人工智能の第一章

第一章绪论

人工智能的发展是以硬件与软件为基础的，经历了漫长的发展历程。特别是20世纪30年代和40年代的智能界，发现了两件重要的事情：数理逻辑和关于计算的新思想。以维纳（Wiener）、弗雷治、罗素等为代表对发展数理逻辑学科的贡献及丘奇(Church)、图灵和其它一些人关于计算本质的思想，为人工智能的形成产生了重要影响。

本章首先介绍人工智能的诞生、定义、发展概况及相关学派和他们的认知观，接着讨论人工智能的研究和应用领域。

1.1 人工智能的诞生与发展

1956年夏季，人类历史上第一次人工智能研讨会在美国的达特茅斯(Dartmouth)大学举行，标志着人工智能学科的诞生。

1969年召开了第一届国际人工智能联合会议(International Joint Conference on AI, IJCAI),此后每两年召开一次。

1970年《人工智能》国际杂志(International Journal of AI)创刊。这些对开展人工智能国际学术活动和交流、促进人工智能的研究和发展起到积极作用。

20世纪70～80年代，知识工程的提出与专家系统的成功应用，确定了知识在人工智能中的地位。近十多年来，机器学习、计算智能、人工神经网络等和行为主义的研究深入开展，形成高潮。同时，不同人工智能学派间的争论也非常热烈。这些都推动人工智能研究的进一步发展

1.2 人工智能的定义

?定义1 智能机器

能够在各类环境中自主地或交互地执行各种拟人任务的机器。

?定义2 人工智能(学科)

人工智能(学科)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。它的近期主要目标在于研究用机器来模仿和执行人脑的某些智力功能，并开发相关理论和技术。

?定义3 人工智能(能力)

人工智能(能力)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、学习和问题求解等思维活动。

为了让读者对人工智能的定义进行讨论，以便更深刻地理解人工智能，下面综述其它几种关于人工智能的定义。

?定义4 人工智能是一种使计算机能够思维，使机器具有智力的激动人心的新尝试。

?定义5 人工智能是那些与人的思维、决策、问题求解和学习等有关活动的自动化。

?定义6 人工智能是用计算模型研究智力行为。

?定义7 人工智能是研究那些使理解、推理和行为成为可能的计算。

?定义8 人工智能是一种能够执行需要人的智能的创造性机器的技术。

?定义9 人工智能研究如何使计算机做事让人过得更好。

?定义10 人工智能是一门通过计算过程力图理解和模仿智能行为的学科。

?定义11 人工智能是计算机科学中与智能行为的自动化有关的一个分支。

其中，定义4和定义5涉及拟人思维；定义6和定义7与理性思维有关；定义8和定义9涉及拟人行为；定义10和定义11与拟人理性行为有关。

可以看出, 这些定义虽然都指出了人工智能的一些特征, 但用它们却难以界定一台计算机是否具有智能。因为要界定机器是否具有智能, 必然要涉及到什么是智能的问题,但这却是一个难以准确回答的问题。所以,尽管人们给出了关于人工智能的不少说法, 但都没有完全或严格地用智能的内涵或外延来定义人工智能。

1.2.2 图灵测试和中文屋子

关于如何界定机器智能, 早在人工智能学科还未正式诞生之前的1950年, 计算机科学创始人之一的英国数学家阿兰·图灵(Alan Turing)就提出了现称为“图灵测试”(Turing Test)的方法。简单来讲, 图灵测试的做法是: 让一位测试者分别与一台计算机和一个人进行交谈(当时是用电传打字机), 而测试者事先并不知道哪一个被测者是人, 哪一个是计算机。如果交谈后测

试者分不出哪一个被测者是人, 哪一个是计算机, 则可以认为这台被测的计算机具有智能。

对于“图灵测试”, 美国哲学家约翰·西尔勒(John Searle, 1980年)提出了异议。他用一个现在称为“中文屋子”的假设, 试图说明即便是一台计算机通过了图灵测试, 也不能说它就真的具有智能。中文屋子假设是说: 有一台计算机阅读了一段故事并且能正确回答相关问题, 这样这台计算就通过了图灵测试。而西尔勒设想将这段故事和问题改用中文描述(因为他本人不懂中文), 然后将自己封闭在一个屋子里, 代替计算机阅读这段故事并且回答相关问题。描述这段故事和问题的一连串中文符号只能通过一个很小的缝隙被送到屋子里。西尔勒则完全按照原先计算机程序的处理方式和过程(如符号匹配、查找、照抄等)对这些符号串进行操作, 然后把得到的结果即问题答案通过小缝隙送出去。西尔勒认为尽管计算机用这种符号处理方式也能正确回答问题, 并且也可通过图灵测试, 但仍然不能说计算机就有了智能。

