第 1 章 绪论
1.1 人工智能的起源
- 达特茅斯会议 ：1956 年由麦卡锡、明斯基、香农、罗契斯特等提出"人工智能"概念
- 核心定义：以机器为载体实现的人类智能延伸
- 研究目标：让机器具备认知、思考和学习能力
1.2 可计算载体：形式化与机械化
-
荀子的智能观：知觉、智慧、本能、智能：从感知、到理解、到认知、到决策与行动
-
计算的诞生：从手工计算到自动计算、从可计算到不可计算
-
形式化系统三要素：
-
完备性：所有能够从该形式化系统推导出来
-
一致性：一个命题不可能同时为真或为假
-
可判定性：算法在有限步内判定命题的真伪
-
-
哥德尔不完备定理：形式系统无法兼具完备性与一致性
-
计算理论突破：
-
图灵机：机械化计算的理论模型
-
邱奇-图灵论题：凡是可计算的函数都可以用图灵机计算
1.3 人工智能的分类
1.3.1 从典型应用对人工智能分类
-
**符号学派：**人工智能主流方法，符号主义人工智能
- 符号主义人工智能为核心的逻辑推理
- 物理符号系统（即符号操作系统）假设和有限合理性原理，关系和属性符号化
-
**联结学派：**联结主义（数据驱动的学习）
- 用大数据（有监督学习）：挖掘数据所蕴含的内在模式
- 机器挖掘得到的视觉模式
-
**行为学派：**行为主义（从经验中学习）
| 学习模式 | 代替了 | 不是因为 |
|---|---|---|
| 符号主义 (用规则教) | 与人类逻辑推理相似, 解释性强 | 难以构建完备的知识规则 库 |
| 联结主义 (用数据学) | 直接从数据中学 | 以深度学习为例:依赖于 数据、解释性不强 |
| 行为主义 (用问题引导) | 从经验中进行能力的 持续学习 | 非穷举式搜索而需更好策略 |
**例子：**从AlphaGo到AlphaGo Zero(元)
- 典型的规则、数据和行为相互协调的智能算法
- 深度学习：从人类选手围棋比赛得到训练数据
- 强化学习：
- 蒙特卡洛树搜索
- 深度学习有效编码感知棋面
- 强化学习主力序贯决策行动
- 蒙特卡洛搜索支持从浩渺样本空间中采样 (st→atst+1→at+1st+2...→aTsT)(s_{t} \stackrel{a_{t}}{\to } s_{t+1} \stackrel{a_{t+1}}{\to } s_{t+2} ... \stackrel{a_{T}}{\to } s_{T})(st→atst+1→at+1st+2...→aTsT)
1.3.2 从智能角度对人工智能分类
1.3.3 从典型应用对人工智能进行分类
1.4 智能计算方法
1.3.1 符号主义（逻辑推理）
-
核心方法：命题逻辑、谓词逻辑、知识图谱、因果推理
-
推理类型：
-
归纳推理：特殊 → 一般（例：语言实例归纳）
-
演绎推理：一般 → 特殊（例：三段论）
-
因果推理：结构因果模型（关联 → 干预 → 反事实）
-
专家系统：基于符号规则的知识推理体系
-
1.3.2 问题求解（搜索算法）
- 算法分类 ：
-
无信息搜索：广度优先/深度优先搜索
-
启发式搜索：A*算法、贪婪最佳优先
-
对抗搜索：Alpha-Beta 剪枝、蒙特卡洛树搜索
-
博弈场景应用：围棋、国际象棋策略优化
-
1.3.3 数据驱动（机器学习）
-
监督学习：训练数据标注（线性回归、SVM、决策树）
-
无监督学习：数据聚类/降维（K-Means、主成分分析）
-
深度学习：端到端特征学习（CNN、RNN）
1.3.4 行为主义（强化学习）
-
核心机制：环境交互 → 序列决策 → 奖励反馈
-
Q 学习：状态-行为效用表构建
-
深度强化学习：神经网络参数化策略
1.3.5 博弈对抗（群体智能）
-
博弈论基础：纳什均衡理论
-
典型应用：非完全信息博弈（德州扑克 AI）
-
混合方法：AlphaGo 融合搜索+深度学习+强化学习
1.5 人工智能的三次低谷
- 第一次低谷:1973年英国发表James Lighthill 报告
- 该报告评判AI基础研究中A自动机、B机器人和C中央神经系统
- 报告得出结论:A和C的研究有价值,但进展令人失望。B的研 究没有价值,进展非常令人失望。建议取消B的研究。
- **教训：**AI尚属婴儿期，难以测算准确
- 第二次低谷:日本智能(第五代)计算机研制失败
- 1982年开始，1992年结束
- **教训：**驱动AI的发展要靠软件、数据和只是，而非只依靠硬件
- 第三次低谷:知识词典日趋势微、网络百科兴起
- **教训：**只是不能靠专家表达，要自动学习
1.6 现状与挑战
-
领域局限：当前 AI 属于"弱人工智能"范畴
-
关键技术障碍：
-
开放式问题的动态决策能力不足
-
人类直觉与迁移学习的机理未明
-
发展趋势：
-
混合增强智能：人机协同强化
-
类脑计算：神经形态架构探索
-
伦理治理：AI 可解释性与安全性研究