MOOC_人工智能原理学习笔记3

Approaches for Artificial Intelligence

Cybernetics and Brain Simulation：

1940年代至1950年代，许多研究者探究神经学、信息论和控制论之间的关系。他们当中有些人采用电子网络打造机器来展现初步的智能。许多研究者聚集在普林斯顿大学和英国Ratio俱乐部，召开了目的论学会的会议。到了1960年，这种途径基本上被抛弃了，尽管有些要素于1980年代复活。赫伯特西蒙和艾伦纽厄尔研究了人类问题求解技能，并且试图对其形式化。他们的工作奠定了人工智能以及认知科学、运筹学和管理学的基础。他们的团队采用了心理学实验结果开发程序，仿真人们解决问题的技巧。Soar，一种认知架构，是以CMU为核心于1980年代中期开发，如今由密歇根大学维护。

Symbolic vs. Sub-symbolic：

Symbolic AI：符号AI是基于人类易懂的高级“符号”来表现问题、逻辑和搜索。该方法是基于这样一种假设：智能的许多方面能够通过符号操作来获得。符号AI最成功的形式是专家系统，它对规则进行操作来进行推断和确定需要什么附加信息，即采用人类易懂的符号询问一些问题。

Sub-symbolic AI：到1980年代，许多研究者已确信，符号系统将永远无法模仿人类认识的全部过程，尤其是感知、机器人技术、学习和模式识别。一些研究者开始关注“亚符号”方式，以神经网络、统计学、数值优化等为基础

Logic-based vs. Anti-logic：

Logic-based 基于逻辑：

与纽厄尔和西蒙不同，麦卡锡觉得机器人无需仿真人类的思考，反倒应该试图去发现抽象推理和问题求解的本质，不管人们是否使用同样的算法。他的斯坦福大学AI实验室（SAIL）专注于使用形式逻辑来解决各种问题，包括知识表征、规划和学习。逻辑也被欧洲的研究工作所专注，导致编程语言Prolog和逻辑编程科学的发展。

Anti-logic反逻辑：

MIT的研究者（如明斯基）发现，解决视觉和自然语言处理的难题需要特别的解决办法。他们主张，没有简单和通用的原理（如logic）能涵盖AI的所有方面。罗杰尚克描述他们的反逻辑方式属于“不整齐”，于CMU和斯坦福的“整齐”范式形成对照。常识知识库就是“不整齐”AI的示例，因为他们必须用手工构建，每次一个复杂的概念。

Knowledge-based基于知识：

1970年前后，研究者开始在AI应用中构建知识。这场“知识革命”导致专家系统的开发和部署，这是第一个真正成功的AI软件形式。专家系统是由斯坦福大学的爱德华费根鲍姆提出的，人们通常称他为“专家系统之父”。知识革命也是由这样的实现所驱动的，许多简单的AI应用需要庞大的知识。

Symbolism vs. Connectionism：

Symbolist AI符号主义AI：符号AI凭借符号及他们直接按的关系来表征信息。特定算法用于处理这些符号来解决问题和推导新的知识。

Connectionist AI 联结主义AI：联结主义AI用网络内部的一种分布式形式来表征信息。模仿生物学过程的基础学习、任务功效和问题求解。

Statistical Approach：

1990年代，AI研究者开发了复杂的数学工具来解决特定的子问题。斯图尔特罗素和彼得诺维格描述这个运动（统计方法）为“整齐观点的胜利”。批评者认为，这种技巧过于关注特定的问题、并且未能解决通用智能的长期目标。关于AI统计学方式相关性个有效性的辩论一直在进行，部分体现在彼得诺维格和诺姆乔姆斯基之间的交锋。

Intelligent Agent Paradigm：

概括地说，一个智能体可以被看作具有如下功能的任何事物：通过感受器感知外部环境，并且通过执行器作用于外部环境。还可以通过学习或者应用知识来实现其目标