【随感】当前人工智能12大派系

当前人工智能12大派系

---

一天一次的等待编译时间又到了，这期间我刚好可以总结一下当前的人工智能12大派系。也算是12个研究方向。注意我没有按传统的计算机视觉、自然语言处理、语音识别这些应用场景来分类。

分为如下十二个：

• CNN为代表等以NeuralNetwork主导的Embedding和深度学习派系：强调端到端，具体以斯坦福李飞飞和Hinton以及纽约大学的Lecun为代表。上交也属于这个派系(还有加拿大的一些法裔)。
• 偏重损失上下界和计算理论及偏数值数学加并行算法一类的数学及算法派系：北京大学张志华团队就偏这个方向。
• 概率图推理及软规则系(贝叶斯思维)：美国的Judea.Pearl和韩国很多高校及中科院计算所一些老师在研究这个方向，有很多贝叶斯和马尔科夫模型的沿拓。变分法、GAN等生成模型也属于这个大类。
• 早年做传统机器学习和模式识别的那些专家，目前也很多转了深度学习阵营了，以色列和欧洲那边还是有很多坚守这个派系的(经典的SVM和Boost方法其实都是这个派系的代表作)。
• 早年一些基于Hebb规则开始的诸如集体智慧的方向，比如自适应算法、模拟退火、蚁群算法、粒子群算法等等，现在还有一些南欧的专家在坚持，感觉在电网和很多复杂调度工程场景还是挺好使。
• 越来越火的是Robotics+Reinforcement Learning：和硬件结合比较多，还有很多强化学习结合深度学习的模型也越来越丰富：包括DQN、DRL等等。应用如快递的机器人分拣、机器人派送及无人机乃至Alpha go都是这个讨论。
• 很有前景的神经生物学为基础的人工智能方法，脑机接口等等都是这个方向。并且DeepMind的创始人既是这个方向出生，有许多启示反过来作用于神经网络模型。
• 扎根于统计力学和统计热力学的方法，包括Gibbs采样方法和Mente-Carlo方法这些，估计现在专门做这个方向的已经绝迹了，之前有些电气系的老师有涉猎这个方向。
• 不得不提的统计机器学习，其实贝叶斯派和这个方向是有差别的。日本有许多专家和英格兰、苏格兰的一些大学对此扎得透。大名鼎鼎的李航和他的<<统计学习方法>>就是这个派别的产物，貌似李航也是日本留学归来。
• 有些老的智能系统派系：这个派系大多是自动化和机械系的一些老师在做，和电气和机械一些场景结合得很深，里面自动化系的诸如“正负反馈”、“闭环系统”的概念比较多。你可以在一些数学建模的学生论文里还看得见这些方法。
• 还有就是上个世纪第一个人工智能狂潮时期的规则学习：包括一阶谓词逻辑规则，经典的专家系统这些其实都是基于知识表达和逻辑学的。现在估计也接近珍稀动物了。
• 最后一个就是当前还比较热门的图和网络方向：主要是计算机科学里面的图，有句调侃说一切都可以表示为图然后用Dijistra算法搞定，不是没有道理的。图和网络对知识图谱构建和搜索引擎的底层开发、社交网络乃至打车服务等近年来成就有目共睹。我知道哈工大和清华有一部分老师很认真地在做这个方向。