人工智能中的默认推理

人工智能 (AI) 的含义是什么？

在人工智能 AI 中，机器，特别是计算机，模仿人类的智能过程。人工智能致力于开发能够完成人类所做工作的智能机器，包括推理、理解语言、感知物体和做出决策。人工智能是一个广泛的概念，体现在当今的简单设备中，如苹果的 Siri 和亚马逊的 Alexa，以及更复杂的模型，如自动驾驶汽车和机器人。

然而，根据本十年出现的新定义，人工智能是基于算法、数据和计算机处理能力的利用，以模拟通过学习、理解、感知和概念性思考所表现出的人类智能。目前，人工智能技术被创建用来从与数据的过去交互中学习，从而解决更复杂的问题。

人工智能的主要特点

• 机器学习 (ML)：人工智能最流行的分支是机器学习，其中系统的能力可以通过经验和数据得到提高，而无需重新编程。它寻找数据的模式，并在此基础上，系统能够根据提供给系统的输入进行预测甚至做出决策。
• 自然语言处理 (NLP)：NLP 允许人工智能模型使用人类语言进行分析、理解和交互。此功能包括聊天机器人、语音助手和语言翻译等活动。NLP 帮助人工智能系统理解口头和书面语言，从而轻松地以人们识别的语言与设备交互。
• 计算机视觉：计算机视觉是指人工智能系统理解和分析来自世界的图形数据（例如图片或视频）的能力。通过识别模式、物体和人脸，人工智能决策可以像人类一样看待世界。
• 推理和问题解决：人工智能系统具有分析输入、逻辑思考以产生正确决策的能力。它们可以理解和评估不同的结果，选择正确的行为来实现某些目标。此功能在专家系统、决策支持系统、金融建模和自动驾驶汽车中至关重要。
• 自动化和机器人：人工智能可以驱动自动化系统和机器人，使其在很少或没有人工输入的情况下运行。人工智能被应用于制造业，其中机器人被用于形成或监督一个过程，甚至建造一个物体，而无需参考人工操作员。
• 专家系统：专家系统是人工智能的一个子类型，旨在模仿专业人员在众多领域的决策能力。此类系统根据知识库规则提供建议、推荐或诊断。它们适用于医疗诊断、投资和工程等领域。
• 学习和适应：人工智能系统具有在解决问题时使用的学习概念。当它们处理数据时，它们会从中学习并改进其工作，使其更精确。这是复杂的 AI 系统在随时间变化的环境中运行的内在能力。
• 预测分析：人工智能的一个应用是它可以根据过去的记录猜测未来的趋势和行为。这些行业包括金融、营销甚至医疗保健，其中预测分析可用于预测客户的下一步行动、欺诈、市场趋势甚至疾病爆发。
• 语音和语音识别：基于人工智能的语音和语音识别解决方案可以将语音转录为文本并识别说话者。此技术应用于语音控制设备、人工智能和其他辅助设备，使人机界面类似于人与人之间的交互。

人工智能的类别

• 窄人工智能（弱人工智能）：窄人工智能是指系统或模型被设计用于完成特定任务的特定事物。这些系统大多数只能在一个特定领域执行一项或一组相关任务，例如图像识别或语言翻译。现代人工智能解决方案主要被称为窄人工智能。
• 通用人工智能（强人工智能）：通用人工智能适用于同时具有通用智能而不是特定活动中的特定智能的系统。这两种系统都能够感知它们应该做什么，获取新知识，并将智能应用于其预设算法中未设计的内容。通用人工智能尚未实现，也尚未开发出来。
• 超人工智能：这是一种尚未实现的人工智能类型，它将在所有已知方面超越人类，包括创造力、批判性思维和决策。超人工智能是科幻小说中研究的领域，从道德和安全角度来看，它可能对人工智能发展构成问题。

AI 的应用

• 医疗保健：它用于诊断系统、健康监测、识别和发明新药物和疗法、机器人手术等。
• 金融：人工智能用于欺诈检测、算法交易和公司的风险管理。
• 零售：人工智能集成到推荐引擎、智能客户服务聊天机器人、智能库存管理等。
• 交通：自动驾驶、路线控制和规划是使用人工智能被认为非常重要的活动。
• 娱乐：具体来说，人工智能根据用户提供的特征以及他们与设备的交互方式，协助收听最喜欢的歌曲、观看电影，有时还玩游戏。

