人工智能概况笔记
文章目录
- 一、人的智能与人工智能
- 二、人工智能的发展历程
- 三、人工智能的主要应用
- 四、人工智能的伦理思考
- 五、神经网络与深度学习
- 六、国内外人工智能动向
一、人的智能与人工智能
智能：基于推理的学习、理解和做出判断或意见的能力
人的智能（Human Intelligence, HI）：
- 定义：解决问题、从经验中学习、运用知识适应新情况的能力
- 核心：思维
- 抽象（逻辑）思维
- 形象（直观）思维
- 灵感（顿悟）思维
- 具体方面：
- 适应和学习经验的能力
- 创造力
- 人际交往能力
- 适应、塑造或选择环境的智力能力
- 判断、理解和推理的能力
- 理解和处理人、事物和符号的能力
- 有针对性地采取行动、理性思考并有效应对环境的能力
- 多元智能理论
- 自然探索智慧
- 音乐智能
- 逻辑数学智能
- 人际交往智能
- 身体运动智能
- 语言智能
- 个人内在智能
- 空间智能
- 存在智能
- 智能三元理论
- 分析智能
- 创造智慧
- 实用智能
- 智能发展理论：
- 结晶的智能
- 流体智力
人工智能（Artificial Intelligence）：
- 定义：人造的思维能力
- 特点：
- 无意识、机械的、严谨精确、不受意识影响
- 不具有创造力、想象力
- 在局部功能上可能超越人脑，但在整体功能上只能不断接近却不可能超越人脑
二、人工智能的发展历程
- 早期种子：逻辑与推理（符号学派）
- 图灵：给“可计算性”下定义，提出图灵机，计算机、人工智能之父，图灵测试
- 初级技术及神经元计算模型（连接学派）：第一台电子计算机ABC，人工神经元模型，第一台通用计算机ENIAC，第一台神经网络计算机SNARC
- 控制论（行为学派）：冯·诺伊曼自复制自动机理论，维纳控制论
- 人工智能历史的里程碑：达特茅斯会议，提出用机器来模仿人类学习以及其他方面的只能
人工智能的三大学派：
- 符号主义：认知即计算（知识表述）
- 观点：物理符号系统和有限合理性原理
- 本质：直接从功能角度模拟和理解智能
- 将智能理解为一个黑箱，只关心这个黑箱的输入和输出，利用知识表示和搜索来替代真实人脑的神经网络结构
- 适用：规则情况（推理、规划、逻辑运算和判断）
- 代表性成果：LISP、计算机博弈、知识问答
- 连接主义：认知即网络（神经网络）
- 观点：人的智能为大量简单的人脑神经元细胞的复杂相互连接活动的结果
- 本质：从结构的角度，通过复杂的非线性连接处理来模拟智能系统的运作
- 知识表述隐含晦涩
- 适用：不规则情况（模式识别、聚类、联想），不适用于高层次的智能问题
- 代表性成果：归纳学习、人工神经网络、深度学习
- 行为主义：认知即反应（控制论）
- 观点：感知——行动，智能是在与外部系统和环境的交互作用中表现的对外界复杂环境的一种反应，无需推理
- 本质：模拟身体的运作机制，而不是脑
- 适用：学习、快速行为反应等问题
- 代表成果：反馈控制模式、遗传算法、蚁群算法、强化学习
第一次爆发期：突破（1956-1974）：符号主义盛行
第一次寒冬（1974-1980）
第二次爆发期（1980-1987）：符号主义进展缓慢，连接主义盛行，深度学习尚未突破
第二次寒冬（1987-1993）
第三次爆发期（1993至今）：在理论方面取得长足进步
人工智能的主要分类：
- 符号智能：以知识为基础，通过推理进行问题求解
- 计算智能：以数据为基础，通过训练建立联系，进行问题求解
符号主义研究抽象思维
连接主义研究形象思维
行为主义研究感知思维
三、人工智能的主要应用
人工智能的主要任务：
由我们编程的机器来完成人类智能的模拟
人工智能的研究领域：
- 机器学习
- 监督学习：对数据集进行标记（提供真实值），以便可以检测出模式并将其用于标记新的数据集
