论人工智能方法的分类视角

无意中看到一本教材名为人工智能导论随手翻阅了一下。书中把人工智能的基本方法或流派归为符号、连接、行为、统计、学习五类总感觉太过教条不太妥当。分类的目标在于选择观察事物的统一层面与视角归纳出兼具简洁与有效的模式让事物本质清晰地呈现出来。把人工智能方法归为这五类既无统一的层面与视角又缺乏简洁性将其作为智能类别定论本意或在于表达的全面性却徒增学习者的认知负担亦掩盖了智能的本质。机器学习方法本质上是基于统计的模式归纳符号逻辑表达的规则关键参数的确定亦绕不开统计二者都利用统计建立确定性故统计是随机性通向确定性的桥梁而非人工智能方法类别。连接主义侧重于结构上的智能模式归纳行为主义侧重于行为上的智能模式归纳二者是对同一事物不同视角的本质表达不能视为并列对立的流派。人类知识获取途径有两个前人知识与实践经历智能则研究如何表示与运用知识故而从知识获取途径的视角将其方法归为符号推理与机器学习两类自然就更合乎人类的认知规律。前者从先验知识库中抽取和利用知识如运用物理学运动定律预测弹道。后者从现实经验中归纳和利用知识如从视觉信号中归纳与识别模式。符号推理包含许多具体方法如逻辑规则表示与推导机理模型表示与预测乃至一些元启发方法等它们源自不同层面与视角难以实施一刀切式划分。从特征获取途径的视角看机器学习方法只包含两类基于人工特征的方法基于表示学习的方法。前者更依赖领域专家的经验后者更侧重特征的自动表示。在前者向后者演进的过程中曾经的频域与小波变换不仅作为信号处理工具还扮演了半自动特征提取的角色。后者虽然越来越大行其道使前者相形见绌但在资源受限的场景前者常常能四两拨千斤。至于神经网络之于机器学习是一种强大的表示学习组件其结构及规模所带来的能力跃迁确实令人叹为观止但它仍未解决资源消耗问题目前出现了潜在候选者如脉冲神经网络。对于机器学习方法流行的监督与无监督之分最容易误导学习者以为这两者是依据标签的有无来划分的。若承认学习的目的是推理/预测则学习必然需要参考标签无监督既然称之为学习就不能说不依赖标签。监督与无监督的本质区别在于如何构造标签。聚类是一种构造标签的方式是服务于学习目标的手段不宜归为一种无监督学习。强化学习也从经验中学习也需要标签-用经历构造标签但它具有完全不同的目标视角其目标是多步序贯决策的最优而非单步预测的最优把它与监督学习无监督学习并列为机器学习三大路线是一种没有统一目标视角的混乱。两类人工智能方法只有场景适应之别并无优劣高下之分。符号推理长于专家知识表示从一般到具体进行演绎但难以应对现实世界的复杂多变。机器学习长于经验特征表示从具体到一般进行归纳但难以泛化有限经验到无限实践。二者都做不到放之四海而皆准二者的划分是一种相对侧重不是绝对的非此即彼在二者边界的附近更是亦此亦彼兼而有之。二者相互结合以取长补短如近年的物理信息神经网络等已成为人工智能方法的演进方向。强化学习相较于两类基本方法具有截然不同的功能视角它将两类方法吸纳于其中其目标聚焦于智能进化。广义控制论也在聚焦智能也已将两类方法吸纳其中学习虽已成为其常用手段但稳准快才是其核心目标它与强化学习既有视角之别又有相互交叉与彼此辉映二者与行为流派颇有渊源。不同的智能方法都在其独有的层面与视角下既发挥自己固有的优势又吸纳其他方法的长处从不同方向逼近终级智能。