人工智能定义

人工智能定义人工智能定义研究如何让程序/计算机更好地完成人类能够完成的事情。研究如何使计算机解决需要知识和智能的问题。令人兴奋的新尝试：让计算机思考……拥有思维的机器。将我们通常认为与人类思维相关的活动（例如，决策、学习……）自动化创造机器来执行原本需要人类智能才能完成的功能的艺术。利用计算模型研究心理能力一个旨在用计算过程来解释和模拟智能行为的研究领域计算机科学的一个分支，主要研究智能行为的自动化。思考机器或机器智能研究认知能力问题解决与计算机科学什么是智能？是否存在一个“整体性”的智力定义？

以下是一些定义：理解能力；理解并从经验中获益的能力一种一般的心理能力，包括推理、计划、解决问题、抽象思考、理解概念和语言以及学习的能力。

能够有效地感知、解释和应对环境

这些都无法告诉我们什么是智能，但我们可以列举出智能必须具备的要素。感知、推理、解决问题、学习/适应、常识、类比、回忆、直觉、情绪状态、实现自我意识哪些是智力的必要条件？哪些是智力的充分条件？人工智能——我们应该用人类智能来定义它吗？物理符号系统假说物理符号系统（PSS）由可组合成表达式的符号（模式）组成有些程序会对这些符号进行操作，以创建新的符号和表达式。英语是一种物理符号系统：符号是字母，表达方式是单词和句子。PSS假设认为，PSS具备进行智能行为的必要且充分的手段。计算机是个人系统软件（PSS）。如果PSS假设成立，那么就有可能对计算机进行编程，使其产生智能行为。这是人工智能的目标之一。如果PSS假设不成立，对人工智能会有什么影响？图灵测试1950年——艾伦·图灵设计了一种名为“模仿游戏”的智力测试。向两个实体提出问题，并从两者处获得答案。如果你无法分辨哪个是人哪个是电脑程序，那么你就被蒙蔽了，因此我们应该认为电脑具有智能。问题答案答案哪个是这个人？哪台是电脑？解决图灵测试：伊莱扎由约瑟夫·魏岑鲍姆创作这个系统会像罗杰斯式的精神分析师一样，通过与人进行对话来发挥作用。对话将由医生（伊莱扎）提问、受访者回答，以及医生根据受访者的回答提出下一个问题组成。魏岑鲍姆编写这个程序的目的是使其能够根据一组模式生成英文回答/问题。如果用户输入的句子符合某种模式，则该模式将用于生成下一个句子/问题。更新、更优秀的版本叫做ALICE。伊丽莎对话示例H：男人都一样。E：以什么方式？H：他们总是因为这样那样的事情来烦我们。E：您能说得更具体些吗？H：嗯，是我男朋友让我来的。E：是你男朋友让你来的？H：他说我大部分时间都很沮丧。E：听到你情绪低落，我很难过。H：没错，我不开心。E：你认为来这里能让你不再不快乐吗？H：我需要一些帮助，这一点似乎很确定。E：如果你能得到一些帮助，这对你来说意味着什么？H：或许我可以学会和母亲好好相处。E：请多跟我说说你的家人吧。伊丽莎规则

（？*？x）你好（？*？y）→

您好。请描述一下您的问题。（？*？x）我想要（？*？y）→（如果你得到？y，这意味着什么？）（你为什么想要？）（假设你很快就得到了？y）(?*?x)如果(?*?y)

（你真的认为这种可能性很大吗？）（你希望如此吗？）（你对？y有什么看法？）（真的吗？y）（？*？x）否（？*？y）→（为什么不行？）（你有点消极）（你这么说“不”只是为了表达否定吗？）（？*？x）我曾经是（？*？y）→（你真的是吗？）（或许我早就知道你是？y）（你为什么现在才告诉我你曾经是？）（？*？x）我感觉（？*？y）→（你经常感觉？y吗？）（？*？x）我感觉（？*？y）→你还有其他感受吗？伊莉莎也有一个交换规则“我”和“我的”致“你”和“你的”Eliza模式语法patvar将任意一个表达式与一个变量匹配恒定或等于恒定值（见下文）片段模式与序列匹配针对单个表达式的单项匹配（pat.pat）匹配列表的第一个元素及其其余部分单页（？