AI热潮中，有关神经网络的声音最大。然而，AI远远不止如此。 目前在AI技术领域中，投入资金最多的当属对神经网络的研究了。在众人眼中，神经网络技术貌似就是“程序构造的大脑”(虽然比喻很不准确)。 神经网络的概念早在20世纪40年代就被提出，但直到现在，人们对于神经元及大脑的工作方式仍然知之甚少，最近几年，科研界关于神经网络技术创新的呼声越来越强，渴望重启神经网络的热潮…… 其实，除了神经网络以外，AI领域中还包含很多更有趣、更新颖，更有前景的技术，文章中就将这些技术介绍给大家。 1. Knol提取 Knol指信息单元，也就是关键字、词等，Knol提取技术则是从文本中提取关键信息的过程。举个简单的例子：比如“顾名思义，章鱼有8条腿”这句话经过提取后，就变成了这个样子：{“章鱼”：{“腿的数目”：8}}。 我们常用的Google搜索引擎就依赖于这项技术，后续介绍的技术中，很多也都包含了这项技术。 2. 本体构建 本体构建是基于NLP的技术，旨在用软件来构建实体名词的层次结构，这一技术对实现AI会话大有帮助。虽然本体构建表面看起来简单，但事实上构建却并不容易，主要因为事物之间的实际联系比我们所认为的要复杂的多。 例如，利用NLP分析文本来建立实体关系集： 例句：“我的拉布拉多犬刚刚生了一群小狗崽，它们的父亲是只狮子狗，所以它们是拉布拉多贵宾犬(一种混血犬)”这句话被转换后，就变成了：{“小狗崽”：{“可能是”：“拉布拉多贵宾犬”，“拥有/生(have)”：“父亲”}，“拉布拉多犬”：{“拥有/生(have)”：“小狗崽”}}。 但是，人类在进行语言表达时，通常不会将所有的关系都陈述出来，比如这句话中，是要通过推断才能得出“我的拉布拉多犬为雌性”这一事实，这就是本体构建的难点所在。 正如此，本体构建技术目前只应用在了顶尖的聊天机器人中。 3. 自定义启发式 启发式是一种用于分类的规则，通常类似于“如果这件物品是红色的”或“如果Bob在家里”这样的条件语句，这些条件语句常伴随某项动作或决定，例如： 如果某物[“成分”]属性中包含“砷”这一元素：则它的[“毒药”]属性为“True”。 对于每个新的信息，都伴随着新的启发式和新的关系，随着新的启发式的建立，又可以对相关的名词产生新的理解。比如： 启发式一："puppies"(小狗)说明是幼崽(Babies); 启发式二：幼崽(Babies)说明很年轻; 通过以上两个启发式推断出："puppies"都很年轻。 启发式的难点在于，多数情况下，规则并不会如“If/Then”一样简单。类似于“有些人头发是金色的”这样的语句，就很难用启发式来表述。所以我们有了“认知论”(见下)。 4. 认识论 认识论是本体构建和自定义启发式的结合，并在其中加入了概率特性，通过概率表示名词与任一属性产生关联的可能。比如，用这样本体结构： {'人'：{'性别'：{'男'：0.49，'女'：0.51}，'种族'：{'亚裔'：0.6，'非洲裔'：0.14}} 来表示对一个人性别和种族的判断。同时，概率能帮助识别一些具有多重含义的“混合型”词组，比如像“梅子像是打了激素的葡萄干”这句话中，因为“打了激素”这一词组很大可能地意味着“体积较大”，从而得出，这句话很大可能的意思是“梅子体积比葡萄干大”。 认识论的实现相比本体构建要困难得多。首先，它需要更多的数据;并且，由于其结构的复杂性，很难在确定规则后快速地建立起数据库来实现查找;还有，规则的确定通常基于某项事物在一段文字中被提及的频率，但文字却未必能真实地反映现实情况。 认识论与Asimov提出的“张量流”理论很相似。Google开发的同名TensorFlow系统并不是真正基于张量，而认识论是基于张量的。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
