《人工智能》第一章

人工智能的定义

人工智能 (AI) 可以定义为计算机科学的一个分支，涉及创建能够执行需要人类智能的任务的机器。这包括学习、推理、解决问题、感知和语言理解等方面。

图灵测试

图灵测试是艾伦图灵为测试人工智能而开发的，他提出了两个模拟游戏(如下图所示)

图灵测试的原始形式是，一个男人和一个女人坐在帘子的后面，询问者必须同时正确地识别出两人的性别；第二个模拟游戏更适合人工智能的研究。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。

如果计算机成功地欺骗了询问者，那么它就通过了图灵测试，因此也就被认为是有智能的。

强人工智能与弱人工智能

强人工智能：当人造物展现出智能行为时，他的表现应该基于与人类相同的方法(更关注所建构系统的结构)

弱人工智能：人造物是否使用与人类相同的方式执行任务无关紧要，唯一的标准是程序能够正确执行(仅基于表现衡量系统是否成功，更注重结果)

启发式方法

定义：启发式方法是解决问题的经验法则

和算法的区别：算法是预先设定用于解决问题的一组规则，输出完全可以预测。

一些例子

水壶问题（反向倒推）

18 = 8+8+2 将18L的水壶装满水分两次倒入8L的水壶并清空，此时18L的水壶中只剩下2L水，在将其倒入8L的水壶中，将18L的水壶灌满水倒满8L的水壶，此时剩下的水便是12L。

AI领域的应用与方法

CA(细胞自动机)

细胞自动机可以视为n维空间中细胞的集合。系统中每个细胞的邻域都有若干相邻细胞

CA可以使用以下两个特征进行表征：

物理拓扑，指CA的形状，比如矩形或六边形。
更新规则，根据细胞当前状态及其邻域内若干细胞的状态决定该细胞的下一个状态。

细胞自动机是同步系统，这个系统会在固定的时间间隔进行更新。

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。

搜索算法和拼图问题

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)。

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）。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。

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。

搜索算法

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）。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）。

But 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。例如，15 拼图的状态空间图可能包含超过 16!（≤2.09228×1013）种状态。

所以人工智能问题的成功更多地取决于启发式方法的成功应用，而不是设计更快的计算机。

1.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。比如：爬山法，集束搜索，最佳优先搜索。

2.还有一类启发式搜索算法通过连续地测量它们到根的距离来向目标前进。这种搜索方法被称为分支定界，比如：A*算法。

二人博弈

二人博弈包括 Nim 取物游戏①、井字游戏和国际象棋等。

与拼图游戏最本质的区别：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。

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。

产生式规则

这是一种知识表示的方法(还有其他知识表示的方法，比如语义网络，框架)

一般形式： IF(条件)，THEN动作(事实)

比如：IF((A> B)并且(B> C))，THEN A> C

产生式系统的一个应用领域是专家系统的设计。专家系统是一个软件，拥有某个有限问题领域的详尽知识

专家系统包含产生式规则

专家系统

定义：专家系统（Expert System, ES）是在某一特定领域中，能够像人类专家一样解决复杂问题的计算机软件系统。它能够有效地运用专家多年积累的经验和专业知识，通过模拟专家的思维过程，解决需要专家才能解决的问题。专家系统需要通过一定的知识获取方法，将专家知识保存在知识库中，然后运用推理机，结合人机交互接口进行工作。

比如：MYCIN是最著名的基于规则的专家系统，用诊断血液细菌感染

神经计算

神经网络（neural network）试图捕捉人类神经系统的并行分布式结构。

神经计算是一种模仿人类大脑结构和功能的计算方法。
它使用人工神经网络来处理和分析信息，从而实现类似于人类思维和学习的功能。
神经计算被广泛应用于模式识别、图像处理、语音识别、自然语言处理等领域。
通过模拟神经元之间的连接和信号传递，神经计算可以实现复杂的计算任务，并具有较强的自适应性和容错性。

阈值逻辑单元（Threshold Logic Unit，简称TLU）是一种人工神经元模型，它是人工神经网络中最简单的一种形式。TLU接受多个输入信号和一个阈值作为参数，通过对输入信号进行加权求和后与阈值进行比较，产生一个输出信号。

TLU的工作原理如下：

输入信号经过权重加权，每个输入信号都有一个对应的权重值。
加权后的信号经过求和操作。
求和结果与预设的阈值进行比较。
如果求和结果大于等于阈值，则输出为1；如果小于阈值，则输出为0。

假定 X 与W 的内积正好等于阈值 T，这时对于权重 W1和 W2，假设都用 1 代入（权重都为1），然后使用一些代数知识，就可以得到 X2 = —X1+1.5。这是一条直线的方程，其斜率为—1，并且在 X2 所在坐标轴上的截距为 1.5。这条直线被称为判别式（discriminant）。

TLU相对简单直观，但也有一些限制。比如，TLU只能输出二进制结果，无法处理连续的数值输出。对于实现一些复杂的非线性函数，TLU可能需要较多的神经元和层级来实现。

如何找到所对应的权重？

感知器学习规则（Perceptron Learning Rule）的迭代算法，以便在单层网络（网络中的所有神经元直接连接到输入）中找到适

当的权重。

遗传算法

遗传算法（Genetic Algorithm，GA）是来自一个名为进化计算（evolutionary computation）的一般领域的具体方法。

知识表示

语义网络（semantic network）是另一种基于图的知识表示方法。

框架（frame），这是另一种主要的基于图的知识表示方法。

它们通常通过表格（表格可以与类似的二维平面进行关联）中的槽和槽填充值（slot and

filler）进行组织。
或用三维方式对某些概念（三维方式应用了现实世界中结构的典型本质）进行

表示。

自然语言处理

自然语言处理（Natural Language Processing, NLP）是人工智能和计算机科学领域的一个重要分支，旨在使计算机能够理解、解析、生成和处理人类自然语言。NLP涉及到对文本和语音的理解和处理，包括词法分析、句法分析、语义分析、语言生成、机器翻译、情感分析、问答系统等任务

人工智能第一章