是变量谓词）测试谓词对一个表达式（或pat1pat2…）匹配任何模式（？和pat1pat2…）在每个表达式上都匹配（？非pat）匹配，如果表达式不匹配节段-pat((?*var)…)匹配零个或多个表达式((?+var)…)匹配一个或多个表达式((??var)…)匹配零个或一个表达式((?ifexpr)…)测试表达式是否为真var?chars形式的变量?name常数原子符号、数字、字符ALICE演示杰瑞：我的名字叫杰瑞。爱丽丝：嘿，杰瑞。杰瑞：你认识图灵吗？ALICE：计算机科学史上一位才华横溢却又悲剧的人物。杰瑞：你还认识谁？爱丽丝：休·洛布纳、罗比·加纳和史蒂文·斯皮尔伯格杰瑞：你喜欢哪部电影？爱丽丝：我最喜欢的电影是《科技迷情》。你看过吗？杰瑞：不。爱丽丝：我建议你去看看。杰瑞：这是什么内容？爱丽丝：科幻小说。杰瑞：你还记得我的名字吗？爱丽丝：你的名字是杰瑞，探索者。注意，与Eliza不同，ALICE有记忆力，可以处理引用。（你看过吗？没有。我推荐你看。）爱丽丝对阵伊丽莎爱丽丝和伊丽莎说话伊莱扎：我是伊莱扎。爱丽丝：很高兴见到你，伊莱扎。伊莱扎：我能帮您什么吗？爱丽丝：只要你能跟我说话，就一直跟我说话吧。伊莱扎：你愿意和我一样长久吗？爱丽丝：好的，只要你愿意。伊莱扎：你愿意像我一样活得长久吗？爱丽丝：好的，只要你愿意，我就会。伊莱扎：你愿意像我一样长久地活下去吗？爱丽丝：好的，只要你愿意，我就会一直愿意。伊莱扎：你愿意像我一样长久地活下去吗？爱丽丝：好的，只要你愿意，我一定会愿意...伊莱扎：你愿意像我一样长久地活下去吗？爱丽丝：好的，只要你，我就会一直一直一直一直。伊莱扎：你愿意像我一样长久地坚持下去吗？…伊莱扎卡在“我会”这句话上，然后爱丽丝也卡住了。同一句话图灵测试有多大用处？如果制定出类似Eliza或Alice那样的规则，我们最终就能解决图灵测试——只需要编写足够多的规则即可。系统是否理解它所响应的内容？不，伊莉莎和爱丽丝都没看懂文本，只是爱丽丝掌握的规则更好、更深入、更全面。我们可以构建一个表示模型，该模型可以模拟一些现实世界的领域和知识库。系统可以根据对话内容补充信息。可以通过查找已存储的数据来回答问题。这样一来，系统的响应就不再仅仅基于“现成的”知识，而是基于它“学习”到的知识。这是否意味着该系统知道它在讨论什么？了解某事意味着什么？查表与推理考虑两种编写井字棋游戏程序的方法方案一：根据棋盘布局预先列出最佳走法。方案二：评估棋盘布局并生成最佳走法的规则方案一与伊莱扎的工作方式类似。对于大多数类型的问题来说，这种方法并不实用。方案二将推导出最佳行动方案这样的玩家甚至可能能够“解释”自己为什么选择那一步棋。我们（理论上）可以构建一个使用查表算法通过图灵测试的程序，尽管这将是一项浩大的工程。中文房间问题哲学家约翰·塞尔试图证明计算机不具备智能。房间里只有你、一本书、一个储物区（可选）以及一个将信息从房间传送到室外的装置。一位讲中文的人用书面形式向你提出问题。你能在书（和书架）中找到一组匹配的符号，并用中文写下你的答案吗？问题（中文）《汉字书》回答（中国人）贮存你中文房间：

计算机的类比用户输入/输出路径（总线）输出内存程序/数据（脚本）CPU（SAM）塞尔的问题你成功解决了与该人/用户沟通的问题，因此你/房间通过了图灵测试。但你是否理解了中国人传达的信息？由于你不懂中文，所以你看不懂问题、答案或存储中的符号。我们能说你真的运用了任何智力吗？类比而言，既然你不理解你所交互的符号，计算机也不理解它所交互的符号（输入、输出、程序代码、数据）。他将人工智能分为两大类：强人工智能——对机器智能的追求弱人工智能——追求机器以智能方式解决问题。情报

