你们把AI吹上了天 但它却依然没4岁的小孩聪明！

贝叶斯模型将生成式模型和假设检验与概率论相结合，旨在解决这两个问题。贝叶斯模型让你计算出在给定的数据下，某一特定假设成立的可能性，通过对我们已经拥有的模型进行小的系统性调整，并根据数据对其进行检验，我们有时可以从旧的概念和模型中创建新的概念和模型，但是这些优势被其他的问题所抵消，贝叶斯技术可以帮助你选择两个假设中哪个更有可能，但几乎总是有大量的潜在假设，没有一个系统可以有效地全盘考虑它们。

贝叶斯模型（来源于网络）

纽约大学的布伦登·莱克（Brenden Lake）和他的同事们用这种自上而下的方法解决了另一个对人类而言很简单，但对计算机非常困难的问题：识别不熟悉的手写字符。看看日本画卷上的一个字，即使你以前从未见过它，你也可以分辨出它是否与其他日本画卷上的字符相似或不同，你可能能够画出它来，甚至可以根据你看到的这个字符设计出一个虚假的日本字符。

用于识别手写字符的自上而下方法是，给计算机就每个字符提供数千个例子，并让计算机提取出显著的特征，而莱克团队则是给这个程序提供一个字符书写过程的通用模型：笔画要么向右，要么向左，完成一个笔画以后，开始写另一个，等等，当程序看到一个特定的字符时，它可以推断出最可能导致这个字符生成的笔画顺序——就像你基于垃圾邮件形成过程推断出你的邮件可能是垃圾邮件一样，然后它就可以判断一个新字符是来自于这个笔画顺序还是来自于另一个不同的笔画顺序，它自己也可以产生一组类似的笔画。

这个程序比应用于完全相同的数据的深度学习程序要有效得多，而且它切实反映了人类的行动过程。

这两种机器学习方法各有优缺点，在自下而上的方法中，程序一开始并不需要太多的知识，但是它需要大量的数据，并且只能以限定的方式进行归纳，在自上而下的方法中，程序可以从几个示例中学习，并做出更广泛、更多样的归纳，但是你需要在开始时为其灌输更多的东西，许多研究人员目前正试图将这两种方法结合起来，利用深度学习来实现贝叶斯推理。

人工智能最近的成功在一定程度上是源于那些旧思想的延伸，但更重要的是，多亏了互联网，我们有了更多的数据，多亏了摩尔定律，我们有了更多的计算能力来应用那些数据。

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!