AI 的方法有許多，除了我們較為熟悉的“五大流派”，本文作者對 AI 的各流派進行細分，梳理了起碼 17 種方法，并用一張圖直觀地展現(xiàn)。作者說，各種 AI 方法并不平等，站錯隊可能導致自取滅亡。

“人工智能”是一個非常含糊的術(shù)語。這是因為人工智能（AI）是1955年在一種非常傲慢的情境下被創(chuàng)造出來的一個術(shù)語：

我們建議于1956年夏天在新罕布什爾漢諾威的達特茅斯學院進行一個為期2個月，10個人參加的人工智能研討會。

該研討會將基于如下設想進行：學習的每個方面或有關(guān)智能的其他特征原則上可以非常精確地進行描述，以至于能被機器模擬。我們將嘗試找到讓機器使用語言、形式抽象和概念的方式，解決現(xiàn)在只能由人類解決的問題，并提升人類智能。

——達特茅斯AI項目計劃提議書；J． McCarthy et al．； Aug． 31， 1955．

AI 經(jīng)歷了半個多世紀，也帶上了太多其他學科的印記。在很長一段時間里，AI 被符號主義者統(tǒng)治。符號主義是一種基于規(guī)則的系統(tǒng)，具有“零學習”（Zero Learning）特點。20世紀80年代，一種新的 AI 方法開始出現(xiàn)，我們稱之為機器學習。最后，還有“簡單學習”（Simple Learning）。然而，在最近十年里，最大的變化是我們偶然發(fā)現(xiàn)了“深度學習”，而且它殺傷力極強，似乎無所不能。

當然，這是一個非常簡化的 AI 歷史。實際上，AI 領(lǐng)域有許多不同的方法和流派。Pedro Domingo 在《終極算法》一書中描述了5個不同的 AI “學派”。一位名為 solidrocketfuel 的 Y Combinator 用戶不甘示弱，發(fā)了條帖子，說 AI 至少有“21 個不同的流派”。

對于任何計劃搞 AI 的人來說，一個非常重要的事情是了解 AI 的這些不同學派和方法之間之間的差異。AI 不是一個同質(zhì)的領(lǐng)域，而是不斷發(fā)生不同學派之間的爭議的領(lǐng)域。下圖是一個概況：

符號學派（Symbolists）：是使用基于規(guī)則的符號系統(tǒng)做推理的人。大部分 AI 都圍繞著這種方法。使用 Lisp 和 Prolog 的方法屬于這一派，使用 SemanticWeb，RDF 和 OWL 的方法也屬于這一派。其中一個最雄心勃勃的嘗試是 Doug Lenat 在80年代開發(fā)的 Cyc，試圖用邏輯規(guī)則將我們對這個世界的理解編碼。這種方法主要的缺陷在于其脆弱性，因為在邊緣情況下，一個僵化的知識庫似乎總是不適用。但在現(xiàn)實中存在這種模糊性和不確定性是不可避免的。

進化學派（Evolutionists）：是應用進化的過程，例如交叉和突變以達到一種初期的智能行為的一派。這種方法通常被稱為遺傳算法（Genetic Algorithm，GA）。在深度學習中，GA 確實有被用來替代梯度下降法，所以它不是一種孤立的方法。這個學派的人也研究細胞自動機（cellular automata ），例如 Conway 的“生命游戲”和復雜自適應系統(tǒng)（GAS）。

貝葉斯學派（Bayesians）：是使用概率規(guī)則及其依賴關(guān)系進行推理的一派。概率圖模型（PGM）是這一派通用的方法，主要的計算機制是用于抽樣分布的蒙特卡羅方法。這種方法與符號學方法的相似之處在于，可以以某種方式得到對結(jié)果的解釋。這種方法的另一個優(yōu)點是存在可以在結(jié)果中表示的不確定性的量度。Edward 是一個將這種方法與深度學習相結(jié)合的庫。

核保守派（Kernel Conservatives）：在深度學習之前，最成功的方法之一是 SVM。Yann LeCun 曾稱這種方法為模板匹配方法。該方法有一個被稱為核的技巧，可以使非線性分離問題變成線性問題。這一派的研究者喜歡他們的方法所具有的數(shù)學美感。他們認為深度學習派只不過是煉金術(shù)士，在沒有對后果有所了解的情況下就念起咒語。

Tree Huggers ：是使用基于樹的模型的人，例如隨機森林和梯度提升決策樹。這些本質(zhì)上都是邏輯規(guī)則樹，它們遞歸地分割域以構(gòu)建分類器。這種方法實際上在許多 Kaggle 比賽中都相當有效。微軟提出的一種方法是將基于樹的模型與深度學習結(jié)合起來。