来源是什么？系统响应：硬件本身并不智能，但硬件、软件和存储的组合才是智能的。类似地，我们也可以说，一个从未有机会学习过任何东西的人脑不可能具备智能，它仅仅是一个硬件而已。机器人的回应：计算机没有感知能力，因此符号对它来说毫无意义；但配备传感器的机器人可以将符号与其感知能力联系起来，从而理解符号。大脑模拟器反应：如果我们对计算机进行编程，使其模仿大脑（例如，使用神经网络），那么计算机将拥有与人脑相同的理解能力。人工智能的两个假设我们无需理解其潜在机制也能理解和模拟认知。重要的是认知模型，而不是实现该模型的物理机制。如果属实，我们应该能够利用计算机、大脑或其他设备（例如机械设备）来创造认知（思维）。这是符号人工智能研究人员做出的假设。认知将从适当的机制中产生。合适的设备，加上合适的输入，就能学习并解决问题，而我们作为观察者，则称之为智能。认知将作为硬件的结果（或副作用）而产生。这是联结主义人工智能研究人员的假设。计算性的观点。人工智能简史：20世纪50年代人们曾将计算机视为电子大脑。“人工智能”一词由约翰·麦卡锡创造。约翰·麦卡锡在20世纪50年代末也创造了Lisp语。艾伦·图灵将智力定义为通过模仿游戏（图灵测试）。人工智能研究主要围绕玩具领域展开。当时的计算机性能和内存都不足以解决实际问题。正在研究的问题包括游戏（例如，跳棋）原始机器翻译积木世界（玩具领域的规划和自然语言理解）早期研究的神经网络：感知器自动定理证明和数学问题求解20世纪60年代人工智能试图超越玩具领域仅凭语法知识是不够的，还需要领域知识。早期的机器翻译可以将英语翻译成俄语（“精神有余而肉体软弱”变成“伏特加很好，但肉变质了”）最早创建的专家系统：Dendral当感知器无法学习异或运算（XOR）被证实时，感知器研究便陷入了停滞。美国资助的人工智能研究针对特定领域——不包括机器翻译。魏岑鲍姆创造了伊莱扎这个角色，以证明人工智能的徒劳无功。1970年代人工智能研究人员通过专家（基于知识）系统来解决现实世界的问题和方案。医学诊断语音识别规划设计已实施不确定性处理模糊逻辑确定性因素贝叶斯概率由于这些成功，人工智能开始受到关注。人工智能研究增加人工智能实验室如雨后春笋般涌现创建AI外壳（工具）可用于Lisp编程的AI机器批评意见：人工智能系统过于脆弱，人工智能系统开发耗时耗力，人工智能系统无法学习1980年代：人工智能冬季资金枯竭导致人工智能寒冬来临。太多期望未能实现。专家系统开发耗时过长，投入资金过多，最终却未能取得预期效果。神经网络来帮忙了！专家系统需要编程，需要耗费数十个人年的时间才能开发出来，但如果我们能让计算机学会如何解决问题……多层反向传播网络克服了感知器的问题。神经网络研究之所以获得大量资金支持，是因为它有望解决符号人工智能无法解决的问题。到1990年，神经网络研究的资金也逐渐消失。神经网络自身也存在问题，而且在很大程度上无法解决大多数正在研究的人工智能问题。恐慌！人工智能在没有资金的情况下如何发展？1990年代：ALife最愚蠢却也最明智的做法就是活下去我们重新开始——不要创造智能，而要创造“生命”，然后慢慢地发展出智能。人工智能是人工智能的下限。Alife包括进化学习技术（遗传算法）用于其他学习形式的人工神经网络感知、运动控制和自适应系统环境建模问题：遗传算法在解决某些优化问题和某些基于搜索的问题上很有用，但在解决专家问题上作用不大。感知问题是目前最难解决的问题之一，进展非常缓慢。今日主题：新（旧）人工智能如今的人工智能研究人员并非在做“人工智能”，他们正在做……智能体、多智能体系统/协作、本体机器学习和数据挖掘自适应和感知系统机器人技术、路径规划搜索引擎、过滤、推荐系统目前的研究兴趣领域自然语言理解/信息检索、语音识别规划/设计，诊断/解读传感器解释、感知、视觉理解机器人技术方法基于知识的本体论概率模型（隐马尔可夫模型、贝叶斯网络）神经网络、模糊逻辑、遗传算法那么人工智能究竟能做什么呢？