9、通向战术发现与通用人工智能之路

通向战术发现与通用人工智能之路

在当今社会，人工智能（AI）无处不在，深刻影响着我们生活的方方面面。从日常使用的设备到复杂的科研项目，AI 的应用无所不在。同时，数据科学和数据分析也随着技术的进步变得愈发重要，数据被视为新的石油或黄金。本文将探讨战术发现中的深度嵌入式知识图谱表示，以及通向通用人工智能（AGI）的发展历程、面临的挑战和伦理问题。

战术发现中的深度嵌入式知识图谱表示

在战术发现领域，不同的图表示方法在监督分类任务和无监督发现任务中展现出不同的性能。

监督分类任务结果
监督分类任务结果通过召回率（Recall）、精确率（Precision）和 F1 值来评估不同图方法的性能，具体结果如下表所示：
| 图方法 | 嵌入方式 | 召回率 | 精确率 | F1 值 |
| — | — | — | — | — |
| 领域知情图 | node2vec | 0.103 | 0.103 | 0.103 |
| 规范图 | node2vec | 0.266 | 0.266 | 0.266 |
| 朴素特征化 | | 0.99 | 0.99 | 0.99 |

从表中可以看出，朴素特征化方法在召回率、精确率和 F1 值上都达到了 0.99，表现远优于其他两种方法。

无监督发现任务结果
无监督发现任务主要通过聚类分析来评估不同图表示的性能。结果表明，从轮廓系数来看，朴素特征化方法在计算上没有产生有意义的结果，不如两种嵌入式图方法。然而，其他聚类指标显示，朴素特征化方法略优于嵌入式规范图。在所有三种表示中，