蓝盟IT小贴士，来喽！
从70年的人工智能研究中，我们得到的很大的教训是，最大限度地利用修正能力的一般方法毕竟是最有效的方法，有很大的优点。 其根本原因是摩尔定律，更确切地说是摩尔定律以指数形式持续降低单位成本的现象传播。
许多人工智能研究已经在代理可纠正的恒定状况下进行，其中利用人的知识是提高性能的唯一方式。 这必然需要大量的修正算法，比一般的研究项目要花费一些时间。 为了在短时间内取得很大的进展，研究人员试图利用这个领域现有的人类知识，但是长期来看，真正有用的只有订正算法。
两者不必对立，但在实践中往往如此。 研究这个需要时间，另一个被忽略。 这就像是投资中的心理承诺。 人的知识方法容易复杂化，不利于用修正算法这样的方法发挥很大的作用。 很多例子表明，人工智能研究者对这一悲惨教训的认识太慢，其中最典型的例子给我们带来启发。
计算机围棋也有类似的研究进展模式，只落后20年。 最初利用人类的知识和游戏的特性，尽量避免了检索，但是如果大规模地有效地使用检索的话，所有的努力都白费了。
同样重要的是，通过自我对抗游戏(self-play )学习价值函数(像其他许多游戏和国际象棋一样，1997年第一次打败世界冠军时没有什么用处)。 基于自我游戏的学习和通用学习就像探索，能够实现大量的修正算法。
检索和学习是人工智能研究中利用大量订正算法的两项最重要的技术。 计算机围棋像计算机象棋一样，研究者最初试图用人的理解力达到目的，但是要长期接受搜索和学习，取得了更大的成功。
在语音识别领域，20世纪70年代美国国防部高级研究计划局开始了语音识别竞赛。 参加作品多利用词汇知识、音素知识、人的频道知识等利用人的知识的特殊方法。 同时，基于隐马尔可夫模型(HMMs )的新方法本质上是更保守的且校正量也更大。
文/上海蓝盟 IT外包专家
中文
电话咨询
微信咨询
公众号
