本文最初发布于 T.Ferguson 的个人博客。

稠浊智能是一种让人工智能和人类一起事情以实现预期结果并相互学习的方法。

图片来源：https://www.piqsels.com/en/public-domain-photo-zwfob/download

人工智能（AI）正迅速成为环球数据生态系统的主导趋势。
而且，在经由十年的发展后，它估量还会连续增长。

数据社区对人工智能及其所能完成的任务理解得越多，IT 系统和构培养能得到越多的赋能。

这便是为什么 IDC 估量到 2024 年市场规模将达到5000亿美元，它会渗透到险些所有行业和数量弘大的运用程序和做事中，目的是提高事情效率。
事实上，根据 CB Insights Research 的数据，在 2021 年第三季度末，人工智能公司的融资已经超过了2020年约 55%，连续四个季度创造了环球记录。

根据人工智能在繁芜认知任务（如自然措辞阐明）方面的进展，我们估量，2022 年，它在办理妨碍非构造化措辞数据驱动的操作（NLU）方面将变得更加强大。
同时，对人工智能的如何和为何的审查将越来越多。
例如，美国国家标准与技能研究院（NIST）将连续采纳方法，使人工智能更随意马虎理解。
这须要在不降落性能或增加本钱的情形下，让人工智能的打算功能更加开放。

理解措辞是人工智能必须面对的最困难的问题之一。

虽然大多数人工智能系统可以在眨眼间处理大量的原始数值或构造化数据，但措辞中有大量含义和细微差别，高下文不同，描述的故事可能就不同。

对人类思维来说大略而自然的事情，对软件来说却不那么大略。
这便是为什么创建能够持续精确地理解措辞的软件已经成为人工智能全面发展的一个主要方面。
让人工智能可以获取和接管险些任何类型的知识，实现这种水平的打算能力将真正打开人工智能发展的闸门。

受限于挖掘大量措辞数据的能力，NLU 是这个难题的一个关键部分。
由于措辞遍及商业活动的各个方面，如果不能从这类数据中网络尽可能多的有代价的信息，人工智能计策就不完全。

基于知识或符号的人工智能方法利用了一个开放式的知识图谱。
它的构造是人类设计用来模拟现实天下的，个中定义了观点，而观点之间通过语义关系相互关联。
借助于知识图谱和 NLU算法，你可以阅读和学习任何现成的资料，真正理解数据剖析过程以及从那个阐明形成的推论。
这可以与我们人类得到特定领域知识的办法相媲美，让人工智能项目将算法输出与明确的知识表示联系起来。

我们该当看到，这种结合两种方法的人工智能计策是一种明显的趋势。
稠浊人工智能采取了各种策略来提高整体性能，更好地办理高难度的认知问题。
对付 NLU 和自然措辞处理，稠浊人工智能正变得越来越盛行（NLP）。
针对如今企业提出的准确、快速、大规模解锁非构造化措辞数据代价的需求，最有效的方法是将基于人工智能的知识或符号人工智能与学习模型（机器学习，ML）相结合。

知识、符号推理和语义理解不仅会产生更准确的结果和更高效、更有效的人工智能环境，而且还会减少在昂贵的高速数据根本举动步伐上进行耗时的资源密集型演习所产生的摧残浪费蹂躏。
主题专家和/或机器学习算法可以通过剖析眇小的定题演习数据集来增加特定领域的知识，从而快速有效地供应准确、可行的答案。

为什么现在会发生这种变革？为什么人工智能以前没有能够利用基于措辞的知识？学习方法让我们相信，它们可以办理我们的任何困难。
但也只是在某些情形下可以，由于 ML 在某些情形和高下文中表现良好，并不虞味着它总是最佳选择。
当涉及节制和接管措辞的能力时，我们常常看到这种情形。
只是在过去几年里，我们看到了基于稠浊（或复合）人工智能的 NLU 取得了重大进展。

我们现在不是利用单一类型的人工智能和一套有限的工具来办理一个问题，而是可以利用许多办法。
每一种都可以从不同的角度来处理问题，在多高下文中，采取多个模型来评估和解决一个问题。
而且，由于这些策略中的每一个都可以独立于其他策略进行检讨，以是很随意马虎弄清楚哪些策略天生的结果最好。

2022 年，这种稠浊计策有望成为一项计策性努力，企业已经尝到了人工智能所带来的好处。
它节省了韶光和金钱，同时加快了剖析和操作程序的速率，提高了准确性和效率。
举例来说，考虑到演习的繁芜性和本钱，现在的标注过程是由少数专业职员进行的。
通过整得当当的信息库和图，演习过程可能被大大简化，使其在全体知识事情军队中实现民主化。

当然，各种人工智能的发展是一个持续的过程。
然而，由于企业一贯面临着快速、低成本地利用大量数据的压力，我们将看到人们会对构建知识图谱和自动化 ML 和其他技能特殊关注。

随着韶光的推移，我们将看到企业利用这些稠浊模式在一些最关键的活动方面逐渐取得进展。
电子邮件管理和搜索已经成为业务自动化的案例。
例如，目前基于关键词的搜索方法实质上还无法接管和理解全体文档，这便是为什么它只能检索到基本的、实质上没有语境的数据。
同样地，自动化电子邮件管理系统也很少能够阐明产品名称等数据点之外的意义。
终极，用户不得不对大量的结果进行筛选，才能得到最主要的信息。
流程被拖慢，决策被推迟，生产力和收入因此而受到影响。

所有以知识为根本的公司都将能够通过在稠浊架构中结合 NLU 工具和符号理解，在其智能、自动化流程中模拟人类理解全体文档的能力。

查看英文原文：

https://medium.com/@fergie19702004_40140/why-is-hybrid-intelligence-the-artificial-intelligence-of-the-future-7adb73fad130?accessToken=eyJhbGciOiJIUzI1NiIsImtpZCI6ImRlZmF1bHQiLCJ0eXAiOiJKV1QifQ.eyJleHAiOjE2NjA3MzE1MTcsImZpbGVHVUlEIjoiemRreUI1MmFlNEh5bGJBNiIsImlhdCI6MTY2MDczMTIxNywiaXNzIjoidXBsb2FkZXJfYWNjZXNzX3Jlc291cmNlIiwidXNlcklkIjoyMDQxOTA5MH0.SF3jokywvRtkKezN5-B9IcL_DI3urlPw2mOuSMasYvY