證明AI熱潮中，有關(guān)神經(jīng)網(wǎng)絡(luò)的聲音最大。然而，AI遠(yuǎn)遠(yuǎn)不止如此。

目前在AI技術(shù)領(lǐng)域中，投入資金最多的當(dāng)屬對神經(jīng)網(wǎng)絡(luò)的研究了。在眾人眼中，神經(jīng)網(wǎng)絡(luò)技術(shù)貌似就是“程序構(gòu)造的大腦”（雖然比喻很不準(zhǔn)確）。

神經(jīng)網(wǎng)絡(luò)的概念早在20世紀(jì)40年代就被提出，但直到現(xiàn)在，人們對于神經(jīng)元及大腦的工作方式仍然知之甚少，最近幾年，科研界關(guān)于神經(jīng)網(wǎng)絡(luò)技術(shù)創(chuàng)新的呼聲越來越強，渴望重啟神經(jīng)網(wǎng)絡(luò)的熱潮……

其實，除了神經(jīng)網(wǎng)絡(luò)以外，AI領(lǐng)域中還包含很多更有趣、更新穎，更有前景的技術(shù)，文章中就將這些技術(shù)介紹給大家。

Knol指信息單元，也就是關(guān)鍵字、詞等，Knol提取技術(shù)則是從文本中提取關(guān)鍵信息的過程。舉個簡單的例子：比如“顧名思義，章魚有8條腿”這句話經(jīng)過提取后，就變成了這個樣子：{“章魚”：{“腿的數(shù)目”：8}}。

我們常用的Google搜索引擎就依賴于這項技術(shù)，后續(xù)介紹的技術(shù)中，很多也都包含了這項技術(shù)。

本體構(gòu)建是基于NLP的技術(shù)，旨在用軟件來構(gòu)建實體名詞的層次結(jié)構(gòu)，這一技術(shù)對實現(xiàn)AI會話大有幫助。雖然本體構(gòu)建表面看起來簡單，但事實上構(gòu)建卻并不容易，主要因為事物之間的實際聯(lián)系比我們所認(rèn)為的要復(fù)雜的多。

例如，利用NLP分析文本來建立實體關(guān)系集：

例句：“我的拉布拉多犬剛剛生了一群小狗崽，它們的父親是只獅子狗，所以它們是拉布拉多貴賓犬（一種混血犬）”這句話被轉(zhuǎn)換后，就變成了：{“小狗崽”：{“可能是”：“拉布拉多貴賓犬”，“擁有/生（have）”：“父親”}，“拉布拉多犬”：{“擁有/生（have）”：“小狗崽”}}。

但是，人類在進行語言表達時，通常不會將所有的關(guān)系都陳述出來，比如這句話中，是要通過推斷才能得出“我的拉布拉多犬為雌性”這一事實，這就是本體構(gòu)建的難點所在。

正如此，本體構(gòu)建技術(shù)目前只應(yīng)用在了頂尖的聊天機器人中。

啟發(fā)式是一種用于分類的規(guī)則，通常類似于“如果這件物品是紅色的”或“如果Bob在家里”這樣的條件語句，這些條件語句常伴隨某項動作或決定，例如：

如果某物［“成分”］屬性中包含“砷”這一元素：則它的［“毒藥”］屬性為“True”。

對于每個新的信息，都伴隨著新的啟發(fā)式和新的關(guān)系，隨著新的啟發(fā)式的建立，又可以對相關(guān)的名詞產(chǎn)生新的理解。比如：

啟發(fā)式一：“puppies”（小狗）說明是幼崽（Babies）;

啟發(fā)式二：幼崽（Babies）說明很年輕;

通過以上兩個啟發(fā)式推斷出：“puppies”都很年輕。

啟發(fā)式的難點在于，多數(shù)情況下，規(guī)則并不會如“If/Then”一樣簡單。類似于“有些人頭發(fā)是金色的”這樣的語句，就很難用啟發(fā)式來表述。所以我們有了“認(rèn)知論”（見下）。

認(rèn)識論是本體構(gòu)建和自定義啟發(fā)式的結(jié)合，并在其中加入了概率特性，通過概率表示名詞與任一屬性產(chǎn)生關(guān)聯(lián)的可能。比如，用這樣本體結(jié)構(gòu)：

{‘人’：{‘性別’：{‘男’：0.49，‘女’：0.51}，‘種族’：{‘亞裔’：0.6，‘非洲裔’：0.14}}

來表示對一個人性別和種族的判斷。同時，概率能幫助識別一些具有多重含義的“混合型”詞組，比如像“梅子像是打了激素的葡萄干”這句話中，因為“打了激素”這一詞組很大可能地意味著“體積較大”，從而得出，這句話很大可能的意思是“梅子體積比葡萄干大”。

