编者按◈✿ღ：目前AI被笼统划分为“弱人工智能”◈✿ღ、“强人工智能”◈✿ღ、“超人工智能”三个类别◈✿ღ。甚至在很多业内专家（比如洪小文）眼中◈✿ღ，只有“强”◈✿ღ、“弱”AI的区别◈✿ღ，因为“超人工智能”离我们实在还很远◈✿ღ，难以捉摸JDB集团◈✿ღ。这样的笼统分类显然不利于大众对于各项AI技术进行认识和理解◈✿ღ。因此◈✿ღ，一些专家开始提出基于技术难度和AI智能水平的分类睡遍所有女神神豪系统◈✿ღ、分级方法◈✿ღ。其中◈✿ღ，美国学者Arend Hintze提出了对AI的四级分类◈✿ღ，而最近◈✿ღ，Intuition Machine联合创始人Carlos Perez又提出了针对深度学习的五级分类◈✿ღ。这些分类方法对各层次AI技术进行了简单的归类◈✿ღ，有助于初学者更好地认识AI ◈✿ღ。

　　这是最基本的AI类型◈✿ღ，无法产生记忆◈✿ღ，不能利用过去的经验做决策◈✿ღ。它们是“专才”而非“通才”◈✿ღ，为完成特定任务所设计◈✿ღ，不能胜任其他任务◈✿ღ。

　　当前行为能够参考刚刚发生的事件◈✿ღ。但记忆是瞬时的无法用于未来决策◈✿ღ。

　　这是一个心理学术语◈✿ღ，意思是能根据他人行为◈✿ღ，推导◈✿ღ、并理解他们的想法和动机◈✿ღ。这一类型的AI能够归纳出周围环境◈✿ღ、和与之交互的其他代理的“表征”（ representationsjdb电子试玩平台◈✿ღ，AI术语◈✿ღ，详见“表示学习”）◈✿ღ。

　　对此◈✿ღ，AI专家Carlos Perez表示◈✿ღ，他喜欢这个四分类法远远超过目前广泛使用的“强人工智能vs弱人工智能”二分类法（ps◈✿ღ：或者再加上“超人工智能”成为第三个类别）睡遍所有女神神豪系统◈✿ღ。Arend Hintze的方法把弱AI 分为三个类别（响应式◈✿ღ，有限记忆◈✿ღ，心智理论）睡遍所有女神神豪系统◈✿ღ，这给了我们更多概念◈✿ღ，来区分不同的AI 应用JDB在线注册jdb电子官网入口App◈✿ღ，◈✿ღ。但Carlos Perez 又评论道◈✿ღ，该分类法似乎来自于 “GOFAI” 思路（老式AI）◈✿ღ，潜台词是它已经过时了◈✿ღ；另外◈✿ღ，从有限记忆◈✿ღ、能够使用部分过去记忆做决策到心智理论◈✿ღ，这步子迈得太大了JDB在线注册◈✿ღ。

　　于是◈✿ღ，Carlos Perez 提出了他自己的AI 分类方式JDB在线注册◈✿ღ，按能力把 AI 划分为五个级别◈✿ღ。他表示◈✿ღ，该分类法主要针对深度学习◈✿ღ，希望对 AI 从业者来说更细致◈✿ღ、更有用◈✿ღ。它能帮我们看清楚 AI 目前在哪个阶段JDB在线注册◈✿ღ，以及将来会走向何方◈✿ღ。

　　Perez 表示◈✿ღ：“对当前 AI 技术进行评估◈✿ღ，我们缺少一个好的概念框架◈✿ღ。这可能只是由于大多数 AI 评论人无法跟上最新的深度学习进展需要读的东西太多◈✿ღ，而且最新发现不停刷新我们现在对 AI 的理解◈✿ღ。”

　　该级别包含全连接神经网络（ fully connected neural network ◈✿ღ，FCN）◈✿ღ，卷积神经网络（convolution network◈✿ღ，CNN）和它们之间的各种组合◈✿ღ。这些系统把一个高维度矢量作为输入◈✿ღ，得到单个结果◈✿ღ，一般是对输入矢量的分类◈✿ღ。

　　你可以把这些系统看成无状态函数◈✿ღ，意味着它们的行为只是一个针对当前输入的函数◈✿ღ。一个热门研究领域生成模型◈✿ღ，就属于该类别◈✿ღ。简单来讲◈✿ღ，这些系统凭它们自己是十分强大的◈✿ღ。

　　这个级别包含 “C 层”网络中整合的记忆因素◈✿ღ。LSTM 就是一个例子◈✿ღ：记忆单位嵌入在 LSTM 节点中◈✿ღ。其它类似的变形还有JDB在线注册◈✿ღ，神经图灵机器 (NMT) 和 DeepMind 的可微分神经计算机（DNC）人工智能◈✿ღ，◈✿ღ。在对行为进行计算时◈✿ღ，这些系统会维持状态恒定◈✿ღ。

