*请注意，本文仅供学习使用*
目录
一、人工智能发展
1、孕育期
人工智能诞生在1956年以前。
1949年，香农提出国际形象期程序的基本结构。
1950年，图灵预言计算机能够回答人的问题，并能够下棋。诺伯特·维纳研究反馈理论。
1955年末，纽厄尔和西蒙编写了一个"逻辑专家"程序，被认为是第一个人工智能程序。
2、摇篮期
明斯基提出神经网络模拟器。
麦卡锡提出搜索法。
西蒙和艾伦的"逻辑理论家"成为研讨会的三大亮点。
卡内基·梅隆大学和麻省理工大学组建人工智能研究中心
1957年，"逻辑专家"小组开发"通用解题机"
IBM成立AI研究组。
1960年，MIT的麦卡锡设计了LISP程序设计语言，后来成为AI研究所用语言的基础。
3、形成期
MIT使用LISP编制了问答系统。
博布罗开发了解决代数应用问题的STUDENT系统。
拉斐尔开发了语义信息检索（SIR）系统。
斯坦福研究所研究的机器人Shakey能够观察房间、躲避障碍物、移动、推动物体等。
维诺格拉德开发了机器人世界进行会话的自然语言系统SHRDLU。
斯坦福大学成立人工智能实验室。
1970年，卡内基梅隆大学开始研究人工智能。
麻省理工、斯坦福、卡内基梅隆被称为人工智能和计算机科学的三大中心。
4、发展期（1970-1979）
计算机视觉方面的研究中，机器人能够识别积木和室内事物，能处理机械零件、室外景物、医学用相片等对象所使用的视觉信息。
1973年，费根鲍姆研究HPP（启发式程序设计计划）
肖特利夫和费根鲍姆等人完成了MYCIN的研究，MYCIN采用与自然语言相近的语言进行对话，具有解释推理过程的机能。
1977年第五届人工智能国际会议，费根鲍姆提议使用"知识工程"这个名词。
5、实用期
20世纪80年代，人工智能各种成果作为产品出现。
机器视觉系统由风险投资企业及其职能公司商品化。
专家系统自身存在的问题逐渐暴露。
人工智能进入低谷期。
6、稳步发展期
大部分AI研究者都保持清醒头脑，大量的扎实研究工作不断进行。
过高的期望而未达到是预料中的事，而非挫折。
AI研究进入稳健的线性增长期。
二、何为人工智能
1、智能的主要观点
思维理论：智能核心是思维
知识阈值理论：智能可以在巨大搜索空间中迅速找到一个满意解的能力
进化理论：智能是某种复杂系统所浮现的性质
2、智能定义
智能是知识和智力的总和。
智能特征：感知能力、记忆与思维能力、学习能力、自适应能力、行为能力
3、人工智能定义
从类人行为系统来看，人工智能是制造能够完成需要人的智能才能完成的任务的机器的技术，人工智能是研究如何让计算机现阶段人类才能做的更好的事情。
图灵测试
一台机器能够通过图灵测试，需要以下能力：
1、自然语言处理
2、知识表示
3、自动推理
4、机器学习
5、计算机视觉
6、机器人技术
从类人思维系统来看，人工智能是一种使计算机能够思维、使机器具有智力的激动人心的尝试，人工智能是那些与人的思维、决策、问题求解和学习等有关活动的自动化。
从理性思维系统来看，人工智能是用计算机模型对智力行为进行研究，人工智能是研究那些使理解、推理、行为成为可能的计算。
从理性行为系统来看，人工智能是一门通过计算过程力图揭示和模仿智能行为的学科，人工智能是计算机科学中与智能行为自动化有关的一个分支。
人工智能定义：当前科学技术迅速发展及新思想、新理论、新技术不断涌现的形势下产生的一个学科，也是一门涉及数学、计算机科学、哲学、认知心理学和心理学、信息论、控制论等学科的交叉和边缘学科。
人工智能主要研究用人工的方法和技术，模仿、延伸和扩展人的智能，实现机器智能。
人工智能长期目标是实现人类水平的人工智能。
三、人工智能研究方法
1、符号主义
符号主义，又称为逻辑主义、心理学派或计算机学派。
