人工智能1,中國科學院大學課程

1、人工智能（人工智能（AI）繆青?？娗嗪Ｈ宋臉?8256650從從IT產業(yè)領軍企業(yè)看產業(yè)領軍企業(yè)看AIAIGoogle BrainlDeep Learningl使用 1000 臺電腦創(chuàng)造出包含 10 億個連接的“神經網絡”；l通過掃描互聯網上無數的貓的圖片“認識”了貓。吳恩達（Andrew Ng），斯坦福大學計算機科學系和電子工程系副教授，人工智能實驗室主任。2014年加入百度，擔任百度公司首席科學家。SiriSiri 的背后的背后lApple在印度的海德拉巴建了一個巨大的用戶響應中心，所有用戶和Siri的問題都被傳到這里，然后三哥三姐們飛快的打字回答。lApple內部把這個叫印度云(India

2、n cloud)，簡稱iCloud。l本地本地 + 云端云端Siri 的背后的背后lSiri脫胎于一個美國國防部項目，是一家總部位于舊金山的同名小公司，它誕生于2007年12月經濟危機的寒冬中。l2010年4月，蘋果公司以2億美元收購了這家公司，并將整個團隊招致麾下。lSiri把對話、自然語言理解、視覺、演說、機器學習、制定計劃、理性思考等融合到一個模仿人類的助理中，通過手機帶入人們的生活。IBM WATSON美國智力競賽節(jié)目 Jeopardy！是一款廣受歡迎的電視節(jié)目，他對參賽者提出了各種獨特的挑戰(zhàn)：它需要參與者了解涉獵廣泛的知識、明白問題中含有的雙關語、隱喻和俚語，同時還需要有這能夠迅速反

3、應過來按搶答器的反應能力。最后成績是Watson 77147，Brad 21600，Ken 24000！ WATSON ?l“沃森”以IBM創(chuàng)始人托馬斯沃森的名字命名；l“沃森”由5個機柜共90臺IBM POWER 750服務器組成，每臺POWER 750服務器配備四路八核32線程POWER 7 3.5GHz處理器，是一部擁有2880個POWER7核心和16TB內存的集群；l“沃森”存儲了IBM所有得到許可和公開的知識內容，成為一個海量百科全書；l“沃森”使用了100多個人工智能的相關算法，具備快速的查找、決策和自然語言處理能力。 大學大學lCMU：來源擴展算法，用于確定用來回答關于既定主題的

4、問題的最佳文本資源；答案評分算法，該算法增進了沃森用來判斷某個候選答案在何時可能正確的能力。lMIT： 問題細分成簡單的子問題，以便并行查找和迅速收集相關回答；對象-屬性-值數據模型，該模型支持對半結構化數據源中的信息進行有效的檢索；大學大學l南加州大學：大規(guī)模信息提取、分析和知識推理技術，目的是將大量國際來源的資料轉化為該系統的一般知識資源，并利用這些知識進行推理，以發(fā)現矛盾和差異之處。 l德州大學奧斯汀分校：文本處理計算方法的開發(fā)，重點是通過自動學習來將語言映射成其意義的邏輯表示的系統。大學大學l紐約州立大學阿爾巴尼分校：持續(xù)交互式問答功能， 使計算機系統能夠記住全部交互過程，而不是將每個

5、問題當作第一個問題來對待，這是對真實對話的仿真。 l倫塞利爾理工學院：可視化組件，用以向外部觀眾顯示其對沃森計算機系統所采取的用來對問題進行細分和形成可與人腦媲美的快速、精確回答的大規(guī)模并行分析技術。 大學大學 l特蘭托大學(意大利)研究團隊致力于機器學習、問題回答和對話代理人方面的研究工作。該團隊研究高級機器學習技術以及基于語法和語義結構的富文本表示，以便對 IBM 沃森系統進行優(yōu)化。該團隊已在統計學習理論(如核方法)最新成果的基礎上開發(fā)出了應用于自然語言理解的技術。處理在從由沃森系統的搜索算法發(fā)現的答案中選擇最佳答案時的不確定性(例如對答案清單進行排名)也其是主要研究方向之一。 行業(yè)觀點行

