可解释人工智能：符号主义、联结主义对比
在symbolicAI和connectionistAI中，符号学派致力于知识及其在推理和学习中的应用(只有少量的输入数据)，而不是符号本身:符号通常只代表知识的抽象。类似地，联结主义阵营实际上是从很少或没有先验知识的数据中学习关联，通常需要大规模的数据。现如今，大量数据的存在与引用使得connectionistAI成为人工智能的主导范式。
符号主义（Symbolicism）：
又称逻辑主义、计算机学派，主张用公理和逻辑体系搭建一套人工智能系统。
符号是人类大脑的一种主观对象，人类的认知基本上就是建立在符号的基础上的。符号对应于客观事物，就是主观与客观的对应。人类语言就是一种符号系统，人类用语言来表达思维的活动过程。从人类语言几乎万能的表达能力，我们就可以看出符号主义的强大之处。
专家系统是最经典的符号主义人工智能系统之一。即通过建立知识库与推理机来进行决策。专家系统主要是是模拟人类专家的推理思维过程。一般是将领域内专家的知识和经验，用一种知识表达模式存入计算机。系统对输入的事实进行推理，做出判断和决策。专家系统通常由人机交互界面、知识库、推理机、解释器、综合数据库、知识获取等6个部分构成。
优点：越来越多的人认识到，高风险决策领域对人工智能系统有需求，因此这些系统的行为要有可验证性与可解释性，而这恰恰是符号主义AI的优势，联结主义算法的短板。符号主义算法会剔除不符合特定模型的备选值，并能对符合所有约束条件的所求值做出验证，以后者而言，符号主义AI远比联结主义AI便捷。因为符号主义AI几乎或根本不包括算法训练，所以这个模型是动态的，能根据需要迅速调整不足。
劣势：符号主义主要依靠具象的过程来运作，比如逻辑，需要我们给出每一步的具体表达。但人类还具有形象思维，很多时候我们自己也说不出思维的过程，这显然用简单的符号主义很难实现。但是客观世界是连续的、复杂的，单纯的用符号主义来表示就会丢失很多信息。
不足：虽然符号主义AI技术可以处理部分不可观察概率模型，但这些技术并不适用于有噪输入信号，也不适用于无法精确建模的场合。在那些可以准确判断出特定条件下特定动作利弊与否的场合中，它们会更有效。此外，算法系统还要提供适当的机制来实现清晰的规则编码与规则执行。
连接主义（Connectionism）：
又叫仿生学派，主张模仿人类的神经元，用神经网络的连接机制实现人工智能。
连接主义是类似于人类大脑神经元连接的一种理论，深度神经网络就是很好的成果。
所谓深度学习就是用很多层神经元构成的神经网络达到机器学习的功能。依靠人工神经网络提供的各种层的感知器，在功能上可以软件实现的深度学习器，实现了机器学习对归纳的掌握，基于连接主义的深度学习技术，目前是人工智能领域的研究重点。
优点：在处理杂乱且非结构化的数据时，神经网络的性能优于其他机器学习技术。对于神经网络来说，即使有输入噪音，网络仍然能正常的工作。
劣势：连接主义比符号主义更偏向于形象思维，但它是一个黑箱，人类并不能完全的分析清楚他的每一步运作原理，这就导致我们不可能把我们的思维过程在机器上实现，所以单纯的用连接主义来实现通用人工智能是最不靠谱的方法。
这些差异或者说不同之处大体上可以从以下的五个方面来进行概括和分析：
第一，符号主义把对于物理符号的加工看作是概念表征的适当载体，而联结主义则是用认知系统或者说人工神经网络的整体方面的状态的变化来表征外部世界的特征；
第二，符号主义将心智看作是一种单纯的“计算的心灵”，联结主义则是把心智视为对于人的大脑或是大脑神经系统的模拟；
第三，符号主义将数字计算机看作是操作物理符号的典型认知系统，联结主义则是将数字计算机看作是建立大脑或大脑神经系统模型的工具；
第四，符号主义将问题解决看作人的智能的基本形式或者说核心内容，试图通过构建某种形式结构来赋予物理符号系统以问题解决的能力，联结主义则把学习的能力当成人的智能的基本形式或者说核心内容，强调建立某种学习机制使得人工智能体能够获得或是拥有自我学习的能力。
本质：符号主义和连接主义都是人脑具备的功能，而人脑的基本物理结构就是神经元，所以符号主义和连接主义必定是基于同样的基本原理。按照这种基本原理，首先实现的就是符号主义，以逻辑为主体。基于符号代表事物之间的联系性，随着符号系统的复杂度不断变大，最终产生了连接主义的那种效果。
