人工智能(第3版) 第一章—学习笔记
本章主要介绍人工智能的基本概念，并阐述其成功应用的领域和方法、近期的历史和未来的前景。
1.0 引言
人工智能的定义
人工智能中的“人工”一词是英文单词“artificial”的中文翻译结果，可以理解为人造的。
“智能”的定义较为复杂，R.斯腾伯格（R. Sternberg）在一篇有关人类意识的文章中给出了如下有用的定义：
智能是个体从经验中学习、正确推理、记忆重要信息，以及应对日常生活需求的认知能力。
思维与智能
- 思维是推理、分析、评估、形成思想和概念的工具。
- 并不是所有能够思维的物体都有智能。
- 智能也许就是高效以及有效的思维。
拉斐尔（Raphael）对人工智能的观点是：“人工智能是一门科学，这门科学让机器做人类需要智能才能完成的事。“
1.1 图灵测试
艾伦·图灵提出了两个模拟游戏（imitation game）。在模拟游戏中，一个人或实体会表现得仿佛是另一个人或实体。
第一个模拟游戏：
有一个中央装有隔帘的房间，帘子的两侧各有一人，其中一侧的人称为询问者，他必须确定另一侧的人是男还是女。询问者（其性别无关紧要）通过询问一系列的问题来完成这个任务。该游戏假定男性可能会在回答中撒谎，而女性则总是诚实的。为了使询问者无法从语音中确定被询问者的性别，要求其通过计算机而不是说话的方式同被询问者进行交流。
第二个模拟游戏：
在该游戏中，询问者仍然在有帘子的房间里。但这一次，帘子的后面可能是一台计算机或一个人。这里的机器扮演男性的角色，偶尔会撒谎，但人一直是诚实的。询问者提问，然后对返回的回答进行评估，以确定与其交流的到底是人还是机器。
图灵测试的争议和批评
布洛克的批评意见是，可以用机械的查表方法而不是智能来通过图灵测试。
塞尔的批评：中文房间问题 。
布洛克和塞尔对图灵测试进行批评的关键点在于，图灵测试仅从外部观察，不能洞察某个实体的内部状态。也就是说，我们不应该指望通过将拥有智能的对象（人或机器）视为黑盒来学习到一些关于智能的新东西。
1.2 强人工智能与弱人工智能
弱人工智能学派认为：人造物是否使用与人类相同的方式执行任务无关紧要，唯一的标准就是程序能够正确执行。在电子工程、机器人及相关领域，人工智能项目主要关注的是得到令人满意的执行结果。
强人工智能学派认为：当人造物展现出智能行为时，它的表现应该基于与人类相同的方法。
1.3 启发式方法
启发式方法是解决问题的经验法则。启发式方法是一组常常用于解决问题的指导法则。
启发式方法在人工智能的早期研究中特别流行（20 世纪 50 年代至 60 年代）。在这一时期，一个里程碑式的研究项目是通用问题求解器（General Problem Solver，GPS）。GPS使用人类的问题求解方法解决问题。研究人员让问题求解人员在解决各种问题时说出问题的解决方法，然后收集解决问题所必需的启发式方法。
1.4 识别适用人工智能来求解的问题
大部分人工智能问题有 3个主要的特征。
（1）人工智能问题往往是大型的问题。
（2）它们在计算上非常复杂，并且不能通过简单直接的算法来解决。
（3）人工智能问题及其领域倾向于收录大量的人类专门知识，特别是在用强人工智能方法解决问题的情况下，更是如此。强人工智能方法指的是拥有大量领域知识并能够解释其推理过程的系统。
实例：应用于医疗领域的专家系统。
适用于构建专家系统的候选领域具有以下特征。
- 包含大量领域相关的知识（可以是有关特定问题领域的知识，如医疗诊断；也可以是人类努力开拓领域的相关知识，如确保核电站安全操作的控制机制）。
- 允许领域知识分层。
- 可以发展成为存储了若干专家知识的知识库。
1.5 应用和方法
一个系统要展示智能，就必须与现实世界交互。为了做到这一点，它必须有一个可以用来表示外部现实世界的形式化框架（如逻辑）。与世界交互也蕴含一定程度的不确定性。
本章节概述了一些人工智能的应用：
搜索算法和拼图问题
这个拼图问题的目的是从初始状态（start state）通过移动到达目标状态（goal state）。
