「人工知能」に関する最大の混乱の1つは、非常に曖昧な用語であるということです。それは人工知能やAIが1955年に極端な傲慢さをもって造られた言葉だからです：我々は、ニューハンプシャー州ハノーバーのダートマス大学で1956年の夏に人工知能の2ヶ月10人の研究を実施することを提案する。この研究は、学習のあらゆる側面や他のインテリジェンスの特徴が原理的に機械をシミュレートするように正確に記述できるという推測に基づいて進めていくことです。機械に言語を使用させ、抽象概念を形成し、概念を形成させ、現在ヒトのために確保されている種類の問題を解決し、改善する試みを試みる。 - ダートマスAIプロジェクト提案J. McCarthy et al。 1955年8月31日。 AIは半世紀以上も経ち、手荷物をあまりにも多く持ち歩いています。非常に長い間、AIはSymbolistsによって支配されました。つまり、「ゼロ学習」を持つルールベースのシステムです。 1980年代には、新しい種類のAIが登場しました。この機械学習と呼ばれています。最後に、少なくとも「シンプルラーニング」がありました。しかし、大きなディザスタリカーションは、ディープ・ラーニングに遭遇したとき、そして囚人を服用していないときからずっと、この10年間に発生しました。これは、もちろん、AIの大まかな単純化された歴史です。 AIには、実際にはさまざまなアプローチや部族があります。 Pedro Domingoの本「Master Algorithm」には、5つの異なる「部族」について語っています。驚くべきことではないが、YCombinatorユーザーの “solidrocketfuel"は、少なくとも「21種類の異なる文化」について投稿している。 AIを行う予定の誰でも、AIの異なる部族のアプローチに違いがあることを理解することが重要です。 AIは同種のフィールドではなく、むしろ一定の部族戦争のフィールドです。ここに概要があります：

f:id:miyamotok0105:20170222083859j:plain

そして迅速な内訳：

Symbolists -

推論を行うためにシンボリックルールベースのシステムを使った人たち。 AIの大半はこのアプローチを中心に展開しました。 LispとPrologを使ったアプローチは、SemanticWeb、RDF、OWLだけでなく、このグループにもあります。これで最も野心的な試みの1つはDoug LenatのCycであり、80年代に彼が立ち返り、この世界について私たちが理解していることすべてをロジックルールでエンコードしようとしました。大きな欠点はこのアプローチの脆弱性であり、常に厳しい知識ベースが適用されないようなエッジケースを見つけるように見える。現実は、この種の曖昧さと不確実さを避けられないように思えます。それは、魔法の無限の試合をするようなものです。

進化論 -

突発的な知的行動に到達するために交叉や突然変異のような進化過程を適用する人々。このアプローチは、通常、遺伝的アルゴリズムとして知られています。ディープラーニングの勾配降下アプローチの代わりにGA技術が使われているので、孤立した方法ではありません。この種族の人々は、ConwayのGame of LifeやComplex Adaptive Systems（CAS）のようなセルオートマトンも研究しています。

ベイジアン（Bayesians） -

推論を行うために確率的なルールとその依存関係を使う人々。確率的グラフモデル（PGM）はこのアプローチの一般化であり、主要な計算メカニズムはサンプリング分布のモンテカルロ法です。このアプローチは、結果の説明に到達する方法があるという点で、Symbolistアプローチといくつかの類似点を持っています。このアプローチのもう1つの利点は、結果に表現できる不確実性の尺度があることです。 EdwardはこのアプローチをDeep Learningと組み合わせた1つのライブラリです。

Kernel Conservatives -

ディープラーニングの支配に先立って最も成功した方法の1つがSVMでした。 Yann LeCunはこの賛美されたテンプレートマッチングを呼び出します。カーネルトリックと呼ばれるものがあります。これは、非線形分離問題を線形にする問題です。この分野の開業医は、そのアプローチの数学的優雅さを喜んで生きています。ディープ・ラーナーは、結果の理解が漠然としていない呪文を唱える錬金術師だけだと考えています。

Tree Huggers -

ランダムフォレストやGradient Boosted Decision Treesなどのツリーベースのモデルを使用する人。これらは本質的に、ドメインを再帰的にスライスして分類器を構築するロジックルールのツリーです。このアプローチは実際に多くのカググル競技でかなり効果的でした。マイクロソフトでは、Deep Learningを使用してツリーベースのモデルを統合するアプローチを採用しています。

Connectionists -

インテリジェントな行動が、高度に相互接続された単純なメカニズムから生じると信じている人々。これの最初の表明は、1959年のパーセプトロンでした。このアプローチは、その後数回死亡し、復活しました。最新のインパネはディープラーニングです。ディープラーニングには多くのサブアプローチがあります。これも：カナダの共謀者 - ヒントン、レクン、ベンギオ他手作業によるフィーチャエンジニアリングを必要とせずにエンドツーエンドの深い学習。

Swiss Posse -

基本的にLSTMとその意識は、協力している2つのRNNによって解決されました。もしあなたが何かを発明したと主張すれば、この偽善者はあなたに恋しています。 LeCunによれば、「過去20年のうち最もクールなもの」であるGANsもまた、この兵士によって発明されると主張されている。

British AlphaGoist -

LeCunの主張にもかかわらずAI = Deep Learning + Reinforcement Learningが、ケーキのちょうど桜であるとの主張にもかかわらず、AI = DeepMindは、この分野の主な支持者の1つです。

