人工智能通識教程 第2版 課件 第2章 定義人工智能

第2版人工智能通識教程第2章周蘇教授QQ：81505050定義人工智能導讀案例：自動駕駛概述自動駕駛就是車輛在無駕駛員操作的情況下自行實現駕駛，它是車輛的能力。比如掃地機器人在掃地的時候就是在自動駕駛。自動駕駛有多種發(fā)展路徑，單車智能、車路協同、聯網云控等。車路協同是依靠車-車，車-路動態(tài)信息的實時交互實現自動駕駛。聯網云控更注重通過云端的控制實現自動駕駛。01人工智能概述02人工智能發(fā)展歷程目錄/CONTENTS03人工智能的研究將人類與其他動物區(qū)分開的特征之一就是省力工具的使用。人類發(fā)明車輪以減輕遠距離攜帶重物的負擔，人類發(fā)明長矛從此不再徒手與獵物搏斗。數千年來，人類一直致力于創(chuàng)造越來越精密復雜的機器來節(jié)省體力，然而，能夠幫助人們節(jié)省腦力的機器卻一直是一個遙遠

的夢想。時至今日，我們才具備了足夠的技術實力來探索更加通用的思考機器。第2章定義人工智能PART01人工智能概述人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器。自誕生以來，人工智能的理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。2.1人工智能概述顯然，人工智能就是人造的智能，它是科學和工程的產物。我們也會進一步考慮什么是人力所能及的，或者人自身的智能程度有沒有達到可以創(chuàng)造人工智能的地步，等等。不過，生物學不在這里的討論范圍之內，因為基因工程與人工智能的科學基礎全然不同。人們可以在器皿中培育腦細胞，但這只能算是天然大腦的一部分。所有人工智能的研究都圍繞著計算機展開，其全部技術也都是在計算機中執(zhí)行的。2.1.1“人工”與“智能”“智能”，涉及到諸如意識、自我、思維（包括無意識的思維）等等問題。事實上，人應該了解的是人類本身的智能，但我們對自身智能的理解，對構成人的智能的必要元素也了解有限，人們很難準確定義出什么是“人工”制造的“智能”。因此，人工智能的研究往往涉及對人的智能本身的研究，其他關于動物或人造系統(tǒng)的智能也普遍被認為是與人工智能相關的研究課題。

圖2-4研究人的智能2.1.1“人工”與“智能”1906年，法國心理學家阿爾弗雷德·比奈這樣定義智能：“……判斷，又或稱為判斷力強，實踐感強，首創(chuàng)精神，適應環(huán)境的能力。良好決策、充分理解、正確推論……但記憶與判斷不同且獨立于判斷?！薄杜＝蛴⒄Z詞典》對智能的定義為“獲取和應用知識與技能的能力”，這顯然取決于記憶。也許人工智能領域已經影響了我們對智力的一般性認識，人們會根據對實際情況的指導作用來判斷知識的重要程度。人工智能的一個重要領域就是儲存知識以供計算機使用。2.1.1“人工”與“智能”棋局是程序員研究的早期問題之一。他們認為，就象棋而言，只有人類才能獲勝。1997年，IBM機器深藍擊敗了象棋大師加里·卡斯帕羅夫，但深藍并沒有顯示出任何人類特質，僅僅只是對這一任務進行快速有效的編程而已。圖2-5卡斯帕羅夫與深藍對弈當中2.1.1“人工”與“智能”作為計算機科學的一個分支，人工智能是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學，是一門自然科學、社會科學和技術科學交叉的邊緣學科，它涉及的學科內容包括哲學和認知科學、數學、神經生理學、心理學、計算機科學、信息論、控制論、不定性論、仿生學、社會結構學與科學發(fā)展觀等。2.1.2人工智能定義人工智能研究領域的一個較早流行的定義，是由約翰·麥卡錫在1956年的達特茅斯會議上提出的，即：人工智能就是要讓機器的行為看起來像是人類所表現出的智能行為一樣。另一個定義指出：人工智能是人造機器所表現出來的智能性。總體來講，對人工智能的定義大多可劃分為四類，即機器“像人一樣思考”“像人一樣行動”“理性地思考”和“理性地行動”。這里“行動”應廣義地理解為采取行動，或制定行動的決策，而不是肢體動作。2.1.2人工智能定義尼爾遜教授對人工智能下了這樣一個定義：“人工智能是關于知識的學科――怎樣表示知識以及怎樣獲得知識并使用知識的科學?！倍鴾厮诡D教授認為：“人工智能就是研究如何使計算機去做過去只有人才能做的智能工作?！边@些說法反映了人工智能學科的基本思想和基本內容。即人工智能是研究人類智能活動的規(guī)律，構造具有一定智能的人工系統(tǒng)，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟/硬件來模擬人類某些智能行為的基本理論、方法和技術。2.1.2人工智能定義可以把人工智能定義為一種工具，用來幫助或者替代人類思維。它是一項計算機程序，可以獨立存在于數據中心、個人計算機，也可以通過諸如機器人之類的設備體現出來。它具備智能的外在特征，有能力在特定環(huán)境中有目的地獲取和應用知識與技能。人工智能是對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考，甚至也可能超過人的智能。2.1.2人工智能定義20世紀七十年代以來，人工智能被稱為世界三大尖端技術之一（空間技術、能源技術、人工智能），也被認為是21世紀三大尖端技術（基因工程、納米科學、人工智能）之一，這是因為近幾十年來人工智能獲得了迅速的發(fā)展，在很多學科領域都獲得了廣泛應用，取得了豐碩成果。