6、業(yè)觀點Watson + DeeplearninglIBM收購初創(chuàng)公司AlchemyAPI，幫助Watson建立模擬人腦分析學習的神經網絡，模仿人腦的機制來解釋數據，如圖像，聲音和文本。lIBM CEO Elliot Turner ：AlchemyAPI 能運行深度學習，而收購AlchemyAPI對于IBM來說，是IBM區(qū)別其他云端服務提供商的關鍵所在。WATSON 之外？之外？人工智能改變生活氣象預報氣象預報智能家居智能家居智能交通智能交通金融商務金融商務能源開發(fā)能源開發(fā)電力傳輸電力傳輸生物制藥生物制藥遙感測量遙感測量空間技術空間技術軍事國防軍事國防工業(yè)機器人工業(yè)機器人娛樂機器人娛樂機器人看護

7、機器人看護機器人 ROBEAR家用電器家用電器游戲游戲人工智能的應用領域人工智能的應用領域l工業(yè)自動控制l模式識別l地質勘察描述l決策支持系統l生產最優(yōu)規(guī)劃l農業(yè)專家系統l石油工程l金融證券ll氣象預報l水產養(yǎng)殖l公路工程l智能家居l智能監(jiān)控系統l航天技術l網絡搜索l教育培訓l人工智能概述人工智能概述人工智能的定義人工智能的學科基礎人工智能簡史36關于人工智能的定義關于人工智能的定義對AI的4種不同定義:類人行動/類人思考理性思維/理性行動l人類是一種智能體；l我們，作為一個智能體，為什么能夠思考? 大腦這么一小堆東西怎么能夠感知、理解、預測和應對一個遠比自身龐大和復雜的世界？l人工智能(AI

8、)走得更遠：不僅試圖理解智能體，而且要建造智能體制造出像人類一樣完成某些智能任務的系統(軟件)。像人一樣思考的系統理性地思考的系統要使計算機能思考有頭腦的機器(Haugeland, 1985)使之自動化與人類的思維相關的活動,諸如決策、問題求解、學習等活動(Bellman, 1978)通過對計算模型的使用來進行心智能力的研究(Charniak & McDemontt, 1985)對使得知覺、推理和行動成為可能的計算的研究(Winston, 1992)像人一樣行動的系統理性地行動的系統創(chuàng)造機器來執(zhí)行人需要智能才能完成的功能(Kurzweil, 1990)研究如何讓計算機能夠做到那些目前人比計算機

9、做得更好的事情(Rich & Knight, 1991)計算智能是對設計智能化智能體的研究(Poole et al., 1998)AI關心的是人工制品中的智能行為(Nilsson, 1998)思考過程類人思考模擬思維過程理性思考理性行為人類智能智能行為類人行為模擬行為功能思維過程思維模型按照模型建立思維系統智能行為行為建模按照模型建立行為系統類人思考或類人行為：直接模擬 / 追隨人理性思考或理性行為：間接模擬 / 概括人類人行為：圖靈測試 (Turing test)l圖靈建議(1950) ：不是問“機器能否思考”，而是問“機器能否通過關于行為的智能測試”圖靈圖靈l人工智能之父 l1950年，圖

10、靈發(fā)表了題為計算機能思考嗎？ l圖靈實驗的本質就是讓人在不看外型的情況下不能區(qū)別是機器的行為還是人的行為時，這個機器就是智慧的。 Alan Mathison Turing （1912 1954）圖靈測試l測試過程：讓一個程序與一個人進行5分鐘對話，然后人猜測交談對象是程序還是人？如果在30%測試中程序成功地欺騙了詢問人，則通過了測試。l圖靈期待最遲2000年出現這樣的程序。圖靈測試l在2014圖靈測試競賽上，俄羅斯人維西羅夫開發(fā)的超級計算機尤金古斯特曼讓測試者相信，它的回答中有33%是人類回答的。l因此主辦方雷丁大學宣布，已有65年歷史的圖靈測試首次獲得通過。偽裝成為偽裝成為13歲男孩歲男孩l