Predictive Learners -

私は、教師なし学習を記述するためにYann LeCunという言葉を使用しています。 AIのケーキやAIの暗い物質。これはAIの主要な未解決領域です。しかし、私はその解決策が「メタラーニング」にあると考える傾向があります。

上記の主流のアプローチに加えて、我々はまた、圧縮者 - 認知と学習は圧縮（実際には他の部族が共有しているアイデア）です。情報理論の起源は、圧縮に関する議論から導かれる。これは普遍的な概念であり、あまりにもしばしば乱用された集計統計のツールよりも強力です。

複雑さの理論 - 物理学、エネルギーベースのモデル、複雑性理論、カオス理論、統計力学に由来する方法を採用する。 Swarm AIはおそらくこのカテゴリに適合します。ディープ・ラーニングがなぜ効果的なのかを説明する機会があるグループがあれば、このグループは可能性が高いです。 Fuzzy Logicians - このアプローチはかつては大変人気がありましたが、何らかの理由で私はそれについてはほとんど聞いていませんでした。ディープ・ラーニングの「あいまいな」アプローチの成功を考えれば、もう少し興味があると思うだろう。最近の公表された結果は、模擬戦闘で戦闘機のパイロットを倒すファジールールの使用を示しています。 Biological Inspirationalists - 生物学においてどのようなニューロンが現れるかに近いモデルを作成する人々。例としては、IBMのTrueNorthチップのようなNumentaの人々やSpike-and-Integrateの人々が挙げられます。 Connectomeist - 脳の相互接続（Connectome）が知性の源泉であると信じている人々。バーチャルワームを複製しようとしているプロジェクトがあり、このように脳をマッピングしようとしている野心的な資金提供研究があります。情報統合理論家 - 現実の因果関係を反映する機械の内部想像力から意識が現れると主張する。このグループのモチベーションは、意識を理解するためには、少なくともそれについて考え始める必要があるということです。しかし、私は彼らのアプローチにおいて学習と意識の関係を見ることができません。彼らはまったく関連していない可能性があります！それはたぶん睡眠が必要な理由でしょう。

PACの理論家 - 実際に人工知能について話したい人ではなく、ただ知っているだけで知性を学ぶのが好きです。それらの考えは、適応型システムが便宜的に計算を実行するため、すべてがほぼ正しいと考えられるということです。要するに、インテリジェンスは膨大な計算量を必要としません。

要約すると、実際には、AIに対する代替的なアプローチの驚異的な配列があります。私は、私が逃した他のアプローチがあることを確信しています。いくつかのアプローチはお互いに対立していますが、他のアプローチは相乗的に一緒に使用できます。しかし、私が指摘したいことは、そこにあるものを少し理解すれば、このスペースをナビゲートするのに役立つということです。 Shivon ZillisのMachine Intelligence Landscapeを見てみると、

f:id:miyamotok0105:20170222084023p:plain

すべての人がAIをやっていると主張する大企業があります。より尖った質問をしなければなりません。これらの企業のそれぞれは、どのような種類のAIを使用していますか？ここでの真の現実は、すべてのAIが同じではないということです。言い換えれば、「一部のAIは他のAIよりも同等です」私たちの意見では、ディープ・ラーニング関連のアプローチは、逆に独占しています。単純な理由は：「学習、愚かなことです！」あなたのAIアプローチが学習のための強力なメカニズムを持っていない場合、あなたは永遠にDoug Lenatの運命に運命づけられます。つまり、すべてのルールを手作業で書く必要があります（30年間）。他のアプローチはかなりデッドエンドアプローチになりがちです。 AIのアプローチには、内部ルールを機械的にブートストラップする方法があります。最も効果的なアプローチの1つは、Deep Learningを他のアルゴリズムと組み合わせて使用することでした。ディープラーニングと組み合わせてモンテカルロツリー検索技術を使用したAlphaGoの実装では、これを見てきました。ディープラーニングとシンボリックアプローチを統合することは、補完的な長所と短所を持っていることを考えると非常に有望です。未来を楽しみにして、それはすべてディープラーニングであり、AIはそれらをすべて支配するAIです。しかし、他のいくつかのAI手法と組み合わせたディープラーニングと同様に有望であろう。この現実を無視することは、自分の絶滅を確実にするための確実な方法です。

ダボスからの更新。 Brinは、GoogleのSergey Brinとのインタビューで、Google BrainのJeff Deanからいくつかの論文クリップがあるにも関わらず、Deep Learningが来るとは見ていないと述べています。 Googleを作成したブリン自身がディープ・ラーニングの進歩を予測できなかった場合、他の競合するAI部族の多くの実務家について何が言えるでしょうか？それは既得権益のある人ですか？結論として、住人AIの専門家を信用しないでください。彼はちょうど別の部族に属するかもしれません。だから、 “深い学習"についての会話を始めましょう、あなたの電子メールを "直感的なマシン"に任せてください。アップデート：Wired magazineには「AI Factions Feisty」の記事があります。 [CON] https://niginsblog.wordpress.com/2016/03/07/new-spaceship-speed-in-conways-game-of-life/ [HCP] https://www.humanconnectome.org/ [WEF] http://www.weforum.org/agenda/2017/01/google-sergey-brin-i-didn-t-see-ai-coming/