尽管最近connectionistAI已经开始解决狭义识别和分类任务之外的问题，但connectionistAI是否能够完成需要常识推理和因果推理的复杂任务还有待观察（所有这些都不包括knowledge和symbols。现在，和那时一样，人们需要新的技术来解释人工神经网络中的处理过程，因为处理过程通常是不透明的，需要将知识注入到联结主义的体系结构中以实现多步推理，需要结合两种范式优势的神经符号架构的第三种方式。
最近的认知科学理论提出了产生人类行为的双重过程——有时被称为系统1和系统2(Kahneman,2011;StanovichandWest,2000)，为协调符号性人工智能和联结主义人工智能的各个方面提供了一个理论框架。根据思维的双过程理论，系统1是联想的、隐性的、想象的、个性化的和快速的，而系统2是分析性的、明确的、口头的、泛化的和缓慢的。然而，值得注意的是，符号人工智能和联结主义人工智能与人类认知中的系统1和系统2之间的映射并不是一个直接的一对一映射。虽然系统1可能包含符号和连接主义人工智能的抽象和算法，但系统2的抽象和算法可能大多是象征性的（当然，它也是在人类大脑的神经网络上实现的）。
无论是符号化的还是联结主义的人工智能都没有太多关于社会环境智能的内容。这为XAI的发展提供了机会。
人工智能的12个典型案例
但以亚马逊的推荐系统为例，它是一个交易性人工智能平台的强大引擎。人们可能已经观察到它的能力，这个系统可以不断学习。本质上，大批购物者正在“教导”亚马逊人工智能系统，以便更好地展示可能出售的商品。也就是说，将一件商品与过去展示的另一件商品相匹配将促进销售，可以将半关联的概念联系起来(例如灯架与摄影设备)。
另一方面，这种高端的人工智能系统需要庞大的计算平台来处理所有这些数据。对于使用小型服务器的用户来说很难为此类系统提供支持。显然，亚马逊网络服务公司拥有世界领先的计算平台。
3.Pandora
对于那些认为人工智能将会取代人类工作的人们来说，Pandora人工智能系统就是一个与人类合作的例子。首先，Pandora通过音乐专业人员的帮助来分析和分类歌曲。Pandora着眼于歌曲的450种属性进行分类，从声乐风格到节奏感。
当其人工智能算法工作时，根据大量用户对其歌曲库的响应，结合了来自用户的大量推荐。然后，人工智能系统可以批量分组和呈现对于用户具有意义的歌曲。
4.Cogito
这无疑是人工智能最活跃的领域之一：在销售和客服电话中使用人工智能，可以增强与客户的情感联系。具体地说，使用人工智能互动比人类更具移情能力。当然，这是人工智能使用的一个前沿。
Cogito(拉丁语的意思是“自我意识”)使用了人类互动的关键真理：它不仅仅是词语的表达意义，而且是词语的表达方式、情绪、节奏和感觉。
Cogito软件可以实时分析对话，提供有关正确和错误的线索和提示。也许对话者可能切入太多主题，或者反应不够快。应用程序提供基于颜色的警告和更新。该软件可以分析数百条线索，以确定对话的情感质量。
5.Nest
推动人工智能增长的关键因素之一是资金雄厚的厂商之间的竞争，希望在早期获得市场份额。以谷歌公司旗下的家用恒温器Nest为例，其部分目标是将谷歌公司的人工智能构建到设备中，用来应对苹果Siri和亚马逊Alexa的不断增长。
Nest使用人工智能来适应人类的行为模式，获得恒定的输入线索，并在家中工作时做出更准确的反应。在业主设置系统一段时间之后，Nest可以自己整合输入。
无论如何，智能家庭设备(物联网设备)无疑是争夺人工智能市场支配地位的关键战场。让一整组智能家庭设备协同行动，它们可以响应家庭成员的指令，并根据其行为学习，这显然是人工智能在家庭应用中的未来。
6.Boxever
总部位于爱尔兰的Boxever公司推出其Boxever“个性化平台”，其主要目标是旅游业。其基于云计算的平台允许旅游公司创建一个单一的客户视图，从而为客户提供更有效的营销。它的目标是通过单独针对客户来改进销售过程。如果人工智能可以在一对一的基础上定制交互过程，理论上它可以更有效地服务(并销售给)客户。
Boxever公司的方法承认竞争的关键部门是客户体验。如果零售商更加谨慎地满足客户的需求，将会在电子商务竞争中获胜。而使用智能软件比人工销售代表的成本要低得多。
7.AIRobotics、Humanoid和其他
