问：
加权或概率方法如何帮助AI超越纯粹基于规则或确定性方法？
A：机器学习和人工智能原理正在迅速改变计算的工作方式。 发生这种情况的关键方式之一是使用加权或概率输入，这些输入将输入从真正的确定性系统变为更抽象的东西。
在人工神经网络中，单个神经元或单元接收概率输入。 然后，他们确定输出或结果。 这就是专业人士在谈论用“培训”或“教学”计算机的新世界代替旧的编程世界时谈论的话题。
传统上，默认设置是使用编程来获取计算结果。 编程是一组固定的确定性输入，即计算机忠实遵循的规则。
相比之下，允许概率输入是这些规则的抽象，是一种“松懈的束缚”以释放计算机以做出更高级的决策。 在某种程度上，概率输入从外部角度是不可知的并且不是预定的。 这更接近我们实际大脑的工作方式，这就是为什么使用这种方法的机器学习和人工智能算法被誉为人工认知发展的下一个前沿领域。
这是一种考虑加权或概率输入的简单方法。 在传统编程中，您通常使用“ if / then”语句的类型表示：如果是，则为。
超越基于规则的方法涉及更改此内容。 在基于规则的方法中，THIS是一些文本输入或规则：如果您将其视为二进制文件-我们知道它是否正确，计算机也是如此。 因此，您可以预测计算机对任何给定输入的响应。
在新方法中，THIS实际上是可能处于任何给定状态的输入的集合。 因此，由于外部观察者将无法轻松地对THIS的组成进行建模，因此他或她无法准确预测该结果可能是什么。
考虑一下适用于各个领域和行业的这一原理，从市场细分到财务验证再到娱乐再到水和下水道管理，您将拥有机器学习，深度学习和人工智能的真正力量来指导人类事务的全新发展办法。 例如，在欺诈管理领域，专家指出，仅规则的系统不能很好地弄清可疑或危险行为与正常行为之间的区别–装备有复杂输入模型的机器学习系统更有能力做出决策关于哪些活动可能存在疑问。
另一种思考的方式是，世界经历了将代码识别为学习和决策的新领域的时代。 从本质上讲，基于确定性代码的结果在建模各种人类活动和决策方面非常强大。 我们将所有这些想法应用到了营销，销售，公共管理等方面。但是现在，专家们正在谈论“编码的终结”，正如《连线》中这一非常有见地和有启发性的文章中所述。 这里的主要思想是相同的思想，在下一个时代，我们将拥有一个系统，该系统将取代计算机而不是编码，该系统训练计算机以与我们的思维方式更接近的方式思考，从而能够随着时间的流逝而学习并做出做出相应的决定。 通过从确定性计算方法过渡到使用更复杂的输入进行抽象的方法，可以完成许多工作。
