最近狀態(tài)一直不是很好，一直沒(méi)怎么更新，今天假期更新一波
幾十年來(lái)，各種編程技術(shù)的結合使人工智能的進(jìn)展緩慢 - 偶爾突破，如某些專(zhuān)家，決策和計劃系統，掌握國際象棋和危險！這些方法，特別是那些專(zhuān)注于符號表示的方法，通常被稱(chēng)為GOFAI（Good Old-Fashioned AI）。重要的是，他們共享的一個(gè)關(guān)鍵特性是應用程序是手工制作和定制設計的：程序員弄清楚如何解決特定問(wèn)題，然后將他們的見(jiàn)解轉化為代碼。這基本上代表了“第一波”。
從2010年初開(kāi)始，大量的訓練數據和大量的計算能力（由一些大型參與者）引發(fā)了一些特定的30年歷史神經(jīng)網(wǎng)絡(luò )算法的重新評估。令許多研究人員驚訝的是，在新的創(chuàng )新的幫助下，這種組合迅速地使這些“深度學(xué)習”系統超越了傳統方法在幾個(gè)領(lǐng)域的表現 - 特別是在語(yǔ)音和圖像識別方面，以及大多數分類(lèi)任務(wù)。
深度學(xué)習（DL）是一種統計學(xué)，機器學(xué)習（ML）方法，因此與GOFAI非常不同。在DL / ML中，我們的想法是為系統提供訓練數據，使其能夠“編程”自己 - 無(wú)需人工編程！
在實(shí)踐中，需要大量的人工智能才能使DL系統在現實(shí)世界中發(fā)揮作用。事實(shí)上，這個(gè)領(lǐng)域的頂級專(zhuān)家的報酬是頂級程序員的幾倍：首先，必須仔細選擇，標記和格式化訓練數據;其次，必須選擇DL網(wǎng)絡(luò )的類(lèi)型和配置才能使用;第三，需要調整無(wú)數的系統參數，以使整個(gè)過(guò)程有效地發(fā)揮作用。所有這些步驟都需要大量的技能，經(jīng)驗和實(shí)驗。
盡管存在這些困難，但DL在以下幾個(gè)方面取得了巨大的成功：例如，如果沒(méi)有它，我們在自動(dòng)駕駛汽車(chē)和Alexa等語(yǔ)音助手中所看到的進(jìn)步是不可能實(shí)現的。毫不夸張地說(shuō)，深度學(xué)習是人工智能的一次革命，投入了數百億美元來(lái)進(jìn)一步開(kāi)發(fā)和利用這項技術(shù)。它值得稱(chēng)為“第二波”。
AI還有很長(cháng)的路要走。
盡管最近取得了這一進(jìn)展，但人工智能還有很長(cháng)的路要走近人類(lèi)學(xué)習，思考和解決問(wèn)題的能力 - 這一目標被稱(chēng)為AGI（人工智能）。今天的AI非常狹隘和嚴格。
絕大多數研究人員認為，就一般認知能力而言，目前的技術(shù)遠不及人類(lèi)（甚至動(dòng)物）智力。特別是，今天的AI在交互式（即時(shí)）學(xué)習方面非常差，適應不斷變化的環(huán)境，抽象和重用知識和技能（轉移學(xué)習），推理和語(yǔ)言理解。事實(shí)證明，在某些語(yǔ)言任務(wù)，推理，計劃和解釋其行為方面，深度學(xué)習實(shí)際上不如某些First Wave方法能力強。人們普遍認為目前的DL / ML方法不會(huì )讓我們接受AGI。
以下是它的一小部分缺點(diǎn)：
第三次浪潮由于上面提到的限制已經(jīng)變得越來(lái)越明顯，一些人工智能人員已經(jīng)表達了對新范式的需求 - 一些（恰當地，我認為）將其稱(chēng)為第三波。一些引用：
DL首席執行官杰弗里·辛頓：“我的觀(guān)點(diǎn)是全力以赴，重新開(kāi)始”
DARPA的演講：“在第三次浪潮中，人工智能系統本身將構建可以解釋世界運作方式的模型?！?/span>
Google的DeepMind創(chuàng )始人Demis Hassabis：“[簡(jiǎn)而言之，]當代人工智能程序......不那么聰明”
另一位人工智能科學(xué)家甚至說(shuō)：“在人工智能的第一波中，你必須成為一名程序員。在人工智能的第二次浪潮中，你必須是一名數據科學(xué)家。人工智能的第三次浪潮- 你越道德越好?！拔乙?/span>寫(xiě)過(guò)一些關(guān)于。
雖然這種新方法究竟應該包含哪些內容存在一些分歧，但對于實(shí)時(shí)自主學(xué)習，概括和能夠抽象地推理和使用自然語(yǔ)言的能力存在很好的共識。我們還需要更復雜，更全面的架構，這也是一種強烈的情緒。
認知架構類(lèi)似于深度學(xué)習神經(jīng)網(wǎng)已經(jīng)存在了幾十年的方式 - 并沒(méi)有為黃金時(shí)間做好準備 - 在爆發(fā)出有用性和突出性之前，因此認知架構已經(jīng)潛伏在A(yíng)I背景中很長(cháng)一段時(shí)間了。我相信，鑒于正確的設計，認知架構可以提供AGI的路徑。
這種方法的一個(gè)關(guān)鍵特征是它本身就試圖解釋人類(lèi)認知的所有相關(guān)要求，包括知識表示，廣義短期和長(cháng)期記憶，感知，焦點(diǎn)，目標管理等方面。其他方法開(kāi)始只有一兩個(gè)方面的情報，然后嘗試在特定的基礎上處理缺少的要求。
認知架構方法原則上可以解決許多（如果不是全部）高級認知的要求。以下是基于我們當前技術(shù)能夠解決的對比圖：
過(guò)去開(kāi)發(fā)的大多數認知架構都是高度模塊化的，例如，利用不同的模塊用于短期記憶（STM），長(cháng)期記憶（LTM），解析，推理，規劃等。此外，通常許多這些功能都是功能性的。模塊由不同的團隊設計，沒(méi)有太多（如果有的話(huà)）整體協(xié)調。這是一個(gè)嚴重的限制：他們傾向于不共享統一的數據表示或設計，使得認知功能幾乎不可能實(shí)時(shí)協(xié)同地相互支持。
一種更好，實(shí)際上必不可少的方法是擁有一個(gè)高度集成的系統，允許所有功能無(wú)縫交互。例如，正確地解析，理解和吸收句子中的信息（例如，陳述）需要訪(fǎng)問(wèn)STM和LTM，以及目標，上下文，元認知和推理。事實(shí)上，徹底的語(yǔ)言理解和持有長(cháng)期有意義的對話(huà)的能力是認知架構優(yōu)于深度學(xué)習的優(yōu)勢最明顯的一個(gè)領(lǐng)域（見(jiàn)文章）。然而，對于幾乎所有其他認知任務(wù)，對高度協(xié)同功能性交互的需求同樣如此。
真正的智能系統可以完成一整套任務(wù)。它可以幫助我們應對我們面臨的許多困難問(wèn)題：從疾病和人口老齡化，持續貧困和饑餓，自然和人為災害，清潔能源和環(huán)境問(wèn)題，到治理和政治挑戰。第一波和第二波讓我們一瞥AI可能為我們做些什么;我們期待第三波更充分地發(fā)現人工智能的潛力
聯(lián)系客服
