人工智能（第三版）阅读笔记

一.智能是什么？

  要确定人工智能的优缺点，就必须首先理解和定义智能。

  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。

不同的动物物种具有不同程度的智能,但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。

拉斐尔：“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。”

二.图灵测试与质疑

1.图灵测试 摘抄：

 

在图灵测试中，如果你是询问者的话，你会提出什么问题？考虑下面的例子。

1 000 017的平方根是多少？

像这样的计算型问题可能并不好。记住，计算机也会试图欺骗询问者。对于这类问题，计算机可能不会在一微秒内做出响应并给出正确答案，它可能会有意地花费更长的时间，也许还会犯点错误，因为它“知道”人类并不擅长这些计算。

当前的天气怎样？

假设计算机不可能看到窗外，因此询问者可能会试着问一下天气。但是，计算机通常连着万维网，因此在回答之前，它可能已经连接到了天气网站。

你害怕死亡吗？

因为计算机难以伪装人的情绪，所以询问者可能会提出这个或其他类似的问题：“黑暗给你的感觉如何？”或者“坠入爱河的感觉如何？”但是请记住，现在的目标是试图判定智能，而人类的情绪也许不是反映智能的有效指标。

2.图灵测试 质疑

【1】用机械查表法通过图灵测试的机器并不是智能

         例如，假设图灵测试的长度有一个上限，在图灵测试中，将“Are you afraid of dying?”（你害怕死亡吗？）中开始的前三个字符作为二进制数存储，如图1.5所示。假设典型的图灵测试持续一小时，在此期间，测试者大约会提出50个问题，得到50个回答，那么对应于图灵测试的二进制数应该非常长。现在，假设有一个很大的数据库，其中存储了所有的图灵测试，这些图灵测试包含50个或更少的已有合理回答的问题。然后，计算机可以用查表的方法来通过图灵测试。当然我们必须承认，一个能够处理这么大量数据的计算机目前还不存在。但是，如果存在这样的计算机通过了图灵测试，布洛克问：“你会觉得这样的机器有智能吗？”换句话说，布洛克的批评意见是，可以用机械的查表方法而不是智能来通过图灵测试。

【2】运行程序的计算机只需要接收、处理以及使用符号来回答问题，而不必学习或理解符号本身的真正含义

 

        想象一下，询问者仍然像人们预期的那样询问问题，只不过这次用的是中文。而另一个房间里的那个人不懂中文，但是拥有一本详细的中文规则手册。虽然这本手册里的中文问题以潦草的笔迹呈现，但是房间里的人会参考其中的规则，根据规则来处理中文字符，并使用中文写出回答。

       如果询问者获得语法上正确、语义上合理的问题的回答，那么这意味着房间里的人懂中文吗？如果回答是“不懂”，那么房间里的人有了中文规则手册就算懂中文吗？答案依然是“不懂”—房间里的人并不是在学习或理解中文，而仅仅是在处理符号而已。同样，运行程序的计算机只需要接收、处理以及使用符号来回答问题，而不必学习或理解符号本身的真正含义。

【3】共同特征：图灵测试只能从外部观察，但是无法从内部洞察机器是否有“智能”

三.强人工智能与弱人工智能

1.定义

弱人工智能：人造物是否使用与人类相同的方式执行任务无关紧要，唯一的标准就是程序能够正确执行。

强人工智能：当人造物展现出智能行为时，它的表现应该基于与人类相同的方法。例如，考虑一个具有听觉的系统。

2.两种派别的区别和分歧：

        弱人工智能的支持者仅仅关注系统的表现，而强人工智能（Strong AI）的支持者的目标在于，通过模拟人类听觉系统，使用相当于人类耳蜗、耳道、鼓膜和耳朵其他部分的部件（每个部件都可以在系统中执行其所需执行的任务）来成功地获得听觉。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。

弱人工智能的支持者认为，人工智能研究的存在理由是解决困难问题，而不必理会实际解决问题的方式。然而，强人工智能的支持者则坚持认为，完全依靠人工智能程序的启发式方法、算法和知识，计算机就可以获得意识和智能。

