人工智能(AI)的三大流派
原标题：人工智能(AI)的三大流派OFweek机器人网讯：人工智能（AI）是最近非常火的一个领域，很多公司都想趁着这个机会绑上AI的概念火一把。于是在业界也经常会听到各种各样AI相关的术语，比如：智能机器（smartmachine），机器智能（machineintelligence），机器学习（machinelearning），深度学习（deeplearning）等等。
为了更好地理解这些术语，需要了解当前AI领域落地的三大流派，这三大流派被Numenta公司总结得很好了，我理解和归纳如下：
1.经典人工智能
这类人工智能的落地方案是通过积累大量的领域知识来让机器变聪明。计算机利用领域专家总结提供的规则（也就是“专家系统”）来解决某个具体的问题。比如通过向病人询问一系列的问题来做疾病诊断就是属于这一类。
经典人工智能一般都只能解决某类非常的具体问题，其中对专家知识库的精妙构造是主要门槛，不足地方主要有两点：一是需要清楚要解决的问题能怎么解决，二是系统不能“自主学习”。IBM的Watson在本质上也属于这一类。
2.简单神经网络
简单神经网络相比经典人工智能方法更加优越，它可以从（文字、图像、音频、视频）数据中学习，不依赖于专家提供任何的“专家知识”，所以极大地拓展了其应用领域。现在流行的深度学习框架多是基于简单神经网络的实现，这里的深度学习其实是更广义的机器学习的一部分。
深度学习通过海量标记数据（labeleddata）的训练，已经成功应用在了图像识别，文字翻译，垃圾邮件处理等领域。回到本质上，简单神经网络依然是一个（高级）数学方法，其弱点就是不适用于小数据训练集场景，另外也不适用于数据规律经常变化的场景。Google的TensorFlow就是深度学习的一个框架。
3.生物神经网络
前面说的经典人工智能和简单神经网络在生物神经面前都算不上真正意义上的机器智能，生物神经网络的基础是SDR（SparsedistributedRepresentation），SDR对神经元的模拟与深度学习对神经元的模拟是完全不同的。
比如HTM（HierarchicalTemporalMemory）就是生物神经网络的一个实现，这种神经网络拥有抽象泛化和想象的能力，它的优势在于能够从无标记数据中学习，不依赖于海量数据训练集，这极有可能扩大了生物神经网络的应用场景，因为现实中很多待解决的长尾问题都是无标记数据和小数量级的。比如Vicarious公司当年通过小数据集破解Captcha就是一个很好的例子。返回搜狐，查看更多
责任编辑：人工智能研究方法，3+1>4
http://blog.sina.com.cn/s/blog_cfa68e330102zg9e.html
2018-12-2813:32:37
长期以来,由于研究者的专业和研究领域的不同以及他们对智能本质的理解有异,因而形成了不同的人工智能学派,各自采用不同的研究方法。与符号主义、联结主义和行为主义相应的人工智能研究方法为功能模拟法、结构模拟法和行为模拟法。此外,还有综合这3种模拟方法的集成模拟法。
功能
1.功能模拟法
符号主义学派也可称为功能模拟学派。他们认为:智能活动的理论基础是物理符号系统,认知的基元是符号,认知过程是符号模式的操作处理过程。功能模拟法是人工智能最早和应用最广泛的研究方法。功能模拟法以符号处理为核心对人脑功能进行模拟。本方法根据人脑的心理模型,把问题或知识表示为某种逻辑结构,运用符号演算,实现表示、推理和学习等功能,从宏观上模拟人脑思维,实现人工智能功能。
功能模拟法已取得许多重要的研究成果,如定理证明、自动推理、专家系统、自动程序设计和机器博弈等。功能模拟法一般采用显示知识库和推理机来处理问题,因而它能够模拟人脑的逻辑思维,便于实现人脑的高级认知功能。
