微信搜索“高速商务通”，马上办理ETC
虽然大多数研究人员专注于这两种方法中的一种或另一种，但原则上没有理由认为它们不能有利地整合到单一设计中。实际上，在这个方向和专门讨论它的会议上付出了相当大的努力。34
但事实是，这些方法有不同的优点和缺点。通常，符号推理更适合需要抽象推理的问题，而机器学习更适用于需要感知感知或从噪声数据中提取模式的情况。例如，假设你想要建造一个可以骑自行车的机器人（也就是说，可以控制踏板和车把，并且能够平衡）。用符号表示这个问题可能是可能的，但想象一下试图采访人类专家以建立专家系统来做到这一点。骑自行车肯定有专家，但他们的专业知识本身并不适合用文字描述。显然，
相比之下，使用机器学习技术，这个问题就是在公园里骑行，可以这么说。举一个例子，佐治亚理工学院的一些研究生最近的研究项目使用神经网络技术完成了这项任务。该系统成功地学习了诸如轮距，“兔子跳”，前轮枢轴和后跳（这种特殊系统在模拟器中学习，而不是在实际自行车上）的特技。35
但是还有其他问题，机器学习技术并不适合。说明显而易见的是，机器学习对于没有数据的问题，只是一些初始条件，一系列约束以及一次正确的问题都没有用。例如，计算机芯片设计中的错误可能非常昂贵且具有破坏性。由于某些数学函数存在缺陷，英特尔于1994年被迫召回其奔腾5处理器后，人们对正式方法的兴趣激增，以验证电路是否按预期执行。这个问题有两个部分：第一，如何以抽象的方式描述你试图验证的电路的功能; 第二，如何在实际的时间内以可接受的成本进行测试，同时仍然保证结果是正确的。36但人工智能领域存在一种不同寻常的缺陷 – 一旦解决了一个特殊问题，通常不再考虑人工智能。因此，“形式验证”和“模型检查”至少应用于计算机硬件，现在是独立的领域，尽管它们将其知识根源追溯到像Newell和Simon那样的早期定理证明。
也就是说，许多您可能认为需要逻辑和推理的问题令人惊讶地适合机器学习技术。例如，最近在麻省理工学院和华盛顿大学的工作可以解决典型的高中–水平
70％成功率的代数词问题 – 不是通过推理，而是通过从algebra.com（家庭作业帮助网站）收集的单词问题及其相关方程（解决方案）中学习。在对数据集进行培训后，该计划能够解决以下问题：“游乐园出售2种门票。儿童票价为1.50美元。成人票价4美元。某一天，278人进入了公园。同一天收取的入场费共计792美元。那天住了多少个孩子？有多少成年人被录取？“ 37国际象棋比赛节目的最新结果同样令人惊讶。正如大多数国际象棋游戏程序员所做的那样，一组研究人员使用一种称为“遗传编程”的技术来发展一个在专家级别上运行的程序，而不是整合关于如何玩游戏的专业知识和策略。仅限于人类大师级游戏的数据库。38（遗传编程，机器学习的一种形式，产生连续几代的候选解决方案，评估它们的相对表现，然后对下一代只带有适合的，有一些突变。）
如果你要制作一份似乎需要洞察力，创造力，智慧和逻辑的人类活动清单，肯定会解决纽约时报的填字游戏。但一个有趣地称为Dr.Fill的程序（没有空间，这不是一个错字）在专家级别和几秒钟内完成这项任务 – 不是通过深入了解世界而是通过应用所谓的“约束满足”和统计机器学习技术到超过四万七千个谜题和线索的图书馆。39例如，给出线索“夹克材料，简称？”（三个字母），它可以输入“bio”作为正确的答案。Dr.Fill是一个罕见的程序，结合了符号推理和机器学习技术来解决复杂的现实问题。
简而言之，如果你必须盯着一个问题并思考它，那么符号推理方法可能更合适。如果你必须看很多例子或玩弄
为了获得“感觉”的问题，机器学习可能会更有效。那么为什么工作重点从前者转移到后者呢？
在人工智能的早期阶段，可用的计算机根本没有足够的功能来充分利用机器学习。它们只提供了当今计算机处理速度的微不足道的一小部分，并且存储了可用于存储数据的同样消耗的内存量。但最重要的是，可用的机器可读数据来源并不多。大多数沟通都是纸上谈兵，只在特定地点提供 – 因为任何试图获得母亲出生证明的人都可以证明。对于实时学习，来自传感器的数据同样是原始的或只能以模拟形式抵抗数字处理。因此，四个趋势 – 计算速度和内存的改进，从物理存储到电子存储数据的过渡，更容易访问（主要是因为互联网），
