《人工智能导论》 教案 第1章 绪论

章节名称第1章绪论授课方式理论(√);实验()；实习()教学时数2教学目的及要求熟悉学生情况，介绍本课程的主要内容和章节划分，使学生对本课程的重点难点分布有一定了解；主要学习智能、人工智能概念、发展历史、主要研究内容、发展趋势。教学内容导言人工智能（ArtificialIntelligence，AI）在科学领域并不是一个新概念，早在60多年以前就已经诞生了这个概念。多年以来，人工智能一直是作为计算机科学的一个分支不断发展，由于理想与现实的差距巨大，历史上人工智能的发展几度处于低潮。在过去的5年，由于人工智能技术在围棋、游戏、机器人等方面的一次次突破，又激发了人类对人工智能技术的无限畅想，人们再次意识到人工智能的重要性。著名人工智能专家吴恩达认为：“人工智能带来的影响不亚于100多年前的电”。人工智能正在快速融入人类工业、农业生产以及生活服务的方方面面。很多细分领域的智能技术持续不断地进步，其中许多技术已经达到甚至超越人类智能的水平。比如，人工智能在围棋方面的技艺已经超越最好的人类棋手，能够更加准确地识别图像中不同物体或人脸，以更加准确地方式翻译不同的人类语言，并且还会有一些基本的判断力。越来越多模拟人类智能的计算技术快速发展，如感知、推理、学习和与人交互等，人工智能正在通过算法和程序感知人类社会并与之互动。本章主要介绍智能、人工智能的定义与类型划分，自然智能、人工智能与机器智能的关系，以及人工智能发展历史脉络、各阶段代表性人物及其思想以及代表性技术，研究内容及其在社会各方面的应用。1.1人工智能的基本概念1.1.1智能的概念关于智能，与生命一样，并没有准确的定义。不同的学科和专业、不同专家在不同时期，从不同角度给出了各种不同定义和观点。一般而言，智能是智力和能力的总称。人工智能的定义中所指称的“智能”，主要是人类的智能。本课程中后面除非特别指出，都默认人工智能模拟的是人类智能。结合《人工智能导论》教材，介绍智能定义及其三层含义：智能是个体能够主动适应环境或针对问题，获取信息并提炼和运用知识，理解和认知环境，有目的地采取合理可行的策略和行动，解决问题并达到目标的综合能力。它包含三层含义：第一，智能的基本能力，是能够适应环境，无论对低级生命还是高级生命；第二，智能是一种综合能力，包括获取环境信息，利用信息并提炼知识，采取合理可行的、有目的行动，主动解决问题的能力；第三，这种综合能力具有主动性、目的性，人的智能除了本能的行为以外，任何智能及行动都是意向性，体现主观自我意识和意志。1.1.2人工智能的思想来源1、将人工智能概念全面理解，理解为信息－知识－智能。信息经抽象、结晶，转化为知识;知识经提炼、升华，转化为智能;智能经发挥、运用，促进信息化的发展。因此，传统计算方法无法跟上信息化发展的步伐。图1人工智能概念理解图2、介绍图灵测试思想实验过程，引出人工智能概念。人工智能概念（1.2.1节中会具体介绍诞生历史）提出以后，不同阶段的专家在不同时期从不同角度给出了关于人工智能的很多定义，并没有达成一致意见。这里只列举几个典型的定义：（1）人工智能是研究那些使理解、推理和行为成为可能的计算。（2）人工智能是一种能够执行需要人类智能的创造性机器的技术。（3）人工智能是智能机器所执行的通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习、问题求解等思维活动。3、如何理解人工智能从表现形式的角度：机器智能，能够在各类环境中，自主地或交互地执行各种拟人任务（Anthropomorphictasks）的机器。从学科发展的角度：人工智能，是计算机科学中涉及研究、设计和应用智能机器的一个分支，其近期主要目标是用机器来模仿和执行人脑的某些智能功能，并开发相关理论和技术。