為什麼人工智慧的未來是混合的？

在過去的幾周里，一系列新的生成式人工智慧產品和功能——從ChatGPT 到Bard，以及圍繞大型語言模型(LLM) 構建的其他產品和功能的眾多變體——已經形成了過度的炒作週期。 然而，許多人認為這些通用模型不適合企業使用。 大多數人工智慧引擎在分配利基或特定領域的任務時都會表現出掙扎的跡象。 混合人工智慧能成為答案嗎？

混合人工智慧（Hybrid AI）是什麼意思

混合人工智慧是利用機器學習、深度學習和神經網路以及人類主題專業知識來擴展或增強人工智慧模型，以開發具有最高準確度或預測潛力的特定於用例的人工智慧模型。

混合人工智慧的興起解決了許多重大且合理的擔憂。 為了實現最大效益或創造實際價值，在許多場景或領域中需要的不僅僅是基於大型資料集構建的人工智慧模型。 例如，考慮 ChatGPT 被要求撰寫一份長而詳細的經濟報告。

採用或增強具有特定領域知識的模型可能是達到高預測機率最有效的方法。 混合人工智慧結合了神經網路（模式和連接形成器）和符號人工智慧（事實和數據推導器）的最佳方面來實現這一目標。

符號人工智慧：混合人工智慧的關鍵部分

今天的法學碩士有幾個缺陷，包括數學任務表現不足、發明數據的傾向以及無法闡明模型如何產生結果。 所有這些問題都是「聯結主義」神經網路的典型問題，它取決於人腦如何運作的概念。

這些問題是「聯結主義」神經網路的典型問題，它依賴人腦運作的概念。

經典人工智慧也稱為符號人工智慧。 它試圖以聲明性形式清楚地表達人類知識，例如從「符號」輸入解釋的規則和事實。 它是人工智慧的一個分支，試圖使用邏輯規則連接事實和事件。

從 20 世紀 50 年代中期到 80 年代末，符號人工智慧的研究非常活躍。

20 世紀 60 年代和 70 年代，科技進步激發研究人員研究機器與自然之間的關係。 他們相信符號技術最終會產生智慧機器，這被視為他們學科的長期目標。

在此背景下，約翰·豪格蘭德 (John Haugeland) 在其 1985 年出版的《人工智慧：理念本身》一書中創造了「優秀的老式人工智慧」或「GOFAI」。

GOFAI 方法最適合解決惰性問題，並且遠遠不能自然匹配即時動態問題。 它贊成將智力限制為抽象推理，而人工神經網路則優先考慮模式識別。 因此，後一種「聯結主義」或非符號方法最近得到了重視。

非符號人工智慧如何運作？

非符號人工智慧的起源是模擬人腦及其複雜的神經連結網路的嘗試。

為了發現問題的解決方案，非符號人工智慧系統避免操縱符號表示。 相反，他們根據經驗證明可以解決問題的原理進行計算，而無需先準確了解如何得出解決方案。

神經網路和深度學習是非符號人工智慧的兩個例子。 非符號人工智慧也被稱為“連接主義人工智慧”，當今的一些人工智慧應用程式都基於這種方法，包括Google的自動轉換引擎（搜尋模式）和Facebook的臉部辨識程式。

進入混合人工智慧

在混合人工智慧的背景下，符號人工智慧充當非符號人工智慧的“供應商”，後者處理實際任務。 符號人工智慧從這個有利位置向非符號人工智慧提供相關的訓練資料。 反過來，符號人工智慧傳達的訊息是由人類提供動力的——即行業資深人士、主題專家、技術工人和那些擁有未編碼的部落知識的人。

網路搜尋是混合人工智慧的一種流行用途。 如果用戶輸入“1 英鎊兌美元”，搜尋引擎會偵測到貨幣兌換挑戰（符號 AI）。 它使用一個小部件來執行轉換，然後使用機器學習來檢索、定位和展示網路結果（非符號人工智慧）。 這是一個基本的例子，但它確實說明瞭如果應用於更複雜的問題，混合人工智慧將如何運作。

麻省理工學院-IBM 沃森人工智慧實驗室主任 David Cox 表示，深度學習和神經網路在「混亂的世界」中蓬勃發展，而符號人工智慧則不然。 然而，如前所述，神經網路和深度學習都有其限制。 此外，它們還容易受到被稱為對抗性資料的敵對實例的影響，這可能會以不可預測且可能具有破壞性的方式影響人工智慧模型的行為。

然而，當符號人工智慧和神經網路結合起來時，可以為企業人工智慧的發展奠定堅實的基礎。

為什麼在企業環境中要使用混合人工智慧？

數據不足以訓練廣泛的神經網路或標準機器學習無法處理所有極端情況的業務問題是實施混合人工智慧的完美候選者。 當神經網路解決方案可能導致歧視、缺乏充分揭露或過度擬合相關問題時，混合人工智慧可能會有所幫助（即，訓練大量數據，導致人工智慧在現實場景中陷入困境）。

一個典型的例子是人工智慧顧問公司 Fast Data Science 的人工智慧計畫。 目的是評估臨床試驗的潛在危險。

使用者向平台發送一份詳細說明臨床試驗計劃的 PDF 文件。 機器學習模型可以識別重要的試驗特徵，例如地點、持續時間、受試者數量和統計變數。 機器學習模型的輸出將納入手動製作的風險模型中。 此符號模型將這些參數轉換為風險值，然後顯示為向使用者發出高、中或低風險訊號的交通號誌。

人類智慧對於指定將協定資料轉換為風險值的合理且邏輯的規則至關重要。

第二個例子是Google的搜尋引擎。 它是一個複雜的、包羅萬象的人工智慧系統，由革命性的深度學習工具（如變壓器）和符號操作機制（如知識圖譜）組成。

挑戰是什麼？

沒有一種技術或技術組合能夠同樣有效地解決所有問題； 因此，有必要了解它們的能力和限制。 混合人工智慧並不是靈丹妙藥，符號人工智慧和非符號人工智慧本身都將繼續成為強大的技術。 專家的理解和日常生活中的背景很少是機器可讀的，這是另一個障礙。 將人類專業知識編碼到人工智慧訓練資料集中提出了另一個問題。

大多數組織未能充分認識到將我們所處的世界複雜混亂置於人工智慧可以理解的環境中所產生的認知、運算、碳排放和財務障礙。 因此，以任何有意義的方式實施人工智慧的時間可能比預期的要長得多。

前進之路

眾所周知，人工智慧專案存在著許多問題。 只有十分之一的試點和原型能夠在生產上取得顯著成果。

先進的企業已經意識到單模式人工智慧模型的限制。 他們敏銳地意識到技術需要多功能、能夠更深入地研究儲存的數據、更便宜且更易於使用。

混合人工智慧為其中一些問題提供了解決方案，但不是全部。 由於它整合了符號人工智慧和機器學習，因此可以有效地利用每種方法的優勢，同時保持可解釋性，這對於金融和醫療保健等行業至關重要。

機器學習可能會專注於可解釋性並不重要的問題的特定元素，而符號人工智慧將使用透明且易於理解的途徑做出決策。 隨著時間的推移，人工智慧的混合方法只會變得越來越普遍。