1、人工智能 Artificial Intelligence,课程介绍,课程主要内容 课程目的与要求 考试 教材及参考书 国内外相关会议和杂志,课程主要内容,第一部分：人工智能概述 人工智能的诞生、什么是人工智能、人工智能进展 第二部分：搜索策略 启发式图搜索过程、搜索算法讨论、博弈树的搜索、 CSPs等 第三部分：机器学习 监督学习、决策树、非监督学习、reinforcement learning、非参数判别分类方法描述量选择及特征的组合优化等,课程主要内容,第四部分：不确定性推理方法 概率模型 贝叶斯决策理论、贝叶斯推理等 第五部分：计算机视觉初步 计算机视觉相关的特征提取、模式识别等 第六部
2、分：自然语言处理等 第七部分：知识表示,课程目的与要求,掌握人工智能的基本概念、原理和方法 初步运用所学知识解决实际问题 为人工智能机器学习及相关领域的研究打下基础 机器学习 计算机视觉 自然语言处理 ,课程目的与要求,通过该课程的学习，使得学生了解基本的人工智能问题的求解方法和原理 例如使学生能应用模式识别处理计算机自动识别事物，机器学习数据分析中有关的技术问题。 由于本课程的目标是侧重在人工智能的应用，如模式识别技术，因此在学习内容上侧重基本概念的讲解，辅以必要的数学推导，使学生能掌握人工智能技术中最基本的概念，以及最基本的处理问题方法。 学生在学习过程中还会用到一些概率论的最基本知识，线
3、性代数中的部分知识，对学生在数学课中学到知识的进一步理解与巩固起到温故而知新的作用。,课程主要目标,1、通过本课程的学习，应具有的能力： 各专业方向的同学可在此基础上进一步应用人工智能于本专业方向的学习和研究： 如服务科学与工程系的同学能更好的应用人工智能于数据挖掘课程学习，设计智能化应用开发应用平台；信息安全系的应用如人工智能于信息安全方向的网络攻击的防范和计算机取证嵌入式系的嵌入式多媒体方向的智能化视觉监控系统；智能化通信系统；管理与金融方向的人工智能在ERP的应用；人工智能应用于信用管理与评分模型中；人工智能在金融风险管理的应用；以及人工智能研究的重要分支：自然语言处理方向。,考试与考核
4、,1、平时成绩（包括作业成绩或实验成绩） 30%； 2、 Project成绩 70%；,教材,主教材： S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, Second Edition, Prentice Hall 2003, ISBN: 0-13-790395-2. 参考书： George F.Luger著，史忠植 张银奎 等译，人工智能：复杂问题求解的结构和策略，机械工业出版社,主要参考教材, AIMA Stuart Russell / Peter Norvig: Artificial Intellig
5、ence A Modern Approach (2rd Edition 2003) /,AIMA作者,Stuart Russell Professor at UC Berkeley Dr. from Stanford Univ. in 1986,Peter Norvig Director of Research, Google Dr. from UC Berkeley in 1985,About AIMA,http:/aima.cs.berkeley.edu/ The leading textbook in Artificial Intelligence. The 85th most cite
6、d publication on Citeseer. Artificial Intelligence: A Modern Approach has been adopted for use in a lot of courses; here we list 1331 courses in 1057 schools in 93 countries or regions, including 851 online courses. (over 90% market share).,About AIMA,Translations for 2nd edition,Hungarian,AIMA特色,内容