从实用主义的角度：智能计算，研究智能信息处理技术，以使机器具有与人类智能相类似的行为，如：判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。3、人工智能类型通过下图解释人工智能的类型。图2人工智能类型图1.2人工智能的发展简史1、第一阶段：人工智能初创期（1936年—1956年）通用图灵机、早期的计算机、人工神经元模型、控制论等思想和理论的发展孕育了人工智能。2、第二阶段：人工智能形成时期（1956—1969）人工智能诞生之后的几十年，大致有两条主线，一是从结构的角度模拟人类的智能，即利用人工神经网络模拟人的大脑结构实现人工智能，发展形成联结主义；另一种是从功能的角度模拟人类的智能，将智能看做是大脑对各种符号进行处理的功能，发展形成了符号主义。符号主义的最初工作由赫伯特·西蒙（HerbertA.Simon）和艾伦·纽厄尔（AllenNewell）在20世纪50年代推动。这个阶段，吸引了许多伟大的科学家针对人工智能各个方面提出创新性的基础理论，例如在知识表达、学习算法、人工神经网络等诸方面，但由于计算机性能有限，这些理论并未实现，但却为20年后的实际应用指明了方式。3、第三阶段：人工智能发展时期（1970年—90年代初）这一时期分为两个阶段，1970年以后-70年代末，是人工智能发展第一次低潮时期。人工智能的发展并不符合预期而遭受激烈批评和预算限制。1971年，罗森布拉特早逝，加上明斯基等人对感知机的激烈批评，人工神经网络被抛弃，联结主义因此停滞不前。这是人工智能发展历程中遭遇的第一个“寒冬”。但即使是低潮的70年代，仍有许多新思想想、新方法在发展和萌芽。20世纪70年代初，美国学者约翰·霍兰德（JohnHolland）创建了以达尔文进化论思想为基础的基于自然选择和遗传机制的计算模型，称为遗传算法，以遗传算法为基础，加上进化策略和90年代发展的遗传编程算法，形成了进化计算这一研究分支。1982年，美国加州工学院\t"/item/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"物理学家约翰·霍普菲尔德（Hopfield）提出了Hopfield神经\t"/item/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"网格模型，标志着人工神经网络新一轮的复兴。也就是第二阶段。这个阶段，比较大的收获是联结主义—人工神经网络的发展，由于少数学者的坚持，取得了最重要、最有意义的进步，这些进步促进了当代深度神经网络的发展和深度学习技术的全面爆发。4、第四阶段：人工智能大突破时期（1993—至今）20世纪90年代至今是一个非凡的创造性时期，联结主义的关键技术在这一时期得到承接发展。1993年作家兼计算机科学家弗诺·文奇（VernorVinge）发表了一篇文章，在这篇文章中首次提到了人工智能的“奇点理论”。他认为未来某一天人工智能会超越人类，并且终结人类社会，进而主宰人类世界，被其称为“即将到来的技术奇点”。2010年，斯坦福大学教授李飞飞创建了一个名为ImageNet的大型数据库，其中包含数百万个带标签的图像，为深度学习技术性能测试和不断提升提供了一个舞台。2015年，微软亚洲研究院何凯明等人使用152层的残差网络（ResNet）参加了ImageNet图像分类竞赛，并取得了3.57%的整体错误率，这已经超过了人类平均水平5%的错误率；2016年，美国Google旗下的人工智能公司Deepmind开发的智能系统AlphaGo(阿尔法围棋)战胜人类冠军棋手，系统集成了多种包括人工神经网络和搜索技术在内的多种人工智能技术。这也是人工智能发展史上一个重要的里程碑。近五年，随着移动网络的迅速普及，超级计算、大数据与人工智能联接主义结合的范式引发了人工智能第三轮爆发，基于深度神经网络的深度学习在信号处理、语音处理、自然语言处理、图像识别和机器翻译等应用方面接连取得巨大突破和成功。