2.1.2人工智能定義對于人的思維模擬的研究可以從兩個方向進行，一是結構模擬，仿照人腦的結構機制，制造出“類人腦”的機器；二是功能模擬，從人腦的功能過程進行模擬?，F代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬。2.1.3人工智能的實現途徑實現人工智能有三種途徑，即強人工智能、弱人工智能和實用型人工智能。強人工智能，又稱多元智能。研究人員希望人工智能最終能成為多元智能并且超越大部分人類的能力。有些人認為要達成以上目標，可能需要擬人化的特性，如人工意識或人工大腦，這被認為是人工智能的完整性：為了解決其中一個問題，你必須解決全部的問題。即使一個簡單和特定的任務，如機器翻譯，要求機器按照作者的論點（推理），知道什么是被人談論（知識），忠實地再現作者的意圖（情感計算）。因此，機器翻譯被認為是具有人工智能完整性。2.1.3人工智能的實現途徑強人工智能的觀點認為有可能制造出真正能推理和解決問題的智能機器，并且這樣的機器將被認為是有知覺的，有自我意識的。強人工智能可以有兩類：（1）類人的人工智能，即機器的思考和推理就像人的思維一樣；（2）非類人的人工智能，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。強人工智能即便可以實現也很難被證實。為了創(chuàng)建具備強人工智能的計算機程序，我們首先必須清楚了解人類思維的工作原理，而想要實現這樣的目標，還有很長的路要走。2.1.3人工智能的實現途徑弱人工智能，認為不可能制造出能真正地推理和解決問題的智能機器，這些機器只不過看起來像是智能的，但是并不真正擁有智能，也不會有自主意識。弱人工智能只要求機器能夠擁有智能行為，具體的實施細節(jié)并不重要。深藍就是在這樣的理念下產生的，它沒有試圖模仿國際象棋大師的思維，僅僅遵循既定的操作步驟。倘若人類和計算機遵照同樣的步驟，那么比賽時間將會大大延長，因為計算機每秒驗算的可能走位就高達2億個，就算思維驚人的象棋大師也不太可能達到這樣的速度。2.1.3人工智能的實現途徑人類擁有高度發(fā)達的戰(zhàn)略意識，這種意識將需要考慮的走位限制在幾步或是幾十步以內，而計算機的考慮數以百萬計。就弱人工智能而言，這種差異無關緊要，能證明計算機比人類更會下象棋就足夠了。如今，主流的研究活動都集中在弱人工智能上，并且一般認為這一研究領域已經取得可觀的成就，而強人工智能的研究則處于停滯不前的狀態(tài)。2.1.3人工智能的實現途徑第三種途徑稱為實用型人工智能。研究者們將目標放低，不再試圖創(chuàng)造出像人類一般智慧的機器。眼下我們已經知道如何創(chuàng)造出能模擬昆蟲行為的機器人。機械家蠅看起來似乎并沒有什么用，但即使是這樣的機器人，在完成某些特定任務時也是大有裨益的。比如，一群如狗大小，具備螞蟻智商的機器人在清理碎石和在災區(qū)找尋幸存者時就能夠發(fā)揮很大的作用。

圖2-6華盛頓大學研制的靠激光束驅動的RoboFly昆蟲機器人2.1.3人工智能的實現途徑隨著模型變得越來越精細，機器能夠模仿的生物越來越高等，最終，我們可能必須接受這樣的事實：機器似乎變得像人類一樣智慧了。也許實用型人工智能與強人工智能殊途同歸，但考慮到一切的復雜性，我們不會相信機器人會有自我意識。2.1.3人工智能的實現途徑雖然計算機為人工智能提供了必要的技術基礎，但人們直到上個世紀50年代早期才注意到人類智能與機器之間的聯系。人工智能60余年的發(fā)展歷史頗具周折，大致可劃分為以下6個階段。圖2-7人工智能發(fā)展歷史2.1.4人工智能發(fā)展的6個階段一是起步發(fā)展期：1956年—20世紀60年代初。人工智能概念在首次被提出后，相繼取得了一批令人矚目的研究成果，如機器定理證明、跳棋程序、LISP表處理語言等，掀起了人工智能發(fā)展的第一個高潮。二是反思發(fā)展期：20世紀60—70年代初。人工智能發(fā)展初期的突破性進展大大提升了人們對人工智能的期望，人們開始嘗試更具挑戰(zhàn)性的任務，并提出了一些不切實際的研發(fā)目標。然而，接二連三的失敗和預期目標的落空（例如無法用機器證明兩個連續(xù)函數之和還是連續(xù)函數、機器翻譯鬧出笑話等），使人工智能的發(fā)展走入了低谷。2.1.4人工智能發(fā)展的6個階段三是應用發(fā)展期：20世紀70年代初—80年代中。20世紀70年代出現的專家系統(tǒng)模擬人類專家的知識和經驗解決特定領域的問題，實現了人工智能從理論研究走向實際應用、從一般推理策略探討轉向運用專門知識的重大突破。專家系統(tǒng)在醫(yī)療、化學、地質等領域取得成功，推動人工智能走入了應用發(fā)展的新高潮。四是低迷發(fā)展期：20世紀80年代中—90年代中。隨著人工智能的應用規(guī)模不斷擴大，專家系統(tǒng)存在的應用領域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一、缺乏分布式功能、難以與現有數據庫兼容等問題逐漸暴露出來。2.1.4人工智能發(fā)展的6個階段五是穩(wěn)步發(fā)展期：20世紀90年代中期到2010年。由于網絡技術特別是因特網技術的發(fā)展，信息與數據的匯聚不斷加速，加快了人工智能的創(chuàng)新研究，促使人工智能技術進一步走向實用化。1997年IBM深藍超級計算機戰(zhàn)勝了國際象棋世界冠軍卡斯帕羅夫，2008年IBM提出“智慧地球”的概念，這些都是這一時期的標志性事件。2.1.4人工智能發(fā)展的6個階段六是蓬勃發(fā)展期：2011年至今。