# **高级人工智能** **作业1**
name:兰思杰
no:23020181154218
### **阅读图灵关于AI的1950年的论文。请你结合AI几十年来的发展，对他的主要观点进行评述。特别是通过图灵测试的可能性。**
为了回答"Can machines think？"这个问题，图灵介绍了两种方法.第一种，要给出关于“思考”与“机器”的准确定义.而在图灵的观点中，这种方法是危险的。人们可能会直接用Gallup poll那种”简单粗暴”的方法直接得出统计意义上的结论，导致结果十分荒谬。而图灵提出了一种模仿游戏，让机器在游戏中替代一个玩家，让第三人判断另外两个玩家中，何者是机器何者是人。 在设定图灵机可行的前提下，对图灵论文的中的一些观点表达看法。
#### **universality of digital computers**
到目前位置，真正意义上的universal computer 还未出现，所有的计算机都需要通过特定编程与构造来解决特定任务，无论是以深度学习为主的alphaGo或者其它形式的深度学习网络，都建立在特定的学习范围内，比如alphaGO以深度学习围棋算法，仅局限围棋。但仍然未出现关于基本识别的通用计算机，例如建立一个学习模块，可以对外界信息进行自主感知和学习。机器学习的本质，目前还在教机器学习的范围内，还未出现学习“*学习能力*”的级别。
#### **contrary views on the main question**
###### 1.the theological objection
神学上的思维认为，智力或者说灵魂是上帝赋予人类的特殊属性，图灵提出的理论也值得现在社会的伦理思考，例如克隆技术等科学技术发展会与当今社会伦理产生一定冲突。但本质上。机器目前还未到达所谓拥有”智力”的程度，目前的机器学习还局限与高层次算法与学习网络配合的阶段，并未得到主观上的“智力”，某种程度上说，其”智能”是人赋予的一种计算能力，而非一种思考能力与主观学习能力。
###### 2.the 'head in the sand' objection
尽管机器还未达到独立思考的程度，但人们已经开始担忧一旦机器获得独立思维，是否会对人类造成人类难以想象的后果呢.技术发展的是一定的，至于机器思维会发展到何种程度，也是需要担忧的，即便如今看起来似乎非常遥远，但是技术如何发展，以及发展的速度并非人类所能准确预想，一切都犹未可知。
###### 3. the mathematical objection
关于离散状态机器，机器是否能够包含所有的状态，换而言之是否有方法达到“*万能*”，个人认为这是个哲学上的谬论，世上是否真的存在万能的事物呢？万能是否本身就是个悖论呢？个人认为，机器以及人类的学习都应立足于”需求区域”以达到目的，科技发展的本质是生产力与服务社会，而不是追求解决所有的问题。
###### 4.the argument from consciousness
关于意识，机器能否有意识，目前的技术显然无法让机器有意识，最多也只能让机器有学习使用策略的“策略”，或许也可以说这是意识中的一种低级意识，但要发展成更高级别的意识，可能更需要些时日，甚至或许只是个伪命题。但以人为自我主观的观点看待这个问题，“机器不可能有意识思维”是否只是我们脑海中的一种浅薄观点呢？是否因为人类知道自己有意识，也了解了意识的创造性，所以才觉得自己的创造无法有意识？或者说机器的意识不能由物理结构创造？但人类的意识本质来自与物理实质结构还是其他，则需要科学进一步发现。接着探讨也只会回到世界的本源是物质还是意识的哲学问题上。
###### .arguments from various disabilities
本质上，这个问题又回到了机器思维的问题。仅仅从功能而言，机器能够有更强大的能力，以及在各方面都需要有更大的进步。
