人工智能（一）概述（树状图）

人工智能（一）概述（树状图）

什么是人工智能

1. 小白说
2. 人文说
   
3. 硅基说

4. 度娘说
Alan Turing定义的AI是：能使计算机完成那些需要人类智力才能完成的工作的科学。斯坦福大学的学者认为AI是智能机器的科学和工程，特别是智能计算机程序。维基百科定义AI是指由人工制造出来的系统所表现出来的智能，该词同时也指研究这样的智能系统是否能够实现，以及如何实现的科学领域。不管怎样定义，都离不开智能，然而到目前为止人类还没能统一地给出智能的定义，通常所说的智能也只是参考人类智慧的表现形式。原中国人工智能学会理事长钟义信教授，认为人类智慧包含发现问题、定义问题、解决问题三方面，而人工智能目前只做到了解决问题的程度。笔者认为智能是一种有序，是信息的体现，也是使世界朝着有序的方向发展的能力。可悲的是，根据熵增原理，无论智能体做怎样的努力，整个宇宙总是朝着熵增加的方向发展，即越来越无序和混乱。不知道这是上帝故意的安排，还是人类观察到的宇宙之外另有天地。

一、人工智能发展史

重大突破

波动发展

二、人工智能的分支

三、人工智能的目标

人工智能的目标包括：推理、知识表示、自动规划、机器学习、自然语言理解、计算机视觉、机器人学和强人工智能八个方面。知识表示和推理包括：命题演算和归结，谓词演算和归结，可以进行一些公式或定理的推导。自动规划包括机器人的计划、动作和学习，状态空间搜索，敌对搜索，规划等内容。机器学习这一研究领域是由AI的一个子目标发展而来，用来帮助机器和软件进行自我学习来解决遇到的问题。自然语言处理是另一个由AI的一个子目标发展而来的研究领域，用来帮助机器与真人进行沟通交流。计算机视觉是由AI的目标而兴起的一个领域，用来辨认和识别机器所能看到的物体。机器人学也是脱胎于AI的目标，用来给一个机器赋予实际的形态以完成实际的动作。

四、人工智能的方法

1. 知识的表示和推理

知识表示包括：基于知识的系统，表示常识知识等。传统的知识表示已经很成熟了，包括了描述逻辑，也包括了语义网（资源描述框架RDF）。知识推理建立在逻辑上，首先需要庞大的数据集，比如freebase；其次需要关系抽取自动化工具；最后需要合理的知识存储结构，比如资源描述框架RDF。谷歌提的知识图谱概念就是一种知识工程，它有庞大的知识库和基于知识库的各种服务。早年业界研究的知识本体也是一种知识工程，研究成果有 FrameNet、WordNet、中文知网HowNet等。
IBM在2011年研发了Watson问答系统。谷歌在2012年提出知识图谱，作为谷歌的两大重要技术储备，一个是深度学习，形成了谷歌大脑；另一个就是知识图谱，用来支撑下一代搜索和在线广告业务。脸谱公司利用知识图谱技术构建兴趣图谱，用来连接人、分享的信息等，并基于此构建了graph search。其他的工业应用还有：SIRI、EVI、Google Now、Dbpedia、 freebase等。一般一个知识工程的底层技术架构，请参考以下图示。

2.自主规划

状态空间搜索，最简单粗暴的是盲目搜索，就像特斯拉评价爱迪生：“如果说有一根针掉进草垛了，让他去找，他会毫不犹豫的，一根一根草挑出来找”。优化改进的版本是启发式搜索，如A*算法。中间版本有广度优先搜索、深度优先搜索、代价树搜索、A算法等。这方面的应用有国际象棋Deepblue，围棋AlphaGo。AlphaGo 在蒙特卡洛树搜索 (Monte Carlo Tree Search, MCTS) 基础上使用了深度学习，监督学习和增强学习等方法。“蒙特卡洛树搜索”是一类启发式的搜索策略，能够基于对搜索空间的随机抽样来扩大搜索树，始终保证选取当前抽样中的最优策略从而不断接近全局最优，确定每一步棋应该怎么走才能够创造更好机会。另外还包括：计划、动作和学习，敌对搜索，基于逻辑的规划方法，状态演算等内容。典型应用就是八数码难题，入门学的，对理解这些很有帮助。

3.机器学习

谷歌CEO桑德尔·皮蔡在一封致股东信中，把机器学习誉为人工智能和计算的真正未来，可想而知机器学习在人工智能研究领域的重要地位。机器学习的方式包括：有监督学习、无监督学习、半监督学习和强化学习。其中的算法有：回归算法（最小二乘法、LR等），基于实例的算法（KNN、LVQ等），正则化方法（LASSO等），决策树算法（CART、C4.5、RF等），贝叶斯方法（朴素贝叶斯、BBN等），基于核的算法（SVM、LDA等），聚类算法（K-Means、DBSCAN、EM等），关联规则（Apriori、FP-Grouth），遗传算法，人工神经网络（PNN、BP等），深度学习（RBN、DBN、CNN、DNN、LSTM、GAN等），降维方法（PCA、PLS等），集成方法（Boosting、Bagging、AdaBoost、RF、GBDT等）。想要深入学习的同学请参考《机器学习知识表格》和《机器学习方法汇总》。
深度学习是机器学习中人工神经网络算法的延伸和发展，近期深度学习的研究非常火热。

4. 自然语言处理NLP

5.机器视觉

机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

6.机器人学和通用人工智能AGI

AGI即Artificial general intelligence的简写 ，计算机科学与技术专业用语，专指通用人工智能。为了与传统人工智能或主流人工智能的AI用词相区分，故此增加general。

五、人工智能落地的应用场景

 计算机视觉：车牌识别、人脸识别、无人车等
 语音工程：2010 年后，深度学习的广泛应用使语音识别的准确率大幅提升，像 Siri、Voice Search 和 Echo 等，可以实现不同语言间的 交流，从语音中说一段话，随之将其
翻译为另一种文字；再如智能助手，你可以对手机说一段话，它能帮助你完成一些任务。
 自然语言处理：问答系统、机器翻译、对话系统等。
 决策系统：决策系统的发展是随着棋类问题的解决而不断提升，从 80 年代西洋跳棋开始，到 90 年代的国际象棋对弈，再到AlphaGo，机器的胜利都标志了科技的进步。决策系统可以在自动化、量化投资等系统上广泛应用。
 大数据应用：分析客户的喜好进行个性推荐，精准营销；分析各个股票的行情，进行量化交易。