人工智能未来简史

在《

一个数据科学家的自我修养

》一文中，我提到了以下观点：

虽然今天利用数据（经验和观察）驱动的技术成为了人工智能技术的主流，但是推理和逻辑的方法并不一定无效了，也许两者结合才能更接近所需的答案。

做数据分析的同行们都知道一句话“Garbage In, Garbage Out”，意思就是如果拿到的数据是垃圾，那么分析结果肯定也是垃圾。比如以下关于房租的报道，三份同一天的报纸结论相差甚大，然而其基于的数据都有据可查，并非凭空捏造。

借用《数据忽悠无处不在，你肯定中招过！》一文的观点，正所谓“数据是客观的，数据背后的人是主观的”。文中提到的原因有如下几点。

不同的数据源不同的结论

同一组数据不同的指标

同一组数据不同的指标定义

同一组数据不同的权重值

同一组数据不同的业务背景

既然不能完全依赖数据，加入逻辑推理就显得必不可少。传统意义的逻辑推理方法由来已久，最初起源于1984年NASA的专家系统项目CLIPS。曾经一度是人工智能技术的主流。它模仿人类的推理方式，使用试探性的方法进行推理，并使用人类能理解的术语解释和证明它的推理结论。

和人类的思维相似，专家系统中也存在两种推理方式：正向推理和反向推理。正向推理也叫演绎法，由事实驱动，从一个初始的事实出发，不断地应用规则得出结论。反向推理也叫归纳法，由目标驱动，首先提出某个假设，然后寻找支持该假设的证据。若所需的证据都能找到，说明原假设是正确的；若找不到所需要的证据，则说明原假设不成立，此时需要另做新的假设。

然而专家系统也有其缺点，最终让位于目前居于主流的以数据统计为基础的人工智能技术。首先是规则之间的关系不透明。尽管单条规则都比较简单，也是自释性的，大量规则间的逻辑关系却可能不透明。其次是其低效的搜索策略。当规则很多时，系统速度会很慢。最严重的问题是没有学习能力。专家系统并不能自动修改知识库，这意味着大量的人工投入。

因此，这里想提倡的是在符合客观事物运行规律的前提下，能够通过观察事物以及事物之间的关系，将其进行抽象化之后自动生成规则的逻辑推理能力。关于此的一些想法可以阅读我的另一篇文章《神经网络之后》。