未來人工智慧的實現是以神經網路學還是遺傳演算法為主，兩者相對來說有何優勢？

01-21

不知道有沒用其它的實現方式...

謝邀，最近太忙一直沒法答題

首先，問題問的比較宏觀，我相信題主願意討論的是兩者的思想性，而非現在名為這個的具體演算法的數學性和實用性，所以我也就談談思想。

就宏觀的願望來說，神經網是期望通過模擬現實中的生物思維來實現直接實現人工思維，而遺傳則期望模擬生物進化來再次產生思維。當然，其實還有一種現在較少的思路是直接根據人對事務判斷的結果，直接通過不同原理偽造思維。到底哪個更好呢？我覺得我們需要討論下面這些問題：

1.潛在性能。很多人，包括相當人工智慧圈子裡的人，覺得人工智慧的目標是其能像人一樣思考。但一個更根本的問題是，人的思維方式是最優的么？最基本的計算能力人就遠遜於機器。人被機器超越，或許是早晚的，科幻小說家或許早把這個當作常識了。那我們備選演算法的極限在哪呢？直接就結果設計的偽造智能，充其量就是人的程度(或許說是團隊的程度，因為其可以把各種人的能力合體)，比如傳統的專家系統，你很難指望它能有多少創造性，頂多就是找到了我們沒有注意到的組合罷了。而神經網，則可能達到超越人的極限，畢竟人腦不見得就是最優的腦子結構(雖然目前是地球上最優的)，但其極限基本就是地球生物體系的極限。雖然神經網有其表達能力的證明(任何可轉為數學問題的問題都能表達，但有不計代價的前提)，但效率就不一定了，比如最基本的算數就代價很高。而遺傳類呢？就宏觀說，其表達能力至少不會低於神經網，畢竟神經網結構(或者說，其對應的數學表達)是有可能被進化出來的(注意，這裡是將遺傳作為求解求解手段的手段，而不是直接將遺傳作為求解手段)。但其極限呢？是否通過進化，就能萬能呢？很可疑，答案是否定的，而且給出否定答案的人恰恰就是達爾文自己，達爾文在進化論中提到過一個其成立的前提，換成我們常用的表達就是，一個能夠被進化出的解，必須是可通過對原有解的一系列小的改進能達到的。什麼意思呢？就是說，我們對差的解的接受能力永遠是有限的(自然淘汰)，一個生物不能帶著一個很拖累自己的，現在沒用的，但進化完成的一瞬間將確立其霸主地位的器官進化上百萬年，因為它早被淘汰了，遺傳類演算法也一樣，我們無法得到這樣的解。這就是演算法的極限。

2.設計代價。演算法是人設計出來的，我們沒有辦法設計出非常非常複雜的演算法，因為我們最終會想不明白。只有可拆分成子任務的問題我們能夠應付(程序員尤其擅長)，如果所有事情都緊密觀念，我們的設計很快就會失控。在專家系統中，我們要處理大量的邏輯性的事情，代價很大。在神經網中，我們只要決定網路形式，具體工作交給網路本身，這大大簡化了問題，而遺傳類，則只需制定規則，更可能出現更複雜的結果。

3.實用性。搞過機器學習的都知道，沒數據什麼都是空談，我們每個時代使用的演算法，則很大程度上依賴於我們能夠獲取的數據量。表達能力越強的演算法，需要越多的數據量支撐。而當今大數據概念橫行，我們越來越不缺數據，所以我覺得，宏觀上，隨著數據的發展，越來越多的強表達能力的、在原來不實用的演算法可能會變得有效。當然，這是趨勢，誰也說不好我們退休前能發展到什麼程度。

4.計算成本。這個…據說有個叫量子計算機的東西能改變世界，只是不知道我這輩子能不能見到真傢伙……

最後，不得不提醒下想深入學習的朋友，未來的趨勢和你該學的技術是兩件事，尤其不要覺得哪個是未來就專攻哪個。幾十年的傳統研究有無數的寶藏，我們要做的是踩在巨人的肩膀上，而不是幻想著直接飛到巨人頭頂上。研判趨勢是為了更好的布局，但絕不是你放棄讀一本經典書籍、學一門經典理論的借口！

