这七个AI问题特征如何帮助我决定解决问题的方法？

如果此列表¹可用于对AI中的问题进行分类...

• 可分解为较小或更容易解决的问题
• 解决方案步骤可以忽略或撤消
• 可预测的问题宇宙
• 好的解决方案是显而易见的
• 使用内部一致的知识库
• 需要大量知识或使用知识来约束解决方案
• 需要人与计算机之间的定期交互

...问题在这些维度上的位置与解决方案的合适算法/方法之间是否存在公认的关系？

参考文献

[1] https://images.slideplayer.com/23/6911262/slides/slide_4.jpg

名单

此列表来自密歇根大学工程，计算机和信息科学教授Bruce Maxim。在他的1998年春季讲授CIS 479 ^1的笔记中，以下列表被称为：

“人工智能的好问题。”

  Decomposable to easier problems
  Solution steps can be ignored or undone
  Predictable Problem Universe
  Good Solutions are obvious
  Internally consistent knowledge base (KB)
  Requires lots of knowledge or uses knowledge to constrain solutions
  Interactive

从那以后它演变成这种形式。

  Decomposable to smaller or easier problems
  Solution steps can be ignored or undone
  Predictable problem universe
  Good solutions are obvious
  Uses internally consistent knowledge base
  Requires lots of knowledge or uses knowledge to constrain solutions
  Requires periodic interaction between human and computer

这是什么

他的清单从未打算作为解决方案方法的初始分支点或“旨在加快找到满意解决方案的过程的启发式技术”的AI问题类别的列表。

Maxim从未将此列表添加到他的任何学术出版物中，这是有原因的。

该列表是异构的。它包含方法，全局特征，挑战和概念方法，它们像元素一样被混合在一个列表中。这不是“ AI的好问题”列表的缺点，但是作为AI问题特征或类别的正式声明，它缺乏必要的严格性。Maxim当然没有将其表示为“ 7个AI问题特征”列表。

它肯定不是“ 7个AI问题特征”列表。

有类别或特征列表吗？

没有一个很好的AI问题类别列表，因为如果一个问题创建了一个，那么很容易想到人脑已经解决的数百万个问题之一，这些问题既不属于任何类别，也不位于两个类别的边界或更多类别。

可以想象出问题特征清单，这可能是受Maxim的AI良好问题清单启发的。也可以考虑制定一个初步的方法清单。然后，人们可能会从第一个列表中的特征向第二个列表中的最佳方法绘制箭头。如果进行全面和严格的处理，那将是一篇很好的文章，值得发表。

方法列表的初始高级特征

这是经验丰富的AI架构师在选择方法之前可能需要阐明的高级系统要求的问题列表。

• 任务基本上是静态的，因为它一旦运行就可能不需要进行重大调整？如果是这种情况，那么AI可能在系统的设计，制造和配置（可能包括对其参数的训练）中最有用。
• 如果不是，该任务是否本质上是可变的，以致于20世纪初期开发的控制理论可以适应这种变化？如果是这样，那么人工智能在采购中也可能同样有用。
• 如果不是这样，则系统可能具有足够的非线性和时间复杂度，可能需要智能。然后问题就变成了这种现象是否完全可以控制。如果是这样，那么部署后必须实时采用AI技术。

有效的建筑方法

如果一个人孤立地设计，制造和配置步骤，则可以遵循相同的过程来确定AI可能扮演的角色，这可以递归地完成，因为可以将思想的整体产品分解为诸如产品的设计之类的东西。 A / D转换器，或在计算机视觉的特定阶段使用的卷积内核大小。

与其他控制系统设计一样，对于AI，确定可用输入和所需输出，并应用基本工程概念。至少到目前为止，认为由于专家系统或人工网络而导致工程学科发生了变化是一个错误。

由于AI和控制系统工程具有共同的起源，因此控制系统工程中的任何事物都没有发生重大变化。我们只有其他组件可供选择，还有其他理论可用于设计，构造和质量控制。

等级，维数和拓扑

关于AI系统中信号，张量和消息的等级和维数，当我们对人脑的各种心理素质进行模拟时，笛卡尔维数并非始终是表征内部离散质量的正确概念。拓扑通常是数学的关键领域，可以最正确地模拟我们希望在系统中人为开发的人类智能中看到的各种变化。

更有趣的是，拓扑可能是开发新型智能的关键，而计算机和人脑都不具备这种智能。

参考文献

http://groups.umd.umich.edu/cis/course.des/cis479/lectures/htm.zip

AI的7个问题特征是一种启发式技术，旨在加速找到人工智能问题的令人满意的解决方案的过程。

在计算机科学，人工智能和数学优化中，启发式技术旨在更快地解决问题，或者在您无法使用经典方法找到精确解时找到近似解。

7种AI问题技术根据可用信息对替代步骤进行排名，以帮助人们确定解决问题的最合适方法，例如传教士和食人者，河内塔，旅行推销员等

关于问题的位置和合适的算法之间是否存在公认的关系。答案是确实存在一种普遍接受的关系。例如，假设尝试解决国际象棋游戏和数独游戏。

如果数独中的某个步骤有误，我们可以回溯并尝试其他方法。但是，如果我们在下象棋游戏，并且经过几步操作就发现了一个错误。我们不能简单地忽略错误和回溯。（第二特征）

如果问题的问题是可以预见的，我们可以制定计划以生成一系列操作，以确保最终得出解决方案。但是，对于结果不确定的问题，我们必须遵循计划修订过程，在执行计划的同时提供必要的反馈。（第三个特征）

以下是应用7个AI问题特征来解决水壶问题的示例。

图片来源 https://gtuengineeringmaterial.blogspot.com/2013/05/discuss-ai-problems-with-seven-problem_1818.html