隨著因特網、云計算、物聯網、大數據等信息技術的發(fā)展，泛在感知數據和圖形處理器（GPU）等計算平臺推動以神經網絡深度學習為代表的人工智能技術飛速發(fā)展，大幅跨越科學與應用之間的“技術鴻溝”，圖像分類、語音識別、知識問答、人機對弈、無人駕駛等具有廣闊應用前景的人工智能技術突破了從“不能用、不好用”到“可以用”的技術瓶頸，人工智能發(fā)展進入爆發(fā)式增長的新高潮。2.1.4人工智能發(fā)展的6個階段“AlphaGo之父”哈薩比斯表示：“我提醒諸位，必須正確地使用人工智能。正確的兩個原則是：人工智能必須用來造福全人類，而不能用于非法用途；人工智能技術不能僅為少數公司和少數人所使用，必須共享?！?.1.4人工智能發(fā)展的6個階段PART02人工智能發(fā)展歷史人類對人工智能的幻想甚至可以追溯到古埃及。電子計算機的誕生使信息存儲和處理的各個方面都發(fā)生了革命，計算機理論的發(fā)展產生了計算機科學并最終促使了人工智能的出現。計算機這個用電子方式處理數據的發(fā)明，為人工智能的可能實現提供了一種媒介。2.2人工智能發(fā)展歷史圖靈獎是由美國計算機協會（ACM）于1966年設立的計算機獎項，名稱取自艾倫·麥席森·圖靈，旨在獎勵對計算機事業(yè)作出重要貢獻的個人。圖靈獎是計算機領域的國際最高獎項，被譽為“計算機界的諾貝爾獎”。圖靈獎對獲獎條件要求極高，評獎程序極嚴，一般每年僅授予一名計算機科學家。2.2.1人工智能研究獲得的圖靈獎總結人工智能歷史里程碑的快速方法之一是列舉與此領域相關的圖靈獎得主。獲得圖靈獎的人工智能大神是：馬文·明斯基（1969年圖靈獎得主）和約翰·麥卡錫（1971年圖靈獎得主），定義了基于表示和推理的領域基礎；艾倫·紐厄爾和赫伯特·西蒙（1975年圖靈獎得主），提出了關于問題求解和人類認知的符號模型；愛德華·費根鮑姆和勞伊·雷迪（1994年圖靈獎得主），開發(fā)了通過對人類知識編碼來解決真實世界問題的專家系統(tǒng)；2.2.1人工智能研究獲得的圖靈獎萊斯利·瓦倫特（2010年圖靈獎得主），對眾多計算理論（包括PAC學習、枚舉復雜性、代數計算和并行與分布式計算）做出了變革性的貢獻；朱迪亞·珀爾（2011年圖靈獎得主）提出了通過原則性的方式處理不確定性的概率因果推理技術；約書亞·本吉奧、杰弗里·辛頓和楊立昆（2018年圖靈獎得主），他們將“深度學習”（多層神經網絡）作為現代計算的關鍵部分。2.2.1人工智能研究獲得的圖靈獎回顧圖靈獎50余年的歷史可以發(fā)現，人工智能一直是圖靈獎不斷鼓勵、不斷發(fā)現的重要話題。圖靈的思考是計算機的起點，直到80年后炙手可熱的人工智能仍能從他的思考里找到啟迪。2.2.1人工智能研究獲得的圖靈獎人們普遍認為由沃倫·麥卡洛克和沃爾特·皮茨完成的一項工作是人工智能的第一項研究工作。1943年，他們受到尼古拉斯·拉舍夫斯基對數學建模工作的啟發(fā)，選擇了3方面的資源來構建模型：基礎生理學知識和大腦神經元的功能，羅素和懷特海對命題邏輯的形式化分析，以及圖靈的計算理論。他們提出一種人工神經元模型，證明本是純理論的圖靈機可以由人工神經元構成。2.2.2從人工神經元開始（1943-1956）制造每個人工神經元需要大量真空管，然而，只需要少數真空管就可以建成邏輯門，即一種由一個或多個輸入端與一個輸出端構成的電子電路，按輸入與輸出間的特定邏輯關系運行。其中，每個神經元的特征是“開”或“關”，并且會因足夠數量的相鄰神經元受到刺激而切換為“開”。神經元的狀態(tài)被認為是“事實上等同于提出其充分激活的命題”。例如，他們證明任何可計算的函數都可以通過一些神經元互相連接的網絡來計算，以及所有的邏輯聯結詞（AND、OR、NOT等）都可以通過簡單的網絡結構來實現。2.2.2從人工神經元開始（1943-1956）麥卡洛克和皮茨還表明適當定義的網絡可以學習。唐納德·赫布示范了用于修改神經元之間連接強度的簡單更新規(guī)則，這些規(guī)則被稱為赫布型學習，至今仍是一種有影響力的模式。哈佛大學的兩名本科生馬文·明斯基和迪安·埃德蒙茲在1950年建造了第一臺神經網絡計算機SNARC，它使用了3000個真空管和B-24轟炸機上一個多余的自動駕駛裝置來模擬由40個神經元組成的網絡。后來，明斯基在普林斯頓大學研究神經網絡中的通用計算。他的博士學位委員會對這類工作是否應該被視為數學持懷疑態(tài)度，但據說馮·諾伊曼對此評價說：“如果現在還不能被視為數學，總有一天會的?！?.2.2從人工神經元開始（1943-1956）還有許多早期工作可以被描述為人工智能，包括1952年由曼徹斯特大學的克里斯托弗·斯特雷奇和IBM公司的亞瑟·塞繆爾分別獨立開發(fā)的西洋跳棋程序。然而，還是圖靈的觀點最有影響力。早在1947年，他就在倫敦數學協會就這一主題發(fā)表了演講，并在其1950年的文章《計算機器和智能》中指出了定義智能的困難所在。他提出：能像人類一般進行交談和思考的計算機是有希望制造出來的，至少在非正式會話中難以區(qū)分。能否與人類無差別交談這一評價標準就是著名的圖靈測試。2.2.2從人工神經元開始（1943-1956）圖靈還認為，通過開發(fā)學習算法然后教會機器，而不是手工編寫智能程序，將更容易創(chuàng)造出人類水平的人工智能。不過，他在隨后的演講中警告說，實現這一目標對人類來說可能不是最好的事情。取得這些成果不久之后，計算機就開始被應用于第一批人工智能實驗，當時所用的計算機體積小且速度慢。曼徹斯特馬克一號以小規(guī)模實驗機為原型，存儲器僅有640字節(jié)，時鐘速度555赫茲（相比之下，現代臺式計算機的存儲器可達40億字節(jié)，時鐘速度30億赫茲），這就意味著必須謹慎挑選將利用它們來解決的研究問題。