github.com/Mzirie/ML-For-Human-Ar">Source</a>
  </h4>
</div>  


Machine Learning for Humans


<div class="source">
    <img src="/T-41.svg" alt="No Free Lunch" />
</div>

<div class="source">
    <p>WOLPERT, David H | وولبيرت، ديفيد هـ</p>
</div>

<div class="divEn">
    <h1>No Free Lunch Theorems</h1>
</div>

<div class="divAr">
    <h1>نظريات "لا وجبة غداء مجانية"</h1>
</div>

<div class="divEn">
    <p>
        Broadly speaking, there are two no free lunch theorems. One for supervised
        machine learning (Wolpert 1996) and one for search/optimization (Wolpert and
        Macready 1997). For an overview of the (no) free lunch and associated
        theorems,
        <a href="http://www.no-free-lunch.org/coev.pdf">see David Wolpert’s What does dinner cost?</a>
    </p>
</div>

<div class="divAr">
    <p>
        بشكل عام، هناك نظريتان لـ "لا وجبة غداء مجانية"؛ إحداهما للتعلم الآلي الخاضع للإشراف (Wolpert 1996)، والأخرى للبحث والتحسين (Wolpert and Macready 1997). للحصول على نظرة عامة حول هذه النظريات وما يرتبط بها، 
        <a href="http://www.no-free-lunch.org/coev.pdf">راجع مقال ديفيد وولبرت بعنوان "ما هي تكلفة العشاء؟" (What does dinner cost?)</a>.
    </p>
</div>

<div class="divEn">
    <h3>No Free Lunch Theorems</h3>
</div>

<div class="divAr">
    <h3>نظريات لا غداء مجاني</h3>
</div>

<div class="divEn">
    <p>
        Hume (1739–1740) pointed out that ‘even after the observation of the
        frequent or constant conjunction of objects, we have no reason to draw any
        inference concerning any object beyond those of which we have had
        experience’. More recently, and with increasing rigour, Mitchell (1980),
        Schaffer (1994) and Wolpert (1996) showed that bias-free learning is futile.
        Wolpert (1996) shows that in a noise-free scenario where the loss function
        is the misclassification rate, if one is interested in off-training-set
        error, then there are no a priori distinctions between learning algorithms.
    </p>
</div>

<div class="divAr">
    <p>
        أشار الفيلسوف ديفيد هيوم (1739-1740) إلى أنه "حتى بعد ملاحظة الاقتران المتكرر أو المستمر للأشياء، لا يوجد لدينا سبب لاستخلاص أي استدلال يتعلق بأي شيء يتجاوز تلك التي مررنا بخبرة سابقة معها". وفي الآونة الأخيرة، وبصرامة علمية متزايدة، أظهر ميتشل (1980) وشيفر (1994) ووولبرت (1996) أن التعلم الخالي من الانحياز (Bias-free learning) لا طائل منه. كما أثبت وولبرت (1996) أنه في سيناريو خالٍ من الضوضاء حيث تكون دالة الخسارة هي "معدل الخطأ في التصنيف"، إذا كان الاهتمام منصباً على "الخطأ خارج مجموعة التدريب" (off-training-set error)، فلا توجد فروق مسبقة بين خوارزميات التعلم.
    </p>
</div>

<div class="divEn" style="margin-left: 25px">
    <p>More formally, where</p>
    <p>d = training set;</p>
    <p>m = number of elements in training set;</p>
    <p>f = ‘target’ input-output relationships;</p>
    <p>h = hypothesis (the algorithm's guess for f made in response to d); and</p>
    <p>
        C = off-training-set ‘loss’ associated with f and h (‘generalization error’)
    </p>
    <p>
        all algorithms are equivalent, on average, by any of the following measures
        of risk: E(C|d), E(C|m), E(C|f,d), or E(C|f,m).
    </p>
</div>

<div class="divAr" style="margin-right: 25px">
    <p>بشكل أكثر رسمية، حيث:</p>
    <p>d = مجموعة التدريب؛</p>
    <p>m = عدد العناصر في مجموعة التدريب؛</p>
    <p>f = علاقات المدخلات والمخرجات "الهدف"؛</p>
    <p>h = الفرضية (تخمين الخوارزمية لـ f بناءً على d)؛</p>
    <p>
        C = "الخسارة" خارج مجموعة التدريب المرتبطة بـ f و h ("خطأ التعميم")
    </p>
    <p>
        تعتبر جميع الخوارزميات متكافئة، في المتوسط، وفقاً لأي من مقاييس المخاطر التالية: E(C|d)، أو E(C|m)، أو E(C|f,d)، أو E(C|f,m).
    </p>
</div>

<div class="divEn">
    <p>
        How well you do is determined by how ‘aligned’ your learning algorithm
        P(h|d) is with the actual posterior, P(f|d). Wolpert's result, in essence,
        formalizes Hume, extends him and calls the whole of science into question.
    </p>
</div>

<div class="divAr">
    <p>
        إن مدى جودة أدائك يتحدد بمدى "توافق" خوارزمية التعلم الخاصة بك P(h|d) مع الاحتمال البعدي الفعلي P(f|d). إن نتيجة وولبرت، في جوهرها، تضع أفكار هيوم في قالب رسمي وتوسع نطاقها، مما يضع المنهج العلمي بأكمله موضع تساؤل.
    </p>
</div>

<div class="divEn">
    <h3>No Free Lunch for Search/Optimization</h3>
</div>

<div class="divAr">
    <h3>لا وجبة غداء مجانية في البحث والتحسين</h3>
</div>

<div class="divEn">
    <p>
        The no free lunch theorem for search and optimization (Wolpert and
        Macready 1997) applies to finite spaces and algorithms that do not
        resample points. All algorithms that search for an extremum of a cost
        function perform exactly the same when averaged over all possible cost
        functions. So, for any search/optimization algorithm, any elevated
        performance over one class of problems is exactly paid for in
        performance over another class.
    </p>
</div>

<div class="divAr">
    <p>
        تنطبق نظرية "لا وجبة غداء مجانية" للبحث والتحسين (Wolpert and Macready 1997) على الفضاءات المحدودة والخوارزميات التي لا تعيد سحب النقاط نفسها. إن جميع الخوارزميات التي تبحث عن القيمة القصوى (عظمى أو صغرى) لدالة التكلفة تؤدي العمل نفسه تماماً عند حساب متوسط أدائها على جميع دوال التكلفة الممكنة. وبناءً على ذلك، فإن أي تفوق في الأداء لأي خوارزمية بحث أو تحسين في فئة معينة من المشكلات يقابله بالضرورة تراجع في الأداء في فئة أخرى.
    </p>
</div>

<div class="divEn">
    <h3>Free Lunches</h3>
</div>

<div class="divAr">
    <h3>وجبات غداء مجانية (حالات الاستثناء)</h3>
</div>

<div class="divEn" style="margin-left: 25px">
    <p>- Second moments and higher of algorithms' generalization error</p>
    <p>- Coevolution (Wolpert and Macready 2005)</p>
    <p>
        - Confidence intervals can give a priori distinctions between algorithms
    </p>
</div>

<div class="divAr" style="margin-right: 25px">
    <p>- العزوم الثانية (Second moments) وما فوق لخطأ التعميم في الخوارزميات</p>
    <p>- التطور المشترك (Coevolution) (وولبرت وماكريدي 2005)</p>
    <p>- فترات الثقة يمكن أن تعطي فروقاً مسبقة بين الخوارزميات</p>
</div>

<div class="divEn">
    <h3>Quotes</h3>
</div>

<div class="divAr">
    <h3>اقتباسات</h3>
</div>

<div class="divEn">
    <p>
        "We show that all algorithms that search for an extremum of a cost
        function perform exactly the same, when averaged over all possible cost
        functions. In particular, if algorithm A outperforms algorithm B on some
        cost functions, then loosely speaking there must exist exactly as many
        other functions where B outperforms A." Wolpert and Macready (1995)
    </p>
</div>

<div class="divAr">
    <p>
        "نحن نثبت أن جميع الخوارزميات التي تبحث عن القيمة القصوى لدالة التكلفة تؤدي الأداء نفسه تماماً عند حساب متوسط أدائها على جميع دوال التكلفة الممكنة. وبشكل خاص، إذا تفوقت الخوارزمية (أ) على الخوارزمية (ب) في بعض دوال التكلفة، فإنه وبشكل تقريبي، يجب أن يوجد تماماً عدد مماثل من الدوال الأخرى التي تتفوق فيها الخوارزمية (ب) على الخوارزمية (أ)." وولبرت وماكريدي (1995)
    </p>
</div>

<div class="divEn">
    <p>
        "A framework is developed to explore the connection between effective
        optimization algorithms and the problems they are solving. A number of
        "no free lunch" (NFL) theorems are presented that establish that for any
        algorithm, any elevated performance over one class of problems is
        exactly paid for in performance over another class." Wolpert and Macready (1997)
    </p>
</div>

