人工智能的类型和功能

人工智能的类型和功能人工智能的类型人工智能类型1：基于能力的

弱人工智能或狭义人工智能：狭义人工智能是一种能够智能地执行特定任务的人工智能类型。在人工智能领域，狭义人工智能是最常见且目前应用最广泛的人工智能技术。狭义人工智能无法超越其领域或限制，因为它只针对特定任务进行训练。因此，它也被称为弱人工智能。如果狭义人工智能超出其限制，可能会以不可预测的方式失败。苹果Sirius是窄人工智能的一个很好的例子，但它的功能范围有限，而且是预先定义的。狭义人工智能的应用包括下棋、在电子商务网站上提供购物建议、自动驾驶汽车、语音识别和图像识别。通用人工智能：通用人工智能是一种能够像人类一样高效地执行任何智力任务的智能类型。通用人工智能背后的理念是制造一个能够比人类更智能、能够像人类一样自主思考的系统。目前，还没有一种系统能够属于通用人工智能的范畴，并能像人类一样完美地完成任何任务。超级人工智能超级人工智能是系统智能发展到一定程度后的一种状态，在这个状态下，机器的智能可以超越人类，并能以比人类更好的方式完成任何任务，同时具备认知能力。它是通用人工智能发展的结果。强人工智能的一些关键特征包括能够自主思考、推理、解决问题、做出判断、计划、学习和交流。超级人工智能目前仍是人工智能领域的一个假设性概念。在现实中开发此类系统仍然是一项足以改变世界的任务。AI类型2：基于功能反应式机器纯粹的反应式机器是人工智能最基本的类型。这类人工智能系统不会存储记忆或过往经验以指导未来的行动。这些机器只关注当前情境，并根据情境做出最佳反应。例如：IBM的深蓝系统就是反应式机器的一个例子。有限的内存有限内存机器只能在短时间内存储过去的经验或部分数据。这些机器只能在有限的时间内使用存储的数据。自动驾驶汽车是有限内存系统的最佳例证之一。这些汽车可以存储附近车辆的最近速度、与其他车辆的距离、限速以及其他信息，以便进行道路导航。AI类型2：基于功能性……（续）心智理论心智理论人工智能应该能够理解人类的情感、人、信仰，并能够像人类一样进行社交互动。虽然这类人工智能机器尚未完全开发出来，但研究人员正在努力改进，以开发这类人工智能机器。4.自我意识具有自我意识的人工智能是人工智能的未来。这些机器将拥有超高的智能，并具备自身的意识、情感和自我认知。这些机器将比人类更聪明。自我意识人工智能在现实中尚不存在，它只是一个假设性的概念。智能代理智能体是指任何能够通过传感器感知环境并通过执行器对环境采取行动的物体。人类智能体有眼睛、耳朵和其他感觉器官，手、腿和嘴巴作为执行器。机器人代理可能配备摄像头和红外测距仪作为传感器，以及各种电机作为执行器。软件代理接收键盘输入、文件内容和网络数据包作为感知输入，并通过在屏幕上显示、写入文件和发送网络数据包来对环境做出反应。智能代理……（续）人工智能的任务是设计智能体程序：一个实现智能体从感知到行动映射的函数。我们假设该程序将在某种计算设备上运行，我们将这种设备称为架构。显然，我们选择的程序必须是该架构能够接受并运行的。该架构可以是普通的计算机，也可以包含用于特定任务的专用硬件，例如处理摄像头图像或过滤音频输入。代理、架构和程序之间的关系可以概括如下：代理=架构+程序PEAS代表PEAS是一种人工智能代理所依赖的模型。当我们定义一个人工智能代理或理性代理时，我们可以将其属性归纳到PEAS表示模型之下。它由四个词组成：P：绩效指标E：环境A：执行器S：传感器这里，绩效指标是衡量代理行为成功与否的目标。自动驾驶汽车的PEAS假设这是一辆自动驾驶汽车，那么PEAS表示法将是：性能：安全、时间、合法驾驶、舒适性环境：道路、其他车辆、道路标志、行人执行器：转向器、油门器、刹车器、转向灯、喇叭传感器：摄像头、GPS、速度计、里程表、加速度计、声呐。医学诊断的PEAS效果：患者健康，成本最小化环境：患者、医院、员工执行器：测试、处理传感器：键盘（输入症状）吸尘器的PEAS性能：清洁度、效率、电池续航时间、安全性环境：房间、桌子、木地板、地毯、各种障碍物执行器：轮子、刷子、真空吸尘器传感器：摄像头、灰尘检测传感器、悬崖传感器、碰撞传感器、红外墙壁传感器人工智能代理的类型根据智能体感知到的智能和能力程度，可以将智能体分为五类。所有这些智能体都能随着时间的推移提升自身性能并做出更佳的行动。这五类智能体如下所示：简单反射剂基于模型的反射代理基于目标的代理基于效用的代理学习代理简单反射代理：简单反射智能体是最简单的智能体。这些智能体根据当前的感知做出决策，而忽略其余的感知历史。这些智能体只有在完全可观察的环境中才能成功。简单反射代理在决策和行动过程中不考虑感知历史的任何部分。简单的反射智能体基于条件-动作规则工作，这意味着它将当前状态映射到相应的动作。例如，房间清洁智能体只有在房间有污垢时才会执行动作。简单反射代理设计方法存在的问题：他们的智力非常有限。他们不了解当前状态的非感知部分。大部分数据量太大，无法生成和存储。不适应环境变化。基于模型的反射代理基于模型的智能体可以在部分可观测的环境中工作，并跟踪情况。基于模型的智能体具有两个重要因素：模型：它是关于“世界上的事物是如何发生的”的知识，因此它被称为基于模型的代理。内部状态：它是基于感知历史对当前状态的表示。这些智能体拥有“关于世界的知识”模型，并根据该模型执行行动。更新代理状态需要以下信息：世界如何演变代理人的行为如何影响世界。基于目标的代理了解当前环境状况并不总是足以让智能体决定该做什么。代理人需要知道其目标，即描述理想情况的目标。基于目标的智能体通过引入“目标”信息，扩展了基于模型的智能体的功能。他们选择某种行动，是为了实现目标。这些智能体可能需要考虑一系列可能的行动方案，才能决定目标是否达成。这种对不同场景的考量被称为搜索和规划，它使智能体具备主动性。基于效用的代理这些代理与基于目标的代理类似，但它们增加了一个效用测量的额外组件，从而提供了在给定状态下的成功衡量标准，这使得它们有所不同。基于效用的智能体不仅会根据目标采取行动，还会根据实现目标的最佳方式采取行动。当存在多个可能的替代方案，并且智能体必须做出选择才能执行最佳行动时，基于效用的智能体非常有用。效用函数将每个状态映射到一个实数，以检查每个动作实现目标的效率。学习代理在人工智能中，学习型智能体是指能够从过去的经验中学习，或者具有学习能力的智能体。它最初凭借基本知识行动，然后通过学习能够自动行动和适应。学习智能体主要由四个概念组成部分构成，分别是：学习要素：它负责通过向环境中学习来改进自身。评论家：学习元素从评论家那里获得反馈，评论家描述了智能体相对于固定性能标准的表现如何。执行要素：负责选择外部行动问题生成器：该组件负责提出能够带来全新且富有启发性的体验的行动建议。因此，学习型智能体能够学习、分析性能，并寻找提高性能的新方法。

