浅谈人工智能(`AI`)基础知识

人工智能(AI)-基础知识

1. 什么是人工智能

1.1 人工智能基础定义

人工智能（英语：artificial intelligence，缩写为AI）亦称智械、机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。该词也指出研究这样的智能系统是否能够实现，以及如何实现。同时，通过医学、神经科学、机器人学及统计学等的进步，常态预测则认为人类的很多职业也逐渐被其取代。

人工智能于一般教材中的定义领域是“智能主体（intelligent agent）的研究与设计”，智能主体指一个可以观察周遭环境并作出行动以达致目标的系统。约翰·麦卡锡于1955年的定义是“制造智能机器的科学与工程”。安德烈亚斯·卡普兰（Andreas Kaplan）和迈克尔·海恩莱因（Michael Haenlein）将人工智能定义为“系统正确解释外部数据，从这些数据中学习，并利用这些知识通过灵活适应实现特定目标和任务的能力”。人工智能可以定义为模仿人类与人类思维相关的认知功能的机器或计算机，如学习和解决问题。人工智能是计算机科学的一个分支，它感知其环境并采取行动，最大限度地提高其成功机会。此外，人工智能能够从过去的经验中学习，做出合理的决策，并快速回应。因此，人工智能研究人员的科学目标是通过构建具有象征意义的推理或推理的计算机程序来理解智能。人工智能的四个主要组成部分是：

专家系统：作为专家处理正在审查的情况，并产生预期或预期的绩效。
启发式问题解决：包括评估小范围的解决方案，并可能涉及一些猜测，以找到接近最佳的解决方案。
自然语言处理：在自然语言中实现人机之间的交流。
计算机视觉：自动生成识别形状和功能的能力 。
人工智能的研究是高度技术性和专业的，各分支领域都是深入且各不相通的，因而涉及范围极广。人工智能的研究可以分为几个技术问题。其分支领域主要集中在解决具体问题，其中之一是，如何使用各种不同的工具完成特定的应用程序。

AI的核心问题包括建构能够跟人类似甚至超卓的推理、知识、计划、学习、交流、感知、移动 、移物、使用工具和操控机械的能力等。通用人工智能（GAI）目前仍然是该领域的长远目标。目前弱人工智能已经有初步成果，甚至在一些影像识别、语言分析、棋类游戏等等单方面的能力达到了超越人类的水平，而且人工智能的通用性代表着，能解决上述的问题的是一样的AI程序，无须重新开发算法就可以直接使用现有的AI完成任务，与人类的处理能力相同，但达到具备思考能力的统合强人工智能还需要时间研究，比较流行的方法包括统计方法，计算智能和传统意义的AI。目前有大量的工具应用了人工智能，其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学，以及基于概率论和经济学的算法等等也在逐步探索当中。

1.2 人工智能基本概述

人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”即由人设计，为人创造、制造。

关于什么是“智能”，较有争议性。这涉及到其它诸如意识、自我、心灵，包括无意识的精神等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能必要元素的了解也很有限，所以就很难定义什么是“人工”制造的“智能”。因此人工智能的研究往往涉及对人智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。

人工智能目前在电脑领域内，得到了愈加广泛的发挥。并在机器人、经济政治决策、控制系统、仿真系统中得到应用。

1.3 人工智能基本组成

机器学习,机械

• 机械学习:自主学习机内解决问题的能力

• 人工智能:机器人去模仿人类去工作学习,帮助人去解决生活中玉带的问题

本质又是什么呢?

人工智能本质上而言,是机器人的思维和行为对人的模拟,让它去像人一样去思考或者是行动

其中的三要素又是什么?