<div class="divAr">
    <p>
        "تم تطوير إطار عمل لاستكشاف العلاقة بين خوارزميات التحسين الفعالة والمشكلات التي تقوم بحلها. تم تقديم عدد من نظريات 'لا وجبة غداء مجانية' (NFL) التي تثبت أنه لأي خوارزمية، فإن أي تحسن في الأداء على فئة واحدة من المشكلات يتم دفع ثمنه تماماً من خلال الأداء على فئة أخرى." وولبرت وماكريدي (1997)
    </p>
</div>

<div class="source">
    <h4>
        <a href="http://www.no-free-lunch.org/">المصدر / Source</a>
    </h4>
</div>


No Free Lunch Theorems

Species of Mind

Group Minds

Technology and New Populisms

Creativity


<div class="source">
  <img src="/T-35.svg" />
</div>

<div class="source">
  <p>Rich Sutton | ريتشارد إس. سوتون</p>

  <p>2016</p>
</div>


<div class="divEn">
  <h1>The Definition of Intelligence</h1>
</div>
<div class="divAr">
    <h1>تعريف الذكاء الاصطناعي</h1>
  </div>
<div class="divEn">
  <p>
John McCarthy long ago gave one of the best definitions: "Intelligence is the computational part of the ability to achieve goals in the world”. That is pretty straightforward and does not require a lot of explanation. It also allows for intelligence to be a matter of degree, and for intelligence to be of several varieties, which is as it should be. Thus a person, a thermostat, a chess-playing program, and a corporation all achieve goals to various degrees and in various senses. For those looking for some ultimate ‘true intelligence’, the lack of an absolute, binary definition is disappointing, but that is also as it should be.

  </p>
</div>
<div class="divAr">
  <p>
قدم جون مكارثي منذ فترة طويلة أحد أفضل التعريفات: "الذكاء هو الجزء الحسابي من القدرة على تحقيق الأهداف في العالم". هذا واضح جدًا ولا يتطلب الكثير من التفسير. كما أنه يتيح للذكاء أن يكون مسألة من الدرجة ، ولكي يكون الذكاء من عدة أنواع ، وهو ما ينبغي أن يكون. وهكذا ، فإن الشخص ، منظم الحرارة ، برنامج لعب الشطرنج ، والمؤسسة كلها تحقق أهدافًا بدرجات متفاوتة ومعاني مختلفة. لأولئك الذين يبحثون عن بعض "الذكاء الحقيقي" المطلق ، وعدم وجود تعريف مطلق وثنائي مخيب للآمال ، ولكن هذا أيضًا كما ينبغي أن يكون.
  </p>
</div>
<div class="divEn">
  <p>
The part that might benefit from explanation is what it means to achieve goals. What does it mean to have a goal? How can I tell if a system really has a goal rather than seems to? These questions seem deep and confusing until you realize that a system having a goal or not, despite the language, is not really a property of the system itself. It is in the relationship between the system and an observer. (In Dennett's words, it is a ‘stance’ that the observer take with respect to the system.)
  </p>
</div><div class="divAr">
    <p>
الجزء الذي قد يستفيد من الشرح هو ما يعنيه تحقيق الأهداف. ماذا يعني أن يكون لديك هدف؟ كيف يمكنني معرفة ما إذا كان النظام له هدف بالفعل وليس يبدو كذلك؟ تبدو هذه الأسئلة عميقة ومربكة حتى تدرك أن النظام له هدف أم لا ، على الرغم من اللغة ، ليس في الحقيقة خاصية للنظام نفسه. إنه في العلاقة بين النظام والمراقب. (على حد تعبير دينيت ، إنه "موقف" يتخذه المراقب فيما يتعلق بالنظام).
    </p>
  </div>
<div class="divEn">
  <p>
What is it in the relationship between the system and the observer that makes it a goal-seeking system? It is that the system is most usefully understood (predicted, controlled) in terms of its outcomes rather than its mechanisms. Thus, for a home-owner a thermostat is most usefully understood in terms of its keeping the temperature constant, as achieving that outcome, as having that goal. But if i am an engineer designing a thermostat, or a repairman fixing one, then i need to understand it at a mechanistic level—and thus it does not have a goal. The thermostat does or does not have a goal depending of the observer. Another example is the person playing the chess computer. If I am a naive person, and a weaker player, I can best understand the computer as having the goal of beating me, of checkmating my king. But if I wrote the chess program (and it does not look very deep) I have a mechanistic way of understanding it that may be more useful for predicting and controlling it (and beating it).
  </p>
</div><div class="divAr">
    <p>
ما هي العلاقة بين النظام والمراقب التي تجعله نظامًا يسعى إلى الهدف؟ هذا هو أن النظام يُفهم على نحو أكثر فائدة (متنبأ به ومراقب) من حيث نتائجه بدلاً من آلياته. وبالتالي ، بالنسبة لمالك المنزل ، يُفهم منظم الحرارة بشكل مفيد للغاية من حيث الحفاظ على درجة حرارة ثابتة ، وتحقيق هذه النتيجة ، على أنها تحقيق هذا الهدف. لكن إذا كنت مهندسًا يصمم منظم حرارة ، أو مصلحًا يصلح واحدًا ، فأنا بحاجة إلى فهمه على المستوى الميكانيكي - وبالتالي ليس له هدف. منظم الحرارة لديه أو ليس لديه هدف اعتمادًا على المراقب. مثال آخر هو الشخص الذي يلعب الشطرنج على الكمبيوتر. إذا كنت شخصًا ساذجًا ولاعبًا أضعف ، فيمكنني أن أفهم بشكل أفضل الكمبيوتر على أنه هدف ضربي ، وكش ملك ملكي. لكن إذا كتبت برنامج الشطرنج (ولا يبدو عميقًا جدًا) لدي طريقة ميكانيكية لفهمه قد تكون أكثر فائدة للتنبؤ به والتحكم فيه (وضربه).
    </p>
  </div>
<div class="divEn">
  <p>
Putting these two together, we can define intelligence concisely (though without much hope of being genuinely understood without further explanation):
Intelligence is the computational part of the ability to achieve goals. A goal achieving system is one that is more usefully understood in terms of outcomes than in terms of mechanisms.
  </p>
</div><div class="divAr">
    <p>
من خلال وضع هذين معًا ، يمكننا تحديد الذكاء بشكل موجز (على الرغم من عدم وجود أمل كبير في أن يتم فهمه بصدق دون مزيد من التوضيح):
الذكاء هو الجزء الحسابي من القدرة على تحقيق الأهداف. نظام تحقيق الهدف هو النظام الذي يُفهم على نحو أكثر فائدة من حيث النتائج منه من حيث الآليات.
    </p>
  </div>



<div class="source">
  <h4>
    <a href="http://www.incompleteideas.net/IncIdeas/DefinitionOfIntelligence.html"
      >Source</a
    >
  </h4>
</div>


The Definition of Intelligence


<div class="source">
  <img src="/T-36.svg" />
</div>

<div class="source">
  <p>Rich Sutton | ريتشارد إس. سوتون</p>

  <p>11-12-2001</p>
</div>


<div class="divEn">
  <h1>What's Wrong with Artificial Intelligence</h1>
</div>
<div class="divAr">
    <h1>ما المشكلة في الذكاء الاصطناعي</h1>
  </div>
<div class="divEn">
  <p>
I hold that AI has gone astray by neglecting its essential objective --- the turning over of responsibility for the decision-making and organization of the AI system to the AI system itself. It has become an accepted, indeed lauded, form of success in the field to exhibit a complex system that works well primarily because of some insight the designers have had into solving a particular problem. This is part of an anti-theoretic, or "engineering stance", that considers itself open to any way of solving a problem. But whatever the merits of this approach as engineering, it is not really addressing the objective of AI. For AI it is not enough merely to achieve a better system; it matters how the system was made. The reason it matters can ultimately be considered a practical one, one of scaling. An AI system too reliant on manual tuning, for example, will not be able to scale past what can be held in the heads of a few programmers. This, it seems to me, is essentially the situation we are in today in AI. Our AI systems are limited because we have failed to turn over responsibility for them to them.