二者都是用計算模擬生物，類似的還有螞蟻演算法、模擬退火演算法、粒子群、人工免疫演算法等等，個人感覺它們在人工智慧領域的應用夠廣，但離真正的人工智慧的理想還挺遠。

目前正在了解複雜系統方面的進展，如複雜網路、混沌與分形、自組織臨界、元胞自動機等等，也許是個突破口。

NN,GA及PSO都屬於計算智能的典型方法，其中GA屬於進化計算，PSO屬於群體智能。（也有一些專家認為GA及PSO屬於新興元啟發式演算法）。人工智慧需要解決一系列問題，包括信息融合，信息處理，功能模擬，思維模擬等等。換言之，題主的問題實在太寬泛，不夠有針對性。

PS：演算法之間的混合才是以後大一統的節奏，譬如NN中的參數訓練也可以通過智能演算法實現。

所以，不必與其在意研究方法，倒不如深挖研究問題。

歡迎廣大知友賜教。

我對真正的AI不是很了解，只是談些自己粗淺的想法。

我個人覺得真正意義上的人工智慧，與共產主義一樣，是個美好的未來。但是，人確實可以創造一些機器或者程序，幫助解決很多問題，代替部分原來需要人才能完成的事情。

相對演算法，對於一個人工智慧體而言，感測器也許比演算法本身更重要。當然，不排除未來理論取得實質進展，AI界得到一次巨大飛躍的可能性。但是，應該都不會是一個演算法的成功。而應該是一系列理論與應用結合的成果。

神經網路和遺傳演算法已經不是太具有活力的研究方向，不是太看好。不過機器學習演算法之間都或多或少有一定的聯繫。

個人認為是神經網路。

章魚是海洋裡面最聰明的物種之一。

它和人類的共同祖先並沒有神經網路，但是卻也進化出了神經網路。

也就是說，在不同的分支上，為了實現智能，都選擇了相同的解決方案。

如果不是這個方案特別好，那就是這個方案比較容易實現。

我覺得依靠現有的計算機系統是無法實現人工智慧，只是一種經過人的先驗智能演算法。完全人工智慧是隨機發散的，不依靠經驗，不依賴條件限制，和動物大腦一樣，是封環自適應的。現在的人工智慧演算法只是調參後的擬合，因為現有計算機的速度太慢，無法在指數數據規模面前自行學習，只能依靠人腦決策後調優參數，實質這不是人工智慧。只是一種人的經驗演算法存儲器。多維計算數據量是維數組合爆炸，除非更先進的計算機體系有質變飛跌，否則任何人工智慧演算法只能限於參數調優的囿境修修補補。

when P ＝ NP，。。。

＝＝＝＝＝＝＝＝

遺傳演算法一般不是訓練神經網路的么，這倆一般得合著用啊

遺傳演算法是不太可能的（本質是一種帶啟發式規則的組合搜索演算法，儘管套著生物學原理的外殼，除非實在沒辦法才會用這種暴力搜索），神經網路也夠嗆，現在沒幾個人在研究神經網路，具體可以參考日本五代機的失敗

個人覺得這是兩個不同層級的問題。遺傳演算法更像是集群的演算法，一種群怎麼由低到高，逐漸分化的發展的方法。而神經網路是模擬個體的怎麼認識抽象思維的方法。

對於單個像人一樣思考能力的演算法，必然是神經網路特別是deep learning。到deep learing的頂層可能會有一點點元啟發式的演算法，但不一定是遺傳演算法。因為人有時候思考就是這樣的，試試這個行不行？不行再換一下，交叉組合一下。

另外，神經網路的訓練以後必然是使用於類似於遺傳演算法的元啟發式演算法，現在用的梯度下降不是也是這種演算法么？

遺傳演算法

我覺得二者各有利弊，，，不過我還是更傾向於遺傳演算法，當然神經網路也有可取之處，現在想把二者融合起來，看興趣的朋友可以移步

Nelocage

你搞錯方向了，演算法還不算最關鍵的，問題是計算機的並行速度要提高太多個量級才能適應於複雜演算法

NPhard