7、全面：涵盖绝大多数AI研究分支，包括概论、问题求解(搜索)、知识与推理(逻辑与知识表示)、规划(一般教材没有此部分)、不确定知识与推理(包括决策)、学习、通讯/感知与行动等7大部分 内容新颖实用(最新文献引自本书出版当年)，与时俱进 各部分内容相互联系 “参考文献与历史的注释”为相关研究提供了经典文献和最新进展，为进一步研究提供指南 不足：部分内容讲解简略、不易理解,教员介绍,主 讲:于小亿 研究方向: 图像处理 模式识别计算机图形学,简 历,2005. 7 在中科院自动化所获博士学位 2005. 8-2006.8 东京大学博士后研究 2006. 9-2009.1大阪大学，特任研究员 2009
8、. 2-至今，北京大学软件与微电子学院,第一章 人工智能概述,What is Artificial Intelligence?,A.I. is the study of how to make computers do things at which, at the moment, people are better.,Or, Stepping Back Even Farther, Can We Build Artificial People?,Historical attempts The modern quest for robots and intelligent agents,Hist
9、orical Attempts - Talos,(by 850 BC, when described in the Iliad) Talos, a strong man, created by the god of smiths, Hephaestus, whose job was to protect Crete by casting stones at passing ships, thus warding off pirates.,中国想像,孙悟空拔根汗毛，千万猴兵 撒豆成兵,Historical Attempts Frankenstein 自我毁灭者,Frankenstein crea
10、tes the fiend - illustration by Bernie Wrightson ( 1977),The original story, published by Mary Shelley, in 1818, describes the attempt of a true scientist, Victor Frankenstein, to create life.,http:/members.aon.at/frankenstein/frankenstein-novel.htm,Historical Attempts The Turk,http:/,Historical Att
11、empts - Euphonia,Joseph Fabers Amazing Talking Machine (1830-40s). The Euphonia and other early talking devices are described in detail in a paper by David Lindsay called “Talking Head“, Invention & Technology, Summer 1997, 57-63.,From http:/www.haskins.yale.edu/haskins/HEADS/SIMULACRA/euphonia.html
12、,A German immigrant named Joseph Faber spent seventeen years perfecting the Euphonia, only to find when he was finished that few people cared.“,Modern Robot,The Roots of Modern Technology,5thc B.C. Aristotelian logic invented 1642 Pascal built an adding machine1694 Leibnitz reckoning machine,The Roo
