【期末指北】人工智能导论（feat.ChatGPT）
写在最前 ✍️
本文记录了一些 《人工智能导论》课程的 主要知识点，供有需求的同学们学习使用。
部分内容由 ChatGPT 生成，摊主进行审核及整理。
教材版本：《人工智能导论（第五版）》王万良
❗️ 本博客仅涵盖一些主要知识点，适合 有一定基础 的同学 搭配教材 使用，非常不建议只看博客学习❗️
第一章：绪论
一、智能
智能的定义
人类智能是自然界四大奥秘之一，很难给出确切的定义，目前有思维理论、知识阈值理论、进化理论等理论。
综合各种观点，可以认为：
- 智能 是 知识和智力的总和
- 知识是一切智能行为的基础
- 智力是获取知识并且应用知识解决问题的能力
智能的特征
- 具有感知能力
- 具有记忆和与思维能力
- 具有学习能力
- 具有行为能力
二、人工智能
人工智能的概念
人工智能 是用人工的方法在机器（计算机）上实现的智能，也称为机器智能。
人工智能是一门研究如何构造智能机器或智能系统，使它能模拟、延伸、扩展人类智能的学科。
人工智能的发展历史
| 阶段 | 时间 | 关键词 |
|---|---|---|
| 孕育 | 1956年之前 | / |
| 形成 | 1956-1969年 | 达特茅斯会议、麦卡锡 |
| 发展 | 1970年以后 | / |
| 大数据驱动发展期 | 2011年以后 | 算法、算力、数据 |
人工智能分类
| 类别 | 说明 | 案例 |
|---|---|---|
| 专用人工智能 | 面向特定任务，处理的任务需求明确、应用边界清晰、领域知识丰富，在 局部智能水平 测试中往往超过人类 | AlphaGo |
| 通用人工智能 | 事实上，人的大脑是一个通用的智能系统，可以处理视觉、听觉、推理、学习等各类问题，这是未来人工智能的发展方向 | / |
人工智能研究的基本内容
| 内容 | 说明 |
|---|---|
| 知识表示 | 符号表示法和连接机制表示法 |
| 机器感知 | 机器感知就是使机器具有类似于人的感知能力，以机器视觉与机器听觉为主 |
| 机器思维 | 机器思维是指对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 |
| 机器学习 | 机器学习研究如何使计算机具有类似于人的学习能力，使它能通过学习自动地获取知识 |
| 机器行为 | 机器行为主要是计算机的表达能力，即「说」「写」「画」等能力 |
人工智能的主要研究领域
| 领域 | 英文术语 | 介绍 |
|---|---|---|
| 机器学习 | Machine Learning | 计算机系统通过学习数据和模式，自动改善和优化其性能和预测能力的技术领域。 |
| 深度学习 | Deep Learning | 一种机器学习方法，通过使用多层神经网络模型来处理和学习大规模数据，用于图像识别、自然语言处理等任务。 |
| 博弈 | Game Playing | 下棋、打牌、战争等一类竞争性的智能活动称为博弈 |
| 模式识别 | Pattern Recognition | 识别和分类数据中的模式和结构，用于图像识别、语音识别、手写识别等任务。 |
| 自然语言处理 | Natural Language Processing (NLP) | 计算机处理和理解人类自然语言的能力，包括文本分析、语义理解、机器翻译等任务。 |
| 计算机视觉 | Computer Vision | 计算机通过处理和解释图像和视频来模拟和理解人类视觉系统的能力，用于图像识别、目标检测等任务。 |
| 知识图谱 | Knowledge Graph | 一种结构化的知识表示形式，用于描述实体、关系和属性之间的关联关系，用于知识推理、信息检索等任务。 |
| 自动推理 | Automated Reasoning | 计算机通过逻辑和推理规则来自动解决问题、推导结论或验证命题的能力，用于证明定理、故障诊断等任务。 |
