《人工智能原理第1部分人工智能概述教案资料》由会员分享,可在线阅读,更多相关《人工智能原理第1部分人工智能概述教案资料(106页珍藏版)》请在金锄头文库上搜索。
1、人工智能原理第1章 人工智能概述,本章内容1.1 关于人工智能的定义1.2 人工智能的基础1.3 人工智能简史1.4 智能体与环境1.5 智能体结构小结参考书目附录 和人工智能相关的社会伦理问题,第1章 人工智能概述,1.1 关于人工智能的定义智能体对AI的4种不同定义类人行动/类人思考/理性思维/理性行动,第1章 人工智能概述,4,作为智能体的人类,智能体(Agent) 我们一直在思考:我们,作为一个智能体,为什么能够思考? 大脑这么一小堆东西怎么能够感知、理解、预测和应对一个远比自身庞大和复杂的世界? 人工智能(AI)走得更远:它不仅试图理解智能体,而且想建造智能体,第1章 人工智能概述,
2、6,对AI的4种不同定义,第1章 人工智能概述,7,对AI的4种不同定义,第1章 人工智能概述,像人一样行动的系统 类人行为 像人一样思考的系统 类人思考 理性地思考的系统 理性地行动的系统,8,4种不同定义的方法(1),类人行为:图灵测试(1950) 图灵建议:不是问“机器能否思考”,而是问“机器能否通过关于行为的智能测试” 测试过程:让一个程序与一个人进行5分钟对话 / 然后人猜测交谈对象是程序还是人?如果在30%测试中程序成功地欺骗了询问人,则通过了测试 图灵期待最迟2000年出现这样的程序,但是到目前为止,面对训练有素的鉴定人,没有一个程序接近30%的标准,第1章 人工智能概述,9,4
3、种不同定义的方法(2),要想程序通过图灵测试,还需要做大量工作,这些技能包括: 自然语言处理, 使机器可以用人类语言交流 知识表示, 存储机器获得的各种信息 自动推理, 运用知识来回答问题和提取新结论 机器学习, 适应新环境并检测和推断新模式 以及(为了完全图灵测试) 计算机视觉, 机器感知物体 机器人技术, 操纵和移动物体,第1章 人工智能概述,10,4种不同定义的方法(3),AI研究者并未花费很多精力来尝试通过测试, 因为研究智能的根本原则远比复制样本重要. 如同空气动力学与模拟鸟类飞行之对于飞机的产生,第1章 人工智能概述,11,4种不同定义的方法(4),类人思考: 认知模型方法 如何得
4、知人类是如何思考的? 通过自省捕捉人类思维过程和通过心理测试 这种方法不满足于让程序正确地解决问题, 更加关心对程序的推理步骤轨迹与人类个体求解同样问题的步骤轨迹进行比较 认知科学: 把来自AI的计算模型与来自心理学的实验技术相结合, 试图创立一种精确而且可检验的人类思维工作方式的理论 通常, 我们只关心程序实现了什么功能, 而不会比较AI技术和人类认知之间的异同,第1章 人工智能概述,12,4种不同定义的方法(4),理性地思考: “思维法则”方法 19世纪, 逻辑学家就发展出可以描述世界上一切事物及其彼此关系的精确的命题符号 1965年, 原则上, 已经有程序可以求解任何用逻辑符号描述的可解
5、问题(消解法) AI领域传统的逻辑主义希望通过编制上述程序来创造智能系统 难点: 非形式化的知识难以用逻辑符号形式化 / “原则上”可以解决问题和实际解决问题二者之间存在巨大差异,第1章 人工智能概述,13,4种不同定义的方法(5),理性地行动: 理性智能体方法 计算机智能体应该有别于“简单的”程序: 具有诸如自主控制操作、感知环境、适应变化等 理性智能体:要通过自己的行动获得最佳结果,或者在不确定的情况下,获得最佳期望结果 不仅要正确地推理,还要正确地行动 / 正确推论是理性智能体的部分功能,而不是理性的全部内容 图灵测试中需要的技能都是为了作出理性行为,第1章 人工智能概述,14,4种不同
