更改

===统计学习 ===

===统计学习 ===

许多传统的 GOFAI 在实验模型中行之有效，但不能推广到现实世界，陷入了需要不断给符号计算修补漏洞的困境中。然而，在20世纪90年代前后，AI研究人员采用了复杂的数学工具，如[[隐马尔可夫模型]] Hidden Markov Model（HMM）、信息论和标准贝叶斯决策理论 Normative Bayesian Decision Theory来比较或统一各种互相竞争的架构。共通的数学语言允许其与数学、经济学或运筹学等更成熟的领域进行高层次的融合。与 GOFAI 相比，隐马尔可夫模型和神经网络等新的“统计学习”技术在数据挖掘等许多实际领域中不必理解数据集的语义，却能得到更高的精度，随着现实世界数据的日益增加，人们越来越注重用不同的方法测试相同的数据，并进行比较，看哪种方法在比特殊实验室环境更广泛的背景下表现得更好; AI研究正变得更加科学。如今，实验结果一般是严格可测的，有时可以重现（但有难度）<ref name="Russell & Norvig 2003"/><ref name=" McCorduck 2004"/><ref>{{cite news|last1=Hutson|first1=Matthew|title=Artificial intelligence faces reproducibility crisis|url=http://science.sciencemag.org/content/359/6377/725|accessdate=28 April 2018|work=Science|date=16 February 2018|pages=725–726|language=en|doi=10.1126/science.359.6377.725|bibcode=2018Sci...359..725H}}</ref> 。不同的统计学习技术有不同的局限性，例如，基本的 HMM 不能为自然语言的无限可能的组合建模。评论者们指出，从 GOFAI 到统计学习的转变也经常是可解释AI的转变。在 [[通用人工智能]] 的研究中，<ref name="Norvig 2012"/>一些学者警告不要过度依赖统计学习，并认为继续研究 GOFAI 仍然是实现通用智能的必要条件。<ref name="Langley 2011"/><ref name="Katz 2012"/>

许多传统的 GOFAI 在实验模型中行之有效，但不能推广到现实世界，陷入了需要不断给符号计算修补漏洞的困境中。然而，在20世纪90年代前后，AI研究人员采用了复杂的数学工具，如[[隐马尔可夫模型]] Hidden Markov Model（HMM）、信息论和标准贝叶斯决策理论 Normative Bayesian Decision Theory来比较或统一各种互相竞争的架构。共通的数学语言允许其与数学、经济学或运筹学等更成熟的领域进行高层次的融合。与 GOFAI 相比，隐马尔可夫模型和神经网络等新的“统计学习”技术在数据挖掘等许多实际领域中不必理解数据集的语义，却能得到更高的精度，随着现实世界数据的日益增加，人们越来越注重用不同的方法测试相同的数据，并进行比较，看哪种方法在比特殊实验室环境更广泛的背景下表现得更好; AI研究正变得更加科学。如今，实验结果一般是严格可测的，有时可以重现（但有难度）<ref name="Russell & Norvig 2003"/><ref name=" McCorduck 2004"/><ref>{{cite news|last1=Hutson|first1=Matthew|title=Artificial intelligence faces reproducibility crisis|url=http://science.sciencemag.org/content/359/6377/725|accessdate=28 April 2018|work=Science|date=16 February 2018|pages=725–726|language=en|doi=10.1126/science.359.6377.725|bibcode=2018Sci...359..725H}}</ref> 。不同的统计学习技术有不同的局限性，例如，基本的 HMM 不能为自然语言的无限可能的组合建模。评论者们指出，从 GOFAI 到统计学习的转变也经常是可解释AI的转变。在 [[通用人工智能]] 的研究中，<ref name="Norvig 2012">Norvig, Peter (25 June 2012). "On Chomsky and the Two Cultures of Statistical Learning".</ref>一些学者警告不要过度依赖统计学习，并认为继续研究 GOFAI 仍然是实现通用智能的必要条件。<ref name="Langley 2011"/><ref name="Katz 2012"/>

 

=== 集成各种方法 ===

=== 集成各种方法 ===