  </p>
</div>
<div class="divAr">
  <p>
أعتقد أن الذكاء الاصطناعي قد ضل طريقه بإهمال هدفه الأساسي - نقل المسؤولية عن اتخاذ القرار وتنظيم نظام الذكاء الاصطناعي إلى نظام الذكاء الاصطناعي نفسه. لقد أصبح أحد أشكال النجاح المقبولة ، والممنوحة بالفعل ، في هذا المجال لإظهار نظام معقد يعمل بشكل جيد في المقام الأول بسبب بعض البصيرة التي يمتلكها المصممون في حل مشكلة معينة. هذا جزء من موقف مضاد للنظرية ، أو "موقف هندسي" ، يعتبر نفسه منفتحًا على أي طريقة لحل مشكلة ما. ولكن مهما كانت مزايا هذا النهج باعتباره هندسة ، فهو لا يعالج هدف الذكاء الاصطناعي حقًا. بالنسبة للذكاء الاصطناعي ، لا يكفي مجرد تحقيق نظام أفضل ؛ من المهم كيف تم إنشاء النظام. يمكن اعتبار السبب وراء أهميته في النهاية سببًا عمليًا ، وهو القياس. لن يتمكن نظام الذكاء الاصطناعي الذي يعتمد بشكل كبير على الضبط اليدوي ، على سبيل المثال ، من تجاوز ما يمكن الاحتفاظ به في رؤوس عدد قليل من المبرمجين. يبدو لي أن هذا هو الوضع الذي نحن فيه اليوم في الذكاء الاصطناعي. أنظمة الذكاء الاصطناعي لدينا محدودة لأننا فشلنا في تسليم المسؤولية عنها لهم.
  </p>
</div>
<div class="divEn">
  <p>
Please forgive me for this which must seem a rather broad and vague criticism of AI. One way to proceed would be to detail the criticism with regard to more specific subfields or subparts of AI. But rather than narrowing the scope, let us first try to go the other way. Let us try to talk in general about the longer-term goals of AI which we can share and agree on. In broadest outlines, I think we all envision systems which can ultimately incorporate large amounts of world knowledge. This means knowing things like how to move around, what a bagel looks like, that people have feet, etc. And knowing these things just means that they can be combined flexibly, in a variety of combinations, to achieve whatever are the goals of the AI. If hungry, for example, perhaps the AI can combine its bagel recognizer with its movement knowledge, in some sense, so as to approach and consume the bagel. This is a cartoon view of AI -- as knowledge plus its flexible combination -- but it suffices as a good place to start. Note that it already places us beyond the goals of a pure performance system. We seek knowledge that can be used flexibly, i.e., in several different ways, and at least somewhat independently of its expected initial use.
  </p>
</div><div class="divAr">
    <p>
أرجو أن تسامحني على هذا الأمر الذي يجب أن يبدو نقدًا واسعًا وغامضًا إلى حد ما للذكاء الاصطناعي. تتمثل إحدى طرق المتابعة في تفصيل الانتقادات المتعلقة بحقول فرعية أو أجزاء فرعية أكثر تحديدًا من الذكاء الاصطناعي. ولكن بدلاً من تضييق النطاق ، دعونا أولاً نحاول السير في الاتجاه الآخر. دعونا نحاول التحدث بشكل عام عن الأهداف طويلة المدى للذكاء الاصطناعي والتي يمكننا مشاركتها والاتفاق عليها. في الخطوط العريضة ، أعتقد أننا جميعًا نتصور أنظمة يمكنها في النهاية دمج كميات كبيرة من المعرفة العالمية. هذا يعني معرفة أشياء مثل كيفية التنقل ، وشكل الخبز ، وأن الناس لديهم أقدام ، وما إلى ذلك ، ومعرفة هذه الأشياء تعني فقط أنه يمكن دمجها بمرونة ، في مجموعة متنوعة ، لتحقيق أي أهداف من منظمة العفو الدولية. إذا كنت جائعًا ، على سبيل المثال ، فربما يمكن للذكاء الاصطناعي الجمع بين أداة التعرف على الخبز ومعرفته بالحركة ، بمعنى ما ، من أجل الاقتراب من الخبز واستهلاكه. هذه صورة كاريكاتورية للذكاء الاصطناعي - كمعرفة بالإضافة إلى مزيجها المرن - لكنها كافية كمكان جيد للبدء. لاحظ أنه يضعنا بالفعل خارج أهداف نظام الأداء الخالص. نسعى للحصول على المعرفة التي يمكن استخدامها بمرونة ، أي بعدة طرق مختلفة ، وعلى الأقل إلى حد ما بشكل مستقل عن استخدامها الأولي المتوقع.
    </p>
  </div>
<div class="divEn">
  <p>
With respect to this cartoon view of AI, my concern is simply with ensuring the correctness of the AI's knowledge. There is a lot of knowledge, and inevitably some of it will be incorrrect. Who is responsible for maintaining correctness, people or the machine? I think we would all agree that, as much as possible, we would like the AI system to somehow maintain its own knowledge, thus relieving us of a major burden. But it is hard to see how this might be done; easier to simply fix the knowledge ourselves. This is where we are today.  
  </p>
</div><div class="divAr">
    <p>

فيما يتعلق برؤية الرسوم الكاريكاتورية للذكاء الاصطناعي ، فإن ما يشغلني هو ببساطة ضمان صحة معرفة الذكاء الاصطناعي. هناك الكثير من المعرفة ، ومن المؤكد أن بعضها سيكون غير صحيح. من المسؤول عن الحفاظ على الصحة ، الناس أم الآلة؟ أعتقد أننا جميعًا نتفق على أننا ، قدر الإمكان ، نود أن يحافظ نظام الذكاء الاصطناعي بطريقة أو بأخرى على معرفته الخاصة ، وبالتالي يعفينا من عبء كبير. لكن من الصعب رؤية كيف يمكن القيام بذلك ؛ أسهل لإصلاح المعرفة بأنفسنا. هذا هو المكان الذي نحن فيه اليوم.
    </p>
  </div>


<div class="source">
  <h4>
    <a href="http://www.incompleteideas.net/IncIdeas/WrongWithAI.html"
      >Source</a
    >
  </h4>
</div>


What's Wrong with Artificial Intelligence

Sustainability with Rust

What Is It Like to Be a Bat? 

Intro to Brain Computer Interface

Will Robots Inherit the Earth?


<div class="source">
  <img src="/T-29.svg" />
</div>

<div class="divEn">
  <h1>Hope</h1>
</div>
<div class="divAr">
  <h1>الأمل</h1>
</div>
<div class="source">
  <p>
    12 AUGUST 2018 1000-WORD PHILOSOPHY: AN INTRODUCTORY ANTHOLOGY | أغسطس12
    2018 ~ فلسفة 1000 كلمة: أنثولوجيا تمهيدية
  </p>
</div>
<div class="source">
  <p>
    Authors Michael Milona Katie Stockdale Categories
    Ethics Epistemology Philosophy of Religion Social Political Philosophy |
    المؤلفون: مايكل ميلونا وكاتي ستوكديل الفئات: الأخلاق ، نظرية المعرفة ، فلسفة
    الدين ، الفلسفة الاجتماعية والسياسية
  </p>
</div>

<div class="divEn">
  <p>Word Count: 994</p>
</div>
<div class="divAr">
  <p>عدد الكلمات: 994</p>
</div>

<div class="divEn">
  <p>
    Hope is ubiquitous: family members express hope that we find love and
    happiness, politicians call for hope in response to tragedies, and optimists
    urge people to keep their hopes up. We also tell ourselves to maintain hope,
    to find it, or in darker moments, to give it up. We hope for frivolous
    things, too. But what is hope? Can hope be rational or irrational? Is hope
    valuable? Is it ever dangerous? This essay reviews recent important answers
    to these questions with the goal of better understanding hope.
  </p>
</div>
<div class="divAr">
  <p>
    الأمل موجود في كل مكان: يعبر أفراد الأسرة عن أملهم في أن نجد الحب والسعادة ،
    ويدعو السياسيون إلى الأمل رداً على المآسي ، ويحث المتفائلون الناس على الحفاظ
    على آمالهم. نقول لأنفسنا أيضًا أن نحافظ على الأمل ، ونجده ، أو في اللحظات
    الأكثر قتامة ، أن نتخلى عنه. نأمل في أشياء تافهة أيضًا. لكن ما هو الأمل؟ هل
    يمكن أن يكون الأمل عقلانيًا أم غير عقلاني؟ هل الامل ثمين؟ هل هو خطير من أي
    وقت مضى؟ يستعرض هذا المقال الإجابات المهمة الأخيرة على هذه الأسئلة بهدف فهم
    أفضل للأمل.
  </p>
</div>
<div class="divEn">
  <h3>1. What is Hope?</h3>
</div>
<div class="divAr">
  <h3>1. ما هو الأمل؟</h3>
</div>
<div class="divEn">
  <p>
    The typical starting point for analyzing hope is that it involves
    a desire for an outcome and a belief that the outcome’s occurring is at
    least possible. The sense of possibility isn’t merely physical possibility,
    for we can hope that, say, God perform some miracle that violates the law of
    gravity. Philosophers tend to think that a person can hope for anything they
    believe is possible (no matter how low the odds), though it is a separate
    question whether a hope is rational or not, and to what degree. But the
    belief-desire account of hope appears insufficient: we might desire an
    outcome, and believe that the outcome is possible, yet have absolutely no
    hope that it will happen! A prisoner facing execution may desire a pardon,
    believe that a pardon is possible, yet be altogether hopeless that he will
    be pardoned.
  </p>
</div>

