【人工智能专栏】（1）人工智能绪论

1. 什么是人工智能?

人工智能：Artificial Intelligence（AI），人工智能至今尚无统一定义。

但人类的许多活动都需要 智能：

1. 智力 = 思维 + 学习 + 创造性 + 信息处理
2. 智能 = 知识 + 智力

1.1 人工智能的定义

如果机器能够执行某种任务，就可以认为机器具有某种性质的“人工智能”。

定义 1：智能机器：能够在各类环境中自主地或交互地执行各种拟人任务的机器。
定义 2：人工智能（学科）：斯坦福大学Nils J. Nilsson提出从学科的界定来定义人工智能。关于知识的科学，即知识表示、知识获取、知识运用。
定义 3：人工智能（能力）：从人工智能所实现的功能来定义。智能机器所执行的与人类智能有关的功能。判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。

其它定义：大师眼中的人工智能：

1. Bellman，1978：与人的思维、决策、问题求解和学习等有关活动的自动化进程；
2. Haugeland，1985：一种使计算机能够思维，使机器具有智力的激动人心的新尝试；
3. Charniak 和 McDermott，1985：用计算模型研究智力行为；
4. Kurzwell，1990：一种能够执行，需要人的智能的，创造性机器的技术；
5. Schalkoff，1990：一门通过计算过程，力图理解和模仿智能行为的学科；
6. Rick 和 Knight，1991：如何使计算机做事，而让人过得更好；
7. Winston，1992：使理解、推理和行为成为可能的计算；
8. Luger 和 Stubblefield，1993：计算机科学中与智能行为的自动化有关的一个分支。

人工智能的定义：人工智能（Artificial Intelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，研究如何将人的智能转化为机器智能，或者是用机器来模拟或实现人的智能。

1. 思维基础：人们长期以来探索研制能够进行计算、推理和其它思维活动的智能机器的必然结果；
2. 理论基础：信息论、控制论、系统工程论、计算机科学、心理学、神经学、认知科学、数学和哲学等多学科相互渗透的结果；
3. 技术基础：电子计算机和电子技术得到广泛应用的结果。

人工智能分类：

1. 弱人工智能 Artificial Narrow Intelligence (ANI)：擅长单方面的人工智能。如下棋、图像识别和机器翻译等；
2. 强人工智能 Artificial General Intelligence (AGI)：人类级别的人工智能。Linda Gottfredson 教授把智能定义为：一种宽泛的心理能力，能够思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作；
3. 超人工智能 Artificial Super Intelligence (ASI)：Nick Bostrom 定义 ASI 在几乎所有领域都比最聪明人类大脑聪明很多，包括科学创新、通识和社交技能人工智能跨过“奇点”，计算和思维能力将远超人脑；

现在，人类已经掌握了弱人工智能；弱人工智能无处不在；人工智能革命是从弱人工智能，通过强人工智能，最终到达超人工智能的旅途。

2. 人工智能发展简史

1. 1956年，达特茅斯会议(Dartmouth AI conference)。学术界第一次正式使用“人工智能”(Artificial Intelligence，简称AI)，人工智能被确立为一门学科，之后几起几落；
2. 1956年-1974年，人工智能第一个黄金时代。计算机可以解决代数应用题、证明几何定理、学习和使用英语。当时大多数人几乎无法相信机器能够如此“智能”。研究者们相当乐观地认为具有完全智能的机器将在20年内出现；
3. 20世纪70年代，人工智能开始遭遇批评。过于乐观使人们期望过高，承诺无法兑现时，对人工智能资助缩减；
4. 80年代，人工智能迎来二度繁荣，“专家系统”的人工智能程序为全世界公司所采纳，“知识处理” 成为主流人工智能研究焦点。1987年- 1993年，人工智能遭遇第二次低谷；
5. 2016年，真正人工智能时代到来。“深度学习”被热捧，一方面社会和商业需求驱动，另一方面互联网技术、大数据为人工智能提供发展环境

中国人工智能发展历程和重要事件：

1978 年，我国人工智能研究纳入国家计划的研究(“智能模拟”)；
1981 年，成立中国人工智能学会，并相继成立各种人工智能学术团体；
1984 年，召开智能计算机及其系统的全国学术讨论会；
1986 年，把智能计算机系统、智能机器人和智能信息处理(含模式识别)等重大项目列入国家高技术研究计划；
1987 年，《模式识别与人工智能》杂志创刊；
1989 年，首次召开中国人工智能控制联合会议(CJCAl)；
1993 年，把智能控制和智能自动化等项目列入国家科技攀登计划；
1998 年，李开复加入微软并在中国创建并领导微软中国研究院；
2011 年，由中国人工智能学会发起，设定吴文俊人工智能科学技术奖；
2014 年，吴恩达以首席科学家的身份加入百度公司负责“百度大脑”计划；
2015 年，张发恩加入百度，创建百度云，领导百度大数据平台、机器学习平台、深度学习平台、人工智能对话解决方案；
2019 年，华为推出 MindSpore 新一代全场景 AI 计算框架。

