人工智能通识教程 课件 第01章-人工智能概述

第一章人工智能概述主要内容1.1智能的本质1.2机器与智能1.3现代人工智能的诞生1.4人工智能的发展简史1.5人工智能研究的主要领域011.1智能的本质“智能”的本质内涵是什么？从传统认知来讲，智能被看作是智力与能力的结合。人先天拥有的认知本能是“知”，当这种本能与外界接触，再经过后天的学习积累，便产生了“智”。“能”也是人自身具备的能力，通过与外界的磨合应用得以体现。“智”和“能”都是人类在与周围环境互动过程中逐渐形成的。智能的本质就是从所处环境里接收、分析信息，总结经验知识，并运用到自身行为调整中的一种能力。1.1智能的本质智能并非仅仅依靠逻辑推理，还包含了很多难以用逻辑解释的部分，像模糊的感知、凭直觉的判断以及非传统公理的思维等。这些非逻辑的元素，不但充实了智能的概念，还让智能在复杂的现实情境里，能以更丰富多样的方式去应对和适应。1.1智能的本质021.2机器与智能法国当代著名科技哲学家贝尔纳・斯蒂格勒（BernardStiegler,1952—2020）认为“人在根基处是一种缺陷性存在”。人类在生存能力上存在不足，没有技术就难以生存。因此，人类只有通过代具——身体之外的工具，才能更好地生存。人类跑得不够快，就发明了马车、汽车、飞机等“代具”；人看得不够遥远，就发明了望远镜等“代具”。1.2机器与智能人类大脑存在诸如记不牢、算不快等“缺陷”，人脑也应该找个“代具”来弥补一下相应的不足。在人类发展长河里，人们总是在不断探索与思考，能不能让没有生命的事物变得有生命，并赋予其智能？在漫长的发展中，人类不断地寻求大脑的“代具”，将大脑逐渐“外包”出去。机器在承担人脑外包工作过程中体现出来的智能，就是人工智能。1.2机器与智能031.3现代人工智能的诞生图灵测试由英国数学家提出的，是一种用于评估人工智能系统智能程度的经典测试方法。核心原理是：将测试者（一个人）与被测试者（另一个人和一台机器）置于隔离状态，测试者通过键盘和屏幕与二者进行对话。如果在一系列的对话过程中，测试者无法准确分辨出被测试者中哪一个是机器，哪一个是人，那么就可以认为这台机器通过了图灵测试，即表现出了具有欺骗性的人类智能。1.3.1图灵测试图灵测试的目标是从行为表现的角度，判断机器是否具备智能。它的提出为人工智能的发展提供了一个重要的思考方向，引发了人们对于机器是否能够思考、是否具备智能的深入探讨。在当时，这一概念极具前瞻性，为后续人工智能的研究和发展奠定了基础。图灵的的思想和成就对后世产生了深远的影响，被誉为“人工智能之父”，全球计算机领域的最高荣誉“图灵奖”便是以他的名字命名。1.3.1图灵测试2014年6月7日，在英国皇家学会举行了一场备受瞩目的图灵测试。一款名为尤金・古斯特曼（EugeneGoostman）的聊天机器人参与测试，在与30位包括政治家、皇家学会会员、人工智能教授等在内的评委进行5分钟的人机对谈后，超过30%的评委误以为它是真人，从而宣称通过了图灵测试。这一事件引发了公众对人工智能发展的广泛关注和热烈讨论。尤金・古斯特曼在对话中运用了一些语言技巧，例如转移话题、顾左右而言他等，利用规则漏洞来骗过评委，并非真正在智力行为上与人类达到难以区分的程度。这一事件都推动了人们对人工智能发展的思考，促使科研人员在追求机器智能的道路上不断探索和创新。1.3.1图灵测试1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院，一场对人工智能发展具有里程碑意义的会议——达特茅斯会议悄然举行。