如今，人工智能主要是關(guān)于人工神經(jīng)網(wǎng)絡(luò)和深度學習。但這并非總是如此。實際上，在過去的十年中，該領(lǐng)域大部分都由象征性人工智能主導(dǎo)，也被稱為“經(jīng)典AI”，“基于規(guī)則的AI”和“老式的AI”。

[[328884]]

象征性AI涉及將人類知識和行為規(guī)則顯式嵌入計算機程序中。在AI研究的最初幾十年中，這種實踐顯示出了很大的希望。但是近年來，隨著神經(jīng)網(wǎng)絡(luò)(也被稱為連接主義AI)獲得廣泛關(guān)注，象征性AI逐漸被淘汰。

符號在人工智能中的作用

符號是我們用來表示其他事物的事物。符號在人類的思想和推理過程中起著至關(guān)重要的作用。如果我告訴你我看見貓爬在樹上，那么你的腦海就會迅速聯(lián)想到圖像。

我們一直使用符號來定義事物(貓，汽車，飛機等)和人員(老師，警察，營業(yè)員)。符號可以表示抽象概念(銀行交易)或不存在的事物(網(wǎng)頁，博客文章等)。它們還可以描述操作(運行)或狀態(tài)(不活動)。可以將符號組織為層次結(jié)構(gòu)(汽車由門，窗，輪胎，座椅等制成)。它們也可以用來描述其他符號(耳朵毛茸茸的貓，紅地毯等)。能夠用符號進行交流是使我們變得聰明的主要因素之一。因此，符號在人工智能的創(chuàng)造中也起著至關(guān)重要的作用。

AI的早期開拓者認為，“原則上可以精確地描述學習的每個方面或智能的任何其他特征，從而可以制造出機器來對其進行仿真。”因此，象征性AI成為焦點，成為研究項目的重點。科學家開發(fā)了定義和操作符號的工具。

您在計算機科學中發(fā)現(xiàn)的許多概念和工具就是這些努力的結(jié)果。符號AI程序基于創(chuàng)建顯式結(jié)構(gòu)和行為規(guī)則。符號AI工具的一個示例是面向?qū)ο蟮木幊獭OP語言允許您定義類，指定它們的屬性并在層次結(jié)構(gòu)中組織它們。您可以創(chuàng)建這些類的實例(稱為對象)并操縱其屬性。類實例還可以執(zhí)行動作，也稱為函數(shù)，方法或過程。每種方法都執(zhí)行一系列基于規(guī)則的指令，這些指令可能讀取和更改當前對象和其他對象的屬性。

使用OOP，您可以創(chuàng)建執(zhí)行各種任務(wù)的廣泛而復(fù)雜的符號AI程序。

象征性AI的好處和局限性

符號人工智能在AI和計算的曙光中顯示出早期的進步。您可以輕松地可視化基于規(guī)則的程序的邏輯，進行通信并進行故障排除。

對于規(guī)則非常清晰的設(shè)置，符號人工智能非常方便，您可以輕松獲取輸入并將其轉(zhuǎn)換為符號。實際上，基于規(guī)則的系統(tǒng)仍占當今大多數(shù)計算機程序的成本，包括那些用于創(chuàng)建深度學習應(yīng)用程序的程序。

但是，當您必須應(yīng)對世界的混亂時，象征性AI就開始崩潰。例如，考慮一下計算機視覺，這是使計算機能夠理解圖像和視頻內(nèi)容的科學。假設(shè)您有一副貓的圖片，并且想創(chuàng)建一個程序來檢測包含貓的圖像。您創(chuàng)建一個基于規(guī)則的程序，該程序?qū)⑿聢D像作為輸入，將像素與原始貓圖像進行比較，并通過說出您的貓是否在這些圖像中進行響應(yīng)。

僅當您向程序提供原始圖像的精確副本時，此方法才有效。貓的圖片略有不同將產(chǎn)生否定的答案。例如，如果您從另一角度拍攝貓的圖片，則該程序?qū)⑹　?/p>

一種解決方案是從不同角度拍攝貓的圖片，并為您的應(yīng)用程序創(chuàng)建新規(guī)則，以將每個輸入與所有這些圖像進行比較。即使您為貓拍了100萬張照片，您也不會考慮所有可能的情況。光照條件或圖像背景的變化將改變像素值，并導(dǎo)致程序失敗。您將需要數(shù)百萬其他圖片和規(guī)則。

如果要創(chuàng)建一個可以檢測到任何貓的程序該怎么辦?您需要為此創(chuàng)建多少規(guī)則?