11、要想程序通過圖靈測試，還需要做大量工作，這些技能包括：自然語言處理自然語言處理, 使機器可以用人類語言交流知識表示知識表示, 存儲機器獲得的各種信息自動推理自動推理, 運用知識來回答問題和提取新結論機器學習機器學習, 適應新環(huán)境并檢測和推斷新模式以及(為了完全圖靈測試)計算機視覺計算機視覺, 機器感知物體機器人技術機器人技術, 操縱和移動物體圖靈測試l理性地行動理性地行動: : 理性智能體方法理性智能體方法l理性智能體：通過自己的行動獲得最佳結果，或在不確定的情況下，獲得最佳期望結果。l不僅要正確地推理，還要正確地行動；l圖靈測試中需要的技能都是為了作出理性行為。l把把AI研究視為理性智能體的

12、設計過程研究視為理性智能體的設計過程l好處：普遍性：比“思維法則”法則方法(理性地思維)更廣；比建立在人類行為或者思維基礎(類人方法)上的方法更形式化, 因此具有清楚的定義或標準。l完美理性 總能做正確的事情；l有限理性 在沒有足夠計算時間的前提下采取正確的行動；l完美理性在復雜環(huán)境下是不可行的。l人工智能=人造物(計算機)+智能(特殊化程序)l作為人造智能體，人們期待計算機智能體在解決某些問題方面要達到專家水平，盡管從整體上它遠遠不及一個普通人。l對AI的理解不斷發(fā)展；l重要的是：領悟人工智能的思想；學習人工智能的方法；應用人工智能的方法解決實際問題。49人工智能的基礎人工智能的基礎 哲學/

13、數學 經濟學 神經科學/心理學 計算機工程 控制論/語言學l哪些學科、思想和人物給予AI以貢獻?哲學(BC428現在)數學(800現在)經濟學(1776現在)神經科學(1861現在)心理學(1879現在)計算機工程(1940現在)控制論(1948現在)語言學(1957現在)l哲學(BC428現在)貢獻的思想: 問題1：形式化規(guī)則能用來抽取合理的結論嗎?問題2：精神的意識是如何從物質的大腦產生出來的?問題3：知識是從哪里來的?問題4：知識是如何導致行動的?l問題1：形式化規(guī)則能用來抽取合理的結論嗎?（哲學家及其貢獻）亞里士多德(Aristotle, BC384BC322)，為形式邏輯奠定了基礎

14、:第一個把支配意識的理性部分法則形式化為精確的法則集合/著名的三段論Ramon Lull、Leonardo da Vinci(達芬奇) 、Blaise Pascal(帕斯卡)、Gottfried Wilhelm Leibnitz(萊布尼茲)等人均設計或制造了能計算的機器。17世紀, 有人提出推理如同數字計算，帕斯卡寫道: “算術機器產生的效果顯然更接近于思維而不是動物的其他活動”。l問題1結論: 肯定的結論； 即可以用一個規(guī)則集合描述意識的形式化、理性的部分。l問題2：從物理系統的角度來考慮意識: 意識與物質的大腦之間的關系如何？ Ren Descartes(笛卡爾)給出了第一個關于意識和物質

15、之間的區(qū)別以及由此產生的問題的清晰討論；笛卡爾是二元論二元論的支持者：堅持意識(或稱為靈魂/精神)的一部分是超脫于自然之外的，不受物理定律影響；而動物不擁有這種二元屬性，它們可以被作為機器對待。唯物主義唯物主義認為: 大腦依照物理定律運轉而構成了意識, 自由意志也就簡化為對出現在選擇過程中可能選擇的感受方式。l問題2結論: 存在兩種選擇:二元論.一元論.l問題3：知識是從哪里來的?關于知識的來源: Francis Bacon(培根)新工具論開始了經驗主義運動；John Locke(洛克)指出：“無物非先感而后知”David Hume(休謨)提出歸納原理：一般規(guī)則是通過揭示形成規(guī)則的元素之間的重

