人工智能原理第1章人工智能概述.ppt

《人工智能原理第1章人工智能概述.ppt》由会员分享，可在线阅读，更多相关《人工智能原理第1章人工智能概述.ppt（106页珍藏版）》请在三一文库上搜索。

1、人工智能原理 第1章 人工智能概述,本章内容 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 智能体与环境 1.5 智能体结构 小结 参考书目 附录 和人工智能相关的社会伦理问题,第1章 人工智能概述,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,第1章 人工智能概述,4,作为智能体的人类,智能体(Agent) 我们一直在思考：我们，作为一个智能体，为什么能够思考? 大脑这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？ 人工智能(AI)走得更远：它不仅试图理解智能体，而且想建造智能体

2、,第1章 人工智能概述,5,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,第1章 人工智能概述,处于探索初期的学科,6,对AI的4种不同定义,第1章 人工智能概述,7,对AI的4种不同定义,第1章 人工智能概述,像人一样行动的系统 类人行为 像人一样思考的系统 类人思考 理性地思考的系统 理性地行动的系统,8,4种不同定义的方法(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” 测试过程：让一个程序与一个人进行5分钟对话

3、/ 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,第1章 人工智能概述,9,4种不同定义的方法(2),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,第1章 人工智能概述,10,4种不同定义的方法

4、(3),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要. 如同空气动力学与模拟鸟类飞行之对于飞机的产生,第1章 人工智能概述,11,4种不同定义的方法(4),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,第1章

5、 人工智能概述,12,4种不同定义的方法(4),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 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,第1章 人工智能概述,13,4种不同定义的方法(5),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

6、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,第1章 人工智能概述,14,4种不同定义的方法(6),把AI研究视为理性智能体的设计过程 好处： 比“思维法则”法则方法(理性地思维)更通用 / 比建立在人类行为或者思维基础(类人方法)上的方法更经得起科学发展的检验, 因为理性的标准有着清楚且普遍的定义 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,

7、第1章 人工智能概述,15,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！,第1章 人工智能概述,1.2 人工智能的基础 各学科的贡献： 哲学/数学 经济学/神经科学/心理学 计算机工程 控制论/语言学,第1章 人工智能概述,17,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

8、在) 语言学(1957现在),第1章 人工智能概述,18,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?,第1章 人工智能概述,19,哲学的贡献(1),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

9、) / 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,第1章 人工智能概述,20,哲学的贡献(2),17世纪, 有人提出推理如同数字计算 / 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,第1章 人工智能概述,21,哲学的贡献(3),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

10、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,第1章 人工智能概述,22,哲学的贡献(4),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,第1章 人工智能概述,23,哲学的贡献(5),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

11、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,第1章 人工智能概述,24,哲学的贡献(6),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结论: 知识来自于实践,第1章 人工智能概述,25,哲学的贡献(7),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 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,

12、第1章 人工智能概述,26,哲学的贡献(8),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 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,第1章 人工智能概述,27,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

13、,第1章 人工智能概述,28,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,第1章 人工智能概述,29,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

14、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,第1章 人工智能概述,30,数学的贡献(4),1900年, David Hilbert(希尔伯特, 18621943)提出了包括23个问题的清单, 其中最后一个问题是: 是否存在一个算法可以判定涉及自然数的逻辑命题的真实性, 即可判定性问题 / 他所要问的是: 有效证明过程的能力是否有基础的局限性 这一问题被Kurt Gdel(哥德尔, 19061978)在1931年证实：确实存在真实的局限,第1章 人工智能概述,31,数学的贡献(5),1930年, 哥德尔提出: 存在一个有效过

15、程可以证明罗素和弗雷格的一阶逻辑中的任何真值语句, 但是一阶逻辑不能捕捉到刻画自然数所需要的数学归纳法原则 1931年, 哥德尔证明了他的不完备性定理: 在任何表达能力足以描述自然数的语言(如某种逻辑)中, 在不能通过任何算法建立它们的真值的意义上, 存在不可判定的真值语句 不完备性定理还可以表述为: 整数的某些函数无法用算法表示, 即不可计算的,第1章 人工智能概述,32,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Church-Turing论