6、定义的方法(6),把AI研究视为理性智能体的设计过程 好处: 比“思维法则”法则方法(理性地思维)更通用 / 比建立在人类行为或者思维基础(类人方法)上的方法更经得起科学发展的检验, 因为理性的标准有着清楚且普遍的定义 正确的结果在不同条件下可以定义清楚 完美理性总能做正确的事情 vs. 有限理性 在没有足够计算时间的前提下采取正确的行动 完美理性在复杂环境下是不可行的,第1章 人工智能概述,15,概念理解是一个过程,上述定义见仁见智 重要的是学习AI方法、应用AI方法,在实践中逐步深入领会AI这个词的含义 目前,AI就是一种运行在我们自己机器中的程序,它的智能都是我们给的!,第1章 人工智能
7、概述,1.2 人工智能的基础各学科的贡献:哲学/数学经济学/神经科学/心理学计算机工程控制论/语言学,第1章 人工智能概述,17,对人工智能有贡献的学科,哪些学科、哪些思想和哪些人物给予AI以贡献? 哲学(BC428现在) 数学(800现在) 经济学(1776现在) 神经科学(1861现在) 心理学(1879现在) 计算机工程(1940现在) 控制论(1948现在) 语言学(1957现在),第1章 人工智能概述,18,哲学的贡献(1),哲学(BC428现在)贡献的思想: 问题1:形式化规则能用来抽取合理的结论吗? 问题2:精神的意识是如何从物质的大脑产生出来的? 问题3:知识是从哪里来的? 问
8、题4:知识是如何导致行动的?,第1章 人工智能概述,19,哲学的贡献(1),问题1:形式化规则能用来抽取合理的结论吗?(哲学家及其贡献) 亚里士多德(Aristotle, BC384BC322), 为形式逻辑奠定了基础 / 第一个把支配意识的理性部分法则形式化为精确的法则集合 / 著名的三段论 Ramon Lull / Leonardo da Vinci(达芬奇) / Blaise Pascal(帕斯卡) / Gottfried Wilhelm Leibnitz(莱布尼兹)等人均设计或制造了能计算的机器,第1章 人工智能概述,20,哲学的贡献(2),17世纪, 有人提出推理如同数字计算 / 帕
9、斯卡写道: “算术机器产生的效果显然更接近于思维而不是动物的其他活动” 问题1结论: 肯定的结论, 即可以用一个规则集合描述意识的形式化、理性的部分,第1章 人工智能概述,21,哲学的贡献(3),问题2:从物理系统的角度来考虑意识: 意识与物质的大脑之间的关系如何? Ren Descartes(笛卡尔)给出了第一个关于意识和物质之间的区别以及由此产生的问题的清晰讨论 笛卡尔是二元论的支持者:坚持意识(或称为灵魂/精神)的一部分是超脱于自然之外的, 不受物理定律影响. 而动物不拥有这种二元属性, 它们可以被作为机器对待,第1章 人工智能概述,22,哲学的贡献(4),唯物主义认为: 大脑依照物理定
10、律运转而构成了意识, 自由意志也就简化为对出现在选择过程中可能选择的感受方式 问题2结论: 存在两种选择二元论和一元论,第1章 人工智能概述,23,哲学的贡献(5),问题3:知识是从哪里来的? 关于知识的来源: Francis Bacon(培根)新工具论开始了经验主义运动 John Locke(洛克)指出:“无物非先感而后知” David Hume(休谟)提出归纳原理:一般规则是通过揭示形成规则的元素之间的重复关联而获得的,第1章 人工智能概述,24,哲学的贡献(6),基于Ludwig Wittgenstein, Bertrand Russell的工作,Rudolf Carnap领导维也纳学派
11、发展了实证逻辑主义,坚持认为所有的知识都可以用最终和传感器输入相对应的观察语句相联系的逻辑理论来描述 问题3结论: 知识来自于实践,第1章 人工智能概述,25,哲学的贡献(7),问题4:知识是如何导致行动的? 关于意识的哲学图景的最后元素是知识与行动之间的联系 / 智能既要求推理也要求行动 亚里士多德认为: 行动是通过目标与关于行动结果的知识之间的逻辑来判定的,第1章 人工智能概述,26,哲学的贡献(8),他的进一步阐述指出: 要深思的不是结局而是手段 / 假设了结局并考虑如何以及通过什么手段得到该结局, 结局是否容易是否最好 / 手段在分析顺序中是最后一个, 在生成顺序中是第一个 这实际上就