1.2.3 脑智能和群智能

群智能是有别于脑智能的。事实上, 它们是属于不同层次的智能。脑智能是一种个体智能(Individual Intelligence,II), 而群智能是一种社会智能 (Social Intelligence,SI), 或者说是系统智能(System Intelligence,SI)。但对于人脑来说, 宏观心理(或者语言)层次上的脑智能与神经元层次上的群智能又有密切的关系——正是微观生理层次上低级的神经元的群智能形成了宏观心理层次上高级的脑智能(但二者之间的具体关系如何, 却仍然是个迷, 这个问题的解决需要借助于系统科学)。

1.2.4 符号智能和计算智能

1. 符号智能

符号智能就是符号人工智能, 它是模拟脑智能的人工智能, 也就是所说的传统人工智能或经典人工智能。符号智能以符号形式的知识和信息为基础, 主要通过逻辑推理，运用知识进行问题求解。符号智能的主要内容包括知识获取(knowledge acquisition)、知识表示(knowledge representation)、知识组织与管理和知识运用等技术(这些构成了所谓的知识工程(Knowledge Engineering, KE))以及基于知识的智能系统等。

2. 计算智能

计算智能就是计算人工智能, 它是模拟群智能的人工智能。计算智能以数值数据为基础, 主要通过数值计算，运用算法进行问题求解。计算智能的主要内容包括: 神经计算(Neural Computation, NC)、进化计算(亦称演化计算, Evolutionary Computation, EC, 包括遗传算法(Genetic Algorithm, GA)、进化规划(Evolutionary Planning, EP)、进化策略(Evolutionary Strategies, ES)等)、免疫计算(immune computation)、粒群算法(Particle Swarm Algorithm, PSA)、蚁群算法(Ant Colony Algorithm, ACA)、自然计算(Natural Computation, NC)以及人工生命(Artificial Life, AL)等。计算智能主要研究各类优化搜索算法, 是当前人工智能学科中一个十分活跃的分支领域。

1.3 人工智能研究的方法及途径

1.3.1 人工智能研究的各种学派及其理论

1、人工智能三大学派

·符号主义(Symbolicism)，又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。

·联结主义(Connectionism)，又称为仿生学派(Bionicsism)或生理学派(Physiologism)，其原理主要为神经网络及神经网络间的连接机制与学习算法。

·行为主义(Actionism)，又称进化主义(Evolutionism)或控制论学派(Cyberneticsism)，其原理为控制论及感知和行动。

心理模拟, 符号推演（符号主义）

“心理模拟, 符号推演”就是从人脑的宏观心理层面入手, 以智能行为的心理模型为依据, 将问题或知识表示成某种逻辑网络, 采用符号推演的方法, 模拟人脑的逻辑思维过程, 实现人工智能。

采用这一途径与方法的原因是: ①人脑的可意识到的思维活动是在心理层面上进行的(如我

们的记忆、联想、推理、计算、思考等思维过程都是一些心理活动), 心理层面上的思维过程是可以用语言符号显式表达的, 从而人的智能行为就可以用逻辑来建模。②心理学、逻辑学、语言学等实际上也是建立在人脑的心理层面上的, 从而这些学科的一些现成理论和方法就可供人工智能参考或直接使用。③当前的数字计算机可以方便地实现语言符号型知识的表示和处理。④可以直接运用人类已有显式知识(包括理论知识和经验知识)直接建立基于知识的智能系统。

基于心理模拟和符号推演的人工智能研究, 被称为心理学派、逻辑学派、符号主义。早期的代表人物有纽厄尔(Allen Newell)、肖(Shaw)、西蒙(Herbert Simon)等, 后来还有费根宝姆(E.