- 无监督学习：未标记数据集，而是根据相似或不同之处对其进行排序
- 强化学习：未标记数据集，但在执行一个或多个动作后，会向AI系统提供反馈
- 深度学习
- 在高维数据上实现神经网络以获取见识并形成解决方案的过程
- 深度学习是机器学习的高级领域，可用于解决更高级的问题
- 机器视觉：允许计算机看到的科学，捕获和分析视觉信息
- 自然语言处理：从自然人类语言中汲取见解以便与机器进行交流通信的方法
- 机器人
- 模糊逻辑系统
- 专家系统：模拟人类专家的决策能力和计算的系统
- 无人驾驶汽车
人工智能类型：
- 弱/窄人工智能（Artificial Narrow Intelligence, ANI）：为一项特定任务而设计和培训的人工智能系统，威胁取代全世界的许多人类工作
- 强/广泛人工智能（Artificial General Intelligence, AGI）：具有认知能力的系统，当系统面临不熟悉的任务时，其足够智能地找到解决方案；旨在复制人类智能的许多（理想情况下的）能力
- 超级/自我意识人工智能（Artificial Super Intelligence, ASI）：机器具有自己的意识并变得自我意识；在目前的状态下，这种AI有点牵强
四、人工智能的伦理思考
世界的本质：整个世界包括物质世界和意识（精神）世界，世界的本质是物质
哲学：从总体上研究人和世界的关系，其中最本质的方面就是思维和存在、意识和物质的关系问题
- 物质：客观存在的事物
- 意识：人脑对客观存在的反映，如思想、理念、观念、感念等意识形态
哲学的根本问题：存在和意识的关系：
- 第一方面：思维（意识）和存在（物质）何为本原的问题
- 一元论：唯心主义（意识先于物质）、唯物主义（物质先于意识）
- 二元论：认为物质和意识是两个独立的、互不依赖的实体（e.g. “我思故我在”）
- 第二方面：思维和存在的关系
- 可知论：唯心主义（客观世界是思维、精神的产物，认识世界就是精神的自我认识）、唯物主义（承认物质世界及其规律的客观存在，思维是存在于反映的基础上，世界是可认识的）
- 不可知论：世界是不能被认识的或不能被完全认识的
意识：
- 人类文明源于意识的产生，意识是哲学中最基本的问题，大脑是意识的主要载体
- 人类还不知道意识本质上是什么
- 意识有时是心智的同义词，有时是心智的一个方面，往往包括某种体验、认知、感觉或知觉
- 意识是人脑的特有特征，人类大脑是产生意识的物质（生理）基础
- 一般认为，意识是人脑对客观事物间接的和概括的主观映像
- 意识的结果既通过人体器官作用于外界，也通过改变人脑本身的结构而形成记忆
- 意识是人的大脑对物质客观世界和自身的认知能力以及认知的清晰程度，是各种心理过程的综合，是人脑对刺激的反应
- 意识是自然界长期进化的产物
- 物质基础
- 生物学前提
- 意识是人类社会发展的产物
- 意识所反映的内容是客观的，意识的形式是主观的
思维：
- 定义：是人类特有的、大脑对客观事物的本质特征、内在联系的自觉的认知、间接的和概况的反映
- 思维的本质：是人类在感性认知的基础上形成概念，并用其构成判断（命题）、推理和论证的理性认知阶段，是人类认知的高级阶段
- 思维最初是人脑借助语言对事物的概括的和间接的反应过程，思维以感知活动为基础又超越感知的界限，涉及所有的认知或智力活动
- 思维的形式
- 概念
- 判断
- 推理
- 思维的主要形态
- 形象思维
- 抽象思维
- 灵感思维
- 意识与思维的区别
- 意识是人脑的机能和特征，是人脑对外界事物的相互作用
- 思维是意识功能的具体表现，是内在的运动过程，思维是一种高级物质运动形式
图灵测试——如何测试机器具有智能
中文房间——人工智能可能永远都不会有自我意识
