一张图看懂AI阵营：学AI站错队会自取灭亡共有17种方法，用一张图直观展示。作者说，并不是所有的人工智能方法都是平等的，站在错误的一边可能会导致自我毁灭。“人工智能”是一个非常模糊的术语。这是因为人工智能(AI)是1955年在一个非常狂妄的背景下创造的一个术语：我们提出了一个为期2个月、10人参加的人工智能研讨会。研讨会将基于这样的假设，即学习的每个方面或智能的其他特征原则上都可以如此精确地描述，以至于可以被机器模拟。我们将尝试寻找方法让机器使用语言、形式抽象和概念来解决当今只能由人类解决的问题，并提高人类的智能。——达特茅斯人工智能项目提案；J.麦卡锡等人；1955年8月31日，人工智能走过半个多世纪，也带上了太多其他学科的烙印。很长一段时间，人工智能被符号主义者统治。符号主义是一种基于规则的系统，具有“零学习”的特点。在1980年代，一种新的人工智能方法开始出现，我们称之为机器学习。最后，还有简单学习。然而，最近十年，最大的变化是我们偶然发现了“深度学习”，它的杀伤力似乎无所不能。当然，这是一个非常简化的AI历史。事实上，人工智能领域存在许多不同的方法和思想流派。在《终极算法》一书中，PedroDomingo描述了5种不同的AI“流派”。一位名叫solidrocketfuel的YCombinator用户也不甘示弱，发帖称至少有“21种不同类型”的AI。对于任何计划从事AI的人来说，一件非常重要的事情是了解这些不同流派和AI方法之间的差异。人工智能不是一个同质领域，而是一个不同思想流派之间不断发生争论的领域。下图是概述：符号主义者：使用基于规则的符号系统进行推理的人。许多人工智能都围绕着这种方法展开。使用Lisp和Prolog的方法属于这个学派，使用SemanticWeb、RDF和OWL的方法也是如此。最雄心勃勃的尝试之一是由DougLenat在80年代开发的Cyc，它试图将我们对世界的理解编码为逻辑规则。这种方法的主要缺陷是它的脆弱性，因为严格的知识库似乎总是不适用于边缘情况。但在现实中，这种模糊性和不确定性是不可避免的。进化论者：那些应用进化过程（例如交叉和突变）来实现初期智能行为的人。这种方法通常称为遗传算法（GeneticAlgorithm，GA）。在深度学习中，GA确实已经被用来代替梯度下降，所以它不是孤立的方法。这个学派的人还研究元胞自动机（cellularautomata），比如康威的“生命游戏”和复杂自适应系统（GAS）。贝叶斯学派：使用概率规则及其依赖关系进行推理的学派。ProbabilisticGraphicalModeling（PGM）是该学派常用的方法，主要的计算机制是抽样分布的蒙特卡洛方法。这种方法类似于符号学方法，因为可以通过某种方式获得对结果的解释。这种方法的另一个优点是可以在结果中表达一定程度的不确定性。Edward是一个将这种方法与深度学习相结合的库。KernelConservatives：在深度学习之前，最成功的方法之一是SVM。YannLeCun曾将这种方法称为模板匹配法。该方法有一个称为内核的技巧，可以使非线性分离问题线性化。这所学校的研究人员喜欢他们方法的数学之美。他们认为深度学习派无非是施法而不了解后果的炼金术士。TreeHuggers?：使用基于树的模型（例如随机森林和梯度提升决策树）的人。这些本质上是逻辑规则树，它们递归地拆分域以构建分类器。这种方法在许多Kaggle比赛中实际上效果很好。微软提出的一种方法将基于树的模型与深度学习相结合。联结论者：这一学派的研究人员认为，智能源于高度相互关联的简单机制。这种方法的第一个具体形式是1959年的感知器。此后该方法数次死而复生。它的最新形式是深度学习。深度学习有很多子方法。包括：TheCanadianConspirators?：Hinton、LeCun、Bengio等人。提倡无需手动特征工程的端到端深度学习。SwissPosse：基本上是LSTM，和两个结合的RNNs来解决感知的问题。根据LeCun的说法，GAN是“上个20世纪最酷的东西”，也声称是由该团伙发明的。英国AlphaGoist：这群人认为AI=深度学习+强化学习，虽然LeCun说强化学习只是锦上添花。DeepMind是这一派的主要支持者。PredictiveLearners：YannLeCun使用这个术语来描述无监督学习，这是AI中一个尚未解决的主要领域。但是，我倾向于认为解决方案在于“元学习”。除了上面介绍的主流方法外，还有一些不是特别主流的方法：压缩派：认为认知和学习是压缩（compression），这其实是其他学派的共同观点。信息论起源于关于压缩??的争论。这是一个比所有经常被滥用的聚合统计工具更强大的通用概念。复杂性理论家：这所学校的人采用物理学、基于能量的模型、复杂性理论、混沌理论和统计力学的方法。SwarmAI可以说属于这一派。如果有任何团队说他们可以找到深度学习为何有效的良好解释，那么他们很可能就是如此。模糊逻辑学家？：这种方法曾经很流行，但现在已经不那么普遍了。最近的一项研究使用模糊规则在模拟混战中击败了战斗机飞行员。BiologicalInspirationalists：该学派倾向于创建更接近生物学中神经元的模型。例如Numenta、pike-and-Integrate和IBM的TrueNorth芯片。Connectomeist：这些人认为大脑的互连（即：Connectome）是智力的来源。有一个项目试图复制一条虚拟蠕虫，还有一些资金充足的研究试图以这种方式绘制大脑图谱。信息整合论者：认为意识来自于机器内部的想象，反映了现实的因果关系。这种思想流派的动机是，如果我们想了解意识，那么我们至少需要开始思考它。然而，我在他们的方法中找不到学习和意识之间的关系。在他们看来，这两者可能无关。PACTheorists：这个学派的人不是很想讨论人工智能，只是喜欢研究智能，因为至少他们承认智能的存在。他们的整个想法是自适应系统可以方便地执行计算，结果大致正确。简而言之，在他们看来，智能不需要大量计算。总而言之，这些人工智能的方法令人眼花缭乱。而且我敢肯定还有其他方法我还没有发现。有些方法彼此不兼容，而另一些方法可以组合使用。然而，写这篇文章，我想指出的是，对这些令人眼花缭乱的方法稍加了解，可以帮助你在这个领域找到自己的出路。最后，让我们看看ShivonZilis的《机器学习生态全景图》：有很多公司声称自己是AI公司，做AI研究。你需要问他们一个直截了当的问题。这些公司到底使用了哪些人工智能方法？因为严酷的现实是，并非所有人工智能生而平等。换句话说，“一些人工智能比其他人工智能更平等”。我们的建议是，与深度学习相关的方法现在正在获得发展势头。很简单，因为它是关于学习的。如果你的AI方法没有强大的学习机制，就注定了DougLenat不得不手写所有规则的命运！其他方法往往是死胡同。最好的方法之一是将深度学习与其他算法结合起来。AlphaGo就是这样做的，它结合了蒙特卡洛树搜索技术和深度学习。考虑到符号学方法和深度学习具有互补的优势和劣势，它们的结合也很有前途。展望未来，主导AI的将是深度学习。尽管如此，深度学习在与其他人工智能方法相结合时同样具有前途。不要忽视这个现实，否则你只会自杀。关注网易智能菌（微信公众号：smartman163），获取专业的人工智能资讯和AI报告。