13、ts, continued,1834 Charles BabbagesAnalytical Engine,Ada writes of the engine, “The Analytical Engine has no pretensions whatever to originate anything. It can do whatever we know how to order it to perform.”,The picture is of a model built in the late 1800s by Babbages son from Babbages drawings.,T
14、he Advent of the Computer,1945 ENIAC The first electronic digital computer,1949 EDVAC,The first stored program computer,1.1 关于人工智能的定义 1.2 人工智能的基础 1.3 人工智能简史 1.4 课程内容简介 小结 参考书目 附录 和人工智能相关的社会伦理问题,本章内容,1.1 关于人工智能的定义 智能体 对AI的4种不同定义 类人行动/类人思考/理性思维/理性行动,作为智能体的人类,智能体(Agent) 人类是一种智能体 我们，作为一个智能体，为什么能够思考? 大脑这
15、么一小堆东西怎么能够感知、理解、预测和应对一个远比自身庞大和复杂的世界？理解人类，理解智能体 人工智能(AI)走得更远：不仅试图理解智能体，而且要建造智能体制造出像人类一样完成某些智能任务的系统(软件),AI是新兴学科，也是激动人心的学科. Russell声称：不同于物理学，这里还有出现几个爱因斯坦的余地 为什么？研究主观世界的成果远少于研究客观世界的成果,处于探索初期的学科,对AI的4种不同定义,不同定义类人行为(1),类人行为：图灵测试(1950) 图灵建议：不是问“机器能否思考”，而是问“机器能否通过关于行为的智能测试”,不同定义类人行为(2),测试过程：让一个程序与一个人进行5分钟对话
16、 / 然后人猜测交谈对象是程序还是人？如果在30%测试中程序成功地欺骗了询问人，则通过了测试 图灵期待最迟2000年出现这样的程序，但是到目前为止，面对训练有素的鉴定人，没有一个程序接近30%的标准,Acting humanly: The Turing Test approach,natural language processing knowledge representation automated reasoning machine learning computer vision robotics These six disciplines compose most of Al, an
17、d Turing deserves credit for designing a test that remains relevant 60 years later.,不同定义类人行为(3),要想程序通过图灵测试，还需要做大量工作，这些技能包括： 自然语言处理, 使机器可以用人类语言交流 知识表示, 存储机器获得的各种信息 自动推理, 运用知识来回答问题和提取新结论 机器学习, 适应新环境并检测和推断新模式 以及(为了完全图灵测试) 计算机视觉, 机器感知物体 机器人技术, 操纵和移动物体,不同定义类人行为(4),AI研究者并未花费很多精力来尝试通过测试, 因为研究智能的根本原则远比复制样本重
18、要. 如同空气动力学与模拟鸟类飞行之对于飞机的产生,不同定义类人思考,类人思考: 认知模型方法 如何得知人类是如何思考的? 通过自省捕捉人类思维过程和通过心理测试 这种方法不满足于让程序正确地解决问题, 更加关心对程序的推理步骤轨迹与人类个体求解同样问题的步骤轨迹进行比较 认知科学: 把来自AI的计算模型与来自心理学的实验技术相结合, 试图创立一种精确而且可检验的人类思维工作方式的理论 通常, 我们只关心程序实现了什么功能, 而不会比较AI技术和人类认知之间的异同,不同定义理性思考,理性地思考: “思维法则”方法 19世纪, 逻辑学家就发展出可以描述世界上一切事物及其彼此关系的精确的命题符号
19、1965年, 原则上, 已经有程序可以求解任何用逻辑符号描述的可解问题(消解法) AI领域传统的逻辑主义希望通过编制上述程序来创造智能系统 难点: 非形式化的知识难以用逻辑符号形式化 / “原则上”可以解决问题和实际解决问题二者之间存在巨大差异,不同定义理性行动(1),理性地行动: 理性智能体方法 计算机智能体应该有别于“简单的”程序: 具有诸如自主控制操作、感知环境、适应变化等 理性智能体：要通过自己的行动获得最佳结果，或者在不确定的情况下，获得最佳期望结果 不仅要正确地推理，还要正确地行动 / 正确推论是理性智能体的部分功能，而不是理性的全部内容 图灵测试中需要的技能都是为了作出理性行为,
