編者按：目前ai被籠統劃分為「弱人工智慧」、「強人工智慧」、「超人工智慧」三個類別。甚至在很多業內專家（比如洪小文）眼中，只有「強」、「弱」ai的區別，因為「超人工智慧」離我們實在還很遠，難以捉摸。這樣的籠統分類顯然不利於大眾對於各項ai技術進行認識和理解。因此，一些專家開始提出基於技術難度和ai智慧型水平的分類、分級方法。其中，美國學者arend hintze提出了對ai的四級分類， 而最近，intuition machine聯合創始人carlos perez又提出了針對深度學習的五級分類。這些分類方法對各層次ai技術進行了簡單的歸類，有助於初學者更好地認識ai 。
上個月，密西根州立大學副教授arend hintze發表了一篇很有價值的短文章《理解ai的四種類別：從響應式機器到有自我意識的存在》（ 「understanding the four types of ai, from reactive robots to self-aware beings」 ）。文中，他提出了對ai的四級分類：
響應式
這是最基本的ai型別，無法產生記憶，不能利用過去的經驗做決策。它們是「專才」而非「通才」，為完成特定任務所設計，不能勝任其他任務。
有限記憶
當前行為能夠參考剛剛發生的事件。但記憶是瞬時的——無法用於未來決策。
心智理論（ theory of mind）
這是乙個心理學術語，意思是能根據他人行為，推導、並理解他們的想法和動機。這一型別的ai能夠歸納出周圍環境、和與之互動的其他**的「表徵」（ representations，ai術語，詳見「表示學習」）。
自我意識
ai的終極課題。目前對於它的描述大都是猜想。
於是，carlos perez 提出了他自己的ai 分類方式，按能力把 ai 劃分為五個級別。他表示，該分類法主要針對深度學習，希望對 ai 從業者來說更細緻、更有用。它能幫我們看清楚 ai 目前在哪個階段，以及將來會走向何方。
我們來看看 perez 針對深度學習能力的 ai 分類：
1. 只能分類的系統（anns/dl） classification only
該級別包含全連線神經網路（ fully connected neural network ，fcn），卷積神經網路（convolution network，cnn）和它們之間的各種組合。這些系統把乙個高維度向量作為輸入，得到單個結果，一般是對輸入向量的分類。
你可以把這些系統看成無狀態函式，意味著它們的行為只是乙個針對當前輸入的函式。乙個熱門研究領域——生成模型，就屬於該類別。簡單來講，這些系統憑它們自己是十分強大的。
2. 使用記憶分類的系統 classification with memory (cm)
這個級別包含 「c 層」網路中整合的記憶因素。lstm 就是乙個例子：記憶單位嵌入在 lstm 節點中。其它類似的變形還有，神經圖靈機器 (nmt) 和 deepmind 的可微分神經計算機（dnc）。在對行為進行計算時，這些系統會維持狀態恆定。
3. 使用知識分類的系統 classification with knowledge (ck)
4. 使用有限知識的分類 classification with imperfect knowledge (cik)
在這個級別，系統直接建立在 ck 之上，但是，它已能夠使用不完美的資訊做推理。這類系統的代表是 alpha go。只是 alpha go 採用的不是 ck 而是 cm 級別的能力。正如 alpha go，這類系統能通過與自身的對抗模擬來訓練自己。
5. 能使用有限知識協作分類的系統 collaborative classification with imperfect knowledge (ccik)
這個級別和 arend hintze 的「心智理論」類別十分近似，多個**神經網路聯合起來解決問題。這些系統被設計來完成多項目標。我們其實可以在對抗網路中執行它的原始版本：與判別器和生成網路一起學習歸納。在博弈論驅動的、能戰略戰術性解決多重問題的網路上應用該概念，就能得到高度靈活的系統。但是，我們現在還達不到這個水平，前面那些級別仍需要很多研究來完善。
perez 五級分類法的根據：
每一層級別，都帶來了上個級別沒有的新能力。比方說，c 層系統只能**反因果關係（anti-causal relationships）。 cm 級別的系統能完成不錯的翻譯。cik 級別系統能玩戰略遊戲。
我們可以看出，除了沒有「自我意識」級別，這個分類法和 hinzte 四級分類高度相似。在這些「基礎」級別全部達到之前，carlos perez 不準備**自我意識。這個分類同樣沒有提到零樣本學習（zero-shot learning）、一步學習（one-shot learning）或者無監督學習。據雷鋒網所知，後者仍然是 ai 基礎挑戰之一。正如 大牛 yann lecun 所形容：
「假設機器學習是乙個蛋糕，強化學習是蛋糕上的一粒櫻桃，監督學習是外面的一層糖衣，無監督學習則是蛋糕糕體。我們知道怎麼做糖衣和櫻桃，但不知道怎麼把糕體做出來。」
在最近的演講裡，yann lecun 開始用**學習（predictive learning）來替代無監督學習。這是乙個很有意思的轉變：它展示出 lecun 在如何做蛋糕這個問題上，觀點發生了微妙變化。在他眼裡，這是 ai 技術大幅進步所必需的基礎。換句話說，在建設好**學習的地基之前，在現有監督學習的基礎上加入更多記憶、知識庫、協作**這些能力會十分困難。
我們獲知，在最近的 nips 2016大會上，lecun 展示了這幅 ppt：
這列出了 ai 進步的主要障礙：
機器需要學習世界運作的方式
ai 要學習海量背景知識
機器需要能夠感知環境的狀況
機器需要更新並記憶環境的狀況
機器需要學習和計畫
智慧型和常識等於：感知+**模型+記憶+推理和計畫
這些能力在反饋迴路裡用到時，都利用了加速器技術。我們其實在現在的研究中看到過這類元學習（meta-learning）或是學習優化（learning to optimize）。元學習技術帶來的主要啟示是：當我們能訓練機器找出用其它方法找不出的解決方案，研究方法會變得更強大。
這就是為什麼，即便深度學習研究有許多難題，我們也無法確定技術進步的速度。但在**學習領域發生重大突破之前，perez 的五級分類法應該已經夠用了。至於 ai 業內人士如何看待這個新提出的分類法，我們會繼續關注。
人工智慧入門01 什麼是人工智慧
圖靈測試 turing test 由艾倫 圖靈 alan turing 在1950年發明，指測試者與被測試者 乙個人和一台機器 隔開的情況下，通過一些裝置 如鍵盤 向被測試者隨意提問。測試滿足三個條件 進行多次測試後，如果機器讓平均每個詢問者做出超過30 的誤判，那麼這台機器就通過了測試，並被認為具...
初學者如何從零學習人工智慧？
本文摘自 此文是想要進入人工智慧這個領域 但不知道從 開始的初學者最佳的學習資源列表。有關機器學習領域的最佳介紹，請 coursera的andrew ng機器學習課程。它解釋了基本概念，並讓你很好地理解最重要的演算法。perer norvig 的udacity course on ml ml uda...
人工智慧基礎 什麼是人工智慧
人工智慧是一門研究如何構造智慧型機器 智慧型計算機 或智慧型系統，使它們能夠模擬 延伸和拓展人類智慧型的學科。個人理解就是 研究人的智慧型，並且把人的智慧型放到機器上面，代替人思考。人工智慧發展簡史 孕育階段 1.亞里斯多德三段論 2.英國哲學家培根 知識就是力量。3.萊布尼茨 建立一種通用的符號語...