AI = 神經(jīng)網(wǎng)絡(luò )？這8個(gè)技術(shù)就不是！

　　AI熱潮中，有關(guān)神經(jīng)網(wǎng)絡(luò )的聲音最大。然而，AI遠遠不止如此。

　　目前在AI技術(shù)領(lǐng)域中，投入資金最多的當屬對神經(jīng)網(wǎng)絡(luò )的研究了。在眾人眼中，神經(jīng)網(wǎng)絡(luò )技術(shù)貌似就是“程序構造的大腦”(雖然比喻很不準確)。神經(jīng)網(wǎng)絡(luò )的概念早在20世紀40年代就被提出，但直到現在，人們對于神經(jīng)元及大腦的工作方式仍然知之甚少，最近幾年，科研界關(guān)于神經(jīng)網(wǎng)絡(luò )技術(shù)創(chuàng )新的呼聲越來(lái)越強，渴望重啟神經(jīng)網(wǎng)絡(luò )的熱潮……其實(shí)，除了神經(jīng)網(wǎng)絡(luò )以外，AI領(lǐng)域中還包含很多更有趣、更新穎，更有前景的技術(shù)，文章中就將這些技術(shù)介紹給大家。

　　1. Knol提取

　　Knol指信息單元，也就是關(guān)鍵字、詞等，Knol提取技術(shù)則是從文本中提取關(guān)鍵信息的過(guò)程。舉個(gè)簡(jiǎn)單的例子：比如“顧名思義，章魚(yú)有8條腿”這句話(huà)經(jīng)過(guò)提取后，就變成了這個(gè)樣子：“章魚(yú)”：“腿的數目”：我們常用的Google搜索引擎就依賴(lài)于這項技術(shù)，后續介紹的技術(shù)中，很多也都包含了這項技術(shù)。

　　2. 本體構建

　　本體構建是基于NLP的技術(shù)，旨在用軟件來(lái)構建實(shí)體名詞的層次結構，這一技術(shù)對實(shí)現AI會(huì )話(huà)大有幫助。雖然本體構建表面看起來(lái)簡(jiǎn)單，但事實(shí)上構建卻并不容易，主要因為事物之間的實(shí)際聯(lián)系比我們所認為的要復雜的多。例如，利用NLP分析文本來(lái)建立實(shí)體關(guān)系集：例句：“我的拉布拉多犬剛剛生了一群小狗崽，它們的父親是只獅子狗，所以它們是拉布拉多貴賓犬(一種混血犬)”這句話(huà)被轉換后，就變成了：“小狗崽”：“可能是”：“拉布拉多貴賓犬”，“擁有/生(have)”：“父親”}，“拉布拉多犬”：“擁有/生(have)”：“小狗崽”。但是，人類(lèi)在進(jìn)行語(yǔ)言表達時(shí)，通常不會(huì )將所有的關(guān)系都陳述出來(lái)，比如這句話(huà)中，是要通過(guò)推斷才能得出“我的拉布拉多犬為雌性”這一事實(shí)，這就是本體構建的難點(diǎn)所在。正如此，本體構建技術(shù)目前只應用在了頂尖的聊天機器人中。

　　3. 自定義啟發(fā)式

　　啟發(fā)式是一種用于分類(lèi)的規則，通常類(lèi)似于“如果這件物品是紅色的”或“如果Bob在家里”這樣的條件語(yǔ)句，這些條件語(yǔ)句常伴隨某項動(dòng)作或決定，例如：如果某物“成分”屬性中包含“砷”這一元素：則它的“毒藥”屬性為“True”。對于每個(gè)新的信息，都伴隨著(zhù)新的啟發(fā)式和新的關(guān)系，隨著(zhù)新的啟發(fā)式的建立，又可以對相關(guān)的名詞產(chǎn)生新的理解。比如：?jiǎn)l(fā)式一："puppies"(小狗)說(shuō)明是幼崽(Babies);啟發(fā)式二：幼崽(Babies)說(shuō)明很年輕;通過(guò)以上兩個(gè)啟發(fā)式推斷出："puppies"都很年輕。啟發(fā)式的難點(diǎn)在于，多數情況下，規則并不會(huì )如“If/Then”一樣簡(jiǎn)單。類(lèi)似于“有些人頭發(fā)是金色的”這樣的語(yǔ)句，就很難用啟發(fā)式來(lái)表述。所以我們有了“認知論”(見(jiàn)下)。

　　4. 認識：認識論是本體構建和自定義啟發(fā)式的結合，并在其中加入了概率特性，通過(guò)概率表示名詞與任一屬性產(chǎn)生關(guān)聯(lián)的可能。比如，用這樣本體結構：'人'：'性別'：'男'：0.49，'女'：0.51，'種族'：'亞裔'：0.6，'非洲裔'：0.14來(lái)表示對一個(gè)人性別和種族的判斷。同時(shí)，概率能幫助識別一些具有多重含義的“混合型”詞組，比如像“梅子像是打了激素的葡萄干”這句話(huà)中，因為“打了激素”這一詞組很大可能地意味著(zhù)“體積較大”，從而得出，這句話(huà)很大可能的意思是“梅子體積比葡萄干大”。

