人工智能、模式识别领域最终是否会被一种本质、通用的算法主导？-CSDN博客

我是做编程和音频信号处理的，从去年开始因为工作的关系接触了一些人工智能的算法，对此很感兴趣，但时间不允许都没有深入了解，只是泛泛地了解了一下。有个问题是为什么这个领域存在如此多的原理不同的算法？

举个例子,比如线性滤波器设计可以通过卷积的方法,傅里叶分析,线性微分方程等方法来设计,但这些方法实际上无论从感性解释到数学形式,都可以互相转化. 本质上我觉得它们是同源的.

但又比如识别一个音频信号,至少能有SVM,人工神经元,进化算法三种算法来设计,这三种算法在我看来从原理上完全不同,计算方法也不大相同,数学形式也很难互相转化,然后最后准确率都差不多。

为什么会有这样的现象出现? 这是否意味着这些算法实际上都不是人工智能的"本质"? 是否意味着在将来可能存在一个统一的比这些算法更加本质的算法能够完全包含这些算法?

其实我也没有要问强人工智能能否实现的问题,因为我觉得即使是现有的算法,能实现
像siri或者自动驾驶之类的成果已经很有价值了,我想问的就是现有的这些算法为什么不是
像力学不管什么力学都离不开牛二一样,从同一个理论基础发展出来,反而有点各自为战的感觉?

是什么导致了这种现象,是否说明这些算法其实都不是非常完善的算法? 是否意味着在将来可能存在一个统一的比这些算法更加本质的算法能够完全包含这些算法?

知乎用户

79 人赞同了该回答

很有意思的观点。之前有从这个角度思考过这个问题，稍微说一下自己的想法吧。

"General Purpose AI"一直是每个研究AI人的梦想。但是到目前为止都没有任何“阶段性”的研究成果清晰地指向机器主动思考的可能性。

这个结论有两个互相纠缠的前提，即这个问题“有一个正确的答案”，和“主动思考有明确的定义”。题主你的问题大概是前者，即“有没有一个算法，或系统，或一个理论体系可以直接或间接的指向机器主动思考的可能性"。以下为我的答案：
______________________________
简洁的答案：
据我所知，这个问题所对应的命题尚未有证明或证伪。(以及很多reference懒得贴了）

______________________________
不那么简洁的答案：
考跪了midterm来答题。

大堆的AI史话略过不表。根据我的理解现在AI的大方向(approach)分四种，而这四种方式分别代表了现在人们对人类大脑运作方式的不同理解。

首先是楼主所提到的模式识别。模式识别大体来讲就是统计学习(Statistical Learning)。由很多很多很多的数据来对一个现实世界或虚构的系统建模。这个系统可以非常非常简单，比如观察一个伪随机数生成器(pseudo-random number generator)。一个简单的机器学习程序可以很快的从取得的随机数中找到模式并建成一个数值分布(gaussian, poisson, chi-square, etc)。这个系统也可以非常复杂，比如基于机器学习的天气与灾害预报。在一个不仅看似混沌(chaotic)而且真的很混沌的系统里寻找模式对于现代计算机几乎是不可能完成的任务，不过还是有人在坚持不懈地做这件事情而且赚了很多很多钱发了很多很多paper... (RenaissanceRe)。

而这个approach的思想本源(or analogy from human brain, either way)就是人类的模式识别能力。举个简单的栗子：一个人出生的时候并不知道这个世界的物理定律，比如看到一辆车和另一辆车相互迎头行驶，一个生活在现代社会切智力正常的人会马上会想到这两辆车会相撞并且脑补出各种液体横流的惨状。而一个相同智力（思维能力，非知识）的刚出生的人（咦？）却不会想到这些。为什么呢？以为那个正常的人已经有了一系列的模式识别能力，例如车不会在那么短的距离停下来，车的方向不会突然发生很大的改变，一个物体不会凭空消失，驾车的人受到那么大冲击肯定会受伤等等等等。那么人类到底是怎样完成模式识别的呢？一些人人为人类的模式识别其实是基于贝叶斯模型为首的统计学模型的(Bayesian approaches to brain function)，也就是说模式识别主要依赖观察相同类型(category)的事件发生多次而产生的，也就是现在大部分机器学习采取的方式，俗一点就是大数据。。。(喂

