现在 AI 被抽象划分为“弱人工智能”、“强人工智能”、“超人工智能”三个类别。甚至在许多业界专家(比方洪小文)眼中，只要“强”、“弱”AI 的差异，因为“超人工智能”离咱们真实还很远，难以捉摸。这样的抽象分类明显不利于群众关于各项 AI 技能进行知道和了解。因而，一些专家开端提出依据技能难度和 AI 智能水平的分类、分级办法。

其间，美国学者 Arend Hintze 提出了对 AI 的四级分类， 而最近，Intuition Machine 联合创始人 Carlos Perez 又提出了针对深度学习的五级分类。这些分类办法对各层次 AI 技能进行了简略的归类，有助于初学者更好地知道 AI 。

上个月，密歇根州立大学副教授 Arend Hintze 宣布了一篇很有价值的短文章《了解 AI 的四种类别：从呼应式机器到有自我意识的存在》( “Understanding the four types of AI, from reactive robots to self-aware beings” )。文中，他提出了对 AI 的四级分类：

呼应式

这是最基本的 AI 类型，无法产生回忆，不能运用曩昔的经历做决议方案。它们是“专才”而非“通才”，为完结特定使命所规划，不能担任其他使命。

有限回忆

当时行为可以参阅刚刚产生的事情。但回忆是瞬时的——无法用于未来决议方案。

心智理论( Theory of mind)

这是一个心理学术语，意思是能依据别人行为，推导、并了解他们的主意和动机。这一类型的 AI 可以概括出周围环境、和与之交互的其他署理的“表征”( representations，AI 术语，详见“表明学习”)。

自我意识

AI 的终极课题。现在关于它的描绘大都是猜测。

对此，AI 专家 Carlos Perez 表明，他喜爱这个四分类法远远超越现在广泛运用的“强人工智能 vs 弱人工智能”二分类法(ps：或许再加上“超人工智能”成为第三个类别)。Arend Hintze 的办法把弱 AI 分为三个类别(呼应式，有限回忆，心智理论)，这给了咱们更多概念，来区别不同的 AI 运用。但 Carlos Perez 又谈论道，该分类法好像来自于 “GOFAI” 思路(旧式 AI)，潜台词是它现已过期了;别的，从有限回忆、可以运用部分曩昔回忆做决议方案到心智理论，这脚步迈得太大了。

所以，Carlos Perez 提出了他自己的 AI 分类办法，按才能把 AI 划分为五个等级。他表明，该分类法首要针对深度学习，期望对 AI 从业者来说更详尽、更有用。它能帮咱们看清楚 AI 现在在哪个阶段，以及将来会走向何方。

Perez 表明：“对当时 AI 技能进行评价，咱们短少一个好的概念结构。这或许仅仅因为大多数 AI 谈论人无法跟上最新的深度学习发展——需求读的东西太多，并且最新发现不断改写咱们现在对 AI 的了解。”

咱们来看看 Perez 针对深度学习才能的 AI 分类：

1. 只能分类的体系(ANNs/DL) Classification Only

该等级包括全衔接神经网络( fully connected neural network ，FCN)，卷积神经网络(convolution network，CNN)和它们之间的各种组合。这些体系把一个高维度矢量作为输入，得到单个成果，一般是对输入矢量的分类。

你可以把这些体系当作无情况函数，意味着它们的行为仅仅一个针对当时输入的函数。一个抢手研讨范畴——生成模型，就归于该类别。简略来讲，这些体系凭它们自己是非常强壮的。

2. 运用回忆分类的体系 Classification with Memory (CM)

这个等级包括 “C 层”网络中整合的回忆要素。LSTM 便是一个比如：回忆单位嵌入在 LSTM 节点中。其它类似的变形还有，神经图灵机器 (NMT) 和 DeepMind 的可微分神经核算机(DNC)。在对行为进行核算时，这些体系会保持情况稳定。

3. 运用知识分类的体系 Classification with Knowledge (CK)

该等级与 CM 有些类似。但 C 层网络能获取的信息不是原始内存，而是符号化的知识库(symbolic knowledge base)。咱们获悉，事实上 Carlos Perez 就发现了三种符号化整合：1. 搬运学习办法( transfer learning approach);2. 自上而下办法 ;3. 自下而上办法。第一种办法用一个符号化体系作为正则化矩阵(regularizer)。第二种办法在神经表征底层的最上层参加了符号化元素。第三种办法跟这相反，C 层网络直接与符号化知识库相关。

4. 运用有限知识的分类 Classification with Imperfect Knowledge (CIK)

在这个等级，体系直接建立在 CK 之上，可是，它已可以运用不完美的信息做推理。这类体系的代表是 Alpha Go。仅仅 Alpha Go 选用的不是 CK 而是 CM 等级的才能。正如 Alpha Go，这类体系能经过与本身的对立模仿来练习自己。

5. 能运用有限知识协作分类的体系 Collaborative Classification with Imperfect Knowledge (CCIK)

这个等级和 Arend Hintze 的“心智理论”类别非常近似，多个署理神经网络联合起来处理问题。这些体系被规划来完结多项方针。咱们其实可以在对立网络中运转它的原始版别：与判别器和生成网络一同学习概括。在博弈论驱动的、能战略战术性处理多重问题的网络上运用该概念，就能得到高度灵敏的体系。可是，咱们现在还达不到这个水平，前面那些等级仍需求许多研讨来完善。

Perez 五级分类法的依据：

每一层等级，都带来了上个等级没有的新才能。 比方说，C 层体系只能猜测反因果关系(anti-causal relationships)。 CM 等级的体系能完结不错的翻译。CIK 等级体系能玩战略游戏。

咱们可以看出，除了没有“自我意识”等级，这个分类法和 Hinzte 四级分类高度类似。在这些“根底”等级悉数到达之前，Carlos Perez 不准备讨论自我意识。这个分类相同没有说到零样本学习(zero-shot learning)、一步学习(one-shot learning)或许无监督学习。据悉，后者仍然是 AI 根底应战之一。正如 大牛 Yann LeCun 所描述：

“假定机器学习是一个蛋糕，强化学习是蛋糕上的一粒樱桃，监督学习是外面的一层糖衣，无监督学习则是蛋糕糕体。咱们知道怎样做糖衣和樱桃，但不知道怎样把糕体做出来。”

在最近的讲演里，Yann LeCun 开端用猜测学习(predictive learning)来代替无监督学习。这是一个很有意思的改变：它展现出 LeCun 在如何做蛋糕这个问题上，观念产生了奇妙改变。在他眼里，这是 AI 技能大幅前进所必需的根底。换句话说，在建设好猜测学习的地基之前，在现有监督学习的根底上参加更多回忆、知识库、协作署理这些才能会非常困难。

在最近的 NIPS 2016 大会上，LeCun 展现了这幅 PPT：

这列出了 AI 前进的首要妨碍：

机器需求学习国际运作的办法

AI 要学习海量布景知识

机器需求可以感知环境的情况

机器需求更新并回忆环境的情况

机器需求学习和方案

智能和知识等于：感知+猜测模型+回忆+推理和方案

这些才能在反应回路里用届时，都运用了加速器技能。咱们其真实现在的研讨中看到过这类元学习(meta-learning)或是学习优化(learning to optimize)。元学习技能带来的首要启示是：当咱们能练习机器找出用其它办法找不出的处理方案，研讨办法会变得更强壮。