16、復關聯而獲得的?；贚udwig Wittgenstein, Bertrand Russell的工作，Rudolf Carnap領導維也納學派發(fā)展了實證邏輯主義，堅持認為所有的知識都可以用最終和傳感器輸入相對應的觀察語句觀察語句相聯系的邏輯理論來描述.l問題3結論: 知識來自于實踐l問題4：知識是如何導致行動的?亞里士多德認為: 行動是通過目標與關于行動結果的知識之間的邏輯來判定的。他的進一步闡述指出: 要深思的不是結局而是手段 ， 手段在分析順序中是最后一個, 在生成順序中是第一個。這實際上就是回歸規(guī)劃系統, 2300年后由Newell和Simon在其GPS程序中實現。l問題4結論: 知識用

17、于指導行動去達到目標l數學(800現在)貢獻的思想:什么是抽取合理結論的形式化規(guī)則?什么可以被計算?如何用不確定的知識進行推理?lAI成為一門規(guī)范科學要求在三個基礎領域完成一定程度的數學形式化：邏輯、計算、概率l問題1：如何抽取形式化規(guī)則？George Boole(布爾, 18151864), 1847年完成了形式邏輯的數學化，即命題邏輯或稱布爾邏輯；Gottlob Frege(弗雷格, 18481925), 1879年擴展了布爾邏輯, 使其包含對象和關系, 創(chuàng)建了一階邏輯；Alfred Tarski(塔斯基)引入了一種參考理論，可以把邏輯對象與現實世界對象聯系起來。l問題1結論: 形式化規(guī)則

18、=命題邏輯和一階謂詞邏輯l問題2：什么可以計算？可以被計算，就是要找到一個算法算法本身的研究可回溯至9世紀波斯數學家al-Khowarazmi19世紀晚期，把一般的數學推理形式化為邏輯演繹的努力已經展開。1900年，Hilbert(希爾伯特, 18621943)提出了包括23個問題的清單，其中最后一個問題是：是否存在一個算法可以判定涉及自然數的邏輯命題的真實性，即可判定性問題。他所要問的是: 有效證明過程的能力是否有基礎的局限性。這一問題被Kurt Gdel(哥德爾, 19061978)在1931年證實：確實存在真實的局限。1930年，哥德爾提出： 存在一個有效過程可以證明羅素和弗雷格的一階邏

19、輯中的任何真值語句，但是一階邏輯不能捕捉到刻畫自然數所需要的數學歸納法原則。1931年，哥德爾證明了他的不完備性定理：在任何表達能力足以描述自然數的語言(如某種邏輯)中，在不能通過任何算法建立它們的真值的意義上， 存在不可判定的真值語句。不完備性定理還可以表述為： 整數的某些函數無法用算法表示， 即不可計算的。由此激發(fā)了Allen Turing(圖靈, 19121954)的熱情，他試圖精確地刻畫哪些函數是能夠被計算的，Church-Turing論題指出：圖靈機可以計算任何可計算的函數，該結論作為一個充分的定義而被接受。圖靈說明了一些函數沒有對應的圖靈機，沒有通用的圖靈機可以判定一個給定的程序對

20、于給定的輸入能否返回答案或者永遠運行下去。在不可計算性以外，不可操作性不可操作性具有更重要的影響，如果解決一個問題需要的計算時間隨著實例規(guī)模成指數級增長，則該問題被稱為不可操作的（計算復雜性問題）；多項式級和指數級增長的區(qū)別在20世紀60年代得到重視；如何認識不可操作問題? 以Steven Cook(1971)和Richard Carp為代表的NP-完全理論的研究提供了一種方法。Cook和Carp證明有大量各種類別的規(guī)范的組合搜索和推理問題屬于NP-完全問題；任何NP-完全問題類完全問題類可歸約成的問題類很可能是不可操作的(目前尚未證明, 但大家猜測是如此)l問題2結論: 可計算性和算法復雜性

21、理論l數學對AI的第三個貢獻是概率理論：Fermat, Pascal, Bernoulli, Laplace等都推進了概率理論的發(fā)展及引入了新的統計方法論；Thomas Bayes(貝葉斯, 17491827)提出了根據證據更新概率的法則(貝葉斯公式/條件概率公式)。l問題3結論: 使用貝葉斯理論進行不確定推理l經濟學(1776現在)貢獻的思想:如何決策以獲得最大收益?在他人不合作的情況下如何做到這點?在收益遙遙無期的情況下如何做到這點?l問題1: 效用理論l問題2: 決策理論l問題3: 運籌學lHerbert Simon(西蒙, 19162001)是AI研究的先驅者，他于1978年獲得諾貝爾

