您如何准确定义人工智能(AI)?
这看起来像是一个回归基础/回归学校的问题——但答案并不那么简单
最近,我试图为一篇研究论文找到一个好的 AI 学术定义。
令人惊讶的是,这并不容易。
在这篇文章中,我从学术角度提出了一个很好的 AI 定义,并解释了该定义背后的基本原理
谈到人工智能,有两种思路:一方面,我们有基于神经网络和深度学习的数据驱动方法。另一方面,我们有人工智能与人类思维和认知能力的关系。
为了使它更有趣,随着时间的推移,对这些方法的重视已经转移。
最初的 (1955/1957) 达特茅斯夏季人工智能研究项目1 旨在“让机器使用语言,形成抽象和概念,解决现在留给人类的各种问题,并提高自己。”
这个定义/描述倾向于人工智能的人类/认知方面,最初是通过基于符号操作的方法实现的,有时被称为“良好的老式人工智能 (GOFAI)”。
相比之下,受神经科学启发的方法,例如连接主义和神经网络,专注于学习和表示,这导致了当今非常突出的数据驱动的深度学习方法。
事实上,许多人现在认为人工智能是深度学习的代名词。
然而,当前状态下的深度学习存在局限性:它往往需要大量数据、计算量大、基于感官、容易出现对抗性示例所示的意外错误,并且对大部分认知和行为无效。
最终,GOFAI 方法被神经网络所取代。但今天,我们看到对混合方法的讨论越来越多,例如使用 AI 玩桥牌(一种需要推理和计划的游戏,这在传统神经网络中是不容易做到的)
因此,人工智能的含义将不断变化——难以准确定义。
相关帖子DA内容精选
|