功能模拟法虽能模拟人脑的高级智能,但也存在不足之处。在用符号表示知识的念时,其有效性很大程度上取决于符号表示的正确性和准确性。当把这些知识概念转换成推理机构能够处理的符号时,将可能丢失一些重要信息。此外,功能模拟难于对含有噪声的信息、不确定性信息和不完全性信息进行处理。这些情况表明,单一使用符号主义的功能模拟法是不可能解决人工智能的所有问题的。
结构
2.结构模拟法
联结主义学派也可称为结构模拟学派。他们认为:思维的基元不是符号而是神经元,认知过程也不是符号处理过程。他们提出对人脑从结构上进行模拟,即根据人脑的生理结构和工作机理来模拟人脑的智能,属于非符号处理范畴。由于大脑的生理结构和工作机理还远未搞清,因而现在只能对人脑的局部进行模拟或进行近似模拟。
人脑是由极其大量的神经细胞构成的神经网络。结构模拟法通过人脑神经网络、神经元之间的连接以及在神经元间的并行处理,实现对人脑智能的模拟。与功能模拟法不同,结构模拟法是基于人脑的生理模型,通过数值计算从微观上模拟人脑,实现人工智能。本方法通过对神经网络的训练进行学习,获得知识并用于解决问题。结构模拟法已在模式识别和图像信息压缩领域获得成功应用。结构模拟法也有缺点,它不适合模拟人的逻辑思维过程,而且受大规模人工神经网络制造的制约,尚不能满足人脑完全模拟的要求。
行为
3.行为模拟法
行为主义学派也可称为行为模拟学派。他们认为:智能不取决于符号和神经元,而取决于感知和行动,提出智能行为的“感知——动作”模式。结构模拟法认为智能不需要知识、不需要表示、不需推理；人工智能可能可以像人类智能一样逐步进化;智能行为只能在现实世界中与周围环境交互作用而表现出来。
智能行为的“感知——动作”模式并不是一种新思想,它是模拟自动控制过程的有效方法,如自适应、自寻优、自学习、自组织等。现在,把这个方法用于模拟智能行为。行为主义的祖先应该是维纳和他的控制论，而布鲁克斯的六足行走机器虫只不过是一件行为模拟法(即控制进化方法)研究人工智能的代表作,为人工智能研究开辟了一条新的途径。
尽管行为主义受到广泛关注,但布鲁克师的机器虫模拟的只是低层智能行为,并不能导致高级智能控制行为，也不可能使智能机器从昆虫智能进化到人类智能。不过,行为主义学派的兴起表明了控制论和系统工程的思想将会进一步影响人工智能的研究和发展。
集成
4.集成模拟法
上述3种人工智能的研究方法各有长短，既有擅长的处理能力,又有一定的局限性。仔细学习和研究各个学派思想和研究方法之后，不难发现,各种模拟方法可以取长补短,实现优势互补。过去在激烈争论时期,那种企图完全否定对方而以一家的主义和方法主宰人工智能世界的氛围,正被互相学习、优势互补、集成模拟、合作共赢、和谐发展的新氛围所代替。
采用集成模拟方法研究人工智能,一方面各学派密切合作,取长补短,可把一种方法无法解决的问题转化为另一方法能够解决的问题;另一方面,逐步建立统一的人工智能理论体系和方法论,在一个统一系统中集成了逻辑思维、形象思维和进化思想,创造人工智能更先进的研究方法。要完成这个任务,任重而道远。
往期推荐：
人工智能起源于这三家学派？
目前人工智能无法涉及领域，三岁小孩都会？
研究人工智能的同学，请先读懂这9项基本内容
人工智能主要研究方向
人工智能主要分为自然语言处理（NLP）、计算机视觉（CV）、数据挖掘（DM）三个大方向
自然语言处理（NLP）：它是计算机科学，人工智能，语言学关注计算机和人类（自然）语言之间的相互作用的领域，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。主要分类包括机器翻译、文本分类、知识图谱、文本相似度计算、语音识别、情感计算、自动摘要、聊天机器人等等
