全文共2985字，学习时间为15分钟，随着神经网络等连接主义技术的广泛运用，其强敌符号主义AI的战略互补性越来越突出，主要适用于任务关键型应用，具有动态调试、可验证性、可说明性等特点

每当这两者旗鼓相同、正面对立时，人们就会立刻选择阵营，向喜欢的人挥动旗子，攻击另一方。 过去，人工智能技术分为符号主义AI和连接主义AI两个阵营。 由于最近的成功事例和媒体的宣传，联结主义现在占了很大的优势。 有人散布虚假信息说人们不再关注传统的AI研究和发展，停止提供资金。

事实上，符号主义和联结主义在人工智能领域有自己的地方。 人工智能的算法没有一个杀手锏，就像欧洲传说中的银色子弹一样，能够像打扰一样迅速分散所有的技术难题，试图用同样的算法一次性解决问题，只不过是一个梦想。 尺寸短，长尺寸，对症下药是王道。

何为符号主义AI？

符号主义有时也会变成GOFAI (优秀的旧式人工智能)。 当然，这绝不意味着这项技术过时了，死了。 符号主义是对相关问题进行建模的经典手段，通过该模型处理输入数据，从而求解。

符号主义技术的普及和发展呼声不断高涨。 越来越多的人认识到高风险决策领域对人工智能系统的需求，因此这些系统的运行需要可验证性和可解释性，这正是联结主义算法的短板。

基于符号主义的系统需要演绎归纳、逻辑推理和在特定模型下求解的搜索算法。 它包括一个约束求解器，通过专家系统、规则和决策树从输入数据中推导出结论；以及一个计划系统，它从一些初始状态值中找出一系列操作以实现特定的可能性求解的特定目标。 此外，该系统通常还包含控制不确定性和风险的变量。

井架游戏中的极大极小游戏树

这个算法往往很复杂，可能是NP难题，也可能更糟。 因此，要解决一些现实问题，这些算法需要很大的搜索空间。 这意味着除了小范围的人为限制的例子外，经典的盲目搜索穷举法是行不通的。 因此，这个最不可能求解的路径要么被排除在搜索空间之外，要么很久没人被海啸淹没了。

符号主义的参与非常广泛。 分支定界算法适用于启发式算法无法解决的最优化问题——约束满足问题。 该算法利用上界和下界将解空间分割为一个个分支，并在这些分支中找出可行的解。 局部搜索算法研究最终值的近似值，并不断对其进行修正，但在评价过程中有时会随机跳跃邻域以避免局部最优解。 元启发式算法非常广泛，其中演化算法模拟自然界中的分布和合作机制，如自然选择和拟群行为。

启发式搜索算法利用评价函数判断当前状态与目标状态之间的差距，用估计方式进行评价比求具体值更省力。 松弛算法是一种与任务域无关的启发式算法，其重点在于提高处于更松弛约束范围内的评估效率，而不考虑特定约束(或现实中可能存在的故障)。 松弛算法具有指导作用，有助于在搜索中的各个决策点上做出更多的知情决定。 优秀的启发式算法具有可接受性(不高估成本)和信息性，求最优解)，但这种启发式算法并不是每次都行得通的。 对于复杂的问题来说，找到满足所有限制条件的可行的解(即使不是最优解)，相当于给大海找针。

使用A^启发式搜索寻找最短路的地方

虽然符号主义AI技术可以处理部分不可观察概率模型，但这些技术并不适用于有噪输入信号，也不适用于无法精确建模的场合。在那些可以准确判断出特定条件下特定动作利弊与否的场合中，它们会更有效。此外，算法系统还要提供适当的机制来实现清晰的规则编码与规则执行。

符号主义算法会剔除不符合特定模型的备选值，并能对符合所有约束条件的所求值做出验证，以后者而言，符号主义AI远比联结主义AI便捷。因为符号主义AI几乎或根本不包括算法训练，所以这个模型是动态的，能根据需要迅速调整。

