AI熱潮中，有關神經網絡的聲音最大。然而，AI遠遠不止如此。
目前在AI技術領域中，投入資金最多的當屬對神經網絡的研究了。在眾人眼中，神經網絡技術貌似就是“程序構造的大腦”(雖然比喻很不準確)。
神經網絡的概念早在20世紀40年代就被提出，但直到現在，人們對于神經元及大腦的工作方式仍然知之甚少，最近幾年，科研界關于神經網絡技術創新的呼聲越來越強，渴望重啟神經網絡的熱潮……
其實，除了神經網絡以外，AI領域中還包含很多更有趣、更新穎，更有前景的技術，文章中就將這些技術介紹給大家。
1. Knol提取
Knol指信息單元，也就是關鍵字、詞等，Knol提取技術則是從文本中提取關鍵信息的過程。舉個簡單的例子：比如“顧名思義，章魚有8條腿”這句話經過提取后，就變成了這個樣子：{“章魚”：{“腿的數目”：8}}。
我們常用的Google搜索引擎就依賴于這項技術，后續介紹的技術中，很多也都包含了這項技術。
2. 本體構建
本體構建是基于NLP的技術，旨在用軟件來構建實體名詞的層次結構，這一技術對實現AI會話大有幫助。雖然本體構建表面看起來簡單，但事實上構建卻并不容易，主要因為事物之間的實際聯系比我們所認為的要復雜的多。
例如，利用NLP分析文本來建立實體關系集：
例句：“我的拉布拉多犬剛剛生了一群小狗崽，它們的父親是只獅子狗，所以它們是拉布拉多貴賓犬(一種混血犬)”這句話被轉換后，就變成了：{“小狗崽”：{“可能是”：“拉布拉多貴賓犬”，“擁有/生(have)”：“父親”}，“拉布拉多犬”：{“擁有/生(have)”：“小狗崽”}}。
但是，人類在進行語言表達時，通常不會將所有的關系都陳述出來，比如這句話中，是要通過推斷才能得出“我的拉布拉多犬為雌性”這一事實，這就是本體構建的難點所在。
正如此，本體構建技術目前只應用在了頂尖的聊天機器人中。
3. 自定義啟發式
啟發式是一種用于分類的規則，通常類似于“如果這件物品是紅色的”或“如果Bob在家里”這樣的條件語句，這些條件語句常伴隨某項動作或決定，例如：
如果某物[“成分”]屬性中包含“砷”這一元素：則它的[“毒藥”]屬性為“True”。
對于每個新的信息，都伴隨著新的啟發式和新的關系，隨著新的啟發式的建立，又可以對相關的名詞產生新的理解。比如：
啟發式一："puppies"(小狗)說明是幼崽(Babies);
啟發式二：幼崽(Babies)說明很年輕;
通過以上兩個啟發式推斷出："puppies"都很年輕。
啟發式的難點在于，多數情況下，規則并不會如“If/Then”一樣簡單。類似于“有些人頭發是金色的”這樣的語句，就很難用啟發式來表述。所以我們有了“認知論”(見下)。
4. 認識論
認識論是本體構建和自定義啟發式的結合，并在其中加入了概率特性，通過概率表示名詞與任一屬性產生關聯的可能。比如，用這樣本體結構：
{'人'：{'性別'：{'男'：0.49，'女'：0.51}，'種族'：{'亞裔'：0.6，'非洲裔'：0.14}}
來表示對一個人性別和種族的判斷。同時，概率能幫助識別一些具有多重含義的“混合型”詞組，比如像“梅子像是打了激素的葡萄干”這句話中，因為“打了激素”這一詞組很大可能地意味著“體積較大”，從而得出，這句話很大可能的意思是“梅子體積比葡萄干大”。
認識論的實現相比本體構建要困難得多。首先，它需要更多的數據;并且，由于其結構的復雜性，很難在確定規則后快速地建立起數據庫來實現查找;還有，規則的確定通常基于某項事物在一段文字中被提及的頻率，但文字卻未必能真實地反映現實情況。
認識論與Asimov提出的“張量流”理論很相似。Google開發的同名TensorFlow系統并不是真正基于張量，而認識論是基于張量的。
5. 自動量規技術
一個量規系統，必定包含相應的評估標準。想象一下，在選購房子時，有房屋面積，位置，價格和風格等因素需要考量，而這些因素未必都是積極的，這就需要有通過衡量取舍來決策。比如，相比價格你更在乎房屋面積，就會寧愿多花幾倍的錢來購買大房子。
自評估技術通過你對不同因素的重視程度來確定每項因素的權重，從而提出決策建議。通過這一過程，還可以預測庫存變化，推薦產品，實現自動駕駛等。也就是說，大多數神經網絡可以實現的功能，自動量規技術都能勝任，盡管需要更長的訓練時間，但卻有著快幾個數量級的決策速度。
6. 矢量差分
矢量差分技術常用于圖像分析，也可用于時變數據的處理。通過對目標構建抽象矢量圖，將候選對象與待識別目標對象進行比較，從而判斷出是否為“最佳的約會臉型”或“最佳的買入時機”等。
通常，目標對象之間差異都伴隨一個衡量差異程度的量化規則，通過特征的矢量化，將一些“模糊”的概念，簡單、清晰的表示出來。
比如，對于人類來講，我們籠統地認為對稱的臉型更具有吸引力，但是對于計算機，就需要精確的計算來判斷，而這時，通過30個三角形來進行臉部抽象，比通過完整臉部圖像來進行運算對比，能節省很多的計算時間和存儲空間。
對于非圖像的數據的處理也是可以的。比如股票價格變動、每股收益與保證金的比率等，通過對這些數據矢量化，將其與理想值進行比較，就可以確定一次投資的利好或風險程度。
7. 矩陣卷積
卷積矩陣常用于圖像處理領域中的邊緣檢測和提高對比度等方面，例如，PhotoShop中的許多濾鏡都是基于卷積矩陣或疊加卷積(按特定順序進行多個卷積運算)實現的。
同時，卷積矩陣還可用于處理非圖像數據。比如，當使用卷積矩陣對時序向量進行處理時，可以像邊緣檢測那樣，快速地找出模式來，再在最小或最大值處查找特定值或范圍，從而做出判斷。
8. 多視角決策系統
一項決定的做出并不簡單。多視角決策系統以一種更民主的形式，多方面地作出決定。
比如，在剛剛房子的例子中，你對于某套房子的看好可能基于并不全面的因素，而之后的一個“這套房子建在懸崖上”的事實(當然，這種壓倒性因素可能來自于Knol提取)就會消除你先前的所有好感，讓你重新決策。
所以，決策需要通過更全面的因素考量，而多視角決策系統，可以利用兩個人的兩套標準(比如你和你的配偶)來衡量決策。多視角決策系統還可應用于自動駕駛領域，比如，收集10000個車主的看法來制定新標準等。
寫在最后——要相信技多不壓身
許多人眼中只有一把工具，掉進“我有的就是一把錘子，所以一切都是釘子”的深坑。諸如Recognant這樣的公司，在應用神經網絡的同時，也同樣在應用文章中這些相對冷門的技術，畢竟相比于神經網絡硬件系統，
這些軟件技術的優勢就在于，能針對不同情況進行隨時的調整和開發，而無需花費額外的成本。所以，技術面窄，就有可能被一些情況所困住，而技術面越寬，面對問題就越容易迎刃而解。
京公網安備 11010502049343號