人工智能 (AI) 的方法

引言

人工智能 (AI) 涉及理解、得出结论和由机器解决问题的多种功能。在基于程序性工作台、基于规则的符号处理或依赖于神经网络实际数据的机器学习的人工智能系统方面，支持系统的范围略有不同。进化算法通过遗传和进化灵感来表达，而贝叶斯近似则以概率估计来命名。混合 AI 结合了多种方法以提高效率。

它们在人工智能如何在医疗保健、金融和自动化等各个领域实现方面各有优缺点。认识到这些各种 AI 技术对于开发先进的人工智能系统和创建通用人工智能 (AGI)，即一种增强了人类般智能的系统，至关重要。

人工智能的方法

基于规则的系统（符号 AI）

符号 AI 或老派 AI (GOFAI) 基于规则和逻辑。它涉及使用一些符号来得出可以从知识中推导出的结论。这些系统使用“如果-那么”规则和符号推理；因此，适用于解决法律法规明确的问题。

这种方法纯粹依赖于逻辑，其中 AI 系统使用一些符号来表示现实世界的知识，然后系统将逻辑地转换这些符号。主要概念是构建一个基于规则的系统，其中专家信息直接合并到其中。涉及使用当前规则和逻辑序列进行决策的专家系统已广泛实现了符号 AI。

示例

• MYCIN：一种专家系统，用于疾病诊断，特别是在细菌感染和开具相关抗生素方面。
• DENDRAL：这是一个 AI 系统，用于在遵循某些既定操作规则的情况下预测化学化合物。

机器学习（统计 AI）

机器学习 (ML) 是通过数据训练 AI 系统而不是对其进行编码。机器学习围绕训练机器从过去的事件中学习并在未来的事件中增强其学习的概念而构建。

机器学习模型有以下几类：

• 监督学习：用于使用包含特定标签（例如图像分类）的特定数据集进行训练。
• 无监督学习：这处理非结构化数据中的结构发现，尤其是客户的聚类。
• 强化学习：这是一种 AI，通过参与环境来尝试获得更高的奖励，例如游戏或机器人。

示例

• 垃圾邮件控制：目前，Gmail 等电子邮件客户端使用算法来尝试过滤掉垃圾邮件。
• Netflix 推荐系统：根据用户的喜好推荐电影。

神经网络和深度学习

神经网络基于人脑的神经元结构，由多层人工神经元组成，它们作用于输入并以某种方式改变它们。神经网络的子领域，也称为深度学习，包含多层用于特征提取和进一步决策。

卷积神经网络 (CNN) 可用于图像识别，而循环神经网络 (RNN) 用于处理语音识别等序列数据。它们能够学习数据的分层表示，因此对于模式分析非常有用。

示例

• 图像识别：Facebook 的面部识别实现基于深度学习。
• 自然语言处理 (NLP)：ChatGPT 和 Google Translate 基于深度学习方法。

进化算法

进化算法使用的主要策略源于选择、变异和重组的概念，模仿自然选择的过程。它们是通过迭代过程来转换问题解决方案的遗传算法。

这种方法对于解决问题很有帮助，特别是优于流行的优化方法。在其操作过程中，进化算法创建多个解决方案，评估适应度水平，并产生更合适的解决方案。

示例

• 机器人中的遗传算法：用于优化机器人运动规划。
• 工程中的自动设计：NASA 使用了某些类型的进化算法来设计其航天探测天线。

贝叶斯近似

审查方法的规范基于概率论，并根据新证据修改旧的信念。通过这种方式，AI 模型根据贝叶斯定理，根据给定的主题逐渐发展其假设。

它更适合用于可能涉及风险且持续基于人工智能系统事件发生概率的情况。决策树用于分割数据和构建新信息及观察。贝叶斯模型说明了不同的变量如何相互关联，以及在纳入新数据时概率如何变化。

一群贝叶斯科学家注意到，不确定性是观点的主要特征。知识不能想当然，但先前的假设的准确性逐渐提高。

这促使贝叶斯使用统计方法，特别是源自贝叶斯定理的推导，它使一个人能够在给定情况下计算概率（例如，如果从一副牌中抽取了三张特定花色的牌，再加上一张观察到的花色的牌），伪 - 随机生成的序列的第一个值，在从一副牌中抽取三张相同花色的牌之后。

示例

• 医疗诊断系统：机器学习患者病史并提供预后。
• 垃圾邮件检测：在使用贝叶斯指标时，电子邮件都通过概率分数进行评估。

混合 AI

混合 AI 是多种 AI 方法的组合，目的是使系统更有效。这种方法利用了各种基于 AI 的方法，因此提供了相当强大的结果。例如，它可以采用符号方法来解释结果，并采用深度学习来进行模式匹配。

当一种系统无效时，混合 AI 最有效，例如，当需要创建能够学习某些决策并且还使用某些规则的基于 AI 的自动系统时。

示例

• 自动驾驶汽车：应用车辆操作规则和用于物体识别的深度学习模型。
• AI 助手：Google Assistant 同时使用机器学习和基于规则的系统处理。

结论

人工智能是一系列方法。它有不同的类别，每个类别都有其优点和缺点。符号 AI 擅长逻辑表达，而机器学习和深度学习则适用于数据驱动的任务。进化算法和贝叶斯方法可以改进解决问题的能力，而混合 AI 旨在利用一种以上的方法来获得更高的有效性。

这对于人工智能框架的进一步发展以及朝着通用人工智能 (AGI)（一种能够执行任何智力工作的机器）迈进至关重要。