幾十年來，各種編程技術(shù)的結(jié)合使人工智能的進(jìn)展緩慢-偶爾突破，如某些專家，決策和計(jì)劃系統(tǒng)，掌握國際象棋和危險(xiǎn)！這些方法，特別是那些專注于符號表示的方法，通常被稱為GOFAI（Good Old-Fashioned AI）。重要的是，他們共享的一個關(guān)鍵特性是應(yīng)用程序是手工制作和定制設(shè)計(jì)的：程序員弄清楚如何解決特定問題，然后將他們的見解轉(zhuǎn)化為代碼。這基本上代表了“第一波”。
從2010年初開始，大量的訓(xùn)練數(shù)據(jù)和大量的計(jì)算能力（由一些大型參與者）引發(fā)了一些特定的30年歷史神經(jīng)網(wǎng)絡(luò)算法的重新評估。令許多研究人員驚訝的是，在新的創(chuàng)新的幫助下，這種組合迅速地使這些“深度學(xué)習(xí)”系統(tǒng)超越了傳統(tǒng)方法在幾個領(lǐng)域的表現(xiàn)-特別是在語音和圖像識別方面，以及大多數(shù)分類任務(wù)。
深度學(xué)習(xí)（DL）是一種統(tǒng)計(jì)學(xué)，機(jī)器學(xué)習(xí)（ML）方法，因此與GOFAI非常不同。在DL/ML中，我們的想法是為系統(tǒng)提供訓(xùn)練數(shù)據(jù)，使其能夠“編程”自己-無需人工編程！
在實(shí)踐中，需要大量的人工智能才能使DL系統(tǒng)在現(xiàn)實(shí)世界中發(fā)揮作用。事實(shí)上，這個領(lǐng)域的頂級專家的報(bào)酬是頂級程序員的幾倍：首先，必須仔細(xì)選擇，標(biāo)記和格式化訓(xùn)練數(shù)據(jù);其次，必須選擇DL網(wǎng)絡(luò)的類型和配置才能使用;第三，需要調(diào)整無數(shù)的系統(tǒng)參數(shù)，以使整個過程有效地發(fā)揮作用。所有這些步驟都需要大量的技能，經(jīng)驗(yàn)和實(shí)驗(yàn)。
盡管存在這些困難，但DL在以下幾個方面取得了巨大的成功：例如，如果沒有它，我們在自動駕駛汽車和Alexa等語音助手中所看到的進(jìn)步是不可能實(shí)現(xiàn)的。毫不夸張地說，深度學(xué)習(xí)是人工智能的一次革命，投入了數(shù)百億美元來進(jìn)一步開發(fā)和利用這項(xiàng)技術(shù)。它值得稱為“第二波”。
AI還有很長的路要走。
盡管最近取得了這一進(jìn)展，但人工智能還有很長的路要走近人類學(xué)習(xí)，思考和解決問題的能力-這一目標(biāo)被稱為AGI（人工智能）。今天的AI非常狹隘和嚴(yán)格。
絕大多數(shù)研究人員認(rèn)為，就一般認(rèn)知能力而言，目前的技術(shù)遠(yuǎn)不及人類（甚至動物）智力。特別是，今天的AI在交互式（即時(shí)）學(xué)習(xí)方面非常差，適應(yīng)不斷變化的環(huán)境，抽象和重用知識和技能（轉(zhuǎn)移學(xué)習(xí)），推理和語言理解。事實(shí)證明，在某些語言任務(wù)，推理，計(jì)劃和解釋其行為方面，深度學(xué)習(xí)實(shí)際上不如某些First Wave方法能力強(qiáng)。人們普遍認(rèn)為目前的DL/ML方法不會讓我們接受AGI。
以下是它的一小部分缺點(diǎn)：
第三次浪潮
由于上面提到的限制已經(jīng)變得越來越明顯，一些人工智能人員已經(jīng)表達(dá)了對新范式的需求-一些（恰當(dāng)?shù)?，我認(rèn)為）將其稱為第三波。一些引用：
