符号数学最终屈服于神经网络
70多年前，人工智能研究最前沿的研究人员将神经网络作为思考大脑工作原理的一种革命性方式。在人的大脑中，数十亿个连接的神经元的网络具有感官数据的意义，使我们能够从经验中学习。人工神经网络还可以通过连接的层过滤大量数据，以做出预测和识别模式，遵循他们自学的规则。
到目前为止，人们将神经网络视为一种AI PANACEA，能够解决可以作为模式识别问题来重申的技术挑战。他们提供自然的语言翻译。照片应用程序使用它们来识别和分类您收藏中的经常性面孔。由神经网驱动的节目击败了世界上最好的球员包括GO在内的游戏和国际象棋。
但是，神经网络始终滞后在一个明显的领域：解决困难的符号数学问题。这些包括积分课程的标志，例如积分或普通微分方程。障碍源于数学本身的性质，这需要精确的解决方案。而神经网倾向于以概率出色。他们学会识别模式 - 西班牙语的翻译听起来最好，或者您的脸是什么样的，并且可以产生新的翻译。
去年年底，当Guillaume Lample和FrançoisCharton是一对在巴黎的AI研究小组工作的计算机科学家FrançoisCharton时，情况发生了变化。他们的方法不涉及数字处理或数值近似值。取而代之的是，他们发挥了神经网的优势，从实际解决的问题（语言翻译）中重新缩小了数学问题。
“我们均主修数学和统计学，”研究AI在数学上的应用的Charton说。“数学是我们原始的语言。”
阅读更多Quanta，Hhttps://www.quantamagazine.org/symbolic-mathematics-finally-yields-to-near-networks-20200520/