计算启发式智能

计算启发式智能（CHI）指的是计算智能（也叫人工智能，或AI）中的专门编程技术。

这些技术的明确目标是通过使用类似人类的技术来避免复杂性问题，也称为NP-hard问题。它们xxx被概括为使用基于范例的方法（启发式），而不是基于规则的方法（算法）。

因此，该术语与更传统的计算算法智能，或GOFAI不同。CHI技术的一个例子是Tulving和Thompson的编码特性原则。

总的来说，CHI原则是由人使用的解决问题的技术，而不是被编程到机器中。正是通过提请注意这个关键的区别，在这个已经充斥着混乱的新名词的领域，这个术语的使用才是合理的。

请注意，所有现代人类社会的法律体系都采用了来自个人审判记录的启发式方法（案例的概括）以及作为监管指南的立法法规（规则）。

最近另一种避免复杂性问题的方法是采用反馈控制而不是前馈建模作为解决问题的范式。这种方法被称为计算型控制论，

因为(a)"计算型"一词与传统的计算机编程技术有关，它代表了问题的战略、编译或前馈模型；

(b)"控制论"一词与传统的系统操作技术有关，它代表了问题的战术、解释或反馈模型。当然，真实的程序和真实的问题都包含前馈和反馈成分。

一个能说明这一点的真实例子是人类的认知，它显然同时涉及到感知（自下而上，反馈，面向传感器）和概念（自上而下，前馈，面向运动）的信息流和层次结构。

人工智能工程师必须在数学和控制论问题解决方案和机器设计范式之间做出选择。这不是一个编码（程序语言）问题，而是涉及到理解陈述性编程范式和程序性编程范式之间的关系。

绝大多数STEM专业人士从来没有机会设计或实施纯控制论解决方案。当被问及这个问题时，大多数回答者都会否定任何区别的重要性，说反正所有的代码都可以被简化为数学模型。不幸的是，这种信念不仅是错误的，而且在许多人工智能的场景中也是最失败的。

数学模型不是与时间无关的，但就其本质而言，是预先计算的，即前馈的。Dyer[2012]和Feldman[2004]独立研究了最简单的体感治理范式，即通过单一屈肌控制一个简单的关节肢体。

他们发现，不可能从肢体位置确定力量--因此，这个问题不可能有一个预先计算的（前馈）数学解决方案。

相反，一个自上而下的指令偏向信号改变了传感运动回路中的阈值反馈水平，例如由传入和传出神经形成的回路，从而改变了屈肌/肘关节系统的所谓"平衡点"。

对这种安排的概述表明，全局姿势和肢体位置是以前馈方式指挥的，使用全局位移（共同编码），所需的力由反馈环路在局部计算。

这种传感运动单元的治理方法，是基于阿纳托尔-费尔德曼所说的"平衡点"理论，在形式上相当于汽车的"巡航控制"之类的伺服机械装置。