人工智能中的智能体环境环境是指围绕着主体的一切事物，但它本身并非主体的一部分。环境可以被描述为主体所处的具体情境。环境是智能体生活、运作并为智能体提供感知和行动对象的地方。环境特征根据Russell和Norvig的观点，从智能体的角度来看，环境可以具有各种特征：完全可观测性与部分可观测性静态与动态离散型与连续型确定性与随机性单智能体与多智能体单元剧式与序列式完全可观测性与部分可观测性：如果代理传感器能够感知或访问环境在每个时间点的完整状态，那么它就是一个完全可观察的环境；否则，它就是一个部分可观察的环境。完全可观测的环境很容易实现，因为无需维护内部状态来跟踪世界的历史。例如（完全可观察）：在国际象棋游戏中，系统的状态，即棋盘上所有玩家的位置，始终可用，因此玩家可以做出最佳决策。示例（部分可观察）：玩纸牌游戏

这是一个部分可观察环境的完美例子，在这种环境中，玩家不知道对手手中的牌。如果一个智能体在所有环境中都没有传感器，那么这样的环境就被称为不可观测环境。确定性与随机性：如果一个智能体的当前状态和所选择的动作能够完全决定环境的下一个状态，那么这样的环境就被称为确定性环境。随机环境本质上是随机的，不能完全由主体决定。在确定性、完全可观测的环境中，智能体无需担心不确定性。例如：出租车驾驶：随机V累积更清洁的世界：确定性分集式与连续式：在情景式环境中，存在一系列一次性动作，而该动作只需要当前的感知即可。然而，在顺序环境中，智能体需要记住过去的行为才能确定下一步的最佳行为。例如：一名负责在装配线上识别缺陷零件的代理人，会根据当前零件做出每个决定，而不管之前的决定如何；此外，当前的决定不会影响下一个零件是否为缺陷零件。下棋和开出租车是循序渐进的。单智能体与多智能体如果一个环境中只有一个智能体参与，并且该智能体独立运行，那么这样的环境就称为单智能体环境。但是，如果多个智能体在一个环境中运行，那么这样的环境就被称为多智能体环境。多智能体环境下的智能体设计问题与单智能体环境下的智能体设计问题有所不同。例如：一个智能体独自解决填字游戏显然处于单智能体环境中，而一个智能体下棋则处于双智能体环境中。静态与动态：如果环境在智能体进行思考时能够发生变化，那么这种环境就被称为动态环境；否则，这种环境就被称为静态环境