与AI共生：从人工智能的三大流派到What
连接学派
智力活动在符号学派看来是一款软件，这款软件的运作需要从外界获得大量的知识输入，这样的输入在20世纪80年代相当的费时费力，成为了制约符号学派发展的瓶颈。另外一群人认为，把智力看成是一款软件是远远不够的。
人类智力是在大脑的活动下产生的，而大脑是由上百亿个神经元细胞通过错综复杂的连接构成的。所以人们很自然的想到，我们是不是可以模拟大量神经元的信号传输方式来模拟大脑的智力呢？
连接学派通过算法模拟神经元，并把这样一个单元叫做感知机，将多个感知机组成一层网络，多层这样的网络互相连接最终得到神经网络。我们可以根据要解决的实际问题来构建神经网络，进而用数据不断训练这一网络，调整连接权重来模拟智能。
现在炙手可热的深度学习，可以看做是连接学派的延伸，已经在语音识别、图片处理、模式识别等领域取得突破性进展。
行为学派
与上面两个学派不同的是，行为学派把目标聚焦在相对低等的生物身上，他们发现即便是昆虫这种比人类简单得多的生物，也表现出了非凡的智能，比如可以灵活地行走并躲避障碍物，快速精准地捕食猎物。从这点出发，行为学派模仿动物的身体，在不需要大脑干预的情况下，仅凭四肢和关节的协调来适应环境。
另一方面，生命体在演化的过程中会不断变异，而环境会对这些变异进行选择，让更适应环境的变异繁衍下去，同时淘汰不适应环境的变异。在这一变异和选择的过程中生物逐渐从简单走向复杂，从低级走向高级。
基于此，霍兰（JohnHolland）提出了遗传算法：在计算机中，用一堆二进制串来模拟自然界的生物体，改变这些二进制串来模拟基因突变，用适应度函数来模拟大自然的优胜劣汰，最终找到最优解。
这一学派在机器人领域成果卓著，例如美国波士顿动力公司研发的“bigdog”，“开门机器人”
What-How-Why：“是什么”、“该怎么”、“为什么”举一个医疗诊断的例子
有一种癌症，叫黑色素瘤，这是皮肤肿瘤中恶性程度最高的瘤种，容易出现远处转移，可以致死，所以早期的诊断非常重要。但是，它的初期表现，跟皮肤上长了一个普通的“色素痣”一样。想要在早期诊断黑色素瘤，最稳妥的方式是做活组织切片检查，可你总不能每长一个痣就去动刀。
好在黑色素瘤和普通色素痣的外观还是有区别的，总结说来，有以下四个特征：
一般都非对称边缘不规则颜色可能不统一，更富于变化直径通常大于6毫米一个皮肤科医生，要学习上面四个规则，来给患者进行诊断。那计算机不是也可以学习这些规则，然后取代人类吗？
“是什么”和“该怎么”
1945年，英国心理学家吉尔伯特·赖尔（GilbertRyle）在演讲中提到了这两种知识：
一个孩子知道自行车有两个轮子，轮子里面都是空气，转动把手就可以拐弯……他只是知道了“是什么”，但还是不会骑车；如果一个孩子在几次摔倒之后学会了骑车，这时候，他就知道了“该怎么”。知道“是什么”是基于事实和概念；而知道“该怎么”是基于技能和经验。知道“该怎么”，可不一定知道“是什么”，你让一个会骑车的人讲解一下他是怎么骑车的，可能他根本说不清楚。
一个孩子知道自行车有两个轮子，轮子里面都是空气，转动把手就可以拐弯……他只是知道了“是什么”，但还是不会骑车；如果一个孩子在几次摔倒之后学会了骑车，这时候，他就知道了“该怎么”。知道“是什么”是基于事实和概念；而知道“该怎么”是基于技能和经验。知道“该怎么”，可不一定知道“是什么”，你让一个会骑车的人讲解一下他是怎么骑车的，可能他根本说不清楚。
我们要把一件事物“是什么”告诉计算机，一种方法是把这个事物方方面面的描述都告诉计算机，它就知道了“是什么”，至少理论上是这样的。比如，你要让计算机来判断这是一个色素痣还是一个黑色素瘤，你只要把那几个特征告诉计算机就可以了。
可事实远比这复杂得多，因为把上面的四个特征翻译成算法语言，本身就不太容易——到底多不对称才叫“不对称”？怎么不规则才算“不规则”？而且符合那四个特征的也未必是黑色素瘤，不符合的也可能是。所以最后算下来，计算机的准确度还是不如人类专家。
还有第二种方法，就是深度学习。通过深度学习，我们甚至不用去制定规则，只要找出一套合适的模型，然后用大量的数据进行训练，模型自己就能学会判断。事实上，这种方式训练出的神经网络，已经在黑色素瘤的识别准确率上远高于人类专家。
这样说来，在“是什么”这一块，计算机已经可以超越人类了；而像骑自行车这类“该怎么”就是行为学派擅长的东西，可能未来也会超越人类。但人工智能有个致命的问题，就是不知道“为什么”。
“为什么”
神经网络可以在黑色素瘤的识别这件事上做得比人类好，但只不过是依靠算法给出输入和输出之间的对应关系，它本身根本不理解病变。人类医生不仅仅会告诉你这里有一个病变，他还会告诉你用药的时候要注意周围的危险区域，他还会发现没有症状、但是已经产生的肿瘤……因为人类能理解病变。
