本文发表于《大众科学》的前博客网络，反映了作者的观点，不一定反映《大众科学》的观点
1997年，IBM的深蓝在经过一场艰苦的战斗后，著名地击败了国际象棋特级大师加里·卡斯帕罗夫。实际上，它在前一年输给了他，但他承认深蓝似乎拥有一种“奇怪的智能”。为了与卡斯帕罗夫对弈，深蓝预先编程了复杂的软件，包括一个包含开局、中局和残局走法的详尽棋谱。
二十年后，在2017年，谷歌发布了AlphaGo Zero，与深蓝不同，它是完全自学的。它只被告知了难度更高的围棋的基本规则，没有任何示例对局可供学习，并通过与自己对弈数百万次，从头开始制定了所有策略。这使其可以按照自己的方式思考。
这是目前存在的两种主要人工智能类型。像深蓝这样的符号机器被编程为像人类一样推理，通过一系列逻辑步骤来解决特定问题。一个例子是医疗诊断系统，其中机器通过遍历可能性决策树，从数据中推断出患者的疾病。
关于支持科学新闻业
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻业 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
像AlphaGo Zero这样的人工神经网络在一定程度上受到人脑神经元连接方式的启发，并且需要的人工输入要少得多。它们的优势在于学习，它们通过分析大量的输入数据或规则（例如国际象棋或围棋的规则）来进行学习。它们在识别面部和数据模式方面取得了显著成功，并且还为无人驾驶汽车提供动力。最大的问题是科学家们至今尚不清楚它们为何如此工作。
但这两种系统创造的艺术、文学和音乐真正突显了它们之间的差异。符号机器可以创造出非常有趣的作品，因为它们被输入了大量的材料并被编程为这样做。更令人兴奋的是人工神经网络，它们实际上是自学的，因此可以说更具真正的创造力。
符号人工智能产生的艺术品可以被人眼识别为艺术品，但它是预先编程的艺术品。没有任何惊喜。哈罗德·科恩的Aaron AARON算法使用已编程到其中的模板创作出相当精美的绘画。同样，伦敦大学金史密斯学院的西蒙·科尔顿对“绘画傻瓜”进行编程，以特定风格创作出肖像。但这些都没有超出其程序范围。
人工神经网络更具实验性和不可预测性。作品源于机器本身，无需任何人工干预。亚历山大·莫德温采夫通过他的Deep Dream及其由卷积神经网络（ConvNets）产生的噩梦般的图像开始了这一进程，这些图像几乎似乎源于机器的无意识。然后是伊恩·古德费洛的GAN（生成对抗网络），机器充当自身作品的评判者，以及艾哈迈德·埃尔加迈勒的CAN（创造性对抗网络），它创造了前所未有的艺术风格。所有这些都产生了更具挑战性和难度的作品——机器对艺术的理解，而不是我们的。机器不是工具，而是参与创作。
在人工智能创作的音乐中，对比更加鲜明。一方面，我们有弗朗索瓦·帕切特的Flow Machines，它加载了软件以制作华丽的原创旋律，包括一张评价颇高的专辑。另一方面，谷歌的研究人员使用人工神经网络来独立创作音乐。但目前，他们的音乐往往在短短一分钟左右后就失去动力。
人工智能创作的文学作品最好地说明了两种类型的机器可以创造出的作品之间的差异。符号机器加载了软件和使用规则，并经过训练以生成特定类型的材料，例如路透社的新闻报道和天气预报。配备双关语和笑话数据库的符号机器会生成更多相同的内容，例如，为我们提供机器生成的敲门笑话语料库。但与艺术一样，它们的文学产品也符合我们的预期。
人工神经网络没有这样的限制。现在在谷歌工作的罗斯·古德温在科幻电影剧本语料库上训练了一个人工神经网络，然后指示它创建词语序列。结果是他为电影Sunspring创作的相当晦涩的剧本。由于缺乏这种约束，人工神经网络倾向于产生似乎晦涩难懂的作品——或者我们应该说“实验性”？这种机器冒险进入超出我们目前对语言理解的领域，并可以打开我们的思想，进入通常被指定为无意义的领域。纽约大学的艾莉森·帕里什是一位计算机诗歌作曲家，她探索了意义与无意义之间的界限。因此，人工神经网络可以激发人类的创造力。它们可以向我们介绍新想法并激发我们自身的创造力。
符号机器的支持者认为，人脑也加载了软件，这些软件从我们出生时就开始积累，这意味着符号机器也可以声称能够模仿大脑的结构。然而，符号机器从一开始就被编程为进行推理。
相反，人工神经网络的支持者认为，像孩子一样，机器需要先学习才能进行推理。人工神经网络从它们接受训练的数据中学习，但它们是不灵活的，因为它们只能从它们拥有的数据中工作。
简而言之，人工神经网络的构建是为了学习，而符号机器的构建是为了推理，但通过适当的软件，它们都可以做一点对方的事情。例如，为无人驾驶汽车提供动力的人工神经网络需要将每种可能的意外情况的数据都编程到其中，以便当它看到前方有强光时，它可以识别出是晴朗的天空还是白色车辆，从而避免致命事故。
需要开发一种机器，它包含符号机器和人工神经网络的最佳功能。一些计算机科学家目前正朝着这个方向发展，寻找通过将神经网络与符号机器的关键功能相结合，提供比神经网络更广泛、更灵活的智能的选项。
在伦敦的DeepMind，科学家们正在开发一种新型的人工神经网络，它可以学习在原始输入数据中形成关系，并像符号机器一样，以决策树的形式逻辑地表示它。换句话说，他们试图构建灵活的推理能力。在纯粹的符号机器中，所有这些都必须手动编程，而混合人工神经网络则可以自行完成。
通过这种方式，结合这两种系统可以带来更智能的解决方案，以及更容易被人类受众接受，同时又具有实验性、挑战性、不可预测性和趣味性的艺术、文学和音乐形式。