观识陈美平：人工智能三大学派的前世今生
从1943年形式化神经元模型（M-P模型）提出后，联结主义学派开启了起伏不平的发展之路。1957年感知器被发明，之后连接主义一度沉寂。1982年霍普菲尔德网络、1985年受限玻尔兹曼机、1986年多层感知机器被发明，1986年反向传播法解决了多层感知器的训练问题，1987年卷积神经网络开始被用于语音识别。此后，连接主义势头大振，从模型到算法，从理论分析到工程实现，为神经网络计算机走向市场打下基础。1989年反向传播和神经网络被用于识别银行手写支票的数字，首次实现了人工神经网络的商业化应用。随着人类进入互联网和大数据时代，在人工智能的算法、算力、数据三要素齐备后，联结主义学派开始大放光彩。2009年多层神经网络在语音识别方面取得了重大突破，2011年苹果工作将Siri整合到iPhone4中，2012年谷歌研发的无人驾驶汽车开始路测，2016年DeepMind击败围棋冠军李世石，2018年DeepMind的Alphafold破解了出现了50年之久的蛋白质分子折叠问题。联结主义学派在人工智能领域取得了辉煌成绩，以至于现在业界谈论的人工智能基本上都是指连接主义学派的技术，相对而言，符号主义被称作传统的人工智能。
虽然联结主义在当下如此强势，但可能阻碍它未来发展的隐患也已出现。联结主义思想的限制在于具有可微分、强监督学习、封闭静态系统任务下才会得到良好的结果，并且训练得到的结果也限制于给定条件的问题上。
3
行为主义
行为主义，又称为进化主义或控制论学派。控制论思想受到行为主义的影响，维纳在1948年的《控制论》中指出：“控制论是在自控理论、统计信息论和生物学的基础上发展起来的，机器的自适应、自组织、自修复和学习功能是由系统的输入输出反馈行为决定的”。在对人工智能的早期研究主要集中在模拟人的智能行为和作用，将控制论、自组织系统、工程控制论、生物控制论、信息理论等联系起来，为20世纪80年代的智能控制和智能机器人系统的诞生撕下了种子。
美国机器人制造专家罗德尼•布鲁克斯(RodneyA.Brooks)作为行为主义的代表人物，他认为智能取决于感知和行动，提出智能行为的“感知-动作”模式。行为主义认为智能行为产生于对外界复杂环境的感知和行为的交互过程中，把复杂的行为分解为许多个简单的行为逐个研究。感知是对环境刺激产生的某种反应，而行为则是对这种反应的陈述。这种快速的反馈能够适应复杂、非系统化和非模型化的客观环境。控制论思想作为行为主义的基础，把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来，模拟人在控制过程中的所反映出的智能行为。行为主义学派的主要结果主要有：六足虫，日本的阿西莫，大狗。
行为主义学派在诞生之初就具有很强的目的性，这也导致它的优劣都很明显。其主要优势便在于行为主义重视结果，或者说机器自身的表现，实用性很强。行为主义思想的缺点在于过于简化人类的行为过程，忽略人类心理的内部活动过程，忽略意识的重要性。
综上所述，我们可以简略地认为符号主义研究抽象思维，联结主义研究形象思维，而行为主义研究感知思维。符号主义注重数学可解释性，联结主义偏向于仿人脑模型，行为主义偏向于应用和身体模拟。符号主义靠人工赋予机器智能，联结主义靠机器自行习得智能，行为主义在与环境作用和反馈中获得智能。联结主义和行为主义都使用强化学习方法进行训练。三者之间的长处与短板都很明显，在人工智能的领域中，较为成熟的智能理论仍没有形成。对人工智能各种问题争论可能还要持续几十年甚至几百年，随着人工智能的发展，这三大学派正在由早期的激烈争论和分立研究逐步走向取长补短和综合性研究，共同合作创造更加强大的人工智能。相信随着人工智能研究的不断深入，这三大学派会融合贯通，共同为人工智能的实际应用发挥作用，也会为人工智能的理论找到最终答案。返回搜狐，查看更多