22、經濟學獎，是因為他早年的工作：基于滿意度的模型：制定“足夠好”的決策，而不是艱苦計算獲得最優(yōu)化決策；能更好地描述真實人類行為。l在智能體系統中使用決策理論技術越來越重要。l神經科學(1861現在)的貢獻：大腦是如何處理信息的?l神經科學是研究神經系統特別是大腦的科學：雖然幾千年來人類一直贊同大腦以某種方式與思維相聯系（因為證據表明頭部受重擊會導致精神缺陷），但是直到18世紀中期人類才廣泛地承認大腦是意識的居所。Paul Proca(布魯卡)通過研究大腦損傷病人的失語癥，闡明了語言產生定位于大腦左半球的一部分，現在稱為布魯卡區(qū)；1873年Camillo Golgi開發(fā)出一項染色技術，允許人們觀察

23、大腦的各個神經元；1929年Hans Berger發(fā)明腦電圖記錄儀；1990年核磁共振成像為神經科學家提供了關于大腦活動的細致圖像；使得以某種方式與正在進行的認知過程相符合的測量成為可能。神經元l真正令人震驚的結論是：簡單細胞的集合能夠導致思維、行動和意識，換句話說，大腦產生意識(西爾勒, 1992)。l計算機和大腦如何相比? 大腦活動過程對計算機工作過程有啟發(fā)。l盡管計算機在原始的轉換速度上快100萬倍, 大腦最終在做事上比計算機快10萬倍計算機人腦計算單元數存儲單元數運算周期時間帶寬記憶更新次數/秒1個CPU/108邏輯門1010比特RAM1011比特磁盤10-9秒1010比特/秒1091

24、011個神經元1011個神經元1014個突觸10-3秒1014比特/秒1014l計算機工程(1940現在)的貢獻：如何才能制造出能干的計算機?l計算機被視為智能和人工制品的結合最早的可計算的裝置應該從17世紀算起；19世紀中葉，Charles Babbage(巴貝奇, 17921871)設計了兩臺機器，名為“差分機”和“分析機”，前者最終于1991年建造出來并在倫敦展出。最早的現代計算機幾乎同時在二戰(zhàn)期間分別在英國、德國和美國發(fā)明出來；1945年在賓夕法尼亞大學(UPenn)開發(fā)出來的ENIAC被公認為現代計算機最有影響的先驅，研制者包括John Mauchly和John Eckert；計算機

25、硬件按照摩爾定律每18個月性能翻一番, 但現在就不得不尋求新技術了。計算機軟件技術為AI提供了操作系統、程序設計語言、工具軟件等；AI反過來也對主流計算機科學產生了影響：分時技術、交互式編譯器、窗口和鼠標的個人機、快速開發(fā)環(huán)境、鏈接表數據類型、自動存儲管理、面向對象的編程等。l控制論(1948現在)的貢獻：人工制品怎樣才能在自己的控制下運轉?l現代控制論控制論的創(chuàng)始人Norbert Wiener(維納, 1894 1964)的暢銷書Cybernetics(控制論)喚醒了人們對人工制造智能機器的可能性的熱情；現代控制論，特別是隨機優(yōu)化控制的分支，把設計出能隨時間變化使目標函數最大化的系統作為其目

26、的，也粗略符合對AI的觀點。維納維納l維納系統地創(chuàng)建了控制論控制論：或關于在動物和機器中控制和通訊的科學 ，根據這一理論，一個機械系統完全能進行運算和記憶。l他在反饋理論反饋理論上的研究認為所有人類智力的結果都是一種反饋的結果，通過不斷地將結果反饋給機體而產生的動作，進而產生了智能。 lAI和控制論為什么是兩個不同領域?控制論的數學工具是微積分和矩陣代數，適合于用固定的連續(xù)變量集合描述的系統，精確分析在典型情況下只對線性系統可行。AI自20世紀50年代建立以來，部分起因是尋求擺脫控制論數學方法的局限性。邏輯推理和計算工具使得AI研究者考慮語言/視覺/規(guī)劃等問題，完全脫離了控制論的范圍。l語言學