此次会议的发起者包括约翰・麦卡锡（JohnMcCarthy）、马文・闵斯基（MarvinMinsky）、纳撒尼尔・罗切斯特（NathanielRochester）和克劳德・香农（ClaudeShannon）等。参会人员皆是当时计算机科学、信息论、心理学等领域的顶尖科学家，除了上述发起者，还包括艾伦・纽厄尔（AllenNewell）、赫伯特・西蒙（HerbertSimon）等。1.3.2达特茅斯会议会议的发起过程源于几位科学家对用机器模仿人类学习及其他智能方面的共同兴趣和深入思考。会议持续了长达两个月的时间，讨论的主题围绕着用机器来模仿人类学习以及其他方面的智能展开。科学家们就自动计算机、如何为计算机编程使其能够使用语言、神经网络、计算规模理论、自我改造、抽象、随机性与创造性等多个关键议题进行了深入交流和激烈辩论。尽管在会议期间，大家并未就所有问题达成普遍共识，但却为会议讨论的内容确定了一个具有划时代意义的名称——“人工智能”。从此，“人工智能”这一术语正式诞生，1956年也因此被公认为人工智能元年。1.3.2达特茅斯会议达特茅斯会议的重要意义：它是人工智能领域的首次正式聚会，为人工智能的发展搭建了一个重要的交流平台，将分散在各个领域、对人工智能有着共同兴趣的科学家们聚集在一起，促进了不同学科之间的交叉融合。会议中提出的许多观点和想法，为后续人工智能的研究和发展指明了方向，激发了科研人员的研究热情和创新思维。此后，人工智能作为一个独立的研究领域，吸引了越来越多的研究者投身其中，不断推动着这一领域向前发展，对计算机科学、心理学、认知科学等众多学科产生了深远的影响，成为现代科技发展中不可或缺的重要组成部分。1.3.2达特茅斯会议由于审视的角度不同，导致人们对人工智能（artificialintelligence，AI）学术化定义也不尽相同。定义1：人工智能是制造智能机器的科学与工程约翰・麦卡锡（JohnMcCarthy，1955）定义2：人工智能是那些与人的思维、决策、问题求解和学习等有关活动的自动化。贝尔曼(RichardE.Bellman，1978)1.3.3人工智能的定义定义3:人工智能是研究智能行为的学科。它的最终目的是建立自然智能实体行为的理论和指导创造具有智能行为的人工制品。这样一来，人工智能可为两个分支:科学人工智能和工程人工智能。尼尔森(NilsNilsson，1987)定义4：人工智能就是一种创造机器的技艺。雷・库兹韦尔(RayKurzweil,1990)定义5：人工智能就是这样一个系统，它能够正确解释外部数据，从这些数据中学习，并通过灵活的适应，利用这些学习得来的知识，实现特定的目标和任务。安德列亚斯・卡普兰(AndreasKaplan,2019)1.3.3人工智能的定义041.4人工智能的发展简史人工智能的发展历史可归结为三个阶段：1.4人工智能的发展简史孕育形成发展20世纪40年代，是人工智能发展历程中至关重要的孕育阶段。在这个时期，随着科技的不断进步和人们对智能探索的深入，人工神经元和计算模型应运而生。1943年，沃伦・麦卡洛克（WarrenMcCulloch）和沃尔特・皮茨（WalterPitts）提出了首个人工神经元模型，这一模型的诞生，为后续神经网络的发展奠定了坚实的理论基础。它就像一颗种子，在人工智能的土壤中生根发芽，开启了人们对智能系统模拟的新篇章。1.4.1孕育图灵设想的“图灵测试”，为判断机器是否具备智能提供了一个开创性的思路，引发了人们对机器智能的深入思考。维纳的控制论，强调了反馈在系统中的重要性，指出动物和机器都可以通过反馈、纠错来实现学习和改进，这一理论为智能系统的设计和研究提供了重要的指导。