人工智能现代方法 第一章绪论 1.3-1.5节
1.3 人工智能的历史
📌 核心脉络：诞生 → 热情高涨 → 现实打击 → 专家系统 → 神经网络回归 → 概率推理 → 大数据 → 深度学习
1.3.1 AI的诞生 (1943---1956)
| 时间 | 人物/事件 | 贡献 |
|---|---|---|
| 1943 | McCulloch & Pitts | 🧠 人工神经元模型：证明任何可计算函数都可通过神经网络实现 |
| 1949 | Donald Hebb | 📚 赫布学习规则：神经元连接强度的更新规则，至今仍有影响 |
| 1950 | Minsky & Edmonds | 🖥️ SNARC：第一台神经网络计算机（40个神经元） |
| 1950 | Alan Turing | 📄 《Computing Machinery and Intelligence》：图灵测试、机器学习、遗传算法 |
| 1956 | 达特茅斯会议 | 🎂 AI正式诞生：麦卡锡、明斯基、香农等10人参与 |
| 1956 | Newell & Simon | 🏆 Logic Theorist：第一个AI程序，证明数学定理 |
1.3.2 早期热情高涨 (1952---1969)
"Look, Ma, no hands!" 时代 ------ 约翰·麦卡锡
核心成就：
┌─────────────────────────────────────────────────────────────┐
│ GPS (通用问题求解器) │
│ └── 模仿人类求解问题的顺序，第一个"人类思维"方式的程序 │
│ │
│ 物理符号系统假说 │
│ └── 任何智能系统必须通过符号结构来运行 │
│ │
│ Lisp语言 (1958, 麦卡锡) │
│ └── 接下来30年最重要的AI编程语言 │
│ │
│ 感知机 (Rosenblatt) │
│ └── 收敛定理：可学习任何能表示的事物 │
└─────────────────────────────────────────────────────────────┘微世界研究：
- SAINT (1963)：解封闭形式微积分问题
- Analogy (1968)：解智商测试几何类比
- Student (1967)：解代数故事问题
- 积木世界 (Winograd, 1972)：自然语言理解 + 规划
1.3.3 一些现实 (1966---1973) ⚠️
西蒙1957年的预测：
"10年内，计算机将成为国际象棋冠军"
实际：用了40年才实现 ❌
失败的两个主要原因：
| 原因 | 说明 |
|---|---|
| 知情内省 | 基于"任务怎么做"而非"算法需要什么才能可靠产生解" |
| 组合爆炸 | 微世界对象少→动作序列短；真实世界→指数增长难处理 |
关键打击：
- 📕 Minsky & Papert《Perceptrons》(1969)：证明感知机只能学习线性可分的事物
- 📕 莱特希尔报告 (1973) ：英国政府停止AI资助 → 第一次AI寒冬
1.3.4 专家系统 (1969---1986)
核心转变 ：弱方法（通用搜索）→ 强方法（领域知识）
"必须差不多知道答案才能解决一个难题"
代表系统：
| 系统 | 领域 | 特点 |
|---|---|---|
| Dendral (1969) | 分子结构推断 | 第一个知识密集型系统，"食谱"式专用规则 |
| Mycin | 血液感染诊断 | 450条规则，引入确定性因子处理不确定性 |
| R1 (1982) | 计算机配置 | 第一个商用专家系统，DEC每年省4000万美元 |
产业高峰：
- 1980年：几百万美元 → 1988年：数十亿美元
- 日本"第五代计算机"计划（预算超130亿美元）
- 几乎每家美国大公司都有AI团队
第二次AI冬天原因：
- 复杂领域难以构建和维护专家系统
- 推理方法在面临不确定性时会崩溃
- 系统无法从经验中学习
1.3.5 神经网络的回归 (1986---现在)
关键突破 ：反向传播算法 (back-propagation)
- 1980年代至少4个团队重新发现
- 《Parallel Distributed Processing》(1986) 引起极大轰动
联结主义 vs 符号主义：
| 联结主义 | 符号主义 |
|---|---|
| 神经网络 | 逻辑推理 |
| 从样本学习 | 手工编码 |
| 内部概念流畅 | 公理形式描述 |
| 适配真实世界混乱 | 需要充要条件 |
1.3.6 概率推理和机器学习 (1987---现在)
标志性年份：1988年
| 贡献者 | 成就 |
|---|---|
| Judea Pearl | 《Probabilistic Reasoning in Intelligent Systems》→ 贝叶斯网络 |
| Rich Sutton | 将强化学习与MDP联系起来 |
重要转变：
- AI不再孤立 → 与统计学、运筹学、决策论、控制理论重新联系
- 基于现有理论而非全新理论
- 基于严格定理 和可靠实验
- 展示与真实世界应用的相关性
共享基准问题集出现：
- ImageNet (图像)
- LibriSpeech (语音)
- MNIST (手写数字)
- SQuAD (问答)
- WMT (翻译)
1.3.7 大数据 (2001---现在)
定义：数万亿字的文本、数十亿的图像、数十亿小时的语音和视频...