A. Feigenbaum)、尼尔逊(Nilsson)等。其代表性的理念是所谓的“物理符号系统假设”, 即认为人对客观世界的认知基元是符号, 认知过程就是符号处理的过程;而计算机也可以处理符号, 所以就可以用计算机通过符号推演的方式来模拟人的逻辑思维过程, 实现人工智能。

符号推演法是人工智能研究中最早使用的方法之一。人工智能的许多重要成果也都是用该方法取得的, 如自动推理、定理证明、问题求解、机器博弈、专家系统等等。由于这种方法模拟人脑的逻辑思维, 利用显式的知识和推理来解决问题, 因此, 它擅长实现人脑的高级认知功能, 如推理、决策等。

生理模拟, 神经计算（连结主义）

“生理模拟, 神经计算”就是从人脑的生理层面, 即微观结构和工作机理入手, 以智能行为的生理模型为依据,采用数值计算的方法, 模拟脑神经网络的工作过程, 实现人工智能。具体来讲, 就是用人工神经网络作为信息和知识的载体,用称为神经计算的数值计算方法来实现网络的学习、记忆、联想、识别和推理等功能。

我们知道,人脑的生理结构是由大约1011～1012个神经元(细胞)组成的神经网络, 而且是一个动态的、开放的、高度复杂的巨系统, 以致于人们至今对它的生理结构和工作机理还未完全弄清楚。因此, 对人脑的真正和完全模拟, 一时还难以办到。所以, 目前的生理模拟只是对人脑的局部或近似模拟, 也就是从群智能的层面进行模拟, 实现人工智能。

这种方法一般是通过神经网络的“自学习”获得知识, 再利用知识解决问题。神经网络具有高度的并行分布性、很强的鲁棒性和容错性。它擅长模拟人脑的形象思维, 便于实现人脑的低级感知功能, 例如图像、声音信息的识别和处理。

生理模拟和神经计算的方法早在20世纪40年代就已出现, 但由于种种原因而发展缓慢, 甚至一度出现低潮, 直到80年代中期才重新崛起, 现已成为人工智能研究中不可或缺的重要途径与方法。

采用生理模拟和神经计算方法的人工智能研究, 被称为生理学派、连接主义。其代表人物有McCulloch, Pitts, F.Rosenblatt, T.Kohonen, J.Hopfield等。

行为模拟, 控制进化（行为主义）

还有一种基于“感知-行为”模型的研究途径和方法,我们称其为行为模拟法。这种方法是用模拟人和动物在与环境的交互、控制过程中的智能活动和行为特性, 如反应、适应、学习、寻优等, 来研究和实现人工智能。基于这一方法研究人工智能的典型代表要算MIT的R.Brooks教授, 他研制的六足行走机器人(亦称为人造昆虫或机器虫), 曾引起人工智能界的轰动。这个机器虫可以看做是新一代的“控制论动物”, 它具有一定的适应能力, 是一个运用行为模拟即控制进化方法研究人工智能的代表作。

事实上,R.Brooks教授的工作代表了称为“现场(situated)AI”的人工智能新方向。现场AI 强调智能系统与环境的交互, 认为智能取决于感知和行动, 智能行为可以不需要知识, 提出“没有表示的智能”, “没有推理的智能”的观点, 主张智能行为的“感知-动作”模式, 认为人的智能、机器智能可以逐步进化, 但只能在现实世界中与周围环境的交互中体现出来。智能只能放在环境中才是真正的智能, 智能的高低主要表现在对环境的适应性上。

基于行为模拟方法的人工智能研究, 被称为行为主义、进化主义、控制论学派。行为主义曾强烈地批评传统的人工智能(主要指符号主义, 也涉及连接主义)对真实世界的客观事物和复杂境遇, 作了虚假的、过分简化的抽象。沿着这一途径, 人们研制具有自学习、自适应、自组织

特性的智能控制系统和智能机器人, 进一步展开了人工生命(AL)的研究。

群体模拟, 仿生计算

“群体模拟, 仿生计算”就是模拟生物群落的群体智能行为, 从而实现人工智能。例如,模拟生物种群有性繁殖和自然选择现象而出现的遗传算法, 进而发展为进化计算; 模拟人体免疫细胞群而出现的免疫计算、免疫克隆计算及人工免疫系统; 模拟蚂蚁群体觅食活动过程的蚁群算法; 模拟鸟群飞翔的粒群算法和模拟鱼群活动的鱼群算法等等。这些算法在解决组合优化等问题中表现出卓越的性能。而对这些群体智慧的模拟是通过一些诸如遗传、变异、选择、交叉、克隆等所谓的算子或操作来实现的, 所以我们统称其为仿生计算。