27、(1957現在)貢獻的思想:語言和思維是怎樣聯系起來的?l喬姆斯基最先作出了貢獻1957年句法結構出版，顛覆了行為主義，認為該理論不能解釋兒童怎么能理解和構造他們以前沒有聽到的句子，而喬姆斯基關于語法模型的理論則能夠解釋這個現象，并且足夠形式化，喬姆斯基理論的影響一直持續(xù)到20世紀80年代末。l計算語言學或者自然語言處理與AI差不多同時誕生， 一直在發(fā)展，但是距離徹底理解語言和思維的關系尚很遠。l研究語言的理解過程是人類智能研究的核心之一。l哲學邏輯/推理方法/智能作為一種物理系統/理性的基礎l數學形式表示與證明/算法/可計算性/可操作性/不確定性l神經科學智能活動的物理基礎l經濟學復雜系統中

28、的決策/驗證環(huán)境l控制理論自我平衡系統/穩(wěn)定性/優(yōu)化設計l計算機工程計算機硬件和軟件系統l心理學自適應性/感知和控制的現象l語言學知識表示/語法85人工智能簡史人工智能簡史 7個歷史時期：孕育期/誕生/早期的成功/困難期/基于知識系統的崛起/AI成為工業(yè)/AI成為科學l按照Russell的觀點, AI六十年的發(fā)展歷史可以分為以下7個時期：AI孕育期(19431955)AI的誕生(1956)早期的成功與期望(19521969)現實的困難(19661973)基于知識的系統: 力量的鑰匙? (19691979)AI成為工業(yè)(1980現在)AI成為科學(1987現在)l神經網絡最早的AI工作是1943

29、年McCulloch和Pitts人工神經元模型的研究，他們證明任何可計算的函數都可以通過某種由神經元連接成的網絡進行計算，還提出適當的網絡能夠學習；1951年，普林斯頓大學數學系研究生Marvin Minsky(明斯基)和Dean Edmonds建造了第一臺神經元網絡計算機。l圖靈1950年的論文第一個清晰地描繪出AI的完整圖像：Computing Machinery and Intelligence提出了圖靈測試、機器學習、遺傳算法、增量學習l1956年夏天，AI正式誕生于達特茅斯大學John McCarthy(麥卡錫)自普林斯頓大學畢業(yè)以后去了達特茅斯大學，他說服了另外2個人幫助召開了為期

30、2個月的研討會。會議組織者4人：麥卡錫、Minsky(明斯基)、Claude Shannon(香儂)、IBM的Nathaniel Rochester(羅切斯特)，參加者共10人。其他6位是：普林斯頓大學Trenchard More、IBM的Arthur Samuel(塞繆爾)、MIT的Ray Solomonoff和Oliver Selfridge、CMU的紐厄爾和西蒙l盡管這次會議沒有新突破，但聚集了AI的主要人物特別是AI領域的4位著名專家，他們后來所在的大學也成為了美國AI研究的3大基地： MIT明斯基Stanford麥卡錫(先在MIT后去了Stanford)CMU紐厄爾和西蒙此外， 還有

31、IBMl這次會議最為長久的貢獻就是麥卡錫為該領域起的名字:人工智能l為什么AI有必要成為一個新領域?目標不同：AI從一開始就承載著復制人的才能如創(chuàng)造性、自我修養(yǎng)、語言功能等思想，沒有任何一個其他領域涉及這些問題；方法論不同：是唯一一個明確屬于計算機科學的分支，因而不是數學或者控制論或其他學科的分支；AI是唯一這樣的領域：它試圖建造在復雜和變化的環(huán)境中自動發(fā)揮功能的機器。麥卡錫麥卡錫lUncle John McCarthy l1956 首次提出人工智能Artificial Intelligencel1971年獲圖靈獎。lLisp語言的發(fā)明者。麥卡錫 （19272011）l當時，主流的思想是“一臺