人工智能主要学派：符号主义(Symbolicism)；联结主义(Connectionism)；行为主义(Actionism)。

2.1 符号主义(Symbolicism)

• 原理：物理符号系统假设和有限合理性原理；
• 观点：人工智能源于数理逻辑，用逻辑方法来建立人工智能的统一理论体系；
• 代表：知识图谱等。

2.2 联结主义(Connectionism)

• 原理：神经网络及其连接机制与学习算法；
• 观点：人工智能源于仿生学，特别是人脑模型研究；
• 代表：形式化神经元模型等。

2.3 行为主义(Actionism)

• 原理：控制论及感知-动作型控制系统；
• 观点：人工智能源于控制论；
• 代表：六足行走机器人等。

3. 人类智能 VS 人工智能

3.1 认知过程及其主要任务：

人的心理活动具有不同层次：
• 最高层：思维策略；
• 中间层：初级信息处理；
• 最低层：中枢神经系统、神经元和大脑的活动；
对应于计算机层次：计算机程序、语言和硬件。

研究认知过程的主要任务：

探求高层次思维决策与初级信息处理的关系：

1. 计算机程序模拟人的思维策略；
2. 计算机语言模拟人的初级信息处理过程；
3. 计算机硬件模拟人的生理

3.2 人类智能的计算机模拟

计算机的发展过程：
第一代 ：”电子管计算机 （1946 - 1958 年）；
第二代 ：晶体管计算机 （1959 - 1964 年）；
第三代 ：集成电路计算机（1965 - 1970 年）；
第四代 ：大规模集成电路计算机（1971 年 - ）；
第五代 ：智能计算机 （1981 年 - ）；
第六代 ：生物计算机。

冯·诺依曼体系结构计算机：

1. 数据和指令：二进制表示；
2. 核心：存储程序方式；
3. 五大部件：运算器、存储器、控制器、输入设备和输出设备

新型智能计算机：

1. 神经网络计算机：模仿人脑判断能力和适应能力，具有可并行处理多种数据功能的神经网络计算机；
2. 量子计算机：遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息。

3.3 图灵实验的本质

人在不看外型情况下不能区别是机器的行为还是人的行为时，该机器就是智慧的。

4. 人工智能研究什么？

人工智能核心思想：研究人类智能活动规律和模拟人类智能行为的理论、方法和技术，围绕“智能”中心。

智能具有复杂性，难以用单一理论、方法来描述，可建立人工智能不同层次刻画“智能”主题。

4.1 人工智能主要内容

人工智能主要内容：基础层、抽象层、逻辑层和应用层。

4.1.1 基础层

1. 脑系统 (结构、机理、工作方式)；
2. 脑认知 (感知、记忆、意识、学习等理论)；
3. 人工神经网络 (感知器、反向传播神经网络、卷积神经网络、概率神经网络、递归神经网络、时间序列神经网络等)。

4.1.2 抽象层

1. 问题求解 (状态空间搜索、知情搜索、约束满足问题等)；
2. 高级问题求解 (自动推理、自然语言理解等)；
3. 知识及其表示 (状态空间、问题归约、谓词逻辑、语义网络、框架、过程、产生式系统、本体等)；
4. 知识图谱。

4.1.3 逻辑层

1. 搜索 (盲目搜索、知情搜索)；
2. 高级搜索 (博弈搜索、CSP回溯搜索、受自然启发搜索等)；
3. 学习 (观察学习、归纳学习、统计学习、解释学习等)；
4. 机器学习 (决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习等)；
5. 高级机器学习 (特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习、强化学习等)；
6. 深度学习；
7. 自动规划 (现实世界规划与行动、任务规划、运动路径规划、轨迹规划、条件规划)；
8. 确定性推理 (消解原理、规则演绎系统、自然演绎推理)；
9. 不确定性推理 (概率推理、主观Bayes方法、可信度方法、证据理论、模糊推理)；
10. 知识发现；
11. 决策 (简单决策、复杂决策)；
12. 智能计算 (进化算法、遗传算法、群智能)。

4.1.4 应用层

1. 智能体 (多智能体、智能体通信、智能体体系结构)；
2. 自然语言处理 (语义分析、语音识别、机器翻译)；
3. 计算机视觉 (模式识别、图像理解)；
4. 知识问答系统；
5. 专家系统；
6. 智慧医疗；
7. 智能机器人；
8. 无人系统；
9. 人工智能游戏；
10. 人工生命；
11. 人工智能应用框架 (Tensorflow、PyTorch 等)；
12. 人工智能语言。
13. 等等应用…

