【译】算法 vs AI vs AGI：为初学者消除误区
原作：普利瑟姆
在计算机科学和人工智能领域，理解从传统算法（Algorithms）到人工智能（AI：Artificial Intelligence）再到通用人工智能（AGI：Artificial General Intelligence）的演变至关重要。
在这篇综合指南中，我深入研究这些技术的复杂性，通过识别猫的任务来说明每个阶段的关键差异和进步。
我还试图消除一些人的误解，他们认为或假设人工智能或通用人工智能就像一个大算法。但是它不是！
我将用轻松的语言解释这些高度抽象的数学。
传统算法：计算的基石
使用传统算法进行猫识别
几何特征提取：
眼睛：建模为椭圆形，定义为
该方程表示以笛卡尔坐标系中的点 (h,k) 为中心的椭圆，其中 a 为长半轴的长度，b 为短半轴的长度。胡须和
毛皮纹理：使用傅立叶变换进行分析
算法实现：
边缘检测：Sobel 或 Canny 边缘检测器，计算梯度以查找边界。
基于区域的分割：例如，K 均值聚类，可最大限度地减少每个聚类内的方差：
维度和形状分析：
PCA：将数据投影到低维空间，同时保持大部分方差，使用协方差矩阵的特征分解计算。
挑战和限制：
- 缺乏灵活性：如果不手动重新编程，就无法适应新数据或变化。
- 计算复杂性：高分辨率图像会显着增加计算负载。
- 概念刚性：需要编写一套全新的规则来检测自行车或热狗。 同样的算法将不起作用。
人工智能：学习机器的出现
用于对象识别的深度学习架构
AI 模型是元学习器。 将它们视为元算法，它会查看数据集中许多猫的图片，并在内部编写自己的算法来识别任何猫。
猫识别的神经网络模型：
输入层：图像的像素被输入网络。
隐藏层：这些层，尤其是在深层网络中，创建特征的分层表示：
- 低层可能会检测边缘或简单形状。
- 高层将这些结合起来以识别更复杂的结构，例如面部特征。
输出层：提供图像是猫的概率。
用于猫识别的 CNN：
隐藏层的数学表示：卷积层执行类似于
这表示两个函数（或离散设置中的数组）F 和 H 的卷积。索引 i 和 j 通常在数组 F 的维度上运行，m 和 n 在 H 的维度上运行。此卷积运算是许多领域的基本操作，包括信号处理和图像处理。
用于序列数据的 RNN 和 LSTM（Long short term memory，长短时记忆网络）：
数学建模：LSTMs 使用门（gates）来控制信息流， 门（gates）的方程如下
其中，ft表示 LSTM 单元在时间 t 的遗忘门（forget gate）。函数 σ 通常表示 sigmoid 激活函数。 Wf是遗忘门（forget gate）的权重矩阵，[ht−1,xt] 是先前隐藏状态 ht−1和当前输入 xt的串联，bf是遗忘门（forget gate）的偏置项。这个门决定了有多少过去的信息（来自之前的细胞状态）需要传递到未来。
优化技术：
反向传播：使用链式法则通过网络传播误差。
梯度下降：
其中，Wnew表示更新后的参数值，Wold表示之前的参数值，α是学习率，∇J(Wold)是成本函数J相对于参数Wold的梯度。该方程是机器学习和优化领域的基础，描述了如何在最小化成本函数的方向上更新参数。
高级概念：
- 用于数据增强的 GAN：生成合成数据，增强训练集。
- 迁移学习：使预先训练的模型适应新任务，例如在 ImageNet 上训练的模型。
人工智能跨对象的多功能性
- 泛化：通过在不同的数据集上进行训练，完全相同的人工智能架构可以学习识别各种物体，包括猫、表演、包、自行车、书籍和数百万其他物体。
- 元学习：人工智能作为一种“元算法”或“元学习器”，不仅为猫编写自己的内部算法，还为“黑匣子”中的数百万个对象编写自己的内部算法，而无需我们手动编写算法。并且同一个模型学习了所有的对象。
多模态AI和专家组合 (MoE)