关键发现：
数据集规模增加2~3个数量级 > 算法改进带来的性能提升
里程碑：
- 2011年：IBM Watson 在《危险边缘》(Jeopardy!) 击败人类冠军
1.3.8 深度学习 (2011---现在) 🔥
定义：使用多层简单、可调整的计算单元的机器学习
关键时间线：
1990s CNN卷积神经网络在手写数字识别取得成功 (LeCun)
↓
2011 深度学习开始流行（语音识别 → 视觉识别）
↓
2012 ImageNet竞赛：深度学习系统大幅领先 ⭐
↓
2016 AlphaGo 击败世界围棋冠军李世石
↓
2017 AlphaZero 自我学习击败所有人类和机器硬件支撑：
- CPU：10⁹~10¹⁰ 次运算/秒
- GPU/TPU：10¹⁴~10¹⁷ 次运算/秒
- 2012-2018年：训练速度提升 30万倍
1.4 目前的先进技术
AI100报告核心发现
| 指标 | 变化 |
|---|---|
| 📄 论文数量 | 2010-2019增长 20倍 |
| 📰 新闻情绪 | 正面报道从12%→30% |
| 👨🎓 学生注册 | 美国增加5倍，全球增加16倍 |
| 🏢 初创公司 | 增长20倍，达800多家 |
| 🏆 NeurIPS参会 | 增长8倍，达13500人 |
| 👁️ 视觉错误率 | 从28%降到2%（超过人类） |
| 🗣️ 语言问答 | SQuAD从60分→95分 |
AI当前能力一览
┌────────────────────────────────────────────────────────────────┐
│ 🚗 自动驾驶 │
│ • Waymo: 1600万公里，每9650公里才需人类介入一次 │
│ • 商业机器人出租车服务已开始 │
├────────────────────────────────────────────────────────────────┤
│ 🤖 腿足式机器人 │
│ • BigDog/Atlas: 类似动物的步态，可跳跃、后空翻 │
├────────────────────────────────────────────────────────────────┤
│ 🎮 游戏 │
│ • AlphaGo/AlphaZero: 围棋、国际象棋、将棋 │
│ • 《危险边缘》《星际争霸II》《Dota 2》 │
├────────────────────────────────────────────────────────────────┤
│ 🖼️ 图像理解 │
│ • ImageNet物体识别超越人类 │
│ • 复杂场景描述仍有挑战 │
├────────────────────────────────────────────────────────────────┤
│ 🏥 医学诊断 │
│ • 皮肤癌、眼科疾病、乳腺癌等达到专家水平 │
│ • 2017年仅2项FDA批准 → 2018年增至12项 │
├────────────────────────────────────────────────────────────────┤
│ 🌍 气候科学 │
│ • 发现气候数据中隐藏的极端天气信息 │
│ • 60页目录列举机器学习应对气候变化的方式 │
└────────────────────────────────────────────────────────────────┘人类水平AI何时实现？
| 调查结果 | 预测时间 |
|---|---|
| 专家调查均值 | 2099年 |
| 50%受访者认为 | 2066年 |
| 10%的人认为最早 | 2025年 |
| 少数人认为 | "不可能" |
⚠️ 专家预测并不比业余爱好者更准确
1.5 人工智能的风险和收益
收益 ✅
┌─────────────────────────────────────────────────────────┐
│ 💼 解放重复劳动 → 增加商品和服务的生产 │
│ 🔬 加速科学研究 → 治愈疾病 │
│ 🌍 解决气候变化和资源短缺问题 │
│ 🕊️ 可能预示和平富足时代的到来 │
└─────────────────────────────────────────────────────────┘DeepMind CEO哈萨比斯："首先解决人工智能问题，然后再用人工智能解决其他所有问题"