12、是回归规划系统, 2300年后由Newell和Simon在其GPS程序中实现了 问题4结论: 知识用于指导行动去达到目标,第1章 人工智能概述,27,数学的贡献(1),数学(800现在)贡献的思想: 什么是抽取合理结论的形式化规则? 什么可以被计算? 如何用不确定的知识进行推理? AI成为一门规范科学要求在三个基础领域完成一定程度的数学形式化: 逻辑、计算、概率,第1章 人工智能概述,28,数学的贡献(2),数学家及其贡献 问题1:如何抽取形式化规则? George Boole(布尔, 18151864), 1847年完成了形式逻辑的数学化 / 命题逻辑或称布尔逻辑 Gottlob Frege
13、(弗雷格, 18481925), 1879年扩展了布尔逻辑, 使其包含对象和关系, 创建了一阶逻辑 Alfred Tarski(塔斯基)引入了一种参考理论, 可以把逻辑对象与现实世界对象联系起来,第1章 人工智能概述,29,数学的贡献(3),问题1结论: 形式化规则=命题逻辑和一阶谓词逻辑 问题2:什么可以计算? 可以被计算, 就是要找到一个算法 算法本身的研究可回溯至9世纪波斯数学家al-Khowarazmi 19世纪晚期, 把一般的数学推理形式化为逻辑演绎的努力已经展开,第1章 人工智能概述,30,数学的贡献(4),1900年, David Hilbert(希尔伯特, 18621943)提
14、出了包括23个问题的清单, 其中最后一个问题是: 是否存在一个算法可以判定涉及自然数的逻辑命题的真实性, 即可判定性问题 / 他所要问的是: 有效证明过程的能力是否有基础的局限性 这一问题被Kurt Gdel(哥德尔, 19061978)在1931年证实:确实存在真实的局限,第1章 人工智能概述,31,数学的贡献(5),1930年, 哥德尔提出: 存在一个有效过程可以证明罗素和弗雷格的一阶逻辑中的任何真值语句, 但是一阶逻辑不能捕捉到刻画自然数所需要的数学归纳法原则 1931年, 哥德尔证明了他的不完备性定理: 在任何表达能力足以描述自然数的语言(如某种逻辑)中, 在不能通过任何算法建立它们的
15、真值的意义上, 存在不可判定的真值语句 不完备性定理还可以表述为: 整数的某些函数无法用算法表示, 即不可计算的,第1章 人工智能概述,32,数学的贡献(6),由此激发了Allen Turing(图灵, 19121954)的热情, 他试图精确地刻画哪些函数是能够被计算的 / 实际上计算或者有效过程的概念是无法给出形式化定义的 / 但是Church-Turing论题指出: 图灵机可以计算任何可计算的函数 / 该结论作为一个充分的定义而被接受 图灵说明了一些函数没有对应的图灵机 / 没有通用的图灵机可以判定一个给定的程序对于给定的输入能否返回答案或者永远运行下去,第1章 人工智能概述,33,数学的
16、贡献(7),在不可计算性以外, 不可操作性具有更重要的影响 / 如果解决一个问题需要的计算时间随着实例规模成指数级增长, 则该问题被称为不可操作的(计算复杂性问题) 多项式级和指数级增长的区别在20世纪60年代得到重视 如何认识不可操作问题? 以Steven Cook(1971)和Richard Carp为代表的NP-完全理论的研究提供了一种方法,第1章 人工智能概述,34,数学的贡献(8),Cook和Carp证明有大量各种类别的规范的组合搜索和推理问题属于NP-完全问题 任何NP-完全问题类可归约成的问题类很可能是不可操作的(目前尚未证明, 但大家猜测是如此) AI研究帮助解释了为什么NP-完全问题的一些实例很难, 而另外一些较容易 问题2结论: 有了可计算性和算法复杂性理论的指导,第1章 人工智能概述,35,数学的贡献(9),数学对AI的第三个贡献是概率理论 Pierre Fermat, Pascal, James Bernoulli, Pierre Laplace等都推进了概率理论的发展及引入了新的统计方法论 Thomas Bayes(贝叶斯, 17491827)提出了根据证据更