在有些情况下，人们希望得到移动次数最少的解决方案。对应于给定问题的所有可能状态的结构被称为状态空间图（state-space graph）。状态空间图可以被认为是问题的论域（universe of discourse），因为其描述了拼图可能的每一种配置。状态空间图包括了该问题所有可能的状态，这些状态由节点表示，并用弧表示状态之间的所有合法转换（即拼图中的合法移动）。
空间树（space tree）通常是状态空间图的真子集，它的根节点是初始状态，它的一个或多个叶子节点是目标状态。
一种可用于遍历状态空间图的搜索方法名为盲目搜索（blind search）。这种方法假设对问题的搜索空间一无所知。我们在数据结构和算法的课程中经常探讨两种经典的盲目搜索算法：深度优先搜索（Depth First Search，DFS）和广度优先搜索（Breadth First Search，BFS）。在深度优先搜索中，要尽可能地深入搜索树。也就是说，当有一个移动需要选择时，通常（但不一直）向左子树移动。而在使用广度优先搜索时，首先访问所有靠近根节点的节点，通常从左向右移动，逐级搜索。
组合爆炸（combinatorial explosion）是人工智能领域的一个被反复研究的问题。这意味着拼图的可能状态数目过大而使得上述方法不太实用。在求解一个大小合理的问题时，由于其搜索空间增长太快，以至于盲目搜索方法无法成功。
有一类启发式搜索算法会向前观察状态空间图。每当出现两条或更多条备选路径时，这些算法就会选择最接近目标的一条或多条路径。在这种“向前看”的搜索方法中，其中 3 种是爬山法（hill climbing）、集束搜索（beam search） 和最佳优先搜索（best first search）。我们将在第 3 章中深入探讨这些搜索方法。
还有一类启发式搜索算法 过连续地测量它们到根的距离来向目标前进。这种“向后看”的搜索方法被称为分支定界（branch-and-bound）法，又称分支定界算法或分支定界搜索算法。
二人博弈
二人博弈包括 Nim 取物游戏、井字游戏和国际象棋等。它们与拼图游戏有一个本质的区别：在玩二人博弈时，不能只专注于自己目标的达成，还必须保持警惕，监视和阻止对手的行进。
迭代的囚徒困境。
自动推理
在自动推理（automated reasoning）系统中，我们将一系列事实输送给软件进行处理。演绎推理（deduction）是推理的一种，在推理过程中，给定的信息用于派生出新的、希望有用的事实。
产生式规则和专家系统
在人工智能中，产生式规则（production rule）是一种知识表示的方法，它的一般形式如下：
IF（条件），THEN 动作 或者 IF（条件），THEN 事实。
细胞自动机
细胞自动机（Cellular Automata，CA）可以视为 n 维空间中细胞的集合。每个细胞都可以处于少量几个状态中的任何一种状态，其中典型的状态数目为 2。
细胞自动机的不凡之处在于：通过应用几个简单的规则，就可以创建出非常复杂的模式。
神经计算
遗传算法
知识表示
不确定性推理
1.6 人工智能的早期历史
文本中提供了人工智能（AI）从早期阶段到近代（二战前）发展的全部发展历程。
1.7 人工智能的近期历史到现在
讨论了二战后到现在人工智能（AI）领域的各种发展，重点关注人工智能在不同领域地研究和应用。
计算机博弈
专家系统
神经计算
进化计算
自然语言处理
生物信息学
1.8 新千年人工智能的发展
在人工智能短暂的历史中，它的方法论已经被吸纳到计算机科学的标准技术中。比如，在人工智能研究中产生的搜索技术和专家系统现在都已经被嵌入许多控制系统、金融系统和基于 Web 的应用中。
- ALVINN 是一个基于神经网络的系统，用于控制车辆，它曾被用来控制车辆围绕卡内基·梅隆校区行驶。
- 目前，许多人工智能系统被用于控制财务决策，如买卖股票。这些系统使用了各种人工智能技术，如神经网络、遗传算法和专家系统。
- 基于互联网的智能体被用于搜索万维网，寻找用户感兴趣的新闻文章。
浙公网安备 33010602011771号