from:http://geek.csdn.net/news/detail/126467

原文：Five Capability Levels of Deep Learning AI?
作者：Carlos E. Perez?翻譯：Daisy?責編：仲培藝

【導語】本文作者在讀完“理解AI四種類型”一文后，對深度學習進行了更加細致的能力分類，以下為譯文：

Arend Hintze寫了一篇很好的短文，叫《理解AI的四種類型》，分別是反應機器（Reactive Machine）、有限的記憶（Limited Memory）、思維理論（Theory of Mind）、自我意識（Self-Awareness）。

這種分類比把人工智能分成“狹義”和“通用”要好很多，它試圖把狹義AI分成3類。開發者可以通過更多的概念來區分各種不同AI實現。借此機會，我想針對深度學習領域提出更加細致的分類，這樣，開發者就可以清楚地知道自己目前所處的位置。

下面具體闡述一下深度學習能力的五個分類。

C

C級別作者的定義是Classification Only，可以理解為只能做分類。涉及到的系統包含全鏈接神經網絡（FCN）、卷積網絡（CNN）以及它們的各種組合。這些系統采用高維向量作為輸入并實現單個結果，通常是輸入向量的一個分類。你可以把這些系統當作是無狀態函數，這意味著當前的行為僅僅是輸入的一個函數。生成模型也是熱門研究領域中的一員，也歸于此類。簡而言之，這些系統本身都是相當有能力的。

CM

CM是Classification with Memory的縮寫，理解成在分類的基礎之上進行記憶。該級別包括與C級網絡合并的存儲器元件，例如LSTM，其中存儲器單元被嵌入在LSTM節點內部。其它變體則是來自DeepMind的神經圖靈機（NMT）和可微分神經計算機（DNC），它們在計算時都處于維護狀態。

CK

CK即是Classification with Knowledge的縮寫，即可以形成自己的知識系統。該級別與CM級別有點類似，但并不是原始存儲器，C級網絡能夠訪問的信息是符號知識庫。實際上，我發現了三種符號集成，一種是轉移學習方法、一種是自上而下方法、最后一種是自下而上的方法。第一種主要是作為正則化矩陣的符號系統；第二種方法處于層次結構的頂部，具有在底部由神經表示構成的符號元素；最后一種則與第二種方法相反，其中C級網絡實際上被附加在了符號知識庫上。

CCIK

CCIK是Classification with Imperfect Knowledge縮寫，可以對不完整的知識庫進行分類。該級別系統建立在CK之上，但是能對不完整信息進行推理。該級別的典型例子是AlphaGo和撲克系統，這些系統可以通過對自身模擬來訓練自己。

CCIK

CCIK的全稱是Collaborative Classification with Imperfect Knowledge，即可以對不完整的知識庫進行分類并且可以互相協作。這個級別與“心理理論”非常類似，實際上，我們有多種代理神經網絡組合來解決問題，這些系統旨在實現多個目標。實際上，我們在對抗網絡上做過這個原始版本，通過執行泛化的競爭鑒別器和生成網絡將這個概念進一步擴展到游戲理論驅動的網絡，能夠執行戰略和戰術解決多個目標。

每個級別都有其不同的功能產生，例如，C級系統只能夠預測anti-causal關系，CM擁有非常好的翻譯能力，CIK級別系統能夠進行戰略游戲。

總結

以上是生活随笔為你收集整理的深度学习的五个能力级别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。