仿生计算的特点是,其成果可以直接付诸应用, 解决工程问题和实际问题。

博采广鉴, 自然计算

其实, 人工智能的这些研究途径和方法的出现并非偶然。因为至今人们对智能的科学原理还未完全弄清楚, 所以在这种情况下研究和实现人工智能的一个自然的思路就是模拟自然智能。起初, 人们知道自然智能源于人脑, 于是, 模拟人脑智能就是研究人工智能的一个首要途径和方法。后来, 人们发现一些生命群体的群体行为也会表现出某些智能, 于是, 模拟这些群体智能, 就成了研究人工智能的又一个重要途径和方法。现在,人们则进一步从生命、生态、系统、社会、数学、物理、化学、甚至经济等众多学科和领域寻找启发和灵感, 展开人工智能的研究。

例如, 人们从热力学和统计物理学所描述的高温固体材料冷却时, 其原子的排列结构与能量的关系中得到启发, 提出了“模拟退火算法”。该算法已是解决优化搜索问题的有效算法之一。又如,人们从量子物理学中的自旋和统计机理中得到启发, 而提出了量子聚类算法。再如,1994年阿德曼(Addman)使用现代分子生物技术, 提出了解决哈密顿路径问题的DNA分子计算方法, 并在试管里求出了此问题的解。

这些方法一般称为自然计算(NC)。自然计算就是模仿或借鉴自然界的某种机理而设计计算模型, 这类计算模型通常是一类具有自适应、自组织、自学习、自寻优能力的算法。如神经计算、进化计算、免疫计算、生态计算、量子计算、分子计算、DNA计算和复杂自适应系统等都属于自然计算。自然计算实际是传统计算的扩展, 它是自然科学和计算科学相交叉而产生的研究领域, 目前正方兴未艾。自然计算能够解决传统计算方法难于解决的各种复杂问题,在大规模复杂系统的最优化设计、优化控制、网络安全、创造性设计等领域具有很好的应用前景。

原理分析, 数学建模

“原理分析, 数学建模”就是通过对智能本质和原理的分析, 直接采用某种数学方法来建立智能行为模型。例如,人们用概率统计原理(特别是贝叶斯定理)处理不确定性信息和知识, 建立了统计模式识别、统计机器学习和不确定性推理的一系列原理和方法。又如, 人们用数学中的距离、空间、函数、变换等概念和方法, 开发了几何分类、支持向量机等模式识别和机器学习的原理和方法。人工智能的这一研究途径和方法的特点也就是纯粹用人的智能去实现机器智能。

1.3 人工智能研究的方法及途径

1.3.1 人工智能研究的各种学派及其理论

2、三大学派对人工智能发展历史的不同看法

符号主义认为人工智能源于数理逻辑。符号主义仍然是人工智能的主流派。这个学派的代表有纽厄尔、肖、西蒙和尼尔逊(Nilsson)等。

联结主义认为人工智能源于仿生学，特别是人脑模型的研究。

行为主义认为人工智能源于控制论。这一学派的代表作首推布鲁克斯(Brooks)的六足行走机器人，它被看做新一代的“控制论动物”，是一个基于感知－动作模式的模拟昆虫行为的控制系统。

1.3.2 实现人工智能的技术路线

采用什么样的技术路线和策略来开发研制智能系统与智能产品，也存在着不同的看法，下面是目前几种常被采用的技术路线，在实际应用中常将它们结合起来用。

(1)专用路线 (2)通用路线 (3)硬件路线 (4)软件路线

1.4 人工智能的研究及应用领域

1.4.1 难题求解

人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序，它包含问题的表示、分解、搜索与归约等。

这里的难题, 主要指那些没有算法解,或虽有算法解但在现有机器上无法实施或无法完成的困难问题,例如智力性问题中的梵塔问题、n皇后问题、旅行商问题、博弈问题等等,就是这样的难题。又如, 现实世界中复杂的路径规划、车辆调度、电力调度、资源分配、任务分配、系统配置、地质分析、数据解释、天气预报、市场预测、股市分析、疾病诊断、故障诊断、军事指挥、机器人行动规划等等, 也是这样的难题。在这些难题中,有些是组合数学理论中所称的非确定型多项式(Nondeterministic Polynomial, NP)问题或NP完全(Nondeterministic Polynomial Complete,NPC)问题。NP问题是指那些既不能证明其算法复杂性超出多项式界, 但又未找到有效算法的一类问题。

