符號AI可以解釋業務見解，並幫助其實現所有目標。
就在許多企業使用基本機器學習(ML)和深度學習(DL)模型進行人工智慧實驗的同時，一種稱之為為符號AI的新型人工智慧正在實驗室中湧現，其有可能改變人工智慧的功能及其與人類監督者的關係。
人工智慧歷史上有兩類:符號人工智慧和非符號人工智慧。每一種人工智慧都採用不同的方法來建構智慧系統。符號方法試圖創建一個基於規則和知識的具有可解釋行為的智慧系統;而非符號方法旨在創建一個模仿人類大腦的計算系統。
電腦科學的最終目標是創造一個能夠思考、邏輯和學習的AI系統。另一方面，如今的大多數人工智慧系統只具備兩種能力中的一種:學習或推理。雖然符號方法擅長於思考、解釋和管理大型資料結構，但它們很難在感知世界中建立符號。
為了解決問題，符號AI採用了自上而下的方法(例如:國際象棋計算機)。 「只要你夠努力，就會找到想要找的東西。」搜尋是一種象徵性的AI技術。在這種情況下，電腦對潛在解決方案的逐步測試和結果的確認被稱為「搜尋」。西洋棋電腦「想像」出數百萬種不同的未來走法和組合，然後根據結果「決定」哪一種走法最有可能獲勝，這就是一個很好的例子。這與人類的思維是相似的:每個花費大量時間玩棋盤遊戲或策略遊戲的人，在做出選擇之前至少會「玩過」一次他們思想中的動作。神經網路可以幫助傳統的AI演算法，因為它們添加了一種「人類」的直覺，減少了需要計算的動作數量。透過整合這些技術，AlphaGo能夠在圍棋這樣複雜的遊戲中擊敗人類。如果計算機計算出每一步的所有可能的移動，這就不可能實現。
一旦將想法儲存在規則引擎中，就很難修改，這是符號AI或GOFAI的主要障礙之一。專家系統是單調的，這意味著添加的規則越多，系統中編碼的資訊就越多，但新的規則不能破壞先前的知識。單調是一個僅指一個方向的術語。機器學習演算法可以在新的數據上重新訓練，其更擅長記錄臨時訊息，如果需要的話，以後可能會收回這些資訊。例如，當資料是非平穩時，它們會根據新資料修改參數。
符號思維的第二個問題是，電腦不理解符號的意義，這意味著它們不一定與世界的其他非符號表示有關。這與神經網路不同，神經網路可能將符號與資料的向量表示連接起來，這只是原始感官輸入的轉換。
那麼，顯而易見的問題是：「這些符號是為誰服務的?」它們對機器有用嗎?既然機器人能讓人類基於潛在的生理限制進行交流和管理信息，為什麼還要使用符號呢?為什麼機器不能使用向量或海豚和傳真機共享的一些嘈雜語言進行交流?
讓我們來做一個預測:當機器真的學會了以可理解的方式相互交流時，其將使用一種人類無法理解的語言。對於高頻寬設備來說，也許字的頻寬是不夠的。也許其需要額外的維度來清楚地表達自己。語言只是被機器繞過的門上的一個鑰匙孔。自然語言充其量可能是人工智慧提供給人類的一個API，這樣人類就可以搭上其的順風車;在最壞的情況下，這可能是對實際機器智慧的轉移。然而，我們將其與成功的巔峰混為一談，因為自然語言是我們展示智慧的方式。
以上是為什麼符號AI對商業運作至關重要?的詳細內容。更多資訊請關注PHP中文網其他相關文章！
