下载掌阅APP，畅读海量书库
立即打开
1956年，在达特茅斯的研讨会上，不同领域的参会者对采用何种方法来研究人工智能产生了分歧。数学家提倡将数学逻辑和演绎推理作为理性思维的语言；另一些人则支持归纳法，这是一种运用程序从数据中提取统计特征，并使用概率来处理不确定性的方法；其他人则坚信应该从生物学和心理学中汲取灵感来创造类似大脑的程序。令人惊讶的是，这些不同研究方法的支持者之间的争论一直持续到了今天，每一种方法都形成了自己的一套原则和相关技术，它们又通过在各自领域的专业会议和期刊上传播得以巩固，但这些有待深入研究的领域之间却几乎没有交流。2014年，有一篇人工智能调研文章对此总结道：“因为我们并未深入了解智能，也不知道如何创造通用人工智能，因此，想要真正取得进展，我们应当拥抱人工智能‘方法论的无政府状态’，而不应切断任何一种探索途径。” 14
2010年以后，有一类人工智能研究方法已经超越这种“无政府状态”成了主流的人工智能研究范式，那就是深度学习，其工具就是深度神经网络（deep neural network，DNN）。事实上，在大众媒体上，“人工智能”这一术语基本上已经等同于深度学习了，然而，这是一种令人感到遗憾的、不准确的描述，我需要澄清这两者之间的区别。人工智能是一个包括广泛研究方法的领域，其目标是创造具有智能的机器，而深度学习只是实现这一目标的一种方法。深度学习本身是机器学习领域众多研究方法中的一种，后者又是人工智能的一个子领域，着重关注机器从数据或自身的“经验”中进行学习。为更好地理解这些不同领域的区别，了解早期人工智能研究领域出现的一个哲学分歧是很重要的，那就是所谓的符号人工智能和亚符号人工智能之间的分歧。