相比于历史上任何一个时期，现阶段是联结主义人工智能对符号主义人工智能的胜利，以人脑神经网络为原型的联结主义成为实现人工智能的有效途径，但长远来看不代表符号主义的研究没有价值。1.3人工智能的研究方法与学派从1956年正式提出人工智能概念起，不同领域、不同背景的学者和研发人员对人工智能做出了各自的理解，提出了不同的观点，由此产生了不同的学术流派。迄今为止，对人工智能发展影响较大的主要有符号主义、连接主义和行为主义三大学派。1.符号主义学派符号主义，也被称为逻辑主义、心理学派或计算机学派，是人工智能领域的一个核心学派。其理论基础建立在物理符号系统假设和有限合理性原理之上。符号主义学派认为，人类的认知和思维过程可以被视为对符号的一系列操作，而计算机系统，作为一个物理符号系统，能够模拟这些过程。符号主义学派在人工智能领域曾占据主导地位，尽管在早期取得了巨大成功，但在处理模糊性、不确定性和复杂性方面存在局限。另外，随着技术的发展，面临着多方面的挑战，例如符号主义在处理大规模非结构化数据方面存在局限，与现代深度学习等技术相比，其数据处理能力相对较弱，这些局限性促使了其他学派，如连接主义和行为主义的发展。2.连接主义学派连接主义，又称仿生学派或生理学派，是人工智能领域的一个重要分支，其主要原理是神经网络及神经网络间的连接机制与学习算法。连接主义学派认为人工智能的发展可以借鉴人脑的结构和功能，通过模拟神经元网络来实现智能行为。连接主义学派在人工智能领域具有深远的影响，在人工智能领域的发展中扮演了重要角色，但其理论和方法也引发了一些争议，例如，黑箱问题，数据依赖性等。连接主义模型，尤其是深度学习模型，常被批评为“黑箱”，因为其决策过程缺乏透明度，难以解释模型是如何得出特定结论的。深度学习模型需要大量的标注数据进行训练，这在数据隐私和伦理方面引发了担忧，同时也限制了模型在数据稀缺领域的应用。随着计算能力的增强和算法的优化，连接主义学派有望在更多领域实现突破，推动人工智能技术向更加智能化、自动化的方向发展。同时，学界和业界也将持续探索解决现有挑战的方法，以期实现更加高效、可靠的智能系统。3.行为主义学派行为主义，也称进化主义或控制论学派，行为主义强调智能行为的外部表现和环境适应性，认为智能是通过与环境的交互而学习形成的。该学派的研究重点在于模拟自适应、自组织和自学习等控制论系统，以及智能控制和智能机器人的开发。布鲁克斯(Brooks)的六足行走机器人是行为主义的典型代表，它通过感知-动作模式模拟昆虫行为，展示了行为主义在智能系统设计中的应用潜力。行为主义学派的核心观点是智能行为可以通过感知和动作的交互来实现，而无需依赖于复杂的内部符号处理或预设的知识库。这一观点与符号主义和连接主义形成了鲜明对比。符号主义、连接主义和行为主义三大学派各有优势，各有长短，既有擅长的处理能力，又有一定的局限性。各种模拟方法可以取长补短，实现优势互补。过去在激烈争论时期，那种企图完全否定对方而以一家的主义和方法主宰人工智能世界的氛围，正被互相学习、优势互补、集成模拟、合作共赢、和谐发展的新氛围所代替。未来的发展将更加注重它们之间的互补和融合。通过融合这些学派的思想和方法，人工智能将能够更好地模拟人类智能，实现更强大的智能行为。人工智能是一个多领域交叉学科，它涉及计算机科学、概率论、统计学、逼近论、凸分析等多个学科，多学科交叉融合是人工智能当今乃至今后科研领域的重要趋势之一，这种交叉融合不仅推动了人工智能技术的发展，也为其他学科带来了创新性的突破。通过与不同学科的交叉融合，人工智能不仅可以解决自身的技术难题，还可以为其他学科带来新的发展机遇。人工智能和数学的交叉融合主要体现在机器学习、深度学习等领域。这些领域需要使用大量的数学理论和方法，如线性代数、概率论、微积分等，来构建和优化算法模型。通过与数学的交叉融合，人工智能可以更好地理解和应用数据的内在规律，提高预测、分类、优化等问题的准确性。