8个技术证明 AI不等于神经网络

证明AI热潮中，有关神经网络的声音最大。然而，AI远远不止如此。

目前在AI技术领域中，投入资金最多的当属对神经网络的研究了。在众人眼中，神经网络技术貌似就是“程序构造的大脑”（虽然比喻很不准确）。

神经网络的概念早在20世纪40年代就被提出，但直到现在，人们对于神经元及大脑的工作方式仍然知之甚少，最近几年，科研界关于神经网络技术创新的呼声越来越强，渴望重启神经网络的热潮……

其实，除了神经网络以外，AI领域中还包含很多更有趣、更新颖，更有前景的技术，文章中就将这些技术介绍给大家。

Knol指信息单元，也就是关键字、词等，Knol提取技术则是从文本中提取关键信息的过程。举个简单的例子：比如“顾名思义，章鱼有8条腿”这句话经过提取后，就变成了这个样子：{“章鱼”：{“腿的数目”：8}}。

我们常用的Google搜索引擎就依赖于这项技术，后续介绍的技术中，很多也都包含了这项技术。

本体构建是基于NLP的技术，旨在用软件来构建实体名词的层次结构，这一技术对实现AI会话大有帮助。虽然本体构建表面看起来简单，但事实上构建却并不容易，主要因为事物之间的实际联系比我们所认为的要复杂的多。

例如，利用NLP分析文本来建立实体关系集：

例句：“我的拉布拉多犬刚刚生了一群小狗崽，它们的父亲是只狮子狗，所以它们是拉布拉多贵宾犬（一种混血犬）”这句话被转换后，就变成了：{“小狗崽”：{“可能是”：“拉布拉多贵宾犬”，“拥有/生（have）”：“父亲”}，“拉布拉多犬”：{“拥有/生（have）”：“小狗崽”}}。

但是，人类在进行语言表达时，通常不会将所有的关系都陈述出来，比如这句话中，是要通过推断才能得出“我的拉布拉多犬为雌性”这一事实，这就是本体构建的难点所在。

正如此，本体构建技术目前只应用在了顶尖的聊天机器人中。

启发式是一种用于分类的规则，通常类似于“如果这件物品是红色的”或“如果Bob在家里”这样的条件语句，这些条件语句常伴随某项动作或决定，例如：

如果某物［“成分”］属性中包含“砷”这一元素：则它的［“毒药”］属性为“True”。

对于每个新的信息，都伴随着新的启发式和新的关系，随着新的启发式的建立，又可以对相关的名词产生新的理解。比如：

启发式一：“puppies”（小狗）说明是幼崽（Babies）;

启发式二：幼崽（Babies）说明很年轻;

通过以上两个启发式推断出：“puppies”都很年轻。

启发式的难点在于，多数情况下，规则并不会如“If/Then”一样简单。类似于“有些人头发是金色的”这样的语句，就很难用启发式来表述。所以我们有了“认知论”（见下）。

认识论是本体构建和自定义启发式的结合，并在其中加入了概率特性，通过概率表示名词与任一属性产生关联的可能。比如，用这样本体结构：

{‘人’：{‘性别’：{‘男’：0.49，‘女’：0.51}，‘种族’：{‘亚裔’：0.6，‘非洲裔’：0.14}}

来表示对一个人性别和种族的判断。同时，概率能帮助识别一些具有多重含义的“混合型”词组，比如像“梅子像是打了激素的葡萄干”这句话中，因为“打了激素”这一词组很大可能地意味着“体积较大”，从而得出，这句话很大可能的意思是“梅子体积比葡萄干大”。

认识论的实现相比本体构建要困难得多。首先，它需要更多的数据;并且，由于其结构的复杂性，很难在确定规则后快速地建立起数据库来实现查找;还有，规则的确定通常基于某项事物在一段文字中被提及的频率，但文字却未必能真实地反映现实情况。

认识论与Asimov提出的“张量流”理论很相似。Google开发的同名TensorFlow系统并不是真正基于张量，而认识论是基于张量的。

一个量规系统，必定包含相应的评估标准。想象一下，在选购房子时，有房屋面积，位置，价格和风格等因素需要考量，而这些因素未必都是积极的，这就需要有通过衡量取舍来决策。比如，相比价格你更在乎房屋面积，就会宁愿多花几倍的钱来购买大房子。

自评估技术通过你对不同因素的重视程度来确定每项因素的权重，从而提出决策建议。通过这一过程，还可以预测库存变化，推荐产品，实现自动驾驶等。也就是说，大多数神经网络可以实现的功能，自动量规技术都能胜任，尽管需要更长的训练时间，但却有着快几个数量级的决策速度。

矢量差分技术常用于图像分析，也可用于时变数据的处理。通过对目标构建抽象矢量图，将候选对象与待识别目标对象进行比较，从而判断出是否为“最佳的约会脸型”或“最佳的买入时机”等。

通常，目标对象之间差异都伴随一个衡量差异程度的量化规则，通过特征的矢量化，将一些“模糊”的概念，简单、清晰的表示出来。

比如，对于人类来讲，我们笼统地认为对称的脸型更具有吸引力，但是对于计算机，就需要精确的计算来判断，而这时，通过30个三角形来进行脸部抽象，比通过完整脸部图像来进行运算对比，能节省很多的计算时间和存储空间。

对于非图像的数据的处理也是可以的。比如股票价格变动、每股收益与保证金的比率等，通过对这些数据矢量化，将其与理想值进行比较，就可以确定一次投资的利好或风险程度。

卷积矩阵常用于图像处理领域中的边缘检测和提高对比度等方面，例如，PhotoShop中的许多滤镜都是基于卷积矩阵或叠加卷积（按特定顺序进行多个卷积运算）实现的。

同时，卷积矩阵还可用于处理非图像数据。比如，当使用卷积矩阵对时序向量进行处理时，可以像边缘检测那样，快速地找出模式来，再在最小或最大值处查找特定值或范围，从而做出判断。

一项决定的做出并不简单。多视角决策系统以一种更民主的形式，多方面地作出决定。

比如，在刚刚房子的例子中，你对于某套房子的看好可能基于并不全面的因素，而之后的一个“这套房子建在悬崖上”的事实（当然，这种压倒性因素可能来自于Knol提取）就会消除你先前的所有好感，让你重新决策。

所以，决策需要通过更全面的因素考量，而多视角决策系统，可以利用两个人的两套标准（比如你和你的配偶）来衡量决策。多视角决策系统还可应用于自动驾驶领域，比如，收集10000个车主的看法来制定新标准等。

写在最后——要相信技多不压身

许多人眼中只有一把工具，掉进“我有的就是一把锤子，所以一切都是钉子”的深坑。诸如Recognant这样的公司，在应用神经网络的同时，也同样在应用文章中这些相对冷门的技术，毕竟相比于神经网络硬件系统，

这些软件技术的优势就在于，能针对不同情况进行随时的调整和开发，而无需花费额外的成本。所以，技术面窄，就有可能被一些情况所困住，而技术面越宽，面对问题就越容易迎刃而解。