人工智能：模型与算法课堂笔记（1）——分类

一、从智能角度对人工智能进行分类

1.领域人工智能

        依葫芦画瓢，任务导向，智能算法只能在大数据的驱动下完成或胜任某个任务，但是完成某项任务的能力很难很快迁引到其他领域。利用的是已有的数据或已有的规则进行学习推理。如AlphaGo、Deep Blue。

2.通用人工智能或跨领域人工智能或强人工智能

         举一反三、从经验中学习，如“人类”智能。智能算法已经学会了学习的能力，可以克服新的任务和挑战。

3.混合增强人工智能

        多中智能体的混合形式，如外骨骼机器人；人类智能+机器智能：达芬奇外科手术机器人；人、机、物、网互联：智慧城市系统。

二、人工智能发展中的主流方法

1.符号主义人工智能为核心的逻辑推理

       所有的知识、概念、实体关系和属性都必须符号化，用知识图谱的形式表现出来。例如IBM的“深蓝”和“沃森”。特点与不足：用规则教，与人类逻辑推理相似解释性强，但是难以构建完备的知识规则库。

2.数据驱动为核心的机器学习

       采集海量的数据，让机器学习相关内嵌的模式，如人脸识别。特点与不足：用数据学，但解释性不强，依赖数据。

3.强化学习

    在“探索（未知空间）与利用（已有经验）”之间取得平衡为核心的强化学习，用问题引导，反馈牵引，从经验中的策略学习。对智能体提问，对智能体的回答进行惩罚或奖励。如机器人、无人汽车。 特点与不足：用问题引导，从经验中进行能力的持续学习，但是非穷举式搜索而需要更好的策略。