20、不同定义理性行动(2),把AI研究视为理性智能体的设计过程 好处： 普遍性：比“思维法则”法则方法(理性地思维)更广 / 比建立在人类行为或者思维基础(类人方法)上的方法更形式化, 因为相比具有清楚的定义或标准 正确的结果在不同条件下可以定义清楚 完美理性总能做正确的事情 vs. 有限理性 在没有足够计算时间的前提下采取正确的行动 完美理性在复杂环境下是不可行的,AI概念理解是一个过程,上述定义见仁见智 重要的是学习AI方法、应用AI方法，在实践中逐步深入领会AI这个词的含义 目前，AI就是一种运行在我们自己机器中的程序，它的智能都是我们给的！,各学科的贡献： 哲学/数学 经济学/神经科学/心
21、理学 计算机工程 控制论/语言学,1.2 人工智能的基础,1.1 关于人工智能的定义 1.2 人工智能的基础 1.3 人工智能简史 1.4 课程内容简介 小结 参考书目 附录 和人工智能相关的社会伦理问题,本章内容,对人工智能有贡献的学科,哪些学科、哪些思想和哪些人物给予AI以贡献? 哲学(BC428现在) 数学(800现在) 经济学(1776现在) 神经科学(1861现在) 心理学(1879现在) 计算机工程(1940现在) 控制论(1948现在) 语言学(1957现在),哲学的贡献(1),哲学(BC428现在)贡献的思想: 问题1：形式化规则能用来抽取合理的结论吗? 问题2：精神的意识是如
22、何从物质的大脑产生出来的? 问题3：知识是从哪里来的? 问题4：知识是如何导致行动的?,哲学的贡献(2),问题1：形式化规则能用来抽取合理的结论吗?（哲学家及其贡献） 亚里士多德(Aristotle, BC384BC322), 为形式逻辑奠定了基础 / 第一个把支配意识的理性部分法则形式化为精确的法则集合 / 著名的三段论 Ramon Lull / Leonardo da Vinci(达芬奇) / Blaise Pascal(帕斯卡) / Gottfried Wilhelm Leibnitz(莱布尼兹)等人均设计或制造了能计算的机器,哲学的贡献(3),17世纪, 有人提出推理如同数字计算 /
23、帕斯卡写道: “算术机器产生的效果显然更接近于思维而不是动物的其他活动” 问题1结论: 肯定的结论, 即可以用一个规则集合描述意识的形式化、理性的部分,哲学的贡献(4),问题2：从物理系统的角度来考虑意识: 意识与物质的大脑之间的关系如何？ Ren Descartes(笛卡尔)给出了第一个关于意识和物质之间的区别以及由此产生的问题的清晰讨论 笛卡尔是二元论的支持者：坚持意识(或称为灵魂/精神)的一部分是超脱于自然之外的, 不受物理定律影响. 而动物不拥有这种二元属性, 它们可以被作为机器对待,哲学的贡献(5),唯物主义认为: 大脑依照物理定律运转而构成了意识, 自由意志也就简化为对出现在选择过
24、程中可能选择的感受方式 问题2结论: 存在两种选择二元论和一元论,哲学的贡献(6),问题3：知识是从哪里来的? 关于知识的来源: Francis Bacon(培根)新工具论开始了经验主义运动 John Locke(洛克)指出：“无物非先感而后知” David Hume(休谟)提出归纳原理：一般规则是通过揭示形成规则的元素之间的重复关联而获得的,哲学的贡献(7),基于Ludwig Wittgenstein, Bertrand Russell的工作，Rudolf Carnap领导维也纳学派发展了实证逻辑主义，坚持认为所有的知识都可以用最终和传感器输入相对应的观察语句相联系的逻辑理论来描述 问题3结
25、论: 知识来自于实践,哲学的贡献(8),问题4：知识是如何导致行动的? 关于意识的哲学图景的最后元素是知识与行动之间的联系 / 智能既要求推理也要求行动 This question is vital to Al because intelligence requires action as well as reasoning. 亚里士多德认为: 行动是通过目标与关于行动结果的知识之间的逻辑来判定的,哲学的贡献(9),他的进一步阐述指出: 要深思的不是结局而是手段 / 假设了结局并考虑如何以及通过什么手段得到该结局, 结局是否容易是否最好 / 手段在分析顺序中是最后一个, 在生成顺序中是第一个
