人工智能（AI）由模式识别技术主导

　　人工智能（AI）由模式识别技术主导。近年来，由于深度学习的发展和完善，在图像识别、机器翻译、音频处理等领域取得了重大进展。但深度学习并不是解决所有问题的良方。事实上，它本身就是一种疾病。

　　任何生物系统，即使经过几代人的进化，也不需要像最先进的机器学习算法那样，为完成简单的任务而需要同样规模的训练数据。为了学习，大脑使用了许多衍生品以外的技术。动物能够发现新鲜事物并记住重大事件，即使它们只发生过一次。

　　这里有四个原因，其中之一，为什么人工智能社区应该思考超越深度学习。

　　1.深度神经网络有忘记所学模式的倾向，而活的大脑有可塑性和强健的记忆完整性。例如，人类，甚至一些动物可以记住一个面孔很多年，但仍然可以学习新的面孔，而不会忘记他们认识的面孔。

　　2.深度神经网络需要大量的数据来训练，这反过来又需要大量的计算能力。如果你不是一家财力雄厚的大型计算机公司，这将是一个重大障碍。所需的计算能力取决于三个主要因素：输入数据的维数、模型的复杂性和训练算法的复杂性。

　　3.神经网络就像黑匣子，通常不适合需要可解释性的应用程序。就业、贷款、教育、医疗和家庭助理等领域都需要解释。在金融领域，预测价格变化的机器对公司来说是一个重大胜利，但如果没有可解释的因素，可能很难让监管机构相信它没有违反任何规定。同样，在涉及信任的交易中，例如信用卡应用程序，必须解释批准或拒绝的原因。在业务应用程序中，建立客户的信任是至关重要的，决策需要是可解释的。

　　4.所学的知识并不是真正可以转移的。如果人工智能要发挥其潜力，这一点非常重要。当动物接触到新的环境时，它们会不断地参照先前的学习。例如，你可能从来没有亲自开过卡车，但是开过一辆汽车，你就能很快地学会汽车的各种基本运行规律，并且比你从来没有开过任何汽车更快地整合你以前的驾驶技能。

　　显然有必要解决这些问题，而要做到这一点，就需要超越深度神经网络。一些人工智能技术可以潜在地解决这些缺点，如自适应共振理论、可信最大化和神经模糊系统。

　　自适应共振理论（ART）解决了稳定性与可塑性的问题，在不丧失现有知识的情况下获得新的知识。它也被称为增量式学习或在线学习，因为它不需要对其模型进行再培训，这是一个优势，因为再培训是丢失现有知识的主要原因之一。

　　可信最大化（Cogency maximization）或虚构（confabulation）有助于解决可解释性问题，对于解决就业、贷款、教育、卫生保健和家庭助理等应用程序也很方便。基于cogency maximizbased模型的另一个优点是，它们的计算量较小，易于训练。

　　模糊集系统允许数据表示介于二进制（例如，冷/热）和连续（例如，0%-100%热）表示之间。相反，模糊系统允许您用模糊表示（0%冷、20%热和80%热）来表示数据。乍一看，这似乎有些武断，但它允许对细节和逻辑创建进行更细致的表达。例如，恒温器可以使用这些数据在冷百分比过高时打开炉子，在热百分比过高时打开空调。

　　这种类型的逻辑创建可以很容易地用自然语言解释，并且很容易理解。神经模糊系统将模糊系统的特征与神经网络进行某种程度的融合，以简化模型或提供更好的解释能力。其中一些系统使用模糊规则代替不透明的神经激活函数。其中一些系统作为神经网络进行训练，然后在数学上转换成模糊规则集。其中一些系统在保持模糊可解释性的同时，还利用模糊逻辑和模糊记忆来表现出神经网络的行为。

　　自适应共振理论、可信最大化和神经模糊系统可能不是什么新概念，但它们似乎被研究人员忽视了。这些研究人员受到了微型超级计算机的强大功能的鼓舞，这些微型计算机由无底洞般的企业资金支持。