1.绪论与概述

人工智能文章系列

概述

本章在研究人类社会科技革命演进的基础上，介绍人工智能的形成、定义、特征等；同时梳理人工智能发展简史，列举不同时期的重要里程碑事件，分析其技术和产业发展趋势，说明人工智能对社会发展的影响，并帮助学生了解就业方向。

参考资料

本系列文章的内容主要参考了王万良教授的人工智能导论与吴飞的人工智能导论模型与算法

其他的参考引用内容，如图片与插画等等绝大多数都来源与知乎，csdn与博客园等博客网站，如有侵权，联系侵删

人类社会4次科技革命

信息革命的4次浪潮

注：时间层面，中国延后10年左右。

生产要素演进变迁

	农耕社会	机械革命	电力革命	信息革命	智能革命
生产力	人力 ,水力 ,火等	蒸汽机、机械工具、精密机床	强电：电力应用、弱电：电子应用、无线电：电场与磁场、机电一体化	计算机、互联网、手机、物联网	人工智能、机器人技术、虚拟现实、量子技术、可控核聚变、清洁能源、生物技术
生产要素	土地、劳动力	生产资料、资本、劳动力	生产资料、资本、劳动力	资本、工程师、信息	资本、信息、数据、算法模型
生产形态	小农经济	工厂生产	自动化	线上化	智能化

人工智能 - 重要性

自然界四大奥秘

物质的本质（夸克）
宇宙的起源（有限无边模型）
生命的本质（无机、有机)
智能的发生（人的思维机制）

20世纪三大科学技术成就（生产力决定生产关系）

空间技术（人造卫星、导弹等）
原子能技术（核裂变原子弹）
人工智能技术(机器学习、神经网络等）

人工智能 - 定义

人工智能：用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。或，智能主体可以理解数据及从中学习，并利用知识实现特定目标和任务的能力。
人工智能学科：一门研究如何构造智能机器（智能计算机）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 - 研究目的及特征

通过探索智慧的实质，扩展人类智能——促使智能主体会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、专家系统等）、会学习（知识表示，机器学习等）、会行动（机器人、自动驾驶汽车等）。

人工智能 - 学派

	学派		主要思想	代表方法	章节
1	符号主义	知识表示	认知就是通过用有意义的表示符号进行推导计算，使用公理和逻辑体系搭建AI系统	知识图谱决策树专家系统等	第2、7.1章
逻辑推理	确定性推理：使用依赖关系(确定性) 不确定性推理：使用概率规则(不确定性)进行推理。	朴素贝叶斯等搜索求解	第3、4、5 章
2	联结主义	基于联结模型、机器学习	利用数学模型来研究人类认知的方法，如用神经元的连接机制实现人工智能。	神经网络、SVM等	第7.2、8章
3	行为主义	强化学习	以控制论及感知-动作型控制系统原理模拟行为以复现人类智能。基于价值、基于策略	Q-earning等
4	博弈论	对策论	研究具有斗争或竞争性质现象的数学理论和方法。	纳什均衡
5	群体智能	生物群体	智能进化算法：对生物进化进行模拟，使用遗传算法和遗传编程。	遗传算法、蚁群粒子群等	第6章

AI分类

AI平台 - 分层体系架构

AI演进 – 1个根基+3大阶段

1个根基：知识、知识的表示、知识系统

3大阶段：

逻辑推理，确定与不确实推理
搜索、智能算法、专家系统，
机器学习、神经网络

AI发展 - 兴衰历程（3次高峰、2次危机）

AI萌芽(50年代) - 图灵测试

图灵测试：1950年，艾伦·图灵（Alan Turing）在发表的《计算机与智能》中提出“图灵测试”（测试机器是否能表现出与人无法区分的智能），用以说明人工智能的概念。

AI诞生(50年代) - 达特茅斯会议

1956年，达特茅斯学院人工智能夏季研讨会上正式使用了人工智能这一术语。

这是人类历史上第一次人工智能研讨，标志着人工智能学科的诞生。

报告列举了Artificial Inteligence值得关注七个问题

Automatic Computers
How Can a Computer be Programmed
to Use a anguage
Neuron Nets
Theory of the Size of a Calcuation
Self-improvement：自我学习与提高
Abstractions：归纳与演绎
Randomness and Creativity

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。

人工智能（Artifilcial Inteligence）是以机器为载体所展示的人类智能，因此人工智能也被称为机器智能

第1次高峰(50-60年代) - 感知机、机器学习定义

1957 年，弗兰克 · 罗森布拉特在一台IBM- 704计算机上模拟实现了一种他发明的叫做“感知机”（Perceptron）的神经网络模型。
1959年，萨缪尔（Arthur Samue）给机器学习了一个明确概念： Field of study that gives computers the ability to learn without being expicity programmed.（机器学习是研究如何让计算机不需要显式的程序也可以具备学习的能力）。

第1次低谷(60末-70年代中) - XOR线性不可分

1969年，“符号主义”代表人物马文·明斯基（Marvin Minsky）的著作《感知器》提出对XOR线性不可分的问题。单层感知器无法划分XOR原数据，解决这问题需要引入更高维非线性网络（MP, 至少需要两层），但多层网络并无有效的训练算法。这些论点给神经网络研究以沉重的打击，神经网络的研究走向长达10年的低潮时期。

1974年起，各国开始陆续消减在AI研究方面的经费开支。

第2次高峰(60-70年代) - 专家系统、神经网络+BP

1974年，哈佛大学沃伯斯(Paul Werbos)博士论文里，首次提出了通过误差的反向传播(BP)来训练人工神经网络，但在该时期未引起重视。

专家系统（Expert Systems）可视作“知识库(knowledge base)”和 “推理机(inference machine)”的结合。它是AI的一个重要分支，同自然语言理解，机器人学并列为AI的三大研究方向。
BP算法的基本思想不是（如感知器那样）用误差本身去调整权重，而是用误差的导数（梯度）调整。通过误差的梯度做反向传播，更新模型权重, 以降低学习的误差，拟合学习目标，实现“网络的万能近似功能”的过程。

第2次高峰(80年代) - 应用发展新高峰

专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。而机器学习(特别是神经网络)探索不同的学习策略和各种学习方法，在大量的实际应用中也开始慢慢复苏。

1980年，美国卡内基梅隆大学(CMU) 召开了第一届机器学习国际研讨会，标志着机器学习研究已在全世界兴起。
1980 年， CMU 为 DEC公司开发了一个名为 XCON 的专家系统，每年为公司节省4000万美元，取得巨大成功。
1981年，保罗（R.P.Pau出版第一本机器人学课本 “ Robot Manipuator ： Mathematics ， Programmings and Control”，标志着机器人学科走向成熟。
1982 年，马尔（ David Marr ）发表代表作《视觉计算理论》提出计算机视觉（ Computer Vision）的概念，并构建系统的视觉理论，对认知科学（ Cognitive Science）也产生了很深远的影响。