人工智能的方法和目标

象征主义和连接主义的方法

人工智能研究遵循两种截然不同且在某种程度上相互竞争的方法，即符号(或“自上而下”)方法和连接主义(或“自下而上”)方法。的自顶向下方法试图通过分析来复制情报认知独立于生物结构的大脑从符号处理的角度来看象征性的标签。的自底向上的方法，另一方面，涉及创造人造的神经网络模仿大脑的结构联结主义标签。

为了说明这些方法之间的区别，请考虑构建一个系统的任务，该系统配备了光学扫描仪它可以识别字母表中的字母。自底向上的方法通常包括训练人工机器人神经网络通过一个接一个地向它呈现字母，通过“调优”网络逐渐提高性能。(调节调节不同神经通路对不同刺激的反应。)相反，自顶向下方法通常涉及编写计算机程序它将每个字母与几何描述进行比较。简单地说，神经活动是自底向上方法的基础，而符号描述是自顶向下方法的基础。

在学习的基础(1932),爱德华·桑代克他是哈佛大学的心理学家哥伦比亚大学，纽约市，首先建议人类学习由某些未知性质的连接组成神经元在大脑里。在行为的组织(1949),唐纳德·赫布是麦吉尔大学加拿大蒙特利尔的研究人员认为，学习具体涉及通过增加诱导的概率(权重)来加强某些神经活动模式神经元关联连接之间的触发。加权连接的概念将在后面的章节中描述，联结主义．

1957年，象征人工智能的两位积极倡导者——艾伦·纽维尔兰德公司，圣塔莫尼卡，加州，以及赫伯特西蒙,一个心理学家而且计算机科学家在卡内基梅隆大学他们把这种自上而下的方法总结为他们所谓的物理符号系统假说。这假设说明处理符号结构在原则上足以产生人工智能数字计算机而且，人类的智慧是同一类型的符号操作的结果。

在20世纪50年代和60年代，自上而下和自下而上的方法同时进行，两者都取得了值得注意的结果，如果有限的话。然而，在20世纪70年代，自下而上的AI被忽视了，直到20世纪80年代，这种方法才再次变得突出。现在两种方法都被采用，而且都被认为面临困难。符号技术在简化领域有效，但在面对现实世界时通常会失效;与此同时，自下而上的研究人员甚至无法复制最简单生物的神经系统。秀丽隐杆线虫这是一种被广泛研究的蠕虫，它有大约300个神经元，其相互连接的模式是完全已知的。然而连连接主义模型都未能模拟出这种蠕虫。显然，连接主义理论的神经元是对现实事物的过分简化。

强AI、应用AI、认知模拟

采用上述方法，人工智能研究试图达到三个目标之一:强人工智能，应用人工智能，或认知模拟。强人工智能旨在制造会思考的机器。(这个词强人工智能是在1980年由哲学家约翰塞尔的加州大学伯克利分校)。强人工智能的终极目标是生产机的整体知识能力与人的能力难以区分。如本节所述人工智能的早期里程碑在美国，这一目标在上世纪五六十年代引起了人们的极大兴趣，但这种乐观已经让位于对所涉及的极端困难的认识。迄今为止，进展甚微。一些批评人士怀疑，研究能否产生一种具有学生整体智力能力的系统蚂蚁在可预见的未来。事实上，在人工智能的其他两个分支工作的一些研究人员认为强人工智能不值得追求。

应用AI，又称先进AI信息处理该公司的目标是生产商业上可行的“智能”系统，例如“专家”医疗系统诊断系统和股票交易系统。如本节所述，应用人工智能已经取得了相当大的成功专家系统．

在认知模拟中，计算机被用来测试关于人类如何心有效——例如，关于人们如何识别面孔或回忆的理论。认知模拟已经很强大了工具在神经科学和认知心理学．