本文發表於《大眾科學》的前部落格網路，反映了作者的觀點，不一定反映《大眾科學》的觀點
1997年，IBM的深藍在經過一場艱苦的戰鬥後，著名地擊敗了國際象棋特級大師加里·卡斯帕羅夫。實際上，它在前一年輸給了他，但他承認深藍似乎擁有一種“奇怪的智慧”。為了與卡斯帕羅夫對弈，深藍預先程式設計了複雜的軟體，包括一個包含開局、中局和殘局走法的詳盡棋譜。
二十年後，在2017年，谷歌釋出了AlphaGo Zero，與深藍不同，它是完全自學的。它只被告知了難度更高的圍棋的基本規則，沒有任何示例對局可供學習，並透過與自己對弈數百萬次，從頭開始制定了所有策略。這使其可以按照自己的方式思考。
這是目前存在的兩種主要人工智慧型別。像深藍這樣的符號機器被程式設計為像人類一樣推理，透過一系列邏輯步驟來解決特定問題。一個例子是醫療診斷系統，其中機器透過遍歷可能性決策樹，從資料中推斷出患者的疾病。
關於支援科學新聞業
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞業 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
像AlphaGo Zero這樣的人工神經網路在一定程度上受到人腦神經元連線方式的啟發，並且需要的人工輸入要少得多。它們的優勢在於學習，它們透過分析大量的輸入資料或規則（例如國際象棋或圍棋的規則）來進行學習。它們在識別面部和資料模式方面取得了顯著成功，並且還為無人駕駛汽車提供動力。最大的問題是科學家們至今尚不清楚它們為何如此工作。
但這兩種系統創造的藝術、文學和音樂真正突顯了它們之間的差異。符號機器可以創造出非常有趣的作品，因為它們被輸入了大量的材料並被程式設計為這樣做。更令人興奮的是人工神經網路，它們實際上是自學的，因此可以說更具真正的創造力。
符號人工智慧產生的藝術品可以被人眼識別為藝術品，但它是預先程式設計的藝術品。沒有任何驚喜。哈羅德·科恩的Aaron AARON演算法使用已程式設計到其中的模板創作出相當精美的繪畫。同樣，倫敦大學金史密斯學院的西蒙·科爾頓對“繪畫傻瓜”進行程式設計，以特定風格創作出肖像。但這些都沒有超出其程式範圍。
人工神經網路更具實驗性和不可預測性。作品源於機器本身，無需任何人工干預。亞歷山大·莫德溫採夫透過他的Deep Dream及其由卷積神經網路（ConvNets）產生的噩夢般的影像開始了這一程序，這些影像幾乎似乎源於機器的無意識。然後是伊恩·古德費洛的GAN（生成對抗網路），機器充當自身作品的評判者，以及艾哈邁德·埃爾加邁勒的CAN（創造性對抗網路），它創造了前所未有的藝術風格。所有這些都產生了更具挑戰性和難度的作品——機器對藝術的理解，而不是我們的。機器不是工具，而是參與創作。
在人工智慧創作的音樂中，對比更加鮮明。一方面，我們有弗朗索瓦·帕切特的Flow Machines，它載入了軟體以製作華麗的原創旋律，包括一張評價頗高的專輯。另一方面，谷歌的研究人員使用人工神經網路來獨立創作音樂。但目前，他們的音樂往往在短短一分鐘左右後就失去動力。
人工智慧創作的文學作品最好地說明了兩種型別的機器可以創造出的作品之間的差異。符號機器載入了軟體和使用規則，並經過訓練以生成特定型別的材料，例如路透社的新聞報道和天氣預報。配備雙關語和笑話資料庫的符號機器會生成更多相同的內容，例如，為我們提供機器生成的敲門笑話語料庫。但與藝術一樣，它們的文學產品也符合我們的預期。
人工神經網路沒有這樣的限制。現在在谷歌工作的羅斯·古德溫在科幻電影劇本語料庫上訓練了一個人工神經網路，然後指示它建立詞語序列。結果是他為電影Sunspring創作的相當晦澀的劇本。由於缺乏這種約束，人工神經網路傾向於產生似乎晦澀難懂的作品——或者我們應該說“實驗性”？這種機器冒險進入超出我們目前對語言理解的領域，並可以開啟我們的思想，進入通常被指定為無意義的領域。紐約大學的艾莉森·帕裡什是一位計算機詩歌作曲家，她探索了意義與無意義之間的界限。因此，人工神經網路可以激發人類的創造力。它們可以向我們介紹新想法並激發我們自身的創造力。
符號機器的支持者認為，人腦也載入了軟體，這些軟體從我們出生時就開始積累，這意味著符號機器也可以聲稱能夠模仿大腦的結構。然而，符號機器從一開始就被程式設計為進行推理。
相反，人工神經網路的支持者認為，像孩子一樣，機器需要先學習才能進行推理。人工神經網路從它們接受訓練的資料中學習，但它們是不靈活的，因為它們只能從它們擁有的資料中工作。
簡而言之，人工神經網路的構建是為了學習，而符號機器的構建是為了推理，但透過適當的軟體，它們都可以做一點對方的事情。例如，為無人駕駛汽車提供動力的人工神經網路需要將每種可能的意外情況的資料都程式設計到其中，以便當它看到前方有強光時，它可以識別出是晴朗的天空還是白色車輛，從而避免致命事故。
需要開發一種機器，它包含符號機器和人工神經網路的最佳功能。一些計算機科學家目前正朝著這個方向發展，尋找透過將神經網路與符號機器的關鍵功能相結合，提供比神經網路更廣泛、更靈活的智慧的選項。
在倫敦的DeepMind，科學家們正在開發一種新型的人工神經網路，它可以學習在原始輸入資料中形成關係，並像符號機器一樣，以決策樹的形式邏輯地表示它。換句話說，他們試圖構建靈活的推理能力。在純粹的符號機器中，所有這些都必須手動程式設計，而混合人工神經網路則可以自行完成。
透過這種方式，結合這兩種系統可以帶來更智慧的解決方案，以及更容易被人類受眾接受，同時又具有實驗性、挑戰性、不可預測性和趣味性的藝術、文學和音樂形式。