DL首席執(zhí)行官杰弗里·辛頓：“我的觀點(diǎn)是全力以赴，重新開始”
DARPA的演講：“在第三次浪潮中，人工智能系統(tǒng)本身將構(gòu)建可以解釋世界運(yùn)作方式的模型。”
Google的DeepMind創(chuàng)始人Demis Hassabis：“[簡而言之，]當(dāng)代人工智能程序......不那么聰明”
另一位人工智能科學(xué)家甚至說：“在人工智能的第一波中，你必須成為一名程序員。在人工智能的第二次浪潮中，你必須是一名數(shù)據(jù)科學(xué)家。人工智能的第三次浪潮-你越道德越好。“我也寫過一些關(guān)于。
雖然這種新方法究竟應(yīng)該包含哪些內(nèi)容存在一些分歧，但對于實(shí)時(shí)自主學(xué)習(xí)，概括和能夠抽象地推理和使用自然語言的能力存在很好的共識。我們還需要更復(fù)雜，更全面的架構(gòu)，這也是一種強(qiáng)烈的情緒。
認(rèn)知架構(gòu)
類似于深度學(xué)習(xí)神經(jīng)網(wǎng)已經(jīng)存在了幾十年的方式-并沒有為黃金時(shí)間做好準(zhǔn)備-在爆發(fā)出有用性和突出性之前，因此認(rèn)知架構(gòu)已經(jīng)潛伏在AI背景中很長一段時(shí)間了。我相信，鑒于正確的設(shè)計(jì)，認(rèn)知架構(gòu)可以提供AGI的路徑。
這種方法的一個關(guān)鍵特征是它本身就試圖解釋人類認(rèn)知的所有相關(guān)要求，包括知識表示，廣義短期和長期記憶，感知，焦點(diǎn)，目標(biāo)管理等方面。其他方法開始只有一兩個方面的情報(bào)，然后嘗試在特定的基礎(chǔ)上處理缺少的要求。
認(rèn)知架構(gòu)方法原則上可以解決許多（如果不是全部）高級認(rèn)知的要求。以下是基于我們當(dāng)前技術(shù)能夠解決的對比圖：
過去開發(fā)的大多數(shù)認(rèn)知架構(gòu)都是高度模塊化的，例如，利用不同的模塊用于短期記憶（STM），長期記憶（LTM），解析，推理，規(guī)劃等。此外，通常許多這些功能都是功能性的。模塊由不同的團(tuán)隊(duì)設(shè)計(jì)，沒有太多（如果有的話）整體協(xié)調(diào)。這是一個嚴(yán)重的限制：他們傾向于不共享統(tǒng)一的數(shù)據(jù)表示或設(shè)計(jì)，使得認(rèn)知功能幾乎不可能實(shí)時(shí)協(xié)同地相互支持。
一種更好，實(shí)際上必不可少的方法是擁有一個高度集成的系統(tǒng)，允許所有功能無縫交互。例如，正確地解析，理解和吸收句子中的信息（例如，陳述）需要訪問STM和LTM，以及目標(biāo)，上下文，元認(rèn)知和推理。事實(shí)上，徹底的語言理解和持有長期有意義的對話的能力是認(rèn)知架構(gòu)優(yōu)于深度學(xué)習(xí)的優(yōu)勢最明顯的一個領(lǐng)域（見文章）。然而，對于幾乎所有其他認(rèn)知任務(wù)，對高度協(xié)同功能性交互的需求同樣如此。
真正的智能系統(tǒng)可以完成一整套任務(wù)。它可以幫助我們應(yīng)對我們面臨的許多困難問題：從疾病和人口老齡化，持續(xù)貧困和饑餓，自然和人為災(zāi)害，清潔能源和環(huán)境問題，到治理和政治挑戰(zhàn)。第一波和第二波讓我們一瞥AI可能為我們做些什么;我們期待第三波更充分地發(fā)現(xiàn)人工智能的潛力。
