原文：
www.kdnuggets.com/2018/08/ai-knowledge-map-classify-ai-technologies.html
评论
我在人工智能领域待了很长时间，知道存在多种分类、区分、景观和信息图来表示和追踪不同的 AI 思维方式。然而，我并不是这些分类工作的忠实粉丝，主要因为我倾向于认为将动态数据点分类到预定的固定框中，往往不值得拥有这样一个“清晰”框架的好处（这当然是一个概括，有时这些分类确实非常有用）。
我还认为这个景观对新手一目了然地把握复杂性和深度是有用的，对于那些更有经验的人来说，也可以作为一个参考点，并围绕特定技术展开新的对话。
接下来是一个努力绘制知识获取架构的过程，用于跟踪新兴动态，这是一个关于该主题的预存在知识的入口，将允许你探索额外的信息，并最终创建新的 AI 知识。我称之为AI 知识地图（AIKM）。
AI 知识地图。我与战略创新咨询公司Axilo合作开发了 AIKM，用于他们 Chôra 平台上的活动。
在坐标轴上，你会发现两个宏观类别，即AI 范式和AI 问题领域。AI 范式（X 轴）是 AI 研究人员用来解决特定 AI 相关问题的方法（包括最新的方法）。另一方面，AI 问题领域（Y 轴）是 AI 历史上可以解决的问题类型。从某种意义上说，它也表示了 AI 技术的潜在能力。
因此，我已识别出以下 AI 范式：
-
基于逻辑的工具：用于知识表示和问题解决的工具
-
基于知识的工具：基于本体论和大量概念、信息和规则的工具
-
概率方法：允许代理在信息不完全的场景中行动的工具
-
机器学习：允许计算机从数据中学习的工具
-
具身智能：工程工具箱，假设需要一个身体（或至少一部分功能，如运动、感知、互动和可视化）才能实现更高的智能
-
搜索和优化：允许智能搜索多种可能解决方案的工具。
这六种范式也分为三种不同的宏观方法，即符号主义、亚符号主义和统计学（以上用不同的颜色表示）。简而言之，符号主义方法认为人类智能可以简化为符号操作，亚符号主义方法则是没有提供具体的知识表示，而统计学方法则基于数学工具来解决特定的子问题。
垂直轴则展示了人工智能所解决的问题，这里的分类相当标准：
-
推理：解决问题的能力
-
知识：表征和理解世界的能力
-
规划：设定和实现目标的能力
-
沟通：理解语言和进行交流的能力
-
感知：将原始感官输入（如图像、声音等）转化为可用信息的能力。
这些框的模式将技术分为两组，即狭义应用和广义应用。所用的词汇是故意这样选择的，但可能会显得稍有误导……请稍等片刻，我来解释一下。对于任何刚开始接触人工智能的人来说，了解弱人工智能/狭义人工智能（ANI）、强人工智能/广义人工智能（AGI）和人工超智能（ASI）之间的区别是至关重要的。为了清晰起见，ASI 目前只是一个推测，广义人工智能是研究人员的最终目标和圣杯，而狭义人工智能则是我们今天所拥有的，即一组无法处理其范围之外任何事务的技术（这也是与 AGI 的主要区别）。
图表中使用的两种线型（实线和虚线）明确指出了区分，以帮助你在阅读其他入门级人工智能材料时增加一些信心。然而，同时，这里的差异描绘了那些只能解决特定任务的技术（通常比人类做得更好——狭义应用）与那些可以解决多种任务的技术（未来或现在——与世界互动，通常比许多人类做得更好——广义应用）。
最后，让我们看看图表中的内容。在地图中，展示了不同类别的人工智能技术。请注意，我有意没有具体列举算法，而是将它们聚类为宏观组。我也没有提供什么有效和无效的价值评估，而只是列出了研究人员和数据科学家可以使用的内容。
那么你如何阅读和解释这个图谱呢？让我给你两个例子。比如自然语言处理，它包含了一类算法，这些算法结合了基于知识的方法、机器学习和概率方法来解决感知领域的问题。同时，如果你查看逻辑基础范式和推理问题交汇处的空白区域，你可能会想为什么那里没有技术。图谱传达的意思不是说没有方法可以填补这个空白，而是当人们处理推理问题时，他们更倾向于使用机器学习等方法。