<div class="divAr">
  <p>
    نقطة البداية النموذجية لتحليل الأمل هي أنه يتضمن الرغبة في الحصول على نتيجة
    والاعتقاد بأن حدوث النتيجة ممكن على الأقل. إن الإحساس بالاحتمال ليس مجرد
    احتمال فيزيائي ، لأنه يمكننا أن نأمل ، لنقل ، أن يقوم الله ببعض المعجزة التي
    تنتهك قانون الجاذبية. يميل الفلاسفة إلى الاعتقاد بأن أي شخص يمكن أن يأمل في
    أي شيء يعتقد أنه ممكن (بغض النظر عن مدى انخفاض الاحتمالات) ، على الرغم من
    أنه سؤال منفصل عما إذا كان الأمل عقلانيًا أم لا ، وإلى أي درجة. لكن حساب
    الأمل في الاعتقاد يبدو غير كافٍ: قد نرغب في نتيجة ، ونعتقد أن النتيجة ممكنة
    ، ولكن ليس لدينا أي أمل مطلقًا في حدوثها! قد يرغب السجين الذي يواجه الإعدام
    في الحصول على عفو ، ويعتقد أن العفو ممكن ، لكن لا أمل تمامًا في العفو عنه.
  </p>
</div>
<div class="divEn">
  <p>
    Hope, then, requires more than a desire for something and belief in its
    possibility. What else? Luc Bovens argues that hope also requires positive
    conscious thoughts or “mental imaging” about the desired outcome: basically,
    fantasizing about the desired outcome occurring. The prisoner facing
    execution thus hopes for a pardon only if he has pleasant thoughts or
    imaginations about being pardoned. If hope involves, beyond belief and
    desire, pleasant thoughts about the outcome occurring, we might be able to
    distinguish being hopeful for something from being hopeless about it: hope
    involves pleasant thoughts whereas hopelessness involves unpleasant ones.
  </p>
</div>

<div class="divAr">
  <p>
    فالأمل إذن يتطلب أكثر من الرغبة في شيء ما والإيمان بإمكانية حدوثه. ماذا بعد؟
    يجادل Luc Bovens بأن الأمل يتطلب أيضًا أفكارًا واعية إيجابية أو "تصويرًا
    عقليًا" حول النتيجة المرجوة: بشكل أساسي ، التخيل حول النتيجة المرجوة التي
    تحدث. وبالتالي فإن السجين الذي يواجه الإعدام يأمل في الحصول على عفو فقط إذا
    كانت لديه أفكار أو تخيلات ممتعة بشأن العفو. إذا كان الأمل ينطوي ، إلى جانب
    الإيمان والرغبة ، على أفكار ممتعة حول النتيجة التي تحدث ، فقد نتمكن من
    التمييز بين الشعور بالتفاؤل بشيء ما واليأس منه: يتضمن الأمل أفكارًا ممتعة في
    حين أن اليأس ينطوي على أفكار غير سارة.
  </p>
</div>

<div class="divEn">
  <p>
    Adrienne M. Martin questions whether Bovens’s view adequately distinguishes
    hope from hopelessness. She argues that a prisoner who is hopeless about the
    possibility of an overturned conviction may still desire the outcome,
    believe it possible, and fantasize about being pardoned. To distinguish hope
    from hopelessness, Martin defends an “incorporation analysis” of hope: the
    inmate incorporates his desire into his plans, believing that he has reasons
    to plan and act (e.g., with his lawyer) about the prospects of freedom.
  </p>
</div>

<div class="divAr">
  <p>
    ما واليأس منه: يتضمن الأمل أفكارًا ممتعة في حين أن اليأس ينطوي على أفكار غير
    سارة. يتساءل Adrienne M. Martin عما إذا كانت وجهة نظر Bovens تميز بشكل كاف
    بين الأمل واليأس. وتقول إن السجين الذي يائسًا من إمكانية نقض الإدانة ربما لا
    يزال يرغب في النتيجة ، ويعتقد أنه ممكن ، ويتخيل العفو عنه. للتمييز بين الأمل
    واليأس ، يدافع مارتن عن "تحليل الاندماج" للأمل: يدمج السجين رغبته في خططه ،
    معتقدًا أن لديه أسبابًا للتخطيط والتصرف (على سبيل المثال ، مع محاميه) حول
    آفاق الحرية
  </p>
</div>

<div class="divEn">
  <p>
    But does hope really require that hopeful people believe that they have
    reasons to feel, act, and plan in accordance with their desire, as Martin’s
    view requires? Michael Milona and Katie Stockdale argue that it does not. We
    sometimes wholly reject our hopes (e.g., to return to a previous bad
    romantic relationship), believing that that we have no reason for what we
    hope for. Rejecting a hope, or believing that we should not have that hope,
    does not mean that this hope is any less of a hope, contrary to what the
    incorporation analysis suggests: hopes we wish we didn’t have are hopes
    nevertheless.
  </p>
</div>
<div class="divAr">
  <p>
    ولكن هل يتطلب الأمل حقًا أن يعتقد الأشخاص المتفائلون أن لديهم أسبابًا للشعور
    والتصرف والتخطيط وفقًا لرغبتهم ، كما تتطلب وجهة نظر مارتن؟ يجادل مايكل
    ميلونا وكاتي ستوكديل بأن الأمر لا يفعل ذلك. أحيانًا نرفض تمامًا آمالنا (على
    سبيل المثال ، العودة إلى علاقة رومانسية سيئة سابقة) ، معتقدين أنه ليس لدينا
    سبب لما نأمله. إن رفض الأمل ، أو الاعتقاد بأنه لا ينبغي أن يكون لدينا هذا
    الأمل ، لا يعني أن هذا الأمل هو أقل من الأمل ، على عكس ما يوحي به تحليل
    التأسيس: الآمال التي نتمنى ألا تكون لدينا هي مع ذلك آمال.
  </p>
</div>
<div class="divEn">
  <p>
    Milona and Stockdale develop the idea that hope is akin not to a judgment,
    but rather, to a perceptual experience. Just as perceivers often judge their
    perceptions to be misguided (e.g., at magic shows), so too may hopers judge
    their hopes are misguided. Hope then involves, beyond belief and desire, a
    perceptual-like experience of reasons to pursue the desired outcome, or to
    prepare themselves for its possible occurrence. So, in hoping we may
    experience reasons to, say, return to an ex partner without believing such
    reasons exist.
  </p>
</div>
<div class="divAr">
  <p>
    طور ميلونا وستوكديل فكرة أن الأمل لا يشبه الحكم ، بل تجربة إدراكية. مثلما
    يحكم المتصورون غالبًا على أن تصوراتهم مضللة (على سبيل المثال ، في العروض
    السحرية) ، كذلك قد يحكم المتفرجون أيضًا على أن آمالهم مضللة. يتضمن الأمل بعد
    ذلك ، بما يتجاوز الاعتقاد والرغبة ، تجربة شبيهة بتجربة الأسباب الإدراكية
    لمتابعة النتيجة المرجوة ، أو لإعداد أنفسهم لحدوثها المحتمل. لذلك ، على أمل
    أن نواجه أسبابًا ، على سبيل المثال ، للعودة إلى شريك سابق دون الاعتقاد بوجود
    مثل هذه الأسباب.
  </p>
</div>
<div class="divEn">
  <p>
    In sum, there continue to be significant debates about the nature of hope,
    most notably what needs to be added to hope (if anything) beyond mere belief
    and desire.
  </p>
</div>
<div class="divAr">
  <p>
    باختصار ، لا تزال هناك نقاشات مهمة حول طبيعة الأمل ، وأبرزها ما يجب إضافته
    إلى الأمل (إن وجد) بما يتجاوز مجرد الإيمان والرغبة.
  </p>
</div>

<div class="divEn">
  <h3>2. The Rationality and Value of Hope</h3>
</div>
<div class="divAr">
  <h3>2. عقلانية الأمل وقيمته</h3>
</div>

<div class="divEn">
  <p>
    Hope is generally thought to be epistemically rational if one’s belief about
    the possibility (or in some cases, the specific likelihood) of the outcome
    is correct in light of the available evidence. Hope may
    be practically rational in a variety of ways as well. Hope is thought to
    contribute to well-being, motivate the achievement of goals, and inspire
    courageous action, among other things. Beyond epistemic and practical
    rationality, some hopes may even be rational because they are constitutive
    of who we are (e.g., a member of a certain religion), and to lose such
    fundamental hopes would be to lose part of our identity.
  </p>
</div>
<div class="divAr">
  <p>
    يُعتقد عمومًا أن الأمل عقلاني من الناحية المعرفية إذا كان إيمان المرء
    بإمكانية (أو في بعض الحالات ، الاحتمال المحدد) للنتيجة صحيحًا في ضوء الأدلة
    المتاحة. قد يكون الأمل عقلانيًا من الناحية العملية بطرق متنوعة أيضًا. يُعتقد
    أن الأمل يساهم في تحقيق الرفاهية ، والتحفيز على تحقيق الأهداف ، وإلهام العمل
    الشجاع ، من بين أشياء أخرى. بالإضافة إلى العقلانية المعرفية والعملية ، قد
    تكون بعض الآمال عقلانية لأنها تشكل ما نحن عليه (على سبيل المثال ، عضو في دين
    معين) ، وفقدان مثل هذه الآمال الأساسية يعني فقدان جزء من هويتنا.
  </p>
</div>

<div class="divEn">
  <h3>3. The Dangers of Hope</h3>
</div>
<div class="divAr">
  <h3>3. أخطار الرجاء</h3>
</div>

