计算智能与人工智能

AI learning

Background

今天上课学到了计算智能这一部分知识，老师讲到人工神经网络之类的计算方式属于计算智能，而计算智能和人工智能是不同的，现在在讨论人工智能时，经常会提到神经网络，但是其实这其中有更复杂的分类，这里把这些概念，特点，关系做一个总结。

我认为从宏观层面对一个知识进行了解对于想要去研究探索学习的人是很有必要的。

ps：由于人工智能的相关知识大多都没有一个精确的定义，所以这里根据维基百科等信息获取源来做一个我自己理解的概念体系。

---

一、计算智能 （CI）

1. 概念

Computational Intelligence

计算机从数据或者观察中学习到特定的任务的能力。

计算智能是以自然为灵感产生的计算方式和方法，为传统数学以及建模无法解决的推理过程复杂或充满随机性的现实问题提供新的解决方案。

James C. Bezdek‬在1994年首次提出了对计算智能的明确定义如果系统处理的是诸如数字数据之类的低级数据，具有模式识别组件并且不使用计算机中的知识，则该系统被称为计算智能。

计算智能系统呈现出的特点：

• 1 计算适应性
• 2 计算容错性
• 3 接近人的速度
• 4 误差率与人相近

2. 常用技术

模糊逻辑（Fuzzy logic）

模糊逻辑在数据不完整甚至在某些数据缺失的背景下模仿人脑推理这一行为来对现实中的复杂问题进行测量以及建模。

模糊逻辑是一种近似推理的过程，并非学习，不具有学习能力。

模糊逻辑是CI的重要依赖组成部分。

神经网络（Neural networks）

人工神经网络在生物神经网络的启发下产生的，能从数据中学习到潜在规律，训练好的神经网络模型可以使用这些学习到的规律去处理实际问题。

对于人工神经网络的应用而言，可以将神经网络分为五种目的：

• 数据分析
• 分类
• 关联记忆
• 聚类
• 控制

神经网络与模糊逻辑都有聚类这一优势。

进化计算（Evolutionary Computation）

基于达尔文进化论提出的自然选择，提出新的人工进化方法，也包括进化策略或者进化算法等。

进化计算的应用主要在优化之类的领域。

概率方法（Probabilistic methods）

概率的运用是模糊逻辑的重要组成部分，用来评估主要由随机性定义的计算智能系统的结果。

概率方法利用先验知识来解决问题。

二、计算智能与人工智能

1. 共同目标

计算智能和人工智能的目标是一致的，最终目的都是达到通用智能（Artificial general intelligence），使机器具有解决一切人类智能能解决问题的智能。

2. 区别

AI基于硬计算技术

硬计算技术基于计算机可识别的两个值True or False（或1，0）来遵循二进制的逻辑。

问题：现实中我们的自然语言很难转化成0，1这样的两个值组成的绝对项。

CI基于软计算技术

基于模糊逻辑的软计算技术在自然语言转化这方面可能很有作用，通过模糊系统的处理来模仿人脑的推理，将数据聚类形成部分事实。这是CI的独占优势逻辑方式。

AI具有十分清晰的逻辑，包括元素是否在集合中这种绝对性判断。

CI通过模糊逻辑来使元素可以部分包含在集合中，依赖于隶属度来衡量包含的程度。

3. 联系

首先，计算智能是人工智能的一个子集。

‪我们知道计算智能基于的是最底层的数据，不依赖于知识，而人工智能依赖于知识精品（knowledge tidbits）。也因此Bezdek‬认为神经网络更应该被称为计算神经网络而不是人工神经网络，因为神经网络也是基于数据而不是知识。但训练好的人工神经网络模型可以被称为知识。

人工智能 = 知识 + 数据，根据这个公式，有一个智能计算系统以非数据的方式加上知识，就是人工智能。

三、神经网络、模式识别与智能的关系

参考James C. Bezdek1992年发表的论文
《 On the Relationship Between Neural Networks, Pattern Recognition and Intelligence 》

有趣的ABC理论：

A：人造的，非生物。
B：生物的，物理+化学。
C：计算的，数学加人造机器（计算机）

总的来说，CI属于人工智能的较底层，与数据对接，认知层次是最低的。