AI派系之争如火如荼，问谁是英雄？ 概率编程V.S.深度学习
作者介绍：
Cade Metz是世界著名杂志WIRED(连线)的高级编者，主要负责人工智能，比特币，数据中心，计算机软硬件等前沿领域的信息搜集与写作。如果你有新鲜好玩的新闻与Cade分享，请发邮件到cade_ketz@wired.com
算法大师Pedro Domingos在其著作《The Master Algorithm》中，把各种用以实现AI的技术称为AI派系。正如华盛顿大学计算机科学家所解释的，每个派系都表现出其独有的技术。例如，进化论者认为他们可以透过在数字领域以重建自然选择来创建AI。象征主义者则认为可以将特定的知识依次编码到机器中来实现AI。
Gamalon公司CEO兼创始人Ben Vigoda说。他是一个Bayesian（贝叶斯）者，认为应该通过科学的方法来创造AI。他和他的团队不是透过数据分析来得出神经网络，而是使用概率编程。概率编程是一种技术，以假设作为开端，然后使用数据来细化并完善。Gamalon公司的技术可以将一种语言翻译成另一种语言，此外他们在研究新工具以帮助企业从原始的文本流中提取有价值信息。 Vigoda声称他们的特种概率编程与神经网络相比，所需数据要少得多同时能学习得更快。他说，“你可以进行很仔细的训练，也可以对训练进行编辑。”
概率编程所走的高效路线，被认为是在机器上实现真正人类思考的关键。神经网络需要大量标记仔细的数据，但现实中是难以实现的。 Vigoda甚至说，他的技术将来可完全替代神经网络。
不过正如深度学习并不是实现人工智能的唯一方法，概率编程，高斯过程，进化计算，强化学习等方法都将继续发展壮大。虽然各个AI派系意见不一，但现实中，AI的发展是呈技术多样化的，是海纳百川的。尽管各个派系你追我赶，但是他们都是朝着同一个目标努力。
概率程序设计使研究人员能够像编译器编写计算机程序一样创建机器学习算法。但是，该技术的真正价值在于它处理不确定性的能力。将不确定数据转化为价值数据进行学习，这允许AI学习时不依赖特定数据，同时也可以帮助研究人员了解在什么情况下AI会做出特定的决定；如果他们不同意这些决定，则更容易进行AI调整。真正AI将要实现的，是完全自主的与人对话或自主汽车主动感知并避免事故。
但神经网络已经证明了它的价值，例如在图像和语音识别领域，这些领域神经网络与概率编程可实现1+1>2。实际上，Google研究人员正试图创建将两者结合在一起的系统，进行优势互补。哥伦比亚大学计算机科学家，Gamalon公司顾问David Blei说，“深度神经网络和概率模型密切相关，我们发现神经网络中有很多概率模型发生。
最优AI的实现是采取复合技术。例如由Google的DeepMind实验室构建的突破性系统AlphaGo，它结合了神经网络与增强学习以及其他技术。在2017年初，以Master名号再次闯荡棋坛的AlphaGo，以60胜1和的傲人成绩成为棋坛神话。AI派系之争虽仍在继续，但正如Blei教授说的，“我认为各个派系最终将统一并成为主算法”，优势互补，取长补短，是AI的必由之路。
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。
文章原标题《AI’s Factions Get Feisty. But Really, They’re All on the Same Team》，作者：Cade Metz，译者：伍昆
文章为简译，更为详细的内容，请查看原文
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
