第 1章人工智能概述

1.0引言

本节介绍人工智能，讨论人工智能的各种观点和定义，对人工智能背景下的智能进行了基础性讨论。

探讨了智能的不同观点和定义，强调了这一概念的复杂性和多面性。

讨论承认在人类和人工环境中定义智能的挑战，并强调在开发和评估人工智能系统时理解这些细微差别的重要性。

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。
不同的动物物种具有不同程度的智能。
“计算机是由硅和电源组成的，因此不能思考。”或者走向另一个极端：“计算机运行起来比人快很多，因此比人更智能。”真相很可能介于上述两个极端之间。

拉斐尔（Raphael）[6]的说法最贴切：“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

本小节深入研究由艾伦·图灵设计的图灵测试，作为衡量机器表现出与人类无法区分的智能行为的能力的指标。以及围绕这些测试的争议和批评。

图灵测试由艾伦·图灵设计，用于衡量机器表现出与人类无法区分的智能行为的能力。在此测试中，人类评估者在受控条件下与人和机器进行交互，通常通过隐藏身份的计算机界面。然后评估者在不知道哪个参与者是人类、哪个是机器的情况下判断响应。如果评估者无法可靠地区分机器和人类，则称机器已通过测试，表现出与人类智能相当的智能水平。该测试重点关注机器表现出与人类相似的行为和反应的能力，而不是机器的实际理解或意识。

图灵提出了两种模仿游戏来解决机器智能的问题。

第一个模拟游戏

第一个游戏涉及一名审讯者、一名男子和一名女子，中间用帘子隔开。审讯者无法看到其他人，必须仅根据他们对问题的回答来确定谁是男人，谁是女人。男人可能会撒谎，而女人却会说实话。

挑战在于通过提问来辨别他们的真实身份。

第二个模拟游戏：

在第二个游戏中，与人工智能更相关，设置涉及询问者、计算机和人类，同样由窗帘隔开。计算机可能会说谎，而人类却是诚实的。询问者必须确定响应是来自人类还是计算机。这个游戏直接应对机器智能的挑战，询问计算机是否可以很好地模仿人类反应来愚弄审讯者。

图灵测试的争议和批评：

- 一般反对意见：拒绝承认机器思想的可能性、神学反对意见（相信只有有灵魂的生物才能认为），以及洛夫莱斯夫人的反对意见（认为机器不能做任何它没有被编程去做的事情）。

- 布洛克的批评：内德·布洛克认为，理论上，机器可以通过在数据库中存储对一组问题的回答并检索它们来通过图灵测试，而不是显示真正的智能。

- 塞尔的中文房间论证：约翰塞尔对他的“中文房间”场景提出了更根本的批评。在这个思想实验中，一个不懂中文的人使用规则手册来回答中文问题。虽然回答可能是正确的，但此人不懂中文。这认为用语言处理输入和产生输出并不等同于理解或智力。

这些讨论凸显了定义和识别人类和人工智能的复杂性和持续不断地争议。

1.2强人工智能与弱人工智能

这部分将强人工智能与弱人工智能进行了对比。

强人工智能是指具有真正的认知能力和意识的系统，类似于人类智能，具有理解和从经验中学习的能力。

弱人工智能专注于设计通过模仿人类行为而显得智能但不具备实际理解或意识的系统。

它专注于创建智能行动的系统，但不一定具有真正的智能或理解力。

1.3启发式方法

这里的重点是人工智能中的启发式方法，这是解决问题的经验法则，而不是严格的算法。

本质上是指导在确定的算法可能不可用或不实用的情况下解决问题的经验法则。关键问题包括理解启发法是什么、它们与算法有何不同，以及为什么它们在人工智能中很重要。它探讨了各种示例来说明如何在现实生活场景和人工智能问题解决中使用启发式方法。

启发式方法在人工智能发展中的历史意义，特别是在其早期阶段。

两个具体示例来说明启发式问题解决方法：

长方体的对角线：旨在说明解决更简单的相关问题如何有助于理解或解决更复杂的问题，这是解决问题的常见启发式方法。
水壶问题：这是一种经常用于最终目标明确但实现目标的路径不明的谜题和数学问题的方法。