　　该级别与 CM 有些相似◈✿ღ。但 C 层网络能获取的信息不是原始内存◈✿ღ，而是符号化的知识库（symbolic knowledge base）◈✿ღ。雷锋网获知◈✿ღ，事实上 Carlos Perez 就发现了三种符号化整合◈✿ღ：1. 转移学习方式（ transfer learning approach）◈✿ღ；2. 自上而下方式 ◈✿ღ；3. 自下而上方式◈✿ღ。第一种方式用一个符号化系统作为正则化矩阵（regularizer）jdb电子官网登录入口◈✿ღ！◈✿ღ。第二种方式在神经表征底层的最上层加入了符号化元素◈✿ღ。第三种方式跟这相反◈✿ღ，C 层网络直接与符号化知识库关联◈✿ღ。

　　在这个级别◈✿ღ，系统直接建立在 CK 之上◈✿ღ，但是◈✿ღ，它已能够使用不完美的信息做推理◈✿ღ。这类系统的代表是 Alpha Go◈✿ღ。只是 Alpha Go 采用的不是 CK 而是 CM 级别的能力◈✿ღ。正如 Alpha Go◈✿ღ，这类系统能通过与自身的对抗模拟来训练自己◈✿ღ。

　　这个级别和 Arend Hintze 的“心智理论”类别十分近似◈✿ღ，多个代理神经网络联合起来解决问题◈✿ღ。这些系统被设计来完成多项目标◈✿ღ。我们其实可以在对抗网络中运行它的原始版本◈✿ღ：与判别器和生成网络一起学习归纳◈✿ღ。在博弈论驱动的◈✿ღ、能战略战术性解决多重问题的网络上应用该概念◈✿ღ，就能得到高度灵活的系统◈✿ღ。但是睡遍所有女神神豪系统◈✿ღ，我们现在还达不到这个水平◈✿ღ，前面那些级别仍需要很多研究来完善jdb电子模拟器◈✿ღ。◈✿ღ。

　　每一层级别◈✿ღ，都带来了上个级别没有的新能力◈✿ღ。比方说◈✿ღ，C 层系统只能预测反因果关系（anti-causal relationships）◈✿ღ。 CM 级别的系统能完成不错的翻译◈✿ღ。CIK 级别系统能玩战略游戏◈✿ღ。

　　我们可以看出◈✿ღ，除了没有“自我意识”级别◈✿ღ，这个分类法和 Hinzte 四级分类高度相似◈✿ღ。在这些“基础”级别全部达到之前◈✿ღ，Carlos Perez 不准备探讨自我意识◈✿ღ。这个分类同样没有提到零样本学习（zero-shot learning）◈✿ღ、一步学习（one-shot learning）或者无监督学习◈✿ღ。据雷锋网所知◈✿ღ，后者仍然是 AI 基础挑战之一◈✿ღ。正如 大牛 Yann LeCun 所形容◈✿ღ：

　　“假设机器学习是一个蛋糕◈✿ღ，强化学习是蛋糕上的一粒樱桃◈✿ღ，监督学习是外面的一层糖衣◈✿ღ，无监督学习则是蛋糕糕体◈✿ღ。我们知道怎么做糖衣和樱桃◈✿ღ，但不知道怎么把糕体做出来◈✿ღ。”

　　在最近的演讲里JDB在线注册◈✿ღ，Yann LeCun 开始用预测学习（predictive learning）来替代无监督学习◈✿ღ。这是一个很有意思的转变◈✿ღ：它展示出 LeCun 在如何做蛋糕这个问题上◈✿ღ，观点发生了微妙变化◈✿ღ。在他眼里◈✿ღ，这是 AI 技术大幅进步所必需的基础◈✿ღ。换句话说◈✿ღ，在建设好预测学习的地基之前◈✿ღ，在现有监督学习的基础上加入更多记忆◈✿ღ、知识库◈✿ღ、协作代理这些能力会十分困难◈✿ღ。

　　这些能力在反馈回路里用到时◈✿ღ，都利用了加速器技术◈✿ღ。我们其实在现在的研究中看到过这类元学习（meta-learning）或是学习优化（learning to optimize）◈✿ღ。元学习技术带来的主要启示是◈✿ღ：当我们能训练机器找出用其它方法找不出的解决方案◈✿ღ，研究方法会变得更强大◈✿ღ。

　　这就是为什么JDB在线注册◈✿ღ，即便深度学习研究有许多难题◈✿ღ，我们也无法确定技术进步的速度◈✿ღ。但在预测学习领域发生重大突破之前◈✿ღ，Perez 的五级分类法应该已经够用了◈✿ღ。至于 AI 业内人士如何看待这个新提出的分类法◈✿ღ，我们会继续关注◈✿ღ。

　　每日头条◈✿ღ、业界资讯JDB电子游戏官网◈✿ღ，◈✿ღ、热点资讯◈✿ღ、八卦爆料睡遍所有女神神豪系统JDB在线注册◈✿ღ，全天跟踪微博播报◈✿ღ。各种爆料◈✿ღ、内幕◈✿ღ、花边◈✿ღ、资讯一网打尽◈✿ღ。百万互联网粉丝互动参与◈✿ღ，TechWeb官方微博期待您的关注◈✿ღ。