人工智能与教育报告：政策制定者指南（51页）

行业报告下载 2021年10月19日 06:40 管理员

比较早期的或“传统人工智能”（又称“符号人工智能”、“基于规则的人工智能”或“有效的老式人工智能”，即“GOFAI”）涉及编写如“若……则……（IF... THEN...）”语句序列以及其他条件逻辑规则等计算机完成指令需要采取的步骤。过去几十年里，随着医疗诊断、信用评级和生产制造等领域的广泛应用，此类基于规则的人工智能“专家系统”发展起来。这种“专家系统”是建立在一种名为“知识工程”的方法上。“知识工程”涉及解析和模拟某一具体领域的专家知识——这是一项资源密集型任务，但并非没有复杂的运算。典型的专家系统包含数百条规则，但是通常其逻辑尚算有迹可循。然而，随着各种规则之间的相互作用成倍增加，一旦想要修改或改进，那么对于专家系统来说是颇具挑战性的。机器学习从自然语言处理到人脸识别、无人驾驶汽车……许多新近的人工智能技术进步都离不开基于机器学习的计算方法。机器学习不去运用规则，而是分析大量数据，从中发现规律，在此基础上构建模型，用来预测未来数值。在这个意义上，与其说算法是预先设定好的，不如说算法是在 “学习”。机器学习方法主要有三种：有监督学习、无监督学习和强化学习。有监督学习涉及已有标记的数据，比如经人为标记的成千上万张人物照片。

有监督学习将数据与标记关联起来，构建一个可用于类似数据的模型——比如，自动识别新照片中的人物。在无监督学习中，人工智能工具使用更海量的数据，不过这些数据没有经过归类或标记。无监督学习目的在于发现数据中的隐藏规律，即可用于对新数据进行分类的类簇（cluster）。例如，无监督学习方法可以寻找成千上万个例子中包含的规律，从中自动识别手写字母和数字。不论在有监督还是无监督学习中，数据生成的模型都是固定的，而一旦数据有变，只好再次进行分析。然而，第三种机器学习方法强化学习涉及根据反馈不断完善模型—— 也即是说这个意义上的机器学习是指学习在持续进行中。在一些原始数据基础上，人工智能工具可以生成一个模型，然后被评为“正确”或“错误”，得到相应的奖励或处罚。人工智能工具利用这个强化机制来更新模型，然后再次尝试，进而在一段时间内迭代发展（学习和演进）。例如，如果一辆无人驾驶汽车规避一次碰撞，那么作为幕后功臣的模型会得到奖励（强化），加强自身未来规避类似碰撞的能力。如今，机器学习非常普遍，导致它有时被视为人工智能的同义词，但其实它只是人工智能的一个子集。事实上，仍有许多人工智能应用并不采用机器学习方法，或者说，至少这些应用背后几乎总有某种有效的老式人工智能（基于规则的或符号人工智能）的身影。举个例子，许多常见的聊天机器人应用程序是预先设定好的，编入了人为定义的规则，预设好如何回复预期问题。