人工智能

第一章 人工智能概述

1.0 引言

• 第一种观点，人工智能等同于任何由非生命系统实现的智能，即使这类智能行为的实现与人类智能的依赖机制不同也无关紧要
• 第二种观点，人工智能系统必须能够模仿人类智能。研究人工智能或者实现人工智能系统，首先要理解人类如何获取智能行为，但是，人越被要求解释他们为何在学科或事业中获得如此成就，他们就越可能失败。许多学科的技能和专业知识是在人类的潜意识中发展和存储的，而不是通过对记忆或第一性原理的显式要求而变得可用

1.0.1 人工智能的定义

​ 对人工智能中的“人工”一次进行阐述，并举多个例子来说明人造优于自然，如人造花，人造光与自然光，人工交通工具与跑步，步行等等。

​ 和人造光、人造花、交通工具一样，人工智能不是自然的，而是人造的。要确定人工智能的优缺点，就必须首先理解和定义智能。

1.0.2 思维与智能

​ 智能是个体从经验中学习、正确推理、记忆重要信息，以及应对日常生活需求的认知能力

​ 标准化测试，以一个数列来举例：1，3,6,10,15,21。上述连续数字之间的差值的间隔均为 1。例如，从 1 到 3 差值为 2，从 3 到 6 差值为 3，以此类推，可以得到问题的正确答案是 28。这个问题的设计目的在于衡量你在模式识别中对显著性特征的熟练程度。

​ 如何评估人的智能？我们可以通过与其他人交流（如发表意见或提出问题）来观察他们的反应，每天多次重复这一过程，以此评估他们的智能。虽然我们没有直接进入他们的大脑，但是相信通过问答这种间接的方式，就可以为我们提供内部大脑活动的准确评估。

​ 坚持问答的方式的话，该如何评估动物的智能呢？关于动物智能，还有一则有趣的轶事：在 1900 年前后，德国柏林有一匹人称“聪明的汉斯”（Clever Hans）的马，据说这匹马精通数学。当汉斯做加法或计算平方根时，观众们都惊呆了。后来，人们观察到，如果没有观众，汉斯的表现就不会那么出色。事实上，汉斯的天赋在于它能够识别人类的情绪，而非精通数学。马一般具有敏锐的听觉，当汉斯接近正确的答案时，观众们都变得相对兴 奋，心跳加速。也许，汉斯有一种出奇的能 力，它能够感受到观众的这些变化，从而获得正确的答案。

​ 人工智能宣称的目标是创建可以与人类思维媲美的计算机软件和/或硬件系统，换句话说，即表现出与人类智能相关的特性。于是就引出一个问题，“机器可以思考吗？”

1.1 图灵测试

在该游戏中，询问者仍然在有帘子的房间里。但这一次，帘子的后面可能是一台计算机或一个人。这里的机器扮演男性的角色，偶尔会撒谎，但人一直是诚实的。询问者提问，然后对返回的回答进行评估，以确定与其交流的到底是人还是机器。

如果计算机成功地欺骗了询问者，那么它就通过了图灵测试，因此也就被认为是有智能的

1.1.2 图灵测试的争议与批评

• 布洛克对图灵测试的批评 可以用机械的查表方法而不是智能来通过图灵测试
• 赛尔对图灵测试的批评 中文房间问题

1.2 强人工智能与弱人工智能

* 强人工智能，模拟人类听觉系统
* 弱人工智能，关注系统的表现

1.3 启发式方法

这里的重点是人工智能中的启发式方法，这是解决问题的经验法则，而不是严格的算法。

本质上是指导在确定的算法可能不可用或不实用的情况下解决问题的经验法则。关键问题包括理解启发法是什么、它们与算法有何不同，以及为什么它们在人工智能中很重要。 它探讨了各种示例来说明如何在现实生活场景和人工智能问题解决中使用启发式方法。
启发式方法在人工智能发展中的历史意义，特别是在其早期阶段。
两个具体示例来说明启发式问题解决方法：

