Artificial Intelligence A Modern Approach 第二版笔记（一）

我们要研究AI，那么我们是否要先给它下一个定义，只有确定了研究方向才能更好去研究。第一章在过去人们的研究基础上给AI总结了几个不同方向的定义，以及带我们回顾了AI的发展历史和那些在AI发展过程中对AI起到帮助的学科，然后就是AI在当今的实际应用举例。

1.1 What’s AI?

主要从两个方面定义人工智能，一方面是思维过程与动作行为，另一方面是以人为中心与以理性为中心。
一、像人类一样的行动：图灵测试方法
这是Alan Turing 在1950提出的一种测试方法，要求计算机具备以下能力：
自然语言处理、知识表示、自动推理、机器学习、计算机视觉、机器人学
这六个方向组成的AI学科基本机构，图灵测试在今天更多的是作为一个指导意义的想法，不应该将其作为人工智能最终实现目标，并不能说具备了以上六种能力的智能体就是完美的人工智能。
二、像人类一样思考：认知建模方法
从这种角度去实现人工智能，需要先了解人类思维的实际运作方式，这显然是难以实现的。目前人们可以通过跟踪自己想法变化来研究思维运作方式，以及心理实验。但这些方法带有经验主义色彩，参杂了一些不可解释性因素。
人工智能同样带动了其他学科的发展，例如，认知科学。认知科学是跨学科领域，它将来自AI的计算机模型和来自心理学的实验技术结合在一起，以试图构建人类大脑运作的精确且可检验的理论。值得注意的是，假如AI算法可以很好的完成一项人类工作，但是算法的知识模型不一定是来自人类。同样的，一种在人类身上发现的认知模型，能否很好的用在计算机上，这是需要去证明的。在A1的早期，这两种方法之间经常会产生混淆：作者认为算法可以很好地完成一项任务，因此它是人类绩行为的良好模型，反之亦然。现代作者将这两种主张分开了 ; 这种区别使AI和认知科学都得到了更快的发展。 这两个领域继续相互促进，特别是在视觉和自然语言领域。 特别是，视觉最近通过考虑神经生理证据和计算模型的集成方法取得了进步。
三、理性思考：“思想定律”方法
西方哲学家认为，只要给定正确的前提，就可以得出正确的结论。19世纪逻辑学家为世界上各种事物建立符号关系，人们认为可以通过逻辑推导来解决任何问题，可以从机器学习的发展史看到这种思想。从60年代中到70年代末，机器学习的发展步伐几乎处于停滞状态。这个时期的研究目标是模拟人类的概念学习过程，并采用逻辑结构或图结构 作为机器内部描述。机器能够采用符号来描述概念(符号概念获取)，并提出关于学习概念的各种假设。
这种方法存在两个主要障碍：一，不是任何事物都可以建立形式化的知识；二、解决问题时需要的计算机资源非常大以及实际问题复杂多变
四、理性行事：理性的代理人
理性主体是为了取得最佳结果或在存在不确定性时取得最佳预期结果而采取的行动。在第三种定义中，通过“思想定律”即逻辑推导，我们可以得到正确的推理。但是，正确不等于合理。在理性行事这一定义中，作者认为理性思考只是理性行事的一部分，因为正确的推断只是实现合理行事的几个可能机制之一。需要注意的是，完美理性需要付出高昂的计算代价。

1.2 The Foudation of Artificia Inteligence

• 在本节中，我们将简要介绍为AI贡献思想，观点和技术的学科的历史。 像任何历史一样，这一历史被迫（集中于少数人，事件和想法，而忽略其他重要的事物（也很重要。我们围绕一系列问题来组织历史。我们当然不会给人留下印象） 这些问题是该学科唯一解决的问题，或者这些学科都一直在朝着A1努力最终目标。
  • 哲学
• 哲学主要研究精神思维是如何从物理大脑中产生的，人类如何获取知识，以及知识如何导致行动。哲学研究的这些问题为我们解释了人类是如何思考的，这为AI如何去认知建模作出了贡献。
  • 数学
    数学对AI贡献在三个方面：逻辑、计算、概率
    逻辑推导的思想将一般的数学推理形式转化为逻辑推理，展示了如何将逻辑中的推导对象与现实世界对象相关联。
    计算则帮助人们认识不是任何形式的问题都可以转化为可计算的函数，应该努力将整体问题分解为可解决子问题。
    概率则为人们研究具有不确定因素的问题提供有利工具
  • 经济学
    经济学有一项研究目标是如何使决策收益最大化，而在前面的一节中，人们从四个层面定义了人工智能，其中“理性行事：理性的代理人”中理性主体是为了取得最佳结果或在存在不确定性时取得最佳预期结果而采取的行动。这与经济学的研究目标有很大的相似性。经济学产生的决策理论以及运筹学对AI发展作出很大贡献。
  • 神经科学
    神经科学是对神经系统，尤其是大脑的研究，大脑思维的确切方式是人们一直追求的科学奥秘。通过研究神经元细胞的工作机理，目前已经得到了一些令人瞩目的成果，例如，深度学习技术，在深度学习中人们提出的卷积神经网络，正式从人的视觉神经系统工作原理得到启发。
  • 心理学
    心理学主要研究人和动物如何思考和行动这一问题，通过对人类心理活动研究从而了解人类认知机制，建立认知模型。心理学家普遍认为“认知理论应该像计算机程序一样”，也就是说，它应该描述详细的信息处理机制，从而可以实现某些认知功能。
  • 计算机工程
    计算机产生为人工智能提供的实践平台，而计算机工程则为人工智能提供了一系列的工具，例如，成熟的操作系统，编程语言，还有飞速增长的算力，这些条件为人工智能创造了良好的发展环境。
  • 控制理论与控制论
    Wiener的《控制论》建立了最初的控制理论，并引起了公众对于人工智能机器的兴趣
    现代控制理论的目标是建立随时间最大化目标功能的系统
  • 语言学
    语言学的产生对行为主义语言进行了详细且全面的评估，由此产生的理论，使人们可以对其进行编程。并且知识表示的早期工作大部分与语言学相关联，语言学与现代计算机科学相结合形成了今天的自然语言处理领域。