缸中之脑——智能可否孤立存在
我思故我在——机器是否有思维
人工智能无法认识因果关系，无法认识世界，不能独立地发明创造
人类智能的某些功能或某一方面是可以在硅基物质的机器上实现的；但人工智能不会成为人类智能而取代人的意识
人工智能局限性的认识：
- 认识论的局限性（一些思维过程是无法被简单物化的）
- 智能化方法与途径方面的局限性
- 数学基础的局限性
- 计算机模型的局限性
- 形式演绎理论方面的局限性
- 实现技术方面的局限性
莫拉维克悖论：让计算机在智力测试或下棋时表现出成人水平的性能相对容易，但当它移动或感知时很难或不可能教给它们一岁孩子的技能
弱人工智能与人类智能的本质差异：
- 无主观能动性
- 环境适应性差
- 无决策能力和社会性
伦理：是指在人类社会长期发展过程中形成处理人与人、人与社会相互关系时应共同遵守的基本规则，是人际之间复合某种道德标准的行为规范和准则，具有客观性、社会性、他律性，强调关系、理性和共性，是双向性的义务和对行为应当理由的说明
道德：是指社会制定或认可的关于人们共同生活及其行为的准则与规范以及将这些外在的原则和规范内化而形成的品质、情感和精神境界，具有主观性、内在、自律性，强调个体，是单向性的义务和行为应当的表达和实现
伦理困境：电车难题、胖子问题
弱人工智能的伦理风险问题：
- 算法歧视与偏见
- 权力侵害
- 误导与欺骗（e.g. 信息茧房）
防范弱人工智能技术风险的措施：
- 技术措施：跨学科全方位的伦理测试
- 政策措施：建立具体的人工智能伦理规范及原则
- 教育措施：进行人工智能伦理教育
强人工智能伦理问题：
- 具备自我意识的智能机器的社会地位
- 具有自我意识的智能机器的权利义务和行为责任
- 自我意识的智能机器与人类之间的复杂关系
机器人伦理的基本原则：
- 尊严与隐私
- 责任与义务
- 心理影响
- 代价和效益
人工智能伦理的指导性原则：人权、幸福、问责、透明
五、神经网络与深度学习
人类的学习：通过研究、经验或者知道获得一门学科新的知识或技能的过程
神经元的基本结构：
- 细胞体
- 树突
- 轴突
- 突触
首个人工神经元模型：1943年麦卡洛克和皮茨提出了人工神经元，开创人工神经网络（ANN）时代
首台神经网络机器：1951年，随机神经模拟强化计算机SNARC
感知机：单层人工神经网络（1957年）
单层感知机的局限：无法分类非线性课分离数据点II（e.g. XOR），无法解决涉及很多参数的复杂问题
机器学习：1959年，定义为使计算机无需明确的编程就具有学习能力的研究领域
首个多层神经网络：1965年创建
深度学习之父：阿列克，1971年创建了8层深度神经网络
反向传播：1970年，芬兰赛波·林奈马提出
多层级联神经网络：1980年，神经认知机，是第一个初始的无监督卷积神经网络
早期循环神经网络：1982年，Hopfield网络，是一个全连接的循环神经网络
随机神经网络——玻尔兹曼机：1985年，一个随机循环神经网络
人工神经网络的复兴：1986年，多层感知机的反向传播学习算法
卷积神经网络：1989年
结构：
- 卷积
- 修正线性单位
- 池化或下采样
- 隐藏层
核心出发点：
- 局部感受野
- 多个卷积核
- 权值共享
- 池化汇聚
深度学习、深度信念网络：2006年
深度学习的复兴：2012年
生成对抗网络（GAN）：2014年
六、国内外人工智能动向
美国人工智能战略：将人工智能上升到美国国家战略高度
加拿大：是首个发布人工智能战略的国家
日本：是第二个个发布人工智能战略的国家
英国：确保在人工智能领域的国际竞争中处于领先地位
德国：《人工智能德国制造》战略
中国新一代人工智能发展计划
- 大数据智能
- 互联网群体智能
- 跨媒体智能
- 混合增强智能
- 自主智能系统
战略目标：抢占制高点