香农的信息论，致力于研究信息的度量、传输和处理，解决了如何从外部世界学习有用信息，并对其进行组织管理和衡量度量的问题，为人工智能中的信息处理提供了关键的理论支持。冯·诺依曼的博弈论，则从决策和策略的角度，研究了在与外部环境或对手博弈时，如何不断提高决策的质量，这一理论在人工智能的决策系统中有着广泛的应用。1.4.1孕育这些理论为人工智能的发展指明了方向，激发了科学家们的研究热情。它们相互交织、相互影响，共同推动着人工智能从孕育走向形成，为后续的发展奠定了不可或缺的基础。1.4.1孕育1956年的达特茅斯会议，成为了人工智能发展历程中的一个重要转折点，标志着人工智能正式形成。在这次会议上，“人工智能”这一术语被首次正式提出，约翰・麦卡洛克、马文・闵斯基等科学家围绕着用机器来模仿人类学习以及其他智能方面展开了深入的讨论。这次会议的意义非凡，为人工智能的研究搭建了一个重要的交流平台，使人工智能从分散的研究走向了一个统一的、有明确目标的研究领域。1.4.2形成会议之后，符号主义学派迅速崛起，成为人工智能领域的主流学派之一。符号主义认为人类思维的基本单元是符号，人类认知的过程就是符号运算，主要通过逻辑进路来研究人工智能。1955年末，艾伦・纽厄尔（AllenNewell）和赫伯特・西蒙（HerbertSimon）开发的“逻辑理论家”（LogicTheorist）程序，堪称符号主义的早期代表成果。该程序能够证明《自然哲学的数学原理》中的38条数学定理，为人工智能的问题解决提供了重要的思路。1.4.2形成1957年，艾伦・纽厄尔、赫伯特・西蒙和J.C.肖（J.C.Shaw）又推出了“通用问题解决器”（generalproblemsolver，GPS）推理架构以及启发式搜索思路。GPS旨在解决所有能够使用基本算法描述的问题，为此，研究者们专门为它创造了一门编程语言信息处理语言（informationprocessinglanguage，IPL）。它所提出的启发式搜索思路，对后来的人工智能研究产生了深远的影响，许多人工智能系统在解决问题时都借鉴了这一思路。1.4.2形成符号主义学派的这些成果，不仅在理论上为人工智能的发展提供了重要的支撑，而且在实际应用中也取得了一定的成效，推动了人工智能在早期阶段的快速发展。它们为后续的人工智能研究奠定了坚实的基础，使得人工智能逐渐从理论走向实践，从概念走向应用。1.4.2形成20世纪80-90年代，人工智能迎来了重要的发展阶段，专家系统和知识工程成为这一时期的研究热点。专家系统是一种基于领域专家知识和经验构建的智能系统，能够在特定领域内解决复杂问题，提供专业的建议和决策支持。它通过将领域专家的知识以规则、框架等形式表示出来，存储在知识库中，然后利用推理引擎根据用户输入的问题和知识库中的知识进行推理，得出解决方案。1.4.3发展在医疗领域，如MYCIN系统，能够根据患者的症状、体征和实验室检查结果，诊断出多种细菌感染性疾病，并推荐相应的治疗方案，为医生的诊断和治疗提供了有力的辅助工具；在化学领域，DENDRAL系统可以通过分析质谱数据，帮助确定分子的结构，大大提高了化学研究的效率；在地质勘探领域，PROSPECTOR系统能够根据地质数据和专家知识，预测矿产资源的分布，为矿产勘探提供了重要的参考依据。1.4.3发展知识工程作为人工智能的一个重要分支，专注于研究如何获取、表示和利用知识，以构建智能系统。它涉及知识获取、知识表示、知识推理、知识维护等多个方面，旨在解决人工智能系统中的知识瓶颈问题。在知识获取方面，研究人员探索了多种方法，包括专家访谈、数据挖掘、机器学习等，以从不同来源获取知识；在知识表示方面，除了传统的规则表示法外，还发展了语义网络、框架、本体等多种表示方法，以更有效地表示知识的结构和语义；在知识推理方面，除了演绎推理外，还引入了归纳推理、类比推理等多种推理方法，以提高推理的效率和灵活性。