人类比计算机更厉害的地方在于，我们不仅能理解，我们还会问“为什么”。
为什么会有这些病变？为什么黑色素瘤边缘是不规则的？为什么会变颜色？为什么容易出现远处转移？正是因为我们能问出为什么，我们才能不断深入研究，不断获得新的知识，不断找到新的治疗方法，不断地知道新的“是什么”和“该怎么”。
人工智能只能解决一个问题，但是不能创造一个问题。
共生
尽管AlphaGoZero可以在自我对弈的前提下战胜所有人类，但AlphaGoZero还是在有限的棋盘上，在有限的规则下计算。它只知道“该怎么”，而不知道围棋“是什么”，更不知道“为什么”。
更何况真实的世界有无限多的自由度，没有明确规则，你沿着任何一个方向深入下去都会碰到各种各样新的可能性。这些新的东西，才更有价值。
我们目前并不需要过多担心被人工智能抢走饭碗，更应该考虑的是：如何运用人工智能帮助我们更高效的工作？我们是否需要更多的人工智能训练师，而不是医生、工程师？如果人工智能预测错误，谁来承担责任……
我们需要人工智能，但拓展知识的边界，还得靠我们自己。
参考文献：
[1]《科学的极致：漫谈人工智能》.集智俱乐部.
[2]Thealgorithmwillseeyounow.SiddharthaMurherjee.TheNewYorker.April3,2017.（https://www.newyorker.com/magazine/2017/04/03/ai-versus-md）
本文由@吹个大气球原创发布于人人都是产品经理，未经作者许可，禁止转载。
题图来自网络返回搜狐，查看更多
人工智能导论第一次作业（人工智能有哪些研究途径与方法它们的关系如何人工智能有哪些研究内容人工智能领域有哪些分支领域和研究方向现在人工智能有哪些学派它们的认知观是什么）
人工智能有哪些研究途径与方法？它们的关系如何？（1）研究途径与方法
“心理模拟、符号推演”心理学派、逻辑学派和符号主义的基于“心理模拟和符号推演”的人工智能研究。就是从人脑的宏观心理层面入手，以智能行为的心理模型为依据，将问题或知识表示成某种逻辑网络，采用符号推演的方法，模拟人脑的逻辑思维过程，实现人工智能。
“生理模拟、神经计算”“生理模拟、神经计算”就是从人脑的生理层面，即微观结构和工作机理入手，以智能行为的生理模型为依据，采用数值计算的方法，模拟脑神经网络的工作过程，实现人工智能。具体来讲，就是用人工神经网络作为信息和知识的载体，用称为神经计算的数值计算方法来实现网络的学习记忆联想识别和推理等功能。
“行为模拟、控制进化”“行为模拟、控制进化”是一种基于“感知—行为”模型的研究途径和方法，我们称其为行为模拟法。基于行为模拟法的人工智能研究，被称为行为主义、进化主义、控制理论学派。
“群体模拟、仿生计算”“群体模拟、仿生计算”就是模拟生物群落的群体智能行为，从而实现人工智能。其特点为可以直接付诸应用而解决工程问题和实际问题。
“博采广鉴、自然计算”“博采广鉴、自然计算”就是模仿或者借鉴自然界中某种机理而设计计算机模型，这种计算机模型一般具有自适应、自组织、自学习、自寻优能力的算法。
“着眼数据、统计建模”“着眼数据、统计建模”就是着眼于事物或问题的外在表现和关系，收集、采集、整理相关信息并做成样本数据，然后基于样本数据用统计学、概率论和其他数学理论和方法建立数学模型，并采用适当的算法和策略进行计算，以期从事物外在表现的样本数据中推测事物的内在模式或规律，并用之解决相关实际问题。
（2）关系
以上人工智能研究的六种方法和途径，它们各有所长，也有各自的局限性。所以，这些研究途径和方法并不能相互取代，而是并存和互补的关系。
人工智能有哪些研究内容？难题求解自动规划、调度与配置机器博弈机器翻译与机器写作机器定理证明自动程序设计智能控制智能管理智能决策智能通信智能预测智能仿真智能设计与制造智能车辆与智能交通智能诊断与治疗智能生物信息处理智能教育智能人—机接口模式识别智能机器人数据挖掘与知识发现计算机辅助创新计算机文艺创作人工智能领域有哪些分支领域和研究方向？a).从研究内容来看，人工智能可以分为搜索与求解、知识与推理、学习与发现等十大分支领域（它们构成了人工智能学科的总体架构）。
b).从研究途径和智能层次来看，人工智能可分为符号智能、计算智能、统计智能和交互智能等四大分支领域。
c).从所模拟的脑智能或脑功能来看，AI中有机器学习、机器感知、机器联想、机器推理、机器行为等分支领域。
d).从系统角度看，AI中有智能计算机系统和智能应用系统两大类。