1. 输入

2. 处理

3. 输出

总结如下: 根据输入的信息进行模型结构,权重更新,实现最终优化和优化升级

我们可以得到AI特点如下:

• 信息处理
• 自我学习
• 优化升级

1.4 人工智能研究课题

目前人工智能的研究方向已经被分成几个子领域，研究人员希望一个人工智能系统应该具有某些特定能力，以下将这些能力列出并说明。

1.4.1 演绎、推理和解决问题(利用AI解放你的大脑和双手)

早期的人工智能研究人员直接模仿人类进行逐步的推理，就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。到了1980和1990年代，利用概率和经济学上的概念，人工智能研究还发展了非常成功的方法处理不确定或不完整的资讯。

对于困难的问题，有可能需要大量的运算资源，也就是发生了“可能组合爆增”：当问题超过一定的规模时，电脑会需要天文数量级的存储器或是运算时间。寻找更有效的算法是优先的人工智能研究项目。

人类解决问题的模式通常是用最快捷、直观的判断，而不是有意识的、一步一步的推导，早期人工智能研究通常使用逐步推导的方式。人工智能研究已经于这种“次表征性的”解决问题方法获取进展：实体化Agent研究强调感知运动的重要性。神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。

1.4.2 知识表示法(利用AI构建你的第二大脑)

主条目：知识表示和常识知识库

知识表示是人工智能领域的核心研究问题之一，它的目标是让机器存储相应的知识，并且能够按照某种规则推理演绎得到新的知识。有许多需要解决的问题需要大量的对世界的知识,这些知识包括事先存储的先验知识和通过智能推理得到的知识。事先存储的先验知识指：人类通过某种方式告诉给机器的知识。通过智能推理得到的知识指：结合先验知识和某种特定的推理规则（逻辑推理）得到的知识。首先，先验知识可以指描述目标，特征，种类及对象之间的关系的知识， 也可以描述事件，时间，状态，原因和结果， 以及任何知识你想要机器存储的。比如：今天没有太阳，没有太阳就是阴天。那么以命题逻辑语言，这些知识可以被表示为：今天–>没有太阳， 没有太阳–>阴天。这些知识是先验知识，那么通过推理可以得到新知识：今天–>阴天。由此例子可以看出，先验知识的正确性非常重要，这个例子中没有太阳就是阴天，这个命题是不严谨的、比较笼统的，因为没有太阳可能是下雨，也可能下雪。另外如果人工智能能看出太阳，除了该如何判断的这件问题，在这个前提之下，应该也能判断出阴天与晴天的差异。逻辑命题表示在知识表示中非常重要，逻辑推理规则是目前主要推理规则。可以在机器中用逻辑符号定义每一个逻辑命题，然后再让机器存储相应的逻辑推理规则，那么自然而然机器便可进行推理。目前知识表达有许多困境尚无法解决，比如：创建一个完备的知识库几乎不可能，所以知识库的资源受到限制；先验知识的正确性需要进行检验，而且先验知识有时候不一定是只有对或者错两种选择。

1.4.3 规划(利用AI对一些未知量进行预测)

智能Agent必须能够制定目标和实现这些目标。他们需要一种方法来创建一个可预测的世界模型（将整个世界状态用数学模型表现出来，并能预测它们的行为将如何改变这个世界），这样就可以选择功效最大的行为。在传统的规划问题中，智能Agent被假定它是世界中唯一具有影响力的，所以它要做出什么行为是已经确定的。但是，如果事实并非如此，它必须定期检查世界模型的状态是否和自己的预测相符合。如果不符合，它必须改变它的计划。因此智能代理必须具有在不确定结果的状态下推理的能力。在多Agent中，多个Agent规划以合作和竞争的方式去完成一定的目标，使用演化算法和群体智能可以达成一个整体的[突现行为)目标

1.4.4 学习(利用AI降低理论上的误差)

机器学习的主要目的是为了让机器从用户和输入数据等处获得知识，从而让机器自动地去判断和输出相应的结果。这一方法可以帮助解决更多问题、减少错误，提高解决问题的效率。对于人工智能来说，机器学习从一开始就很重要。1956年，在最初的达特茅斯夏季会议上，雷蒙德·索洛莫诺夫写了一篇关于不监视的概率性机器学习：一个归纳推理的机器。

