人工智能与教育报告：政策制定者指南（51页）

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。