Swiss Posse：基本上是 LSTM，以及两种结合的 RNN 解决知觉的问题。根据 LeCun 的说法，GAN 是“最近20世纪最酷的东西”，也被声称是这帮人发明的。

　　British AlphaGoist：这帮人相信，AI = 深度学习 + 强化学习，尽管 LeCun 称强化学习只是蛋糕上的樱桃。DeepMind 是这一派的主要支持者。

　　Predictive Learners：这个词是 Yann LeCun 用来形容无监督学习的，这是 AI 主要的一个未解决的领域。然而，我倾向于相信解决方案在于“元学习”（Meta-Learning）。

　　除了上面描述的主流方法外，还有一些不是特别主流的方法：

　　Compressionists：认为认知和学习就是压缩（compression），这实际上也是其他学派共同的观点。信息理论起源于关于压缩的论证。这是一个普遍的概念，比所有经常被滥用的集合统计工具更强大。

　　Complexity Theorists：这一派的人采用来自物理学，基于能量的模型，复杂性理论，混沌理论和统计力学的方法。Swarm AI 可以说属于这一派。如果任何团队称他们能找到深度学习为什么能起效的很好的解释，那么他们可能是这一派的。

　　Fuzzy Logicians ：这种方法曾经很受欢迎，但最近比较少见。最近有一个使用模糊规则在 mock dogfight 中打败一个战斗机飞行员的研究。

　　Biological Inspirationalists：这一派倾向于创造更接近于生物学中的神经元的模型。例子是 Numenta，pike-and-Integrate，以及 IBM 的 TrueNorth 芯片。

　　Connectomeist：这些人相信大脑的互连（即：Connectome）是智能的来源。有一个项目试图复制一个虚拟的蠕虫，也有一些得到雄厚资助的研究，试图以这种方式映射大脑。

　　Information Integration Theorists：认为意识来源于机器的内部想象，反映了现实的因果关系。这一派的动机是，如果我们想要理解意识，那么我们至少需要开始思考意识。然而，我没法在他们的方法中找到学习和意识的关系。在他们认为，这两者可能是不相关的。

　　PAC Theorists：这一派的人并不是真的想讨论人工智能，而只是喜欢研究智能，因为至少他们承认智能的存在。他们的整体思想是自适应系统可以方便地执行计算，其结果都能大致正确。简言之，在他们看来智能不需要大规模的计算。

　　总而言之，这些 AI 的方法令人眼花缭乱。而且我确信还有我没发现的别的方法。有些方法彼此水火不容，而另一些方法可以结合使用。但是，写这篇文章我想指出的是，对这些眼花缭乱的方法都了解一点，有助于让你在这个领域找到路径。

　　最后，atv，让我们看看 Shivon Zilis 制作的：

机器学习生态全景图 3.0 （来源：Oreilly）

　　有很多公司声称自己是 AI 公司，在搞 AI 研究。你需要向他们提一个直截了当的问题。就是这些公司都在使用什么 AI 方法？因为这里面的一个严峻的现实是，并不是所有的 AI 都是平等的。换句话说，“有些 AI 比其他 AI 更平等”。我们的提议是，现在与深度学习相关的方法势头正猛。很简单，因为它与学习有关。如果你的 AI 方法没有一个强大的学习机制，那么注定是 Doug Lenat 那般的命运，也就是必须人工编写所有规则！其他的方法往往都是死胡同。

　　最好的方法之一是将深度学习与其他算法相结合。AlphaGo 便是这样，使用了蒙特卡洛树搜索技术和深度学习的结合。考虑到符号学的方法与深度学习具有互补的优势和弱点，它们的结合也是非常有前途的。展望未来，将是深度学习一统 AI 之天下。不过，深度学习与其他 AI 方法相结合同样有前途。不要忽视这个现实，否则只会自取灭亡。

　　原文地址：https://medium.com/intuitionmachine/the-many-tribes-problem-of-artificial-intelligence-ai-1300faba5b60#.z7gn2bs2h

「招聘」

全职记者、编译和活动运营

欢迎实习生

以及人工智能翻译社志愿者

详细信息请进入公众号点击「招聘」

或发邮件至 [email protected]