对目前AI的一些理论、流派的评述

类脑AI评述

大脑作为已知的最强的智能载体，能够提供很多启示，但是由于人类对大脑的研究还处于非常初级的阶段，所以大多数模仿都是从结构上模仿，而不是从原理上模仿。同时大脑本身的结构和原理也未必完全合理、高效，只是适应进化过程中的环境而产生的。加上组成大脑的神经元、化学物质和电子元件的巨大差异，要模仿大脑是非常困难的，更多只能做到形似而非神似。

知识图谱评述

知识图谱本质上一种存储知识的模式。知识图谱出现之前的知识基本上是一条条独立的句子组成，概念之间缺乏联系，需要阅读者自己在大脑中构建联系。因此研究者想到要让计算机理解知识，也需要让计算机拥有一个“概念网络”，调用和运用知识即通过这个“概念网络”进行计算的过程。使用知识图谱可以更加高效地保存和检索知识，使得不同知识之间存在联系，甚至发现人类无法发现的联系。主要问题有两点：一是大部分知识都是非结构化的形式保存，需要转化为知识图谱的结构化存储，这个过程需要较高的技巧，否则会导致知识转化错误。二是很多复杂的知识无法用简单的概念联系来表示，有些概念之间的联系也非常复杂，需要建立在深刻理解的基础上。

自然语言处理评述

自然语言处理被认为是人工智能领域的明珠，被认为是AI完全（AI-Complete）问题，即机器能够完全理解自然语言也就达到了人类的智能水平，能够理解真实世界的一切。机器不可能脱离真实世界、操纵文字符号也能表现出人类水平的语言理解能力。
主要流派有两个：符号主义和连接主义。符号主义主张基于语法和逻辑，建立基本的规则，使得计算机按照规则处理自然语言处理。连接主义采用统计学思想，通过从大量语料中寻找规律，模拟人类的自然语言。
符号主义的问题主要在于语法和逻辑的规则较多较复杂，而且语言存在歧义、倒装等特殊现象，加上很多规则的运用建立上联想、对比等高级智能的基础上，因此效果有限。连接主义的问题主要在于可解释性差，模型更多是模仿已知语料，而不是建立在理解语义的基础上。

NARS评述

NARS（Non-Axiomatic Reasoning System），即非公理化推理系统，目标是创造通用的“思考机器”，是在国际上具有一定影响力的通用人工智能理论。它的基本假设是智能是在知识和资源不足的情况下对环境的适应能力。因为要适应不断变化的环境，所以NARS认为不存在绝对正确的“公理”，所有信念都可能有现存的或潜在的反例。NARS创造了一种带“频率”和“置信度”的非公理化逻辑（Non-Axiomatic Logic，简称NAL），所有推理都基于该逻辑。在一些实际项目上表现出了一定的自我调整能力，但是存在人工预处理工作量大等问题。

IBM沃森评述

2011年，IBM的沃森参加了Jeopardy!并且战胜了两个人类冠军，它能回答现实世界中真实事物的问题。本质上是存储大量知识的计算机，通过高速检索返回答案。但是它对问题的理解是非常肤浅的，而且推理能力很弱。面对稍微需要理解的问题，沃森仅通过搜索很难找到答案，例如，面对问题“如果把它打进去，你就输掉了比赛”，沃森很难得出“台球的白球”这个答案。