机器学习真的是AI的第二部分吗

如果AI是帮助彼此区分不同技术和方法的有用术语,那么它就必须有意义。一个对所有人都意味着一切的术语对任何人都没有意义。本系列的上一篇文章“机器学习真的是AI吗?”对AI必须有用的意义进行了各种探讨。一般的观点是,系统可以感知并理解其环境,从过去的行为中学习并将其应用到未来的行为中,并通过从经验和学习中进行推理,然后从这些新的情况中产生新的学习来适应新的情况,从而具有智能。经验。您可以进一步将情报定义为能够增加未来的行动自由度,并根据行动确定个人希望获得的未来结果。

机器学习是一组技术和方法,它们提供了一种手段,计算机系统可以利用该手段对经验和数据中的学习进行编码,然后将未来的信息应用于该学习以得出结论。这种机器学习与显式编程相反,在显式编程中,人类使用自己的智力来完成所有认知目标。显然,机器学习是AI的先决条件。但是,ML是必需的,但对于AI而言还不够。同样,并非所有的ML系统都在我们试图通过AI实现的环境中运行。

那么,ML的哪些部分不是AI?

在以上文章中,我们讨论了AI的哪些部分不是ML,但是我们没有深入研究ML的哪些部分不是AI。由于我们尚未实现人工智能(AGI),尽管进行了一些尝试使我们接近,但该领域中当前所有实际的AI实现都是一种或多种形式的狭窄AI。不幸的是,这并不是特别有用。

调用使用随机决策森林(它是ML的一种形式)的数据科学工作没有用,它专注于实现非常特定的学习结果的特定任务,并且与构建可以学习的系统的尝试处于同一水平并适应新情况。所使用的工具可能是机器学习,但结果并不意味着特别智能。例如,使用机器学习方法的预测分析形式确实可能是ML项目,但它们本身并不是AI项目。从本质上讲,使用ML技术来学习一个狭窄的特定应用程序,并且该训练模型不能应用于不同的情况,或者无法以任何方式发展或适应新的情况,这并不是以AI为重点的ML项目。没有AI的ML。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。