1.4.3发展这一时期的人工智能也逐渐暴露出一些问题。知识获取困难是一个主要问题，获取领域专家的知识往往需要耗费大量的时间和精力，而且知识的准确性和完整性也难以保证；知识表示的局限性也日益凸显，传统的知识表示方法难以表示复杂的、不确定的知识，限制了人工智能系统的应用范围；推理效率低下也是一个挑战，在处理大规模知识和复杂问题时，推理过程往往需要消耗大量的时间和计算资源，导致系统的响应速度较慢。尽管面临这些问题，但这一时期的人工智能发展为后续的研究和应用积累了宝贵的经验，推动了人工智能技术在更多领域的探索和实践，为人工智能的进一步发展奠定了基础。1.4.3发展2011年以后，随着互联网技术的飞速发展和数据量的爆炸式增长，人工智能迎来了大数据驱动的发展新时期。在这个时期，神经网络在数据和算力的双重加持下，焕发出蓬勃的生机与活力，深度学习技术应运而生，并迅速成为人工智能领域的核心技术。1.4.4大数据驱动人工智能发展期深度学习是机器学习的一个分支领域，它通过构建具有多个隐藏层的神经网络模型，能够自动从大量数据中学习到数据的高级特征和模式，从而实现对复杂数据的准确理解和处理。与传统的机器学习方法相比，深度学习具有更强的特征学习能力和表达能力，能够处理图像、语音、文本等多种类型的数据，在图像识别、语音识别、自然语言处理等领域取得了一系列令人瞩目的成果。1.4.4大数据驱动人工智能发展期在图像识别领域，卷积神经网络（convolutionalneuralnetwork，CNN）的出现极大地推动了图像识别技术的发展。CNN通过卷积层、池化层和全连接层等结构，能够自动提取图像的特征，对图像中的物体进行分类、检测和分割。例如，在著名的ImageNet图像识别大赛中，基于深度学习的模型不断刷新准确率记录，使得图像识别的准确率大幅提高，达到了甚至超越人类的水平。这一技术在安防监控、自动驾驶、医学影像分析等领域得到了广泛应用，为这些领域的智能化发展提供了重要的技术支持。1.4.4大数据驱动人工智能发展期在语音识别领域，深度学习技术同样取得了显著的突破。递归神经网络（recurrentneuralnetwork，RNN）及其变体长短期记忆网络（longshort-termmemory，LSTM）、门控循环单元（gatedrecurrentunit，GRU）等，能够有效地处理语音信号的时序信息，实现对语音内容的准确识别和理解。如今，语音助手如Siri、小爱同学等已经广泛应用于智能手机、智能音箱等设备，为人们的生活带来了极大的便利。在智能客服、语音转文字、有声读物生成等领域，语音识别技术也发挥着重要的作用。1.4.4大数据驱动人工智能发展期在自然语言处理领域，Transformer架构的提出引发了自然语言处理技术的重大变革。基于Transformer架构的预训练语言模型，如GPT系列、BERT等，能够对大规模的文本数据进行学习，理解文本的语义和语境，实现文本生成、问答系统、机器翻译、情感分析等多种自然语言处理任务。这些模型在实际应用中展现出了强大的能力，为智能写作、智能客服、智能翻译等领域带来了新的发展机遇。1.4.4大数据驱动人工智能发展期大数据驱动的人工智能发展期，不仅推动了人工智能技术在各个领域的广泛应用，而且深刻改变了人们的生活方式和社会的运行模式。随着技术的不断进步和创新，人工智能在未来有望取得更加辉煌的成就，为人类社会的发展做出更大的贡献。