三種推理類型與AlphaGo的學習曲線

AlphaGo擊敗人類冠軍李世乭連續三場的消息震驚了世界。關於AlphaGo，我們可以輕易預測它在未來將展現出更強大的結果和能力。

AlphaGo的智慧來源及其限制

毫無疑問，數千台電腦和先進的算法如深度學習都是AlphaGo成功的原因。然而，除了硬體和軟體，如果沒有可用的圍棋數據，AlphaGo的學習曲線將會慢得多。這台僅兩歲的機器能夠擊敗33歲的人類圍棋冠軍，背後的智慧來源是可訪問的圍棋數據。

另一個條件是可訪問的人類圍棋數據的結構。如果我們給AlphaGo提供的是語音或自然語言格式的圍棋數據，AlphaGo無法從中學習，或者至少難以達到目前的智慧水平。簡單來說，AlphaGo無法從觀看真實的人類圍棋比賽中學到任何東西。

與AlphaGo相比，人類能夠從各種多媒體格式中學習，包括自然語言。然而，AlphaGo只通過大量的數據和數位格式來學習圍棋。

這是人類與電腦合作的基本策略。一旦人類能夠以數位化的形式而非多媒體或自然語言形式生成他們的行為和思想，電腦將會受益匪淺。

我們可以稱之為人機互動或人類計算。無論我們如何稱呼它，我相信人工智慧的未來在於人機合作。

三種推理類型

分類能揭示很多關於研究領域的資訊。然而，人工智慧領域有各種不同的方法來達成其目標，因此呈現出一個美觀且整潔的分類是困難的。我將引用經典的推理分類，如演繹推理、歸納推理和溯因推理。這些名稱和分類可能不夠精確，但這三種推理的典型方法涵蓋了大量的AI算法、機器學習和深度學習，這些是AlphaGo的核心算法。

首先，歸納推理是一種非常典型的統計機器學習方法，例如KNN（K近鄰算法）或SVM（支持向量機）。某人死亡，某人也死亡，所有人都會死亡，所以我也會死亡，這是歸納推理。類似地，這些算法嘗試生成統計函數和參數，依據訓練數據（即已知答案）來分類給定數據。

其次，演繹推理需要很多規則和事實。如果所有人類都會死亡，而我是一個人類，那麼我也會死亡。與演繹推理非常相似的一種機器學習算法是決策樹。決策樹算法嘗試基於已知答案生成規則。

第三，溯因推理類似於深度學習。他死亡了，而貓也死亡了，所以他是一隻貓，這是溯因推理。雖然這是一個不正確的推理例子，但在現實世界中，由於我們無法總是獲取全資訊，溯因推理顯示出巨大的力量。深度學習使用大量範例數據來自動學習模式於其記憶網絡（即深度神經網絡）。

我們生活在各種人工智慧算法的世界中，這包括了演繹、歸納和溯因推理。一種推理類型無法解決所有問題。我們必須針對問題選擇合適的算法。

然而，幾乎所有算法都有一個共同點，那就是需要數據。自動提取規則、生成數學函數和訓練深層神經網絡都需要數據。幸運的是，人類能夠生成有價值且具意義的數據（至少目前是這樣）。