机器学习的方法各种各样，主要分为监督学习和非监督学习两大类。监督学习指事先给定机器一些训练样本并且告诉样本的类别，然后根据这些样本的类别进行训练，提取出这些样本的共同属性或者训练一个分类器，等新来一个样本，则通过训练得到的共同属性或者分类器进行判断该样本的类别。监督学习根据输出结果的离散性和连续性，分为分类和回归两类。非监督学习是不给定训练样本，直接给定一些样本和一些规则，让机器自动根据一些规则进行分类。无论哪种学习方法都会进行误差分析，从而知道所提的方法在理论上是否误差有上限。

1.4.5 自然语言处理(利用AI听懂不同人的语言)

自然语言处理探讨如何处理及运用自然语言，自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

1.4.6 符号学习(基于逻辑和规律的学习方法,对数据进行假设和有限的合理性原则)

符号学习理论是20世纪20年代美国心理学家托尔曼提出的一种早期认知主义学习理论、即认为学习是对情境所形成的完整认知地图中符号与符号之间关系的认知过程。他根据一系列动物实验的结果，证明动物在迷津中行为是受一定目的指导的。动物并非像强化论主张者所预期的那样．按一系列尝试错误的行动，以达到目标；而是根据对迷津中的颜色、声音、气味，以至通道的长度、宽度和转角位量等特点的“认知”，把这些特点作为力求达到目的的“符号”，并表现出有所期待的状态，在头脑中形成一个完整的“符号—完形—期待”。故托尔曼认为，学习者所学的东西并不是简单的机械的运动反应，而是学习达到目的的符号及其意义。

托尔曼的符号学习理论,学习者是在遵循着指向目标的一些符号，是在弄清他的通路，是在遵循着一种地图，即他不是在那里学会动作，而是在学会意义。期待奖赏、位置学习、潜在学习三 种情境有力支持这一学说。此理论前后使用过多种名称, 如目的性行为主义 (purposive behaviorism)，符号－格式塔说 (sign-Gestalt theory)，符号－意指说 (sign-significate theory )或期待说 (expectancy theory)。现用符号学习这一术语，既可使名称简短，又强调了该学说中的认知性，便于在某些方面同E.L.桑代克、E.R.格斯里、B.F.斯金纳和C.L.赫尔的刺激－反应说区分开

总结

符号学习是基于逻辑和规律的学习方法,其原理主要为物理符号系统(机符号操作系统)假设和有限合理性的原则.

专家系统:

• 根据既定的逻辑和规律告诉机械它接下来要做什么

• 遵循 if---then原则

与机器学习的区别:

不能根据新的场景动态的优化知识(动态升级模型)

1.4.7 机器学习(利用AI从数据中去寻找规律,建立关系)

机器学习是人工智能 (AI) 和计算机科学的分支，专注于使用数据和算法来模仿人类学习的方式，逐渐提高其准确性。

IBM 拥有丰富的机器学习历史。 业界广泛认为，Arthur Samuel 在有关跳棋的研究(PDF, 481 KB)（链接位于 IBM 之外）中创造了“机器学习”这个词。 自称跳棋大师的 Robert Nealey 于 1962 年与 IBM 7094 计算机对弈，结果输给了计算机。 与机器学习今天的成就相比，这看似微不足道，但它被认为是人工智能领域的一个重大里程碑。 在接下来的几十年里，存储和处理能力方面的技术突飞猛进，出现了我们现在所知道并喜爱的一系列创新产品，如 Netflix 的推荐引擎或自动驾驶汽车。

机器学习是不断成长的数据科学领域的重要组成部分。 通过使用统计方法，对算法进行训练，以进行分类或预测，揭示数据挖掘项目中的关键洞察。 然后，这些洞察可推动应用和业务中的决策，有效影响关键增长指标。 随着大数据的持续扩大和增长，数据科学家的市场需求也水涨船高，要求他们协助确定最相关的业务问题，并随后提供数据以获得答案。

