我一直很喜欢人工智能和进化算法的想法。不幸的是，众所周知，该领域的发展速度远没有早期预期的那么快。
我正在寻找一些具有“哇”因素的示例:
以意想不到的方式适应的自主学习系统。
游戏代理特别有活力并产生意想不到的策略
实际上产生了一些有意义且富有洞察力的输出的符号表示系统
多代理系统中有趣的紧急行为。
我们不要深入讨论人工智能的定义语义。 如果它看起来或听起来像人工智能，让我们来听听。
我首先选择 story from 1997 。
博士。 Adrian Thompson 正在尝试使用遗传算法在 FPGA 中创建语音识别电路。经过几千代之后，他成功地让设备区分“停止”和“开始”语音命令。他检查了设备的结构，发现一些有源逻辑门与电路的其余部分断开了。当他禁用这些据称无用的门时，电路就会停止工作......
<小时 />编辑
我们可以尝试将讨论集中在那些产生令人印象深刻的东西的技术/算法上吗？如果我想了解数千种处于早期阶段但显示出前景的人工智能技术，我可以通过谷歌进行搜索。
请您参考如下方法:
我在一款针对大型植物苗圃的产品中构建了一种用于零售库存补充的进化算法(其中有一些非常大、聪明的苗圃——值(value) 2 亿美元的公司)。
这可能是我做过的最酷的事情了。使用三年的历史数据，在我度假的时候，它连续一周进行了处理和演变。
最终的结果既积极又奇怪。事实上，一开始我很确定它坏了。
该算法忽略了前几周的销售额，所有指标的权重均为 0(这与这些人目前的工作方式不一致 - 现在他们考虑上一年的同一周，并且还考虑了最近的趋势)。
最终我意识到发生了什么事。有了有机体必须使用的指标，随着时间的推移，查看上个月的同一部分并忽略最近的趋势会更有效。
因此，它不是查看过去几天，而是查看上个月的同一周，因为有一些微妙但稳定的趋势每 30 天重复一次。而且它们比波动较大的日常趋势更可靠。
其结果是效率得到了显着且可重复的提高。
不幸的是，我对此感到非常兴奋，以至于我告诉了客户，他们取消了该项目。第一次运行非常有希望，但很难作为证据出售，即使你可以处理过去三年的几乎所有数据并看到该算法神奇地提高了效率。 EA 并不难，但人们一开始发现它们很复杂，而且做如此神秘的事情的想法有点难以接受。
对我来说，最大的收获是，如果我创造了一些看起来有点太神奇的东西，我应该推迟谈论它，直到我能整理出一个好的演示文稿。 :)
