AI系统
不同未来人工智能
一天一天不听AI机器学习和AI,因为这些术语往往混为一谈,已经成为商业、技术和金融词汇的一部分模式识别和发现大海隐藏关联大增技术界和商业界的热切和希望
成功值得庆贺,但我们不应忘记,除机器学习外,人工智能还有其他许多方面。常识推理 知识表达 推理 举几个例子 今天不是工具箱的一部分
之所以不使用这种机器情报形式,是因为这些问题带来困难。与最近机器学习进步不同,半个世纪符号系统研究、认知心理学和机器推理没有产生重大突破
智能网络:人工智能新形式
未来大有希望 当我们意识到智能并不限于单脑时以昆虫聚居地、组织和市场等群体为例,举几个例子在所有这些例子中,大批代理能执行局部任务,可算作集体行为,成功解决数个问题,超越单个个体解决能力并经常在没有全局控件的情况下交换不完全和有时延迟的信息
分布情报下的许多特征可见诸连接地球的计算网络系统内流程生成或生成 跨网络迁移并生成远程计算机中的其他流程并同时竞争带宽或CPU等资源,
有趣的是,我们理解分布式智能性能, 自然和人工性能比个体脑机能高得多部分原因在于我们很容易观察和测量个人与程序在复杂信息空间导航时的交互作用与难学习人脑内详细认知过程对比从这一大知识中我们知道,分布式系统总体性能取决于多代理交换局部结果的能力,而部分结果并非总最优,成功则取决于少数代理单位时最进步(想多代理物在栈中寻找已知针头)。
分布式情报:优于最佳
表示AI大有前途创建分布式智能程序,可感知、学习、识别和汇总信息例子可以包括感知智能汇总以决定特定动作的局部异常、网络某些部分对恶意的集体检测、传感器聚合和对预设流量和内容模式的有效响应等例子
分布式AI不是一个虚幻目标少数系统已经设计测试并显示在解决密码图画等硬计算问题所需要的时间大有改进这些问题的特征是,随着尺寸线性增长,寻找解决办法的时间成倍上升旅行推销员问题常举一例,可视之为搭建网络的隐喻,以最大限度地减少覆盖多城市和用户所需的遍历数。虽有数大启发论处理优化问题,但大例人们只能期望找到尽管非最优但满足一定数目约束的解决办法。
合作系统之美在于一旦部署后,它们可展示组合性故障.阻塞特征是,由于合作效果,可能解决场数突然崩溃,结果需要指数化时间解决的问题现成线性或多元化时间解决编译器交换消息质量和数目增加,同时努力解决复杂问题
归根结底,分布式AI将允许解决数个实际难解问题,其中许多问题与电缆网络畅通安全运行相关联。试想应用不同的AI解决方案搜索安全异常并合并以识别并采取行动或监听网络中由智能代理汇总输出的不同传感器仅举两例问题分布式人工智能处理越多例子我们思考并实现, 越接近智能代理社会愿景,像我们所知道的社会系统一样,这些代理将大大优于单机学习算法,我们非常熟悉。
订阅博客学习更多人工智能未来