<div class="divEn">
  <p>
    Hope is not without risks. Thwarted hopes can result in strong feelings of
    disappointment. Hope may also be a source of wishful thinking, leading
    people to see the world as tilting in their favor despite the
    evidence.[12] For example, hope that the problems of climate change will be
    effectively addressed might lead someone not to bother with climate change
    activism or to take any personal responsibility to work to mitigate it. Hope
    can also be exploited, such as when politicians take advantage of the hopes
    of people in positions of powerlessness. For example, people who desperately
    hope for greater economic security may be influenced to accept policies that
    primarily serve the politician’s own ends rather than the people’s. These
    and other dangers of hope might lead us to explore alternative emotions to
    hope. Stockdale argues that in the face of persistent
    injustices, bitterness (i.e., anger without hope) might be a justified
    emotional response. The relevance of hope to politics and society has also
    inspired investigation of whether hope is a democratic or political
    virtue and whether a form of radical hope is needed in the face of cultural
    devastation and other severe hardships.
  </p>
</div>
<div class="divAr">
  <p>
    الأمل لا يخلو من المخاطر. يمكن أن تؤدي الآمال المحبطة إلى مشاعر خيبة أمل
    قوية. قد يكون الأمل أيضًا مصدرًا للتفكير بالتمني ، مما يؤدي بالناس إلى رؤية
    العالم وكأنه يميل لصالحهم على الرغم من الأدلة. على سبيل المثال ، قد يؤدي
    الأمل في معالجة مشاكل تغير المناخ بشكل فعال إلى عدم إزعاج شخص ما بنشاط تغير
    المناخ أو تحمل أي مسؤولية شخصية للعمل على التخفيف من حدته. يمكن أيضًا
    استغلال الأمل ، على سبيل المثال عندما يستغل السياسيون آمال الناس في مواقع
    الضعف. على سبيل المثال ، قد يتأثر الأشخاص الذين يأملون بشدة في تحقيق قدر
    أكبر من الأمن الاقتصادي لقبول السياسات التي تخدم في المقام الأول غايات
    السياسي الخاصة بدلاً من أهداف الشعب. قد تقودنا هذه الأخطار وغيرها من مخاطر
    الأمل إلى استكشاف مشاعر بديلة للأمل. يجادل ستوكديل بأنه في مواجهة الظلم
    المستمر ، فإن المرارة (أي الغضب بلا أمل) قد تكون استجابة عاطفية مبررة. ألهمت
    علاقة الأمل بالسياسة والمجتمع أيضًا البحث في ما إذا كان الأمل فضيلة
    ديمقراطية أو سياسية وما إذا كانت هناك حاجة إلى شكل من أشكال الأمل الراديكالي
    في مواجهة الدمار الثقافي وغيره من المصاعب الشديدة.
  </p>
</div>

<div class="divEn">
  <h3>4. Conclusion</h3>
</div>
<div class="divAr">
  <h3>4. الخلاصة</h3>
</div>

<div class="divEn">
  <p>
    In a world where our needs and desires are so often met with uncertainty,
    hope tends to emerge. Philosophy has much to contribute to understanding
    this phenomenon, and the potential value and risks of hope to all aspects of
    our lives: personally, socially, morally, intellectually, religiously,
    politically and more.
  </p>
</div>
<div class="divAr">
  <p>
    في عالم غالبًا ما تُقابل فيه احتياجاتنا ورغباتنا بعدم اليقين ، يميل الأمل
    إلى الظهور. يمكن للفلسفة أن تساهم كثيرًا في فهم هذه الظاهرة ، والقيمة
    المحتملة ومخاطر الأمل في جميع جوانب حياتنا: شخصيًا ، واجتماعيًا ، وأخلاقيًا
    ، وفكريًا ، ودينيًا ، وسياسيًا وغير ذلك.
  </p>
</div>

<div class="source">
  <h4>
    <a href="">Source</a>
  </h4>
</div>


Hope

Virtual Molecular Reality

TECHNOLOGICAL SINGULARITY

What has AI in Common with Philosophy?


