人工智能原理——第一章 绪论
人工智能原理——第一章 绪论
文章目录
- 人工智能原理——第一章 绪论
-
- 1.1 人工智能的发展
-
- 人工智能的发展 – 孕育期
- 人工智能的发展 – 摇篮期
- 人工智能的发展 – 发展期（1970-1979）
- 人工智能的发展 – 实用期
- 人工智能的发展 – 稳步增长期
- 1.2 智能的定义
- 1.3 人工智能的定义
-
- 类人行为系统
-
- 图灵测试
- 类人思维系统
- 理性思维系统
- 理性行为系统
- 什么是人工智能
- 1.4 人工智能的研究方法
-
- 符号主义
- 连接主义
-
- 连接主义的主要特征：
- 行为主义
- 1.5 人工智能的应用领域
-
- 机器学习
- 知识发现和数据挖掘
- 专家系统
- 识别模式
- 智能决策支持系统
- 人工神经网络
- 自动定理证明
- 机器人学
- 分布式人工智能与智能体
- 1.6 小结
- 1.7 思考
1.1 人工智能的发展
人工智能的发展 – 孕育期
人工智能的孕育期大致可以认为是在1956年以前的时期。
- 1949年，克劳德·香农提出了国际象棋程序的基本结构。
- 1950年，阿兰·图灵预言计算机能够回答人的问题，并能够下棋。
- 同时期，诺伯特·维纳研究反馈理论。
- 1955年末，纽厄尔和西蒙编写了一个“逻辑专家”的程序，被认为是第一个人工智能程序。
人工智能的发展 – 摇篮期
- 马文·明斯基的神经网络模拟器
- 约翰·麦卡锡的搜索法
- 赫伯特·西蒙和艾伦的“逻辑理论家”成为研讨会的三大亮点
- 卡内基.梅隆大学和麻省理工学院组件人工智能研究中心。
- 1957年，“逻辑专家”小组开发了“通用解题机”，可以解决很多常识问题。
IBM成立了一个AI研究组。 - 1960年，麻省理工学院的麦卡锡设计LISP程序设计语言，成为后来AI研究所用语言的基础。
人工智能的发展 – 形成期
- 在麻省理工学院，专家使用LISP编制了问答系统。
- 博布罗开发了解决代数应用问题的STUDENT系统。
- 拉斐尔开发了语义信息检索（SIR）系统。
- 斯坦福研究所研究的机器人Shakey 能够观察房间、躲避障碍物，移动、推运物体等。
- 威诺格拉德开发了在机器人世界进行会话的自然语言系统SHRDLU。
- 斯坦福大学也成立了人工智能实验室。
- 1970年卡内基梅隆大学开始在计算机系内研究人工智能。
麻省理工学院，斯坦福大学，卡内基梅隆大学被称为人工智能和计算机科学的三大中心。
人工智能的发展 – 发展期（1970-1979）
- 在计算机视觉方面的研究中，不仅使机器人能识别积木和室内景物，而且还能处理机械零件、室外景物、医学用相片等对象所使用的视觉信息。
- 在自然语言理解和计算机视觉的领域，明斯基于1947年提出名为“框架”的知识表示方法，作为各种方法共同的基础。
- 1973年费根鲍姆在斯坦福大学开始研究HPP(启发式程序设计计划)。
- 肖特利夫和费根鲍姆等人协作完成了MYCIN 的研究。 MYCIN 采用与自然语言相近的语言进行对话,具有解释推理过程的机能。
- 在1977年第五届人工智能国际会议上，费根鲍姆提议使用“知识工程”这个名词。
人工智能的发展 – 实用期
- 进入20世界80年代，人工智能的各种成果已经作为使用产品出现。
- 机器视觉系统由风险投资企业及其职能公司商品化。
- 专家系统自身存在的问题逐渐暴露出来。
- 人工智能进入低谷时期。
人工智能的发展 – 稳步增长期
- 大部分AI研究者都还保持着清醒的头脑。
- 大量扎实的研究工作接连不断地进行。
- 过高的期望未达到是预料中的事，不能认为是受到挫折。
- AI研究进入稳健的线性增长时期。
1.2 智能的定义
对智能的主要观点有
- 思维理论 – 认为智能的核心是思维
- 知识阈值理论 – 智能在巨大搜索空间中迅速找到一个满意解的能力
- 进化理论 – 智能是某种复杂系统所浮现的性质(如行走能力，对外界事物的感知能力，维持生命和繁衍生息的能力)
综上所述，智能可以认为是知识与智力的总和。
- 知识：一切智能行为的基础
- 智力：获取知识并运用知识求解问题的能力
智能的特征： - 感知能力
- 记忆与思维能力
- 学习能力
- 自适应能力
- 行为能力
1.3 人工智能的定义
人们试图用4种方法给出人工智能的定义：
