1.0前言
对人工智能的理解因人而异。值得一提的是，许多学科的技能和专业知识是在人类的潜意识中发展和储存的，而不是显式要求而变得可用。
1.0.1人工智能的定义
首先，理解和定义智能，有利于我们确定人工智能的优缺点。
1.0.2思维与智能
首先，引出智能的定义，源自R.斯腾伯格：“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”。从动物界看，无论是动物个体智能还是集体智能，可见并不是人类独有特性。于是，引出了一个关键的问题，机器也可以拥有智能吗？此处，请注意思维和智能的区别：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（如计算机）。也许拉斐尔（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
艾伦·图灵（Alan Turing）寻求可操作的方式来回答智能的问题，他想把功能（functionality，
即智能能做的事情）与实现（implementation，即如何实现智能）分离开来。
1.1.1图灵测试的定义
1.1.2图灵测试的争议和批评
1.2强人工智能与弱人工智能
弱人工智能的支持者仅仅基于系统的表现来衡量系统是否成功，而强人工智能的支持者关注他们所构建系统的结构。
1.3启发式方法
启发式方法是一组常常用于解决问题的指导法则。这里将启发式方法与算法做个比较，算
法是预先设定的用于解决问题的一组规则，其输出是完全可预测的。
1.3.1长方体的对角线：解决一个相对简单但相关的问题
解决相对简单的问题（计算矩形的对角线）有助于解决相对困难的问题（计算长方体的对角线）
1.3.2 水壶问题：反向倒推
问题：当只有两个容量分别为 8L 和 18L 的水壶时，如何从水龙头处或水井里准确量出 12L 的水？
根据启发式方法，由结果推初始状态，最后一步是将18L的满桶倒入装有2L液体的容量为8L的桶中，由此推测初始状态，将盛满液体的18L的桶两次倒入容量为8L的桶内，最后再将剩余液体倒入8L容量的水桶，即可得到预期步骤。
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。
1.5应用和方法
系统要展示智能，就必须与现实交互。不仅要有完整的知识体系，还要有应对特殊情况的应对机制。还有，基于动物神经系统和人类进化的人工智能方法也是构建智能系统的必要条件。
1.5.1搜索算法和拼图问题
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）。
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）。深度 优先搜索（Depth First Search，DFS）和广度优先搜索。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。
如图 1.16 所示，树的 DFS 遍历将会按照 A、B、D、E、C、F、G 的顺序访问节点。同时，
树的 BFS 遍历将按照 A、B、D、E、C、F、G 的顺序访问节点。
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。
之前，我们所讲的启发式方法不就是通过结果推初始状态吗？但是在结果未知的情况下，是不可行的，但是，我们还是可以使用启发式方法来估计到达目标状态的剩余距离。
这里分为“向前看”和“向后看”。“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）。”向后看“的搜索方法法被称为分支定界（branch-and-bound）法，又称分支定界算法或分支定界搜索算法。
1.5.2二人博弈
囚徒困境（Prisoner'sDilemma）
是博弈论的非零和博弈中具代表性的例子，反映个人最佳选择并非团体最佳选择。
囚徒困境所反映出的深刻问题是，人类的个人理性有时能导致集体的非理性-聪明的人类会因自己的聪明而作茧自缚，或者损害集体的利益。
1.5.3自动推理
在软件缺少常识或世界知识的情况下，即使将题目翻译成适合输入程序的语句，也仍然没有足够的信息来解决它。因此，当问题相对较大且更加复杂难懂时，使用自动推理程序来协助解决问题将会大有裨益。
1.5.4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
产生式系统的一个应用领域是专家系统的设计，我们在 1.4 节中已经做过介绍。专家系统是
一个软件，该软件拥有某个有限问题领域的详尽知识。
1.5.5细胞自动机
可借鉴一下文章：
复杂系统学习（五）：细胞自动机 I：1D 和 2D CAs-CSDN博客^v99^pc_search_result_base7&utm_term=%E7%BB%86%E8%83%9E%E8%87%AA%E5%8A%A8%E6%9C%BA&spm=1018.2226.3001.4187
1.5.6神经计算
