在人工智能中实现类人直觉机制

人类直觉已被多个使用人工智能技术的研究项目所模拟。这些算法或模型大多缺乏处理复杂情况或干扰的能力。此外，它们也没有解释影响直觉的因素以及该过程结果的准确性。在本文中，我们提出一个基于连接性和未知实体原理的简单序列模型，用于实现类人直觉。通过使用扑克手牌数据集和汽车评估数据集，我们将一些知名模型的性能与我们的直觉模型进行了比较。实验的目的是使用基于直觉的模型预测最准确的答案。我们发现，未知实体的存在、对当前问题场景的偏离，以及在没有正常逻辑执行的情况下识别弱点，极大地影响了答案的可靠性。通常，在处理此类问题时，基于直觉的模型不能替代基于逻辑的机制。直觉只能作为处理所有步骤的、顺序执行的基于逻辑模型的辅助。然而，当时间和计算成本是非常严格的约束时，这种基于直觉的模型变得极其重要和有用，因为它可以提供相当不错的性能。我们通过模型分析并解释了影响直觉的因素。