这是一个关于该AI的先前知识的门户，可以让你寻找更多信息并最终创建关于AI的新知识。我称之为AI知识地图（AIKM）。
在轴上，您将找到两个宏组，即AI范例和AI问题域。所述AI范例（X轴）是用于通过AI的研究人员来解决特定AI相关的问题（其包括最新的方法）的方法。另一方面，AI问题域（Y轴）在历史上是AI可以解决的问题类型。从某种意义上说，它也表明了AI技术的潜在能力。
因此，我已经确定了以下AI范例：
- 基于逻辑的工具：用于知识表示和解决问题的工具
- 基于知识的工具：基于本体的工具和概念、信息和规则的庞大数据库
- 概率方法：允许代理在不完整的信息场景中行动的工具
- 机器学习：允许计算机从数据中学习的工具
- 体验智能：工程工具箱，它假定身体（或至少部分功能，如运动、感知、交互和可视化）是更高智力所必需的
- 搜索和优化：允许使用许多解决方案进行智能搜索的工具
这六种范式也分为三种不同的宏观方法，即符号、次符号和统计（由上面的不同颜色表示）。简而言之，符号方法表明人类智能可以简化为符号操作，子符号方法是事前不提供具体知识表示的方法，而统计方法则基于解决特定子问题的数学工具。
纵向轴反而规定了AI已经用过的问题，这里的分类很标准：
- 推理：解决问题的能力
- 知识：表达和理解世界的能力
- 规划：设定和实现目标的能力
- 沟通：理解语言和沟通的能力
- 感知：将原始感官输入（例如，图像、声音等）转换为可用信息的能力。
盒子的模式将技术分为两组，即狭窄的应用和一般应用。使用的词语是有目的的，但可能看起来有点误导……对于任何开始使用AI的人来说，了解弱/窄AI（ANI），强/一般AI（AGI）和人工超智能之间的区别（ASI）是至关重要的。
为了清楚起见，ASI只是一个最新的推测，一般人工智能是研究人员的最终目标和圣杯，而狭义人工智能是我们今天真正拥有的，即一套无法应对任何事情的技术超出其范围（这是与AGI的主要区别）。
图中使用的两种类型的线（连续和点线）明确指出了区别，以帮助您在阅读其他介绍性AI材料时增加一些信心。然而，与此同时，这里的差异概述了只能解决特定任务的技术（通常比人类更好 – 狭窄的应用程序）和其他 解决当前或未来的多项任务并与世界互动的技术（比许多人更好 – 一般应用）。
最后，让我们看看图中本身有什么。在图中，代表了不同类别的AI技术。注意没有命名特定的算法，而是将它们聚类成宏组。也没有提供有效和无效的价值评估，只是列出了研究人员和数据科学家可以利用的内容。
那么如何阅读和解读地图？举两个例子。如果看一下自然语言处理，它会嵌入一类算法，这些算法结合了基于知识的方法，机器学习和概率方法来解决感知领域的问题。但与此同时，如果你看一下基于逻辑的范例和推理问题之间的交叉处的空白区域，你可能会想知道为什么那里没有技术。地图传达的不是一个方法，而是表明，当人们接近推理问题时，他们更喜欢使用机器学习。
以下是技术列表：
机器人过程自动化（RPA）：通过观察用户执行特定任务来提取要执行的规则和操作列表的技术
专家系统：一种计算机程序，具有硬编码规则来模拟人类决策过程。模糊系统是基于规则系统的一个特定示例，它将变量映射到0到1之间的连续值，这与传统的数字逻辑相反，后者导致0/1结果
计算机视觉（CV）：获取和理解数字图像的方法（通常分为活动识别，图像识别和机器视觉）
自然语言处理（NLP）：处理自然语言数据的子字段（属于该字段的三个主要块，即语言理解，语言生成和机器翻译）
神经网络（NNs或ANNs）：一类松散地模仿人类/动物大脑的神经元结构的算法，可以在不明确指示如何操作的情况下改善其性能。NN 的两个主要和众所周知的子类是深度学习（具有多个层的神经网络）和生成性对抗网络（GAN – 两个相互训练的网络）
自治系统：位于机器人和智能系统交叉点的子场（例如，智能感知，灵巧对象操纵，基于计划的机器人控制等）
分布式人工智能（DAI）：一类通过将问题分发给彼此交互的自治“代理”来解决问题的技术。多智能体系统（MAS），基于代理的建模（ABM）和群体智能是该子集的三个有用的规范，其中集体行为来自分散的自组织代理的交互
情感计算：一个处理情绪识别，解释和模拟的子领域
进化算法（EA）：它是更广泛的计算机科学领域的一个子集，称为进化计算，它使用受生物学启发的机制（例如突变、繁殖等）来寻找最佳解决方案。遗传算法是最常用的EA子群，它是搜索启发式，遵循自然选择过程来选择“ 最适合 ”的候选解决方案
归纳逻辑编程（ILP）：使用形式逻辑表示事实数据库并制定源自这些数据的假设的子字段
决策网络：是最知名的贝叶斯网络 /推理的推广，它通过映射表示一组变量及其概率关系（也称为有向无环图）
概率编程：一种框架，它不会强制您对特定变量进行硬编码，而是使用概率模型。贝叶斯程序综合（BPS）在某种程度上是概率编程的一种形式，其中贝叶斯程序编写新的贝叶斯程序（而不是人类执行它，如在更广泛的概率编程方法中）
环境智能（AmI）：一种框架，要求物理设备进入数字环境，以感知，感知和响应外部刺激（通常由人类行为触发）的情境感知。
为了解决特定问题，您可以采用一种或多种方法，这反过来意味着一种或多种技术，因为它们中的许多技术不是相互排斥的并且是互补的。
教授计算机如何学习而不需要明确编程是一项艰巨的任务，涉及多种技术来处理多种细微差别，即使这张地图远非完美，它至少是第一次尝试弄清楚凌乱的景观。
我知道这里出现了强有力的帕累托原则，即80％（如果不是更多）当前的努力和结果是由地图中描绘的20％的技术（即深度学习、NLP和计算机视觉）驱动的，但我也确信拥有全谱可能有助于研究人员，创业公司和投资者。
我对第一个版本的反馈持开放态度，并计划采取两个额外步骤：一个是为AI面临的挑战类型创建一个层（例如，内存问题和灾难性遗忘、转移学习、从更少的数据中学习零和一次性学习等）以及可用于克服该特定问题的技术。其次，是应用镜头来看待不同的技术，而不是他们正在解决的问题，而是他们正在创造的问题（例如，道德问题、数据密集型问题、黑盒和可解释性问题等）。
(Francesco Corea，博士，专栏作家，是一位复杂科学家和技术投资者，主要关注科学驱动的公司，涉及生命科学，能源和人工智能等高社会影响垂直领域。)
- 达索系统全球CEO：科学是公司的DNA 坚持长期主义 – 2023年12月28日
- 发改委：实施绿色低碳先进技术示范工程重点方向含“工业互联网+绿色低碳” – 2023年8月24日
- 如何以技术手段破解数据合规难题 – 2023年8月17日