关于人工智能的讨论通常围绕着以技术为中心的主题:机器学习、会话接口、自主代理以及数据科学、数学和实现的其他方面。然而，天辰娱乐产品内的人工智能的历史和演变不仅仅是一个技术故事。人工智能的故事还与一波又一波的创新和研究突破紧密相连，这些创新和研究突破在经济和技术上遇到了障碍。人工智能的发现、创新、兴趣、投资、谨慎乐观、无限热情、局限性的实现、技术上的障碍、兴趣的消退、学术环境的回归，似乎是一个连续的模式。这些前进和后退的波浪，就像海岸上的海浪一样，是前后一致的。
这种兴趣、投资、炒作、然后衰落、反复验证的模式尤其令技术专家和投资者恼火，因为它没有遵循通常的技术采用生命周期。由Geoffrey Moore在他的书《跨越鸿沟》中推广的技术采用通常遵循一个明确的路径。技术是由创新者发展并发现早期的兴趣，然后是早期的采用者，如果技术能够跨越“鸿沟”，它就会被早期的多数人市场采用，然后它就会与后期的多数人的需求竞争，最后是技术落后者。如果技术不能跨越鸿沟，那么它就会被扔进历史的垃圾箱。然而，人工智能的独特之处在于它不符合技术采用生命周期模式。
但人工智能并不是一项独立的技术。相反，它是一系列的技术、概念和方法，所有这些都是为了追求智能机器。这一探索激发了学者和研究人员提出大脑和智力如何工作的理论，以及如何用技术模拟这些方面的概念。人工智能是技术的产生者，它们各自经历技术生命周期。投资者不是投资于“人工智能”，而是投资于有助于实现人工智能目标的人工智能研究和技术的产出。随着研究人员发现新的见解，帮助他们克服以前的挑战，或者随着技术基础设施最终赶上以前不可行的概念，新的技术实现就会产生，投资的周期也会更新。
理解的需要
很明显，智力就像一个洋葱(或帕法特)——有很多层。一旦我们理解了其中的一层，我们就会发现它只能解释智力的有限部分。我们发现还有另一层我们不太了解，回到我们的研究机构，我们去弄清楚它是如何运作的。在Cognilytica对语音助手智能的探索中，基准测试的目标是梳理下一层:理解。也就是说，知道某物是什么——在一组训练过的概念中识别图像，将音频波形转换成单词，在一组数据中识别模式，甚至是玩高级水平的游戏，都与真正理解这些东西是不同的。这种缺乏理解是为什么用户会从语音助手的问题中得到令人捧腹的回答，也是为什么我们不能在广泛的情况下真正获得自动机器功能的原因。没有理解，就没有常识。没有常识和理解，机器学习只是一堆无法适应现实世界不断变化的学习模式。
有助于理解这些增加价值的层次的视觉概念之一是“DIKUW金字塔”:
虽然上面的维基百科条目很方便地跳过了他们条目中的理解步骤，但我们相信理解是人工智能能力的下一个逻辑门槛。和之前所有的人工智能洋葱一样，解决这一层也需要新的研究突破，计算能力和数据量的大幅提升。什么?难道我们没有无限的数据和无限的计算能力吗?
不完全是。继续读下去。
对常识的追求:机器推理
在人工智能发展的早期，研究人员意识到，要让机器成功地在现实世界中导航，它们必须了解世界是如何运转的，以及各种不同的事物之间是如何相互关联的。1984年，世界上最长寿的人工智能项目开始了。Cyc项目的重点是生成关于世界如何运作的常识、基本概念和“经验法则”的全面“本体论”和知识库。Cyc本体使用一个知识图来构建不同概念之间的关系，以及一个允许系统对事实进行推理的推理引擎。
Cyc和其他构建理解的知识编码背后的主要思想是认识到，如果系统不理解它们所识别或分类的底层内容，那么它们就不可能是真正的智能系统。这意味着我们必须比机器学习更深入地挖掘智能。我们需要把这个洋葱再深一层，挖出另一层美味的冻糕。我们需要的不仅仅是机器学习——我们需要机器推理。
机器理性是这样一个概念:赋予机器在事实、观察和所有神奇事物之间建立联系的能力，我们可以通过机器学习来训练机器。机器学习已经实现了广泛的功能和功能，并开辟了一个可能性的世界，如果没有训练机器识别和识别数据模式的能力，这是不可能的。然而，由于这些系统不能真正有效地将这些信息用于更高的目的，
天辰测速官网或者在没有人类参与的情况下将从一个领域到另一个领域的学习应用到另一个领域，这一事实削弱了这种能力。即使是迁移学习在应用上也是有限的。
事实上，我们很快就会面对这样一个现实，即以机器学习为中心的人工智能在目前的能力边缘很快就会碰壁。要达到下一个水平，我们需要打破这堵墙，从以机器学习为中心的人工智能转向以机器推理为中心的人工智能。然而，这需要一些我们尚未意识到的研究上的突破。
事实上，Cyc项目作为最长寿的人工智能项目而享有盛名，这是一种间接的恭维。Cyc项目存在了很长时间，因为经过了几十年，对常识的追求被证明是难以捉摸的。将常识编写成可由机器处理的形式是一个巨大的挑战。您不仅需要以机器知道您在说什么的方式对实体本身进行编码，而且还需要对这些实体之间的所有相互关系进行编码。机器需要知道的“事情”有数百万，如果不是数十亿的话。这些东西有的有形如“雨”，有的无形如“渴”。对这些关系进行编码的工作是部分自动化的，但仍然需要人工验证连接的准确性……因为毕竟，如果机器可以做到这一点，
天辰平台网址多少我们就解决了机器识别的挑战。这个问题有点像先有鸡还是先有蛋的问题。如果没有某种方法来编码信息之间的关系，就无法解决机器识别问题。但是，如果没有某种形式的自动化，就无法对机器需要知道的所有关系进行可伸缩的编码。
我们仍然受到数据和计算能力的限制吗?
机器学习已经被证明是非常需要数据和计算的。在过去的十年中，许多迭代增强已经减少了计算负载，并帮助提高了数据使用的效率。gpu、TPUs和新兴的fpga正在帮助提供所需的原始计算能力。然而，尽管有这些进步，具有许多维度和参数的复杂机器学习模型仍然需要大量的计算和数据。机器推理很容易比机器学习复杂一个或多个层次。完成推理事物之间的复杂关系并真正理解这些事物的任务可能超出了今天的计算和数据资源。
目前人们对人工智能的兴趣和投资并没有在短期内出现任何放缓或停止的迹象，但不可避免的是，它将在某一时刻放缓，原因很简单:我们仍然不了解智能及其工作原理。尽管研究人员和技术人员做出了惊人的工作，我们仍然在黑暗中猜测认知、智力和意识的神秘本质。在某种程度上，我们将面临我们的假设和实现的局限性，我们将努力再剥一层洋葱，解决下一组挑战。在寻求人工智能的道路上，机器推理正迅速成为我们必须克服的下一个挑战。如果我们能够运用我们的研究和投资人才来解决这一问题，我们就能够保持人工智能研究和投资的势头。否则，天辰平台登录网址人工智能的模式将会重复，当前的浪潮将会达到顶峰。也许现在不会，甚至在未来几年内也不会，但人工智能的潮起潮落就像岸边的海浪一样不可避免。