人工智能导论

从哲学思想、学科基础知识、技术方法应用、伦理与法律等多方位解读人工智能，总体上加深读者对人工智能的系统性、整体性认识和理解。

第1部分 学科与概念基础

· 生物学科将生物世界总体上分为原核生物界和真核生物界两大板块，

· 对生命而言，智能就是有生命的物种所具有的、与生俱来的环境适应能力和生存能力。

· 人类要创造和研究人工智能，不仅仅要从思维的角度来理解什么是智能，更要从生物、心理、行为、结构与功能、人与环境、人与社会等多个不同的维度来理解智能。

· 智能是个体主动针对问题，感知信息并提炼和运用知识，理解和认知环境，采取相应的策略和行动，解决问题、实现目标的综合能力。

· “如果一台机器能够与人类展开对话（通过电传设备）而不会被辨别出其机器身份，那么称这台机器具有智能。”

· 图灵的这个想法后来被称为“图灵测试”。

· 人工智能不仅要体现在语言表现上，还要体现在环境适应性上。

· 几个典型的人工智能的定义。(1)人工智能是研究那些使理解、推理和行为成为可能的计算。(2)人工智能是一种能够运行需要人类智能的创造性机器的技术。(3)人工智能是智能机器所执行的通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习、问题求解等思维活动。

· 人工智能是研究如何使机器具有智能的科学。

· 由深度学习驱动并使机器产生的智能可以称为“内生智能”。

· 我国于2017年发布的《新一代人工智能发展规划》中，群体智能有了新的含义。

· 由非常简单的单元连接在一起组成的“网络”，可以对任何逻辑和算术函数进行计算，因为网络单元像简化后的神经元。由MP模型发展而来的一种重要的人工智能技术是人工神经网络(artifical neural network,ANN)。

· 一是从结构的角度模拟人类的智能，

· 即利用人工神经网络模拟人脑神经网络以实现人工智能，由此发展而形成了联结主义；二是从功能的角度模拟人类的智能，将智能看作大脑对各种符号进行处理的功能，由此发展而形成了符号主义。

· 1974年，保罗·韦伯斯(Paul Werbos)提出了如今人工神经网络和深度学习的基础学习训练算法——反向传播(back propagation,BP)算法。

· 软边距的非线性支持向量机(support vector machine,SVM)，

· 以SVM为代表的集成学习、稀疏学习、统计学习等多种机器学习方法开始占据主流舞台。

· 杨立昆开发了许多新的机器学习方法，包括模仿动物视觉皮层的卷积神经网络(convolutional neural network,CNN)。

· 论文《深度置信网络的快速学习方法》(“A Fast Learning Algorithm for Deep Belief Nets”)，开创了深度神经网络和深度学习的技术历史，

· 知识图谱是一种实现机器认知智能的知识库，是符号主义持续发展的产物。

· 一个完善的符号系统应具备6种基本功能：输入符号、输出符号、存储符号、复制符号、建立符号结构、条件性迁移。

· 以模仿人脑神经网络结构形成人工神经网络，是联结主义的核心方法。

· 其基本特点表现在以分布式方式存储信息，以并行方式处理信息，具有自组织、自学习能力等方面

· 算法、大数据与计算能力被认为是推动人工智能发展的三大引擎。

· 1.数据规模(volume)大

· 数据规模大是大数据的基本特征，

· 过去，也许只有少量的机构会付出大量的人力、财力成本，通过调查、取样的方法获取数据；现在，普通用户也可以通过网络非常方便地获取数据。此外，用户的分享、点击、浏览等操作都可以快速地产生大量数据，大数据已从TB（TB是一个计算机存储容量的单位，1TB=240个字节，即超过1万亿个字节）级别跃升到了PB（1PB=250个字节，在数值上1PB=1024TB）级别。当然，随着技术的进步，这个数值还会不断变大。也许5年以后，只有EB级别的数据量才能够称得上是大数据。 2.数据种类(variety)多 除了传统的销售、库存等数据，现代企业所采集和分析的数据还包括网站日志数据、呼叫中心通话记录、各个社交媒体中的文本数据、智能手机中内置的全球定位系统所产生的位置信息、时刻生成的传感器数据等。

· 2.数据种类(variety)多

· 3.处理速度(velocity)快

· 数据产生和更新的频率也是衡量大数据的一个重要特征。

· 4.数据价值(value)密度低

· 人工智能的研究内容非常广泛，从模拟人类智能的角度，大概可以分为计算智能、感知智能、认知智能、行为智能、群体智能、混合智能、情感智能、类脑智能等，

· 1.自然计算

· 2.数据挖掘

· 数据挖掘一般会利用以下方法。(1)统计学的抽样、估计和假设检验。(2)人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。(3)最优化、进化计算、信息论、信号处理、可视化和信息检索。(4)数据库系统的存储、索引和查询。(5)高性能（并行）计算技术。

· 感知智能主要包括机器视觉、模式识别等内容。

· 机器视觉需要综合使用数字图像处理、模式识别、机器学习等多种人工智能技术。计算机视觉是机器视觉的一个重要内容，主要是利用计算机技术分析、处理各种图像信息，包括分类、识别等。

· 模式识别是指对表征事物或现象的各种形式的（如数值的、文字的或逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，

· 认知智能是指使机器具有类似人的逻辑推理、理解、学习、语言、决策等高级智能。

· 问题求解

· 指知识搜索和问题归约等基本技术，

· 推理包括确定性推理和不确定性推理两大类。定理证明主要包括消解原理及演绎规则等方法

· 认知智能的核心在于机器的辨识、思考以及主动学习。

· 知识图谱就是一种理解人类语言的知识库，

· 机器学习试图通过对人类学习能力进行模拟，使机器直接对数据及信息进行分析和处理而产生智能。

· 处理自然语言的关键是要让计算机“理解”自然语言，所以自然语言处理又称为自然语言理解(natural language understanding,NLU)，俗称人机对话。

· 自然语言处理方法还不具备上下文语境分析和语义理解能力，

· 新一代人工智能对群体智能的定义从强调对智能的个体模拟走向群体的智能协作。

· 情感智能主要有两个研究领域：情感计算(affective computing)和感性工学。

· 类脑智能

· 包括利用人工神经网络模拟人脑神经网络结构进行简单的运算和处理，

· 人工神经网络一直是联结主义的主要方法和研究内容，

· 器件层次逼近脑是指利用模拟脑神经结构的芯片等器件模仿大脑来实现类脑智能。

·添加图片注释，不超过 140 字（可选）

1)在人工智能方面，以机器学习、深度学习、知识工程为主的核心技术正成为创新发展的主要驱动力。

· (2)在云计算方面，混合云、边缘计算等技术在产业数字化转型中，将彰显愈发重要的作用。

· 3)在大数据方面，分布式数据库、数字孪生等创新技术正在加速成熟，它们将成为产业数字化发展的核心力量。

· 人工智能五维知识体系包括学科基础、技术基础、重点方向与领域（机器智能）、行业