<div class="source">
  <img src="/T-24.svg" />
</div>

<div class="source">
  <p>Rich Sutton | ريتشارد إس. سوتون</p>

  <p>13-03-2019</p>
</div>


<div class="divEn">
  <h1>The Bitter Lesson</h1>
</div>
<div class="divAr">
    <h1>درس المر</h1>
  </div>
<div class="divEn">
  <p>
    The biggest lesson that can be read from 70 years of AI research is that
    general methods that leverage computation are ultimately the most effective,
    and by a large margin. The ultimate reason for this is Moore's law, or
    rather its generalization of continued exponentially falling cost per unit
    of computation. Most AI research has been conducted as if the computation
    available to the agent were constant (in which case leveraging human
    knowledge would be one of the only ways to improve performance) but, over a
    slightly longer time than a typical research project, massively more
    computation inevitably becomes available. Seeking an improvement that makes
    a difference in the shorter term, researchers seek to leverage their human
    knowledge of the domain, but the only thing that matters in the long run is
    the leveraging of computation. These two need not run counter to each other,
    but in practice they tend to. Time spent on one is time not spent on the
    other. There are psychological commitments to investment in one approach or
    the other. And the human-knowledge approach tends to complicate methods in
    ways that make them less suited to taking advantage of general methods
    leveraging computation.  There were many examples of AI researchers' belated
    learning of this bitter lesson, and it is instructive to review some of the
    most prominent.
  </p>
</div>
<div class="divAr">
  <p>
    وأكبر درس يمكن استخلاصه من سبعين عامًا المنصرمة في أبحاث الذكاء الاصطناعى هو
    أن الخورزميات العامة التي تزيد من الفعالية الحسابية هي في النهاية الأكثر
    فعالية وبهامش كبير. وسبب ؟ قانون مور ، أو بالأحرى استمرار انخفاض في التكلفة
    لكل وحدة حسابية تم إجراء معظم أبحاث الذكاء الاصطناعى كما لو أن المقدرة
    الحسابية المتوفرة للخورزمية كانت ثابتًا (في هذه الحالة سيكون الاستفادة من
    المعرفة الإنسانية واحدة من الطرق الوحيدة لتحسين الأداء) ولكن ، على مدار فترة
    زمنية أطول قليلاً من مشروع بحث نموذجي ، كان الحساب أكثر جماعية يصبح حتما
    متاحا. سعياً وراء تحسن يحدث فرقًا على المدى القصير ، يسعى الباحثون إلى زيادة
    معرفتهم الإنسانية بالمجال ، لكن الشيء الوحيد الذي يهم على المدى الطويل هو
    الاستفادة من الحساب. لا يحتاج هذان الشخصان إلى مواجهة بعضهما البعض ، لكن في
    الممارسة العملية يميلان إلى ذلك. الوقت الذي يقضيه في واحد هو الوقت الذي لا
    تنفق على الآخر. هناك التزامات نفسية للاستثمار في نهج واحد أو آخر. ويميل نهج
    المعرفة الإنسانية إلى تعقيد الطرق بطرق تجعلها أقل ملاءمة للاستفادة من الطرق
    العامة للاستفادة من الحساب. كانت هناك أمثلة كثيرة لتعلم الباحثين المتأخرين
    في هذا الدرس المرير ، ومن المفيد مراجعة بعض الأبرز.
  </p>
</div>
<div class="divEn">
  <p>
    In computer chess, the methods that defeated the world champion, Kasparov,
    in 1997, were based on massive, deep search. At the time, this was looked
    upon with dismay by the majority of computer-chess researchers who had
    pursued methods that leveraged human understanding of the special structure
    of chess. When a simpler, search-based approach with special hardware and
    software proved vastly more effective, these human-knowledge-based chess
    researchers were not good losers. They said that ``brute force" search may
    have won this time, but it was not a general strategy, and anyway it was not
    how people played chess. These researchers wanted methods based on human
    input to win and were disappointed when they did not.
  </p>
</div><div class="divAr">
    <p>
      في لعبة الشطرنج المحوسبة ، كانت الأساليب التي هزمت بطل العالم ، كاسباروف ،
      في عام 1997 ، تعتمد على بحث مكثف وعميق. في ذلك الوقت ، نظر إليه غالبية
      الباحثين في لعبة الشطرنج بالحزن ، الذين اتبعوا أساليب استفادت من الفهم
      الإنساني للبنية الخاصة للشطرنج. عندما أثبت نهج أبسط قائم على البحث مع أجهزة
      وبرامج خاصة أنه أكثر فاعلية ، فإن هؤلاء الباحثين في لعبة الشطرنج القائمة على
      المعرفة الإنسانية قد كانوا خاسرين مريرين. قالوا إن البحث عن "القوة الغاشمة"
      ربما يكون قد فازت في هذه المرة ، لكنها لم تكن استراتيجية عامة ، وعلى أي حال
      لم يكن الأمر كيف لعب الناس لعبة الشطرنج ، فقد أراد هؤلاء الباحثون أساليب
      تعتمد على المدخلات البشرية للفوز وخاب أملهم عندما لم يفعلوا ذلك. .
    </p>
  </div>
<div class="divEn">
  <p>
    A similar pattern of research progress was seen in computer Go, only delayed
    by a further 20 years. Enormous initial efforts went into avoiding search by
    taking advantage of human knowledge, or of the special features of the game,
    but all those efforts proved irrelevant, or worse, once search was applied
    effectively at scale. Also important was the use of learning by self play to
    learn a value function (as it was in many other games and even in chess,
    although learning did not play a big role in the 1997 program that first
    beat a world champion). Learning by self play, and learning in general, is
    like search in that it enables massive computation to be brought to bear.
    Search and learning are the two most important classes of techniques for
    utilizing massive amounts of computation in AI research. In computer Go, as
    in computer chess, researchers' initial effort was directed towards
    utilizing human understanding (so that less search was needed) and only much
    later was much greater success had by embracing search and learning.
  </p>
</div><div class="divAr">
    <p>
      شوهد نمط مماثل من التقدم البحثي في ​​كمبيوتر Go ، تأخر لمدة 20 عامًا أخرى
      فقط. بذلت جهود أولية هائلة في تجنب البحث من خلال الاستفادة من المعرفة
      البشرية ، أو من الميزات الخاصة للعبة ، ولكن كل هذه الجهود أثبتت أنها غير ذات
      صلة ، أو ما هو أسوأ ، بمجرد تطبيق البحث بشكل فعال على نطاق واسع. كان من
      المهم أيضًا استخدام التعلم عن طريق اللعب الذاتي لتعلم وظيفة قيمة (كما كان في
      العديد من الألعاب الأخرى وحتى في الشطرنج ، على الرغم من أن التعلم لم يلعب
      دورًا كبيرًا في برنامج 1997 الذي فاز لأول مرة على بطل عالمي). التعلم باللعب
      الذاتي ، والتعلم بشكل عام ، يشبه البحث في أنه يتيح تطبيق العمليات الحسابية
      الضخمة. يعد البحث والتعلم أهم فئتين من التقنيات لاستخدام كميات هائلة من
      الحسابات في أبحاث الذكاء الاصطناعي. في الكمبيوتر Go ، كما هو الحال في شطرنج
      الكمبيوتر ، تم توجيه الجهد الأولي للباحثين نحو الاستفادة من الفهم البشري
      (بحيث كانت هناك حاجة إلى بحث أقل) وكان النجاح في وقت لاحق أكبر بكثير من خلال
      تبني البحث والتعلم.
    </p>
  </div>
<div class="divEn">
  <p>
    In speech recognition, there was an early competition, sponsored by DARPA,
    in the 1970s. Entrants included a host of special methods that took
    advantage of human knowledge---knowledge of words, of phonemes, of the human
    vocal tract, etc. On the other side were newer methods that were more
    statistical in nature and did much more computation, based on hidden Markov
    models (HMMs). Again, the statistical methods won out over the
    human-knowledge-based methods. This led to a major change in all of natural
    language processing, gradually over decades, where statistics and
    computation came to dominate the field. The recent rise of deep learning in
    speech recognition is the most recent step in this consistent direction.
    Deep learning methods rely even less on human knowledge, and use even more
    computation, together with learning on huge training sets, to produce
    dramatically better speech recognition systems. As in the games, researchers
    always tried to make systems that worked the way the researchers thought
    their own minds worked---they tried to put that knowledge in their
    systems---but it proved ultimately counterproductive, and a colossal waste
    of researcher's time, when, through Moore's law, massive computation became
    available and a means was found to put it to good use.
  </p>
</div><div class="divAr">
    <p>
      في التعرف على الكلام ، كانت هناك منافسة مبكرة ، برعاية DARPA ، في
      السبعينيات. تضمن المشاركون مجموعة من الأساليب الخاصة التي استفادت من المعرفة
      البشرية --- معرفة الكلمات والصوتيات والقناة الصوتية البشرية وما إلى ذلك.
      وعلى الجانب الآخر ، كانت هناك طرق أحدث ذات طبيعة إحصائية أكثر وأجرت حسابات
      أكثر بكثير ، على أساس نماذج ماركوف المخفية (HMMs). مرة أخرى ، فازت الأساليب
      الإحصائية على الأساليب القائمة على المعرفة البشرية. أدى هذا إلى تغيير كبير
      في جميع معالجة اللغات الطبيعية ، بشكل تدريجي على مدى عقود ، حيث أصبحت
      الإحصاءات والحسابات تهيمن على المجال. الارتفاع الأخير للتعلم العميق في
      التعرف على الكلام هو الخطوة الأخيرة في هذا الاتجاه الثابت. تعتمد طرق التعلم
      العميقة بشكل أقل على المعرفة البشرية ، وتستخدم المزيد من الحسابات ، جنبًا
      إلى جنب مع التعلم في مجموعات التدريب الضخمة ، لإنتاج أنظمة التعرف على الكلام
      بشكل أفضل بشكل كبير. كما هو الحال في الألعاب ، حاول الباحثون دائمًا إنشاء
      أنظمة تعمل بالطريقة التي اعتقد الباحثون أن عقولهم تعمل بها - حاولوا وضع هذه
      المعرفة في أنظمتهم - لكنها أثبتت في نهاية المطاف أنها تأتي بنتائج عكسية ،
      وهدر كبير لوقت الباحث ، عندما ، من خلال قانون مور ، أصبح الحساب الضخم متاحًا
      وتم العثور على وسيلة لاستخدامه بشكل جيد.
    </p>
  </div>
<div class="divEn">
  <p>
    In computer vision, there has been a similar pattern. Early methods
    conceived of vision as searching for edges, or generalized cylinders, or in
    terms of SIFT features. But today all this is discarded. Modern
    deep-learning neural networks use only the notions of convolution and
    certain kinds of invariances, and perform much better.
  </p>
</div>
<div class="divAr">
  <p>
    في رؤية الكمبيوتر ، كان هناك نمط مماثل. الأساليب المبكرة للرؤية هي البحث عن
    الحواف ، أو الأسطوانات المعممة ، أو من حيث ميزات SIFT. ولكن اليوم تم تجاهل
    كل هذا. تستخدم الشبكات العصبية الحديثة للتعلم العميق مفاهيم الالتواء وأنواع
    معينة من الثوابت ، وتؤدي بشكل أفضل.
  </p>
</div>
<div class="divEn">
  <p>
    This is a big lesson. As a field, we still have not thoroughly learned it,
    as we are continuing to make the same kind of mistakes. To see this, and to
    effectively resist it, we have to understand the appeal of these mistakes.
    We have to learn the bitter lesson that building in how we think we think
    does not work in the long run. The bitter lesson is based on the historical
    observations that 1) AI researchers have often tried to build knowledge into
    their agents, 2) this always helps in the short term, and is personally
    satisfying to the researcher, but 3) in the long run it plateaus and even
    inhibits further progress, and 4) breakthrough progress eventually arrives
    by an opposing approach based on scaling computation by search and learning.
    The eventual success is tinged with bitterness, and often incompletely
    digested, because it is success over a favored, human-centric approach.
  </p>
</div>

<div class="divAr">
  <p>
    هذا درس كبير. كحقل ، ما زلنا لم نتعلمه جيدًا ، حيث نواصل ارتكاب نفس النوع من
    الأخطاء. لنرى ذلك ، ولمقاومته بفعالية ، علينا أن نفهم جاذبية هذه الأخطاء.
    علينا أن نتعلم الدرس المرير بأن البناء في طريقة تفكيرنا لا ينجح على المدى
    الطويل. يعتمد الدرس المرير على الملاحظات التاريخية التي 1) حاول باحثو الذكاء
    الاصطناعي في كثير من الأحيان بناء المعرفة في عملائهم ، 2) وهذا يساعد دائمًا
    على المدى القصير ، ويكون مرضيًا للباحث ، ولكن 3) على المدى الطويل الهضاب
    وحتى يحول دون مزيد من التقدم ، و 4) تقدم التقدم المحرز في نهاية المطاف عن
    طريق نهج معارضة تقوم على حساب التحجيم عن طريق البحث والتعلم. إن النجاح في
    نهاية المطاف مشوب بالمرارة ، وغالبًا ما يتم هضمه بشكل غير كامل ، لأنه نجاح
    على نهج محبَّذ محوره الإنسان.
  </p>
</div>
<div class="divEn">
  <p>
    One thing that should be learned from the bitter lesson is the great power
    of general purpose methods, of methods that continue to scale with increased
    computation even as the available computation becomes very great. The two
    methods that seem to scale arbitrarily in this way are search and learning. 
    The second general point to be learned from the bitter lesson is that the
    actual contents of minds are tremendously, irredeemably complex; we should
    stop trying to find simple ways to think about the contents of minds, such
    as simple ways to think about space, objects, multiple agents, or
    symmetries. All these are part of the arbitrary, intrinsically-complex,
    outside world. They are not what should be built in, as their complexity is
    endless; instead we should build in only the meta-methods that can find and
    capture this arbitrary complexity. Essential to these methods is that they
    can find good approximations, but the search for them should be by our
    methods, not by us. We want AI agents that can discover like we can, not
    which contain what we have discovered. Building in our discoveries only
    makes it harder to see how the discovering process can be done.
  </p>
</div><div class="divAr">
    <p>
      والنقطة العامة الثانية التي يجب تعلمها من الدرس المرير هي أن المحتويات
      الفعلية للعقول معقدة للغاية وغير قابلة لتبسيط ؛ يجب أن نتوقف عن محاولة إيجاد
      طرق بسيطة للتفكير في محتويات العقول ، مثل طرق بسيطة للتفكير في الفضاء أو
      الأشياء أو العوامل المتعددة أو التناظر. كل هذا جزء من العالم الخارجي التعسفي
      والمعقد في جوهره. إنهم ليسوا ما ينبغي بناؤه ، لأن تعقيدهم لا نهاية له ؛
      بدلاً من ذلك ، يجب علينا أن نبني فقط الطرق الوصفية التي يمكنها العثور على
      هذا التعقيد التعسفي والتقاطه. من الأمور الأساسية لهذه الطرق أنها يمكن أن تجد
      تقريبًا جيدًا ، ولكن البحث عنها يجب أن يكون بطرقنا وليس من خلالنا. نريد
      منظومة الذكاء الاصطناعى الذين يمكن أن يكتشفوا ما نستطيع ، وليس الذي يحتوي
      على ما اكتشفناه. بناء في اكتشافاتنا يجعل فقط من الصعب رؤية كيف يمكن القيام
      بعملية الاكتشاف.
    </p>
  </div>