| 数据挖掘 | Data Mining | 从大规模数据集中发现模式、关联和趋势，以提取有用的信息和知识。 |
| 机器人学 | Robotics | 研究和开发机器人技术，包括感知、运动控制、人机交互等，以实现自主决策和物理操作能力的智能机器人系统。 |
人工智能的三大学派
| 学派 | 主要观点 | 典型方法 | 代表人物 |
|---|---|---|---|
| 符号主义 | 人工智能应该模仿 人脑的推理过程。系统需要被明确地编程，包括事实和规则。 | 专家系统、产生式系统 | John McCarthy，Marvin Minsky |
| 连接主义 | 人工智能应该模仿 人脑的神经网络结构。学习过程是通过调整神经网络中的连接权重完成的。 | 深度学习、反向传播、卷积神经网络 | Geoffrey Hinton, Yoshua Bengio, Yann LeCun |
| 行为主义 | 人工智能应该模仿 人或动物的行为。系统不需要高级的推理能力，只需要 与环境进行有效的交互 即可。 | 遗传算法、蚁群算法、粒子群算法、机器人学 | Rodney Brooks, Alan Turing |
图灵测试
图灵测试（Turing Test）是由英国数学家、逻辑学家阿兰·图灵（Alan Turing）于 1950 年提出的一种测试人工智能的方法，该测试旨在 评估一个机器是否能够表现出与人类相似的智能。
在图灵测试中，有 三个参与者：一个人类评判者（通常是通过电脑终端与参与者进行对话）、一个人类参与者和一个机器参与者。评判者与这两个参与者进行文字对话，但无法直接看到他们的身份。如果评判者无法准确地判断哪个参与者是人类，哪个是机器，那么机器被认为通过了图灵测试，表现出了人类级别的智能。
图灵测试的目标是测试机器是否能够模仿人类的对话行为，包括语言理解、推理、逻辑和判断等能力。机器需要能够以自然而流畅的方式与评判者进行交流，并对问题作出合理的回答，使评判者无法准确判断其是否是机器。
尽管图灵测试是评估机器智能的一种方法，但它并不是完美的。批评者指出，通过图灵测试只能判断机器是否能够模仿人类的对话，但并不能真正评估其智能的本质。此外，有些人工智能系统可能通过欺骗或采用特定的策略来模仿人类回答，而并非真正具备智能。
尽管如此，图灵测试仍然是人工智能领域中广泛使用的一种标准和基准。它促使了对自然语言处理、对话系统和智能代理的研究和发展，推动了人工智能技术的进步。
三、人工智能具体案例
深蓝
深蓝概述
深蓝（Deep Blue）是一个著名的人工智能计算机系统，最初开发用于国际象棋的计算机程序。它由IBM研发，旨在挑战和超越人类国际象棋大师的能力。
深蓝的最著名的成就之一是在 1997 年与 世界象棋 冠军加里·卡斯帕罗夫（Garry Kasparov）的对弈中的胜利。这次比赛成为人工智能历史上的一个重要里程碑，因为这是第一次一台计算机战胜了一个世界冠军级别的象棋大师，深蓝在这次比赛中以 3.5:2.5 的总比分胜出。
深蓝的核心技术
- 搜索算法：深蓝使用了高效的搜索算法来探索可能的棋局变化。它采用了一种称为Alpha-Beta剪枝的搜索算法，这种算法可以有效地减少搜索空间，以提高计算效率。
- 评估函数：深蓝使用了一个复杂的评估函数来评估当前棋局的优势和劣势。评估函数考虑了多个因素，包括棋子的位置、控制力、发展程度、攻击和防守等。通过评估函数的计算，深蓝可以对不同的着法进行评估，选择最有利的下一步。
- 数据库：深蓝还使用了一个庞大的开局和棋局数据库，其中包含了大量的国际象棋开局、变化和历史棋局。这个数据库可以帮助深蓝更快地找到一些已知的最佳着法和局面。
- 并行计算：深蓝利用了并行计算的能力，通过同时在多个处理单元上进行计算，加速搜索和评估的过程。它使用了特殊设计的硬件和并行计算算法，以提高计算速度和效率。
IBM Waston