符号主义认为，人的认知基元是符号，认知过程是符号的操作过程，人和计算机都是物理符号系统，因此可以用计算机符号操作来模拟人的认知。知识是信息的形式，是构成智能的基础。
符号主义学派的研究方法是以符号处理为核心，通过符号处理来模拟人类求解问题的心理过程。
启发式算法，专家系统，知识工程的产生。
可以解决逻辑思维，但难以模拟形象思维，信息表示为符号后，在处理和转换中会出现丢失。
2、连接主义
连接主义，以网络连接为基础，是基于神经网络及网格间的连接机制和学习算法的人工智能学派。
连接主义，认为人的四维纪元是神经元而非符号。
在图像处理、模式识别等领域重要突破。
不适合解决逻辑思维，不适合多种知识的开发。
3、行为主义
行为主义，又称为进化主义，是基于控制论的人工智能学派，属于非符号处理方法。
行为主义，认为人的本质是在动态环境中的行走能力，对外界事物的感知能力，维持生命和繁衍生息的能力，认为是信号处理而非符号处理。
机器人的行动属于这一学派。
四、人工智能的应用领域
1、机器学习
机器学习研究的一方面是机器自动获取知识，赋予机器更多智能。另一方面可以进一步解释人类思维规律和学习奥秘，帮助人们提高学习效率。
机器学习目的是让机器有知识，使计算机本身有获得知识的能力，可以学习人类的知识，并在实践过程中不断总结、完善。
机器学习的研究主要的三个方面：研究人类学习的机理、人脑思维的过程，机器学习的方法，建立针对具体任务的学习系统。
2、知识发现和数据挖掘
知识发现和数据挖掘是人工智能，机器学习与数据库技术相结合的产物，可以看做机器学习的一个分支，知识发现被认为是大量数据中发现知识的整个过程。
3、专家系统
依靠人类专家已有的知识建立起来的系统，是在特定的领域内具有相应的知识和经验的程序系统，目前广泛应用于工业、农业、医疗、地质、信息管理等各方面。
4、识别模式
研究如何使机器具有感知能力，主要研究视觉模式和听觉模式识别。
5、自然语言处理
自然语言处理研究的三个目标：
（1）让计算机能正确理解、回答人类的自然语言输入的信息。
（2）计算机对输入的信息能产生相应的摘要，并附属输入的内容。
（3）计算机能翻译输入的自然语言。
6、智能决策支持系统
属于管理科学范畴，与"知识-智能"有着密切关系。
是将智能和知识处理技术应用于决策支持系统，就成了智能决策支持系统IDSS。
IDSS以信息技术为手段，应用管理科学、计算机科学等有关学科的理论与方法，为管理者做出决策提供帮助的智能型人及互助式信息系统。
7、人工神经网络
人工神经网络模仿人脑神经系统工程结构和工作机理。
在人工神经网络中，信息的处理是由神经元之间的相互作用来实现的，知识与信息的存储表现为网络元件互联分布式的物理联系，网络的学习和识别取决于和神经元连接权值的动态演化过程。
8、自动定理证明
常用方法：
（1）自然演绎法：依据推理规则，前提、公理中推出定理。
（2）判定法：对一类特定问题找出统一的可在计算机实现的算法解。
（3）定理证明器：研究一切可判定问题的证明方法。
9、机器人学
机器人学在社会对机器人的需求和机器人技术的迅速发展的基础上，形成的一个多学科高度交叉的前沿学科。
机器人学导致的一些技术可以用来模拟世界的状态，用来描述从一种世界状态转变为另一种世界状态的过程，他对于怎样产生动作序列的规划以及怎样监督这些规划的执行有较好的理解。
10、分布式人工智能与智能体
分布式人工智能的研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型，分为分布式问题求解和多Agent（主体）系统两个领域。
分布式问题求解把一个具体的求解问题划分为多个互相合作和知识共享的模块或节点。
多Agent系统则研究各个Agent间智能行为的协调。
参考视频：【人工智能教程】1.1 - 人工智能的发展_哔哩哔哩_bilibili
参考书籍：《人工智能原理》丁世飞编