AI＝神經網路？這8個技術就不是！

大數據文摘作品

編譯：傅一洋、丁慧、Aileen

AI熱潮中，有關神經網路的聲音最大。然而，AI遠遠不止如此。

目前在AI技術領域中，投入資金最多的當屬對神經網路的研究了。在眾人眼中，神經網路技術貌似就是「程序構造的大腦」（雖然比喻很不準確）。

神經網路的概念早在20世紀40年代就被提出，但直到現在，人們對於神經元及大腦的工作方式仍然知之甚少，最近幾年，科研界關於神經網路技術創新的呼聲越來越強，渴望重啟神經網路的熱潮……

其實，除了神經網路以外，AI領域中還包含很多更有趣、更新穎，更有前景的技術，文章中就將這些技術介紹給大家。

Knol提取

Knol指信息單元，也就是關鍵字、詞等，Knol提取技術則是從文本中提取關鍵信息的過程。舉個簡單的例子：比如「顧名思義，章魚有8條腿」這句話經過提取後，就變成了這個樣子：{「章魚」：{「腿的數目」：8}}。

我們常用的Google搜索引擎就依賴於這項技術，後續介紹的技術中，很多也都包含了這項技術。

本體構建

本體構建是基於NLP的技術，旨在用軟體來構建實體名詞的層次結構，這一技術對實現AI會話大有幫助。雖然本體構建表面看起來簡單，但事實上構建卻並不容易，主要因為事物之間的實際聯繫比我們所認為的要複雜的多。

例如，利用NLP分析文本來建立實體關係集：

例句：「我的拉布拉多犬剛剛生了一群小狗崽，它們的父親是只獅子狗，所以它們是拉布拉多貴賓犬（一種混血犬）」這句話被轉換後，就變成了：{「小狗崽」：{「可能是」：「拉布拉多貴賓犬」，「擁有/生(have)」：「父親」}，「拉布拉多犬」：{「擁有/生(have）」：「小狗崽」}}。

但是，人類在進行語言表達時，通常不會將所有的關係都陳述出來，比如這句話中，是要通過推斷才能得出「我的拉布拉多犬為雌性」這一事實，這就是本體構建的難點所在。

正如此，本體構建技術目前只應用在了頂尖的聊天機器人中。

自定義啟發式

啟發式是一種用於分類的規則，通常類似於「如果這件物品是紅色的」或「如果Bob在家裡」這樣的條件語句，這些條件語句常伴隨某項動作或決定，例如：

如果某物[「成分」]屬性中包含「砷」這一元素：

則它的[「毒藥」]屬性為「True」。

對於每個新的信息，都伴隨著新的啟發式和新的關係，隨著新的啟發式的建立，又可以對相關的名詞產生新的理解。比如：

啟發式一："puppies"（小狗）說明是幼崽（Babies）；

啟發式二：幼崽（Babies）說明很年輕；

通過以上兩個啟發式推斷出："puppies"都很年輕。

啟發式的難點在於，多數情況下，規則並不會如「If/Then」一樣簡單。類似於「有些人頭髮是金色的」這樣的語句，就很難用啟發式來表述。所以我們有了「認知論」（見下）。

認識論

認識論是本體構建和自定義啟發式的結合，並在其中加入了概率特性，通過概率表示名詞與任一屬性產生關聯的可能。比如，用這樣本體結構：

{"人"：{"性別"：{"男"：0.49，"女"：0.51}，"種族"：{"亞裔"：0.6，"非洲裔"：0.14}}

來表示對一個人性別和種族的判斷。同時，概率能幫助識別一些具有多重含義的「混合型」片語，比如像「梅子像是打了激素的葡萄乾」這句話中，因為「打了激素」這一片語很大可能地意味著「體積較大」，從而得出，這句話很大可能的意思是「梅子體積比葡萄乾大」。