?国际象棋国际象棋是典型的适合于AI技术解决的问题

50年代AI研究形成时期，其就是AI研究的主要对象之一，

著名的老一辈AI学者像西蒙（Simon）、纽厄尔（Newell）和肖（shaw），·不少AI问题求解技术来源于下棋程序的研究，如状态空间搜索方法。

60年代初麦卡锡提出了alpha-beta修剪算法，大大提高了机器下棋的水平。

下棋程序水平的快速提高：

1966年——C级专业棋手水平，

1982年——大师级，

1985年——美国的Hitech，特级大师水平，

1988年——由卡内基-梅隆大学的两个学生设计的程序“DeepThought”在美国的一次锦标赛中胜了最高级棋手。

1997年——由IBM公司研制的超级计算机“DeepBlue”，在与卡斯帕罗夫的六盘对弈中，取得三胜二和一负的战绩。

下棋需要高级的智能，其进展可视为人工智能研究的重大成就。

1.4.2 机器学习

学习是人类智能的主要标志和获得知识的基本手段；机器学习(自动获取新的事实及新的推理算法)是使计算机具有智能的根本途径；机器学习还有助于发现人类学习的机理和揭示人脑的奥秘。学习是一个有特定目的的知识获取过程，其内部表现为新知识结构的不断建立和修改，而外部表现为性能的改善。

1.4.3 专家系统

一般地说，专家系统是一个智能计算机程序系统，其内部具有大量专家水平的某个领域知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题。

发展专家系统的关键是表达和运用专家知识，即来自人类专家的并已被证明对解决有关领域内的典型问题是有用的事实和过程。

1.4.4 模式识别

人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。

1.4.5 自动定理证明

自动定理证明的研究在人工智能方法的发展中曾经产生过重要的影响。例如，采用谓词逻辑语言的演绎过程的形式化有助于更清楚地理解推理的某些子命题。许多非形式的工作，包括医疗诊断和信息检索都可以和定理证明问题一样加以形式化。因此，在人工智能方法的研究中定理证明是一个极其重要的论题。

我国人工智能大师吴文俊院士提出并实现了几何定理机器证明的方法，被国际上承认为“吴

氏方法”，是定理证明的又一标志性成果。

1.4.6 自动程序设计

对自动程序设计的研究不仅可以促进半自动软件开发系统的发展，而且也使通过修正自身数码进行学习(即修正它们的性能)的人工智能系统得到发展。程序理论方面的有关研究工作对人工智能的所有研究工作都是很重要的。

自动程序设计研究的重大贡献之一是作为问题求解策略的调整概念。已经发现，对程序设计或机器人控制问题，先产生一个不费事的有错误的解，然后再修改它(使它正确工作)，这种做法一般要比坚持要求第一个解就完全没有缺陷的做法有效得多。

1.4.7 自然语言理解

语言处理也是人工智能的早期研究领域之一，并引起了进一步的重视。语言的生成和理解是一个极为复杂的编码和解码问题。

一个能理解自然语言信息的计算机系统看起来就像一个人一样需要有上下文知识以及根据这些上下文知识和信息用信息发生器进行推理的过程。理解口头的和书写语言的计算机系统所取得的某些进展，其基础就是有关表示上下文知识结构的某些人工智能思想以及根据这些知识进行推理的某些技术。

1.4.8 机器人学

人工智能研究日益受到重视的另一个分支是机器人学，其中包括对操作机器人装置程序的研究。这个领域所研究的问题，从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法，无所不包。目前已经建立了一些比较复杂的机器人系统。

机器人和机器人学的研究促进了许多人工智能思想的发展。

智能机器人的研究和应用体现出广泛的学科交叉，涉及众多的课题，机器人已在各领域获得越来越普遍的应用。

1.4.9 人工神经网络

人工神经网络处理直觉和形象思维信息具有比传统处理方式好得多的效果。

人工神经网络已在模式识别、图象处理、组合优化、自动控制、信息处理、机器人学和人工智能的其它领域获得日益广泛的应用。

1.4.10 智能检索

随着科学技术的迅速发展，出现了“知识爆炸”的情况，研究智能检索系统已成为科技持续快速发展的重要保证。

智能信息检索系统的设计者们将面临以下几个问题。首先，建立一个能够理解以自然语言陈述的询问系统本身就存在不少问题。其次，即使能够通过规定某些机器能够理解的形式化询问语句来回避语言理解问题，但仍然存在一个如何根据存储的事实演绎出答案的问题。第三，理解询问和演绎答案所需要的知识都可能超出该学科领域数据库所表示的知识。

1.4.11 人工智能的典型应用

1、博弈

2、自动定理证明

3、智能网络

1.5 人工智能近期发展

多学科交叉研究集成智能研究多学派综合研究智能网络智能机器人智能应用和智能产业

作业：

1、描述你对人工智能概念的理解。

2、尽可能多地描述人工智能的应用领域。

3、描述人工智能的多个学派和其主要特点。