1.4.4大数据驱动人工智能发展期051.5人工智能研究的主要领域认知建模致力于通过计算机程序来模拟人类的认知过程，包括学习、记忆、注意力、语言理解与生成以及问题解决等方面。它的核心原理是借鉴心理学、神经科学等领域的研究成果，将人类的认知机制抽象为数学模型和计算算法。在实际应用中，认知建模可用于教育领域，开发个性化学习系统，根据学生的认知特点和学习进度提供定制化的教学内容和指导；在人机交互领域，使计算机能够更好地理解用户意图，提供更自然、智能的交互体验。1．认知建模知识表示主要探究如何把人类知识转化为计算机能够理解和处理的形式。常见的知识表示方法包括产生式规则，即以“如果-那么”的形式表达知识；语义网络，通过节点和边来表示概念及其之间的关系；框架表示法，将知识组织成框架结构，每个框架包含若干槽和值。知识表示在专家系统中应用广泛，例如医疗诊断专家系统，通过将医学知识以合适的方式表示，计算机可以根据患者的症状和检查结果进行推理诊断；在智能问答系统中，准确的知识表示能帮助系统快速定位和理解问题，给出准确回答。2．知识表示机器感知聚焦于让机器具备像人类一样感知外部世界的能力。计算机视觉是机器感知的重要分支，通过摄像头等设备获取图像或视频信息，利用图像处理和模式识别技术，实现目标检测、图像分类、图像分割等功能，广泛应用于安防监控、自动驾驶、工业检测等领域。语音识别则致力于将人类语音转换为文本，通过对语音信号的特征提取和模式匹配，使机器能够理解人类的语音指令，在智能语音助手、语音转写等场景发挥关键作用。3．机器感知自动推理旨在让计算机依据给定的知识和规则，自动推导出新的结论。它基于数理逻辑，如命题逻辑、谓词逻辑等，运用推理算法进行演绎推理、归纳推理和溯因推理。在数学领域，自动推理可用于定理证明，帮助数学家验证复杂的数学定理；在法律领域，通过将法律条文和案例转化为知识和规则，计算机可以进行法律推理，辅助法官判案；在智能规划系统中，根据任务目标和环境约束，自动推理出执行任务的最佳步骤和策略。4．自动推理机器学习使机器能够从数据中自动学习模式和规律，并利用这些知识进行预测和决策。监督学习是最常见的机器学习类型，通过已标注的数据进行训练，建立输入特征与输出标签之间的映射关系，用于分类和回归任务，如垃圾邮件分类、房价预测等。无监督学习则处理未标注的数据，发现数据中的潜在结构和模式，如聚类分析、主成分分析等，在市场细分、图像压缩等方面有广泛应用。强化学习通过智能体与环境的交互，根据奖励反馈不断优化策略，在游戏、机器人控制、自动驾驶等领域展现出强大的应用潜力。5．机器学习博弈研究计算机在竞争对抗环境中的策略选择。在博弈过程中，智能体需要考虑对手的可能行动，并根据当前局势和目标制定最优策略。以棋类游戏为例，计算机通过搜索算法和评估函数，在众多可能的走法中寻找最优解，如AlphaGo通过深度学习和强化学习技术，战胜了人类围棋冠军，展现了人工智能在博弈领域的巨大突破。博弈理论在经济领域也有重要应用，用于分析市场竞争、拍卖策略等；在军事领域，可用于模拟作战场景，制定战略战术。6．博弈自然语言处理旨在实现人类自然语言与计算机之间的有效交互。它涵盖了多个方面，包括文本分类，将文本按照主题或类别进行划分，如新闻分类、情感分析等；机器翻译，将一种自然语言翻译成另一种自然语言，促进跨语言交流；问答系统，理解用户的问题并给出准确回答，在智能客服、智能助手等场景中发挥重要作用。自然语言处理涉及语言学、计算机科学等多学科知识，通过深度学习技术，如循环神经网络、Transformer架构等，不断提升自然语言处理的性能和效果。7．自然语言处理深度神经网络是一种基于人工神经网络的机器学习模型，具有多个隐藏层，能够自动学习数据的复