說到AI想必大家都耳熟能詳，其實它包羅了廣泛的知識，分為不同的類型，各有優劣：

混合AI(Hybrid 人工智能)能夠克服單一技術方法的局限性

符號AI(Symbolic 人工智能)能夠理解實際知識，而不僅僅是數據

混合解決方案打開了AI的“黑匣子”，幫助AI技術在現實場景中普遍地應用

符號AI和ML/深度學習都有自己的一套優勢，當以混合方式一起使用時，將會是強強聯合。將為很多關鍵的企業應用程序的發展鋪平道路。下來，我們先來看看它們各自的能力。

符號AI

Symbolic 人工智能 的設計初衷是利用實際知識，更好地理解現實世界的想法和概念。這類似于人類使用特定的、面向領域的、符號/語義的知識來解釋我們周圍的環境。符號AI最重要的貢獻是在自然語言處理(NLP)和自然語言理解(NLU)領域。

ML/深度學習

ML是目前企業發展過程中采用最多的AI形式。由于它能夠自主處理不同的數據集，并不斷的迭代和自適應，因此它本質上“學習”了環境的模式并做出相應的響應。在自動化和自主計算環境下，它成為了最靈活和有價值的工具。

深度學習(DL)是基于神經網絡的ML。相對而言，DL可以返回更好的結果，但計算/能量成本可能比普通的ML技術高很多數量級。

非結構化數據挖掘

AI有望大幅提高生產率和利潤率這兩大企業目標。當然，這需要高效地挖掘非結構化數據的隱藏價值，從而實現更高級別的自動化。不僅要實現結構化的數據驅動工作流——絕大多數都是機械的、重復的功能，還要實現信息密集型或非結構化數據驅動的流程。

與此同時，企業更傾向以非破壞性和完全透明的方式引入新的技術方法，因為這樣它所帶來的任何變化都便于人們理解，所產生的好處是明確和直接的。

純ML方法很難滿足所有這些要求。從本質上講，他們是一個“黑盒子”場景——他們的內部計算和決策過程仍然是隱藏的，不好解釋。比如，當ML單獨用于自然語言處理時，對輸入數據的任何更改都可能導致模型漂移，就不得不重新訓練和測試數據。

符號人工智能學習方法和ML方法并不是相互排斥的：通過有效的融合，可以達到企業預期的最佳效果。這囊括對核心流程和應用程序的高效支持，對給定人工智能模型的行為的完全透明，以及若是誤差較大時，它又怎樣及時地修正。

事實上，在大多數企業中，最大的信息寶庫是語言形式的非結構化數據。從電子郵件到錄音，從法律合同到規章制度，口頭和書面文字才是最主要的數據源。傳統的計算平臺在處理結構化數據(如客戶列表、財務記錄和性能指標)方面表現出色，但直到近期AI的發展和應用，才使得以經濟有效的方式處理非結構化內容成為可能。

符號人工智能

在整個人工智能的生態系統中，符號推理和語義理解可以產生更精確的結果，同時減少了訓練新模型的時間和費用。首先是提高輸入數據的質量，然后簡化支持這些海量數據所需的繁瑣和資源密集型基礎設施。

從操作上講，混合人工智能方法可以推動AI超越機械式、重復的簡單自動化任務，從事需要知識和專業技能的更高級別的工作——但仍未達到需要人工操作的戰略級別的任務。

舉一個最典型的例子標注，即對信息進行標記以便機器使用的過程。這是一項艱巨而乏味的工作，費時又費力。但是，通過在符號學習環境中利用適當的知識庫和圖表，能夠有效的簡化訓練過程。

可信度

如上所述，當前人工智能部署的另一個關鍵問題是可信度。ML/DL存在黑盒問題，其輸出既不透明也無法解釋。

這個問題一般表現在AI訓練模型出現偏差的領域。關于AI產生的種族主義、歧視女性和其他偏見的故事比比皆是，大多是因為它的輸入數據向這個方向傾斜。若是不能直接觀察這些行為，看不到算法對此做何反應，整個系統最終都會面臨癱瘓，只能重新訓練模型再重新投產?？尚哦葐栴}還會帶來其他影響，譬如錯誤地預測重點細分市場的購買趨勢，或者大學招生中未能考慮到的文化因素等。

可解釋的AI

通過引入符號人工智能，黑盒被打開，這樣用戶就可以理解機器為什么會以特定方式行事，若是結果不理想，還可以做什么進行優化。此外，這種可見性使操作人員能夠持續監視自己的流程，從而做出適當的調整。

AI是一個強大的工具，可以為企業數據運營帶來奇跡，但它仍處于起步階段。對于有遠見的組織來說，標準的、單一模式的AI迭代的局限性已經越來越明顯。我們需要的是一種方法，能讓這項技術更具適應性，更能深入挖掘數據的潛在價值，同時讓AI變得更容易使用，成本更低。

混合AI——基于理解實際知識而不是簡單學習模式的符號AI——是企業挖掘多年來收集的所有數據價值的優選方式。

原文標題：The Hybrid to Give Your 人工智能 the Gift of Knowledge，作者：Marco Varone