计算机视觉（CV）：一门研究如何使机器“看”的科学，使用计算机及相关设备对生物视觉的一种模拟，研究如何运用照相机和计算机来获取我们所需的，被拍摄对象的数据与信息的学问。主要分类包括行人检测、人脸识别、自动驾驶、图像分类、目标检测、智能安防等等
数据挖掘（DM）：数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程，主要分类有广告计算、推荐系统、用户画像、各类预测分类任务等等，DM多领域也需要用到NLP的知识。
例子：AlphaGo属于深度学习，深度学习可以应用于搜索技术，数据挖掘，机器学习，自然语言处理等很多领域
人工智能的三次浪潮与三种模式
■史爱武
谈到人工智能，人工智能的定义到底是什么？
达特茅斯会议上对人工智能的定义是：使一部机器的反应方式就像是一个人在行动时所依据的智能。
百度百科上对人工智能的定义是：它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
尽管人工智能现在还没有非常严格准确或者所有人都接受的定义，但是有一些约定俗成的说法。通常人工智能是指机器智能，让机器达到人智能所实现的一些功能。人工智能既然是机器智能，就不是机械智能，那么这个机器是指什么呢？是指计算机，用计算机仿真出来的人的智能行为就可以叫作人工智能。
2017年7月，国务院印发了《新一代人工智能发展规划》。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。这一国家级战略和社会流行趋势标志着，人工智能发展进入了新阶段，我国要抢抓人工智能发展的重大战略机遇，构筑人工智能发展的先发优势，加快建设创新型国家和世界科技强国。
人工智能的三次浪潮
自1956年开始，人工智能经历了三起三落，出现了几次浪潮，现在人工智能已经是处于第三次浪潮了。
第一次浪潮（1956-1976年，20年），最核心的是逻辑主义
逻辑主义主要是用机器证明的办法去证明和推理一些知识，比如用机器证明一个数学定理。要想证明这些问题，需要把原来的条件和定义从形式化变成逻辑表达，然后用逻辑的方法去证明最后的结论是对的还是错的，也叫做逻辑证明。
早期的计算机人工智能实际上都是沿着这条路在走。当时很多专家系统，比如医学专家系统，用语言文字输入一些症状，在机器里面变换成逻辑表达，用符号演算的办法推理出大概得了什么病。所以当时的主要研究都集中在逻辑抽象、逻辑运算和逻辑表达等方面。
在第一次浪潮中，数学定理证明实际上是实现效果最好的，当时有很多数学家用定理思路证明了数学定理。为了更好地完成定理证明工作，当时出了很多和逻辑证明相关的逻辑程序语言，比如很有名的Prolog。
虽然当时的成果已经能够解开拼图或实现简单的游戏，却几乎无法解决任何实用的问题。
第二次浪潮（1976—2006年，30年），联结主义盛行
在第一次浪潮期间，逻辑主义和以人工神经网络为代表的联结主义相比，逻辑主义是完全占上风的，联结主义那时候不太吃香。然而逻辑主义最后无法解决实用的问题，达不到人们对它的期望，引起了大家的反思，这时候人工神经网络（也就是联结主义）就慢慢占了上风。
在70年代末，整个神经元联结网络、模型都有突飞猛进的进步，最重要的是BP前馈神经网络。1986年BP前馈神经网络刚出来的时候解决了不少问题，后来大家往更大的领域应用，实现了比较大的成果。在很多模式识别的领域、手写文字的识别、字符识别、简单的人脸识别也开始用起来，这个领域一下子就热起来，一时之间，人们感觉人工智能大有可为。随后十几年人们发现神经网络可以解决一些单一问题，解决复杂问题却有些力不从心。训练学习的时候，数据量太大，有很多结果到一定程度就不再往上升了。
这时期所进行的研究，是以灌输“专家知识”作为规则，来协助解决特定问题的“专家系统”为主。虽然有一些实际的商业应用案例，应用范畴却很有限，第二次热潮也就慢慢趋于消退。