32、機器永遠不能做X”(而不是考慮“看看計算機能不能做X？”)lAI研究者們就演示一個接一個的XCMU：紐厄爾和西蒙完成通用問題求解器(GPS)， 該系統及其后續(xù)程序的成功導致了他們提出著名的物理符號系統物理符號系統假設。IBM：1959Herbert Gelernter建造了幾何定理證明機；1952年起，塞繆爾寫了一系列西洋跳棋程序，通過學習可達業(yè)余高手的級別；MIT：1958年麥卡錫到了以后作出了三項重要貢獻 /貢獻1: 定義了LISP語言 / 貢獻2: 與MIT其他人發(fā)明了分時技術 / 貢獻3: 發(fā)表了題為Programs with Common Sense的論文, 文中描述了“建議采納者”

33、程序. 該程序實現了知識表示和推理的中心原則: 具備明確的知識表示, 并能通過演繹過程處理這些表示Stanford: 1963年麥卡錫啟動了斯坦福的AI實驗室, 著重研究邏輯推理的通用方法(后來如Robinson發(fā)現歸結方法) / 以及機器人研究MIT: 1958年明斯基也到了, 不過他對程序如何實現更感興趣, 并最終發(fā)展出反邏輯的觀點 / 指導了一系列學生, 選擇那些顯然需要智能才能解決的受限問題 / 貢獻: 微世界微世界模型MIT: 最著名的微世界是積木世界, 在此基礎上完成了許多研究工作如: 視覺項目、自然語言理解項目(Terry Winograd)、規(guī)劃器等l早期AI研究者過于盲目的樂

34、觀態(tài)度：10年預見象棋世界冠軍，而實際上至少40年。l早期的AI系統在試圖解決更寬范圍和更難的問題時，都悲慘地失敗了，原因何在?l第一類困難: 缺少主題知識(通用而非專門化)典型例子: 機器翻譯(MT) / 最早對AI研究的發(fā)難始于機器翻譯(1966ALPAC報告) The spirit is willing but the flesh is weekThe vodka is good but the meat is rotten第二類困難：AI試圖解決的很多問題是不可操作的(NP類)：在計算復雜性理論建立之前，對“問題放大”(從玩具到現實)的認識局限于速度和存儲容量。例子: 早期遺傳算法實驗

35、(195859)無限計算能力的幻覺：程序原則上能夠找到解并不意味著程序實際上包含找到解的機制1973年英國政府在Lighthill報告之后終止了除2所大學以外所有的AI研究資助。第三類困難：用于產生智能行為的基本結構存在某些限制例子：1969年Minsky和Papert證明了感知器簡單的神經網絡所能表示的東西很少(單層感知器對XOR函數)神經網絡研究由此沉寂了20年，直到80年代后期多層網絡的反向傳播算法出現引起了神經網絡的復興；這一算法首次發(fā)現恰恰是在1969年發(fā)現的(Bryson & Ho)。l早期研究中的通用搜索機制稱為弱方法弱方法；通用但不能擴展到大規(guī)模問題或困難問題l需要更強有力的、

36、領域相關的知識DENDRAL是第一個成功的知識密集型系統，1969年在Stanford開發(fā)，參與者包括Ed Feigenbaum等，根據質譜儀信息推斷分子結構；該系統改進后, 把知識和推理部分清楚地劃分開80年代專家系統的典型結構。l由DENDRAL系統開始的專家系統專家系統方法論又應用到其他需要人類專家知識的領域: MYCIN檢測血液感染的專家系統MYCIN知識庫的特點: 直接來自經驗 / 反映出知識的不確定性l自然語言理解領域的專家系統:耶魯大學Roger Schank和其學生們開發(fā)的一系列程序(19771983)l1982年，第一個成功的商用專家系統R1在DEC公司開始運轉，到1986年

37、為止每年為公司節(jié)省4千萬美元：美國主要公司都曾開發(fā)或使用專家系統；AI工業(yè)在1980年只是幾百萬美元，1988年漲到數十億美元。l在八十年代的AI研究熱潮中，1981年日本提出五代機計劃，目的是建造運行Prolog程序的智能機；l美國則對應成立了MCC研究集團；實際上，“AI成為工業(yè)”目前在一些家電中可以找到影子。l神經網絡: Frank Rosenblatt1962年提出感知器, 證明了感知器收斂定理 / 但1969年以后沉寂l反向傳播算法引起了神經網絡研究的復興，Rumelhart和McClelland的文集引起反響l連接主義連接主義方法崛起，被認為是Newell和Simon提出的符號模型