大多数人工智能研究都可归为以下两类之一。选择要解决的具体问题研究这个问题（或许是人类如何解决这个问题）找到解决问题所需的任何知识的恰当表示方法。获取并整理这些知识构建问题解决系统选择问题或认知活动类别（例如，学习、自然语言理解）提出解决该问题的理论方法基于你的理论模型构建系统作为实验根据需要进行修改两种方法都需要知识的一种或多种表征形式选择合适知识的方法，即搜索知识表示人工智能系统与普通软件的一个主要区别在于，人工智能系统必须运用现实世界的知识进行推理。哪些类型的知识？事实公理陈述（可能属实，也可能不属实）规则案例经历联想（可能并不维护真理）描述概率与统计表示类型早期系统使用要么使用语义网络或谓词演算来表示知识或者，如果领域/问题的知识量非常有限，则可以使用简单的搜索空间（例如，像积木世界那样的简单规划）。随着70年代早期专家系统的出现，发生了向生产型系统的重大转变，生产型系统结合了表示和过程（链式运算），甚至还处理了不确定性（确定性因素）。后来，引入了框架（面向对象编程的早期版本）。针对特定问题，引入了诸如脚本和CD等语言表示方法。20世纪80年代，方法论从基于规则转向基于模型。自20世纪90年代以来，贝叶斯网络和隐马尔可夫模型已变得流行起来。首先，我们将简要了解一些表现形式。搜索空间给定一个用状态空间表示的问题（无论是显式表示还是隐式表示）形式上，我们将搜索空间定义为[N,A,S,GD]N=图的节点或状态集合A=对应于问题步骤（合法行为或操作）的节点之间的弧（边）的集合S=N的一个非空子集，表示初始状态GD=N的一个非空子集，表示目标状态我们的问题就变成了如何从S中的一个节点遍历图到GD中的一个节点。例子：河的一边有3个传教士和3个食人族，他们有一条船，每次只能载两个人过河。我们该如何将3名传教士和3名食人族转移到河对岸，才能保证河两岸食人族的人数始终不超过传教士（以免食人族开始吃掉传教士！）？机器解决方案我们可以将一个状态表示为一个包含6个元素的元组：（a，b，c，d，e，f）a/b=左岸传教士/食人族的数量c/d=船上传教士/食人族的数量e/f=右岸传教士/食人族的数量其中a+b+c+d+e+f=6a>=b（除非a=0），c>=d（除非c=0），e>=f（除非e=0）合法操作（行动）是0、1、2名传教士登上船0、1、2名传教士下船0、1、2个食人族上了船0、1、2名传教士下船船从左岸驶向右岸船从右岸驶向左岸搜索空间和搜索类型搜索空间包含问题在求解过程中所有可能的状态。搜索空间通常被视为一棵树，其节点数量可能呈指数级增长，这使得搜索过程变得难以处理。搜索空间可以预先枚举，也可以在搜索过程中生成。有些搜索算法可能会搜索整个空间直到找到解决方案，而另一些算法则只会搜索空间的一部分，并可能通过启发式方法来选择搜索范围。搜索空间包括游戏树，例如井字棋游戏决策树（见下一张幻灯片）生产系统中可供选择的规则组合各种形式的网络（见下一张幻灯片）其他类型的空间搜索算法和表示广度优先深度优先最佳优先（启发式搜索）一个*爬山限制层数极小极大值Alpha-Beta剪枝添加约束遗传算法正向链接与反向链接生产系统如果-那么规则谓词演算规则操作员语义网络帧脚本​知识集团模型、案例代理人本体论人际关系我们通常了解一些关于物体（无论是实物还是抽象事物）的知识。这些对象具有属性（组成部分、值）和/或与其他事物的关系。表示知识的一种方法是列举对象，并通过它们的属性和关系来描述它们。此类关系表示的常见形式有：语义网络——一种由节点（代表对象和值）和边（链接/弧）组成的网络，边上带有注释，用于表示节点之间的关系。谓词演算——谓词通常是关系，谓词的论元是对象。框架本质上是对象（源自面向对象编程），其中属性是数据成员，值是存储在这些成员中的特定值——在某些情况下，它们是指向其他对象的指针。