人工智能为机器人的应用提供动力，其中包括加州大学伯克利分校的BRETT和麻省理工学院的MITdog。Sophia就是一个受到媒体热捧的人工智能机器人的例子，它和NBC电视台主持人JimmyFallon在“今夜秀”上聊天和唱歌。
除了流行文化的喧嚣之外，还有各种规格和大小的人工智能机器人。例如iRobot公司的RoomBA980吸尘器采用了人工智能技术，可以在家中完成各种清扫工作。该公司声称，Roombas公司已售出1000多万台RoomBA980吸尘器。
8.垃圾邮件过滤器
人工智能的核心就是学习。而使用机器学习和其他人工智能技术，软件系统将变得更智能，无需人工协助。
当然，采用人工智能防止垃圾邮件是一个迫切需要机器学习的领域。工作人员(甚至是团队)难以跟上垃圾邮件的增长。例如，Gmail会部署机器学习算法来过滤(大部分)垃圾邮件。
为此，垃圾邮件过滤器试图更快地跟上垃圾邮件发送者的工作，他们不断采用创造性的方法来欺骗收件人。垃圾邮件过滤器中的人工智能会持续扫描元数据，例如发件人的位置或主题行中的关键字。如果无法学习，垃圾邮件过滤器将在几天之后无法运行。
人工智能技术是使用来自人类的输入：因为对于一个用户具有价值的优惠券对于另一个用户来说则是垃圾邮件。特定用户如何对邮件流进行分类必须是垃圾邮件过滤器学习的一部分。
9.网上银行业务
银行为用户提供方便的优惠：扫描其支票并将其金额存入移动设备中，无需去实际的分支机构存款。其问题是：这样做需要机器来阅读用户的签名，这是一项既混乱又令人困惑的工作——甚至对工作人员来说也是如此。
在其他供应商中，MitekSystems公司采用专门从事基于软件的身份验证。其人工智能技术利用计算机视觉和机器学习使移动到银行的交易安全。
例如，Mitek公司采用视觉算法对银行交易中的无数ID格式进行分类。其核心是光学字符识别(OCR)软件，它扫描文档并将数据转换为可编辑的格式。可以使用人工智能调整OCR软件以准确提取个人签名或指纹。
10.贷款和信用卡处理
当消费者申请信用卡或贷款时，消费者信用评分(FICO)(通常在300到850分之间)将起到至关重要的作用。在过去，贷款工作人员审查了这些贷款和信用卡申请。虽然仍有很多工作人员，但许多关于信用卡的决定或者是否接受消费者的申请，都是由机器学习系统做出的。
同样，学习是这个过程的核心部分。银行管理人员可以设置他们希望当前信贷标准是宽松还是紧缩的参数。但他们希望银行的机器学习系统能够随着时间的推移而学习，以便更密切地确定哪些申请人是安全的借贷者。
11.Lyft和Uber
没有人工智能和机器学习技术，共享单车是不可能存在的。具体来说，票价、预计到达时间以及它将要走的路线：这些都是人工智能计算出来的。
人工智能即时进行大量计算。如果没有一个分析情况的机器学习系统，然后将结果数据路由到用户和驱动程序的应用程序，这些计算的数量和复杂性将是不可能的。当然，Lyft和Uber公司将其记录在自己的系统上，这两家公司拥有关于用户模式的大量数据。
在未来，这些服务预计将出现无人驾驶汽车的时代(尽管这种情况发生时最多仍然模糊不清)。如果没有人类驱动程序的元素，运行系统的过程将成为更纯粹的逻辑机器学习计算。从理论上说，这将导致共享乘车服务的成本下降，甚至可以节省雇佣驾驶员的成本。
12.社交网络
主要的社交媒体网络是人工智能发展的核心驱动力。特别是Facebook公司似乎采用了人工智能的各方面功能。例如，其算法定义了用户的时间轴，决定是否在其时间轴上显示或不显示其朋友的某些帖子。Facebook公司知道，如果某个用户的每位朋友都被展示出来，那么时间表就将变得很混乱，以至于它会让人感到厌烦。因此，时间轴算法可以了解用户与谁进行交互以及其通常忽略的对象。
对于Facebook而言，最重要的是，社交网络使用人工智能来帮助个性化为用户提供广告的方式，因此它具有一定程度的广告显示相关性。需要注意，Facebook允许用户评论广告与时间线的相关性;每个用户评论都有助于系统学习并变得更精细。由于他们使用人工智能微调显示系统的方式，Facebook和谷歌在整个网络广告市场的比例非常高。
此外，Facebook使用图像识别人工智能技术来识别照片中的人脸，因此它可以邀请用户为其添加标签。毫不奇怪，考虑到照片对Facebook的重要性，Facebook在面部识别技术上投入了大量资金。采用机器“读取”照片是当今人工智能时代最为显著的进步之一。返回搜狐，查看更多