AI 的方法有許多，除了我們較為熟悉的“五大流派”，本文作者對(duì) AI 的各流派進(jìn)行細(xì)分，梳理了起碼 17 種方法，并用一張圖直觀地展現(xiàn)。作者說，各種 AI 方法并不平等，站錯(cuò)隊(duì)可能導(dǎo)致自取滅亡。
“人工智能”是一個(gè)非常含糊的術(shù)語。這是因?yàn)槿斯ぶ悄埽ˋI）是1955年在一種非常傲慢的情境下被創(chuàng)造出來的一個(gè)術(shù)語：
我們建議于1956年夏天在新罕布什爾漢諾威的達(dá)特茅斯學(xué)院進(jìn)行一個(gè)為期2個(gè)月，10個(gè)人參加的人工智能研討會(huì)。
該研討會(huì)將基于如下設(shè)想進(jìn)行：學(xué)習(xí)的每個(gè)方面或有關(guān)智能的其他特征原則上可以非常精確地進(jìn)行描述，以至于能被機(jī)器模擬。我們將嘗試找到讓機(jī)器使用語言、形式抽象和概念的方式，解決現(xiàn)在只能由人類解決的問題，并提升人類智能。
——達(dá)特茅斯AI項(xiàng)目計(jì)劃提議書；J． McCarthy et al．； Aug． 31， 1955．
AI 經(jīng)歷了半個(gè)多世紀(jì)，也帶上了太多其他學(xué)科的印記。在很長一段時(shí)間里，AI 被符號(hào)主義者統(tǒng)治。符號(hào)主義是一種基于規(guī)則的系統(tǒng)，具有“零學(xué)習(xí)”（Zero Learning）特點(diǎn)。20世紀(jì)80年代，一種新的 AI 方法開始出現(xiàn)，我們稱之為機(jī)器學(xué)習(xí)。最后，還有“簡單學(xué)習(xí)”（Simple Learning）。然而，在最近十年里，最大的變化是我們偶然發(fā)現(xiàn)了“深度學(xué)習(xí)”，而且它殺傷力極強(qiáng)，似乎無所不能。
當(dāng)然，這是一個(gè)非常簡化的 AI 歷史。實(shí)際上，AI 領(lǐng)域有許多不同的方法和流派。Pedro Domingo 在《終極算法》一書中描述了5個(gè)不同的 AI “學(xué)派”。一位名為 solidrocketfuel 的 Y Combinator 用戶不甘示弱，發(fā)了條帖子，說 AI 至少有“21 個(gè)不同的流派”。
對(duì)于任何計(jì)劃搞 AI 的人來說，一個(gè)非常重要的事情是了解 AI 的這些不同學(xué)派和方法之間之間的差異。AI 不是一個(gè)同質(zhì)的領(lǐng)域，而是不斷發(fā)生不同學(xué)派之間的爭議的領(lǐng)域。下圖是一個(gè)概況：
符號(hào)學(xué)派（Symbolists）：是使用基于規(guī)則的符號(hào)系統(tǒng)做推理的人。大部分 AI 都圍繞著這種方法。使用 Lisp 和 Prolog 的方法屬于這一派，使用 SemanticWeb，RDF 和 OWL 的方法也屬于這一派。其中一個(gè)最雄心勃勃的嘗試是 Doug Lenat 在80年代開發(fā)的 Cyc，試圖用邏輯規(guī)則將我們對(duì)這個(gè)世界的理解編碼。這種方法主要的缺陷在于其脆弱性，因?yàn)樵谶吘壡闆r下，一個(gè)僵化的知識(shí)庫似乎總是不適用。但在現(xiàn)實(shí)中存在這種模糊性和不確定性是不可避免的。
進(jìn)化學(xué)派（Evolutionists）：是應(yīng)用進(jìn)化的過程，例如交叉和突變以達(dá)到一種初期的智能行為的一派。這種方法通常被稱為遺傳算法（Genetic Algorithm，GA）。在深度學(xué)習(xí)中，GA 確實(shí)有被用來替代梯度下降法，所以它不是一種孤立的方法。這個(gè)學(xué)派的人也研究細(xì)胞自動(dòng)機(jī)（cellular automata ），例如 Conway 的“生命游戲”和復(fù)雜自適應(yīng)系統(tǒng)（GAS）。
貝葉斯學(xué)派（Bayesians）：是使用概率規(guī)則及其依賴關(guān)系進(jìn)行推理的一派。概率圖模型（PGM）是這一派通用的方法，主要的計(jì)算機(jī)制是用于抽樣分布的蒙特卡羅方法。這種方法與符號(hào)學(xué)方法的相似之處在于，可以以某種方式得到對(duì)結(jié)果的解釋。這種方法的另一個(gè)優(yōu)點(diǎn)是存在可以在結(jié)果中表示的不確定性的量度。Edward 是一個(gè)將這種方法與深度學(xué)習(xí)相結(jié)合的庫。
核保守派（Kernel Conservatives）：在深度學(xué)習(xí)之前，最成功的方法之一是 SVM。Yann LeCun 曾稱這種方法為模板匹配方法。該方法有一個(gè)被稱為核的技巧，可以使非線性分離問題變成線性問題。這一派的研究者喜歡他們的方法所具有的數(shù)學(xué)美感。他們認(rèn)為深度學(xué)習(xí)派只不過是煉金術(shù)士，在沒有對(duì)后果有所了解的情況下就念起咒語。
Tree Huggers ：是使用基于樹的模型的人，例如隨機(jī)森林和梯度提升決策樹。這些本質(zhì)上都是邏輯規(guī)則樹，它們遞歸地分割域以構(gòu)建分類器。這種方法實(shí)際上在許多 Kaggle 比賽中都相當(dāng)有效。微軟提出的一種方法是將基于樹的模型與深度學(xué)習(xí)結(jié)合起來。
聯(lián)結(jié)學(xué)派（Connectionists）：這一派的研究者相信智能起源于高度互聯(lián)的簡單機(jī)制。這種方法的第一個(gè)具體形式是出現(xiàn)于1959年的感知器。自那以后，這種方法消亡又復(fù)活了好幾次。其最新的形式是深度學(xué)習(xí)。
深度學(xué)習(xí)中包含許多子方法。包括：
The Canadian Conspirators ：Hinton，LeCun，Bengio 等人，推崇無需人工進(jìn)行特征工程的端到端深度學(xué)習(xí)。
Swiss Posse：基本上是 LSTM，以及兩種結(jié)合的 RNN 解決知覺的問題。根據(jù) LeCun 的說法，GAN 是“最近20世紀(jì)最酷的東西”，也被聲稱是這幫人發(fā)明的。
British AlphaGoist：這幫人相信，AI ＝ 深度學(xué)習(xí) ＋ 強(qiáng)化學(xué)習(xí)，盡管 LeCun 稱強(qiáng)化學(xué)習(xí)只是蛋糕上的櫻桃。DeepMind 是這一派的主要支持者。
Predictive Learners：這個(gè)詞是 Yann LeCun 用來形容無監(jiān)督學(xué)習(xí)的，這是 AI 主要的一個(gè)未解決的領(lǐng)域。然而，我傾向于相信解決方案在于“元學(xué)習(xí)”（meta－Learning）。