聯(lián)結(jié)學派（Connectionists）：這一派的研究者相信智能起源于高度互聯(lián)的簡單機制。這種方法的第一個具體形式是出現(xiàn)于1959年的感知器。自那以后，這種方法消亡又復活了好幾次。其最新的形式是深度學習。

深度學習中包含許多子方法。包括：

The Canadian Conspirators ：Hinton，LeCun，Bengio 等人，推崇無需人工進行特征工程的端到端深度學習。

Swiss Posse：基本上是 LSTM，以及兩種結(jié)合的 RNN 解決知覺的問題。根據(jù) LeCun 的說法，GAN 是“最近20世紀最酷的東西”，也被聲稱是這幫人發(fā)明的。

British AlphaGoist：這幫人相信，AI ＝ 深度學習 ＋ 強化學習，盡管 LeCun 稱強化學習只是蛋糕上的櫻桃。DeepMind 是這一派的主要支持者。

Predictive Learners：這個詞是 Yann LeCun 用來形容無監(jiān)督學習的，這是 AI 主要的一個未解決的領(lǐng)域。然而，我傾向于相信解決方案在于“元學習”（Meta－Learning）。

除了上面描述的主流方法外，還有一些不是特別主流的方法：

Compressionists：認為認知和學習就是壓縮（compression），這實際上也是其他學派共同的觀點。信息理論起源于關(guān)于壓縮的論證。這是一個普遍的概念，比所有經(jīng)常被濫用的集合統(tǒng)計工具更強大。

Complexity Theorists：這一派的人采用來自物理學，基于能量的模型，復雜性理論，混沌理論和統(tǒng)計力學的方法。Swarm AI 可以說屬于這一派。如果任何團隊稱他們能找到深度學習為什么能起效的很好的解釋，那么他們可能是這一派的。

Fuzzy Logicians ：這種方法曾經(jīng)很受歡迎，但最近比較少見。最近有一個使用模糊規(guī)則在 mock dogfight 中打敗一個戰(zhàn)斗機飛行員的研究。

Biological Inspirationalists：這一派傾向于創(chuàng)造更接近于生物學中的神經(jīng)元的模型。例子是 Numenta，pike－and－Integrate，以及 IBM 的 TrueNorth 芯片。

Connectomeist：這些人相信大腦的互連（即：Connectome）是智能的來源。有一個項目試圖復制一個虛擬的蠕蟲，也有一些得到雄厚資助的研究，試圖以這種方式映射大腦。

Information Integration Theorists：認為意識來源于機器的內(nèi)部想象，反映了現(xiàn)實的因果關(guān)系。這一派的動機是，如果我們想要理解意識，那么我們至少需要開始思考意識。然而，我沒法在他們的方法中找到學習和意識的關(guān)系。在他們認為，這兩者可能是不相關(guān)的。

PAC Theorists：這一派的人并不是真的想討論人工智能，而只是喜歡研究智能，因為至少他們承認智能的存在。他們的整體思想是自適應系統(tǒng)可以方便地執(zhí)行計算，其結(jié)果都能大致正確。簡言之，在他們看來智能不需要大規(guī)模的計算。

總而言之，這些 AI 的方法令人眼花繚亂。而且我確信還有我沒發(fā)現(xiàn)的別的方法。有些方法彼此水火不容，而另一些方法可以結(jié)合使用。但是，寫這篇文章我想指出的是，對這些眼花繚亂的方法都了解一點，有助于讓你在這個領(lǐng)域找到路徑。

最后，讓我們看看 Shivon Zilis 制作的《機器學習生態(tài)全景圖》：

機器學習生態(tài)全景圖 3．0 （來源：Oreilly）

有很多公司聲稱自己是 AI 公司，在搞 AI 研究。你需要向他們提一個直截了當?shù)膯栴}。就是這些公司都在使用什么 AI 方法？因為這里面的一個嚴峻的現(xiàn)實是，并不是所有的 AI 都是平等的。換句話說，“有些 AI 比其他 AI 更平等”。我們的提議是，現(xiàn)在與深度學習相關(guān)的方法勢頭正猛。很簡單，因為它與學習有關(guān)。如果你的 AI 方法沒有一個強大的學習機制，那么注定是 Doug Lenat 那般的命運，也就是必須人工編寫所有規(guī)則！其他的方法往往都是死胡同。

最好的方法之一是將深度學習與其他算法相結(jié)合。AlphaGo 便是這樣，使用了蒙特卡洛樹搜索技術(shù)和深度學習的結(jié)合。考慮到符號學的方法與深度學習具有互補的優(yōu)勢和弱點，它們的結(jié)合也是非常有前途的。展望未來，將是深度學習一統(tǒng) AI 之天下。不過，深度學習與其他 AI 方法相結(jié)合同樣有前途。不要忽視這個現(xiàn)實，否則只會自取滅亡。