16、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,第1章 人工智能概述,33,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,第1章 人工智

17、能概述,34,数学的贡献(8),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,第1章 人工智能概述,35,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,

18、 17491827)提出了根据证据更新概率的法则(贝叶斯公式/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,第1章 人工智能概述,36,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,第1章 人工智能概述,37,经济学的贡献(2),Herbert Simon(西蒙, 19162001

19、)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”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,第1章 人工智能概述,38,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,第1章 人工智能概述,39,神经科学的贡献(2),Paul Proca(

20、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,第1章 人工智能概述,40,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,第1章 人工智能

21、概述,41,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,第1章 人工智能概述,42,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Herman 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,第1章 人工智能概述,43,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

22、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,第1章 人工智能概述,44,心理学的贡献(3),在美国, 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

23、)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),第1章 人工智能概述,45,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,第1章 人工智能概述,46,计算机工程的贡献(1),计算机工程(194

24、0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,第1章 人工智能概述,47,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

25、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,第1章 人工智能概述,48,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,第1章 人工智能概述,49,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 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

26、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,第1章 人工智能概述,50,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, 完全脱离了控制论的范围,第1章 人工智能概述,51,语言学的贡献(1),语言学(1957现在)贡献的思想: 语言和思

27、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,第1章 人工智能概述,52,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,第1章 人工智能概述,53,AI的组成,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 人工智能=

28、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,第1章 人工智能概述,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,第1章 人工智能概述,55,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

29、) 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),第1章 人工智能概述,56,人工智能孕育期(19431955),神经网络 最早的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

30、,第1章 人工智能概述,57,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),第1章 人工智能概述,58,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 John 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Tr

31、enchard More、IBM的Arthur Samuel(塞缪尔)、MIT的Ray Solomonoff和Oliver Selfridge、CMU的纽厄尔和西蒙,第1章 人工智能概述,59,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,第1章 人工智能概述,60,人工智能的诞生(1956)3,

32、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化的环境中自动发挥功能的机器,第1章 人工智能概述,61,早期的热情, 巨大的期望 (19521969)(1),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

33、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,第1章 人工智能概述,62,早期的热情, 巨大的期望 (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: 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

34、: 具备明确的知识表示, 并能通过演绎过程处理这些表示,第1章 人工智能概述,63,早期的热情, 巨大的期望 (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)

35、、规划器等,第1章 人工智能概述,64,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: 缺少主题知识(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,第1章 人工智能概述,65,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

36、“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,第1章 人工智能概述,66,现实的困难(19661973)(3),第三类困难：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

37、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),第1章 人工智能概述,67,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,第1章 人工智能概述,68,基于知识的系统: 力量的钥匙? (19691979)(2

38、),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),第1章 人工智能概述,69,AI成为工业(1980现在)(1),1982年, 第一个成功的商用专家系统R1在DEC公司开始运转, 到1986年为止每年为公司节省4千万美元 美国主要公司都曾开发或使用专家系统 AI工业在1980年只是几百万美元, 1988年涨到数十亿美元 但很快又进入了“AI的冬天”时期,第

39、1章 人工智能概述,70,AI成为工业(1980现在)(2),在八十年代的AI研究热潮中, 1981年日本提出五代机计划, 目的是建造运行Prolog程序的智能机 美国则对应成立了MCC研究集团 其中的AI部分从未实现其野心勃勃的目标 实际上，“AI成为工业”目前在一些家电中可以找到影子(智能洗衣机等),第1章 人工智能概述,71,神经网络的回归(1986现在),神经网络: Frank Rosenblatt1962年提出感知器, 证明了感知器收敛定理 / 但1969年以后沉寂 反向传播算法引起了神经网络研究的复兴 Rumelhart和McClelland的文集引起反响 连接主义方法崛起，被认为