在第一個十年里，人工智能項目涉及的都是基本應用，這也成為后續(xù)探索研究的奠基石。2.2.2從人工神經元開始（1943-1956）邏輯理論機發(fā)布于1956年，以五個公理為出發(fā)點推導定理，以此來證明數學定理。這類問題就如同迷宮，你假定自己朝著出口的方向走就是最好的路線，但實際上往往并不能成功，這也正是邏輯理論機難以解決復雜問題的原因所在。它選擇看起來最接近目標的方程式，丟棄了那些看起來偏題了的方程式。然而，被丟棄的可能正是最需要的。2.2.2從人工神經元開始（1943-1956）同樣在1956年，夏天，達特茅斯學院的約翰·麥卡錫說服哈佛大學的馬文·明斯基、貝爾電話實驗室的克勞德·香農和IBM公司的納撒尼爾·羅切斯特幫助他召集對自動機理論、神經網絡和智能研究感興趣的10位有遠見卓識的年輕科學家在達特茅斯進行了為期兩個月的研討會，共同研究和探討用機器模擬智能的一系列有關問題，創(chuàng)建了達特茅斯夏季人工智能研究計劃。這場研討會聚集了人工智能領域的頂尖專家學者，對后世產生了深遠影響，首次提出了“人工智能（AI）”這一術語，標志著“人工智能”這門新興學科的正式誕生。2.2.2從人工神經元開始（1943-1956）20世紀50年代的知識界根據“由能力缺陷得出的論據”提出“機器永遠做不到X”這一主張。關于X，圖靈列舉了以下例子：善良、機智、美麗、友好、上進、幽默、明辨是非、犯錯、墜入愛河、享受奶油草莓、讓人愛上它、從經驗中學習、恰當地使用語言、成為自己思想的主體、有和人類一樣的行為多樣性、從事新生事物。2.2.3早期期望無限（1952-1969）回顧圖靈列舉的X，我們發(fā)現其中一些事相當簡單，如我們都很熟悉“犯錯”的計算機。具有元推理能力的計算機能檢查自身計算，從而成為自身推理的主體。一項有著百年歷史的技術已證明它有“讓人愛上它”的能力——它就是泰迪熊。計算機象棋專家戴維·利維預計，到2050年，人們對愛上類人機器人一事將習以為常。至于機器人墜入愛河，這是虛構類文學作品中的常見主題，但這方面的學術推測有限。2.2.3早期期望無限（1952-1969）計算機已經完成了許多非常新穎的工作，在天文學、數學、化學、礦物學、生物學和計算機科學等領域都取得了重大發(fā)現，并通過風格轉換創(chuàng)造了新的藝術形式?？偟膩碚f，程序在某些任務上的表現超過了人類，而在其他任務上則落后于人類。有一件事是很明顯的，那就是它們不能真正成為人類。人工智能的研究人員自然而然地一個接一個地演示X以回應。他們特別關注那些被認為能夠顯示人類智能的任務，包括游戲、謎題、數學和智商測試。2.2.3早期期望無限（1952-1969）紐厄爾和西蒙繼“邏輯理論家”成功之后又推出了“通用問題求解器”。與“邏輯理論家”不同，“通用問題求解器”從一開始就被設計為模仿人類求解問題的協議。結果表明，在它可以處理的有限類型的難題中，該程序考慮的子目標和可能采取的行為的順序與人類處理相同問題的順序類似。因此，“通用問題求解器”可能是第一個體現“人類思維”方式的程序。2.2.3早期期望無限（1952-1969）作為認知模型，“通用問題求解器”和后續(xù)程序的成功使得紐厄爾和西蒙提出了著名的物理符號系統(tǒng)假說，該假說認為“物理符號系統(tǒng)具有進行一般智能動作的必要和充分方法”。意思是，任何顯示出智能的系統(tǒng)（人類或機器）必須通過操作由符號組成的數據結構來運行。之后我們會看到這個假說已經受到了多方面的挑戰(zhàn)。在IBM，納撒尼爾，羅切斯特和他的同事開發(fā)了首批人工智能程序。赫伯特·蓋倫特構造了幾何定理證明程序，它能夠證明許多數學學生認為相當棘手的定理，這項工作是現代數學定理證明程序的先驅。2.2.3早期期望無限（1952-1969）從長遠看，這一時期所有探索性工作中最有影響力的可能是亞瑟·薩繆爾對西洋跳棋的研究，他的程序可以以業(yè)余高手的水平參與對抗。因此，他駁斥了計算機只能執(zhí)行被告知的事情的觀點：他的程序很快學會了玩游戲，甚至比其創(chuàng)造者玩得更好，該程序于1956年在電視上演示，給人留下了深刻的印象。和圖靈一樣，薩繆爾也很難找到使用計算機的機會，他只能晚上工作，使用仍在IBM制造工廠測試場地上還未出廠的計算機。薩繆爾的程序是許多后繼系統(tǒng)的前身，如TD-Gammon和AlphaGo（阿爾法狗）。TD-Gammon是世界上最好的西洋雙陸棋棋手之一，而AlphaGo因擊敗人類世界圍棋冠軍而震驚世界。2.2.3早期期望無限（1952-1969）1958年，約翰·麥卡錫為人工智能做出了兩項重要貢獻。他在麻省理工學院人工智能實驗室定義了高級語言Lisp，成為在此后30年中最重要的人工智能編程語言。在一篇題為“具有常識的程序”的論文中，麥卡錫為基于知識和推理的人工智能系統(tǒng)提出了概念性議案。這篇論文描述了“建議接受者”，這是一個假想程序，其中包含世界的一般知識，并可以利用它得出行動規(guī)劃。這個概念可以用簡單的邏輯公理來說明，這些邏輯公理足以生成一個開車去機場的規(guī)劃。該程序還被設計為能在正常運行過程中接受新的公理，從而實現無須重新編程就能夠在新領域中運行。2.2.3早期期望無限（1952-1969）因此，“建議接受者”體現了知識表示和推理的核心原則：對世界及其運作進行形式化、明確的表示，并且通過演繹來操作這種表示是很有用的。這篇論文影響了人工智能的發(fā)展歷程。