1. 人工智能定义
- 人是有理性的动物，会思考目标和行动
- 人工智能公式化定义：
- 人工智能 = (类人 + 理性) × (行为 + 思考)
1.1 类人行为：图灵测试
- 计算机需要具备以下能力：
- 自然语言处理
- 知识表示
- 自动推理
- 机器学习
- 计算机视觉
- 机器人学
1.2 类人思考：认知建模
- 认知科学方法：
- 内省法
- 心理实验
- 大脑成像研究
- 著名人物：
- 艾伦·纽厄尔 (Alan Newell)
- 赫伯特·西蒙 (Herbert Simon)
1.3 理性思考：思维法则建模
- 逻辑主义：
- 用符号逻辑描述可解的问题，理论上可以编程解决。
- 概率：
- 用概率弥补逻辑在不确定性中的不足。
1.4 理性行为：理性智能体方法
- 定义：
- 能正确判断、做出正确行为并完成理性目标。
- 人工智能的研究重点：
- 构建能做正确事情的智能体，这是通用的标准模型。
- 缺陷：
- 人类并非总能给出正确目标。
- 太聪明的智能体可能会因目标对人类造成伤害，因此需要价值对齐机制。
2. 人工智能基础
2.1 哲学
思维：我是如何知道的？
- 理性主义：笛卡尔——“我思故我在”，思想源于自由意志。
- 经验主义：思想被外在物理世界决定（自然主义、唯物主义）。
- 整合：康德——《纯粹理性批判》，探讨“先天综合判断如何可能”。
知识：我能知道什么？
- 演绎：
- 形式化演绎（亚里士多德，三段论）。
- 形式逻辑演绎（罗素、维特根斯坦、鲁道夫·卡纳普）。
- 归纳：
- 经验主义（培根，《新工具》）。
- 类比（书中未提及）。
- 演绎：
行为：我能做什么？
- 功利主义：边沁、约翰·穆勒，基于效用最大化的理性决策。
- 义务伦理学：康德的绝对律令。
2.2 数学
- 推理的形式化规则：
- 形式化逻辑：布尔逻辑。
- 概率推导、统计学。
- 可计算性：
- “算法”一词源于 9 世纪数学家穆罕默德·本·穆萨·阿尔·花剌子模。
- 计算边界：
- 哥德尔不完全性定理：任何强形式化理论中都存在未被证明的真实陈述。
- 图灵机：定义可计算函数的通用概念。
- 易处理性：
- P 问题：多项式时间内可解。
- NP 问题：多项式时间内可验证。
- NP 难问题：如停机问题、SAT 布尔可满足性问题。
2.3 经济学
- 如何基于偏好决策：
- 博弈论与经济学（冯·诺伊曼与摩根斯特恩）。
- 如何在不确定性下决策：
- 决策论结合概率论与效用理论。
- 多智能体系统。
- 如何平衡远期收益：
- 运筹学、马尔可夫决策过程，与强化学习相关。
2.4 神经科学
- 研究方向：
- 神经网络
- 脑机接口
2.5 心理学
- 研究内容：
- 人类与动物如何思考和行动。
- 视觉研究（赫尔曼·冯·赫尔姆霍茨）。
- 行为心理学、认知心理学、人机交互（IA）。
2.6 计算机工程
- 研究方向：
- 图灵机
- 摩尔定律与芯片发展
2.7 控制理论
- 研究目标：
- 设计最优控制系统以最小化代价函数。
- 与人工智能的区别：
- 控制理论强调连续变量和微积分。
- 人工智能更注重逻辑推理和计算工具。
2.8 语言学
- 研究方向：
- 语言与思维的联系（乔姆斯基）。
- 自然语言处理（NLP）。
3. 人工智能的历史
3.1 诞生（1943~1956，符号主义）
- 人工神经元模型（沃伦·麦卡洛克、沃尔特·皮茨）。
- 修改神经元连接强度（唐纳德·赫布）。
- 第一台神经网络计算机 SNARC（马文·明斯基、迪安·埃德蒙兹）。
- 图灵测试、机器学习、遗传算法、强化学习（图灵，1947）。
- 达特茅斯会议提出人工智能研究框架（1956）。
3.2 高涨（1952~1969）
- 通用问题求解器（纽厄尔、西蒙）。
- Lisp 语言（约翰·麦卡锡）。
- 积木世界（1970）。
3.3 寒冬（1966~1973）
- 过于乐观：高估了人工智能的短期能力。
- 忽视任务含义与算法复杂度。
- 线性感知机能力不足（明斯基，1969）。
3.4 专家系统（1969~1986）
- 医学诊断、分子结构推断。
- 商用专家系统（杜邦公司）。
- 日本政府的第五代计算机计划。
3.5 神经网络与深度学习（1986~至今）
- 关键技术：
- 概率推理、机器学习。
- 贝叶斯网络与因果推理。
- 强化学习与马尔可夫决策过程。
- 深度学习（2011~至今）：
- 卷积神经网络（CNN）。
- 序列神经网络（RNN）。
- 应用领域：
- 自动驾驶（Waymo、Tesla）。
- 机器人、机器翻译、语音识别、推荐系统。
- 博弈（AlphaGo、Dota AI）。
- 图像理解、医学诊断、气象科学。