40、是Newell和Simon提出的符号模型和McCarthy主张的逻辑方法的直接竞争者 当前的观点是：连接主义和符号主义方法是互补的,第1章 人工智能概述,72,AI成为科学(1987现在)(1),近年来，AI研究在内容和方法论方面的特点： 在已有的理论基础上进行研究而不是提出崭新理论 理论建立在严格定理或者确凿实验证据基础上而不是靠直觉 显示与现实世界应用的相关性而不是与玩具样例的相关性,第1章 人工智能概述,73,AI成为科学(1987现在)(2),从对控制论和统计学的某种叛逆到开始接受这些领域的理论和方法 通过互连网进行测试数据和程序代码的共享 典型：语音识别中HMM模型应用 / 贝叶斯网

41、络,第1章 人工智能概述,74,智能化智能体出现(1995现在),重新审视“完整智能体” ：SOAR系统上的工作(19871990) 环境约束: 目标是理解嵌入真实环境的智能体的工作 / 目前最重要的智能化智能体环境是Internet, AI技术成为重要的Internet工具 为什么要采纳智能体观点? AI目前分离的子领域需要重新组织起来, 至少当它们的结果需要联系在一起的时候 AI与其他涉及智能体的领域的联系被拉近了(如控制论和经济学),第1章 人工智能概述,75,弱人工智能和强人工智能,弱人工智能(Weak AI)的断言: “机器能够智能地行动” 强人工智能(Strong AI)的断言:

42、“能够如此行事的机器确实是在思考” 大多数AI研究者认为弱人工智能假设是当然的 / 本质上, AI寻求的是在给定的体系结构之上最好的智能体程序 / 对于弱人工智能的假设, AI的成就可以证明 关于强人工智能，更多的是哲学上的争论,第1章 人工智能概述,76,AI成就 vs 异议(1),图灵曾考察过对智能机器的质疑 质疑1: 能力缺陷 实践证明: 计算机能够和人一样做很多工作, 有些做得甚至更好 例子: 下棋/装配线零件检查/驾驶汽车/诊断疾病 质疑2: 数学异议机器是受到不完备性定理限制的形式系统, 而人类则没有这样的局限性,第1章 人工智能概述,77,AI成就 vs 异议(2),我们同意计算

43、机在其所能证明的事物上具有局限性, 但也没有证据表明人类对于这些局限是免疫的因为人类的严谨证明本身要包含一个对所宣称不可形式化的人类天赋的形式化表示 / 我们不可能证明人类不服从哥德尔不完备性定理, 最终不得不求助于直觉 质疑3: 限制问题“无法用一个逻辑规则集合捕捉每件事物” 实践证明: AI一直在发展, 被质疑的“老式AI”已经发生了改变, 他们所关注的许多问题已经得到解决,第1章 人工智能概述,1.4 智能体与环境 智能体的组成 理性智能体 任务环境与例子 任务环境的属性,第1章 人工智能概述,79,智能体与环境,智能体：通过传感器感知所处环境并通过执行器对该环境产生作用的计算机程序及其

44、控制的硬件 感知信息：表示任意给定时刻智能体的感知输入 / 感知序列：该智能体所收到的所有输入数据的完整历史 智能体函数：把任意给定感知序列映射到智能体行动的描述 / 智能体程序：抽象的智能体函数的一个具体实现，该程序在智能体自身结构上运行,第1章 人工智能概述,80,理性智能体(1),理性智能体: 做事正确的智能体 性能度量: 智能体成功程度标准的具体化 作为一般规则, 最好根据在这个环境中希望得到的实际结果来设计性能度量, 而不是根据智能体应该表现的行为 判断什么是理性: 性能度量 / 关于环境的先验知识 / 可以执行的行动 / 到那时为止的感知序列,第1章 人工智能概述,81,理性智能体