三.启发性方法——经验法则

引例：在开车时离开高速公路后找不到主路，一部分人会选择通过不断往路灯多的岔口开去寻找到主路。算法的输出是可以预测的，而启发性方法是基于经验的，输出结果不可预测。

例子1：从简单到复杂——求长方形对角线之和：运用勾股定理做到求解长方形对角线之和

例子2：从结果倒推：水壶问题，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？

四.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

例子：

• 医疗诊断：人工智能非常适合医疗诊断，因为它涉及模式识别和从经验中学习。 人工智能可以分析大量的医疗数据并识别可能表明特定医疗状况的模式。

• 具有条码扫描功能的收银机的购物场景：人工智能可以提高此类系统的效率和准确性。 通过使用模式识别，人工智能可以快速解释条形码并更有效地管理库存、定价和销售数据。

• ATM（自动柜员机）：ATM 通过改进的安全性、用户身份验证和交易处理从人工智能中受益。 人工智能算法可以检测可能表明欺诈活动的异常模式，从而增强金融交易的安全性。

• 国际象棋和西洋跳棋等双人游戏：人工智能适合这些游戏，因为它们涉及基于模式识别和对手动作预测的战略思考和决策。 人工智能可以从以前的游戏中学习并制定策略来提高表现。

• 五.应用和方法

• 1.拼图问题——盲目搜索
• 2.二人博弈——不能只专注于自己的目标达成，还要警惕对手的行进
• 3.自动推理——IF（头痛），THEN服用两片阿司匹林，并在早上打电话给我
• 4.细胞自动机——用简单的规则如何生成复杂的模式
• 5.神经计算——基于这个规则，只要系统输出的结果不正确，权重就会发生变化
• 6.遗传算法——GA开始于随机选择的大量二进制串。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（fitness  function）来收集相对更优的串
• 7.知识表示
• 8.不确定性推理——人工智能系统在信息不完整或不确定的情况下做出决策和推理，通常使用概率和模糊逻辑。

六. 人工智能的历史（见书）

七.人工智能的近期历史到现在

1. 计算机博弈：计算机博弈是人工智能的一个重要研究领域，包括国际象棋、围棋等棋类游戏的计算机程序。这些程序通过搜索算法、估值函数等方法与人类选手对弈，不断学习和改进自己的策略。例如IBM的深蓝超级计算机就曾经在国际象棋比赛中战胜世界冠军卡斯帕罗夫。

2. 专家系统：专家系统是一种模拟人类专家解决问题过程的智能系统，它使用产生式规则和知识库来表示和推理问题空间。专家系统在医学诊断、金融分析等领域得到广泛应用。例如MYCIN是一个著名的专家系统，可以辅助医生进行感染性疾病的诊断和治疗建议。

3. 神经计算：神经网络是一种模拟人脑神经元连接和工作方式的计算模型。神经网络通过训练数据学习复杂的非线性映射关系，用于模式识别、语音识别等任务。例如深度学习就是一种基于多层神经网络的机器学习方法，它在图像识别、自然语言处理等领域取得显著效果。

4. 进化计算：进化计算是一种模拟生物进化过程的优化算法，包括遗传算法、粒子群优化等。这些算法使用概率和并行性来搜索解空间，适用于组合优化问题。进化计算已经在工程设计、参数优化等领域得到应用。

5. 自然语言处理：自然语言处理是研究计算机理解和生成人类语言的领域，包括分词、句法分析、语义理解等任务。随着深度学习技术的发展，自然语言处理取得了很多进展，例如机器翻译、情感分析等应用。

6. 生物信息学：生物信息学是将计算机科学和统计学应用于生物学研究的交叉学科。生物信息学主要研究基因组学、蛋白质组学等领域的数据挖掘和分析方法。例如基因序列比对、蛋白质结构预测等问题都可以用生物信息学方法来解决。

八.新千年人工智能的的发展（见书）