总结

从数据中去寻找规律,建立关系,根据建立的关系去解决问题的方法

• 从数据中学习并且实现自我的优化和升级

机器学习 vs. 深度学习 vs. 神经网络

由于深度学习和机器学习这两个术语往往可互换使用，因此必须注两者之间的细微差别。 机器学习、深度学习和神经网络都是人工智能的子领域。 但是，深度学习实际上是机器学习的一个子领域，而神经网络则是深度学习的一个子领域。

深度学习和机器学习的不同之处在于每个算法如何学习。

深度学习可以自动执行过程中的大部分特征提取，消除某些必需的人工干预，并能够使用更大的数据集。 可将深度学习视为“可扩展的机器学习”，就如 Lex Fridman 在这个 MIT 讲座 (00:30) 中 (链接位于 IBM 外部）所述的那样。 常规的机器学习，或叫做“非深度”机器学习，更依赖于人工干预进行学习。 人类专家确定一组特征，以了解数据输入之间的差异，通常需要更为结构化的数据以进行学习。

“深度”机器学习则可以利用标签化的数据集，也称为监督式学习，以确定算法，但不一定必须使用标签化的数据集。 它可以原始格式（例如文本、图像）采集非结构化数据，并且可以自动确定区分不同类别数据的特征集。 与机器学习不同，它不需要人工干预数据的处理，使我们能够以更有趣的方式扩展机器学习。 深度学习和神经网络目前的成就，主要归功于计算机视觉、自然语言处理和语音识别等领域的突飞猛进。

神经网络也称为人工神经网络 (ANN)，由节点层组成，包含一个输入层、一个或多个隐藏层和一个输出层。 每个节点也称为一个人工神经元，它们连接到另一个节点，具有相关的权重和阈值。 如果任何单个节点的输出高于指定的阈值，那么该节点将被激活，并将数据发送到网络的下一层。 否则，不会将数据传递到网络的下一层。 深度学习中的“深度”指的只是神经网络中层的深度。 由三层以上组成的神经网络（包含输入和输出）可视为深度学习算法或深度神经网络。 只有两层或三层的神经网络只是基本神经网络。

对于机器学习和深度学习的关系总结:

• 机器学习是实现人工智能的方法

• 深度学习是一种实现机器学习的技术

• 机器学习的本质是通过算法来解析数据,从中进行学习,然后对真实的世界中的事件做出预测和决策,比如邮件的检测,房价的预测,而深度学习是利用机械去模仿人类的神经网络,建立模型,进行数据分析,比如,人脸识别,语义理解,无人驾驶等

1.4.8 其他

1. 运动和控制

2. 知觉

3. 社交

4. 创造力

5. 伦理管理

6. 经济冲击

1.5 强人工智能和弱人工智能

人工智能的一个比较流行的定义，也是该领域较早的定义，是由当时麻省理工学院的约翰·麦卡锡在1956年的达特矛斯会议上提出的：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能。总体来讲，目前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。

1.5.1 强人工智能(自主意识[人们希望又恐惧])

强人工智能观点认为“有可能”制造出“真正”能推理和解决问题的智能机器，并且，这样的机器将被认为是具有知觉、有自我意识的。强人工智能可以有两类：

• 人类的人工智能，即机器的思考和推理就像人的思维一样。
• 非人类的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。

杂谈::AI的崛起有些人是很恐惧的,我的观点就一句

人类最深远的恐惧，莫过于对未知的恐惧

1.5.2 弱人工智能(无自主意识[当今阶段])

弱人工智能观点认为“不可能”制造出能“真正”地推理和解决问题的智能机器，这些机器只不过“看起来”像是智能的，但是并不真正拥有智能，也不会有自主意识。

弱人工智能是对比强人工智能才出现的，因为人工智能的研究一度处于停滞不前的状态下，直到人工神經网络有了强大的运算能力加以模拟后，才开始改变并大幅超前。但人工智能研究者不一定同意弱人工智能，也不一定在乎或者了解强人工智能和弱人工智能的内容与差别，对定义争论不休。

