task01 chap01
-
- 第一部分 引言
-
- 1.0思维与智能
- 1.1 图灵测试
-
- 图灵测试的批评
-
- 图灵
- 1.2 强人工智能和弱人工智能
- 1.3 启发式方法
- 识别人工智能来求解的问题
- 1.5 应用和方法
-
- 搜索算法和拼图问题
- 二人博弈【对抗性游戏】
- 自动推理
- 产生式规则和专家系统
- 细胞自动机
- 神经计算
- 遗传算法【GA】
- 知识表示
- 不确定性推理
- 人工智能早期历史
-
- 逻辑学家与逻辑机器
- 人工智能近期历史到现在
- 新千年人工智能的发展
- 名词集合
机器人、语音识别、图像识别、自然语言处理和专家系统
专家系统：DENDRAL/MYCIN/EMYCIN/振动故障诊断/自动牙科识别
机器学习
深度学习
启发式搜索算法
自然语言处理
自动规划
盲目搜索
知情搜索
博弈中的搜索
人工智能中的逻辑
知识表示
产生式系统
自动规划
遗传算法
模糊控制/模糊逻辑
安全
思维和智能的内涵
图灵测试
启发式方法
机器人
高级计算机博弈
本书观点：
人工智能：
- 人
- 想法
- 方法
- 机器（程序
- 结果
- 对象
人工智能编程语言：python、matlab、prolog
联系邮箱：[email protected]
异步社区：www.epubit.com
第一部分 引言
1.0思维与智能
R
.
斯
腾
伯
格
R.斯腾伯格
R.斯腾伯格在有关人类意识的文章对智能的定义
智能定义：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。
思维定义：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。智能也许就是高效以及有效的思维。许多人对机器能否思考怀有偏见。真相很可能介于上述两个极端之间～
一些动物也会比另一些动物聪明，机器智能存在同样的问题
标准化测试问题：
数列找规律，这个问题设计目的在于衡量模式识别中对显著性特征的熟练程度
如何评估动物的智能？
- 问答
- 巴普洛夫条件反射
- “聪明的汉斯”识别人的情绪
- 集体智慧：特定生物在群体中表现出智能（exp蚁群），集体智慧源于个体昆虫之间有效沟通【高级搜索方法：涌现智能、群体智能】
- 脑的质量大小以及脑与身体的质量（海豚【其自主控制的呼吸、两个半脑交替休眠、自我意识测试高分、复杂戏法【序列和执行复杂身体运动能力】、觅食时使用深海海绵保护嘴】）【观点：智能不是人类独有的特性】
- 工具的具体使用
人工智能的目标：可以与人类思维媲美的计算机软件/硬件系统
1.1 图灵测试
图灵寻求可操作的方式回答智能的问题，他想把【功能】与【实现】分离开来
抽象定义：忽略对象/概念的实现的策略（内部运行情况），获得更清晰的对象及其与外部世界关系的描述。
对象可以当作一个黑盒，只关注对象的输入输出
-两个模拟游戏的提出-
https://app.humanornot.ai/
图灵测试的批评
-
～布洛克对图灵测试的批评～：
图灵测试的二进制数应该非常长
presume：数据库很大，图灵测试包含50个或更少的已有的合理回答的问题
计算机可以通过查表方法而不是智能通过图灵测试 -
赛尔的批评：中文房间问题
- 单人房间问题
有了中文规则手册就算懂中文吗，并非在学习或理解中文而仅仅是在处理符号而已
- 多人体育馆问题
规则手册确定一个人【传递信息体育馆另一个人】/【生成输出】，中文知识存在于这群人还是存在体育馆中
中文的知识存在于单个神经元中还是存在于神经元的集合中
批评summary： 图灵测试仅仅从外部观察，不能洞察某个实体的内部状态（黑盒测试的缺点）
图灵
- 存储程序概念发明者，通用图灵机
- 图灵B型机器网络（婴儿大脑皮层可以发现，观点：用遗传搜索训练B型网络
- 图灵A型机器（与非门组成，每个节点由0/1表示。每个节点由两个输入，输出任意个，每个A型网络以特定方式与另外3个节点相交产生B型节点二进制脉冲）
- 基于启发式问题求解和机器学习
1.2 强人工智能和弱人工智能
弱人工智能（MIT）：唯一标准为程序能够正确执行，任何表现出智能行为的系统视为人工智能的范例。仅仅关注系统的表现，不管出解决问题的方式
强人工智能（CMU、好莱坞阵营）：主要关注生物可行性，表现应该基于与人类相同的方法，关注所构建系统的结构，【观点认为：完全依靠人工智能程序的启发式方法、算法和知识，计算机就嫩干活的意识和智能】（听觉模拟人类听觉系统，使用相当于人类耳蜗，耳道，鼓膜和耳朵其他部分的部件）
-
- 拥有大量领域知识并能够解释推理过程的系统