<div class="source">
  <h4>
    <a href="http://www.incompleteideas.net/IncIdeas/BitterLesson.html"
      >Source</a
    >
  </h4>
</div>


The Bitter Lesson


<div class="source">
  <img src="/RP-1.svg" />
</div>

<div class="source">
  <p>John McCarthy | جون مكارثي</p>

  <p>Computer Science Department | قسم علوم الحاسوب</p>

  <p>Stanford University | جامعة ستانفورد</p>

  <p>Stanford, CA 94305 jmc@cs.stanford.edu</p>

  <p>http://www-formal.stanford.edu/jmc/</p>

  <p>1983</p>
</div>

<div class="divEn">
  <h1>AI NEEDS MORE EMPHASIS ON BASIC RESEARCH</h1>
</div>

<div class="divAr">
  <h1>ذكاء الأصطناعي يحتاج المزيد من تركيز على الأبحاث الأساساية</h1>
</div>



<div class="divEn">
  <h3>Abstract</h3>
</div>

<div class="divAr">
  <h3>الملخص</h3>
</div>

<div class="divEn">
  <p>
    Too few people are doing basic research in AI relative to the number working
    on applications. The ratio basic/applied is less in AI than in the older
    sciences and than in computer science generally. This is unfortunate,
    because reaching human level artificial intelligence will require
    fundamental conceptual advances. Even the applied goals proposed by various
    groups in the U.S., Europe and Japan for the next ten years are not just
    engineering extrapolations from the present state of science. Their
    realization will require more basic research than is now being done.
  </p>

  <p>
    Jon Doyle put it this way in a recent net message. “. . . tentative, but
    disturbing conclusion: that the students interested in AI are not very
    interested in fundamental questions, open problems, and long term research,
    but instead are eager to get in on big, build-it-now projects in expert
    systems and natural language interfaces.” He was definite about CMU, but he
    conjectured that the situation was similar elsewhere, and I suppose student
    preferences are similar in different places.
  </p>

  <p>
    I’ll begin with a few recriminations and then try to be more constructive.
    First the Government, specifically DARPA and NSF, had a fit of extreme
    ‘practicality’ in the early 1970s. The Mansfield amendment required DARPA to
    claim short term military relevance for what it supported, and NSF diverted
    much of its resources to ‘Research Applied to National Needs’. The older
    sciences were able to resist this in NSF but lost their DARPA support
    completely. AI, which was more dependent on DARPA than the others were,
    survived but wounded. The situation has improved in both places in recent
    years.
  </p>
</div>

<div class="divAr">
  <p>
يقوم عدد قليل جدًا من الأشخاص بإجراء الابحاث الأساسية في الذكاء الاصطناعي بالنسبة إلى العدد الذي يعملون على التطبيقات. النسبة الأساسية / التطبيقية أقل في الذكاء الاصطناعي عنها في العلوم القديمة منها في علوم الكمبيوتر بشكل عام. هذا أمر مؤسف ، لأن الوصول إلى مستوى الذكاء الاصطناعي البشري سيتطلب تطوير مفاهيم أساسية. حتى الأهداف التطبيقية التي اقترحتها مجموعات مختلفة في الولايات المتحدة وأوروبا واليابان للسنوات العشر القادمة ليست سوى مجرد استقراء هندسي من الحالة العلمية الحالية. سيتطلب إدراكهم المزيد من البحث الأساسي أكثر مما يجري الآن. 
</p>

  <p>
صاغها جون دويل بهذه الطريقة في رسالة شبكة حديثة. ". . . استنتاج مبدئي ، لكنه مزعج: أن الطلاب المهتمين بالذكاء الاصطناعي ليسوا مهتمين جدًا بالأسئلة الأساسية ، والمشكلات المفتوحة ، والأبحاث طويلة المدى ، لكنهم بدلاً من ذلك حريصون على المشاركة في مشاريع كبيرة يتم بناؤها الآن في أنظمة الخبراء واللغة الطبيعية واجهات." لقد كان واضحًا بشأن جامعة كارنيجي ميلون ، لكنه توقع أن الوضع كان مشابهًا في مكان آخر ، وأفترض أن تفضيلات الطلاب متشابهة في أماكن مختلفة.
  </p>

  <p>
سأبدأ ببعض الاتهامات المتبادلة ثم سأحاول أن أكون بناءة أكثر. أولاً ، كان لدى الحكومة ، وتحديداً DARPA و NSF ، نوبة من "التطبيق العملي" المتطرف في أوائل السبعينيات. تطلب تعديل مانسفيلد من وكالة DARPA أن تدعي أهمية عسكرية قصيرة المدى لما تدعمه ، وحوّلت NSF الكثير من مواردها إلى "الأبحاث المطبقة على الاحتياجات الوطنية". كانت العلوم القديمة قادرة على مقاومة ذلك في NSF لكنها فقدت دعم DARPA تمامًا. نجا الذكاء الاصطناعي ، الذي كان يعتمد على DARPA أكثر من الآخرين ، لكنه أصيب بجروح. لقد تحسن الوضع في كلا المكانين في السنوات الأخيرة.
  </p>
</div>

<div class="divEn">
  <p>
    Second the opportunities to make money have perhaps lured some people away
    from research per se. I don’t really know the extent to which this is true.
    Maybe they were tired of research.
  </p>

  <p>
    Third much of the theoretical work in AI is beside the point and unlikely to
    lead to advances toward human level intelligence. The mathematically
    talented like well-defined conjectures the wherein the mere statement of the
    result that has been proved or the asymptotic behavior of the algorithm
    discovered wins instant scientific recognition. AI badly needs mathematical
    and logical theory, but the theory required involves conceptual innovations
    - not just mathematics. We won’t reach human level intelligence by more
    algorithms reducing the complexity of a problem from n to n log n and still
    less by proofs that yet another problem is unsolvable or NP-complete. Of
    course, these results are often very significant as mathematics or computer
    science.
  </p>

  <p>
    Fourth, like many fields AI is given to misguided enthusiasms in which large
    numbers of people make the same errors. For example, much of the present
    work in natural language processing seems misguided to me. There is too much
    emphasis on syntax and not enough on the semantics. Natural language front
    ends on programs that convert between existing AI formalisms and English
    miss the point. What we can learn from natural language is not how to
    express in English what we already know how to express in computerese.
    Rather we must study those ideas expressible in natural language that no-one
    knows how to represent at all in a computer.
  </p>
</div>


<div class="divAr">
  <p>
ثانيًا ، ربما تكون فرص كسب المال قد أغرت بعض الناس بعيدًا عن البحث في حد ذاته. أنا لا أعرف حقًا إلى أي مدى يكون هذا صحيحًا. ربما سئموا من البحث.
  </p>

  <p>
ثالثًا ، يأتي الجزء الأكبر من العمل النظري في الذكاء الاصطناعي بعيدًا عن النقطة المهمة ، ومن غير المرجح أن يؤدي إلى تقدم نحو الذكاء على المستوى البشري. الموهوب رياضيا مثل التخمينات المحددة جيدا حيث أن مجرد بيان النتيجة التي تم إثباتها أو السلوك المقارب للخوارزمية المكتشفة يفوز باعتراف علمي فوري. يحتاج الذكاء الاصطناعي بشدة إلى نظرية رياضية ومنطقية ، لكن النظرية المطلوبة تتضمن ابتكارات مفاهيمية - وليس فقط الرياضيات. لن نصل إلى مستوى الذكاء البشري من خلال المزيد من الخوارزميات التي تقلل من تعقيد المشكلة من n إلى n log n وأقل من ذلك من خلال الأدلة على أن مشكلة أخرى غير قابلة للحل أو NP كاملة. بالطبع ، غالبًا ما تكون هذه النتائج مهمة جدًا مثل الرياضيات أو علوم الكمبيوتر.
  </p>

