AI人工智能

彪哥

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

基本信息

中文名

人工智能

外文名

ARTIFICIAL INTELLIGENCE

提出时间

1956年

提出地点

DARTMOUTH学会

名称来源

雨果·德·加里斯的著作

简称

AI

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。[2]

概述

人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。

人工智能

人工智能

人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。

早期研究

在20世纪40—50年代期间，为了实现“制造具有某种人类智慧的聪明机器”的理想，人们至少提出了三种途径：

一是对环境适应。1948年，Wiener提出控制论，强调智能表现为“对变化的外界环境的适应”。其关键是反馈，这个思想后被Ashiby发展为以微分方程定性理论为基础的控制理论，基于此，Ashiby写出了«大脑设计»的著作，这个思想在以后人工智能的发展中并没有起到主导作用，直到1991年，Brooks提出临场人工智能时，这个思想才进入人工智能的研究范畴。

二是神经信息处理。鉴于智能来自神经活动的信息加工过程，根据神经科学的研究结果，建立智能模型是一个合理的选择，这类研究与1943年Mcculloch与Pitts的神经元信息加工方式的模型，以及1948年Hebb的学习机制的研究有密切关系，建立模型的方法一般以统计学(优化)为基础。

三是认知科学。在人类行为层次建立智能模型，其最重要的研究是Turing实验，即一种根据行为判别机器是否具有智能的准则。1951年，Shannon首先设计并实现了第一个计算机下棋程序，相对于神经信息加工的智能研究，它不介意行为产生的原因，且模型一般以符号推理为基础。

在“模拟与解释人类智能行为”研究的半个世纪中，“对环境适应”一直没有成为主流，除了“机器昆虫”之外，在理论与方法上，似乎并没有本质性的影响。基于认知科学(复杂信息处理)与基于神经信息加工两种实现智能行为的研究，交替引领着这类研究。[8]

研究任务

人工智能的研究有两个相辅相成的任务，一是发展具有类似生物(人类)智能的计算系统(智能信息处理或智能系统)，并以此来解决困难的实际问题。二是借助计算机模拟并解释生物(人类)的智能(认知科学)，尽管有的研究者将后者划归为人工智能学科。但是，还是有很多研究者将人工智能的研究限制在前者的理论和方法上，这样，人工智能也就自然成为计算机科学的一个分支。[8]

研究内容

人工智能学科的主要研究内容包括：知识表示，自动推理和搜索方法，机器学习和知识获取，知识处理系统，自然语言处理，计算机视觉，智能机器人，自动程序设计等方面。

研究进展

20世纪90年代以来，尽管人工智能学科的研究遇到的严重的困难，但还是出现了一系列至今对计算科学有重要影响的研究结果，其中最为重要的是，1991年，Minsky出版了他的著作，《Society of Mind(思维的社会)》，这本著作关于“智慧由一些小的无智慧的独立功能单元组合后产生”的建议，以及创造的新术语“Agent”，已引起理论与应用研究者的关注。Agent已成为计算机科学很多领域广泛使用的概念，据此还发展成为知识表示的方法论———本体论(Ontology)。

进入20世纪90年代，统计机器学习逐步开始引领人工智能研究的主流。这时，对人工智能十分重要的表示与推理的研究，由于基于优化的学习算法大多数采用给定基函数。因此，其表示变得单一，且由此导致推理成为计算模型函数的简单问题，表示与推理在统计机器学习中失去了研究价值。

统计机器学习在以后的20年间，并没有沿着BP的非线性算法的路线发展。反之，回归线性感知机是其特点，在Valiant的概率近似正确(Probability Approximation correct,PAC)学习理论意义下Vapnik提出了支持向量机(Support Vector Machine,SVM)。尽管统计方法在这个时期占据了主流地位，但是，人工智能的研究者并没有忘记“智能”的含义，因此，在这个时期，发展了大量不同的学习方式。这些方式大多来自对人类学习的研究，例如，流形学习、主动学习、集成学习、多示例学习等。

这个时期，这类研究分为两个不同的研究路线：一是以PAC为基础，强调学习过程可以基于有限样本，并使得对误差的分析以1-δ概率成立，这个路线的最重要的贡献是强调建立模型的算法应该在线性空间设计。即，强调返回线性感知机，这是对BP算法设计的反叛。由此，导致至今还是重要的研究课题———核函数。

另一个有趣的路线是遵循传统统计学理念。根据热力学的“系综(Enseble)”、神经科学的“集群(Enseble)”，以及统计学的重采样(Resampling)等原理发展了现在称为“集成学习(Enseble Learning)”的方法，其本质是，对实际问题随机采样并建立模型。采样次数进行多次，由此获得多个模型。然后，在这些模型张成的空间上建立实际问题的模型。在统计学上证明，如果采样次数趋于无穷，由此建立的模型的均方差与一次采样建立的模型的均方差相等。这就是已被广泛应用于各个不同领域的Bootstrap原理。与此同时，1991年人们证明了弱可学习定理，由此发展了算法Boosting，它与上述随机采样的区别：一是对给定样本集合的采样，二是下一次采样尽量包含上一次采样建立的模型不能准确描述的样本。因此，Boosting需要建立在PAC基础上。

此期间最广为人们所喜爱的研究结果是“最大间距(Margin)”算法，其误差界依赖样本集合两个闭凸集之间的距离(Margin)。即，距离越大，泛化性能越好。由于这个原理的几何解释十分清晰，由此设计的算法简单易懂。因此，被很多研究者所喜欢。

人工智能研究已经有50多年的历史，发展是曲折的。从制造具有智能的机器梦想来看，相距甚远。从计算机应用的角度来看，其成果甚丰。不夸张地说，它已经成为计算机应用发展的原始动力之一，甚至更长。[8]

2023年，人工智能（AI）广告首次通过广告图灵测试。[10]

研究价值

例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。

人工智能

人工智能

通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。

这是智能化研究者梦寐以求的东西。

2013年，帝金数据普数中心数据研究员S.C WANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。

当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着（至少一类）创造力模式的学科。

发展阶段

1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。

人工智能

人工智能

从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。

当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，

AI修图软 件