2.2.3早期期望無限（1952-1969）1958年馬文·明斯基轉到麻省理工學院，然而他與麥卡錫的最初合作并沒有持續(xù)。麥卡錫強調形式邏輯中的表示和推理，而明斯基則對程序工作并最終形成反邏輯的觀點更感興趣。1963年，麥卡錫在斯坦福大學建立了人工智能實驗室。1965年亞伯拉罕·魯濱遜歸結原理（一階邏輯的完備定理證明算法）的發(fā)現推進了麥卡錫使用邏輯來構建最終“建議接受者”的計劃。麥卡錫在斯坦福大學的工作中強調了邏輯推理的通用方法。邏輯的應用包括柯德爾·格林的問答和規(guī)劃系統(tǒng)以及斯坦福研究所（SRI）的Shakey機器人項目，后者是第一個展示邏輯推理和物理活動完全集成的項目。2.2.3早期期望無限（1952-1969）在麻省理工學院，明斯基指導一批學生選擇了一些似乎需要智能才能求解的有限問題。其中，詹姆斯·斯萊格爾的SAINT程序能夠求解大學一年級課程中典型封閉形式的微積分問題。托馬斯·埃文斯的ANALOGY程序能夠解決智商測試中常見的幾何類比問題。丹尼爾·博布羅的STUDENT項目能夠求解代數故事問題。2.2.3早期期望無限（1952-1969）建立在麥卡洛克和皮茨提出的神經網絡上的早期工作也蓬勃發(fā)展。什穆埃爾·溫諾格拉德和杰克·考恩的研究展示了大量元素如何共同代表一個獨立的概念，同時提升穩(wěn)健性和并行性。赫布的學習方法分別得到了伯尼·維德羅和弗蘭克·羅森布拉特的改進，他們的網絡分別被稱為線性自適應神經網絡和感知機。感知機收斂定理指出，學習算法可以調整感知機的連接強度來擬合任何輸入數據（前提是存在這樣的擬合）。2.2.3早期期望無限（1952-1969）從一開始，人工智能研究人員對未來成功的預測毫不避諱。下面這句1957年赫伯特·西蒙的名言經常被引用：我的目的不是使大家感到驚訝或震驚，我可以總結出的最簡單的說法是，現在世界上存在著能夠思考、學習和創(chuàng)造的機器。此外，它們的這些能力將迅速提高，在可見的未來內，它們能夠處理的問題范圍將與人類思維的應用范圍一樣廣泛。2.2.4一些現實（1966-1973）雖然“可見的未來”這個詞是模糊的，但西蒙也做出了更具體的預測：10年內，計算機將成為國際象棋冠軍以及機器將能證明重要的數學定理。這些預測的實現（或近似實現）實際上用了40年時間，遠遠超過10年。當初西蒙的過度自信源于早期人工智能系統(tǒng)在簡單示例任務上的出色表現。但是，在幾乎所有情況下，這些早期系統(tǒng)在更困難的問題上都失敗了。2.2.4一些現實（1966-1973）失敗有兩個主要原因：第一個主要原因是許多早期人工智能系統(tǒng)主要基于人類如何執(zhí)行任務的“知情內省型”，而不是基于對任務、解的含義以及算法需要做什么才能可靠地產生解的仔細分析。2.2.4一些現實（1966-1973）第二個主要原因是對人工智能要求解問題的復雜性缺乏認識。大多數早期的問題求解系統(tǒng)都會嘗試組合不同的步驟，直到找到解為止。在計算復雜性理論發(fā)展完備之前，人們普遍認為“擴展”到更大的問題僅僅是需要更快的硬件和更大的內存。但是當研究人員無法證明涉及幾十個事實的定理時，伴隨著歸結定理證明發(fā)展而來的樂觀情緒很快就受到了打擊。一般而言，程序可以找到解的事實并不意味著該程序具備任何在實踐中找到解所需的機制。2.2.4一些現實（1966-1973）未能處理“組合爆炸”是萊特希爾報告中對人工智能的主要批評之一，基于這份報告，英國政府決定除兩所大學外的所有大學中停止支持人工智能研究。此外，產生智能行為的基礎結構存在一些根本限制也是導致失敗的原因。例如，明斯基和派珀特的著作“感知器證明”，盡管感知機（一種簡單的神經網絡形式）被證明可以學習它們能夠表示的任何事物，但它們能表示的事物很少。例如無法訓練雙輸入感知機來判斷它的兩個輸入是否相同。盡管他們的研究結果并不適用于更復雜的多層網絡，但用于神經網絡研究的經費很快就減少到幾乎為零。2.2.4一些現實（1966-1973）有諷刺意味的是，在20世紀80年代和21世紀10年代再次引起神經網絡研究巨大復興的新反向傳播學習算法，早在20世紀60年代初已經在其他情景下得到了發(fā)展。2.2.4一些現實（1966-1973）專家系統(tǒng)因其在計算機科學和現實世界中的貢獻而曾經被視為是人工智能中最古老、最成功、最知名和最受歡迎的領域。專家系統(tǒng)可以被看作是一類具有專門知識和經驗的計算機智能程序系統(tǒng)，它是早期人工智能的一個重要分支，實現了人工智能從理論研究走向實際應用、從一般推理策略探討轉向運用專門知識的重大突破。專家系統(tǒng)一般采用人工智能中的知識表示和知識推理技術，根據系統(tǒng)中的知識與經驗，進行推理和判斷，來模擬通常由人類領域專家才能解決的復雜問題決策過程。2.2.5專家系統(tǒng)（1969-1986）在人工智能研究的早期提出的問題求解是一種通用搜索機制，試圖將基本的推理步驟串在一起找到完整的解。這種方法被稱為弱方法，雖然很普適但不能擴展到大型或困難的問題實例上。弱方法的替代方案是使用更強大的領域知識，這些知識允許更大規(guī)模的推理步驟，并且可以更輕松地處理特定領域中發(fā)生的典型案例。2.2.5專家系統(tǒng)（1969-1986）斯坦福大學開發(fā)的DENDRAL程序是這種方法的早期例子。愛德華·費根鮑姆、布魯斯·布坎南（從哲學家改行的計算機科學家）和喬舒亞·萊德伯格（諾貝爾生理學或醫(yī)學獎得主，遺傳學家）聯手解決了從質譜儀提供的信息推斷分子結構的問題。該程序的輸入包括分子的基本分子式（如C6H13NO2）和質譜，其中質譜給出了分子被電子束轟擊時產生的各種碎片的質量。