传统人工智能中的三大问题

　　随着深度学习在神经网络和大样本统计规律上的广泛应用逐渐触及瓶颈，人工智能的发展正逐步向基于符号推理和因果推理的传统人工智能领域回归。AI算法工程师若仅局限于海量样本的统计规律，而忽视了符号推理与小样本学习的传统技术，很可能在未来深度学习热潮退去后，难以适应企业和市场的新需求。

　　本文探讨了传统人工智能需解决的三大核心问题：问题求解、博弈及谓词逻辑，这些均基于符号推理和白盒推理。掌握相应的解决方案和算法，不仅能帮助算法工程师拓宽视野，还能深化对算法本质的理解，提升解决问题的能力，以更好地应对未来的挑战。

　　人工智能领域涵盖传统与现代两大分支。机器学习、深度学习、遗传算法及强化学习等构成了现代人工智能的主要组成部分，它们主要解决分类、回归、聚类、关联及生成等问题。而传统人工智能则聚焦于问题求解、博弈及谓词逻辑这三大核心问题。

　　传统人工智能之所以关键，原因如下：

1. 其算法成熟、可靠且高效。对于能用传统人工智能解决的问题，应避免采用复杂且成本高昂的现代人工智能方法。例如，求上海至北京的最短路径问题，A*算法比深度神经元网络更为高效。
2. 传统人工智能构成基础。在许多应用场景中，现代人工智能方法需在传统人工智能的基础上发挥作用。如AlphaGo虽在围棋领域取得世界冠军，但其基础部分仍为博弈算法，而残差神经元网络仅在评价棋局优劣时发挥作用。若仅懂深度学习而不懂博弈算法，编写高效围棋程序将极为困难。
3. 深度学习基于黑盒推理，知其然而不知其所以然。而传统人工智能的算法多基于白盒推理，不仅知其然更知其所以然。
4. 我们不能以“有无用处”作为评价传统人工智能的标准。正如数学中某些当时看似“无用”的理论和方法，在后来变得“有用”时再去研究已显得迟矣。

　　问题求解是指可用状态描述且起始与终止状态明确的问题。例如，八数码问题的一个可能起始状态为在一个3×3的网格中随机放置1-8八个数码，其中一个网格为空。空网格可与上下左右四个方向的数码交换，但不可与斜方向上的数码交换。目标是通过最少的移动次数，使八个数码呈现特定终止状态。

　　问题求解的一种简单方法是构造搜索树：

• 将初始状态视为根结点，构成仅含一个结点的搜索树T；
• 从T中选取一个候选结点a，将其所有可能的子结点挂在a之下，此过程称为对a的扩展；
• 不断重复上述步骤，直至找到终止状态或再无候选结点为止。