神经网络几乎与符号AI一样古老
但它们在很大程度上被驳回,因为它们效率低下并且需要当时不可用的计算资源。在过去的十年中,由于数据和处理能力的大量可用性,深度学习越来越受欢迎,并且已经超越了符号 AI 系统。
神经网络的优势在于它们可以处理凌乱和非结构化的数据。以猫检测器为例。您可以在许多猫的图片上训练深度学习算法,而不是手动执行检测猫像素的规则。然后神经网络为猫图像开发一个统计模型。当您为其提供新图像时,它将返回包含猫的概率。
深度学习和神经网络在符号 AI 难以处理的任务中表现出色。他们在面部识别和癌症检测等计算机视觉应用领域掀起了一场革命。深度学习还推动了语言相关任务的进步。
深度神经网络也非常适用于强化学习,即通过无数次试错来发展其行为的 AI 模型。这是一种掌握围棋、星际争霸和Dota等复杂游戏的AI。
但深度学习和神经网络的好处并非没有折衷。与符号 AI 相比,深度学习有几个深刻的挑战和缺点。值得注意的是,深度学习算法是不透明的,弄清楚它们是如何工作的,甚至它们的创造者也感到困惑。而且很难沟通和排除他们的内部运作。
神经网络也非常需要数据。与符号 AI 不同的是,神经网络没有符号的概念和知识的分层表示。这种限制使得神经网络很难应用于需要逻辑和推理的任务,例如科学和高中数学。
符号人工智能的现状
有些人认为象征性人工智能已经死了。但这种假设与事实相去甚远。事实上,基于规则的人工智能系统在今天的应用中仍然非常重要。许多领先的科学家认为,符号推理将继续成为人工智能的一个非常重要的组成部分。
现在有一些努力将神经网络和符号 AI 结合起来。其中一个项目是神经符号概念学习器 (NSCL),这是一种由麻省理工学院-IBM 沃森人工智能实验室开发的混合人工智能系统。NSCL 使用基于规则的程序和神经网络来解决视觉问答问题。与纯基于神经网络的模型相反,混合 AI 可以用更少的数据学习新任务并且是可解释的。与仅符号模型不同的是,NSCL 并不费力地分析图像的内容。
也许在未来,我们会发明既可以推理又可以学习的人工智能技术。但就目前而言,符号 AI 是处理需要逻辑思维和知识表示的问题的领先方法。