而另一些人则不这么想。他们认为虽然这个世界是连续的(continuous)，但是人类的思维方式确实基于逻辑 (这里指广义的logic即reason而非数学上的logic）的，即离散的(discrete)。理由同样也很简单，一个栗子： “最然没有亲眼看到过地球是圆的，人们还是相信它是圆的。” 而之前提到的模式识别也并非观察相同事件多次那么简单，而是理性思考中的总结归纳(categorization)这一功能。基于这个想法所产生的AI approach就是Symbolic Reasoning（符号处理）。把英文解释放前面是因为感觉这个的中文名很有误导性。从AI这个领域诞生开始对于Symbolic Reasoning的研究就没有停止过。经过数十年的努力，至今没有很大的突破所以到上世纪八十年代这个领域就逐渐没落了。这个领域中一个非常著名的体系是First Order Logic（一阶逻辑，这什么烂翻译...），有兴趣可以去看看。
插一句：个人认为这个approach，即人类思维是由逻辑主导的是有理论及实际依据的。不谈康德休谟一系列哲学家对于这个问题上千年的探索，Noam Chomsky对于语言学的研究在这个领域其实很有借鉴意义。他提出的Universal Grammar就是在探索为什么虽然不同文化的发源地不同且互相没有交流，它们的语言有一些最核心的结构是相同的。这代表了人类对于这个世界的认知的方法很大一部分是prior的(找不到合适的中文词）而不是后天习得的。如果撇开灵魂这种虚无的东西不谈，这些先天具备的东西更像是由人类的生物构造产生的。

这里说生理构造其实就是大脑的构造。对于大脑运行方式的研究带来了第三种AI的approach，即用软硬件模拟大脑在生理层面上的运行方式以期带来智能。模拟大脑的运行方式是一个经久未衰的研究题目。尝试从未停止过。近些年来随着科技的发展，我们已经能很细致的观察到生物大脑在微观层面上的运行方式，这为完整复制大脑带来了理论依据。之前模拟大脑很大的一个困难其实是大脑运行方式本身，因为大脑其实就是一个超多核CPU，每个神经元都是独立运作而不是靠一个”中央处理器指挥的“。而用现代计算机模拟如此数量极的并行计算几乎不可能。随着电子元件的普及化，现今用极小极便宜的单片机堆成一个类大脑的超多核处理器也不是不可能的事（有兴趣请戳这个研究项目：http://www.artificialbrains.com/spinnaker）。虽然这是个看似非常可行而且有依据的approach，但是我认为它也是最不着边际的方法。理由如下：即使能够用电子元件构造大脑完整的生理结构，难道要插上电源之后等着智能有一天在电子的碰撞中产生出来吗？当然不能，所以要有与这种处理器相应的算法。谁来想出这些算法呢？人类自己。人类要想出能运行如此复杂计算机以期模拟自己思考的算法？。。。我觉得不大可能。当然啦还是有很多人觉得这个是一个非常可行的方法的，包括高通高通将于明年推出民用神经形态处理器——仿生设计像人脑一样根据实时信息调整算法，以及Google Solidot | Google收购人工智能公司Deep Mind。各路大神也在nature上对这个方法有过评价：
（请戳 http://www.gatsby.ucl.ac.uk/~demis/TuringSpecialIssue(Nature2012).pdf）
另黑一句:虽然深度学习用的算法叫神经网络，它跟真正大脑里的神经网络关系却没多大。上周LeCun还来学校里做了演讲，黑的deep learning是"a great fake"...

最后一个方法其实不算一个方法，却是至今为止成效最大的方法，即站在巨人的肩膀上(Stand on the shoulder of giants)。。。 : D

好吧我是指IBM的Watson。作为目前世界上最有效的人工智能系统，它所采用的方法包括了之前所概括的所有方法以及各种各样其它的方法。它的数据采集部分包括了模式识别和符号计算，决策部分和语义分析部分包括了专家系统(Expert System)以及其它算法（好吧其实我也没有细看有哪些其他算法）。Watson的成功给我们带来了一个全新的角度：没准真正的人工智能是又很多很多复杂或简单的算法堆起来的呢~\(^o^)/~。

啊第一次写这么长的答案呢。

其实还有个总结，今天没空写了。改天有空来补完。

凡心

人工智能民科 / dengfanxin.cn

3 人赞同了该回答

当前很多人工智能专家拥有这个观点，初衷大致是源于对人大脑新皮层的统一性认识。
目前很多前沿的理论研究也在试图做到这一点，比如Google Deepmind的Nerual Turing Machine，Numenta的Herachical Tempral Memory
而反过来看，机器学习领域的研究者们并不是特别关心类人智能而是倾向于回答统计学的要求，所以svm，lstm，deep learning之流的模型并没有按照实现类人智能的目标去设计，所以不能归于此类。