第三次浪潮（2006—现在），基于互联网大数据的深度学习的突破
如果按照技术分类来讲，第二次和第三次浪潮都是神经网络技术的发展，不同的是，第三次浪潮是多层神经网络的成功，也就是深度学习取得突破。这里既有硬件的进步，也有卷积神经网络模型与参数训练技巧的进步。
若观察脑的内部，会发现有大量称为“神经元”的神经细胞彼此相连。一个神经元从其他神经元那里接收的电气信号量达某一定值以上，就会兴奋（神经冲动）；在某一定值以下，就不会兴奋。兴奋起来的神经元，会将电气信号传送给下一个相连的神经元。下一个神经元同样会因此兴奋或不兴奋。简单来说，彼此相连的神经元，会形成联合传递行为。我们透过将这种相连的结构来数学模型化，便形成了人工神经网络。
经模型化的人工神经网络，是由“输入层”“隐藏层”及“输出层”等三层构成。深度学习往往意味着有多个隐藏层，也就是多层神经网络。另外，学习数据则是由输入数据以及相对应的正确解答来组成。
为了让输出层的值跟各个输入数据所对应的正解数据相等，会对各个神经元的输入计算出适当的“权重”值。通过神经网络，深度学习便成为了“只要将数据输入神经网络，它就能自行抽出特征”的人工智能。
伴随着高性能计算机、云计算、大数据、传感器的普及，以及计算成本的下降，“深度学习”随之兴起。它通过模仿人脑的“神经网络”来学习大量数据的方法，使它可以像人类一样辨识声音及影像，或是针对问题做出合适的判断。在第三次浪潮中，人工智能技术及应用有了很大的提高，深度学习算法的突破居功至伟。
深度学习最擅长的是能辨识图像数据或波形数据这类无法符号化的数据。自2010年以来，Apple、Microsoft及Google等国际知名IT企业，都投入大量人力物力财力开展深度学习的研究。例如AppleSiri的语音识别，Microsoft搜索引擎Bing的影像搜寻等等，而Google的深度学习项目也已超过1500项。
深度学习如此快速的成长和应用，也要归功于硬件设备的提升。图形处理器（GPU）大厂英伟达（NVIDIA）利用该公司的图形适配器、连接库（Library）和框架（Frame⁃work）产品来提升深度学习的性能，并积极开设研讨课程。另外，Google也公开了框架TensorFlow，可以将深度学习应用于大数据分析。
人工智能的3种模式
人工智能的概念很宽泛，根据人工智能的实力可以分成3大类，也称为3种模式。
（1）弱人工智能：擅长于单个方面的人工智能，也叫专业人工智能。比如战胜世界围棋冠军的人工智能AlphaGo，它只会下围棋，如果让它下国际象棋或分辨一下人脸，它可能就会犯迷糊，就不知道怎么做了。当前我们实现的几乎全是弱人工智能。
（2）强人工智能：是指在各方面都能和人类比肩的人工智能，这是类似人类级别的人工智能，也叫通用人工智能。人类能干的脑力活，它都能干，创造强人工智能比创造弱人工智能难得多，目前我们还做不到。
（3）超人工智能：知名人工智能思想家NickBostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”。超人工智能可以是各方面都比人类强点，也可以是各方面都比人类强很多倍。超人工智能现在还不存在，很多人也希望它永远不要存在。否则，可能像好莱坞大片里面的超级智能机器一样，对人类也会带来一些威胁或者颠覆。
我们现在处于一个充满弱人工智能的世界。比如，垃圾邮件分类系统是个帮助我们筛选垃圾邮件的弱人工智能；Google翻译是可以帮助我们翻译英文的弱人工智能等等。这些弱人工智能算法不断地加强创新，每一个弱人工智能的创新，都是迈向强人工智能和超人工智能的进步。正如人工智能科学家AaronSaenz所说，现在的弱人工智能就像地球早期软泥中的氨基酸，可能突然之间就形成了生命。如世界发展的规律看来，超人工智能也是未来可期的！