这里是一些技术的列表：
-
机器人过程自动化 (RPA)：一种通过观察用户执行某个任务来提取规则和操作列表的技术。
-
专家系统：一种具有硬编码规则的计算机程序，用于模拟人类决策过程。模糊系统是基于规则的系统的一个具体示例，它将变量映射到 0 和 1 之间的连续值，而传统的数字逻辑则产生 0/1 的结果。
-
计算机视觉 (CV)：获取和理解数字图像的方法（通常分为活动识别、图像识别和机器视觉）。
-
自然语言处理 (NLP)：处理自然语言数据的子领域（这个领域包括三个主要部分，即语言理解、语言生成和机器翻译）。
-
神经网络 (NNs 或 ANNs)：一种 loosely modeled after the neuronal structure of the human/animal brain 的算法，它在没有明确指示如何执行的情况下提升性能。NNs 的两个主要且知名的子类别是深度学习（一个具有多层的神经网络）和生成对抗网络（GANs——两个相互训练的网络）。
-
自主系统：一个处于机器人技术和智能系统（例如智能感知、灵巧物体操控、基于计划的机器人控制等）交汇处的子领域。
-
分布式人工智能 (DAI)：一种通过将问题分配给相互互动的自主“代理”来解决问题的技术类别。多代理系统 (MAS)、基于代理的建模 (ABM) 和群体智能是这个子集的三个有用规格，其中集体行为来源于去中心化自组织代理的互动。
-
情感计算：一个处理情感识别、解释和模拟的子领域。
-
进化算法（EA）：这是一个更广泛计算机科学领域的子集，称为进化计算，使用受生物学启发的机制（例如，突变、繁殖等）来寻找最佳解决方案。遗传算法是 EA 中最常用的子群体，它们是遵循自然选择过程来选择“最适合”候选解决方案的搜索启发式算法。
-
归纳逻辑编程（ILP）：一个子领域，使用形式逻辑来表示事实数据库并从这些数据中提出假设。
-
决策网络：是最著名的贝叶斯网络/推理的一个推广，表示一组变量及其通过图示（也称为有向无环图）的概率关系。
-
概率编程：一个不强制你硬编码特定变量的框架，而是与概率模型一起工作。**贝叶斯程序合成（BPS）**在某种程度上是一种概率编程形式，其中贝叶斯程序编写新的贝叶斯程序（而不是由人类编写，如在更广泛的概率编程方法中）。
-
环境智能（AmI）：一个框架，要求物理设备进入数字环境，以在对外部刺激（通常由人类行为触发）做出响应时感知、感知和以上下文意识作出反应。
为了解决特定问题，你可能会采用一种或多种方法，这也意味着一种或多种技术，因为许多技术是相互补充的而非相互排斥的。
教授计算机如何在无需明确编程的情况下学习是一项艰巨的任务，这涉及到多种技术以应对多个细节问题，尽管这个图示远非完美，但至少是对混乱局面的第一次尝试进行的解释。
我意识到这里出现了强大的帕累托原则，即当前 80%（甚至更多）的努力和结果是由图示中的 20%技术（即深度学习、自然语言处理和计算机视觉）驱动的，但我也相信拥有全面的视角可能会对研究人员、初创公司和投资者有所帮助。
我欢迎对这个初版本的反馈，并计划采取两个额外步骤：一个是为 AI 面临的挑战类型创建一个层次（例如，记忆问题和灾难性遗忘、迁移学习、从较少数据中学习如零样本和一例学习等），以及可以用来克服这些特定问题的技术。第二个是应用不同的视角来审视各种技术，而不是解决它们所解决的问题，而是它们所创造的问题（例如，伦理问题、数据密集型问题、黑箱和可解释性问题等）。
个人简介：Francesco Corea 是一位基于英国伦敦的决策科学家和数据策略师。
原文。经许可转载。
相关：
-
人工智能分类矩阵
-
13 个关于人工智能的预测
-
人工智能简史
1. Google 网络安全证书 - 加速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的 IT 工作