1.3 启发式方法
一组常用与解决问题的指导法则，启发式方法和算法做比较
算法：预先设定用于解决问题的一组规则，输出时完全可预测的
启发式方法：解决问题的经验法则
G
e
o
r
g
e
P
o
l
y
a
George Polya
GeorgePolyaHow to Solve It定义：当面对一个困难问题首先尝试解决一个相对更简单与原始问题相关的问题，为原始问题的求解提供有用的思路【里程碑项目：通用问题求解器】
- 长方形->长方体对角线问题
- 水壶问题
识别人工智能来求解的问题
人工智能问题特征
- 大型问题
- 计算复杂，算法复杂
- 收录大量人类专门知识【especially强人工智能】
exp：
- 专家系统【医疗诊断 if then，不存在可以识别潜在疾病或病症的确定性算法【诊断：基于患者症状、病史、前期病例】】exp：MYCIN 基于规则的专家系统，规则超过400条。提供最可能存在疾病的概率及诊断正确的程度，【开发规则过程：知识工程，密集访谈中收集专家知识，使其变成离散规则形式，～排列的数量比任何人在他们大脑中记住的都多～】
特征
- 包括大量领域相关知识
- 允许领域知识分层
- 可以发展成为存储了若干专家知识的知识库
～专家系统不仅仅是构建该系统的专家的知识的总和～
超市机器根据用户信息推荐购买
国际象棋：零和博弈，具有完美信息完美信息二人博弈游戏
- 完美博弈的结果
- 白方而言最好的一步是什么
1.5 应用和方法
交互：
- 形式化框架【exp：逻辑】
- 交互的一定程度的不确定性
- 大量的知识，合理的推理规则
下棋中表现出的实力->智力的标志
下棋的专家知识取决于一些搜索算法，可以遇见某个落子对于后续棋局产生的长期后果
- 学习是任何可行人工智能系统的一个必要组成部分
- 基于动物神经系统（神经计算）和人类进化（进化演算）
构成智能时非常有价值的学习范式
细胞自动机（CA）：系统的在几条简单规则的控制下，从一些“种子”中“涌现”或“成长”。
人工智能研究领域的应用：
- 搜索算法和拼图问题
- 二人博弈
- 自动推理
- 产生式系统和专家系统
- 细胞自动机
- 神经计算
- 遗传算法
- 知识表示
- 不确定性推理
搜索算法和拼图问题
拼图及其相关搜索拼图问题作为搜索算法
- 定义【初始状态】和【目标状态】，通过移动到达目标状态。
- 希望得到移动次数最少的解决方案。
状态空间图：问题的论域，包含了该问题所有可能的状态。
节点：状态
弧：状态之间所有合法转换
空间树：状态空间图的真子集
根节点：初始状态
一个/多个叶子节点：目标状态
- 盲目搜索【遍历状态空间图的真子集】
假设对问题的搜索空间一无所知
- 深度优先
- 广度优先
- 组合爆炸
拼图的可能状态数目过大而使得上述方法不大使用。求解大小合理的问题时，由于搜索空间增长太快以至于盲目搜索方法无法成功。
启发式搜索算法会向前观察状态空间图。出现两条/更多条备选路径时。选择最接近目标的一条/多条路径。可以估计到达目标的【剩余距离】
～向前看的搜索方法～
- 爬山法
- 集束搜索
- 最佳优先搜索
～向后看的搜索方法～【分支定界】
- A*算法【估计总路径成本确定寻找答案的顺序】
二人博弈【对抗性游戏】
- Nim取物游戏
- 井字游戏
- 国际象棋
- 目标的达成
- 保持警惕，监视和阻止对手的行进
博弈具有现实世界场景的属性，不会在真实世界产生后果。
～迭代的囚徒困境～
自动推理
- 演绎推理，给定知识派生出新的有用的知识
产生式规则和专家系统
产生式规则（知识表示方式）
- if then动作
- if then事实
细胞自动机
可以视为n维空间中细胞的集合。每个细胞可以处于少量几种状态中的任何一种状态
通过几个简单规则创建出非常复杂的模式
- 物理拓扑 ：CA形状 ，矩形/六边形
- 更新规则：根据细胞当前状态及其领域内若干细胞的状态决定该细胞的下一个状态。
- 同步系统 根据细胞【当前状态】及其【领域内若干细胞状态】决定该细胞下一个状态
- 0/1 死细胞【无阴影】/活细胞【有阴影】，1个细胞有8个邻居细胞，分别位于与这个细胞直接相连的上方、下方、左侧、右侧以及对角线的上方和下方。
神经计算
神经网络试图捕捉人类神经系统的并行分布式结构
神经计算系统基本构建：人工神经元【通过阈值逻辑单元进行建模】
权重的获得：迭代学习算法【感知器学习规则，输入每通过系统一次，输出结果朝着所需权重方向收敛，系统只产生正确的输出结果，学习的过程得以完成。】
例子：
具备实用价值的模式识别任务需要多个阈值单元，这种TLU组成的神经网络可用于执行有实用价值的数据处理任务