长方体的对角线：旨在说明解决更简单的相关问题如何有助于理解或解决更复杂的问题，这是解决问题的常见启发式方法。

水壶问题：这是一种经常用于最终目标明确但实现目标的路径不明的谜题和数学问题的方法。

启发式本质上是当穷举搜索不切实际时用于更快、更有效地解决问题的策略或方法。 这些策略可以包括简化问题、逆向工作、使用类比或将问题分解为更小、更易于管理的部分。

1.4 识别适用人工智能来求解的问题

​ 多年来，医疗诊断这个科学领域一直在采用人工智能的方法，并对来自于人工智能的贡献，特别是利用专家系统（expert system）的发展乐见其成。专家系统通常会内置于领域，其中包含大量人类专家的知识以及大量的规则［这些规则的形式为“IF（条件），THEN 动作”。例如，如果你头痛，那么可以服用两片阿司匹林，并在早晨给我打电话］。这些规则比任何人类大脑能够记忆或希望记忆的规则都多。专家系统算得上 为成功的人工智能技术之一，它可以生成全面而有效的结果。

1.5 应用和方法

• 搜索算法和拼图问题：本节以拼图为例探讨搜索算法。 它讨论了问题解决技术和启发式应用，包括状态空间图和盲目搜索算法，例如深度优先和广度优先搜索

• 二人博弈：本小节深入研究对抗性两人游戏中的人工智能，重点不仅在于获胜，还在于阻止对手的策略。 国际象棋和井字棋等游戏就是例子

• 自动推理：这部分讨论使用一组给定事实来推断新信息的系统。 重点是问题的表示和演绎所需的逻辑

• 产生规则和专家模式：本小节重点介绍使用产生式规则（if-then 规则）来模仿特定领域的人类专业知识的专家系统

• 细胞自动机：元胞自动机是一种理论系统，显示简单的规则如何生成复杂的模式，这里将其作为理解人工智能中的紧急行为的方法进行探索

• 神经计算：本节讨论神经网络及其在人工智能中的作用，重点关注它们如何模仿人脑的结构和处理

• 遗传算法：这里介绍受自然选择过程启发的遗传算法。 它们在人工智能中用于通过随着时间的推移不断改进解决方案来解决优化和搜索问题

• 知识表示：这部分讨论人工智能系统如何表示知识，包括人工智能系统用来理解和解释世界的信息的结构和组织

• 不确定性推理：本小节介绍人工智能系统在信息不完整或不确定的情况下做出决策和推理的能力，通常使用概率和模糊逻辑

1.6 人工智能的早期历史

• 基础工作和先驱

• 早期计算机器和理论

• 各个领域对人工智能的贡献

• 信息科学的进步

• 早期计算创新

• 关键发明及其对人工智能的影响

1.7 人工智能的近期历史到现在

• 计算机博弈：人工智能的发展受到国际象棋、跳棋、围棋和黑白棋等游戏的计算机程序开发的显着影响

• 专家系统：专家系统的知识库与推理机的分离，系统的知识超过任何专家或所有专家的知识的总和，知识与搜索技术的关系，推理以及不确定性等等使得十分适合人工智能的研究与开发

• 神经计算： 随着感知器学习规则和反向传播算法的发展，该领域取得了进步。 到了 20 世纪 80 年代，神经网络被用于预测股票价格和光学字符识别等任务。 卡内基梅隆大学的 ALVINN 等项目强调了神经网络在车辆控制系统中的使用

• 进化计算：该领域包括用于解决优化问题的遗传算法。 罗德尼·布鲁克斯 (Rodney Brooks) 在麻省理工学院的工作主张从智能体与其环境的交互中产生智能，从而导致了类昆虫机器人的发展。 进化计算领域已经被探索其在人工智能设计中的应用

• 自然语言的处理：Eliza 和 SHRDLU 等早期程序是重要的里程碑。 Eliza 使用模式匹配模拟心理治疗师，而 SHRDLU 使用句法和演绎推理在有限的领域内进行交互。 该领域面临常识知识的挑战，导致 20 世纪 80 年代末自然语言处理 (NLP) 统计方法的发展

• 生物信息学：这一新兴学科将计算机科学算法应用于分子生物学，重点是管理和分析生物数据。 基于案例的推理和数据挖掘等技术用于蛋白质结构发现。 生物信息学发展迅速，尤其是在分析微阵列数据方面

  1.8 新千年人工智能的发展

  ​ 人工智能是一门独特的学科，它允许我们探索未来生活的诸多可能性。