  <p>
رابعًا ، مثل العديد من المجالات ، يُمنح الذكاء الاصطناعي للحماسات المضللة التي يرتكب فيها عدد كبير من الأشخاص نفس الأخطاء. على سبيل المثال ، يبدو لي الكثير من العمل الحالي في معالجة اللغة الطبيعية مضللاً. هناك الكثير من التركيز على بناء الجملة وليس كافيًا على دلالات الألفاظ. نهايات اللغة الطبيعية في البرامج التي تحول بين شكليات الذكاء الاصطناعي الحالية واللغة الإنجليزية تخطئ الهدف. ما يمكن أن نتعلمه من اللغة الطبيعية ليس كيف نعبر باللغة الإنجليزية عن ما نعرفه بالفعل كيف نعبر عنه في أجهزة الكمبيوتر. بدلاً من ذلك ، يجب أن ندرس تلك الأفكار التي يتم التعبير عنها بلغة طبيعية لا يعرف أحد كيف يمثلها على الإطلاق في الكمبيوتر.
  </p>
</div>

<div class="divEn">
  <p>
    We also won’t reach human level intelligence by building larger and larger
    production systems involving more and more facts all on the same level. Of
    course, these systems of limited intelligence may have substantial practical
    utility.
  </p>



  <p>Now that I’ve finished grumbling, I’ll try to be constructive.</p>
</div>
<div class="divAr">
  <p>
كما أننا لن نصل إلى مستوى الذكاء البشري من خلال بناء أنظمة إنتاج أكبر وأكبر تتضمن المزيد والمزيد من الحقائق كلها على نفس المستوى. بالطبع ، قد يكون لهذه الأنظمة ذات الذكاء المحدود فائدة عملية كبيرة.
  </p>

  <p>الآن بعد أن انتهيت من التذمر ، سأحاول أن أكون بنّاءً.</p>
</div>
<div class="divEn">
  <p>
    1. People beginning their research careers should think about the long term
    goals of AI and should think how to apply their own talents in the best way.
    If they can do first class basic research they should.
  </p>

  <p>
    2. In my opinion, the key problem at present is the formalization of common
    sense knowledge and reasoning ability. It still looks to me that separating
    epistemology from heuristics will pay off.
  </p>

  <p>
    3. We need to think hard about how to make experiments that are really
    informative. At present the failures are more important than the successes,
    because they often tell us that the intellectual mechanisms we imagined
    would intelligently solve certain problems are inadequate.
  </p>

  <p>
    4. We need good problem domains — the AI analog of what the Drosophila did
    for genetics. The Soviet computer scientist A. S. Kronrod once referred to
    chess as the Drosophila of artificial intelligence, because it permitted
    comparison of human and artificial intellectual mechanisms. Unfortunately,
    chess was discouraged as a serious problem domain, and most chess
    programming is carried on at the level of sport rather than science. In
    particular, there is little publication about the intellectual mechanisms
    involved, and the race often involves merely faster hardware.
  </p>

  <p>
    5. I also believe there is a large payoff in a more general analysis of the
    concept of pattern. Finally, let me cheerfully admit that general harangues
    like this one are no substitute for scientific papers setting forth specific
    problems in detail. I hope that other members of AAAI will express their own
    opinions about what the basic research problems are.
  </p>
</div>

<div class="divAr">
  <p>
1. يجب على الأشخاص الذين يبدأون حياتهم المهنية البحثية التفكير في الأهداف طويلة المدى للذكاء الاصطناعي ويجب أن يفكروا في كيفية تطبيق مواهبهم بأفضل طريقة. إذا كان بإمكانهم إجراء الابحاث الاساسية من الدرجة الأولى ، فينبغي عليهم ذلك.
  </p>

  <p>
2. في رأيي ، المشكلة الرئيسية في الوقت الحاضر هي إضفاء الطابع الرسمي على المعرفة الحس السليم والقدرة على التفكير. لا يزال يبدو لي أن فصل نظرية المعرفة عن الاستدلال سيؤتي ثماره.
  </p>

  <p>
3. نحن بحاجة إلى التفكير بجدية حول كيفية إجراء تجارب مفيدة حقًا. في الوقت الحاضر ، تُعتبر حالات الفشل أكثر أهمية من النجاحات ، لأنها تخبرنا في كثير من الأحيان أن الآليات الفكرية التي تخيلناها ستحل بذكاء مشاكل معينة غير كافية.
  </p>

  <p>
4. نحن بحاجة إلى مجالات المشكلة جيدة - نظير الذكاء الاصطناعي لما فعلته ذبابة الفاكهة في علم الوراثة. كان عالم الكمبيوتر السوفيتي أ.س. كرونرود قد أشار ذات مرة إلى الشطرنج باسم ذبابة الفاكهة للذكاء الاصطناعي ، لأنه سمح بمقارنة الآليات الفكرية البشرية والاصطناعية. لسوء الحظ ، تم تثبيط الشطرنج باعتباره مجال مشكلة خطيرة ، ويتم تنفيذ معظم برامج الشطرنج على مستوى الرياضة بدلاً من العلم. على وجه الخصوص ، هناك القليل من المنشورات حول الآليات الفكرية المعنية ، وغالبًا ما يتضمن السباق مجرد أجهزة أسرع.
  </p>

  <p>
5. أعتقد أيضًا أن هناك مردودًا كبيرًا في تحليل أكثر عمومية لمفهوم النمط. أخيرًا ، اسمحوا لي أن أعترف بمرح أن الخطابات العامة مثل هذه ليست بديلاً عن الأوراق العلمية التي تحدد مشاكل محددة بالتفصيل. آمل أن يعبر الأعضاء الآخرون في AAAI عن آرائهم الخاصة حول ماهية مشكلات البحث الأساسية.
  </p>
</div>



<div class="source">
  <h4>
    <a href="http://jmc.stanford.edu/articles/basicresearch.html">Source</a>
  </h4>
</div>

AI NEEDS MORE EMPHASIS ON BASIC RESEARCH

Communication with Alien Intelligence

What the Tortoise Said to Achilles


<div class="source">
  <img src="/S-1.svg" />
</div>


<div class="divEn">
  <h1>Blue notebook no. 2</h1>
</div>

<div class="divAr">
  <h1>المفكرة زرقاء رقم 2</h1>
</div>


<div class="divEn">
  <p>
Once there was a redheaded man without eyes and without ears. He had no hair either, so that he was a redhead was just something they said.
He could not speak, for he had no mouth. He had no nose either.
He didn't even have arms or legs. He had no stomach either, and he had no back, and he had no spine, and no intestines of any kind. He didn't have anything at all. So it is hard to understand whom we are really talking about.
So it is probably best not to talk about him anymore.
  </p>
</div>

<div class="divAr">
  <p>
كان هناك رجل اصهب بدون عينين او اذنين
وكان اصلع , لذالك كونه اصهب فقط شيء يقال . لم يكن قادر على تحدث , لان لا فم له ولم يكن له انف ايضاً
ولم يكن له قدمين او يدين , ولا معدة ايضاً 
ولا ظهر ولا عمود فقري 
ولا احشاء من اي نوع .
لم يكن له اي شيء
لذالك من صعب فهم عمن نتحدث هنا
لذالك من الأفضل عدم الحديث عنه .
</p>

</div>




<div class="source">
  <h4>
    <a href="http://www.sevaj.dk/kharms/stories/noteb10.htm">Source</a>
  </h4>
</div>


Blue notebook no. 2

Afterword to Vernor Vinges novel, True Names.

What If the Singularity Does NOT Happen

The Coming Technological Singularity: How to Survive in the Post-Human Era

WHY PEOPLE THINK COMPUTERS CAN'T

Nature, Bloody in Tooth and Claw?


<div class="source">
  <h4>
    <a href="https://8bitsprivacy.vercel.app/">8bitsprivacy</a>
  </h4>
</div>


NetworkTools


<div class="source">
  <h4>
    <a href="/">Network Tools</a>
  </h4>
</div>



<div class="source">
  <h4>
    <a href="/">Home Sweet Home</a>
  </h4>
</div>


This Blog

AWS Solution Architect Associate

About Me.

Topics

Origin

Years

Projects

NetworkTools

NetworkTools

This Blog

AWS Solution Architect Associate

Certification

Recent Posts

The Cult of Done Manifesto

Moore's Law for Everything

Zeroth-Principles Thinking

Machine Learning for Humans

No Free Lunch Theorems

Species of Mind

Group Minds

Technology and New Populisms

Creativity

The Definition of Intelligence

What's Wrong with Artificial Intelligence

Sustainability with Rust

What Is It Like to Be a Bat?

Intro to Brain Computer Interface

Will Robots Inherit the Earth?

Hope

Virtual Molecular Reality

TECHNOLOGICAL SINGULARITY

What has AI in Common with Philosophy?

The Bitter Lesson

AI NEEDS MORE EMPHASIS ON BASIC RESEARCH

Communication with Alien Intelligence

What the Tortoise Said to Achilles

Blue notebook no. 2

Afterword to Vernor Vinges novel, True Names.

What If the Singularity Does NOT Happen

The Coming Technological Singularity: How to Survive in the Post-Human Era

WHY PEOPLE THINK COMPUTERS CAN'T

Nature, Bloody in Tooth and Claw?