就当下的人工智能研究领域来看，研究者已大量造出“看起来”像是智能的机器，获取相当丰硕的理论上和实质上的成果，如2009年康乃尔大学教授Hod Lipson 和其博士研究生Michael Schmidt 研发出的 Eureqa计算机程序，只要给予一些资料，这计算机程序自己只用几十个小时计算就推论出牛顿花费多年研究才发现的牛顿力学公式，等于只用几十个小时就自己重新发现牛顿力学公式，这计算机程序也能用来研究很多其他领域的科学问题上。这些所谓的弱人工智能在神经网络发展下已经有巨大进步，但对于要如何集成成强人工智能，现在还没有明确定论。

1.6 AI的发展前景

1.6.1 趋势一：人工智能与物联网结合，给人们生活带来更多方便

机器学习+符号学习

人工智能的本质让使计算机模拟人的意识、思维的信息过程。简单的说，就是能够做出和人类智能相似反应的智能机器，这个领域还包括机器人、语言识别、图像识别、自然语言处理和专家系统等。总体而言，它是为了让人们的生活更加方便而服务的。比如智能家居，智能厨房，将厨房的所有电器连在一起，通过一块电子屏幕就可以操作各种家电，给厨房的使用带来了便利。比如停车场无感支付，智能识别车牌号，将支付软件和车牌绑定，实现停车场的通行顺畅，节约了车主大量的时间成本。相信在未来人工智能会应用到更多场景里，给人们带来更多便利。

1.6.2 趋势二：自主学习成为人工智能的终极目标

目前，大家听的最多的可能是早某一领域人工智能通过深度学习之后，会逼近人类专家顾问的水平，这个学习的过程也是大数据的获取、积累和输入。其实，让AI“大脑”变聪明是一个分阶段进行的过程，第一阶段是机器学习，第二阶段是深度学习，第三阶段是自主学习。只有达到自主学习的阶段才会更加贴近人类智能的水平。

1.6.3 趋势三：人工智能将对劳动力产生冲击，影响就业

事实上，人工智能抢走劳动者饭碗的事件已经在全球上演，阿里的无人超市已经实现自动收银，随着此类智能收费的推广，消费者可以自己缴费，超市、商场、停车场、小区、高速公路收费站的收银员将逐渐被替代。马云在一次大数据峰会上说过：“如果我们继续以前的教学方法，我可以保证，三十年后我们的孩子们将找不到工作。”阿里巴巴在电商领域的对手，京东集团董事局主席刘强东也曾表示：“五年后，给你送货的都将是机器人。”

这样清醒的认知让每个人都感受到压力，但事实上，人工智能对就业的积极影响超过负面冲击，简易工作被取代之后，相继而来的是大量劳动力的释放，人类技能的升级才是重点，人才也会被分配到合理的岗位。

也许对于人工智能的发展人们还是会有担忧，无法判断人工智能是充满灾难的潘多拉魔盒还是帮助人类发展的高速列车，但人工智能的探索是永无止境的，它终将改变世界，相信未来可期。

2. 相关文档

• 维基百科-人工智能
• 托尔曼的符号学习理论_百度百科 (baidu.com)
• 人类最深远的恐惧，莫过于对未知的恐惧 - 知乎 (zhihu.com)
• 机器学习 vs. 深度学习 vs. 神经网络
• 什么是机器学习？ - 中国 | IBM
• 人工智能未来的发展前景 - 知乎 (zhihu.com)
• 本文视频地址:(浙大人工智能完整版) 哔哩哔哩_bilibili)

u.com)](https://zhuanlan.zhihu.com/p/52685088)

• 本文视频地址:(浙大人工智能完整版) 哔哩哔哩_bilibili)