### **Ⅱ 结合这两年人工智能的热门，谈谈你对人工智能看法**
人工智能是一个全新的产业，即便关于此的理论已经很早之前就提出，但现今随着技术的发达，之前的预想能够更加方便的实现。关于人工智能，有几个观点。
人工智能是否能够真正拥有其意识，以及人工智能能否完全服务于社会。 在各个方面，人工智能都拥有发挥其巨大优势的空间，在各个领域都有十足的潜力例如自动驾驶，仿真生物等等，但人工智能是否能够有其自我意识，以及未来人类如何协调智能与人类的发展是一大问题。人工智能给社会带来的便利是一定的，但是是否会带来一些其他问题，需要在技术发展的同时兼顾平衡。
### **Ⅲ 查询AI文献，看看如下的任务现在计算机能否解决，并找出其难点且对其解决的年代进行预测**
- 乒乓球比赛
乒乓球比赛是高速回合形式的一种比赛，对于目标的锁定，快速的判断来球方向，球的旋转判断，以及如何选择策略击球都需要在短时间内进行运算以及做出决策。目前难点在于，判断来球的方向以及球体的旋转。在20年内计算机视觉方面的技术应该能够完全掌握这项体育技能。
- 在市中心开车
市中心是人口密集区，即便计算机了解交通规则，也需要对许多意外状况进行判断，例如横穿马路的行人，交通拥挤时如何调度行进策略，当遇到不遵守交通规则的其他行人或者车辆时，如何使自己的策略最佳。该难点目前行业已有许多科技公司着手解决，相信十年内可以完全解决难题。
- 去超市买东西
该任务难点在于如何挑选正确的货物以及不同的超市货物摆放不同，如何通过超市的索引路牌识别正确的货物位置，对于目前语言文字识别技术来说，可以完全胜任该任务。
- 在网上买东西
难点：如何挑选东西，众多购物网站如何选择最佳策略进行购物。按照目前的技术已完全可以解决，苹果公司的Siri助手已经可以完全实现除支付以外的购物步骤。
- 参加桥牌比赛
难点：算牌策略以及剩余场外的牌对自己手牌的最不优解。以算法为主导的解决方案，可以完全胜任该任务，桥牌的复杂度低于围棋，但桥牌还有另外三人需要计算。
- 发现并证明数学定理
难点：需要强大的数理逻辑能力以及独立思维和思考能力。短期内难以实现。
- 写一个有趣的故事
该任务目前市面上多家智能语音助手如Siri，Amazon echo，Google home，都已经可以实现。
- 从英语到西班牙语的口语实时翻译
难点：实时翻译的准确性。 目前语音识别技术比较成熟，但对于实时翻译来说，发音的差别，不同语言的语义差别仍然存在。通过深度学习的改进，1年内长时间学习的算法可以完全胜任此任务。
- 完成复杂的外科手术
难点：突发状况的临时策略。目前已经研发出可以做器官组织缝合的高精度机器人，但是对于医学上来说，每个患者的情况有所不同，完成独立的外科手术仍让需要长时间的学习，病例积累才能达到。预计可能至少需要15年以上时间。
### **Ⅳ 阅读相关论文，看看在AlphaGo中，采取了那些新的人工智能技术？特别与1997年深蓝战胜Kasparov的AI技术做比较**
alphaGo 主要的方法是Value Networks（价值网络）和 Policy Networks（策略网络），其中Value Networks 评估棋盘位置，Policy Networks 选择下棋步法。这些神经网络模型通过一种新的方法训练，结合人类专家比赛中学到的监督学习，以及在自己和自己下棋（Self-Play）中学到强化学习。这不需要任何前瞻式的 Lookahead Search，神经网络玩围棋游戏的能力，就达到了较先进的蒙特卡洛树搜索算法的级别（这种算法模拟了上千种随机自己和自己下棋的结果）。同时AlphaGo也引入了一种新搜索算法，这种算法将蒙特卡洛模拟和价值、策略网络结合起来。而深蓝算法的核心是基于暴力穷举：生成所有可能的走法，然后执行尽可能深的搜索，并不断对局面进行评估，尝试找出较佳走法。深蓝的象棋芯片包含三个主要的组件：走棋模块（Move Generator），评估模块（Evaluation Function），以及搜索控制器（SearchController）。各个组件的设计都服务于“优化搜索速度”这一目标