26、这实际上就是回归规划系统, 2300年后由Newell和Simon在其GPS程序中实现了 问题4结论: 知识用于指导行动去达到目标,数学的贡献(1),数学(800现在)贡献的思想: 什么是抽取合理结论的形式化规则? 什么可以被计算? 如何用不确定的知识进行推理? AI成为一门规范科学要求在三个基础领域完成一定程度的数学形式化: 逻辑、计算、概率,数学的贡献(2),数学家及其贡献 问题1：如何抽取形式化规则？ George Boole(布尔, 18151864), 1847年完成了形式逻辑的数学化 / 命题逻辑或称布尔逻辑 Gottlob Frege(弗雷格, 18481925), 1879年扩
27、展了布尔逻辑, 使其包含对象和关系, 创建了一阶逻辑 Alfred Tarski(塔斯基)引入了一种参考理论, 可以把逻辑对象与现实世界对象联系起来,数学的贡献(3),问题1结论: 形式化规则=命题逻辑和一阶谓词逻辑 问题2：什么可以计算？ 可以被计算, 就是要找到一个算法 算法本身的研究可回溯至9世纪波斯数学家al-Khowarazmi 19世纪晚期, 把一般的数学推理形式化为逻辑演绎的努力已经展开,数学的贡献(6),由此激发了Allen Turing(图灵, 19121954)的热情, 他试图精确地刻画哪些函数是能够被计算的 / 实际上计算或者有效过程的概念是无法给出形式化定义的 / 但是
28、Church-Turing论题指出: 图灵机可以计算任何可计算的函数 / 该结论作为一个充分的定义而被接受 图灵说明了一些函数没有对应的图灵机 / 没有通用的图灵机可以判定一个给定的程序对于给定的输入能否返回答案或者永远运行下去,数学的贡献(7),在不可计算性以外, 不可操作性具有更重要的影响 / 如果解决一个问题需要的计算时间随着实例规模成指数级增长, 则该问题被称为不可操作的（计算复杂性问题） 多项式级和指数级增长的区别在20世纪60年代得到重视 如何认识不可操作问题? 以Steven Cook(1971)和Richard Carp为代表的NP-完全理论的研究提供了一种方法,数学的贡献(8
29、),Cook和Carp证明有大量各种类别的规范的组合搜索和推理问题属于NP-完全问题 任何NP-完全问题类可归约成的问题类很可能是不可操作的(目前尚未证明, 但大家猜测是如此) AI研究帮助解释了为什么NP-完全问题的一些实例很难, 而另外一些较容易 问题2结论: 有了可计算性和算法复杂性理论的指导,数学的贡献(9),数学对AI的第三个贡献是概率理论 Pierre Fermat, Pascal, James Bernoulli, Pierre Laplace等都推进了概率理论的发展及引入了新的统计方法论 Thomas Bayes(贝叶斯, 17491827)提出了根据证据更新概率的法则(贝叶斯
30、公式/条件概率公式) 由此衍生出的贝叶斯分析形成了AI系统中不确定推理方法的基础 问题3结论: 使用贝叶斯理论进行不确定推理,经济学的贡献(1),经济学(1776现在)贡献的思想: 如何决策以获得最大收益? 在他人不合作的情况下如何做到这点? 在收益遥遥无期的情况下如何做到这点? 问题1: 效用理论 问题2: 决策理论 问题3: 运筹学 上述研究工作对于建造理性智能体很有贡献, 其原因之一是制定理性决策的复杂性,经济学的贡献(2),Herbert Simon(西蒙, 19162001)是AI研究的先驱者 / 他于1978年获得诺贝尔经济学奖, 是因为他早年的工作: 基于满意度的模型制定“足够好
31、”的决策, 而不是艰苦计算获得最优化决策能更好地描述真实人类行为 关于在智能体系统中使用决策理论技术的研究兴趣正在复苏,神经科学的贡献(1),神经科学(1861现在)的贡献: 大脑是如何处理信息的? 神经科学是研究神经系统特别是大脑的科学 虽然几千年来人类一直赞同大脑以某种方式与思维相联系(因为证据表明头部受重击会导致精神缺陷), 但是直到18世纪中期人类才广泛地承认大脑是意识的居所,神经科学的贡献(2),Paul Proca(布鲁卡)通过研究大脑损伤病人的失语症, 阐明了语言产生定位于大脑左半球的一部分, 现在称为布鲁卡区 1873年Camillo Golgi开发出一项染色体技术, 允许人们