但这个时候不在适宜叫统一算法了，应该是一个清晰简明的结构化设计，既包括一些基础性反复使用的算法，也包括基础型组件模型，也包括基础性关系模型，总之，我相信类人智能的终极结构是一个有通用算法，通用组件的结构化模型。

至于你所说的特定领域的所谓智能问题，某些时候特定的算法去解决效果更好，不一定要用类人智能通用算法，就好比人也可以完成人脸识别任务，但在某些人脸识别任务上还不如现有的算法又快又准。

百得

对世界好奇

1 人赞同了该回答

人工智能和模式识别相比，就象真人与相片之间的差距。

我所认为的人工智能是人类采用非自然方法实现自我意识这种，在这个层面上，我认为存在一套通用的算法以及内在机制而实现人工智能。

今天太晚了，我没耐性回答，只想打个比方：幼儿园里的小朋友就是身怀一套通用算法及内丰机制的人，长大以后，他们各自发展出不同的专长和本领……

这套通用的玩意是什么呢？是学习、知识归纳、知识再学习、逻辑、多道推演互相观察、互相演进、多角度、多目的敲打事实等等的基本逻辑能力

知乎用户

2 人赞同了该回答

这个想法挺好，但可惜只是幻想。高票答案说没证明，呵呵这还需要证明么？认真学过计算原理的人都明白计算机背后的极限在哪。

题主说的通用算法，这东西就等价于一个通用“人”机了。这通用人机是什么意思呢，就是通用图灵机的人类版。这个通用机代表什么呢，能够将任何一个人进行编码，输入通用人机，通用人机可以模拟这个人的任何行为。也就是说这个通用人机的能力不低于任何一个人。而这种模拟能力，人类也无法做到吧。
如果要证明，计算机的极限是通用图灵机，通用图灵机的极限等价于递归可枚举语言，递归可枚举语言是形式语言的子集，形式语言是自然语言的子集。而人类的极限在自然语言，所以图灵机无法模拟人类。

PS.开一下脑洞，假设人类可以创造一台比自己还要聪明的通用机器，那么这台通用机器就可以制造一台比他更聪明的机器，以此下去就可以发展成为无限聪明的机器了。听起来似乎蛮有趣。

PSS 假设人类可以造和自己一样聪明的机器，那么也就意味着人类可以制造人类，（当然不是用ooxx的办法），那么意味着人类的能力和创造人类的上帝能力等价。所以上帝等价于人类等价于机器。似乎更有趣了……

苏纵

3 人赞同了该回答

最近有学习机器学习相关的知识，不请自来的回答一下吧。

我对题主问题的理解是，有没有这样一种算法，它可以像大统一理论统一四大基本力一样统一所有算法，或者能够像无相神功模拟天下武学一样模拟达到所有算法的效果。如果是前者，据我所知，没有。如果是后者，现在已经有了，多层神经网络可以无限逼近任意连续函数。

多层神经网络可以任意精度逼近任意函数的论文我忘了是哪篇了，不过确实是被理论证明了的。所以神经网络在理论上是可以替代现有的所有其他方法的，但是问题是计算量太大，而且容易陷入过拟合。神经网络的出现曾经带来了80年代人工智能的热潮，但因为求解方法的落后，所以很快跌入低谷。06年深度学习的概念被提出，本质上是一种先进巧妙的神经网络求解方法，人工智能又再次出现热潮。又加上大数据的推波助澜，直到现在，这股热潮还在继续。

个人觉得，神经网络一定会主导人工智能和模式识别。但是因为效率问题，其他算法在某些专业领域也是不可替代的。就像现在通用处理器(电脑、手机、平板、服务器的cpu)占据了主流地位，但是一些单片机(路由器、开关、传感器、智能家居的处理器)在专业领域也不可替代。

丫个

有没有更牛逼的世界观？？？

2 人赞同了该回答

你不知道力学还可以有另外一个理解方式吧，叫做拉格朗日力学。一样的事实，本来就可以有不同的理解，从不同的理解推出来的结果也完全一样。而它们也没有统一到一起。
你读一下费恩曼写的《物理定律的本性》这本书就知道这种现象的确存在了。