貓的例子聽起來可能很愚蠢，但是這些都是象征性AI程序一直努力解決的問題。您無法為現(xiàn)實世界中存在的混亂數(shù)據(jù)定義規(guī)則。例如，如何定義自動駕駛汽車的規(guī)則以檢測其可能遇到的所有不同行人?

此外，某些任務(wù)無法轉(zhuǎn)換為直接規(guī)則，包括語音識別和自然語言處理。

已經(jīng)做出了一些努力來創(chuàng)建包含某些特定領(lǐng)域的眾多規(guī)則的復(fù)雜的符號AI系統(tǒng)。這些象征性的AI模型稱為專家系統(tǒng)，使用硬編碼的知識和規(guī)則來處理諸如醫(yī)學診斷之類的復(fù)雜任務(wù)。但是它們需要領(lǐng)域?qū)＜液蛙浖こ處煹拇罅颗Γ⑶抑荒茉诜浅＊M窄的用例中工作。將問題一概而論之后，就會有大量新規(guī)則要添加(還記得貓檢測問題嗎?)，這將需要更多的人工。正如一些AI科學家指出的那樣，符號AI系統(tǒng)無法擴展。

神經(jīng)網(wǎng)絡(luò)與符號AI

神經(jīng)網(wǎng)絡(luò)幾乎與符號AI一樣古老，但是由于它們效率低下并且需要當時無法使用的計算資源，因此在很大程度上被淘汰了。在過去的十年中，由于數(shù)據(jù)和處理能力的巨大可用性，深度學習獲得了普及，并超越了象征性的AI系統(tǒng)。

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于它們可以處理雜亂且非結(jié)構(gòu)化的數(shù)據(jù)。以貓?zhí)綔y器為例。您可以手動在許多貓的圖片上訓練深度學習算法，而不用人工操作檢測貓像素的規(guī)則。然后，神經(jīng)網(wǎng)絡(luò)為貓的圖像建立統(tǒng)計模型。當您為其提供新圖像時，它將返回它包含貓的概率。

深度學習和神經(jīng)網(wǎng)絡(luò)在符號AI難以勝任的任務(wù)上表現(xiàn)出色。他們在諸如面部識別和癌癥檢測之類的計算機視覺應(yīng)用領(lǐng)域掀起了一場革命。深度學習還推動了語言相關(guān)任務(wù)的發(fā)展。

深度神經(jīng)網(wǎng)絡(luò)也非常適用于強化學習，通過多種反復(fù)試驗發(fā)展其行為的AI模型。這種AI可以掌控Go，StarCraft和Dota等復(fù)雜游戲。

但是深度學習和神經(jīng)網(wǎng)絡(luò)的好處并非沒有取舍。與象征性AI相比，深度學習具有許多深刻的挑戰(zhàn)和劣勢。值得注意的是，深度學習算法是不透明的，弄清楚它們的工作方式甚至困擾著他們的創(chuàng)造者。而且很難溝通和解決他們的內(nèi)部工作。

神經(jīng)網(wǎng)絡(luò)也非常需要數(shù)據(jù)。與符號AI不同，神經(jīng)網(wǎng)絡(luò)沒有符號和知識的層次表示的概念。這種局限性使得很難將神經(jīng)網(wǎng)絡(luò)應(yīng)用于需要邏輯和推理的任務(wù)，例如科學和高中數(shù)學。

符號AI的當前狀態(tài)

有些人認為象征性AI已死。但是這個假設(shè)離事實還差得遠。實際上，基于規(guī)則的AI系統(tǒng)在當今的應(yīng)用中仍然非常重要。許多領(lǐng)先的科學家認為，符號推理將繼續(xù)成為人工智能的重要組成部分。

現(xiàn)在，人們進行了多種努力來將神經(jīng)網(wǎng)絡(luò)和符號AI相結(jié)合。這樣的項目之一就是神經(jīng)符號概念學習器(NSCL)，這是由MIT-IBM Watson AI Lab開發(fā)的一種混合AI系統(tǒng)。NSCL使用基于規(guī)則的程序和神經(jīng)網(wǎng)絡(luò)來解決視覺問題。與基于純神經(jīng)網(wǎng)絡(luò)的模型相反，混合AI可以用更少的數(shù)據(jù)學習新任務(wù)，并且可以解釋。與僅使用符號的模型不同，NSCL無需努力分析圖像的內(nèi)容。

也許在將來，我們將發(fā)明既可以推理又可以學習的AI技術(shù)。但是目前，符號AI是處理需要邏輯思維和知識表示的問題的主要方法。