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？
AI是新兴学kaiyun体育全站 Kaiyun登录网页科，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
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/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
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.
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
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)
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
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
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
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
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
亚里士多德(Aristotle,BC384~BC322),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
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
RenéDescartes(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
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
关于知识的来源:FrancisBacon(培根)《新工具论》开始了经验主义运动
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
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
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
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
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
1900年, David Hilbert(希尔伯特, 1862~1943)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
1930年, 哥德尔提出: 存在一个有效过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
由此激发了Allen Turing(图灵, 1912~1954)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
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）
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
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
Herbert Simon(西蒙, 1916~2001)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
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
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, 允许人们观察大脑的各个神经元
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
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)
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
科学的心理学源自德国物理学家Herman von Helmholtz(霍尔姆霍兹, 1821~1894)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
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
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
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
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
19世纪中叶, Charles Babbage(巴贝奇, 1792~1871)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
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kaiyun体育全站 KaKaiyun平台 开云体育官方入口iyun登录网页开发环Kaiyun平台 开云体育官方入口境、链接表数据类型、自动存储管理、面向对象的编程等
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
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
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
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
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
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:
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
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
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:
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
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？”)
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
IBM: 1959—Herbert 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: 具备明确的知识表示, 并能通过演绎过程处理这些表示
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)、规划器等
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?
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
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(1958~59)
官方微信