与关系相关的表征在这里，我们看到相同的信息是使用两种不同的表示方法进行表示技术——语义网络（如上图所示）和谓词（左侧）另一个例子：积木世界这里我们看到一个包含三个模块和一个谓词的真实世界场景。用微积分表示法来表达这种知识我们为系统配备了诸如以下规则之类的推理规则。关于如何得出结论并操纵这个街区的世界这条规则说“如果不存在Y”。如果X为真，则X为空。语义网络柯林斯和奎利安是首批将语义网络应用于人工智能的人，他们将对象及其关系存储在网络中。他们的目的是表示英语句子边通常会用这些描述符或关系进行标注。isa–类/子类实例——第一个对象是该类的一个实例具有——包含或具有这种物理属性能够——具有以下能力材质、颜色、质地等用于表示语义网络句子“金丝雀会唱歌/飞翔”，“金丝雀“是鸟/动物”，“金丝雀就是金丝雀”。“金丝雀有皮肤”帧语义网络需要图表示，这可能并非一种高效的内存利用方式。另一种表现形式是框架相框最初的设计理念是代表“记忆的框架”——例如，捕捉特定情境或时刻的物体及其属性。框架上会包含插槽，每个插槽可以容纳识别信息（包括此帧是否是另一个帧的子类）与其他框架的关系此框架的描述符关于如何使用此框架的步骤信息（要执行的代码）插槽默认值实例信息（或标识帧代表的是类还是实例）框架示例这是部分画面代表酒店房间房间里有一把椅子。床，还有床上的电话包含一张床垫和一张床框架（未显示）生产系统生产系统是一组规则（如果-那么或条件-动作语句）工作记忆当前问题解决状态，其中包括先前应用规则所产生的新信息。推理引擎（作者称之为“识别-行动”循环）正向推理、反向推理、二者结合，或其他形式的推理，例如赞助商选择器或议程驱动型调度器。冲突解决策略在选择规则时，可能存在多条适用的规则，我们应该选择哪一条呢？选择可能基于冲突解决策略，例如“首选规则”、“最具体规则”、“最突出规则”、“行动最多的规则”、“随机选择”等等。连锁生产系统推理背后的理念是，规则将描述问题解决空间中的步骤，其中一条规则可能适用。在游戏中，可以像下棋一样进行操作。将一段输入数据转化为中间结论将几个中间结论拼凑成一个具体的结论将目标分解为若干子步骤因此，使用生产系统的解决方案是一系列相互关联的规则的集合。正向推理——从数据推导出结论，其中需要在工作记忆中寻找与给定规则左侧相匹配的条件。逆向推理——从目标出发，推导出操作步骤，将初始目标分解为实现该目标所需的步骤，也就是说，这是一个子目标分解的过程。两个生产系统示例示例系统：水壶问题：给定一个4加仑的容器（X）和一个3加仑的容器（Y），将2加仑水正好倒入X中。假设有无限量的水可供使用。规则/操作者1.如果X=0，则X=4（填入X）2.如果Y=0，则Y=3（填入Y）3.如果X>0，则X=0（X为空）4.如果Y>0，则Y=0（Y为空）5.如果X+Y>=3且X>0，则X=X–(3–y)且Y=3（用X的值填充Y）6.如果X+Y>=4且Y>0，则X=4且Y=Y–(4–X)（用Y的值填充X）7.如果X+Y<=3且X>0，则X=0且Y=X+Y（将X的值赋给Y）。8.如果X+Y<=4且Y>0，则X=X+Y且Y=0（将Y的值赋给X）。下一张幻灯片中使用的规则编号冲突解决策略在生产系统中，当多个规则匹配时会发生什么？冲突解决策略决定了如何从多个匹配规则中进行选择。简单的冲突解决策略包括随机的第一场比赛最近/最不匹配规则符合最长/最短周期数（不应期）的规则最显著规则（在运行生产系统之前，每条规则都会被赋予一个显著性）更复杂的解决方案策略可能选择条件最多/最少的规则（特异性/通用性）或者最多/最少的操作次数（对状态的最大/最小变化）霉素到20世纪70年代初，人们发现生产系统方法足以构建大规模专家系统。1971年，斯坦福大学的研究人员开始构建MYCIN，一种医学诊断系统。它包含一个非常庞大的规则库。