38、和McCarthy主張的邏輯方法的直接競爭者l當前的觀點是：連接主義和符號主義方法是互補的l近年AI研究在內容和方法論方面的特點：在已有的理論基礎上進行研究而不是提出嶄新理論；理論建立在嚴格定理或者確鑿實驗證據基礎上而不是靠直覺；顯示與現實世界應用的相關性而不是與玩具樣例的相關性。l從對控制論和統計學的某種叛逆到開始接受這些領域的理論和方法；語音識別中HMM模型應用 / 貝葉斯網絡；數據挖掘：綜合神經元網絡 / 統計學；機器人、計算機視覺等；l重新審視“完整智能體” ：嵌入真實環(huán)境的智能體：目前最重要的智能化智能體環(huán)境是Internet, AI技術成為重要的Internet工具，例如搜索引擎。

39、l為什么要采納智能體觀點?AI歷史上分離的子領域需要重新組織起來；AI與其他涉及智能體的領域的聯系被拉近了(如控制論和經濟學)人工智能的未來人工智能的未來lAI是新興學科，也是激動人心的學科；lAlan Turing：我們只能向前看到很短的距離，但是我們能夠看到仍然有很多事情要做。lRussell聲稱：不同于物理學，這里還有出現幾個愛因斯坦的余地；l為什么？研究主觀世界的成果遠少于研究客觀世界的成果。l弱人工智能擅長于單個方面的人工智能l強人工智能人類級別的人工智能，現在還做不到l超人工智能在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創(chuàng)新、通識和社交技能代表人物代表人物lRay Ku

40、rzweill相信電腦會在2029年達成強人工智能，而到了2045年，我們不但會有超人工智能，還會有一個完全不同的世界奇點時代。谷歌技術總監(jiān)。人工智能、機器人、深度學習等領域奇才。微軟創(chuàng)始人蓋茨曾經稱他是“我知道在預測人工智能上最厲害的人”。過去 30 年，他對未來預測的準確率超過 86%。代表人物代表人物l霍金l馬斯克、蓋茨lNick Bostrom 超級人工智能Bill Gates 2004“If you invent a breakthrough in artificial intelligence, so machines can learn,” Mr. Gates responded

41、, “that is worth 10 Microsofts.” (Quoted in New York Times, Monday, March 4, 2004)Bill Gates 2015l比爾蓋茨在Reddit的“Ask Me Anything”論壇上表示，人類應該敬畏人工智能的崛起。l蓋茨解釋，人工智能將最終構成一個現實性的威脅，但它在此之前會使我們的生活更輕松。l微軟的研發(fā)董事總經理埃里克霍維茨持相反觀點，認為世界末日的場景純屬“科幻”。Elon Muskl在麻省理工學院航空航天系2014百年紀念座談會上，伊隆馬斯克表示，“隨著人工智能發(fā)展，我們正在召喚惡魔。.（人們）總覺得能控制

42、的惡魔，（但）根本不是這樣?！?l通過不斷投資的方式來保持對人工智能的關注，他甚至認為人工智能的危險性超過核武器。Stephen Hawkingl著名理論物理學家Stephen Hawking認為：人工智能或許不但是人類歷史上最大的事件，而且還有可能是最后的事件。“人工智能的短期影響取決于由誰來控制它，而長期影響則取決于它是否能夠被控制。人類在考核人 工智能技術的潛在風險和收益方面所做的研究工作太少” 。當前當前l(fā)人工智能將成為IT領域最重要的技術革命，國際IT巨頭已經開始在人工智能領域頻頻發(fā)力，一方面網羅頂尖人才，一方面加大投資力度；l人工智能的浪潮已經開始掀起，人工智能新的春天已經到來。人工智能學習資源人工智能學習資源期刊、會議人工智能國際聯合大會人工智能國際聯合大會International Joint Conferences on Artifi