科普：人工智能与机器学习的关系

大家好，我是炼数之道，一个在人工智能之路上学习和摸索的算法工程师。今天的文章在前期推文的基础上，继续用通俗的话来介绍人工智能领域的基本概念。

前期文章回顾：《科普：什么是机器学习》、《科普：什么是深度学习？什么是人工智能？》

那么，人工智能和机器学习之间的关系是什么呢？下图很好地解释了人工智能、机器学习和深度学习之间的关系。

人工智能是三者中最普遍的，几乎可以被认为是这一研究领域的首要目标：创造能够模仿人类决策的系统。一个常见的误解是，人工智能是在学习。实际上，人工智能是由人类编程来完成任务并提供预测的。人工智能可以模仿智能，但它不能像人一样独立学习。如今人工智能研究人员的一个目标是让人工智能的行为更像人类。这尤其具有挑战性，因为行为被认为是易感性和环境的共同产物，这在人和机器之间是完全不同的概念。机器学习是实现人工智能的一种方式，而深度学习是机器学习算法的一个子集，在处理涉及非结构化数据的问题(如图像识别和自然语言)方面显示出最大的希望。机器学习通常被用作混合系统的一部分。混合系统是人类和机器智能的混合体，旨在将两者的优点结合起来，例如将预测发送给人类进行分析的机器学习模型。然而，区分机器学习和人工智能很重要，因为机器学习并不是我们创造人工智能系统的唯一手段——只是迄今为止最成功的手段。例如，在该领域研究的早期，研究人员专注于构建符号人工智能系统——也被称为经典人工智能或老式人工智能。这种创建智能系统的方法侧重于将世界表示为符号集合，将现实世界的问题转化为符号命题，然后允许计算机使用命题逻辑来解决这些问题。这些努力是基于人类(和我们的语言)使用符号来表示现实世界中的物体以及它们之间的关系的观察。“约翰”和“披萨”是符号，而“吃”是这两个对象/符号之间的关系。假设我们可以将整个宇宙(或者至少是与特定领域相关的所有信息，比如医学)表示为这样的符号和关系。在这种情况下，计算机可以使用逻辑来解决这些问题。我们也可以用if-then规则把不同的命题联系在一起。例如，如果饿了(约翰)就吃(约翰，披萨)。这是一个非常简单的基于规则的符号AI的例子。当然，虽然这个简单的例子只使用了几个符号和一条规则，但一个真正的计算机系统可以存储数十亿个这样的符号、命题和规则。这种基于规则的系统构成了所谓的专家系统的基础，这种人工智能工具依赖于规则的层次结构来提供问题的解决方案。例如，假设一个医生在诊断一个病人。这些诊断通常也是基于规则的：即，如果患者有X和Y症状，如果他们的血糖大于Z，那么他们患有a疾病。因此，人工智能对癌症的诊断、治疗和预防产生了很大的影响。研究人员已经证明，算法在区分细胞是否癌变方面比人类做得更好。

或者考虑一下我们在《科普：什么是机器学习》中讨论的贷款申请问题。专家小组可以很容易地将这个问题表示为一系列符号和规则(例如，如果信用评分> X且贷款金额< Y，则批准贷款)。这可以用来创建一个人工智能专家系统，有可能取代医生或信贷员来做这些决定。

符号人工智能比机器学习有几个优势。机器学习系统在历史数据上进行模式识别，而符号系统只需要专家根据符号、命题和规则来定义问题空间。因此，它几乎不需要训练数据。此外，由于符号人工智能系统包含人类可读规则的层次结构，因此它们比深度神经网络更容易解释，而深度神经网络是出了名的不透明和难以解释。最后，一个理想的符号人工智能，拥有人类所拥有的所有世界知识，可能是一个能够像人类一样真正推理的超级人工智能的例子。

话虽如此，尽管从理论上讲，我们可以将所有知识都表达为符号是有道理的，但现实是，我们对世界的理解非常复杂，明确地将所有人类知识和常识表述为一系列符号和关系将是一项艰巨的任务。有些信息也很难用符号来表示。例如，在图像分类中，一个人如何将“2”以图像的形式描述为一个符号?虽然神经网络擅长这些任务，但简单地将问题转化为符号系统是困难的。这是70年代和80年代，符号人工智能研究的主要局限之一。这些系统通常被认为是脆弱的(例如，无法处理超出规范的问题)，缺乏常识，因此是不可推行的解决方案。

这些限制是第一次“人工智能寒冬”的主要因素之一，在这段时间里，由于研究未能令人满意地解决这些问题，大多数投入人工智能系统的资金都被撤回。因此，除了一些小众应用之外，符号人工智能通常已经过时，取而代之的是机器学习，机器学习专注于特定任务(即狭义的人工智能)，但提供了更强大的解决方案。在互联网时代，计算能力的进步和数据的激增也成为推动机器学习系统的一个重要因素，机器学习系统的性能往往受到可用数据的数量和质量的限制。

然而，近年来，研究人员开始考虑将机器学习系统，特别是神经网络与符号人工智能相结合，试图利用这两种人工智能方法的优势。这被称为神经符号计算。