本文摘要：对于计算机来说，它在继续执行任务时必须十分精确的指令，AI目前能做到的也只是按照指令来继续执行，人们在为AI编程的时候，就必需把任务分解成低阶、非常简单的定义的指令，并把人工智能归纳到这种指令上。

对于计算机来说，它在继续执行任务时必须十分精确的指令，AI目前能做到的也只是按照指令来继续执行，人们在为AI编程的时候，就必需把任务分解成低阶、非常简单的定义的指令，并把人工智能归纳到这种指令上。而目前能解决问题的问题也受限。在今天揭幕的CCF-GAIR大会上，牛津大学计算机系教授Michael Wooldridge在演说中说道，目前人工智能早已解决问题了游戏、相同程式计算出来、驾车等问题。而像“口语翻译”这种较难的人工智能研究也在未来迅速不会被解决问题，但像“解读一个故事”、“谈一个笑话”这种高阶的人工智能还没被解决问题。

之所以没解决问题，主要是因为目前的AI并无法做“简单推理小说”、“处置定义不明的问题”、 “对事物作出辨别”以及“对外界环境的感官”，这些问题如何解决问题，就牵涉到到了人工智能研究方法的问题。Michael Wooldridge在演说中提及：为了需要让人工智能去解读更高阶段的信息，目前学术界主要有两种方式：神经型AI解决问题方式和符号型AI解决问题方式。▎神经方法AI神经方法的AI堪称是目前最风行的研究方法，现阶段很多单任务人工智能所做到的，基本上都是基于“神经网络”的可深度自学的人工智能，还包括前些时间打败李世石的Alpha Go也归属于神经型AI。

神经型AI 的特点是，计算机不会“铺开一张网络”，在网络中计算出来所有的可能性，并做出合理的辨别。其优势在于，只要在算法上展开突破，把神经网络合理的组织，并展开大量的数据训练，并融合较高的运算能力，就需要去处置一些简单的问题。不过，尽管Alpha Go十分顺利，但并没构建标准化的人工智能，因为阿尔法狗无法去交流它所用于的策略和技巧，这并不是它过于智能，只是因为意识解读的AI并不是神经网络需要做的。

▎符号方法AI和其他要想做到更加强劲的AI，就必须计算机有推理小说说明的能力。Michael Wooldridge在演说中举了一个非常简单的例子：Bob：“I’m leaving you”Ann：“Who is she?”从这段情侣恋情的对话中就可以显现出，人类对语言是有分析推理小说能力的，这种推理小说能力是基于对人类社会关系的了解、运营的机制和背景科学知识的。非常简单的神经网络并无法做这一点，因为神经网络的AI缺少这种科学知识。

除此之外，在文学、艺术的创作和书画上，人工智能都缺少解读和洞察的能力。所以，Michael Wooldridge讲解说道，在神经网络和深度自学之外，符号方法AI解决问题方式在解读方面起着了最重要起到，然而这个符号方法AI明确是什么呢？关于符号方法AI的研究历史，维基百科上表明的是：20世纪50年代，当数字计算机研制成功，研究者就开始探寻人工智能否能修改成符号处置。60年代，符号方法在小型证明程序上仿真高级思维有相当大的成就。基于生物学或神经网络的方法则置放次要。

60－70年代的研究者相信符号方法最后可以顺利建构强劲人工智能的机器，同时这也是他们的目标。为了展开符号方法的人工智能研究，在早前研究者们就分别用有所不同方法展开了尝试：理解仿真：经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决问题能力和尝试将其一般化，同时他们为人工智能的基本原理打下基础，如认知科学、运筹学和经营科学。他们的研究团队用于心理学实验的结果研发仿真人类解决问题方法的程序。

基于逻辑：不像艾伦·纽厄尔和赫伯特·西蒙，计算机科学家约翰·麦卡锡指出机器不必须仿真人类的思想，而不应尝试寻找抽象化推理小说和解决问题的本质，不管人们否用于某种程度的算法。他在斯坦福大学的实验室致力于用于一般化逻辑解决问题多种问题，还包括科学知识回应，智能规划和机器学习。“反逻辑”:斯坦福大学的研究者 （如马文·闵斯基和西摩尔·为首普特）找到要解决问题计算机视觉和自然语言处置的艰难问题，必须专门的方案：他们主张不不存在非常简单和标准化原理（如逻辑）需要超过所有的智能不道德。

罗杰·单克（Roger Schank）叙述他们的“反逻辑”方法为“scruffy”。常识知识库（如道格拉斯·莱纳特的Cyc）就是“scruffy”AI的例子，因为他们必需人工一次撰写一个简单的概念。基于科学知识：约在1970年经常出现大容量内存计算机，研究者分别以三个方法开始把科学知识结构成应用软件。这场“科学知识革命”促使专家系统的研发与计划，这是第一个顺利的人工智能软件形式。

“科学知识革命”同时让人们意识到许多非常简单的人工智能软件有可能必须大量的科学知识。以上都是符号方法人工智能的尝试，非常简单的说道，符号方法AI需要构建跟人类理解水平相差不多的AI。

除此之外，很多学者还明确提出了“子符号方法”、“统计学方法”、“构建方法”等。直到目前为止，都没统一的原理或范式指导人工智能研究，在许多问题上研究者都不存在争辩。而Michael Wooldridge所说的神经方法AI和符号方法AI，则是目前主流的研究方向，神经方法AI是时下较为时髦主流的，而符号方法AI则并不是十分风行，回应，Michael Wooldridge说明道：符号方法AI还是有缺点的，其有十分无以的问题还须要解决问题：第一个是切换能力。

比如说在一个简单的现实当中，怎么把简单变化非常简单的符号，这个叙述用一个非常简单的语句来传达是十分无以的。第二个问题你要把这个过程推理小说出来，把这个推理小说的过程阐释出来，这个目前也是十分艰难的。

▎还须要解决问题的问题对于人工智能的研究方法，其中几个长久以来仍没结论的问题是：否应向心理或神经方面仿真人工智能?像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没关系的？智能不道德能否用非常简单的原则（如逻辑或优化）来叙述，还是必需解决问题大量几乎牵涉到的问题？这些问题解决问题之后，坚信人工智能的发展不会有一个清晰的方向。原创文章，予以许可禁令刊登。下文闻刊登须知。

本文关键词：开云真人(中国)官方网站,开云(中国)Kaiyun·官方网站

本文来源：开云真人(中国)官方网站，开云(中国)Kaiyun·官方网站-www.nbxiong.com