- 类人行为系统(Systems that act like human)
- 类人思维系统(Systems that think like human)
- 理性思维系统(Systems that think rationally)
- 理性行为系统(Systems that act rationally)
类人行为系统
- 定义1.1
人工智能是制造能够完成需要人的智能才能完成的任务的机器的技术。 - 定义1.2
人工智能是研究如何让计算机做现阶段人类才能做得更好的事情。
这种观点与图灵测试的观点很吻合。图灵测试在1950年有阿兰.图灵(Alan Turing)提出。图灵测是用人类的表现来衡量假设的智能机器的表现，是评价智能行为的最好且唯一标准。图灵测试是这个亚子的：
图灵测试
如果询问者不能区别出机器和人，那根据图灵的理论，就可以认为这个机器是智能的。
一台机器要通过图灵测试，它需要有下面的能力：
- 自然语言处理：实现用自然语言与计算机进行交流。
- 知识表示：存储它知道的或听到的、看到的。
- 自动推理：能根据存储的信息回答问题，并提出新的结论。
- 机器学习：能适应新的环境，并能检测和推断新的模式。
- 计算机视觉：可以感知物体。
- 机器人技术：可以操纵和移动物体。
图灵测试重要特征如下：
- 它给出了一个客观的智能概念，也就是根据对一系列特定问题的反应来决定是否是智能体的行为。这为判断智能提供了一个标准，从而避免了相关的必然争论。
- 这项实验使我们免于受到诸如以下目前无法回答的问题的牵制：计算机使用的内部处理方法是否恰当或者机器是否真的意识到其动作。
- 通过使询问者只关注回答问题的内容，消除了有利于生物体的偏置.
因为图灵测试具有这些重要特征，它已成为许多现代人工智能程序评价方案的基础。
类人思维系统
- 定义1.3
人工智能是一种使计算机能够思维、使机器具有智力的激动人心的尝试。 - 定义1.4
人工智能是那些与人的思维、决策、问题求解和学习等有关活动的自动化。
主要采用的是认知模型的方法 – 关于人类思维工作原理的可检测的理论。目的是要对人类大脑的工作原理给出准确和可测试的模型。
理性思维系统
- 定义1.5
人工智能是用计算机模型对智力行为进行研究。 - 定义1.6
人工智能是研究那些使理解、推理和行为成为可能的计算。
一个系统如果能够在它所知范围内正确行事，它就是理性的。
理性行为系统
- 定义1.7
人工智能是一门通过计算过程力图揭示和模仿智能行为的学科。 - 定义1.8
人工智能是计算机科学中与智能行为自动化有关的一个分支。
什么是人工智能
人工智能(Artificial Intelligence, AI)是当前科学技术迅速发展及新思想、新理论、新技术不断涌现的形势下产生的一个学科，也是一门涉及数学、计算机科学、哲学、认知心理学和心理学、信息论、控制论等学科的交叉和边缘学科。
人工智能主要研究用人工的方法和技术，模仿、延伸和扩展人的智能，实现机器智能。
人工智能的长期目标是实现人类水平的人工智能。
1.4 人工智能的研究方法
符号主义
- 又称逻辑主义、心理学派或计算机学派。
- 它认为人的认知基元是符号，认知过程是符号的操作过程。人和计算机都是物理符号系统，因此可以用计算机符号操作来模拟人的认知。知识是信息的形式，是构成智能的基础。
- 符号主义学派的研究方法是以符号处理为核心，通过符号处理来模拟人类求解问题的心理过程。
- 启发式算法，专家系统，知识工程就是基于符号主义产生的。
- 可以解决逻辑思维。
- 但难以模拟形象思维，当信息表示成符号后，在处理或转换时，信息有时会丢失。
连接主义
- 以网络连接为基础。
- 是基于神经网络及网格间的连接机制和学习算法的人工智能学派。
- 认为人的思维基元是神经元而不是符号。
连接主义的主要特征：
- 通过神经元之间的并行协作实现信息处理，处理过程具有并行性、动态性、全局性;
- 可以实现联想的功能，便于对有噪声的信息进行处理;
- 可以通过对神经元之间连接强度的调整实现学习和分类等;
- 适合模拟人类的形象思维过程;
- 求解问题时，可以较快地得到一个近似解。
连接主义在图像外理、模式识别等领域有重要突破。
但是连接主义不适合解决逻辑思维，不适合多种知识的开发。
行为主义
- 又称进化主义，是基于控制论的人工智能学派，属于非符号处理方法
- 认为人的本质是在动态环境中的行走能力，对外界事物的感知能力，维持生命和繁衍生息的能力。认为是信号处理而不是符号处理。