理解人工智能中的默认推理概念

当今人工智能最流行的子领域之一是系统在某些数据缺失时如何以及为何做出决策。这就是默认推理对人工智能系统有用的地方，它可以根据假设或典型行为场景在完整日期缺失的情况下得出结论。

什么是默认推理？

默认推理是一种逻辑过程，其中人工智能系统做出通常为真但并非总是成立的假设。它的方法是处理缺失信息；也就是说，当人工智能系统没有某些数据时，它将假设某些特征的存在。

例如，如果一个人工智能系统被要求区分鸟类，并且它遇到一个像鸟一样的物体，但系统不知道它是否具有诸如它是否能飞的细节，那么，它会得出结论说它会飞。在表示过程中可以做出的另一个假设是大多数鸟类都会飞，但当然这在企鹅或鸵鸟等情况下可能不成立。处理此类异常的能力使得默认推理既强大又具有挑战性。

为什么默认推理在人工智能中很重要？

当信息不完整或成本过高时，默认推理是决策制定中的一个特殊部分。在实际应用中，人工智能系统可能需要在类似于自动驾驶的条件下导航；在这里，必须在有限的感官输入或对周围环境建模不足的情况下做出重要决策。

例如，医疗保健诊断环境中的人工智能可能被限制为没有患者的完整信息。然而，它将避免做出个人决策，除非这些决策基于一般的医疗实践或医护人员已经制定的政策。这使得人工智能能够在没有完整数据的情况下提供有用的建议，从而提高其在实时情况下的有效性。

人工智能中默认推理的示例

1. 自动驾驶汽车：激光雷达传感器车辆经常遇到某些物体被隐藏或数据嘈杂的情况。默认情况下，这些系统可以推理，当由于树木而只能看到停车标志的一部分时，它们仍然应该将其解释为停车标志，并且不需要完整的物体。
2. 机器人：在室内空间中导航的机器人可能会假设门通常是开着的，允许它们规划穿过门口的路径，直到它们检测到其他情况。
3. 自然语言处理 (NLP)：在对话式人工智能系统中，默认推理是指系统替换用户陈述中缺失细节的过程。例如，如果用户说出“关灯”这些词，系统会得出这样的含义，即房间里的所有灯都将被关闭，除非用户另有要求。

默认推理的偏差

一方面，默认推理使人工智能系统能够在没有完整信息的情况下采取行动，另一方面，可能会做出导致错误的默认假设。这些假设必须设计得更加谨慎，因为如果初始证据适得其反，人工智能系统必须能够逆转或调整其推论。

1. 过度概括：过于确定性的人工智能系统，做出过多的假设，可能会做出大量的概括，或者假设存在规则，而实际上存在例外。
2. 模糊性：处理冲突的默认值或模糊的情况可能会有问题。当面对导致不同结论的两个合理默认值时，人工智能系统可能会陷入困境。
3. 适应性：根据新信息调整和修改默认假设的能力对于使用默认推理的系统至关重要。如果没有适当的学习机制，系统可能会继续依赖过时或不正确的假设。

默认推理的技术

存在几种在人工智能系统中实现默认推理的形式化方法，包括：

1. 默认逻辑：一种非单调逻辑，允许人工智能系统做出假设，并在被证明是错误的情况下稍后对其进行修改。
2. 划界：一种最小化系统做出假设数量的方法，旨在将默认值的应用限制在必要的情况。
3. 自认知逻辑：一种推理形式，其中一个人检查自己的知识以得出结论并确定他或她是否应该在决策过程中依赖默认假设。人工智能系统使用这种逻辑推理形式来评估他们是否可以信任他们做出的假设。

结论

默认推理是人工智能系统中最重要的构造之一，因为它们在许多情况下应该在信息不足的环境中工作。知道存在未知数并能够假设允许人工智能继续做出有利于结果的逻辑预测和假设。虽然对系统将如何运行以及它可能如何纠正错误做出默认假设很重要，但系统能够做到这一点也很重要。随着人工智能技术的发展，专家们继续寻求使机器更智能的方法，默认推理将仍然是核心过程。