32、观察大脑的各个神经元 1929年Hans Berger发明脑电图记录仪 1990年核磁共振成像为神经科学家提供了关于大脑活动的细致图像, 使得以某种方式与正在进行的认知过程相符合的测量成为可能,神经科学的贡献(3),真正令人震惊的结论是: 简单细胞的集合能够导致思维、行动和意识，换句话说，大脑产生意识(西尔勒, 1992) 计算机和大脑如何相比? 大脑活动过程对计算机工作过程有所启发,计算机与大脑的比较,尽管计算机在原始的转换速度上快100万倍, 大脑最终在做事上比计算机快10万倍,How Much Compute Power is There?,From Hans Moravec, Robo
33、t Mere Machine to Transcendent Mind 1998.,沃森和人类比赛答题,回溯AI发展历程 探究语言、情感理解方式 http:/ 不但成绩骄人，而且极富磁性的语音也倾倒众生。机器越来越像人了，我们可能正处于一个“人工智能的史前时代” 许锋雄 “深想”(Deep Thought)计划 1989年， “深蓝” 语言 机器时常胜过人 1、开刀的是他；2、反对的是他；3、迟到的是他；4、喜欢的是他 情感 机器理解很困难 AI种族的史前朝代?,心理学的贡献(1),心理学(1879现在)的贡献: 人类和动物如何思考和行动? 心理学家的工作 科学的心理学源自德国物理学家Herm
34、an von Helmholtz(霍尔姆霍兹, 18211894)和其学生Wilhelm Wundt的研究工作, 1879年莱比锡大学开设了第一个实验心理学的实验室, 进行仔细控制的实验,心理学的贡献(2),John Watson领导的行为主义运动认为: 内省不能提供可靠的证据, 拒绝任何涉及精神过程的理论, 只研究动物的感知及其反应 行为主义在19201960年期间一直控制着心理学 认知心理学的主要特征是: 把大脑当作信息处理装置, 可以回溯至William James的研究工作 Frederic Bartlett领导的剑桥大学应用心理学小组使得认知模型得以繁荣,心理学的贡献(3),在美国,
35、 计算机科学的发展导致了认知科学的创建, 始于1956年9月MIT的一个研讨会(就在AI创始的那次学术会议2个月之后), 会上有三篇著名论文 George Miller介绍了魔法数字7(The Magic Number Seven) / Noam Chomsky(乔姆斯基)介绍了语言的三种模型(Three Models of Language) / Allen Newell(纽厄尔)和Herbert Simon介绍了逻辑理论机(The Logic Theory Machine),心理学的贡献(4),这三篇论文分别显示了计算机模型可以用来表达记忆、语言和逻辑思维的心理状态 心理学家普遍认为：“认
36、知理论就应该像计算机程序”(Anderson, 1980), 即认知理论应该描述详细的信息处理机制, 由此可能实现某种认知功能 结论: 人类思考和活动应该是一个信息处理过程,计算机工程的贡献(1),计算机工程(1940现在)的贡献: 如何才能制造出能干的计算机? 计算机被视为智能和人工制品的结合 最早的可计算的装置应该从17世纪算起 19世纪中叶, Charles Babbage(巴贝奇, 17921871)设计了两台机器, 名为“差分机”和“分析机”, 前者最终于1991年建造出来并在伦敦展出,计算机工程的贡献(2),最早的现代计算机几乎同时在二战期间分别在英国、德国和美国发明出来 1945
37、年在宾夕法尼亚大学(UPenn)开发出来的ENIAC被公认为现代计算机最有影响的先驱, 研制者包括John Mauchly和John Eckert 计算机硬件按照摩尔定律每18个月性能翻一番, 这样的增长速度还可以持续稳定10年至20年, 以后就不得不寻求新技术了,计算机工程的贡献(3),计算机软件技术为AI提供了操作系统、程序设计语言、工具软件等 AI反过来也对主流计算机科学产生了影响：分时技术、交互式编译器、窗口和鼠标的个人机、快速开发环境、链接表数据类型、自动存储管理、面向对象的编程等,控制论的贡献(1),控制论(1948现在)的贡献: 人工制品怎样才能在自己的控制下运转? 现代控制论