人工智能与物理学的交叉融合主要涉及计算物理学、量子计算等领域。这些领域需要使用大量的物理理论和方法，如经典力学、量子力学、热力学等，来模拟和解释自然现象。通过与物理学的交叉融合，人工智能可以构建更高效的模拟模型，从而更精确地预测和理解物质的行为和性质。人工智能与生物学的交叉融合主要涉及基因组学、蛋白质组学、生物信息学等领域。这些领域需要处理大量的生物数据，如基因序列、蛋白质相互作用等。通过与生物学的交叉融合，可以更高效地处理和分析这些数据，帮助科学家们更好地理解生命的本质和机制。此外，人工智能和地球科学的交叉融合主要涉及环境科学、气候学、地质学等领域。这些领域需要处理大量的地球数据，如气象数据、地震数据、环境污染物数据等。通过与地球科学的交叉融合，可以帮助科学家们更好地预测和理解地球的变化趋势和影响，为环境保护和可持续发展提供科学依据。人工智能与人文社会科学的交叉融合推动了知识生产的创新。借助人工智能的信息处理能力，研究者可以更高效地获取、整理和分析海量知识，突破领域和学科的壁垒。人工智能多学科交叉融合已经成为推动科技进步的重要力量，通过与不同学科的交叉融合，人工智能不仅可以解决自身的技术难题，还可以为其他学科带来新的发展机遇。1.4人工智能的研究内容应用领域人工智能的研究内容非常广泛，包括但不限于知识表示、机器感知、机器思维、机器学习、行为控制，各个研究内容又可以细分为若干研究领域，如搜索方法、智能优化、推理方法、深度学习、自然语言处理、计算机视觉、语音识别、知识图谱、强化学习等。人工智能技术的应用也正迅速扩展到社会的各个领域，从智能助手、自动驾驶汽车到医疗诊断、金融分析等，正成为推动生产力和创新的关键技术。人工智能的研究内容：1.知识表示知识是一切智能行为的基础，要研究人工智能，首先要研究知识表示方法。只有将知识有效地表示出来，才能将其存储到计算机中并用于求解现实问题。知识表示方法可分为两大类：符号表示法和连接机制表示法。符号表示法就是用各种包含具体含义的符号以不同的方式和顺序组合起来表示知识。例如，在专家系统中，规则表示法是一种常见的符号表示方法，通过“如果……那么……”的规则形式来表示知识。这种表示方法的优点是易于理解和解释，但缺点是难以处理复杂的、不确定的知识。知识表示方法将在后续章节详细讲解。2.机器感知让机器能够像人一样具有看、听和触摸等感知能力，这是人工智能的又一重要研究内容。机器感知是指使机器（计算机）具有类似于人的感知能力，是机器获取外部信息的基本途径，也是人工智能实现与外界交互的重要手段。目前研究内容主要以机器视觉和机器听觉为主。机器视觉是用机器代替人眼进行测量和判断，通常分为低层视觉和高层视觉两类。低层视觉主要涉及图像的预处理、边缘检测、特征提取等操作。高层视觉则关注图像的理解和解释，如目标识别、场景分析等。机器听觉主要涉及语音识别和语音合成。语音识别是将人的语音信号转换为文字信息，例如智能手机的语音助手等，通过语音识别技术将用户的语音指令转换为文字，然后进行处理和响应。语音合成则是将文字信息转换为语音信号，使机器能够“说话”。例如，语音合成技术可以用于智能客服、语音导航等领域，提高人机交互的自然性和便捷性。3.机器思维人工智能的研究除了让机器能够表示知识、感知外界之外，关键是要让机器像人一样学会思考。机器思维就是将通过感知得来的外部信息及机器内部的各种工作信息进行有目的的处理。机器思维是人工智能的核心，它涉及知识的推理、决策、规划等多个方面。知识推理是人脑的基本功能，也是机器实现智能的关键。推理是从已知判断或前提推导出新的判断或结论的思维过程。在人工智能中，推理方法包括演绎推理、归纳推理和类比推理等，例如，在专家系统中，演绎推理可以根据已有的规则和事实推导出新的结论。归纳推理则可以从大量的数据中总结出一般的规律。类比推理则可以通过类比已知的案例来解决新的问题，这些将在后续章节介绍。