机器学习的演化之路以及未来的可能模样

机器学习的演化

几十年来，人工智能研究者的各个「部落」一直以来都在彼此争夺主导权。现在是这些部落联合起来的时候了吗？他们也可能不得不这样做，因为合作和算法融合是实现真正通用人工智能（AGI）的唯一方式。这里给出了机器学习方法的演化之路以及未来的可能模样。

1. 五大流派

①符号主义：使用符号、规则和逻辑来表征知识和进行逻辑推理，最喜欢的算法是：规则和决策树

②贝叶斯派：获取发生的可能性来进行概率推理，最喜欢的算法是：朴素贝叶斯或马尔可夫

③联结主义：使用概率矩阵和加权神经元来动态地识别和归纳模式，最喜欢的算法是：神经网络

④进化主义：生成变化，然后为特定目标获取其中最优的，最喜欢的算法是：遗传算法

⑤Analogizer：根据约束条件来优化函数（尽可能走到更高，但同时不要离开道路），最喜欢的算法是：支持向量机

2. 演化的阶段

1980 年代

主导流派：符号主义架构：服务器或大型机主导理论：知识工程基本决策逻辑：决策支持系统，实用性有限

1990 年代到 2000 年

主导流派：贝叶斯架构：小型服务器集群主导理论：概率论分类：可扩展的比较或对比，对许多任务都足够好了

2010 年代早期到中期

主导流派：联结主义架构：大型服务器农场主导理论：神经科学和概率识别：更加精准的图像和声音识别、翻译、情绪分析等

3. 这些流派有望合作，并将各自的方法融合到一起

2010 年代末期

主导流派：联结主义+符号主义架构：许多云主导理论：记忆神经网络、大规模集成、基于知识的推理简单的问答：范围狭窄的、领域特定的知识共享

2020 年代+

主导流派：联结主义+符号主义+贝叶斯+……架构：云计算和雾计算主导理论：感知的时候有网络，推理和工作的时候有规则简单感知、推理和行动：有限制的自动化或人机交互

2040 年代+

主导流派：算法融合架构：无处不在的服务器主导理论：最佳组合的元学习感知和响应：基于通过多种学习方式获得的知识或经验采取行动或做出回答