Философия как источник идей для ML: что осталось неформализованным

Нейросетям всего несколько десятилетий, а философы размышляют о природе знания более двух тысяч лет. Автор решил проверить, не остались ли в трудах Платона, Аристотеля, Канта и Гегеля забытые методы обучения, которые можно перевести на PyTorch. Он наложил список ML-методов на философские теории познания и получил двенадцать «неиспользованных» идей, но после проверки литературы половина исчезла: абдукция Пирса уже живет в Abductive Learning, скептическое воздержание от суждения — в selective prediction, телеология — в goal-conditioned reinforcement learning, а диалектика добралась до отдельных алгоритмических работ.

Бесплатной оптимизации у Платона не нашлось, но автор обнаружил, что философия чаще дает ML не готовые алгоритмы, а постановки задач: «Что значит знать пределы своего знания?», «Как понять часть через целое?», «Как сохранить оба полюса противоречия?». Эти вопросы уже почти техническое задание — не хватает только состояния, оператора, функции потерь и эксперимента. В итоге он разделил философские аналогии на три класса, разобрал шесть механизмов, которые все еще формализованы лишь частично, и опубликовал объединенный PyTorch-модуль с двумя воспроизводимыми синтетическими экспериментами.

Код доступен на GitHub: https://github.com/webzuweb/philosophia_torch