基于地球上最佳智能范例的架构，研究人员试图捕捉人类神经系统的并行分布式结构来完成神经网络的架构。其基本构件是人工神经元，而人工神经元又可以通过阈值逻辑单元进行建模。这也实现了基于双输入的布尔与（AND）函数。
另外，权重是迭代学习算法，也就 是感知器学习规则的结果。这种算法是迭代进行的，也就是说，输入每通过系统一次，系统的输出结果就会朝着所需的权重方向收敛。一旦系统只产生正确的输出结果，学习的过程就得以完成。
1.5.7遗传算法
遗传算法（GA） 是来自一个名为进化计算（evolutionary computation）的一般领域的具体方法。进化计算是人工 智能的一个分支。在 GA 中，问题被编码为串。然后，系统对这些串系统性地应用遗传算子，并且使用适应度函数来收集相对更优的串。
1.5.8知识表示
1、逻辑
2、产生式规则 
3、基于图 ：
状态空间表示法、语义网络，框架，脚本。
-最早的基于图的方法可能是状态空间表示法，这种方法给出了系统所有可能的状态。
-语义网络（semantic network）是另一种基于图的知识表示方法，语义网络是面向对象编程语言的前身。
-框架（frame），这是另一种主要的基于图的知识表示方法。框架可以系统性、层次化且十分简洁地描述对象。一 般来说，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。
-脚本（script）是对框架的扩展，它进一步利用了人类交互中固有的预期能力。
1.5.9 不确定性推理
模糊集：对于这个集合，某个具体成员的隶 属度可以从 1.0（一些人完全热爱工作）一直变化到 0.0。
1.6 人工智能的早期历史
最强大的人工智能基础来自于亚里士多德（公元前 350 年）建立的逻辑前提论。亚里士多 德建立了科学思维和严密思考的模式，这成了当今科学方法的标准。他对物质和形式的区分是 当今计算机科学中最重要的概念——数据抽象的先驱性工作。亚里士多德也强调了人类推理的能力，他坚持认为，正是这种能力将人类与所有其他生物区分开来。建立人工智能机器的任何尝试都需要这种推理能力。
13 世纪的西班牙隐士和学者雷蒙德·卢尔（Raymond Llull）可能是第一个尝试将人类思维过程机械化的人。
1.7 人工智能的近期历史到现在
1.7.1 计算机博弈
计算机博弈激起了人们对人工智能的兴趣，促进了人工智能的发展。
1.7.2 专家系统
自 20 世纪 80 年代以来，人们在配置、诊断、教学、监测、规划、预判病情、治疗和控制 等领域已经开发了数千个专家系统。
1.7.3 神经计算
1.5.6中的人工神经网络（ANN）模型有一个严重的缺点，即不包括学习机制。弗兰克·罗森布拉特（Frank Rosenblatt）[58]开发了一种名为感知器学习规则（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。
20 世纪 80 年代初，由于霍普菲尔德（Hopfield）的工作，这个领域迎来了第二次爆发。霍 普菲尔德的异步网络模型（即 Hopfield 网络）使用能量函数找到了 NP 完全问题的近似解。20 世 纪 80 年代中期，人工智能领域出现了反向传播（backpropagation）算法，这是一种适合于多层 网络的学习算法。
1.7.4 进化计算
遗传算法使用概率和并行性来解决组合问题（也称为优化问题）。这种搜索方法是由约翰·霍兰 德（John Holland）开发的。
罗德尼·布鲁克斯放弃了基于符号的方法，转用自己的方法成功地创造了 一个人类水平的人工智能。包容体系架构方法（可以将智能系统设计为 层次结构，其中的高层级依赖于其下面的层级。
1.7.5 自然语言处理
Eliza 和，SHRDLU ，HEARSAY和HWIM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。
1.7.6 生物信息学
生物信息学是将计算机科学的算法和技术应用于分子生物学的一门新兴学科，主要关注生 物数据的管理和分析。文章来源：https://www.toymoban.com/news/detail-818482.html
1.8 新千年人工智能的发展
人工智能是一门独特的学科，它允许我们探索未来生活的诸多可能性。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。任何技术的进步都会带来各种奇妙的可能性，同时也会带来新的危险。这些危险可能与组 件和环境的意外交互有关，这些交互可能导致事故甚至灾难。同样危险的是，与人工智能结合 的先进技术也可能落入坏人之手。在试图预测人工智能的未来时，我们希望能够充分思考这些问题，以 便在未来的变幻莫测前做出更充分的准备。文章来源地址https://www.toymoban.com/news/detail-818482.html
到了这里，关于人工智能（第 3 版）第一章笔记的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
