刚才看到了河南省教育厅发布了学校新增了一门“人工智能”专业备案，没准20级的学弟学妹们就能赶上。刚好在慕课官网上看到了浙大的一门面向大学生的“人工智能：模型与算法”课程，先做个了解。
一、人工智能概述
人工智能：以机器为载体实现的人类智能
人工智能的诞生
四位学者在1955年提出了人工智能这一术语及研究范畴
John McCarthy（时任Dartmouth数学系助理教授，1971年度图灵奖获得者）
Marvin Lee Minsky（时任哈佛大学数学系和神经学系Junior Fellow，1969年度图灵奖获得者）
Claude Shannon（Bell Lab，信息理论之父）
Nathaniel Rochester（IBM，第一代通用计算机701主设计师）
让机器能像人那样认知、思考和学习，即用计算机模拟人的智能。
从典型任务/应用对人工智能分类（上世纪70年代以来）
机器定理证明（逻辑和推理），仿解题者
机器翻译（自然语言理解），仿译者
专家系统（问题求解和知识表达），仿专家如医生
博弈（树搜索），仿弈者
模式识别（多媒体认知），仿认知者
学习（神经网络），仿初学者
机器人和智能控制（感知和控制），仿生物者
形成了符号学派、连接学派、行为学派
从智能角度对人工智能的分类
领域人工智能
依葫芦画瓢、任务导向，如Deep Blue和AlphaGo
通用人工智能或跨领域人工智能
举一反三、从经验中学习，如“人类”智能
混合增强人工智能：多种智能体的混合形式
外骨骼机器人
人类智能+机器智能：如达芬奇外科手术机器人
人、机、物、网互联：如智慧城市系统
人工智能螺旋式发展之路：三次低谷
第一次低谷：1973年英国发表James Lighthill报告
- 该报告主要评判AI基础研究中A自动机、B机器人和C中央神经系统。
- 报告得出结论：A和C的研究有价值，但进展令人失望。B的研究没有价值，进展非常令人失望。建议取消B的研究。
- 批评后，AI开始了严冬（AI Winter）
第二次低谷：日本智能（第五代）计算机研制失败1982年开始，日本通产省主持第五代计算机。
- 动机：计算机从计算与存储数据向能直接推理与知识处理的新型结构过渡。
- 目标：构成一个具有1000个处理单元的并行推理机，推理速度比常规高1000倍。连接10亿信息组的数据库和知识库，具备听说能力。
- 1992年因失败而告终（开支US $850 million）
教训：驱动AI的发展要靠软件、数据和知识，而非硬件
第三次低谷：知识词典日趋势微、网络百科兴起
- 第三次低谷：知识词典日趋势微、网络百科兴起
- 斯坦福1984年通过专家来建设知识百科全书Cyc。截止2015年11月（其建设也时断时续），包括23万多个概念、实体和200多万个三元组，如：
- -place：~19，000 organization：~26，000 business related thing：~28，000
- Cyc在90年代后期衰败，因搜索引擎崛起，显示互联网威力。
- Cyc也开始链接外部知识库：Dbpedia，UMBEL，CIA World Factbook等等。
教训：知识不能靠专家表达，要自动学
人工智能发展中的主流方法（1）：
符号主义人工智能（SymbolicAI）为核心的逻辑推理
数据驱动（data-driven）为核心的机器学习
在“探索（未知空间）与利用（已有经验）（exploration vs.exploitation）”之间取得平衡为核心的强化学习
总结：三种方法各自的优势与不足
从数据到知识与能力，能力增强是最终目标三种学习方法的综合利用值得关注！
举例：
人机博弈：AlphaGo
人工智能：大学课程助教
人工智能：智能驾驶时代逐渐开启
人工智能基本研究内容
人工智能特点：至小有内、至大无外，多学科交叉内禀
人工智能推动学科交叉、重塑人才培养模式
人工智能培养中的知识体系要专业化与成体系
人工智能基本研究内容
人工智能：以机器为载体实现的人类智能或生物智能
从模拟人类智能角度而言，人工智能应具备如下能力：
- 具备视觉感知和语言交流的能力。即能够识别和理解外界信息（计算机视觉研究范畴）、能够与人通过语言交流（自然语言理解研究范畴）。
- 具备推理与问题求解能力。即基于已有知识，对所见事物和现象进行演绎推理以解决问题。
- 具备协同控制能力。即将视觉（看）、语言（说）、推理（悟）等能力统一协调，加以控制，这是常见的机器人研究领域内容。
从模拟人类智能角度而言，人工智能应具备如下能力：
- 具备遵守伦理道德能力。即模拟人类智能的智能体在社会环境中要遵从一定的伦理道德。阿西莫夫在科幻小说中按照优先级定义了机器人需要遵从的三条伦理原则：不得伤人，或弃人于危难；需服从人；在不违反上述两条原则情况下，保护机器人自己。
- 具备从数据中进行归纳总结的能力。即需要从数据中进行知识、规律和模式学习的模型和方法，这是机器学习研究范畴。
本课基本内容
二、搜索求解
1.启发式搜索
人工智能中的搜索
人工智能中的搜索：以寻找最短路径问题为例
搜索算法的形式化描述：
<状态、动作、状态转移、路径、测试目标〉
状态：
从原问题转化出的问题描述。例如，在最短路径问题中，城市可作为状态。将原问题对应的状态称为初始状态。
动作：
从当前时刻所处状态转移到下一时刻所处状态所进行操作。一般而言这些操作都是离散的。
状态转移：
对某一时刻对应状态进行某一种操作后，所能够到达状态。
路径：
一个状态序列。该状态序列被一系列操作所连接。如从Arad到Bucharest所形成的路径。
目标测试：
评估当前状态是否为所求解的目标状态。
搜索算法：启发式搜索（有信息搜索）
在搜索的过程中利用与所求解问题相关的辅助信息，其代表算法为贪婪最佳优先搜索（Greedy best-first search）和A*搜索。
贪婪最佳优先搜索
例子：
评价函数是用来找下一个节点，启发函数是从当前节点到目标节点的最小代价是多少。
不足之处：
- 贪婪最佳优先搜索不是最优的。经过Sibiu到Fagaras到Bucharest的路径比经过Rimnicu Vilcea到Pitesti到Bucharest的路径要长32公里。
- 启发函数代价最小化这一目标会对错误的起点比较敏感。考虑从Iasi到Fagaras的问题，由启发式建议须先扩展Neamt，因为其离Fagaras最近，但是这是一条存在死循环路径。
- 贪婪最佳优先搜索也是不完备的。所谓不完备即它可能沿着一条无限的路径走下去而不回来做其他的选择尝试，因此无法找到最佳路径这一答案。
- 在最坏的情况下，贪婪最佳优先搜索的时间复杂度和空间复杂度都是O（b^m），其中b是节点的分支因子数目、m是搜索空间的最大深度。
因此，需要设计一个良好的启发函数.
A*搜索
课程链接：https://www.icourse163.org/course/ZJU-1003377027
版权属于：soarli
本文链接：https://blog.soarli.top/archives/250.html
转载时须注明出处及本声明。
