人工智能概述
1、从典型任务/应用对人工智能分类(上世纪70年代以来)
- 机器定理证明(逻辑和推理),仿解题者
- 机器翻译(自然语言理解),仿译者
- 专家系统(问题求解和知识表达),仿专家和医生
- 博弈(树搜索),仿弈者
- 模式识别(多媒体认知),仿认知者
- 学习(神经网络),仿初学者
- 机器人和智能控制(感知和控制)仿生物者
- 形成了符号学派、连接学派、行为学派
2、从智能角度对人工智能进行分类
- 领域人工智能(依葫芦画瓢、任务导向)
- 通用人工智能货跨领域人工智能(举一反三、从经验中学习,如“人类”智能)
- 混合增强人工智能(多种智能体的混合形式)
3、人工智能发展中的主流方法:
- 符号主义人工智能(Symbolic AI)为核心的逻辑推理(符号化,知识图谱的形式表现出来)
- 数据驱动为核心的机器学习:
- 强化学习:智能体与环境交互,在探索与利用之间取得平衡为核心的强化学习
学习模式 | 优势 | 不足 |
用规则教 | 与人类逻辑推理相似,解释性强 | 难以构建完备的知识规则 |
用数据学 | 直接从数据中学 | 以深度学习为例:依赖于数据、解释性不强 |
用问题引导 | 从经验中进行能力的持续学习 | 非穷举式搜索而需更好策略 |