为什么人工智能的未来是混合的？

在过去的几周里，一系列新的生成式人工智能产品和功能——从 ChatGPT 到 Bard，以及围绕大型语言模型 (LLM) 构建的其他产品和功能的众多变体——已经形成了过度的炒作周期。 然而，许多人认为这些通用模型不适合企业使用。 大多数人工智能引擎在分配利基或特定领域的任务时都会表现出挣扎的迹象。 混合人工智能能成为答案吗？

混合人工智能（Hybrid AI）是什么意思

混合人工智能是使用机器学习、深度学习和神经网络以及人类主题专业知识来扩展或增强人工智能模型，以开发具有最高准确度或预测潜力的特定于用例的人工智能模型。

混合人工智能的兴起解决了许多重大且合理的担忧。 为了实现最大效益或创造实际价值，在许多场景或领域中需要的不仅仅是基于大型数据集构建的人工智能模型。 例如，考虑 ChatGPT 被要求撰写一份长而详细的经济报告。

采用或增强具有特定领域知识的模型可能是达到高预测概率的最有效方法。 混合人工智能结合了神经网络（模式和连接形成器）和符号人工智能（事实和数据推导器）的最佳方面来实现这一目标。

符号人工智能：混合人工智能的关键部分

今天的法学硕士有几个缺陷，包括数学任务表现不足、发明数据的倾向以及无法阐明模型如何产生结果。 所有这些问题都是“联结主义”神经网络的典型问题，它取决于人脑如何运作的概念。

这些问题是“联结主义”神经网络的典型问题，它依赖于人脑运作的概念。

经典人工智能也称为符号人工智能。 它试图以声明性形式清楚地表达人类知识，例如从“符号”输入解释的规则和事实。 它是人工智能的一个分支，试图使用逻辑规则连接事实和事件。

从 20 世纪 50 年代中期到 80 年代末，符号人工智能的研究非常活跃。

20 世纪 60 年代和 70 年代，技术进步激发研究人员研究机器与自然之间的关系。 他们相信符号技术最终会产生智能机器，这被视为他们学科的长期目标。

在此背景下，约翰·豪格兰德 (John Haugeland) 在其 1985 年出版的《人工智能：理念本身》一书中创造了“优秀的老式人工智能”或“GOFAI”。

GOFAI 方法最适合解决惰性问题，并且远不能自然匹配实时动态问题。 它赞成将智力限制为抽象推理，而人工神经网络则优先考虑模式识别。 因此，后一种“联结主义”或非符号方法最近得到了重视。

非符号人工智能如何运作？

非符号人工智能的起源是模拟人脑及其复杂的神经连接网络的尝试。

为了发现问题的解决方案，非符号人工智能系统避免操纵符号表示。 相反，他们根据经验证明可以解决问题的原理进行计算，而无需首先准确了解如何得出解决方案。

神经网络和深度学习是非符号人工智能的两个例子。 非符号人工智能也被称为“连接主义人工智能”，当今的一些人工智能应用程序都基于这种方法，包括谷歌的自动转换引擎（搜索模式）和Facebook的面部识别程序。

进入混合人工智能

在混合人工智能的背景下，符号人工智能充当非符号人工智能的“供应商”，后者处理实际任务。 符号人工智能从这个有利位置向非符号人工智能提供相关的训练数据。 反过来，符号人工智能传达的信息是由人类提供动力的——即行业资深人士、主题专家、技术工人和那些拥有未编码的部落知识的人。

网络搜索是混合人工智能的一种流行用途。 如果用户输入“1 英镑兑美元”，搜索引擎会检测到货币兑换挑战（符号 AI）。 它使用一个小部件来执行转换，然后使用机器学习来检索、定位和展示网络结果（非符号人工智能）。 这是一个基本的例子，但它确实说明了如果应用于更复杂的问题，混合人工智能将如何工作。

麻省理工学院-IBM 沃森人工智能实验室主任 David Cox 表示，深度学习和神经网络在“混乱的世界”中蓬勃发展，而符号人工智能则不然。 然而，如前所述，神经网络和深度学习都有局限性。 此外，它们还容易受到被称为对抗性数据的敌对实例的影响，这可能会以不可预测且可能具有破坏性的方式影响人工智能模型的行为。

然而，当符号人工智能和神经网络结合起来时，可以为企业人工智能的发展奠定坚实的基础。

为什么在企业环境中使用混合人工智能？

数据不足以训练广泛的神经网络或标准机器学习无法处理所有极端情况的业务问题是实施混合人工智能的完美候选者。 当神经网络解决方案可能导致歧视、缺乏充分披露或过度拟合相关问题时，混合人工智能可能会有所帮助（即，训练大量数据，导致人工智能在现实场景中陷入困境）。

一个典型的例子是人工智能咨询公司 Fast Data Science 的人工智能计划。 目的是评估临床试验的潜在危险。

用户向平台发送一份详细说明临床试验计划的 PDF 文档。 机器学习模型可以识别重要的试验特征，例如地点、持续时间、受试者数量和统计变量。 机器学习模型的输出将被纳入手动制作的风险模型中。 该符号模型将这些参数转换为风险值，然后显示为向用户发出高、中或低风险信号的交通信号灯。

人类智能对于指定将协议数据转换为风险值的合理且逻辑的规则至关重要。

第二个例子是谷歌的搜索引擎。 它是一个复杂的、包罗万象的人工智能系统，由革命性的深度学习工具（如变压器）和符号操作机制（如知识图谱）组成。

挑战是什么？

没有一种技术或技术组合能够同样有效地解决所有问题； 因此，有必要了解它们的能力和局限性。 混合人工智能并不是灵丹妙药，符号人工智能和非符号人工智能本身都将继续成为强大的技术。 专家的理解和日常生活中的背景很少是机器可读的，这是另一个障碍。 将人类专业知识编码到人工智能训练数据集中提出了另一个问题。

大多数组织未能充分认识到将我们生活的世界复杂混乱置于人工智能可以理解的环境中所产生的认知、计算、碳排放和财务障碍。 因此，以任何有意义的方式实施人工智能的时间可能比预期的要长得多。

前进之路

众所周知，人工智能项目存在很多问题。 只有十分之一的试点和原型能够在生产中取得显着成果。

先进的企业已经意识到单模式人工智能模型的局限性。 他们敏锐地意识到技术需要多功能、能够更深入地研究存储的数据、更便宜且更易于使用。

混合人工智能为其中一些问题提供了解决方案，但不是全部。 由于它集成了符号人工智能和机器学习，因此可以有效地利用每种方法的优势，同时保持可解释性，这对于金融和医疗保健等行业至关重要。

机器学习可能会关注可解释性并不重要的问题的特定元素，而符号人工智能将使用透明且易于理解的途径做出决策。 随着时间的推移，人工智能的混合方法只会变得越来越普遍。