瞭解有關符號人工智慧，象徵性AI的好處和侷限性

如今，人工智慧主要是關於人工神經網路和深度學習。但這並非總是如此。實際上，在過去的十年中，該領域大部分都由象徵性人工智慧主導，也被稱為“經典AI”，“基於規則的AI”和“老式的AI”。

象徵性AI涉及將人類知識和行為規則顯式嵌入計算機程式中。在AI研究的最初幾十年中，這種實踐顯示出了很大的希望。但是近年來，隨著神經網路(也被稱為連線主義AI)獲得廣泛關注，象徵性AI逐漸被淘汰。

符號在人工智慧中的作用

符號是我們用來表示其他事物的事物。符號在人類的思想和推理過程中起著至關重要的作用。如果我告訴你我看見貓爬在樹上，那麼你的腦海就會迅速聯想到影像。

我們一直使用符號來定義事物(貓，汽車，飛機等)和人員(老師，警察，營業員)。符號可以表示抽象概念(銀行交易)或不存在的事物(網頁，部落格文章等)。它們還可以描述操作(執行)或狀態(不活動)。可以將符號組織為層次結構(汽車由門，窗，輪胎，座椅等製成)。它們也可以用來描述其他符號(耳朵毛茸茸的貓，紅地毯等)。能夠用符號進行交流是使我們變得聰明的主要因素之一。因此，符號在人工智慧的創造中也起著至關重要的作用。

AI的早期開拓者認為，“原則上可以精確地描述學習的每個方面或智慧的任何其他特徵，從而可以製造出機器來對其進行模擬。”因此，象徵性AI成為焦點，成為研究專案的重點。科學家開發了定義和運算子號的工具。

您在電腦科學中發現的許多概念和工具就是這些努力的結果。符號AI程式基於建立顯式結構和行為規則。符號AI工具的一個示例是物件導向的程式設計。OOP語言允許您定義類，指定它們的屬性並在層次結構中組織它們。您可以建立這些類的例項(稱為物件)並操縱其屬性。類例項還可以執行動作，也稱為函式，方法或過程。每種方法都執行一系列基於規則的指令，這些指令可能讀取和更改當前物件和其他物件的屬性。

使用OOP，您可以建立執行各種任務的廣泛而複雜的符號AI程式。

象徵性AI的好處和侷限性

符號人工智慧在AI和計算的曙光中顯示出早期的進步。您可以輕鬆地視覺化基於規則的程式的邏輯，進行通訊並進行故障排除。

對於規則非常清晰的設定，符號人工智慧非常方便，您可以輕鬆獲取輸入並將其轉換為符號。實際上，基於規則的系統仍佔當今大多數計算機程式的成本，包括那些用於建立深度學習應用程式的程式。

但是，當您必須應對世界的混亂時，象徵性AI就開始崩潰。例如，考慮一下計算機視覺，這是使計算機能夠理解影像和影片內容的科學。假設您有一副貓的圖片，並且想建立一個程式來檢測包含貓的影像。您建立一個基於規則的程式，該程式將新影像作為輸入，將畫素與原始貓影像進行比較，並透過說出您的貓是否在這些影像中進行響應。

僅當您向程式提供原始影像的精確副本時，此方法才有效。貓的圖片略有不同將產生否定的答案。例如，如果您從另一角度拍攝貓的圖片，則該程式將失敗。

一種解決方案是從不同角度拍攝貓的圖片，併為您的應用程式建立新規則，以將每個輸入與所有這些影像進行比較。即使您為貓拍了100萬張照片，您也不會考慮所有可能的情況。光照條件或影像背景的變化將改變畫素值，並導致程式失敗。您將需要數百萬其他圖片和規則。

如果要建立一個可以檢測到任何貓的程式該怎麼辦?您需要為此建立多少規則?

貓的例子聽起來可能很愚蠢，但是這些都是象徵性AI程式一直努力解決的問題。您無法為現實世界中存在的混亂資料定義規則。例如，如何定義自動駕駛汽車的規則以檢測其可能遇到的所有不同行人?

此外，某些任務無法轉換為直接規則，包括語音識別和自然語言處理。

已經做出了一些努力來建立包含某些特定領域的眾多規則的複雜的符號AI系統。這些象徵性的AI模型稱為專家系統，使用硬編碼的知識和規則來處理諸如醫學診斷之類的複雜任務。但是它們需要領域專家和軟體工程師的大量努力，並且只能在非常狹窄的用例中工作。將問題一概而論之後，就會有大量新規則要新增(還記得貓檢測問題嗎?)，這將需要更多的人工。正如一些AI科學家指出的那樣，符號AI系統無法擴充套件。

神經網路與符號AI

神經網路幾乎與符號AI一樣古老，但是由於它們效率低下並且需要當時無法使用的計算資源，因此在很大程度上被淘汰了。在過去的十年中，由於資料和處理能力的巨大可用性，深度學習獲得了普及，並超越了象徵性的AI系統。

神經網路的優勢在於它們可以處理雜亂且非結構化的資料。以貓探測器為例。您可以手動在許多貓的圖片上訓練深度學習演算法，而不用人工操作檢測貓畫素的規則。然後，神經網路為貓的影像建立統計模型。當您為其提供新影像時，它將返回它包含貓的機率。

深度學習和神經網路在符號AI難以勝任的任務上表現出色。他們在諸如面部識別和癌症檢測之類的計算機視覺應用領域掀起了一場革命。深度學習還推動了語言相關任務的發展。

深度神經網路也非常適用於強化學習，透過多種反覆試驗發展其行為的AI模型。這種AI可以掌控Go，StarCraft和Dota等複雜遊戲。

但是深度學習和神經網路的好處並非沒有取捨。與象徵性AI相比，深度學習具有許多深刻的挑戰和劣勢。值得注意的是，深度學習演算法是不透明的，弄清楚它們的工作方式甚至困擾著他們的創造者。而且很難溝通和解決他們的內部工作。

神經網路也非常需要資料。與符號AI不同，神經網路沒有符號和知識的層次表示的概念。這種侷限性使得很難將神經網路應用於需要邏輯和推理的任務，例如科學和高中數學。

符號AI的當前狀態

有些人認為象徵性AI已死。但是這個假設離事實還差得遠。實際上，基於規則的AI系統在當今的應用中仍然非常重要。許多領先的科學家認為，符號推理將繼續成為人工智慧的重要組成部分。

現在，人們進行了多種努力來將神經網路和符號AI相結合。這樣的專案之一就是神經符號概念學習器(NSCL)，這是由MIT-IBM Watson AI Lab開發的一種混合AI系統。NSCL使用基於規則的程式和神經網路來解決視覺問題。與基於純神經網路的模型相反，混合AI可以用更少的資料學習新任務，並且可以解釋。與僅使用符號的模型不同，NSCL無需努力分析影像的內容。

也許在將來，我們將發明既可以推理又可以學習的AI技術。但是目前，符號AI是處理需要邏輯思維和知識表示的問題的主要方法。

【編輯推薦】