知乎用户

2 人赞同了该回答

问题不是这样的算法有没有，而是算法的速度能有多快。强人工智能的算法当然有，我们人类不就是通过这样的算法产生的吗？
你搞个足够大的容器，装上宇宙中能找到的各种元素，搅一搅，然后找个安全的地方放着，让大自然这台计算机去运算，几十亿年之后说不定就会从里面爬出个智能生物来！

但是这样的算法是一个平凡解，耗时太长，并且最终得到的东西还不一定是能服务与人类的（很可能就进化出一个吃人的怪物，能进化出乖乖帮人识别语音，老老实实替人开车的生物的可能性即使有也是极小的。）。因此，其实人类真正需要的是这样一种算法：能加速智能体产生的速度，同时又要保证产生的智能体能像奴隶一样服务于人类。

算法要加速只有一种方法，那就是给它注入各种先验信息。人类在宇宙中进化了几百亿年，积累了大量的常识和知识。将这些知识中的一部分加入到算法数据中，“智能”甚至能在普通PC上很快的出现。神经网络，遗传算法，统计学习等等就是这样的derivation。

但是算法一旦被注入了先验知识就会出现偏执，并失去通用性。就像一块钻石被打磨成了钻戒之后就很难再做成吊坠。

所以吧，这是一个tradeoff的问题，不要一味的追求通用性，越通用的算法潜力越大，但是速度越慢；越具体的算法潜力越小，但是速度越快。

===========================
关于神经网络，遗传算法，统计学习等各种算法再说几句：
这些算法本身就是带偏执的，当应用这些模型到具体问题时，你再在此基础之上添加更多问题相关的偏执。本身就是带偏执的，意味着对于某个模型，无论你怎么用它（即给它加入任何问题相关的偏执），总有一些问题是这个模型注定解决不了的，这是这个模型自身的局限性。

最近我正在构建一种全新的算法，它的优势就在于模型本身是不带任何偏执的，所有的偏执都由用户根据具体的问题加进去。这样的算法自身局限性为0，可以应用于任何机器学习或人工智能问题，从模拟一个原子到模拟一个人。不过正如上面所说的，会有tradeoff问题。

chen jason

1 人赞同了该回答

作为一个思考过这个问题的人，我尝试回答下，首先是智能的定义，智能之所以是智能，首先是人类理解的事物的模式，你可能认为其实就是，在多变量系统中快速的找出了最优解。但是！这个目标是怎样设定出来的呢？这才是问题的关键！说到这里就要扯到意识了。。。复杂系统求最优解无非是个数学优化问题，简单问题找规律，复杂问题就先找特征，利用特征找规律，再复杂的就摸石头过河，不断尝试不断朝着最优的方向去有。什么局部最优全局最优的。可是计算机和人的差异是在这里，尤其是在图像和音频领域，人在处理数据时总是大量数据之间复杂的关联起来处理，可是电脑却不能做到大范围关联，一方面电脑自动学习特征的算法仍然是一个小范围的最优解，另一方面，这个计算量实在够大。最大的问题在于意识，电脑无法自己发现问题，无法自己设定目标函数。

logicthink

是的没错。不过不能理解成算法，最多理解成元算法。具体在我搞定之前也不会说。

于洋

PaddleDev github.com/PaddlePaddle/Paddle

SVM，神经网络，遗传算法似乎本质上有很大的相同。首先他们都是搜索算法，要搜索到一个最优解，而且都是启发式搜索算法。神经网络和SVM更相似，SVM不就是最优化的perceptron+kernel么？本来这些算法就都是有联系的，也是相似的。你看不到相似性是因为你没有这方面的研究而已。。

走地鸡

=w=

外行抛砖，仅供参考：

人类是如何拥有通用智能的呢？其实很简单，有基本的感觉，语言能力，逻辑能力的人，要学某门专业知识，只需要找个老师，然后跟着老师学就可以了；大多数情况下，“自学”其实本质是一样的：在网上找该专业知识的参考资料，看懂这些资料，必要时问别人，去知乎提问题等。也许少数天才可以无师自通，但其成功率并不高。

所以，只要一个计算机有足够的
1.感觉能力，特别是视觉和听觉能力；
2.语言能力；
3.逻辑推理能力，包括自编程能力；

它就必然拥有
4.在知识库，例如图书馆或互联网上搜索有用信息的能力；
5.把信息读懂并内化为自身知识的能力；

而这就是我们需要的通用人工智能。