　　認識論的實(shí)現相比本體構建要困難得多。首先，它需要更多的數據;并且，由于其結構的復雜性，很難在確定規則后快速地建立起數據庫來(lái)實(shí)現查找;還有，規則的確定通?；谀稠検挛镌谝欢挝淖种斜惶峒暗念l率，但文字卻未必能真實(shí)地反映現實(shí)情況。

　　認識論與Asimov提出的“張量流”理論很相似。Google開(kāi)發(fā)的同名TensorFlow系統并不是真正基于張量，而認識論是基于張量的。

　　5. 自動(dòng)量規技術(shù)

　　一個(gè)量規系統，必定包含相應的評估標準。想象一下，在選購房子時(shí)，有房屋面積，位置，價(jià)格和風(fēng)格等因素需要考量，而這些因素未必都是積極的，這就需要有通過(guò)衡量取舍來(lái)決策。比如，相比價(jià)格你更在乎房屋面積，就會(huì )寧愿多花幾倍的錢(qián)來(lái)購買(mǎi)大房子。自評估技術(shù)通過(guò)你對不同因素的重視程度來(lái)確定每項因素的權重，從而提出決策建議。通過(guò)這一過(guò)程，還可以預測庫存變化，推薦產(chǎn)品，實(shí)現自動(dòng)駕駛等。也就是說(shuō)，大多數神經(jīng)網(wǎng)絡(luò )可以實(shí)現的功能，自動(dòng)量規技術(shù)都能勝任，盡管需要更長(cháng)的訓練時(shí)間，但卻有著(zhù)快幾個(gè)數量級的決策速度。

　　6. 矢量差分

　　矢量差分技術(shù)常用于圖像分析，也可用于時(shí)變數據的處理。通過(guò)對目標構建抽象矢量圖，將候選對象與待識別目標對象進(jìn)行比較，從而判斷出是否為“最佳的約會(huì )臉型”或“最佳的買(mǎi)入時(shí)機”等。

　　通常，目標對象之間差異都伴隨一個(gè)衡量差異程度的量化規則，通過(guò)特征的矢量化，將一些“模糊”的概念，簡(jiǎn)單、清晰的表示出來(lái)。比如，對于人類(lèi)來(lái)講，我們籠統地認為對稱(chēng)的臉型更具有吸引力，但是對于計算機，就需要精確的計算來(lái)判斷，而這時(shí)，通過(guò)30個(gè)三角形來(lái)進(jìn)行臉部抽象，比通過(guò)完整臉部圖像來(lái)進(jìn)行運算對比，能節省很多的計算時(shí)間和存儲空間。對于非圖像的數據的處理也是可以的。比如股票價(jià)格變動(dòng)、每股收益與保證金的比率等，通過(guò)對這些數據矢量化，將其與理想值進(jìn)行比較，就可以確定一次投資的利好或風(fēng)險程度。

　　7. 矩陣卷積

　　卷積矩陣常用于圖像處理領(lǐng)域中的邊緣檢測和提高對比度等方面，例如，PhotoShop中的許多濾鏡都是基于卷積矩陣或疊加卷積(按特定順序進(jìn)行多個(gè)卷積運算)實(shí)現的。同時(shí)，卷積矩陣還可用于處理非圖像數據。比如，當使用卷積矩陣對時(shí)序向量進(jìn)行處理時(shí)，可以像邊緣檢測那樣，快速地找出模式來(lái)，再在最小或最大值處查找特定值或范圍，從而做出判斷。

　　8. 多視角決策系統

　　一項決定的做出并不簡(jiǎn)單。多視角決策系統以一種更民主的形式，多方面地作出決定。

　　比如，在剛剛房子的例子中，你對于某套房子的看好可能基于并不全面的因素，而之后的一個(gè)“這套房子建在懸崖上”的事實(shí)(當然，這種壓倒性因素可能來(lái)自于Knol提取)就會(huì )消除你先前的所有好感，讓你重新決策。

　　所以，決策需要通過(guò)更全面的因素考量，而多視角決策系統，可以利用兩個(gè)人的兩套標準(比如你和你的配偶)來(lái)衡量決策。多視角決策系統還可應用于自動(dòng)駕駛領(lǐng)域，比如，收集10000個(gè)車(chē)主的看法來(lái)制定新標準等。

　　寫(xiě)在最后——要相信技多不壓身

　　許多人眼中只有一把工具，掉進(jìn)“我有的就是一把錘子，所以一切都是釘子”的深坑。諸如Recognant這樣的公司，在應用神經(jīng)網(wǎng)絡(luò )的同時(shí)，也同樣在應用文章中這些相對冷門(mén)的技術(shù)，畢竟相比于神經(jīng)網(wǎng)絡(luò )硬件系統，

　　這些軟件技術(shù)的優(yōu)勢就在于，能針對不同情況進(jìn)行隨時(shí)的調整和開(kāi)發(fā)，而無(wú)需花費額外的成本。所以，技術(shù)面窄，就有可能被一些情況所困住，而技術(shù)面越寬，面對問(wèn)題就越容易迎刃而解。