符号主义与联结主义人工智能的融合路径分析

被引：27

作者：

魏斌

机构：

[1] 浙江大学数字法治研究院

来源：

自然辩证法研究 | 2022年 / 38卷 / 02期

基金：

国家重点研发计划;

关键词：

符号主义; 联结主义; 人工智能; 融合路径;

D O I：

10.19484/j.cnki.1000-8934.2022.02.004

中图分类号：

N02 [科学的哲学原理]; TP18 [人工智能理论];

学科分类号：

0101 ; 010108 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

人工智能的演化形成了符号主义与联结主义人工智能两条代表性进路。符号主义人工智能的优点在于推理过程透明、可解释,但存在不完备、框架问题和知识接收瓶颈等问题。联结主义人工智能的泛化能力和可移植能力强,但缺陷是算法不可解释性、过拟合等问题。符号主义与联结主义人工智能有着显著的融合可能性,在新一代人工智能背景下,两条进路的融合又产生了新的路径,在基于神经网络的逻辑推理、符号表示的机器学习、认知图谱及其推理、机器学习与论辩挖掘等交叉领域表现出强劲的融合潜力。

引用

页码：23 / 29

页数：7

共 14 条

[1] 迈向第三代人工智能 [J].

张钹 ;

朱军 ;

苏航 .

中国科学:信息科学, 2020, 50 (09) :1281-1302

[2] Abductive learning: towards bridging machine learning and logical reasoning [J].

Zhi-Hua ZHOU .

Science China(Information Sciences), 2019, 62 (07) :220-222

[3] 人工智能的框架问题及其解决策略 [J].

夏永红 ;

李建会 .

自然辩证法研究, 2018, 34 (05) :3-9

[4]

机器学习[M]. 清华大学出版社 , 周志华, 2016

[5] An autonomous debating system [J].

Slonim, Noam ;

Bilu, Yonatan ;

Alzate, Carlos ;

Bar-Haim, Roy ;

Bogin, Ben ;

Bonin, Francesca ;

Choshen, Leshem ;

Cohen-Karlik, Edo ;

Dankin, Lena ;

Edelstein, Lilach ;

Ein-Dor, Liat ;

Friedman-Melamed, Roni ;

Gavron, Assaf ;

Gera, Ariel ;

Gleize, Martin ;

Gretz, Shai ;

Gutfreund, Dan ;

Halfon, Alon ;

Hershcovich, Daniel ;

Hoory, Ron ;

Hou, Yufang ;

Hummel, Shay ;

Jacovi, Michal ;

Jochim, Charles ;

Kantor, Yoav ;

Katz, Yoav ;

Konopnicki, David ;

Kons, Zvi ;

Kotlerman, Lili ;

Krieger, Dalia ;

Lahav, Dan ;

Lavee, Tamar ;

Levy, Ran ;

Liberman, Naftali ;

Mass, Yosi ;

Menczel, Amir ;

Mirkin, Shachar ;

Moshkowich, Guy ;

Ofek-Koifman, Shila ;

Orbach, Matan ;

Rabinovich, Ella ;

Rinott, Ruty ;

Shechtman, Slava ;

Sheinwald, Dafna ;

Shnarch, Eyal ;

Shnayderman, Ilya ;

Soffer, Aya ;

Spector, Artem ;

Sznajder, Benjamin ;

Toledo, Assaf .

NATURE, 2021, 591 (7850) :379-+

[6] Formalizing Informal Logic [J].

Walton, Douglas ;

Gordon, Thomas F. .

INFORMAL LOGIC, 2015, 35 (04) :508-538

[7] Markov logic networks [J].

Matthew Richardson ;

Pedro Domingos .

Machine Learning, 2006, 62 :107-136

[8]

Symbolic knowledge extraction from trained neural networks: A sound approach[J] . A.S d’Avila Garcez,K Broda,D.M Gabbay. Artificial Intelligence . 2001 (1)

[9]

Connectionism, Systematicity, and the Frame Problem[J] . W.F.G. Haselager,J.F.H. van Rappard. Minds and Machines . 1998 (2)

[10]

Reasoning, nonmonotonicity and learning in connectionist networks that capture propositional knowledge[J] . Gadi Pinkas. Artificial Intelligence . 1995 (2)

← 1 2 →