启发式本质上是当穷举搜索不切实际时用于更快、更有效地解决问题的策略或方法。这些策略可以包括简化问题、逆向工作、使用类比或将问题分解为更小、更易于管理的部分。

1.4识别适用人工智能来求解的问题

本小节讨论特别适合人工智能解决方案的问题的特征。

它讨论了此类问题的特征，强调其复杂性、规模以及对广泛的人类专业知识的要求。

主要问题包括确定人工智能最能解决的问题类型，将它们与适合传统计算方法的问题区分开来，以及理解为什么人工智能可以更好地解决某些问题。

探讨了有效应用人工智能的问题示例，说明了适合人工智能的挑战的独特性质。

医疗诊断：人工智能非常适合医疗诊断，因为它涉及模式识别和从经验中学习。人工智能可以分析大量的医疗数据并识别可能表明特定医疗状况的模式。
具有条码扫描功能的收银机的购物场景：人工智能可以提高此类系统的效率和准确性。通过使用模式识别，人工智能可以快速解释条形码并更有效地管理库存、定价和销售数据。
ATM（自动柜员机）：ATM 通过改进的安全性、用户身份验证和交易处理从人工智能中受益。人工智能算法可以检测可能表明欺诈活动的异常模式，从而增强金融交易的安全性。
国际象棋和西洋跳棋等双人游戏：人工智能适合这些游戏，因为它们涉及基于模式识别和对手动作预测的战略思考和决策。人工智能可以从以前的游戏中学习并制定策略来提高表现。

在所有这些例子中，共同点是人工智能通过从经验中学习来检测模式的能力，这使得它在这些领域非常有效。

1.5应用和方法

这部分涵盖了人工智能的各种应用以及人工智能研究中采用的不同方法。

搜索算法和拼图问题：本节以拼图为例探讨搜索算法。它讨论了问题解决技术和启发式应用，包括状态空间图和盲目搜索算法，例如深度优先和广度优先搜索。
二人博弈：本小节深入研究对抗性两人游戏中的人工智能，重点不仅在于获胜，还在于阻止对手的策略。国际象棋和井字棋等游戏就是例子。
自动推理：这部分讨论使用一组给定事实来推断新信息的系统。重点是问题的表示和演绎所需的逻辑。
产生式规则和专家系统：本小节重点介绍使用产生式规则（if-then 规则）来模仿特定领域的人类专业知识的专家系统。
细胞自动机：元胞自动机是一种理论系统，显示简单的规则如何生成复杂的模式，这里将其作为理解人工智能中的紧急行为的方法进行探索。
神经计算：本节讨论神经网络及其在人工智能中的作用，重点关注它们如何模仿人脑的结构和处理。
遗传算法：这里介绍受自然选择过程启发的遗传算法。它们在人工智能中用于通过随着时间的推移不断改进解决方案来解决优化和搜索问题。
知识表示：这部分讨论人工智能系统如何表示知识，包括人工智能系统用来理解和解释世界的信息的结构和组织。
不确定性推理：本小节介绍人工智能系统在信息不完整或不确定的情况下做出决策和推理的能力，通常使用概率和模糊逻辑。

