格雷迪·布奇谈人工智能的未来

根据Grady Booch的说法，目前大多数AI系统都是关于边缘信号的模式匹配和归纳推理，而不是真正的人工智能。2018年在旧金山QCon举办的主题演讲《建造魔幻之地》中，他解释了自己的观点，即今天的AI是“AI组件的系统工程问题”。

真正的人工智能使用决策和归纳推理来使这些系统能够推理和学习。目前人工智能的应用还远远没有达到这个目标。它们只是一个大系统中的组件。

当代人工智能并不是最近才产生的，因为许多架构和算法已经有几十年的历史了。今天的不同是计算能力的丰富和大量标注数据的存在。事实上，使用数据来理解数据并将其转换为正确的格式通常比构建模型需要更多的工作。

模式匹配是教一个有很多证据的系统去搜索什么。如今，这些信号主要是图像、视频和音频信号。这些信号通常位于系统的边缘，而不是中心。实际匹配是通过归纳推理完成的。归纳推理不是一个决定。通过观察数据建立理论也不是归纳推理。

当代AI没有那么现代。现有的算法已经存在了几十年。例如，第一个人工神经元的历史可以追溯到1956年，因此神经水平计算的思想已经存在了很长时间。但是现在你有很多标签数据和大量可用的计算能力。基本上，旧的算法现在是实用的，但是这些算法与推理和学习无关。推理是指在人类的某些层面上，归纳、演绎和绑架是混合在一起的。随着时间的推移，学习也是必要的。没有这些要素，就不是真正的人工智能。

综上所述，人工智能的发展有许多春天和冬天。第一个冬天是在20世纪50年代的冷战时期。为了将俄语翻译成其他语言，机器翻译引起了人们的极大兴趣。根据一个经常被引用的故事，他们发表了这样的声明：“精神愿意，但身体虚弱”。翻译成俄语后，结果是“伏特加很烈，但肉烂了”。语言学习比人们最初想象的要困难得多。

纽维尔的意识形态和逻辑理论家特里维诺格拉德于明年春天出现。他们利用操纵小世界的想法，取得了一些进展。当然，那时马文明斯克y宣布人类智能将在三年内问世。从来没有人提出过这样的要求。计算能力和表达能力是这种方法的局限性。

然后介绍了Ed Feigenbaum等人开发的基于规则的系统，利用该方法实现了基于MYCIN的医学诊断。坎贝尔汤使用这些技术来捕捉它的秘密配方，所以它们不依赖于人类的记忆。问题是，基于规则的系统在数百条规则后无法扩展。符号公司和其他公司试图基于这些系统构建硬件。当这些系统的局限性变得明显时，DARPA停止了资助，这又是一个AI的冬天。