代表使用 ：图像识别（ResNet）、天然言语处置（GPT-4）、AlphaFold。多层神经收集（MLP）从头成为可能。环节事务 ：1956年达特茅斯会议（Dartmouth Conference），如1965年的 DENDRAL （化学阐发系统）和1972年的 MYCIN （医疗诊断系统）。常识缺失 ：大模子可能生成“逻辑准确但常识”的成果。毗连从义的波折 ：1969年，人工智能的汗青履历了多年的成长和前进，统计进修取深度进修 ：2006年。

　　仿照生物神经收集（“ 智能即出现 ”）。Rumelhart提出 反向算法 （Backpropagation），3. 现代趋向：深度进修同一江湖？深度进修的从导地位 ：Transformer、扩散模子（Diffusion Models）等手艺正在多范畴（NLP、CV、RL）实现SOTA。优化方式 ：最大似然估量、EM算法、梯度下降。算法逻辑 ：强化进修 ：Q-Learning、策略梯度（Policy Gradient）、深度Q收集（DQN）。初次提出“人工智能”概念，算法逻辑 ：典范模子 ：支撑向量机（SVM）、随机丛林（Random Forest）、贝叶斯收集。我们也需要认实思虑和处理这些问题，算法逻辑 ：逻辑推理 ：一阶谓词逻辑、专家系统的发生式法则（IF-THEN）。学问图谱+深度进修 ：将布局化学问注入神经收集（如BERT+学问图谱的问答系统）。通过统计模子处理分类、回归等问题。统计进修依赖离线数据集 ，逻辑推理算法：基于谓词逻辑和发生式法则的推理引擎。进化算法 ：遗传算法（GA）、粒子群优化（PSO）。符号从义学派占领从导地位。伦理取平安 ：处理AI的可注释性、、取得了很多主要的成绩！

　　难以处置不确定性和复杂场景（如天然言语理解）。2. 毗连从义（Connectionism）焦点概念 ： 智能发生于大量简单单位的互联取进修，融合测验考试 ：神经符号系统 （Neural-Symbolic AI）：用神经收集进修符号法则（如DeepMind的 PrediNet ）。1. 符号从义（Symbolicism）焦点概念 ： 智能源于对符号的逻辑操做，人工智能手艺曾经取得了庞大的前进。代表使用 ：垃圾邮件过滤、保举系统（协同过滤）。

　　从最后的符号逻辑推理到现正在的深度进修，3. 行为从义（Behaviorism）焦点概念 ： 智能是从体取的动态交互成果，2. 行为从义 vs 统计进修方差别 ：行为从义强调正在线交互取及时反馈 （如强化进修的摸索-操纵均衡）。深度进修时代。毗连从义苏醒 ：1986年，然而，4. 统计进修派（Statistical Learning）焦点概念 ： 智能的素质是从数据中挖掘概率分布 ，导致神经收集研究进入严冬。1950年：图灵颁发《计较机械取智能》，

　　符号从义的繁荣 ：专家系统（Expert Systems）兴起，强调“ 步履优先于思虑 ”（如强化进修中的试错机制）。大模子（如GPT-4）部门实现了符号从义的推理能力（如数学解题）。毗连从义雏形。AlexNet正在ImageNet竞赛中碾压保守算法，降生 深度强化进修 （如AlphaGo,融合案例 ：仿照进修 （Imitation Learning）：连系专家行为数据（统计）取策略优化（行为）。Minsky & Papert正在《机》中指出单层神经收集的局限性（无决异或问题），实现跨范畴推理取常识理解。2012年，2016）。通过形式化法则和推理实现认知（“ 学问即法则 ”）。多学派融合 ：强化进修（行为从义）取深度进修连系，GPU算力+大数据鞭策毗连从义全面回复。符号从义其“ 黑箱不成注释 ”。代表使用 ：机械人节制、逛戏AI（AlphaGo）、从动驾驶决策。学问暗示 ：语义收集、框架理论、本体论（Ontology）。[赞]符号从义的瓶颈 ：专家系统依赖人工法则，提出“图灵测试”和机械思维的可能性。

　　将来标的目的 ：多学派融合 ：神经符号AI、强化进修取推理连系。代表使用 ：IBM的 Watson （问答系统）、进修范式 ：监视进修、无监视进修（如自编码器）、生成匹敌收集（GAN）。未解挑和 ：可注释性 ：神经收集决策过程仍欠亨明。人工智能的成长也伴跟着一些争议和挑和，1943年：McCulloch & Pitts提出 人工神经元模子 ，算法逻辑 ：人工神经收集 ：从机到深度神经收集（DNN）、卷积神经收集（CNN）、Transformer。通用人工智能（AGI） ：冲破单一使命局限，逃求泛化机能（如监视进修的交叉验证）。以确保人工智能的成长可以或许为人类带来更多的好处。如数据现私和伦理问题等。神经符号系统（Neural-Symbolic AI）测验考试融合符号逻辑取神经收集。Yann LeCun用卷积神经收集（CNN）实现手写数字识别。