38、控制论的创始人Norbert Wiener(维纳, 1894 1964)的畅销书Cybernetics(控制论)唤醒了人们对人工制造智能机器的可能性的热情 现代控制论, 特别是随机优化控制的分支, 把设计出能随时间变化使目标函数最大化的系统作为其目的, 也粗略符合对AI的观点,控制论的贡献(2),AI和控制论为什么是两个不同领域? 控制论的数学工具是微积分和矩阵代数, 适合于用固定的连续变量集合描述的系统, 精确分析在典型情况下只对线性系统可行 AI自20世纪50年代建立以来, 部分起因是寻求摆脱控制论数学方法的局限性 逻辑推理和计算工具使得AI研究者考虑语言/视觉/规划等问题, 完全脱离了控
39、制论的范围,语言学的贡献(1),语言学(1957现在)贡献的思想: 语言和思维是怎样联系起来的? 乔姆斯基最先作出了贡献 1957年句法结构出版, 颠覆了行为主义, 认为该理论不能解释儿童怎么能理解和构造他们以前没有听到的句子, 而乔姆斯基关于语法模型的理论则能够解释这个现象, 并且足够形式化 / 乔姆斯基理论的影响一直持续到20世纪80年代末,语言学的贡献(2),计算语言学或者自然语言处理与AI差不多同时诞生, 一直在发展, 但是距离彻底理解语言和思维的关系尚很远 研究语言的理解过程是人类智能研究的核心之一,各学科的贡献,哲学逻辑/推理方法/智能作为一种物理系统/理性的基础 数学形式表示与证
40、明/算法/可计算性/可操作性/概率性 心理学自适应性/感知和控制的现象 语言学知识表示/语法 神经科学智能活动的物理基础(substrate) 控制理论自我平衡系统/稳定性/优化设计 计算机工程计算机硬件和软件系统 经济学复杂系统中的决策/验证环境,推动AI发展的动力,上述学科对于各种问题的探索, 由此激发的认识、思想、成就都成为推动AI发展的动力 由此而发展出来的技术就构成了AI的学科研究内容 人工智能=人造物(计算机)+智能(特殊化程序) 从智能体角度, 有2类智能体: 人类/计算机 作为人造智能体, 人们期待计算机智能体在解决某些问题方面要达到专家水平, 尽管从整体上它远远不及一个普通人
41、,1.3 人工智能简史 7个历史时期： 孕育期/诞生/早期的成功与期望 困难期/基于知识系统的崛起 AI成为工业/AI成为科学,人工智能发展的7个时期,按照Russell的观点, AI近五十年的发展历史可以分为以下7个时期: AI孕育期(19431955) AI的诞生(1956) 早期的热情, 巨大的期望(19521969) 现实的困难(19661973) 基于知识的系统: 力量的钥匙? (19691979) AI成为工业(1980现在) AI成为科学(1987现在) / 神经网络的回归 (1986现在) / 智能化智能体出现(1995现在),人工智能孕育期(19431955),神经网络 最早
42、的AI工作是1943年Warren McCulloch和Walter Pitts人工神经元模型的研究, 他们证明任何可计算的函数都可以通过某种由神经元连接成的网络进行计算, 还提出适当的网络能够学习 1951年, 普林斯顿大学数学系研究生Marvin Minsky(明斯基)和Dean Edmonds建造了第一台神经元网络计算机,图灵的论文,图灵1950年的论文第一个清晰地描绘出AI的完整图像(Computing Machinery and Intelligence) 提出了图灵测试、机器学习、遗传算法、增量学习,人工智能的诞生(1956)(1),1956年夏天, AI正式诞生于达特茅斯大学 J
43、ohn McCarthy(麦卡锡)自普林斯顿大学毕业以后去了达特茅斯大学, 他说服了另外2个人帮助召开了为期2个月的研讨会 会议组织者4人: 麦卡锡、Minsky(明斯基)、Claude Shannon(香侬)、IBM的Nathaniel Rochester(罗切斯特), 参加者共10人 其他6位是：普林斯顿大学Trenchard More、IBM的Arthur Samuel(塞缪尔)、MIT的Ray Solomonoff和Oliver Selfridge、CMU的纽厄尔和西蒙,人工智能的诞生(1956)(2),会上, 纽厄尔和西蒙最为活跃, 介绍了他们的推理程序: 逻辑理论家 尽管这次会议没
44、有新突破, 但聚集了AI的主要人物特别是AI领域的4位著名专家, 他们后来所在的大学也成为了美国AI研究的3大基地: MIT明斯基 Stanford麦卡锡(先在MIT后去了Stanford) CMU纽厄尔和西蒙 此外, 还有IBM,人工智能的诞生(1956)3,这次会议最为长久的贡献就是麦卡锡为该领域起的名字: 人工智能 为什么AI有必要成为一个新领域? 目标不同：AI从一开始就承载着复制人的才能如创造性、自我修养、语言功能等思想，没有任何一个其他领域涉及这些问题 方法论不同：是唯一一个明确属于计算机科学的分支，因而不是数学或者控制论或其他学科的分支 AI是唯一这样的领域：它试图建造在复杂和变
