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，该领域的发展速度并没有早期预期的那么快。
我正在寻找的是一些具有“哇”因素的示例：
以意想不到的方式适应的自主学习系统。
特别动态并产生意想不到的策略的博弈代理
实际上产生了一些有意义和有见地的输出的符号表示系统
多代理系统中有趣的紧急行为。
让我们不要进入定义 AI 的语义。如果它看起来或听起来像 AI，让我们听听吧。
我先讲一个1997 年的故事。
Adrian Thompson 博士正在尝试使用遗传算法在 FPGA 中创建语音识别电路。几千代之后，他成功地让设备区分“停止”和“开始”语音命令。他检查了器件的结构，发现一些有源逻辑门与电路的其余部分断开了连接。当他禁用这些本应无用的门时，电路停止工作......
我们可以尝试继续讨论产生令人印象深刻的技术/算法吗？如果我想了解数以千计的处于早期阶段但显示出前景的人工智能技术，我可以谷歌搜索。
我为一个针对大型苗圃的产品构建了一个进化算法来补充零售库存（还有一些非常大、聪明的公司——价值 2 亿美元的公司）。
这可能是我做过的最酷的事情。使用三年的历史数据，它在我度假时连续一周地运行和演变。
最终结果既积极又奇怪。实际上，我很确定它一开始就坏了。
该算法忽略了前几周的销售额，将所有指标的权重设为 0（这与这些人目前的工作方式不一致——现在他们考虑的是前一年的同一周，并且还考虑了最近的趋势）。
最终我意识到发生了什么事。随着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率。
因此，它不是查看最后几天，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。而且它们比更不稳定的日常趋势更可靠。
结果是效率显着且可重复地提高。
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，即使您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，但人们一开始会觉得它们很复杂，而且做一些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。:)
前段时间，我发现了这个系列文章：Designing Emergent AI。
这些文章的作者创建了游戏“AI War: Fleet command”，其中包含一个紧急 AI。也许你会觉得这很有趣。
Numenta开发的 HTM（分层时间记忆）稍微超出了传统的 AI 领域。这项技术仍处于早期阶段，但在目标“WOW 因素”领域显示出前景。
到目前为止，人工智能最令人印象深刻的方面是承诺与交付的比率。在我看来，基于计算机的智能唯一真正可行的方法是模拟神经网络，因为现实世界中我们认为是“智能”的所有事物（人类、黑猩猩、狗、蟑螂等）都具有变体相同的基本控制系统：一大堆连接到输入和输出设备的神经元。
令人惊讶的是，尽管有这个明显的事实，但自称为“神经网络”的计算机科学领域几乎已经放弃了模拟实际生物神经元和神经元结构的尝试。我无法开始告诉你为什么会这样，尽管我怀疑这是因为程序员一般不喜欢走出他们的舒适区并学习计算机科学之外的主题。
唯一的好处是终结者仍然只是一部电影。
对我来说，人工智能中最有趣的事情之一是 Rodney Brooks 开始的关于他的行为架构的一个非常古老的讨论，称为包容架构。
他彻底摒弃了各种象征性的表现，总是说：以世界为模型。这可以避免机器人在纠正模型时产生错误的世界观和所有复杂的问题。
他出版了许多有趣的书籍，并且是目前在研究中大量使用的具身认知方法的第一批人之一。
有趣的阅读材料可以在http://people.csail.mit.edu/brooks/index.html上找到。他后来的一些出版物变得非常哲学化，但早期对机器人的描述以及它们的行为是如何从一组简单的规则和行动中产生的，值得一读。
查看http://www.wolframalpha.com/（可能更多地属于计算知识）
我发现最近对机器人进化与合作的研究非常有趣。这篇博客文章很好地总结了实验及其结果。对我来说最有趣的是观察到的烈士 AI 和“邪恶”AI 的行为。
我认为您的问题没有明确、客观的答案，所以这是我个人最喜欢的。
学习和玩乐
“learnfun & playfun：自动化 NES 游戏的通用技术”（附源代码和其他信息）
如果另一个前一个会死，这是一个 youtube 链接。这也出现在Vsauce上。
“而不是松懈，并收到'游戏结束'，它只是暂停了游戏。永远。[...]唯一的获胜举措就是不玩。”
有一个名为CIlib的雄心勃勃的开源 Java 库，它提供了许多计算智能方法。目前，一个研究小组正在大学一级使用它来推进他们自己的研究。
您可能会问一个不完整的问题。您说的是“什么是好答案”，但就像银河系漫游指南一样，当最好的计算机给出“42”作为答案时，您想知道问题是什么。
有一些“最好的问题”可以带来一些很好的答案。一些真正有用的答案是在看起来很平凡的事情中。“旅行商问题”对联邦快递来说意味着大量的成本或金钱。 Dijkstra 的算法驱动互联网上数据包实际遵循的路径。
德摩根定律也很酷——它们允许最小化计算机芯片中的门来完成同样的工作。它们是自动化的，并在计算机芯片中的数十亿个门上工作。它每年可能涉及多达 1 万亿美元的基于计算机硬件的价值创造。我不是在谈论人们对他们做了什么，我只是在谈论“他们”。
这些可能看起来很普通，但它们对我来说很整洁。
我也喜欢进化天线。我很确定，当马斯克说人工智能带来生存威胁时，他指的是进化算法的力量。在其中一辆火星探测器上有一个更现代的版本——人类无法（单独）发明它，但他们可以设置可以做到的计算机。