e).从应用角度看，AI中有难题求解等数十个分支领域和研究方向。
f).从信息处理角度看，人工智能的研究涉及确定—确切性信息处理、不确定—确切性信息处理、确定—不确切性信息处理和不确定—不确切性信息处理等四个主题。
现在人工智能有哪些学派？它们的认知观是什么？目前人工智能的主要学派有下面三家：
(1) 符号主义，又称为逻辑主义、心理学派或计算机学派，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。
(2) 连接主义，又称为仿生学派或生理学派，其主要原理为神经网络及神经网络间的连接机制与学习算法。
(3) 行为主义，又称为进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。
认识观
符号主义认为人工智能源于数理逻辑连接主义认为人工智能源于仿生学行为主义认为人工智能源于控制论5．未来人和机器的关系是什么？
在机器人行为准则被严格贯彻的情况下，机器人可以参与到人们的生活和工作中去，人和及其人可以和谐共存也可以成为朋友甚至是家人。
6.智能时代青少年人工智能伦理教育有必要吗？为什么？
我认为智能时代青少年人工智能伦理教育十分有必要。
从2017年起，伴随互联网和大数据信息技术的社会普及，“人工智能+教育”已成为当前国内教育领域的前端热门话题。编程作为人工智能教育的基础语言成为教育领域的焦点。越来越多的学校和企业采取联合教研的方式合作，利用双方优势助推人工智能教育的普及。国务院《新一代人工智能发展规划》指出，人工智能成为国际竞争的新焦点。人工智能是引领未来的战略性技术，人工智能将深刻改变人类生产生活方式和思维模式，人工智能的迅速发展将深刻改变人类社会生活、改变世界。 人工智能要从娃娃抓起，推动国民科学创新素质。信息数字化社会中，人工智无处不在，融入到教育、交通、金融等改革发展的万花筒中。两会时间里，人工智能被写进2018年政府工作报告，引起社会各界尤其是教育领域的高度关注。“人工智能时代刚刚来临，人工智能发展方面人才缺口大，同时国内中小学校的STEAM科学教育课程也亟待加强，这是促进素质教育的有力突破口。”中国教育科学研究院副研究员郁波说。教育部发布的《关于“十三五”期间全面深入推进教育信息化工作的指导意见》提出，鼓励中小学探索STEAM教育、创客教育等新教育模式，使学生具有较强的信息意识与创新意识，养成数字化学习习惯。“人工智能是改变人类未来生活方式的重要手段，是未来颠覆人类发展生活的大方向。”，对国内中小学教育，人工智能和教育相结合势在必行，“让人工智能融入中小学课堂，推助国民科学创新素质，为国家的人工智能发展培育种子力量，这是一种社会责任。
人工智能各学派认知观
人工智能人工智能各学派认知观目前人工智能的主要学派有下列3家：
符号主义(symbolicism),又称为逻辑主义(logicism)、心理学派(psychlogism)或计算机学派(computerism)，其原理主要为物理符号系统假设和有限合理性原理。连接主义(connectionism),又称为仿生学派(bionicsism)或生理学派(physiologism)，其原理主要为神经网络及神经网络之间的连接机制与学习算法。行为主义(actionism)，又称进化主义(evolutionism)或控制论学派(cyberneticsism)，其原理为控制论及感知-动作型控制系统。人工智能各学派的认知观
符号主义符号主义认为人工智能源于数理逻辑。数理逻辑从19世纪末起就获迅速发展；到20世纪30年代开始用于描述智能行为。计算机出现后，又在计算机上实现了逻辑演绎系统。其有代表性的成果为启发式程序LT(逻辑理论家)，证明了38条数学定理，表明了可以应用计算机研究人的思维过程，模拟人类智能活动。
连接主义连接主义认为人工智能源于仿生学，特别是人脑模型的研究。它的代表性成果是1943年由生理学家麦卡洛克和数理逻辑学家皮茨创立的脑模型，即MP模型，开创了用电子装置模拟人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。
行为主义行为主义认为人工智能源于控制论。控制论思想早在20世纪40-50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳和麦克洛(McCloe)等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。控制论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。