人工智慧的研究方法

　　人工智慧***Artifical intelligent，AI***創立至今，已經度過了60載春秋。今天，小編為你帶來了。

　　人工智慧的研究技巧

　　其一是功能模擬學派。這又稱為符號主義學派，主張從功能方面模擬、延伸、擴充套件人的智慧。認為人腦和電腦都是物理符合系統，其代表性成果有專家系統、知識工程、啟發式程式得等等。

　　其二是結構模擬學派。又被稱之為聯絡結主義學派。主張從結構方面模擬、延伸、擴充套件，人的智慧，，要用電腦模擬人腦的神經系統聯合機制，其代表性成果有M-P神經細胞模型，BP神經網路模型，Hopfield神經網路模型等等。

　　其三是行為模擬學派。又被稱為行為主義學派，主張從行為方面模擬、延伸、擴充套件人的智慧，認為智慧可以不需要知識。代表性成果有MIT的Brooks研製的智慧機器人。

　　人工智慧的瓶頸

　　相信很多業內從業者都有著這樣的疑問，究竟我們能不能達到所謂的強人工智慧，因為單從目前的智慧程度來說，還遠遠談不上人們想要達到的程度。近期AlphaGO的誕生，曾經使很多人眼前一亮，認為這是人工智慧的新發展。但在筆者看來，AlphaGo只能在圍棋領域有所建樹，不能跨越到其它情景之中。搜狗CEO王小川也曾說過，現在的人工智慧還存在很多弱點，即使在3個月後，AlphaGo也贏不下當初輸掉的那場比賽。那麼，具體的瓶頸究竟在什麼地方呢?

　　首先是動機性。

　　動機，在心理學上一般被認為涉及行為的發端、方向、強度和持續性。動機也是有層次的，不同層級可以互相轉換。Maslow於1943年在《人類激勵理論》一文中將社會需求層次與生理需求、安全需求、尊重需求和自我實現需求並列為人類五大需求。人處於不同的需求層次就會有不同的動機層次。有了動機後，人們的行為就有了指向性，這對於人的日常行為是非常重要的。那機器究竟能否形成與人類似的動機呢?讓機器產生動機的一大難點在於動機是很難被表徵的。目前還沒有研究清楚的展示動機的形成機制，表徵的必要不充分條件是具有可以被清晰表達的框架。而且動機的轉換邊界並不清楚，因此，動機的權重值便無從下手，導致計算陷入僵局。另外，動機還有意識動機與無意識動機之分。人工智慧界目前對於意識層面下的內容還知之甚少，更不要提進行表徵了。筆者認為動機與環境的關係密切，可以先考慮人在通用場景下的任務，給機器賦予一個動機值，當外界輸入與動機匹配時，便賦予鼓勵值，如果與動機重合度過低，則變換動機，使其符合動態環境。

　　然後是常識。

　　常識的定義為在一定的文化背景下，人們擁有的相同的經驗知識。比較常見的有空間、時間、文化、物理常識。常識對於我們日常生活十分重要，尤其是在我們做出決定與判斷的時候尤為如此。很多常識是潛移默化形成的，是文化與背景學習的產物。那機器如何形成常識呢?早在1959年，McCathy就已經想過讓機器擁有常識以便得更加聰明。目前的人工智慧界有兩條方法來解決這個問題。第一條為讓機器形成學習與觀察周圍環境的機制，就像一個孩子一樣去學習，不過這樣時間成本比較大，使用者能否承擔起這些成本還是未知數。明斯基曾說：常識是長期實踐中總結出來的龐大知識體系，包含大量生活中學到的規則和異常現象、特性及趨勢、平衡與制約等。第二條途徑就是建立大型的常識庫，並將其儲存到電腦中。其中最為著名的為CYC專案，這個專案由Douglas Lenat於1984年提出。首先通過採訪與觀察人的資料，然後知識工程師對這些資料進行處理，以CYCL的形式整理成資料庫。當然，這個常識庫的成本過於高昂。目前常識庫中比較可行的思路為讓網際網路上的每個使用者共同建立這個常識庫，並在特定的網頁使用不同的語言來進行編寫。這樣就能節省很多時間與金錢的成本，最為成熟的為OMCS***open mind common sense***。

　　決策，無論是人類的日常生活，還是人工智慧，最為關鍵的一步就是決策。

　　如何讓機器更加智慧的進行決策，這是一個關乎到未來人工智慧走向的問題。人類的決策機制主要分為三大部分：理性決策、描述性決策與自然決策。理性決策即認為人在決策時遵循著理性價值最大化的原則，比較具有代表性的有馮諾伊曼提出的最大期望效用理論，Savag提出的主觀期望效用理論等。而描述性決策認為人在進行決策時不完全遵循理性準則。其中Kahneman與Tversky提出的前景理論是其中的代表。該理論認為，決策者依據價值函式、權重函式賦予選項不同的效用值，最終選取最大期望效用值做出決策。人也存在著啟發式偏差，這會對決策產生影響。而自然決策專門研究人們如何在自然環境或模擬環境下實際進行決策。其中最著名的要屬klein提出的再認-啟動模型***RPD***。該模型認為人在決策時會依據以前的模式進行匹配。對於機器而言，進行智慧決策可以借鑑人的決策習慣，可以將幾種思維方式進行結合，並確認出一套判斷機制，以便在特定情景下對決策行為進行抉擇。例如，機器可以區分出時間與情景的壓力，並建立起相對應的匹配機制，如當情景壓力小時選擇理性決策模式，而當時間壓力大時選擇自然決策模式等。

　　由此可見，目前人工智慧界對常識、動機與決策問題中的難點解決辦法看起來還不是很多，但這確是目前機器智慧與人智慧之間差異最為顯著的地方，也是目前整個行業的瓶頸之處。如何讓下一代智慧產品互動更有“溫度”，這幾個問題是必須要解決的。

猜您感興趣：