最近状态一直不是很好，一直没怎么更新，今天假期更新一波
几十年来，各种编程技术的结合使人工智能的进展缓慢 - 偶尔突破，如某些专家，决策和计划系统，掌握国际象棋和危险！这些方法，特别是那些专注于符号表示的方法，通常被称为GOFAI（Good Old-Fashioned AI）。重要的是，他们共享的一个关键特性是应用程序是手工制作和定制设计的：程序员弄清楚如何解决特定问题，然后将他们的见解转化为代码。这基本上代表了“第一波”。
从2010年初开始，大量的训练数据和大量的计算能力（由一些大型参与者）引发了一些特定的30年历史神经网络算法的重新评估。令许多研究人员惊讶的是，在新的创新的帮助下，这种组合迅速地使这些“ 深度学习 ”系统超越了传统方法在几个领域的表现 - 特别是在语音和图像识别方面，以及大多数分类任务。
深度学习（DL）是一种统计学，机器学习（ML）方法，因此与GOFAI非常不同。在DL / ML中，我们的想法是为系统提供训练数据，使其能够“编程”自己 - 无需人工编程！
在实践中，需要大量的人工智能才能使DL系统在现实世界中发挥作用。事实上，这个领域的顶级专家的报酬是顶级程序员的几倍：首先，必须仔细选择，标记和格式化训练数据; 其次，必须选择DL网络的类型和配置才能使用; 第三，需要调整无数的系统参数，以使整个过程有效地发挥作用。所有这些步骤都需要大量的技能，经验和实验。
尽管存在这些困难，但DL在以下几个方面取得了巨大的成功：例如，如果没有它，我们在自动驾驶汽车和Alexa等语音助手中所看到的进步是不可能实现的。毫不夸张地说，深度学习是人工智能的一次革命，投入了数百亿美元来进一步开发和利用这项技术。它值得称为“第二波”。
AI还有很长的路要走。
尽管最近取得了这一进展，但人工智能还有很长的路要走近人类学习，思考和解决问题的能力 - 这一目标被称为AGI（人工智能）。今天的AI非常狭隘和严格。
绝大多数研究人员认为，就一般认知能力而言，目前的技术远不及人类（甚至动物）智力。特别是，今天的AI在交互式（即时）学习方面非常差，适应不断变化的环境，抽象和重用知识和技能（转移学习），推理和语言理解。事实证明，在某些语言任务，推理，计划和解释其行为方面，深度学习实际上不如某些First Wave方法能力强。人们普遍认为目前的DL / ML方法不会让我们接受AGI。
以下是它的一小部分缺点：
第三次浪潮
由于上面提到的限制已经变得越来越明显，一些人工智能人员已经表达了对新范式的需求 - 一些（恰当地，我认为）将其称为第三波。一些引用：
DL首席执行官杰弗里·辛顿：“ 我的观点是全力以赴，重新开始 ”
DARPA的演讲：“ 在第三次浪潮中，人工智能系统本身将构建可以解释世界运作方式的模型。”
Google的DeepMind创始人Demis Hassabis：“[简而言之，] 当代人工智能程序......不那么聪明 ”
另一位人工智能科学家甚至说：“在人工智能的第一波中，你必须成为一名程序员。在人工智能的第二次浪潮中，你必须是一名数据科学家。人工智能的第三次浪潮 - 你越道德越好。“我也写过一些关于。
虽然这种新方法究竟应该包含哪些内容存在一些分歧，但对于实时自主学习，概括和能够抽象地推理和使用自然语言的能力存在很好的共识。我们还需要更复杂，更全面的架构，这也是一种强烈的情绪。
认知架构
类似于深度学习神经网已经存在了几十年的方式 - 并没有为黄金时间做好准备 - 在爆发出有用性和突出性之前，因此认知架构已经潜伏在AI背景中很长一段时间了。我相信，鉴于正确的设计，认知架构可以提供AGI的路径。
这种方法的一个关键特征是它本身就试图解释人类认知的所有相关要求，包括知识表示，广义短期和长期记忆，感知，焦点，目标管理等方面。其他方法开始只有一两个方面的情报，然后尝试在特定的基础上处理缺少的要求。
认知架构方法原则上可以解决许多（如果不是全部）高级认知的要求。以下是基于我们当前技术能够解决的对比图：
过去开发的大多数认知架构都是高度模块化的，例如，利用不同的模块用于短期记忆（STM），长期记忆（LTM），解析，推理，规划等。此外，通常许多这些功能都是功能性的。模块由不同的团队设计，没有太多（如果有的话）整体协调。这是一个严重的限制：他们倾向于不共享统一的数据表示或设计，使得认知功能几乎不可能实时协同地相互支持。
一种更好，实际上必不可少的方法是拥有一个高度集成的系统，允许所有功能无缝交互。例如，正确地解析，理解和吸收句子中的信息（例如，陈述）需要访问STM和LTM，以及目标，上下文，元认知和推理。事实上，彻底的语言理解和持有长期有意义的对话的能力是认知架构优于深度学习的优势最明显的一个领域（见文章）。然而，对于几乎所有其他认知任务，对高度协同功能性交互的需求同样如此。
真正的智能系统可以完成一整套任务。它可以帮助我们应对我们面临的许多困难问题：从疾病和人口老龄化，持续贫困和饥饿，自然和人为灾害，清洁能源和环境问题，到治理和政治挑战。第一波和第二波让我们一瞥AI可能为我们做些什么; 我们期待第三波更充分地发现人工智能的潜力