DENDRAL的意義在于它是第一個成功的知識密集型系統(tǒng)：它的專業(yè)知識來源得到分析化學家的幫助，應用了大量的專用規(guī)則，1971年，費根鮑姆和斯坦福大學的其他研究人員開啟了啟發(fā)式編程項目，以此來研究專家系統(tǒng)的新方法可以在多大程度上應用到其他領域。2.2.5專家系統(tǒng)（1969-1986）接下來的一個主要工作是用于診斷血液感染的Mycin系統(tǒng)。Mycin有大約450條規(guī)則，它能夠表現得和一些專家一樣好，甚至比初級醫(yī)生要好得多。Mycin與DENDRAL有兩個主要區(qū)別。首先，不像DENDRAL規(guī)則，不存在可以推導出Mycin規(guī)則的一般理論模型，Mycin規(guī)則不得不從大量的專家訪談中獲得。其次，規(guī)則必須反映與醫(yī)學知識相關的不確定性。Mycin引入了一種稱為確定性因子的不確定性計算，在當時與醫(yī)生評估證據對診斷影響的方式非常吻合。2.2.5專家系統(tǒng)（1969-1986）第一個成功的商用專家系統(tǒng)R1在數字設備公司（DEC）投入使用，該程序幫助公司配置新計算機系統(tǒng)的訂單。在當時它每年為公司節(jié)省約4000萬美元。同時期，DEC公司部署了40個人工智能專家系統(tǒng)，而且還有更多的專家系統(tǒng)在開發(fā)中；杜邦公司有100個專家系統(tǒng)在使用，500個在開發(fā)。當時幾乎每家美國大公司都有自己的人工智能團隊，不是在使用專家系統(tǒng)，就是在研究專家系統(tǒng)。2.2.5專家系統(tǒng)（1969-1986）領域知識的重要性在自然語言理解領域也很突出。盡管特里·溫諾格拉德的Shudlu系統(tǒng)取得了成功，但它的方法并沒有擴展到更一般的任務。麻省理工學院的尤金·查爾尼克和耶魯大學的羅杰·尚克等幾位研究人員一致認為，強大的語言理解需要關于世界的一般知識以及使用這些知識的一般方法。尚克和他的學生們建立了一系列的程序，用于理解自然語言，重點在于用語言理解所需的知識來表示和推理問題。2.2.5專家系統(tǒng)（1969-1986）在真實世界中的廣泛應用引發(fā)了表示和推理工具的廣泛發(fā)展。有些是基于邏輯的，例如，Prolog語言在歐洲和日本流行，而Planner家族在美國流行。其他人則遵循明斯基的框架思想，采用了一種更結構化的方法，將有關特定對象和事件類型的事實組合起來，并將這些類型組織成類似于生物分類法的大型分類層次結構。2.2.5專家系統(tǒng)（1969-1986）1981年，日本政府宣布了“第五代計算機”計劃，這是一個旨在建造運行Prolog的大規(guī)模并行智能計算機的十年計劃，預算超過13億美元。作為回應，美國成立了微電子與計算機技術公司（MCC），這是一個旨在確保國家競爭力的聯盟。在這兩個項目中，人工智能都是廣泛努力的一部分，包括芯片設計和人機界面研究。在英國，阿爾維報告恢復了被萊特希爾報告取消的資助資金。然而，這些項目都沒有在人工智能能力或經濟影響方面下實現其宏偉目標。2.2.5專家系統(tǒng)（1969-1986）此后不久，經歷了一段“人工智能冬天”的時期，許多公司因未能兌現夸張的承諾而停滯。事實證明，為復雜領域構建和維護專家系統(tǒng)是困難的，一部分原因是系統(tǒng)使用的推理方法在面臨不確定性時會崩潰，另一部分原因是系統(tǒng)無法從經驗中學習。2.2.5專家系統(tǒng)（1969-1986）在20世紀80年代中期，至少有4個不同的團隊重新發(fā)明了最早在20世紀60年代初期發(fā)展起來的反向傳播學習算法。該算法被應用于計算機科學和心理學中的許多學習問題，并行分布式處理合集中的結果的廣泛傳播引起了極大的轟動。2.2.6神經網絡的回歸（1986-現在）這些所謂的聯結主義模型被一些人視為紐厄爾和西蒙的符號模型以及麥卡錫和其他人的邏輯主義方法的直接競爭對手，人類在某種程度上操縱符號。事實上，早期人們在語言中命名的許多概念，經過仔細檢查后，都未能獲得人工智能研究人員希望以公理形式描述邏輯定義的充要條件。聯結主義模型以一種流暢和不精確的方式形成內部概念，更適配真實世界的混亂。它們還具備從樣本中學習的能力，它們可以將它們的預測輸出值與問題的真實值進行比較，并修改參數以減少差異，使它們在未來的樣本中更有可能表現良好。2.2.6神經網絡的回歸（1986-現在）專家系統(tǒng)的脆弱性導致了一種新的、更科學的方法，結合了概率而不是布爾邏輯，基于機器學習而不是手工編碼，重視實驗結果而不是哲學主張。一些人將這種變化描述為整潔派（認為人工智能理論應該以數學的嚴謹性為基礎的人）戰(zhàn)勝了邋遢派（那些寧愿嘗試大量的想法，編寫一些程序，然后評估哪些似乎可行的人）。這兩種方法都很重要。向整潔派的轉變意味著該領域已經達到了穩(wěn)定和成熟的水平。對深度學習的重視可能代表著邋遢派的復興。更普遍的是，基于現有理論而不是提出全新的理論，基于嚴格的定理或可靠的實驗方法而不是基于直覺的主張，以及展示與真實世界應用的相關性而不是虛擬的示例。2.2.7概率推理和機器學習（1987-現在）共享的基準問題集成為展示進度的標準，其中包括了加利福尼亞大學歐文分校的機器學習數據集庫、用于規(guī)劃算法的國際規(guī)劃競賽、用于語音識別的LibriSpeech語料庫、用于手寫數字識別的MNIST數據集、用于圖像物體識別的ImageNet和COCO、用于自然語言問答的SQuAD、機器翻譯的WMT競賽以及布爾可滿足性求解器國際SAT競賽。