科学网—人工智能与智能还不是一回事
人工智能与智能还不是一回事精选已有2546次阅读2023-7-408:06|个人分类:2023|系统分类:科研笔记
人工智能与智能不是一回事，两者虽有一部分重合交叉，但相差甚远，人工智能主要是作为工具替人类解决特定问题（如下棋、写作、辅助分析等），而智能则不仅是解决问题的能力，更重要的是发现问题的能力（当然，针对许多特定具体的领域，许多人既没有发现问题的能力，同时也没有解决问题的能力，但ta也有智能）。但很多人常常有意无意地把人工智能当成了智能。
人工智能是指通过计算机程序模拟人类智能的一种技术。它涉及使用算法和数据来使计算机系统能够自动执行复杂任务，具备某种程度的感知、理解、学习和决策能力。智能是指生物体（如人类）所具备的认知能力，包括感知、理解、学习、推理、解决问题等多个方面。
人工智能是由人类设计和开发的技术。它是计算机科学的一个分支，通过编写代码和算法来实现智能化功能，其能力范围可以根据任务和训练进行定制。它可以在特定领域内表现出色，但在其他领域可能相对较弱。人工智能可以通过机器学习和深度学习等技术从大量数据中提取模式和规律，并进行自我优化和改进，目前还没有达到意识和主观性的能力，它是基于算法和程序运行的。
智能则是自然界生物体进化发展的产物，是人类大脑的一种能力。智能则是一种广泛的认知能力，包括多个方面，如知识的获取、处理和应用，以及对环境的适应和学习能力。智能体则通过感知和经验积累来学习，并能通过推理和归纳进行知识的扩展和应用，具备的主观体验和意识状态。
总而言之，人工智能是一种由人类开发的技术，通过模拟人类智能的某些方面来实现特定任务。智能则是一种更广泛的认知能力，是生物体所具备的，涵盖了多个方面，包括感知、理解、学习、推理和问题解决等。虽然人工智能在某些任务上取得了很大的成功，但与人类智能相比，仍然存在明显的差距。把人工智能看作智能的好处是容易引起社会的高度关注和人们的兴奋期待，在一些领域能够加速促进进步，甚至可以“拔苗助长”、“虹吸效应”，但人工智能看作智能的坏处则是往往会出现下面这种现象，而且会周期性的出现。
ChatGPT访问量或现负增长市场担忧“人工智能泡沫”央视财经中国青年网 2023-07-0314:05:02
网站流量监测服务商Similarweb的数据显示，今年以来，ChatGPT访问量1月份的环比增长率为131.6%，此后逐月下降。5月时，这个数字已经跌至2.8%，预计6月将会出现环比负增长的情况。
不仅是ChatGPT，市面上的主流人工智能聊天机器人网站，流量与订阅用户数量都出现了增长停滞，甚至是下降的趋势。有媒体指出，基于大语言模型开发出的ChatGPT这类人工智能技术，最初的研发逻辑是“越大越好”――模型的参数大，训练投喂的数据多。而眼下，这也成为制约这项技术升级的最大瓶颈。
ChatGPT-3的参数量为1750亿个，到GPT-4时，这一数字上升至约1万亿个，这导致开发成本迅速攀升，从ChatGPT-3时的约460万美元飙升至GPT-4时的1亿美元。有人工智能技术研究机构预计，每6至10个月的时间，一个先进大语言模型运算所需要的算力就要翻一倍，这意味着硬件投入的大幅增加。此外，还有专家指出，最快在2026年，训练大模型所需的优质数据和内容可能就将消耗殆尽。
除此之外，人工智能技术的安全应用和监管问题也都亟待解决。而这些方面的不确定性，也让投资者有更多理由对人工智能投资保持警惕。