45、(2),理性智能体: 对于每个可能的感知序列, 根据已知感知序列提供的证据和智能体内建的先验知识, 理性智能体应该选择期望能使其性能度量最大化的行动 理性是使期望性能最大化, 完美是实际性能最大化,第1章 人工智能概述,82,任务环境(1),建造理性智能体的综合考虑: 任务环境 PEAS (Performance, Environment, Actuators, Sensors) 性能/环境/执行器/传感器 例子,第1章 人工智能概述,83,任务环境(2),第1章 人工智能概述,84,任务环境(3),任务环境的属性: 完全可观察的 vs 部分可观察的: 获取环境的完整状态, 一般难以做到 确定

46、性的 vs 随机的: 出租车驾驶环境是随机的 片段式的 vs 延续式的: 挑拣零件机器人的决策只需建立在当前零件基础上, 而下棋, 驾驶, 句法分析都是延续式的,第1章 人工智能概述,85,任务环境(4),静态的 vs 动态的: 出租车驾驶是动态的, 填字谜游戏则是静态的 离散的 vs 连续的: 下棋是离散的, 驾驶汽车是连续的 单智能体 vs 多智能体: 驾驶汽车和下棋都是多智能体环境,第1章 人工智能概述,86,任务环境(5),第1章 人工智能概述,1.5 智能体结构 4种类型的智能体程序 简单反射型智能体 基于模型的反射智能体 基于目标的智能体/基于效用的智能体 学习智能体,第1章 人工

47、智能概述,88,智能体结构,AI的任务是设计智能体程序, 智能体程序要要在某个具备实际传感器和执行器的计算装置上运行, 该装置称为体系结构 智能体 = 体系结构 + 程序 通常, 智能体程序具有这样的框架: 从传感器得到当前感知信息作为输入, 返回一个行动交给执行器,第1章 人工智能概述,89,智能体类型,有4种类型的智能体程序(或部分程序) 简单反射型智能体 基于模型的反射型智能体 基于目标的智能体 基于效用的智能体 此外，学习程序也是一种智能体,第1章 人工智能概述,90,简单反射型智能体,第1章 人工智能概述,91,基于模型的反射型智能体,第1章 人工智能概述,92,基于目标的智能体,第

48、1章 人工智能概述,93,基于效用的智能体,第1章 人工智能概述,94,什么是效用？(1),最简单的方式就是把效用想象成金钱，越多越好并不是其全部 100万 送给1个身价5亿的富翁 vs. 还是1个没有分文存款的穷光蛋，其效用是不一样的 / 反过来欠债也是类似的效用MultiAgent引论第6章 可以考虑效用和行动对世界作用前后的差()之间存在正比关系，和原来的基数成反比关系 / 依据不同评判标准定义函数,第1章 人工智能概述,95,什么是效用？(2),金钱和效用之间关系的示意,第1章 人工智能概述,96,学习智能体,第1章 人工智能概述,对照Mitchell机器学习第1章图,小结 AI成功的

49、例子 AI的目标 AI的未来,第1章 人工智能概述,98,AI成功的例子(1),博弈：IBM公司的“深蓝”成为第一个在国际象棋比赛中战胜世界冠军的计算机程序 1997年，一次公开赛中3.5/2.5比分战胜卡斯帕罗夫，他说从棋盘对面感到了“一种新智能” （但是，连“深蓝”的设计者也不认为用了什么人工智能技术）,第1章 人工智能概述,99,AI成功的例子(2),自主控制：CMU研制的ALVINN计算机视觉系统安置在NAVLAB计算机控制微型汽车中，用于汽车导航行驶在高速公路上 全程2850英里(约4586.5公里), 其中98%时间由这个系统掌握方向盘, 2%时间由人驾驶, 几乎都在高速公路出入口处,第1章 人工智能概述,100,AI成功的例子(3),后勤规划：1991年海湾战争中美国军队配备了一个动态分析和重规划工具DART, 用于自动后勤规划与运输调度 该系统同时涉及50000个车辆、货物和人，而且要考虑起点、目的地、路径，解决所有参数之间的冲突。使用AI技术使规划在几小时内完成，而传统方法需要几个星期 DARPA称就此一项投资足以补偿DARPA在AI方面30年的投