它采用了反向链接法为了应对医学知识的不确定性，它引入了确定性因素（有点像概率）。1975年，它接受了医学专家的测试，结果显示其表现与受测医生相当甚至更优。（规则52）如果（培养部位为血液）（革兰氏染色结果为阴性）（形态学上，该生物体为杆状）（烧伤患者情况危急）然后是0.4（鉴定出的微生物是假单胞菌）如果培养物取自患者的……血液和该生物体的克数是阴性结果和生物体的形态是杆状物，病人是严重烧伤患者。然后得出结论，患者的身份是该微生物为假单胞菌（确定性为0.4）MYCIN手术Mycin的流程始于“诊断和治疗”。重复找出所有能够得出当前所需结论的规则。匹配右侧（即，搜索右侧与工作记忆中任何内容匹配的规则）运用冲突解决机制来确定单一规则废除该规则找到并删除不再需要的知识。现在已知有更具体的信息，请找到并修改已有的知识。添加一个新的子目标（需要证明的左侧条件）直到执行的操作被添加到工作记忆中。Mycin会首先识别疾病，可能还会安排进行更多检查，然后根据诊断结果制定治疗方案。Mycin由大约600条规则组成。R1/XCONDEC的R1也是另一个成功案例。后更名为XCON该系统将接收客户订单，并为这些订单配置特定的VAX计算机，包括如果订单不完整，则完成订单。主机机柜内各种组件（驱动器和磁带单元、主板等）的放置方式）各个组件之间的接线方式是什么？R1将对大约10,000条规则执行正向链接。在六年时间里，它配置了约80,000个订单，准确率达到95-98%。具有讽刺意味的是，尽管规划/设计通常被视为一种逆向推理任务，但R1却采用了正向推理，因为在这个特定案例中，问题是数据驱动的，从用户输入计算机系统的规格开始。R1的解决方案与人类的解决方案质量相似。R1示例规则约束规则如果设备需要电池，请选择设备的电池。如果选择电池作为设备，则选择电压（电池）等于电压（设备）的电池。配置规则如果在平面图设计阶段，空间足够安装电源，但目前没有电源，则需要将电源添加到订单中。如果步骤是配置，则提出替代方案，并且存在未配置的设备，未选择容器，也未选择其他可以容纳该设备的设备，且尚未提出选择容器的建议，并且未发现选择容器的问题，则建议选择容器。如果当前步骤是分配MassBus设备，并且存在一个尚未分配给MassBus的单端口磁盘驱动器，也没有未分配的双端口磁盘驱动器，并且已知每个MassBus应支持的设备数量，并且存在一个已分配至少一个磁盘驱动器且应支持其他磁盘驱动器的MassBus，并且已知连接该磁盘驱动器所需的电缆类型，则将该磁盘驱动器分配给此MassBus。坚固的插槽填充结构为了避免框架和网络带来的困难，Schank和Rieger提出了两种类似网络的表示方法，这两种方法都蕴含了用途和内置语义：概念依赖关系和脚本。概念依赖关系被推导为一种语义网络形式，该网络具有特定类型的链接，用于表示英语句子中的特定信息片段。句子的动作受该行为影响的对象或引发该行为的对象动作和对象的修饰语他们定义了11种基本动作，称为ACT。所有可能的行为都可以归入这11种类型之一。ACT将构成CD的中心，链接将对象和修饰符连接到ACT上。示例光盘这句话是“约翰吃了鸡蛋”。摄入行为是指摄入物体（吃、喝、吞咽）。双箭头上方的P表示过去的测试摄入动作必须有一个对象（O表示对象是鸡蛋）和一个方向（对象从约翰的嘴巴进入约翰的体内）。我们可以推断，应该是“一个蛋”而不是“那颗蛋”，因为没有任何具体信息表明吃掉的是哪颗蛋。我们也可以推断约翰把鸡蛋整个吞了下去，因为没有任何迹象表明约翰咀嚼过鸡蛋！CD理论ACTs这份清单完整吗？还缺少哪些行动？我们能否精简一下这个清单，让它更简洁一些？其他研究人员也提出了其他原始行为列表，其中仅包括三种：身体行为、心理行为和抽象行为。示例CD链接示例光盘更多示例复杂示例这句话是“约翰阻止玛丽把一本书交给比尔”。这句话有两个动