风险 ⚠️
| 风险类型 | 说明 |
|---|---|
| ⚔️ 致命性自主武器 | 无需人类监督即可定位、选择并击杀目标；2017年进入联合国审议 |
| 👁️ 监视和劝诱 | 大规模监视+个性化信息流 → 修改和控制政治行为（如2016年美国大选） |
| ⚖️ 有偏决策 | 假释、贷款等任务中，算法可能因数据偏见产生歧视 |
| 💼 就业影响 | 机器替代工作 vs 创造新工作；财富从劳动力向资本转移 |
| 🚗 安全关键应用 | 驾驶汽车、管理城市供水等已发生致命事故 |
| 🔐 网络安全 | AI用于防御 vs 用于自动化勒索和钓鱼攻击 |
长期风险：超级智能问题
三个层次：
| 概念 | 定义 |
|---|---|
| HLAI (人类级别AI) | 能够学会做人类能做的任何事情 |
| AGI (通用人工智能) | 2008年首次会议 |
| ASI (超级人工智能) | 远超人类智能的AI |
两个核心问题：
🦍 大猩猩问题 (Gorilla Problem)
700万年前，灵长类分支进化为大猩猩和人类
今天，大猩猩无法控制自己的命运
如果AI超越人类...我们会成为"大猩猩"吗？
👑 迈达斯国王问题 (King Midas Problem)
迈达斯要求触碰的一切变成黄金
触碰食物、饮料、家人后...后悔了
→ 将固定目标设定给机器需要重大修改图灵的早期警告 (1951)：
"机器思维方法一旦开始，用不了多久它就会超越我们微弱的力量...
因此，在某个阶段，我们应该期待机器能够受控制。"
解决方向 🎯
核心思路：不是"给机器设定明确目标"，而是"让机器努力实现人类目标，但知道它们并不确切知道目标是什么"
| 方法 | 说明 | 章节 |
|---|---|---|
| 目标不确定时谨慎行动 | 机器允许自己关闭 | 第16章 |
| 辅助博弈 | 人类有目标，机器试图实现但不知道目标是什么 | 第18章 |
| 逆向强化学习 | 通过观察人类选择来了解人类偏好 | 第22章 |
小结
┌────────────────────────────────────────────────────────────────┐
│ 📌 核心要点 │
├────────────────────────────────────────────────────────────────┤
│ 1. AI定义的两个关键问题： │
│ • 关心思想还是行为？ │
│ • 模拟人类还是追求最佳结果？ │
│ │
│ 2. 标准模型：理性行为 = 在某种情况下采取可能的最佳行动 │
│ │
│ 3. 两个改进方向： │
│ • 理性受计算难度限制 │
│ • 目标从"追求明确目标"转变为"造福人类" │
│ │
│ 4. AI历史：成功→盲目乐观→热情丧失→资金削减 的循环 │
│ │
│ 5. 最近几十年：理论和方法已相当成熟 │
│ • 布尔逻辑 → 概率推理 │
│ • 手工编码 → 基于数据的机器学习 │
│ │
│ 6. 必须考虑风险和道德后果 │
│ │
│ 7. 长期挑战：控制超级智能的AI系统 │
│ → 需要改变我们对AI的设想 │
└────────────────────────────────────────────────────────────────┘图灵奖得主时间线 🏆
| 年份 | 得主 | 贡献 |
|---|---|---|
| 1969 | Marvin Minsky | 表示和推理的领域基础 |
| 1971 | John McCarthy | 表示和推理的领域基础 |
| 1975 | Herbert Simon | 问题求解和人类认知的符号模型 |
| 1994 | Ed Feigenbaum & Raj Reddy | 专家系统 |
| 2011 | Judea Pearl | 概率因果推理 |
| 2018 | Yoshua Bengio, Geoffrey Hinton, Yann LeCun | 深度学习 |
💡 本章核心洞察：AI的历史是一部"螺旋上升"的历史------经历多次热潮与寒冬，但每次回归都站在更高的起点上。当前的深度学习革命建立在数十年的理论积累和硬件进步之上。