决策与规划是指在多个可能的行动方案中选择最优的方案，而规划则是制定一系列行动步骤以实现特定的目标。例如，在自动驾驶汽车中，决策系统需要根据环境感知信息（如道路状况、交通信号等）做出驾驶决策，如加速、减速、变道等，规划系统则需要制定从起点到终点的行驶路径，并根据实时交通状况进行动态调整。4.机器学习机器学习是人工智能的核心技术之一，它研究如何使计算机具有类似于人的学习能力，使它能够通过学习自动地获取知识。机器学习可以让人工智能系统通过自动学习改进其性能，其核心在于让计算机从大量数据中发现规律和模式，从而对新的数据进行预测或决策。例如，推荐系统可以根据用户的浏览和购买历史，预测用户可能感兴趣的商品；垃圾邮件过滤器可以识别并过滤掉垃圾邮件。机器学习的应用非常广泛，也是现在主要研究内容之一。机器学习广泛应用于自然语言处理、图像识别、金融分析、医疗诊断等多个领域，极大地推动了人工智能的发展。例如在推荐系统领域，如抖音推荐视频、淘宝推荐商品，都是基于机器学习算法实现的。在自然语言处理方面，机器学习被用于语音识别、机器翻译、情感分析等。计算机视觉领域，机器学习在图像识别、物体检测、面部识别等方面有广泛应用，如自动驾驶汽车通过摄像头和传感器识别周围的障碍物。金融领域中，机器学习用于股市预测、信用评分、欺诈检测等，帮助银行检测信用卡交易中的欺诈行为。在医疗健康领域，机器学习帮助医生诊断疾病、发现药物副作用、预测病情发展等。随着数据量的爆炸式增长和计算能力的提升，机器学习的应用将继续扩展，为各行业带来更加智能和高效的解决方案。机器学习的方法将在后续章节详细讲解。5.行为控制机器行为控制是人工智能领域的一个重要研究方向，它主要关注如何通过算法和控制策略，使机器（如机器人）能够表现出符合预期的行为模式，以更好地适应环境、完成任务并与人类进行有效交互。机器行为控制的核心目标是让机器能够在复杂多变的环境中自主地做出决策并执行相应的动作，这需要机器在具备感知、推理、决策和执行的能力的前提下通过控制策略来控制机器的行为。机器行为控制是人工智能实现与外界交互的重要方式，也是人工智能应用的重要体现。机器行为控制在许多领域都有广泛的应用，自动驾驶汽车是机器行为控制的一个重要应用领域。通过各种传感器（如摄像头、雷达、激光雷达等）感知周围环境，汽车可以实时做出决策，如加速、减速、转向等，以安全地驾驶。这不仅需要精确的感知和决策算法，还需要考虑与其他车辆和行人的交互。对于智能机器人，它还应具有人的四肢功能，即能走路、能取物、能操作等，需要机器具备高度的自主性和灵活性，以及良好的人机交互能力。目前应用广泛的服务机器人已经在酒店、医院、家庭等场所随处可见。这些机器人需要能够理解人类的指令，与人类进行自然的交互，并执行各种任务，如送餐、清洁、照顾病人等。除此之外还有工业机器人、特种机器人等已经在各行各业得到了广泛应用。人工智能的主要应用领域1、自然语言理解自然语言理解的研究问题What：何谓理解？How：电脑如何能理解人类语言。When：电脑了解到何种程度才算理解。Where：如何转换成电脑可理解的结构，如何储存。Why：电脑真的能理解吗？为何能、为何不能。自然语言理解的应用人机交谈：电脑如何能与人交谈？机器翻译：电脑如何将一篇英文文章翻译成中文？自动摘要：电脑如何对文章进行摘要？自然语言理解的研究者：R.C.Schank:Script,ConceptualDependencyTheory.Fillmore:格语法（CaseGrammar）.2、数据库的智能检索一种对象数据库管理系统智能数据库，是研究利用人的推理、想像、记忆原理，实现对数据库的存储、搜索和修改智能数据库，通过有效的组织，能够满足人们快速检索和修改数据库的要求。3、专家咨询系统由各方面具有丰富经验和渊博知识的专家学者组成的智囊团或思想库，他们是领导者的高参和外脑。专家咨询系统现代行政决策体制中的最重要组成部分之一，也是现代各国普遍采取的决策方式之一。