【新智元导读】AI 的方法有许多，除了我们较为熟悉的“五大流派”，本文作者对 AI 的各流派进行细分，梳理了起码 17 种方法，并用一张图直观地展现。作者说，各种 AI 方法并不平等，站错队可能导致自取灭亡。

　　“人工智能”是一个非常含糊的术语。这是因为人工智能（AI）是1955年在一种非常傲慢的情境下被创造出来的一个术语：

　　我们建议于1956年夏天在新罕布什尔汉诺威的达特茅斯学院进行一个为期2个月，10个人参加的人工智能研讨会。

　　该研讨会将基于如下设想进行：学习的每个方面或有关智能的其他特征原则上可以非常精确地进行描述，以至于能被机器模拟。我们将尝试找到让机器使用语言、形式抽象和概念的方式，解决现在只能由人类解决的问题，并提升人类智能。

　　——达特茅斯AI项目计划提议书；J. McCarthy et al.; Aug. 31, 1955.

　　AI 经历了半个多世纪，也带上了太多其他学科的印记。在很长一段时间里，AI 被符号主义者统治。符号主义是一种基于规则的系统，具有“零学习”（Zero Learning）特点。20世纪80年代，一种新的 AI 方法开始出现，我们称之为机器学习。最后，还有“简单学习”（Simple Learning）。然而，在最近十年里，atv，最大的变化是我们偶然发现了“深度学习”，而且它杀伤力极强，似乎无所不能。

　　当然，这是一个非常简化的 AI 历史。实际上，AI 领域有许多不同的方法和流派。Pedro Domingo 在《终极算法》一书中描述了5个不同的 AI “学派”。一位名为 solidrocketfuel 的 Y Combinator 用户不甘示弱，发了条帖子，说 AI 至少有“21 个不同的流派”。

　　对于任何计划搞 AI 的人来说，一个非常重要的事情是了解 AI 的这些不同学派和方法之间之间的差异。AI 不是一个同质的领域，而是不断发生不同学派之间的争议的领域。下图是一个概况：

　　符号学派（Symbolists）：是使用基于规则的符号系统做推理的人。大部分 AI 都围绕着这种方法。使用 Lisp 和 Prolog 的方法属于这一派，使用 SemanticWeb，RDF 和 OWL 的方法也属于这一派。其中一个最雄心勃勃的尝试是 Doug Lenat 在80年代开发的 Cyc，试图用逻辑规则将我们对这个世界的理解编码。这种方法主要的缺陷在于其脆弱性，因为在边缘情况下，一个僵化的知识库似乎总是不适用。但在现实中存在这种模糊性和不确定性是不可避免的。

　　进化学派（Evolutionists）：是应用进化的过程，例如交叉和突变以达到一种初期的智能行为的一派。这种方法通常被称为遗传算法（Genetic Algorithm，GA）。在深度学习中，GA 确实有被用来替代梯度下降法，所以它不是一种孤立的方法。这个学派的人也研究细胞自动机（cellular automata ），例如 Conway 的“生命游戏”和复杂自适应系统（GAS）。

　　贝叶斯学派（Bayesians）：是使用概率规则及其依赖关系进行推理的一派。概率图模型（PGM）是这一派通用的方法，主要的计算机制是用于抽样分布的蒙特卡罗方法。这种方法与符号学方法的相似之处在于，可以以某种方式得到对结果的解释。这种方法的另一个优点是存在可以在结果中表示的不确定性的量度。Edward 是一个将这种方法与深度学习相结合的库。

　　核保守派（Kernel Conservatives）：在深度学习之前，最成功的方法之一是 SVM。Yann LeCun 曾称这种方法为模板匹配方法。该方法有一个被称为核的技巧，可以使非线性分离问题变成线性问题。这一派的研究者喜欢他们的方法所具有的数学美感。他们认为深度学习派只不过是炼金术士，在没有对后果有所了解的情况下就念起咒语。

　　Tree Huggers ：是使用基于树的模型的人，例如随机森林和梯度提升决策树。这些本质上都是逻辑规则树，它们递归地分割域以构建分类器。这种方法实际上在许多 Kaggle 比赛中都相当有效。微软提出的一种方法是将基于树的模型与深度学习结合起来。

　　联结学派（Connectionists）：这一派的研究者相信智能起源于高度互联的简单机制。这种方法的第一个具体形式是出现于1959年的感知器。自那以后，这种方法消亡又复活了好几次。其最新的形式是深度学习。

　　深度学习中包含许多子方法。包括：

　　The Canadian Conspirators ：Hinton，LeCun，Bengio 等人，推崇无需人工进行特征工程的端到端深度学习。