2.2.7概率推理和機器學習（1987-現在）人工智能的創(chuàng)立在一定程度上是對控制理論和統(tǒng)計等現有領域局限性的反抗，但在這一時期，它吸納了這些領域的積極成果。正如戴維·麥卡萊斯特所說：在人工智能早期，符號計算的新形式（例如框架和語義網絡）使大部分經典理論過時，導致人工智能在很大程度上與計算機科學的其他領域分離。人們認識到，機器學習不應該獨立于信息論，不確定推理不應該獨立于隨機建模，搜索不應該獨立于經典優(yōu)化和控制，自動推理不應該獨立于形式化方法和靜態(tài)分析。2.2.7概率推理和機器學習（1987-現在）語音識別領域的實踐說明了這種模式。20世紀70年代，研究人員嘗試了各種不同的架構和方法，許多是相當暫時和脆弱的，并且只能處理幾個精心挑選的例子。在20世紀80年代，使用隱馬爾可夫模型的方法開始主導這一領域。隱馬爾可夫模型有兩個相關的方面。首先，它們基于嚴格的數學理論。這使得語音研究人員能夠在其他領域數十年數學成果的基礎上進行開發(fā)。其次，它們是在大量真實語音數據的語料庫上訓練而產生的，確保了健壯性。因此，語音技術和手寫體字符識別的相關領域向廣泛的工業(yè)和消費級應用過渡。人們并沒有使用隱馬爾可夫模型識別語音，只是為理解和求解問題提供了一個數學框架。2.2.7概率推理和機器學習（1987-現在）1988年是人工智能與統(tǒng)計學、運籌學、決策論和控制理論等其他領域相聯系的重要一年。朱迪亞·珀爾的“智能系統(tǒng)中的概率推理”使概率和決策論在人工智能中得到了新的認可。珀爾對貝葉斯網絡的發(fā)展產生了一種用于表示不確定的知識的嚴格而有效的形式體系，以及用于概率推理的實用算法。當年的第二個主要貢獻是理查德·薩頓的工作，他將強化學習與運籌學領域開發(fā)的馬爾可夫決策過程聯系起來。隨后，大量工作將人工智能規(guī)劃研究與馬爾可夫決策過程聯系起來，強化學習領域在機器人和過程控制方面找到了應用，并獲得了深厚的理論基礎。2.2.7概率推理和機器學習（1987-現在）人工智能對數據、統(tǒng)計建模、優(yōu)化和機器學習的新認識帶來的結果是，計算機視覺、機器人技術、語音識別、多智能體系統(tǒng)和自然語言處理等子領域逐漸統(tǒng)一，在應用方面和關于人工智能核心問題更好的理論理解方面都產生了顯著的效用。2.2.7概率推理和機器學習（1987-現在）計算能力的顯著進步和互聯網的建立促進了巨大數據集的創(chuàng)建，這些大數據集包括數萬億字的文本、數十億的圖像、數十億小時的語音和視頻，以及海量的基因組數據、車輛跟蹤數據、點擊流數據、社交網絡數據等，這導致了專為利用非常大的數據集而設計的學習算法的開發(fā)。通常，這類數據集中的絕大多數例子都沒有標簽。然而，如果有足夠大的數據集，合適的學習算法在識別句意的任務上可以達到超過96％的準確率。此外，研究認為，將數據集的規(guī)模增加兩到三個數量級所獲得的性能提升會超過調整算法帶來的性能提升。2.2.8大數據（2001-現在）類似的現象也發(fā)生在計算機視覺任務中，例如修補照片中的破洞。海斯和埃弗羅斯開發(fā)了一種巧妙的方法，從類似的圖像中混合像素。他們發(fā)現，該技術在僅包含數千幅圖像的數據庫中效果不佳，但在擁有數百萬幅圖像的數據庫中，該技術超過了質量閾值。不久之后，ImageNet數據庫中可用的數干萬幅圖像引發(fā)了計算機視覺領域的一場革命。大數據的可用性和向機器學習的轉變幫助人工智能恢復了商業(yè)吸引力。大數據是2011年IBM的Watson系統(tǒng)在《危險邊緣》問答游戲中戰(zhàn)勝人類冠軍的關鍵因素，這一事件深深影響了公眾對人工智能的看法。2.2.8大數據（2001-現在）深度學習是指使用多層簡單的、可調整的計算單元的機器學習。早在20世紀70年代，研究人員就對這類網絡進行了實驗，并在20世紀90年代以卷積神經網絡的形式在手寫數字識別方面取得了一定的成功。

圖2-9卷積神經網絡示意2.2.9深度學習（2011-現在）然而，直到2011年，深度學習方法才真正開始流行起來，首先是在語音識別領域，然后是在視覺物體識別領域。在2012年的ImageNet競賽中，需要將圖像分類為1000個類別之一（犰狳、書架、開瓶器等）。多倫多大學杰弗里·辛頓團隊開發(fā)的深度學習系統(tǒng)比以前基于手工特征的系統(tǒng)有了顯著改進。從那時起，深度學習系統(tǒng)在某些視覺任務上的表現超過了人類，但在其他一些任務上還顯落后。在語音識別、機器翻譯、醫(yī)療診斷和博弈方面也有類似的進展。2.2.9深度學習（2011-現在）AlphaGo之所以能夠戰(zhàn)勝人類頂尖的圍棋棋手，是因為它使用了深度網絡來表示評價函數。這些非凡的成功使公眾對人工智能的興趣重新高漲。似乎每周都有新的人工智能應用接近或超過人類表現的消息，通常伴隨著加速成功或人工智能新寒冬的猜測。2.2.9深度學習（2011-現在）深度學習在很大程度上依賴于強大的硬件，一個標準的計算機CPU每秒可以進行109或1010次運算。運行在特定硬件（例如GPU、TPU或FPGA）上的深度學習算法，每秒可能進行1014—1017次運算，主要是高度并行化的矩陣和向量運算。當然，深度學習還依賴于大量訓練數據的可用性，以及一些算法技巧。2.2.9深度學習（2011-現在）PART03人工智能的研究繁重的科學和工程計算本來是要人腦來承擔的，如今計算機不但能完成這種計算，而且能夠比人腦做得更快、更準確，因此，人們已不再把這種計算看作是“需要人類智能才能完成的復雜任務”?？