45、化的环境中自动发挥功能的机器,早期 (19521969)(1),热情, 巨大的期望 当时，主流的思想是“一台机器永远不能做X”(而不是考虑“看看计算机能不能做X？”) AI研究者们就演示一个接一个的X CMU: 纽厄尔和西蒙完成通用问题求解器(GPS), 该系统及其后续程序的成功导致了他们提出著名的物理符号系统假设,早期 (19521969)(2),IBM: 1959Herbert Gelernter建造了几何定理证明机; 1952年起, 塞缪尔写了一系列西洋跳棋程序, 通过学习可达业余高手的级别 MIT: 1958年麦卡锡到了以后作出了三项重要贡献 /贡献1: 定义了LISP语言 / 贡献2
46、: 与MIT其他人发明了分时技术 / 贡献3: 发表了题为Program with Common Sense的论文, 文中描述了“建议采纳者”程序. 该程序实现了知识表示和推理的中心原则: 具备明确的知识表示, 并能通过演绎过程处理这些表示,早期 (19521969)(3),Stanford: 1963年麦卡锡启动了斯坦福的AI实验室, 着重研究逻辑推理的通用方法(后来如Robinson发现归结方法) / 以及机器人研究 MIT: 1958年明斯基也到了, 不过他对程序如何实现更感兴趣, 并最终发展出反逻辑的观点 / 指导了一系列学生, 选择那些显然需要智能才能解决的受限问题 / 贡献: 微世
47、界模型 MIT: 最著名的微世界是积木世界, 在此基础上完成了许多研究工作如: 视觉项目、自然语言理解项目(Terry Winograd)、规划器等,现实的困难(19661973)(1),早期AI研究者过于盲目的乐观态度, 10年预见, 而实际上至少40年 早期的AI系统在试图解决更宽范围和更难的问题时, 都悲惨地失败了 / 原因何在? 第一类困难: 缺乏对要解决问题的理解(通用而非专门化) 典型例子: 机器翻译(MT) / 最早对AI研究的发难始于机器翻译(1966ALPAC报告) 时至今日, MT研究仍然不完善但是被广泛期待，也在作为一种辅助文档处理工具 the spirit is wil
48、ling but the flesh is weak The vodka is good but the meat is rotten,现实的困难(19661973)(2),第二类困难：AI试图解决的很多问题是不可操作的(NP类) 在计算复杂性理论建立之前, 对“问题放大”(从玩具到现实)的认识局限于速度和存储容量 例子: 包含超过几十条事实的定理证明 / 早期遗传算法实验(195859) 无限计算能力的幻觉: 程序原则上能够找到解并不意味着程序实际上包含找到解的机制 1973年英国政府在Lighthill报告之后终止了除2所大学以外所有的AI研究资助,现实的困难(19661973)(3),第
49、三类困难：用于产生智能行为的基本结构存在某些限制 例子：1969年Minsky和Papert证明了感知器简单的神经网络所能表示的东西很少(单层感知器对XOR函数) 神经网络研究由此沉寂了20年, 直到80年代后期多层网络的反向传播算法出现引起了神经网络的复兴 这一算法首次发现恰恰是在1969年发现的(Bryson & Ho),基于知识的系统: 力量的钥匙? (19691979)(1),早期研究中的通用搜索机制称为弱方法, 通用但不能扩展到大规模问题或困难问题 需要更强有力的、领域相关的知识 DENDRAL是第一个成功的知识密集型系统, 1969年在Stanford开发, 参与者包括Ed Feigenbaum等，根据质谱仪信息推断分子结构 / 该系统改进后, 把知识和推理部分清楚地划分开80年代专家系统的典型结构,基于知识的系统: 力量的钥匙? (19691979)(2),由DENDRAL系统开始的专家系统方法论又应用到其他需要人类专家知识的领域: MYCIN检测血液感染的专家系统 MYCIN知识库的特点: 直接来自经验 / 反映出知识的不确定性 自然语言理解领域的专家系统: 耶鲁大学Roger Schank和其学生们开发的一系列程序(19771983),