在现代社会，信息爆炸，知识超载，利益多元，社会问题也往往与现代科学技术问题绞在一起，许多社会问题不仅是社会问题，而且还是科学技术问题，不是专家很难予以界定。专家咨询系统的主要作用是拟定决策方案。它没有决策权，对政策执行的结果也不负任何责任。4、定理证明（1）四色定理若在平面上划出一些邻接的有限区域，那么可以用四种颜色来给这些区域染色，使得每两个邻接区域染的颜色都不一样，“是否只用四种颜色就能为所有地图染色”问题最早是由英国制图员在1852年提出，被称为“四色问题”或“四色猜想”。要证明宽松一点的“五色定理”很容易，但四色问题却异常困难。曾经有多人发表四色问题的证明或反例，但多数是错误的。1976年，数学家凯尼斯·阿佩尔和沃夫冈·哈肯借助电子计算机首次得到一个完全的证明，四色问题也终于成为四色定理。这是首个主要借助计算机证明的定理。该证明一开始并不为数学家接受，不少人认为这个证明无法用人手直接验证。尽管随着计算机的普及，数学界对计算机辅助证明更能接受，但仍有数学家希望能够找到更简洁或不借助计算机的证明。5、博弈表示在多决策主体之间行为具有相互作用时，各主体根据所掌握信息及对自身能力的认知，做出有利于自己的决策的一种行为理论。1996年2月10日，深蓝首次挑战国际象棋世界冠军卡斯巴罗夫，但以2:4落败；1997年5月，经过改进后的深蓝再度挑战卡斯巴罗夫，最终深蓝电脑以3.5:2.5击败卡斯巴罗夫，成为首个在标准比赛时限内击败国际象棋世界冠军的电脑系统。机器人学与机器人设计、制造和应用相关的科学，主要研究机器人的控制与被处理物体之间的相互关系。机器人学涉及的科目很多，主要有：运动学和动力学、系统结构、传感技术、控制技术、行动规划和应用工程等。自动程序设计采用自动化手段进行软件开发的技术和过程软件自动化目的是提高软件生产率和软件产品质量。按广义的理解，自动程序设计是尽可能借助计算机系统（特别是自动程序设计系统）进行软件开发的过程。按狭义的理解，自动程序设计是从形式的软件功能规格说明到可执行的程序代码这一过程的自动化。8、组合调度问题最优化求解问题中的一类、连续变量优化问题和离散变量优化问题。具有离散变量的问题，我们称为组合优化（CombinatorialOptimization）目标是从组合问题的可行解集中求出最优解，通常可描述为：令Ω={s1，s2，…，sn}为所有状态构成的解空间，C(si)为状态si对应的目标函数值，要求寻找最优解s*，使得对于所有的si∈Ω，有C(s*)=minC(si)。组合优化往往涉及排序、分类、筛选等问题，它是运筹学的一个重要分支。常见的问题有：旅行商问题（TravelingSalesmanProblem－TSP）、加工调度问题（SchedulingProblem，如Flow-Shop，Job-Shop）、0-1背包问题（KnapsackProblem）、装箱问题（BinPackingProblem）、图着色问题（GraphColoringProblem）、聚类问题（ClusteringProblem）等。历史上人工智能大师阿伦•图灵（AlanTuring）1912年生于英国伦敦，1954年去世1936年发表论文“论可计算数及其在判定问题中的应用”，提出图灵机理论1950年发表论文“计算机与智能”，阐述了计算机可以具有智能的想法，提出图灵测试1966年为纪念图灵的杰出贡献，ACM设立了图灵奖。马文•明斯基（MarnivLeeMinsky）1927年出生于美国纽约首位获得图灵奖的AI学者、框架理论的创立者、提出思维如何萌发并形成的基本理论、达特茅斯会议的发起人之一、1958年在MIT创建世界上第一个AI实验室。3、约翰•麦卡锡（JohnMcCarthy）1927年出生于美国波士顿、1956年发起达特茅斯会议，并提出“人工智能”的概念、1958年与明斯基一起创建世界上第一个人工智能实验室、发明α－β剪枝算法、19