人工智能（AI）由模式識別技術(shù)主導(dǎo)

人工智能（AI）由模式識別技術(shù)主導(dǎo)。近年來，由于深度學(xué)習(xí)的發(fā)展和完善，在圖像識別、機(jī)器翻譯、音頻處理等領(lǐng)域取得了重大進(jìn)展。但深度學(xué)習(xí)并不是解決所有問題的良方。事實(shí)上，它本身就是一種疾病。

任何生物系統(tǒng)，即使經(jīng)過幾代人的進(jìn)化，也不需要像最先進(jìn)的機(jī)器學(xué)習(xí)算法那樣，為完成簡單的任務(wù)而需要同樣規(guī)模的訓(xùn)練數(shù)據(jù)。為了學(xué)習(xí)，大腦使用了許多衍生品以外的技術(shù)。動物能夠發(fā)現(xiàn)新鮮事物并記住重大事件，即使它們只發(fā)生過一次。

這里有四個原因，其中之一，為什么人工智能社區(qū)應(yīng)該思考超越深度學(xué)習(xí)。

1.深度神經(jīng)網(wǎng)絡(luò)有忘記所學(xué)模式的傾向，而活的大腦有可塑性和強(qiáng)健的記憶完整性。例如，人類，甚至一些動物可以記住一個面孔很多年，但仍然可以學(xué)習(xí)新的面孔，而不會忘記他們認(rèn)識的面孔。

2.深度神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)來訓(xùn)練，這反過來又需要大量的計(jì)算能力。如果你不是一家財力雄厚的大型計(jì)算機(jī)公司，這將是一個重大障礙。所需的計(jì)算能力取決于三個主要因素：輸入數(shù)據(jù)的維數(shù)、模型的復(fù)雜性和訓(xùn)練算法的復(fù)雜性。

3.神經(jīng)網(wǎng)絡(luò)就像黑匣子，通常不適合需要可解釋性的應(yīng)用程序。就業(yè)、貸款、教育、醫(yī)療和家庭助理等領(lǐng)域都需要解釋。在金融領(lǐng)域，預(yù)測價格變化的機(jī)器對公司來說是一個重大勝利，但如果沒有可解釋的因素，可能很難讓監(jiān)管機(jī)構(gòu)相信它沒有違反任何規(guī)定。同樣，在涉及信任的交易中，例如信用卡應(yīng)用程序，必須解釋批準(zhǔn)或拒絕的原因。在業(yè)務(wù)應(yīng)用程序中，建立客戶的信任是至關(guān)重要的，決策需要是可解釋的。

4.所學(xué)的知識并不是真正可以轉(zhuǎn)移的。如果人工智能要發(fā)揮其潛力，這一點(diǎn)非常重要。當(dāng)動物接觸到新的環(huán)境時，它們會不斷地參照先前的學(xué)習(xí)。例如，你可能從來沒有親自開過卡車，但是開過一輛汽車，你就能很快地學(xué)會汽車的各種基本運(yùn)行規(guī)律，并且比你從來沒有開過任何汽車更快地整合你以前的駕駛技能。

顯然有必要解決這些問題，而要做到這一點(diǎn)，就需要超越深度神經(jīng)網(wǎng)絡(luò)。一些人工智能技術(shù)可以潛在地解決這些缺點(diǎn)，如自適應(yīng)共振理論、可信最大化和神經(jīng)模糊系統(tǒng)。

自適應(yīng)共振理論（ART）解決了穩(wěn)定性與可塑性的問題，在不喪失現(xiàn)有知識的情況下獲得新的知識。它也被稱為增量式學(xué)習(xí)或在線學(xué)習(xí)，因?yàn)樗恍枰獙ζ淠Ｐ瓦M(jìn)行再培訓(xùn)，這是一個優(yōu)勢，因?yàn)樵倥嘤?xùn)是丟失現(xiàn)有知識的主要原因之一。

可信最大化（Cogency maximization）或虛構(gòu)（confabulation）有助于解決可解釋性問題，對于解決就業(yè)、貸款、教育、衛(wèi)生保健和家庭助理等應(yīng)用程序也很方便?；赾ogency maximizbased模型的另一個優(yōu)點(diǎn)是，它們的計(jì)算量較小，易于訓(xùn)練。

模糊集系統(tǒng)允許數(shù)據(jù)表示介于二進(jìn)制（例如，冷/熱）和連續(xù)（例如，0%-100%熱）表示之間。相反，模糊系統(tǒng)允許您用模糊表示（0%冷、20%熱和80%熱）來表示數(shù)據(jù)。乍一看，這似乎有些武斷，但它允許對細(xì)節(jié)和邏輯創(chuàng)建進(jìn)行更細(xì)致的表達(dá)。例如，恒溫器可以使用這些數(shù)據(jù)在冷百分比過高時打開爐子，在熱百分比過高時打開空調(diào)。

這種類型的邏輯創(chuàng)建可以很容易地用自然語言解釋，并且很容易理解。神經(jīng)模糊系統(tǒng)將模糊系統(tǒng)的特征與神經(jīng)網(wǎng)絡(luò)進(jìn)行某種程度的融合，以簡化模型或提供更好的解釋能力。其中一些系統(tǒng)使用模糊規(guī)則代替不透明的神經(jīng)激活函數(shù)。其中一些系統(tǒng)作為神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后在數(shù)學(xué)上轉(zhuǎn)換成模糊規(guī)則集。其中一些系統(tǒng)在保持模糊可解釋性的同時，還利用模糊邏輯和模糊記憶來表現(xiàn)出神經(jīng)網(wǎng)絡(luò)的行為。

自適應(yīng)共振理論、可信最大化和神經(jīng)模糊系統(tǒng)可能不是什么新概念，但它們似乎被研究人員忽視了。這些研究人員受到了微型超級計(jì)算機(jī)的強(qiáng)大功能的鼓舞，這些微型計(jì)算機(jī)由無底洞般的企業(yè)資金支持。