遗传算法【GA】
计算机进化速度快：（进化：迭代过程，通过应用小增量变化改进为题的拟解决方案）
动植物世界进化过程：自然选择、繁殖、突变、重组等遗传操作来适应环境。
GA来自于进化计算的一般领域的具体方法：【进化计算：人工智能的分支，问题的拟解决方案可以适应环境。
】
GA中问题被编码成【串】
并使用【遗传算子】【适应度函数】收集更优的串
知识表示
获取/存储/识别/表示 知识
选择一种好的表示方法为特定问题设计算法/解决方案一样重要 ——波利亚
- 良好而自然的方法有利于快速得到可理解的解决方案
传教士与野人问题
目标：一条船将三个传教士和三个野人从一条河的西岸晕倒这条河的东岸。
从西岸到东岸运送任何时刻，通过选择合适的表示，可以很快地发现和理解解决方案的路径。约束条件也可以被高效地表示出来。
初始：W:3M3CB(三个传教士和三个叶二娘与小船在河的西岸)
目标：E:3M3CB
正在离开：W:2M2C~~~~~~~E:1M1CB
- 逻辑规则进行问题求解：
逻辑理论家程序、（基于拉塞尔和怀特黑德的 principal Mathematica开发的）通用问题求解（GPS）系统
使用逻辑进行知识表示和语言理解exp：积木世界（Blocks World 1972）
-
产生式规则和专家系统
清晰、简明表示启发式方法的可行性 -
基于图的方法
基于图的方法在感官上有吸引力：视觉感、空间感和运动感
exp：
- 状态空间表示法（所有可能状态）、
- 语义网络（面向对象编程的前身，集中关注语言知识和结构的表示，采用继承思想）
- 框架（系统性、层次化、通常通过表格中的槽与槽填充值进行组织/用三维方式对某些概念进行表示，采用继承思想）
- 脚本（sowa、novak和gowin的概念图是一种简化但具有普适性的启发式技术，常用于表示学科中的知识）
《心智社会》认为整个世界可以通过智能体来运行，智能体本身没有智能，但可以通过精妙的方式组合形成一个可以展示出智能行为的社会
【多层次结构】【尺度】【学习】【记忆】【感知相似性】【情绪】【框架】
不确定性推理
模糊集：随着条件的变化而变化
模糊逻辑控制器
人工智能早期历史
亚里士多德
- 逻辑前提论：对物质和形式区分——数据抽象的先驱性工作：将【方法（形式）】与【封装方法的壳体】区分开来，将概念的形式及其实际的表示区分开来
- 人类推理的能力（布尔代数）
《伟大的艺术》卢尔用几何图和原始逻辑装置实现基于逻辑的系统这个目标
- 所有的推理只是字符的连接/替换运算
《思维的规律》布尔差分方程论、有限差分运算论
逻辑学家与逻辑机器
《人月神话》：给项目增加更多的软件工程师并不能保证最终结果的连贯性，在开始实际实现之前，最好把更多的时间用于规划
托雷斯克韦多 建立了第一个专家系统KRK残局游戏，第一个基于规则的系统
人工智能近期历史到现在
- 计算机博弈
alphago 卷积神经网络，deep mind 使用游戏作为真实世界的微观模拟战略的一部分，慢思考模式由蒙特卡洛树搜索执行
- 树搜索
- 神经网络
- 深度学习
- 强化学习方法
- 专家系统
- 知识库与推理机的分离
- 系统知识超过任何专家/所有专家的知识的总和
- 知识与搜索技术的关系
- 推理以及不确定性
- 神经计算
- 早期不包括学习机制
- 【感知器学习规则】的迭代算法的引入解决这个问题，在单层网络中找到适当的权重
- 异步网络模式使用能量函数找到NP完全问题的近似解
- 反向传播算法【20世纪80年代初】，适合于多层网络的学习算法。【NETTalk】
- 进化计算
使用概率和并行性来解决组合问题（优化问题）
- 优化问题
- 基于符号的方法依赖于启发式方法和表示范式。包容体系架构方法高层依赖于下面层级
观点：主张世界作为我们的表示，智能体正是通过与环境交互才出现智能
- 自然语言处理
Eliza 和SHRDLU【both MIT】
Eliza模仿Carl Rogers 学派精神病学家担任的角色。采用模式匹配方式伪装类似于人类的交互，假装拥有感知情绪的能力
SHRDLU 使用意义、语法、演绎逻辑来理解和响应英文命令
【语法分析树】
NLP进步的最大障碍是常识问题
被批评只是微观世界，程序并没有一般现实世界的知识/常识
Charniak介绍增强上下文无关语法，赋予每条规则相关概率
【宾州树库 Penn Treebank】每条规则相关的概率
- 生物信息学
生物数据的管理和分析
新千年人工智能的发展
ALVINN基于神经网络的系统 车辆
财务决策：买卖股票，神经网络、遗传算法和专家系统
基于互联网的智能体：搜索万维网，寻找用户感兴趣的新闻文章
名词集合