4.2人工智能的技术特征：

4.2.1 利用搜索

从求解问题角度看，环境给智能系统(人或机器系统)提供的信息有二种可能：

1. 完全知识：用现成的方法可以求解，如用消除法求解线性方程组，这不是人工智能研究的范围。

2. 部分知识和完全无知：无现成的方法可用，如下棋、法官判案、医生诊病问题等。用搜索补偿知识的不足，采用尝试——检验的方法，对问题进行试探性求解。AI 问题求解的基本策略之一：生成——测试法。

4.2.2 利用知识

1. 知识有几大难以处理的属性：
   ① “知识爆炸”的时代；
   ② 知识难于精确表达；
   ③知识更新。

2. 知识处理的原则：
   ① 抓住一般性；
   ② 要能够被提供和接受知识的人所理解；
   ③ 易于修改；
   ④ 能够通过搜索技术来帮助减少知识的巨大容量。

4.2.3 利用抽象

抽象用以区分重要与非重要的特征，借助于抽象可将处理问题中的重要特征和变式与大量非重要特征和变式区分开来，使对知识的处理变得更有效、更灵活。

4.2.4 利用推理

1. 通常的AI程序系统中都采用推理机制与知识相分离的典型的体系结构。这种结构从模拟人类思维的一般规律出发来使用知识。

2. 实际上，经典逻辑的形式推理只是AI的早期研究成果，目前，AI 工作者以研究出各种逻辑推理、概率推理、定性推理、模糊推理、非单调推理和次协调推理等各种推理技术和各种控制策略，它为人工智能的应用开辟了广阔的应用前景。

4.2.5 遵循有限合理性原则

西蒙在 20 世纪 50 年代在研究人的决策制定中总结出一条关于智能行为的基本原则，因此而获得诺贝尔奖。该原则指出，人在超过其思维能力的条件下（例如遇到 NP－完全问题——状态空间呈现指数增长，从而需要爆炸性的搜索量），仍要做好决策，而不是放弃，这时，人将在一定的约束条件下作机遇性的搜索，以制定尽可能好的决策。这样的决策的制定具有一定的机遇性，往往不是最优的。

5. 人工智能的应用领域

人工智能的应用领域有很多，下面只举出几个例子~

5.1 知识问答系统

能更为准确地理解以自然语言形式描述的用户提问，并通过检索异构语料库或问答知识库返回简洁、精确的匹配答案。相对于搜索引擎， 问答系统能更好理解用户提问的真实意图, 同时更有效地满足用户的信息需求。

5.2 医学AI系统

以互联网为依托，通过基础设施的搭建及数据的收集，将人工智能技术及大数据服务应用于医疗行业中，提升医疗行业的诊断效率及服务质量，适用于医学影像诊断、慢性病管理和生活方式指导、疾病排查和病理研究、药物开发等领域

5.3 智能视频监控系统

采用图像处理、模式识别和计算机视觉技术，通过在监控系统中增加智能视频分析模块，借助计算机强大的数据处理能力过滤掉视频画面无用的或干扰信息、自动识别不同物体，分析抽取视频源中关键有用信息，快速准确的定位事故现场，判断监控画面中的异常情况，并以最快和最佳的方式发出警报或触发其它动作，从而有效进行事前预警，事中处理，事后及时取证的全自动、全天候、实时监控的智能系统。

5.4 智能客服系统

在大规模知识处理基础上发展起来的一项面向行业应用的，适用大规模知识处理、自然语言理解、知识管理、自动问答系统、推理等等技术行业，智能客服不仅为企业提供了细粒度知识管理技术，还为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段；同时还能够为企业提供精细化管理所需的统计分析信息。

6. 人工智能的发展趋势

弱人工智能 → 强人工智能 → 超人工智能

6.1 发展深度学习技术，构建深度学习芯片

1. 寒武纪智能芯片、Google 的张量神经网络芯片 TPU、GPU CNNN 专用芯片等；
2. IBM Truenorth：一款基于人脑神经形态混合信号的计算机芯片，能模拟 100 万个神经元细胞和超过两亿个神经突触连接，初具人工大脑规模。

6.2 研发新的类脑学习算法和模型结构

1. 强化学习：
   – 根据环境改变和奖惩机制来调整网络结构或参数。
2. 迁移学习：
   – 迁移参数，迁移结构。
3. 深度架构的复合结构及其变型：
   – 文本、语音、图像等多模式结合的深度学习结构。

6.3 人机融合智能

1. 人、机、环境相互作用产生的新型智能系统；
2. 兼具人类智能的意向性和人工智能的计算性。

6.4 人工生命

人类试图从传统工程技术开辟生物工程技术途径，去发展人工智能~

• 生物是自然智能的载体，生物学理所当然是人工智能研究灵感的重要来源；
• 从信息处理视角来看，生物体是优秀的信息处理机，具有通过自身演化完美解决问题的能力；
• 计算机科学中，智能行为不能用简单的数学模型来描述，人工智能“应该从生物学而不是物理学中受到启示”。