IBM Watson 概述
IBM Watson 是 IBM 公司开发的一款人工智能计算机系统，它以自然语言处理、机器学习和推理、知识表示和推理等技术为基础，旨在通过处理和理解大量的结构化和非结构化数据，提供智能化的解决方案和决策支持。
IBM Watson在2011年首次亮相，并在2011年的美国电视智力竞赛节目《危险边缘》中击败人类选手，并在2014年的《危险边缘》比赛中获得冠军。这一事件引起了广泛的关注，使得IBM Watson成为人工智能领域的重要代表之一。
IBM Watson 核心技术
- 自然语言处理（NLP）：IBM Watson能够理解和处理人类语言，包括文本、语音和图像等形式的数据。它可以进行文本分析、语义理解、命名实体识别、情感分析等任务，从而能够解读和理解大量的文本数据。
- 机器学习（ML）：IBM Watson利用机器学习算法来学习和改进自身的性能。通过分析和训练大量的数据，它能够提取模式和规律，并根据反馈进行自我优化。这使得它能够逐渐提升自己的智能水平，并提供更准确的结果和洞察。
- 推理和知识表示（Reasoning and Knowledge Representation）：IBM Watson能够推理和进行逻辑推断，从而进行复杂的问题解决和推理。它使用 知识图谱 和本体表示方法来组织和表示知识，使得它能够根据先前的知识和规则进行推理和推断。
- 数据分析和挖掘（Data Analytics and Mining）：IBM Watson能够处理和分析大规模的结构化和非结构化数据。它利用数据挖掘和分析技术，从海量的数据中提取有用的信息和洞察。这使得它能够支持决策制定、预测和优化等任务。
- 认知计算（Cognitive Computing）：IBM Watson的目标是模拟和增强人类的认知能力。它能够处理复杂的问题和情境，进行推理、解释和学习，从而提供更智能化和个性化的解决方案。
🍉 扩展：知识图谱 本质上是一种基于图的数据结构，由节点（Point）和边（Edge）组成。在知识图谱中，每个节点表示现实世界中存在的「实体」，每条边为实体与实体之间的「关系」。可以说，知识图谱就是把异构信息连接在一起而得到的一个关系网络，提供了从「关系」的角度去分析问题的能力。
AlphaGO
官方纪录片（油管）：https://youtu.be/WXuK6gekU1Y
AlphaGO 概述
AlphaGo 是由 DeepMind（Google 的子公司）开发的人工智能程序，它在围棋领域取得了重大突破。
AlphaGo 在 2016 年与韩国围棋冠军李世石进行了五局比赛，并以4比1的比分获胜。这次胜利引起了广泛的关注，因为围棋被认为是一项极富挑战性的智力游戏，远远超出了传统的计算机算力。
AlphaGO 的核心技术
AlphaGo 的核心技术是 深度强化学习（Deep Reinforcement Learning），通过结合 深度神经网络 和 强化学习算法，使得程序能够自我对弈并不断提高自己的下棋策略。AlphaGo通过大量的训练和搜索，能够评估不同的棋局和决策，选择最佳的下一步行动。
为了提高搜索效率，AlphaGo还使用了 蒙特卡洛树搜索（Monte Carlo Tree Search）算法。这种搜索算法通过模拟大量的随机对局，并利用神经网络评估局面的价值，来选择最优的行动。通过蒙特卡洛树搜索，AlphaGo能够探索围棋庞大的搜索空间，找到最有可能获胜的策略。
🍉 扩展：强化学习（Reinforcement Learning，RL）是一种机器学习方法，旨在通过智能体（Agent）与环境的交互学习如何做出最优的决策。在强化学习中，智能体通过观察环境的状态，采取动作，并从环境中获得奖励或惩罚来学习如何在不同的状态下做出最佳的行为。
参考资料 📚
- 《人工智能导论（第五版）》王万良
- https://openai.com/blog/chatgpt