1.3 The History of Artificia Inteligence

The gestation of artificial intelligence (1943-1955)
Warren McCulloch 和 Walter Pitts发现了大脑神经元基本功能和生理学认识，为AI发展奠定神经科学理论基础，后来人们根据神经元的工作机理提出了人工神经网络模型。
** The birth of artificial intelligence (1956)**
1956年夏天在达特茅斯组织了为期两个月的研讨会。AI之名正式确定。为什么不能以控制理论、运筹学或决策论命名这个新的领域，虽然它们的目标是那么的相似，因为AI从一开始就是以模仿人类为目的，它包含创造力，自我完善、语言表达等人类才具备的能力。
Early enthusiasm, great expectations (1952-1969)
早期的AI已经能够解决一些数学公式的推导，以及解决特殊测试问题。此时人们已经开始研究计算机视觉及自然语言处理问题。
A dose of reality (1966-1973)
这个时期的AI陷入困境，大量棘手问题出现，现实世界的复杂性使AI表现糟糕，由于AI在各方面表现，使其发展一度停滞。但是这个时期的反向传播算法，为之后神经网络兴起埋下伏笔。
Knowledge-based systems: The key to power? (1969- 1979)
在AI研究的第一个十年中出现的问题解决办法是一种通用搜索机制，试图将基本推理步骤组合在一起以找到完整的解决方案。这样的方法被称为弱方法，因为尽管通常，但它们无法扩展到较大或困难的问题实例。弱方法的替代方法是使用更强大的，特定领域的知识，该知识允许使用更大的推理步骤，并且可以更轻松地处理在狭窄专业领域中的典型情况。
AI becomes an industry (1980- present)
AI在商业领域取得一定成功，但人们显然对AI过于乐观。
The return of neural networks (1986-present)
反向传播算法被人们重新认识，神经网络重新焕发生机。
AI becomes a science (1987-present)
人工智能工作的内容和方法都发生了革命性变化，但在方法论上，AI终于坚定地遵循了科学方法。假设要被接受，就必须进行严格的经验实验，并对结果的重要性进行统计分析。

1.4 THE STATE OF THE ART

Autonomous planning and scheduling
NASA的Remote Agent程序距地球一亿英里，它是第一个控制航天器运行调度的机载自主计划程序。远程代理从地面指定的高级目标生成计划，并在计划执行时监视航天器的运行-检测，诊断问题并从发生的问题中恢复。
Game playing
IBM的Deep Blue在一场国际象棋比赛中击败Garry Kasparov，在一场展览比赛中以3.5：2.5的比分击败了世界冠军，成为了第一个计算机程序。
Autonomous control
ALVINN计算机视觉系统经过培训，可以操纵汽车使其保持在车道上。
Diagnosis
基于概率分析的医学诊断程序已经能够在多个医学领域的专家医师水平上执行。
Logistics Planning
进行自动化的物流规划和运输计划。人工智能计划技术允许在数小时内生成计划，而使用旧方法则需要数周时间。
Robotics
现在，许多外科医生在显微外科手术中使用机器人助手。
Language understanding and problem solving

1.5 SUMARY

不同的人对AI的看法不同。 对于AI最重要的两个问题是：是思维能力重要，还是行动能力重要？是人性重要，还是理性重要？

在本书中，认为AI主要与理性行为有关。 理想情况下，AI agent会在特定情况下采取最佳措施。 我们将研究在这种意义上构建AI agent的问题。

哲学家（可追溯到公元前400年）通过考虑以下思想，使AI成为可能：人的思维在某种程度上像机器，在某种以内部语言编码的知识上运行，并且该思维可以用来控制行动。

数学家提供了处理逻辑和概率的工具。 他们还为理解计算和算法推理奠定了基础。

经济学家的决策问题，使决策者预期结果最大化。

心理学家认为人类和动物可以被视为信息处理机器。 语言学家证明语言的使用符合这种模式。

计算机工程师提供了使AI应用程序成为可能的工件。 AI程序往往很大，没有计算机工业所提供的硬件速度和内存的巨大进步，它们就无法工作。

控制理论涉及硬件设备，这些设备根据来自环境的反馈来发挥最佳作用。 最初，控制理论的数学工具与AI完全不同，但是各个领域之间的联系越来越紧密。

AI的历史具有成功的周期，错位的乐观态度以及热情和资金的减少。 还存在引入新的创造性方法和系统地完善最佳方法的循环。

由于在实验和比较方法中更多地使用了科学方法，因此AI在过去十年中取得了更快的进步。

在AI的理论基础方面，最近的进展与实际系统功能的提高息息相关。 AI的子域变得更加集成，并且AI与其他学科找到了共同点。