- 机器人的避让、前进、平衡等基本功能基于这一学派。
目前，符号处理系统和神经网络的结合是一个重要的研究方向。
以上三种人工智能学派将长期共存合作，取长补短，并走向融合集成，共同为人工智能的发展做出贡献。
1.5 人工智能的应用领域
机器学习
机器学习研究的一方面可以是机器自动获取知识，赋予机器更多智能；
另一方面可以进一步解释人类思维规律和学习奥秘，帮助人们提高学习效率。
机器学习是为了让机器有知识，使计算机本身有获得知识的能力，可以学习人类的知识，并在实践过程中不断总结、完善。
机器学习的研究主要在以下三个方面进行：
- 研究人类学习的机理、人脑思维的过程。
- 机器学习的方法。
- 建立针对具体任务的学习系统。
知识发现和数据挖掘
知识发现(Knowledge Discover in Database, KDD)和数据挖掘(Data Mining, DM)是人工智能，机器学习与数据库技术相结合的产物。 KDD和DM可以看作是机器学习的一个分支。知识发现被认为是从大量数据中发现知识的整个过程。主要过程包括：
- 学习某个应用领域的知识
- 建立一个目标集
- 数据清理和处理
- 数据转换
- 选定数据挖掘算法
- 模式解释
- 评价知识
专家系统
依靠人类专家已有的知识建立起来的系统，是在特定的领域内具有相应的知识和经验的程序系统。目前广泛用于工业，农业，医疗，地质，信息管理等各方面。大大提高了工作效率和工作质量，创造了可观的经济和社会效益。
识别模式
研究如何使机器具有感知能力，主要研究视觉模式和听觉模式识别。
在模式识别领域，神经网络方法已经成功地用于手写字符的识别、汽车牌照的识别、指纹识别、语音识别等方面。
智能决策支持系统
属于管理科学范畴，与“知识-智能”有着密切关系。
是将智能和知识处理技术应用于决策支持系统，就成了智能决策支持系统IDSS。
IDSS以信息技术为手段，应用管理科学、计算机科学及有关学科的理论与方法，为管理者做出决策提供帮助的智能型人机互助式信息系统。
人工神经网络
模仿人脑神经系统工程结构和工作机理。
在人工神经网络中，信息的处理是由神经元之间的相互作用来实现的，知识与信息的存储表现为网络元件互连分布式的物理联系，网络的学习和识别取决于和神经元连接权值的动态演化过程。
自动定理证明
利用计算机进行自动定理证明。
自动定理证明的常用方法有3大类：
自然演绎法 – 依据推理规则，从前提和公理中可以推出许多定理，如果待证明的定理恰好在其中，则定理得证。
判定法 – 对一类特定的问题找出统一的、可在计算机上实现的算法解。
定理证明器 – 研究一切可判定问题的证明方法。
机器人学
机器人学是在社会对机器人的需求和机器人技术的迅速发展的基础上，形成的一个多学科高度交叉的前沿学科。
它所导致的一些技术可用来模拟世界的状态，用来描述从一种世界状态转变为另一种世界状态的过程。它对于怎样产生动作序列的规划以及怎样监督这些规划的执行有较好的理解。
分布式人工智能与智能体
分布式计算与人工智能的结合。
分布式人工智能的研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型，分布式问题求解 + 多Agent（主体）系统两个领域。
分布式问题求解把一个具体的求解问题划分为多个互相合作和知识共享的模块或节点。
多Agent系统则研究各Agent之间智能行为的协调，包括规划、知识、技术和动作的协调。
1.6 小结
本章首先讨论了什么是人工智能的问题。
人工智能是研究可以理性地进行思考和执行动作的计算模型的学科，它是人类智能在计算机上的模拟。
人工智能作为一门学科，经历了孕育、形成和发展几个阶段，并且还在不断的发展。尽管人工智能也创造出了一些实用系统，但我们不得不承认这些远未达到人类的智能水平。
目前人工智能的主要研究的学派有符号主义、连接主义和行为主义。
人工智能的研究是与具体领域相结合进行的，主要包括机器学习、问题求解、专家系统、模式识别、自然语言处理、智能决策支持系统、人工神经网络、自动定理证明和机器人学等诸多方面。
1.7 思考
- 什么是人工智能？它的研究目标是什么？
- 什么是图灵测试？它有什么重要特征？
- 简述人工智能研究各个发展阶段及其特点。
- 给出一些人工智能在日常生活中应用的例子。
- 请列举人工智能研究的主要应用领域。