何为联结主义AI？

联结主义AI取名自网络拓扑学。联结主义AI中知名度最高的是人工神经网络技术（ANN）。它由多层节点（即神经元）组成，这些节点可处理输入信号，并通过权重系数实现彼此的联结，并相互挤压形成下一层。支持向量机（SVMs）也属于联结主义AI。

人工神经网络大小不一，形状各异，包括卷积神经网络（擅长图像识别与位图文件分类）与长短期记忆网络（主要应用于时间序列分析等时间类问题）。深度学习与人工神经网络有着异曲同工之妙。

人工神经网络的一个神经元（图片来源：维基百科）

该技术的关键在于，用户无需指定模拟领域的规则，神经网络可以从训练数据中自行摸索。用户只需提供输入数据与输出数据采样（数据采样规模越大种类越多，效果则越好）。联结主义算法不断采用回归模型来调节中间变量的权重系数，直到找到最优模型为止。它通过梯度下降算法来调整权重，将所有训练数据点的累积误差最小化。

因为这些技术是有效的误差最小化算法，所以它们天生具有抗噪性，能消除异常值并将所得数值收敛于误差范围以内。

这些算法并不需要一个包罗万物的普适模型，只要有足够的样本数据，便可从统计学意义上自行推导出那个模型。这既是联结主义算法的长处，也是它的软肋。输入特征必须谨慎选择，并通过规范化、精细化处理来避免某一个特征喧宾夺主。此外，输入特征还要预处理，这对数据分类来说意义重大。

特征工程这个技术，个中自有奥秘，它是机器学习项目能否成功的关键因素。特征过多，或是没有一个能够涵盖所有特征全排列的代表性数据集，就会导致过拟合或欠拟合。就算在最资深的数据科学家帮助之下，你也可能对手头上的数据质量一筹莫展。这些技术也会受维数灾难的影响，输入特征越多，得出无效值的风险也就越大。

正在筛选特征的数据科学家——Artem Maltsev（图源Unsplash）

数据驱动算法默认自己得出的普适模型具有相对稳定性。如果该算法所解决的问题规则变动不大，或是变化速率慢到足以收集新数据，实现再训练，适应新形势，那还是十分有效的。图像识别就是一个教科书级别的成功案例，那是因为热狗的外形轮廓很可能是数年如一日，几乎没有变化。

HBO摄/ Twitter.com/TechatBloomberg

鱼和熊掌须得兼

算法的选择取决要具体问题具体分析。如今错误的选择很普遍，要么是由于媒体对某种算法的大肆宣传导致用户判断失误，要么是由于人们对AI算法缺乏宏观上的认识。常言道, “手里拿个锤子，瞅谁都像钉子。”但是，身边的一切终究不全是钉子，选择正确的算法，必须有的放矢，对症下药。

随着AI在生活各方面的重要性与日俱增，其要求也越来越复杂，一个应用越发需要多种算法的协同运作。经传感器收集得到的含噪数据需经过ANN处理，才能得到与环境相关的离散数据，而符号主义算法会用那些数据来搜索可能的动作空间，这些动作空间会在一个更抽象的逻辑层面实现一些给定目标。

在一定概率水平内，机器学习算法可以很有效地判断无人驾驶汽车的周边路况，但如果因为训练数据样本中没有合理考虑到某种情形而导致汽车开下悬崖，那这种误差便是不可接受的。进一步而言，将深度学习用在任务关键型应用上是极具挑战性的。比如，一辆无人驾驶的摩托车会因翻到在地而错误地打开了减速伞——所以深度学习的发展任重道远。

覆盖符号约束系统可确保符合逻辑的操作得到有效执行，这能规避因统计性偏差或传感器度数异常而引发的深度学习层判断失误。对于诸如发电站管理，列车调度，自动驾驶系统，空间应用等高风险决策领域而言，这一点愈加重要。上述系统一旦分类失误，所造成的破坏性影响可远比安利错一部电影要严重得多。

联结主义AI与符号主义AI的有机结合能让彼此扬长补短。固守一家所带来的弊端世人早已有目共睹。最新研究显示，两者的集大成者将使AI求解更加智能。

留言 点赞 关注

我们一起分享AI学习与发展的干货

欢迎关注全平台AI垂类自媒体 “读芯术”