而资本市场方面，今年“人工智能大繁荣”可能将转变成“人工智能大泡沫”的担忧也日渐加剧。今年年初以来，美国股市龙头科技股平均涨幅超过50%，远超标普500指数其他成分股涨幅。美国经济学家大卫・罗森伯格近日表示，现在的人工智能投资热潮让人想起21世纪初的互联网泡沫，目前标普500指数中科技股的权重高达27%，与互联网泡沫危机爆发前的水平一致。有华尔街业内人士警告，包括很多人工智能概念股在内，美股科技巨头的估值已经过高，其潜在的下跌风险值得警惕。
美国某投资咨询公司首席投资策略师兰斯・罗伯茨：美股科技巨头的估值确实非常高了，估值可以告诉你很多关于未来十年回报的信息。但现在没有人关心估值，关心的只有现在是否可以赚钱，因为我们已经把市场变成了“赌场”。
https://blog.sciencenet.cn/blog-40841-1393950.html上一篇：为什么智能问题很难突破？收藏IP:123.119.251.*|热度|人工智能——数据挖掘1
1.概述从技术角度，数据挖掘(datamining)是从大量的不完全的、有噪南的(模糊的随机的实际应用数据中提取隐含在其中的、人们事先不知道的,但又是潜化有用的信身和知识的过程。与数据挖掘相近的同义词包括数据融合、数据分析和决策持第。预处理过程这一定义包括好几层含义:数据源必须是真实的、海量的、含噪声的:发现的是用户感兴趣的知识;发现的知识要可接受、可理解、可运用;并不要求发现放之四海皆准的知识，仅支持特定的发现问题。
从商业角度，数据挖掘是一.种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性信息。
简言之,数据挖掘其实是一类深层次的数据分析方法。因此，数据挖掘可以描述为:按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性,并进一步将其模型化的有效方法。
数据挖掘作为一一门新兴的交叉学科，涉及数据库系统、数据仓库、统计学、机器学习、可视化、信息检索和高性能计算等诸多领域。
此外数据挖掘还与神经网络、模式识别、空间数据分析图像处理、信号处理、概率论、图论和归纳逻辑等领域关系密切。
数据挖掘与统计学有密切关系.近几年.人们逐渐发现数据挖掘中有许多工作是由统计方法来完成的。甚至有些人(尤其是统计学家)认为数据挖掘是统计学的一个分支，当然大多数人(包括绝大多数数据挖掘研究人员)并不这么认为。
但是,统计学和数据挖掘的目标非常相似，而且数据挖掘中的许多算法也源于数理统计，统计学对数据挖掘发展的贡献功不可没。
数据挖掘与传统数据分析方法主要有以下两点区别:
首先，数据挖掘的数据源与以前相比有了显著的改变,包括数据是海量的，数据有噪声，数据可能是非结构化的。
其次，传统的数据分析方法一般都是先给出一个假设，然后通过数据验证,在一定意义上是假设驱动的;与之相反，数据挖掘在一定意义上是发现驱动的，模式都是通过大量的搜索工作从数据中自动提取出来的。即数据挖掘是要发现那些不能靠直觉发现的信息或知识,甚至是违背直觉的信息或知识，挖掘出的信息越是出乎意料，就可能越有价值。
在缺乏强有力的数据分析工具而不能分析这些资源的情况下,历史数据库也就变成了“数据坟墓”里面的数据几乎不再被访问。也就是说，极有价值的信息被“淹没”在海量数据堆中,领导者决策时只能凭自己的经验和直觉。因此改进原有的数据分析方法,使之能够智能地处理海量数据，也就演化为数据挖掘。
研究数据挖掘的目的，不再是单纯为了研究，更主要的是为商业决策提供真正有价值的信息进而获得利润。目前所有企业北面临的一个共同问题是，企业数据量非常大.而其中真正有价值的信息却很少，因此需要经过深层分析，从大量的数据中获得有利于商业运作，提高竞争力的信息，就像从矿石中石中淘金一样.数据挖掘也由此而得名。