人工智能：记忆、智能与未来挑战

"该PPT主要探讨了人工智能的发展与面临的挑战，由浙江大学计算机学院的人工智能专家吴飞主讲。内容涵盖了记忆驱动的智能计算、可计算社会学以及相关领域的一些挑战。" 人工智能是一个快速发展的领域，其核心在于模拟和增强人类的智能行为。在描述中，吴飞教授强调了记忆在智能中的关键作用，将其分为瞬时记忆、工作记忆和长期记忆，这对应于人类认知的不同阶段。瞬时记忆处理短暂的信息输入，工作记忆则用于临时存储和处理信息，如直觉、顿悟和因果推理，而长期记忆则保存长期知识。这些概念在人工智能模型中有着重要的应用，比如在强化学习中，环境的反馈和记忆对决策过程至关重要。 提到记忆在神经网络中的实现，Hebbian理论是关键，它描述了如何通过神经元之间的互动来加强或减弱连接，从而形成和更新记忆。然而，现有的神经网络模型存在一些问题，如记忆容易被新知识覆盖，导致多任务处理困难，模型泛化能力不足，以及解释性较弱。 此外，PPT还讨论了从传统的分段学习方法到“端到端”学习的转变。分段学习通常涉及多个独立组件，如在自然语言处理中，会有专门的模块分别处理语法、语用和语义。而端到端学习则尝试将整个任务视为一个整体，通过深度学习模型直接从输入到输出进行建模，如word2vec、Paragraph2vec、Node2vec和path2vec等方法，它们在减少中间步骤的同时，也带来了训练复杂性和模型理解的挑战。 最后，还提到了条件随机场（Conditional Random Fields）和隐马尔科夫模型（Hidden Markov Model）等传统机器学习模型，这些模型在早期的自然语言处理和序列数据建模中起到了重要作用，但随着深度学习的发展，它们的地位逐渐被端到端的深度神经网络模型所取代。 这份PPT深入探讨了人工智能在模仿人类智能过程中的进展，特别是在记忆机制和学习策略上的挑战，同时也展示了这一领域的未来发展方向。