多模态人工智能集成了图像、声音和文本等各种数据类型，增强了理解和决策。专家混合 (MoE) 框架通过动态地将任务分配给专用模型来进一步细化此过程。
多模态意味着有一个由不同人工智能模型（如上一节）组成的单一人工智能“有机体”，每个模型都执行视觉、语言、声音等专门任务。由元学习“门函数（gating function）”控制。
多模态AI的数学方面
特征级融合：
数学上表示为
其中 xi 是来自不同模态（视觉、语言、声音）的特征，z 是组合特征向量。
重点是要理解，每种模式的特征提取来自专门针对该模式的不同人工智能模型（如上一节），并且每种模式的组合特征也将由元学习器学习。
决策层融合：
涉及组合模型输出，例如通过加权平均：
其中 yi 是各个模型的输出，wi 是它们的权重。
混合专家框架
门（Gating）控网络函数：确定给定输入的专家，表示为
其中 gi(x) 是专家 i 的门函数，Wi 是学习参数。
通向AGI(通用人工智能)之路
AGI 的想法是，它是许多多模式元学习器的组合，作为一个有凝聚力、共生的有机体运行。 类似于我们的大脑设计。
大脑设计
大脑的基本架构包含执行不同任务的区域。 大脑被认为具有“通用智能”，因为它可以执行许多不同类型的活动，这些活动是这些区域共同作用的集体结果。
有时，即使某些区域受到影响，它也可以发挥作用，因为学习被其他区域接管（同时失去某些功能）。 这就是“通用智能”的原因。
这种通用智能的基本能力基于神经元设计及其连接性。神经元的基本结构在整个大脑中通常是一致的，但其特定结构存在差异，与其在不同大脑区域内的功能和位置相对应。
从根本上来说，大多数神经元都有一个共同的结构，包括：
- 细胞体（Soma）：包含细胞核，是神经元的代谢中心。
- 树突：接收来自其他神经元的信号的分支状结构。
- 轴突：一种长而细的突起，将信号传输到其他神经元、肌肉或腺体。
- 轴突末端：轴突的端点，信号在此发送到其他神经元。
- 突触：神经元与其他神经元、肌肉或腺体进行交流的连接处。
- 髓鞘（在许多神经元中）：一层脂肪层，可隔离许多神经元的轴突，提高信号传输速度。
然而，在这个总体框架内，存在一些变化：
- 大小和长度：体细胞的大小以及轴突和树突的长度可能有很大差异。例如，一些神经元具有非常长的轴突（例如从脊髓延伸到脚的轴突），而另一些神经元则短得多（例如大脑内部的轴突）。
- 树突的形状和复杂性：树突树的复杂性和形状各不相同。一些神经元，例如大脑皮层中的锥体细胞，具有复杂的树突结构，而其他神经元则较简单。
- 突触密度：神经元上突触的数量可能会有所不同，影响它如何整合来自其他神经元的信息。
- 使用的神经递质类型：不同的神经元可能释放不同的神经递质，这会影响发送到其他神经元的信号类型（抑制性或兴奋性）。
- 髓磷脂的存在：一些神经元有髓鞘，而另一些则没有。髓鞘形成影响沿轴突的信号传输速度。
AGI概念
- 超越专业化：AGI 的目标是在各种任务和领域复制类人智能。
- 像大脑一样：与大脑类似，元学习者的“神经元”结构在所有模式中都很常见。
- 设计：与大脑类似，AGI 是多组元学习器，按模块排列并由其他元学习器控制（类似于 Expert 的 Mixture，但更高级）
AGI的组成部分
- 适应性学习：从有限数据中学习并进行概括的能力。
- 认知推理：模仿人类推理过程。
- 情商：理解并回应情绪暗示。
进化轨迹
从传统算法到AI再到AGI概念的历程代表了计算能力的巨大转变。传统算法采用基于规则的方法，可以提供精度，但缺乏灵活性。
AI引入了学习能力，使系统能够适应和泛化各种任务。多模式AI和 MoE 架构的出现进一步增强了这种适应性。
仍处于起步阶段的AGI预示着未来机器可以与人类智能相媲美，这标志着人工智能领域的一个重要里程碑。这种演变不仅展示了计算技术的进步，而且为我们如何处理复杂问题和模拟认知过程开辟了新视野。