梢?，復雜工作的定義是隨著時代的發(fā)展和技術的進步而變化的，人工智能的具體目標也隨著時代的變化而發(fā)展。它一方面不斷獲得新進展，另一方面又轉向更有意義、更加困難的新目標。2.3人工智能的研究用來研究人工智能的主要物質基礎以及能夠實現人工智能技術平臺的機器就是計算機，人工智能的發(fā)展是和計算機科學技術以及其他很多科學的發(fā)展聯系在一起的。人工智能學科研究的主要內容包括：知識表示、知識獲取、自動推理和搜索方法、機器學習、神經網絡和深度學習、知識處理系統(tǒng)、自然語言學習與處理、遺傳算法、計算機視覺、智能機器人、自動程序設計、數據挖掘、復雜系統(tǒng)、規(guī)劃、組合調度、感知、模式識別、邏輯程序設計、軟計算、不精確和不確定的管理、人類思維方式、人工生命等方面。一般認為，人工智能最關鍵的難題還是機器自主創(chuàng)造性思維能力的塑造與提升。2.3人工智能的研究（1）深度學習。這是無監(jiān)督學習的一種，是機器學習研究中的一個領域，是基于現有的數據進行學習操作，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本?，F實生活中常常會有這樣的問題：缺乏足夠的先驗知識，因此難以人工標注類別或進行人工類別標注的成本太高。很自然地，我們希望計算機可以完成這些工作，或至少提供一些幫助。根據類別未知（沒有被標記）的訓練樣本解決模式識別中的各種問題，這就是無監(jiān)督學習。2.3人工智能的研究（2）自然語言處理。這是用自然語言同計算機進行通訊的一種技術。作為人工智能的分支學科，研究用電子計算機模擬人的語言交際過程，使計算機能理解和運用人類社會的自然語言如漢語、英語等，實現人機之間的自然語言通信，以代替人的部分腦力勞動，包括查詢資料、解答問題、摘錄文獻、匯編資料以及一切有關自然語言信息的加工處理。2.3人工智能的研究（3）大語言模型（LargeLanguageModel，LLM）。這是一種人工智能模型，旨在理解和生成人類語言。它們在大量的文本數據（即語料庫，它集中了人類所有相關語言文明的精華，是一個非常非常龐大的一個數據庫）上進行訓練。它可以執(zhí)行廣泛的任務，包括文本總結、翻譯、情感分析等等。LLM的特點是規(guī)模龐大，包含數十億的參數，幫助它們學習語言數據中的復雜模式。這些模型通常基于深度學習架構，如轉化器，這有助于它們在各種自然語言處理任務上取得令人印象深刻的表現。2.3人工智能的研究（4）語音識別：2017年，微軟表示其會話語音識別系統(tǒng)的單詞錯誤率已降至5.1％，與人類在轉錄電話對話中的表現相當。現在全世界大約三分之一的計算機交互是通過語音而不是鍵盤完成的，另外Skype提供了10種語言的實時語音翻譯。Alexa、Siri、Cortana和谷歌都提供了可以回答用戶問題和執(zhí)行任務的助手。例如，谷歌Duplex服務使用語音識別和語音合成為用戶預訂餐廳，它能夠代表用戶進行流暢的對話。2.3人工智能的研究（5）機器翻譯：在線機器翻譯系統(tǒng)現在可以閱讀超過100種語言的文檔，涵蓋99％的人類使用的母語，每天為數億用戶翻譯數千億詞語。雖然翻譯結果還不完美，但通常足以理解。對于具有大量訓練數據的密切相關的語言（如法語和英語），在特定領域內的翻譯效果已經接近于人類的水平。2.3人工智能的研究（6）計算機視覺。是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖形處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。計算機視覺研究人員不再滿足于在具有挑戰(zhàn)性的ImageNet物體識別任務上超越人類的準確性，他們開始研究更困難的圖像描述問題。圖2-10計算機視覺應用2.3人工智能的研究計算機視覺用各種成像系統(tǒng)代替視覺器官作為輸入敏感手段，由計算機來代替大腦完成處理和解釋。計算機視覺的最終研究目標就是使計算機能像人那樣通過視覺觀察和理解世界，具有自主適應環(huán)境的能力。計算機視覺的應用包括控制過程、導航、自動檢測等方面。2.3人工智能的研究（7）智能機器人。如今我們的身邊逐漸出現很多智能機器人，他們具備形形色色的內、外部信息傳感器，如視覺、聽覺、觸覺、嗅覺。除具有感受器外，它還有效應器，作為作用于周圍環(huán)境的手段。這些機器人都離不開人工智能的技術支持。科學家們認為，智能機器人的研發(fā)方向是，給機器人裝上“大腦芯片”，從而使其智能性更強，在認知學習、自動組織、對模糊信息的綜合處理等方面將會前進一大步。2.3人工智能的研究雷伯特等人制作的四足機器人“大狗”，顛覆了我們對機器人如何行動的概念——不再是好萊塢電影中機器人緩慢、僵硬、左右搖擺的步態(tài)，而是類似于動物，并且能夠在被推倒或在結冰的水坑上滑倒時恢復站立。類人機器人Atlas不僅能在崎嶇不平的路況中行走，還可以跳到箱子上，做后空翻后可以穩(wěn)定落地。

圖2-11大狗機器人2.3人工智能的研究（8）數據挖掘。它一般是指通過算法搜索隱藏于從大量數據中的信息的過程。它通常與計算機科學有關，并通過統(tǒng)計、在線分析處理、情報檢索、機器學習、專家系統(tǒng)（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。它的分析方法包括：分類、估計、預測、相關性分組或關聯規(guī)則、聚類和復雜數據類型挖掘。2.3人工智能的研究（9）自動駕駛：自動駕駛的歷史可以追溯到20世紀20年代的無線電