認(rèn)識論的實現(xiàn)相比本體構(gòu)建要困難得多。首先，它需要更多的數(shù)據(jù);并且，由于其結(jié)構(gòu)的復(fù)雜性，很難在確定規(guī)則后快速地建立起數(shù)據(jù)庫來實現(xiàn)查找;還有，規(guī)則的確定通?；谀稠検挛镌谝欢挝淖种斜惶峒暗念l率，但文字卻未必能真實地反映現(xiàn)實情況。

認(rèn)識論與Asimov提出的“張量流”理論很相似。Google開發(fā)的同名TensorFlow系統(tǒng)并不是真正基于張量，而認(rèn)識論是基于張量的。

一個量規(guī)系統(tǒng)，必定包含相應(yīng)的評估標(biāo)準(zhǔn)。想象一下，在選購房子時，有房屋面積，位置，價格和風(fēng)格等因素需要考量，而這些因素未必都是積極的，這就需要有通過衡量取舍來決策。比如，相比價格你更在乎房屋面積，就會寧愿多花幾倍的錢來購買大房子。

自評估技術(shù)通過你對不同因素的重視程度來確定每項因素的權(quán)重，從而提出決策建議。通過這一過程，還可以預(yù)測庫存變化，推薦產(chǎn)品，實現(xiàn)自動駕駛等。也就是說，大多數(shù)神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)的功能，自動量規(guī)技術(shù)都能勝任，盡管需要更長的訓(xùn)練時間，但卻有著快幾個數(shù)量級的決策速度。

矢量差分技術(shù)常用于圖像分析，也可用于時變數(shù)據(jù)的處理。通過對目標(biāo)構(gòu)建抽象矢量圖，將候選對象與待識別目標(biāo)對象進行比較，從而判斷出是否為“最佳的約會臉型”或“最佳的買入時機”等。

通常，目標(biāo)對象之間差異都伴隨一個衡量差異程度的量化規(guī)則，通過特征的矢量化，將一些“模糊”的概念，簡單、清晰的表示出來。

比如，對于人類來講，我們籠統(tǒng)地認(rèn)為對稱的臉型更具有吸引力，但是對于計算機，就需要精確的計算來判斷，而這時，通過30個三角形來進行臉部抽象，比通過完整臉部圖像來進行運算對比，能節(jié)省很多的計算時間和存儲空間。

對于非圖像的數(shù)據(jù)的處理也是可以的。比如股票價格變動、每股收益與保證金的比率等，通過對這些數(shù)據(jù)矢量化，將其與理想值進行比較，就可以確定一次投資的利好或風(fēng)險程度。

卷積矩陣常用于圖像處理領(lǐng)域中的邊緣檢測和提高對比度等方面，例如，PhotoShop中的許多濾鏡都是基于卷積矩陣或疊加卷積（按特定順序進行多個卷積運算）實現(xiàn)的。

同時，卷積矩陣還可用于處理非圖像數(shù)據(jù)。比如，當(dāng)使用卷積矩陣對時序向量進行處理時，可以像邊緣檢測那樣，快速地找出模式來，再在最小或最大值處查找特定值或范圍，從而做出判斷。

一項決定的做出并不簡單。多視角決策系統(tǒng)以一種更民主的形式，多方面地作出決定。

比如，在剛剛房子的例子中，你對于某套房子的看好可能基于并不全面的因素，而之后的一個“這套房子建在懸崖上”的事實（當(dāng)然，這種壓倒性因素可能來自于Knol提取）就會消除你先前的所有好感，讓你重新決策。

所以，決策需要通過更全面的因素考量，而多視角決策系統(tǒng)，可以利用兩個人的兩套標(biāo)準(zhǔn)（比如你和你的配偶）來衡量決策。多視角決策系統(tǒng)還可應(yīng)用于自動駕駛領(lǐng)域，比如，收集10000個車主的看法來制定新標(biāo)準(zhǔn)等。

寫在最后——要相信技多不壓身

許多人眼中只有一把工具，掉進“我有的就是一把錘子，所以一切都是釘子”的深坑。諸如Recognant這樣的公司，在應(yīng)用神經(jīng)網(wǎng)絡(luò)的同時，也同樣在應(yīng)用文章中這些相對冷門的技術(shù)，畢竟相比于神經(jīng)網(wǎng)絡(luò)硬件系統(tǒng)，

這些軟件技術(shù)的優(yōu)勢就在于，能針對不同情況進行隨時的調(diào)整和開發(fā)，而無需花費額外的成本。所以，技術(shù)面窄，就有可能被一些情況所困住，而技術(shù)面越寬，面對問題就越容易迎刃而解。