認識論的實現相比本體構建要困難得多。首先，它需要更多的數據；並且，由於其結構的複雜性，很難在確定規則後快速地建立起資料庫來實現查找；還有，規則的確定通常基於某項事物在一段文字中被提及的頻率，但文字卻未必能真實地反映現實情況。

認識論與Asimov提出的「張量流」理論很相似。Google開發的同名TensorFlow系統並不是真正基於張量，而認識論是基於張量的。

自動量規技術

一個量規系統，必定包含相應的評估標準。想像一下，在選購房子時，有房屋面積，位置，價格和風格等因素需要考量，而這些因素未必都是積極的，這就需要有通過衡量取捨來決策。比如，相比價格你更在乎房屋面積，就會寧願多花幾倍的錢來購買大房子。

自評估技術通過你對不同因素的重視程度來確定每項因素的權重，從而提出決策建議。通過這一過程，還可以預測庫存變化，推薦產品，實現自動駕駛等。也就是說，大多數神經網路可以實現的功能，自動量規技術都能勝任，儘管需要更長的訓練時間，但卻有著快幾個數量級的決策速度。

矢量差分

矢量差分技術常用於圖像分析，也可用於時變數據的處理。通過對目標構建抽象矢量圖，將候選對象與待識別目標對象進行比較，從而判斷出是否為「最佳的約會臉型」或「最佳的買入時機」等。

通常，目標對象之間差異都伴隨一個衡量差異程度的量化規則，通過特徵的矢量化，將一些「模糊」的概念，簡單、清晰的表示出來。

比如，對於人類來講，我們籠統地認為對稱的臉型更具有吸引力，但是對於計算機，就需要精確的計算來判斷，而這時，通過30個三角形來進行臉部抽象，比通過完整臉部圖像來進行運算對比，能節省很多的計算時間和存儲空間。

對於非圖像的數據的處理也是可以的。比如股票價格變動、每股收益與保證金的比率等，通過對這些數據矢量化，將其與理想值進行比較，就可以確定一次投資的利好或風險程度。

矩陣卷積

卷積矩陣常用於圖像處理領域中的邊緣檢測和提高對比度等方面，例如，PhotoShop中的許多濾鏡都是基於卷積矩陣或疊加卷積（按特定順序進行多個卷積運算）實現的。

同時，卷積矩陣還可用於處理非圖像數據。比如，當使用卷積矩陣對時序向量進行處理時，可以像邊緣檢測那樣，快速地找出模式來，再在最小或最大值處查找特定值或範圍，從而做出判斷。

多視角決策系統

一項決定的做出並不簡單。多視角決策系統以一種更民主的形式，多方面地作出決定。

比如，在剛剛房子的例子中，你對於某套房子的看好可能基於並不全面的因素，而之後的一個「這套房子建在懸崖上」的事實（當然，這種壓倒性因素可能來自於Knol提取）就會消除你先前的所有好感，讓你重新決策。

所以，決策需要通過更全面的因素考量，而多視角決策系統，可以利用兩個人的兩套標準（比如你和你的配偶）來衡量決策。多視角決策系統還可應用於自動駕駛領域，比如，收集10000個車主的看法來制定新標準等。

寫在最後——要相信技多不壓身

許多人眼中只有一把工具，掉進「我有的就是一把鎚子，所以一切都是釘子」的深坑。諸如Recognant這樣的公司，在應用神經網路的同時，也同樣在應用文章中這些相對冷門的技術，畢竟相比於神經網路硬體系統，

這些軟體技術的優勢就在於，能針對不同情況進行隨時的調整和開發，而無需花費額外的成本。所以，技術面窄，就有可能被一些情況所困住，而技術面越寬，面對問題就越容易迎刃而解。

https://www.linkedin.com/pulse/8-ai-technologies-aint-neural-networks-brandon-wirtz/

【今日機器學習概念】

Have a Great Definition

志願者介紹

回復「志願者」加入我們

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！