学习日记-人工智能导论2-绪论2

---

1.绪论

1.3 人工智能的历史

1.3.1 人工智能的诞生（1943—1956）

目前认为由沃伦·麦卡洛克和沃尔特·皮茨完成的工作是人工智能的第一项研究工作。
唐纳德·赫布（Donald Hebb）示范了用于修改神经元之间连接强度的简单更新规则。他的规则，现在称为赫布型学习（Hebbian learning）。

1.3.2 早期热情高涨，期望无限（1952—1969）

物理符号系统（physical symbol system）
1985年，约翰·麦卡锡定义了高级语言Lisp，在接下来的30年中成为了最重要的人工智能编程语言。
在麻省理工学院，明斯基指导了一批学生，他们选择了一些似乎需要智能才能求解的有限问题，这些有限的领域被称为微世界（microworld），最著名的微世界是积木世界（blocks world）。
赫布的学习方法分别得到了伯尼·维德罗和弗兰克·罗森布拉特的改进，他们的网络分别被称为线性自适应神经网络（adaline）和感知机（perceptron）。

1.3.3 一些现实（1966—1973）

1957年，赫伯特·西蒙做出了更具体地预测：10年内。计算机将成为国际象棋冠军以及机器将能证明重要地数学定理。但是，在几乎所有情况下，这些早期系统在更困难的系统上都失败了。
第一个主要原因是许多早期人工智能系统主要基于人类如何执行任务的“知情内省型”，而不是基于对任务，解的含义以及算法需要做什么才能可靠地产生解的仔细分析。
第二个主要原因是对人工智能要求解的问题的复杂性缺乏认识。
机器进化（machine evolution）
此外，产生智能行为的基础结构存在一些根本限制也是导致失败的原因。

1.3.4 专家系统（1969—1986）

弱方法（weak method）
1971年，费根鲍姆和斯坦福大学的其他研究人员开启了启发式编程项目，以此来研究专家系统（expert system）的新方法可以在多大程度上应用到其他领域。
事实证明，为复杂领域构建和维护专家系统是困难的，一部分原因是系统使用的推理方法在面临不确定性时会崩溃，另一部分原因时系统无法从经验中学习。

1.3.5 神经网络的回归（1986—现在）

反向传播（back-propagation）学习算法
联结主义（connectionist）模型。

1.3.6 概率推理和机器学习（1987—现在）

在20世纪80年代，使用隐马尔可夫模型（hidden Markov model，HMM）的方法开始主导语言识别这一领域。
1988年时人工智能与统计学，运筹学，决策论和控制理论等其他相关领域相联系的重要一年。1988年的第二个主要贡献时理查德·萨顿将强化学习与运筹学领域开发的马尔可夫决策过程联系起来。
人工智能对数据，统计建模，优化和机器学习的新认识带来的结果是，计算机视觉，机器人技术，语音识别，多智能体系统和自然语言处理等子领域逐渐统一。

1.3.7 大数据（2001—现在）

大数据（big data）
大数据的现象导致了专为利用非常大的数据集而设计的学习算法的开发。
大数据的可用性和向机器学习的转变帮助人工智能回复了商业吸引力。

1.3.8 深度学习（2011—现在）

深度学习（deep learning）是指使用多层简单的，可调整的计算单元的机器学习。
卷积神经网络（convolutional neural network）
深度学习在很大程度上依赖于强大的硬件，还依赖于大量训练数据的可用性，以及一些算法技巧。

1.4 目前的先进技术

AI100在其网站上创建了一个人工智能指数（AI Index），以帮助跟踪人工智能的进展。
人工智能现在能做什么？以下是一些例子：
自动驾驶，腿足式机器人，自动规划和调度，机器翻译，语言识别，推荐，博弈，图像理解，医学，气候科学等。

1.5 人工智能的风险和收益

收益：将人类从繁重的重复性工作中解放出来，并大幅增加商品和服务的生产。
风险：致命性自主武器，监视和劝诱，有偏决策，就业影响，安全关键的应用，网络安全。
人类级别的人工智能（human-level AI，HLAI）——机器应该能够学会做人类可以做到的任何事情。
通用人工智能（artificial general Intelligence，AGI）
人们担心创造远远超过人类能力的超级人工智能（artificial superintelligence，ASI）可能是个坏主意。

---

（学习内容来源：《人工智能现代方法（第4版）》，Stuart Russell，Peter Norvig 著）