1.6人工智能的早期历史

题为“人工智能概述”的文件第一章中的“人工智能的早期历史”部分提供了人工智能（AI）从早期阶段到更现代发展的全面历史视角。以下是本节要点的摘要：

基础工作和先驱：讨论乔治·布尔、克劳德·香农和康拉德·祖斯等关键人物的基础性工作。布尔在逻辑方面的工作为现代计算和人工智能奠定了基础，香农关于应用于中继电路的符号逻辑的论文对电话和计算做出了重大贡献，而祖斯在数字计算机方面的工作，包括他对 Z3 的开发，也得到了强调。
早期计算机器和理论：描述了 1938 年开发的 Nimotron，一种能够玩技巧游戏的机器，以及 1790 年创建的伪自动机 The Turk。 Nimotron 的重要性在于它是后来机器人技术发展的先驱，而 Turk 则是机械伪智能的早期例子。
各个领域对人工智能的贡献：文本强调了不同领域对人工智能发展的贡献。 Torres y Quevedo 的早期国际象棋残局专家系统以及 Edward Condon、Gerald Twoney 和 Willard Derr 在 Nimotron 上的工作都是人工智能跨学科贡献的例子。
信息科学的进步：强调了香农通过计算机学习和游戏，特别是计算机国际象棋方面的研究对人工智能的贡献。这凸显了信息科学和人工智能在该领域早期的融合。
早期计算创新：讨论了 Zuse 的 Z1、Z2 和 Z3 等早期计算设备的作用及其与人工智能开发的相关性。 Zuse 在逻辑电路和存储系统方面的工作被认为是人工智能发展的基础。
关键发明及其对人工智能的影响：本文探讨了各种发明及其对人工智能领域的影响。例如，第一台可以玩完整技能游戏的机器（Nimotron）的开发被视为一个重要的里程碑。

本节详细概述了人工智能的早期发展，强调了先驱者的贡献以及不同科学学科之间在塑造该领域方面的相互作用。它为理解人工智能演变为具有不同应用和方法的独特学科奠定了基础。

1.7人工智能的近期历史到现在

讨论了二战后人工智能（AI）领域的各种发展，重点关注人工智能研究和应用的不同领域。：

游戏 (1.7.1)：人工智能的发展受到国际象棋、跳棋、围棋和黑白棋等游戏的计算机程序开发的显着影响。 20 世纪 50 年代的早期成果，例如 Arthur Samuel 的西洋跳棋程序，使用启发式学习方法。国际象棋程序的开发，例如 1997 年击败世界冠军加里·卡斯帕罗夫 (Garry Kasparov) 的“深蓝”(Deep Blue)，证明了人工智能的重大进步。其他游戏，包括双陆棋和扑克，对人工智能研究也很重要。
专家系统（1.7.2）：专家系统是人工智能领域的重大成功，它将知识库与推理引擎分开。斯坦福大学的 DENDRAL 和 MYCIN 等早期系统说明了领域专家知识的编码。 20 世纪 70 年代见证了多个重要系统的发展，包括 XCON 和 HEARSAY 系列。自20世纪80年代以来，专家系统已广泛应用于各个领域，包括医疗设备和汽车软件。
神经计算 (1.7.3)：神经计算的早期研究，如 McCulloch 和 Pitts 的工作，不包括学习机制。随着感知器学习规则和反向传播算法的发展，该领域取得了进步。到了 20 世纪 80 年代，神经网络被用于预测股票价格和光学字符识别等任务。卡内基梅隆大学的 ALVINN 等项目强调了神经网络在车辆控制系统中的使用。
进化计算（1.7.4）：该领域包括用于解决优化问题的遗传算法。罗德尼·布鲁克斯 (Rodney Brooks) 在麻省理工学院的工作主张从智能体与其环境的交互中产生智能，从而导致了类昆虫机器人的发展。进化计算领域已经被探索其在人工智能设计中的应用。
自然语言处理 (1.7.5)：Eliza 和 SHRDLU 等早期程序是重要的里程碑。 Eliza 使用模式匹配模拟心理治疗师，而 SHRDLU 使用句法和演绎推理在有限的领域内进行交互。该领域面临常识知识的挑战，导致 20 世纪 80 年代末自然语言处理 (NLP) 统计方法的发展。
生物信息学 (1.7.6)：这一新兴学科将计算机科学算法应用于分子生物学，重点是管理和分析生物数据。基于案例的推理和数据挖掘等技术用于蛋白质结构发现。生物信息学发展迅速，尤其是在分析微阵列数据方面。

本节最后指出，人工智能方法已经融入主流计算机科学，并且现在在各种技术中都很常见。

1.8新千年人工智能的发展

文件第一章“新千年的人工智能”部分讨论了人工智能在新千年的进展和作用。涵盖了人工智能技术如何发展并更加融入人类生活和工业的各个方面。涉及人工智能的最新趋势，例如深度学习、神经网络及其在医疗保健、金融、交通等领域的应用。探讨人工智能在塑造现代世界方面的伦理考虑、挑战和未来前景。

人工智能： 第1章—概述