此系列主要是对控制科学与工程学科研究生专业课《人工智能》课上内容加以总结记录，此课程是以智能Agent为主线，将人工智能相关的知识放在此框架下进行阐述......属于人工智能的行为主义流派。
一、自然智能和人工智能的对比
自然智能（NI）：自然智能(NI)为我们提供了一种新的自然语言处理系统，以及学习方法。自然智能(NI)的根本在于当涉及到学习语言和语言意义时，为了获得最好和最有效的结果，尽可能模仿自然。(摘自iConTek网站)
人工智能（AI）：人工+智能，智能的人工制品。
1. 谁具有智能？
这首先是个哲学问题，而不是科学问题。哲学中说人是具有智能的高等动物，它忽略了动物适应环境的能力排除在研究范围之外，这也是符号主义作为人工智能的第一个高峰，基于逻辑推理的方法去模拟人的智能行为遇到瓶颈的原因。
2. 什么是智能？
从智能产生的器官来看，大脑是人思维和意识的器官，它是由大规模神经元之间的突触连接成的复杂网络，根据解剖学它可以分区分块，还原论的方法它并不能解释这些微观结构怎么产生复杂行为。从外在角度看，心理学家通过大量的测试进行评价，可以来评价智能的高低。研究人工智能先要理解什么是智能，然后要模拟智能，但是此方法只能评价智能。最后，概括地说，智能是个体有目的的行为、合理的思维，以及有效地适应环境的综合能力。或个体认识客观事物、客观世界和运用知识解决问题的能力。
3. 如何实现人工智能？
3.1 人工智能的两大使命
斯坦福的Nilsson教授认为（1998年）：人工智能是研究智能行为的科学。其最终目的是建立关于自然智能实体行为的理论和指导创造具有智能行为的人工制品。
(1) 科学人工智能：揭示智能行为的产生机理与奥秘
(2) 工程人工智能：用人工的方法和技术，研制智能机器或智能系统来模仿、延伸和扩展人的智能
3.2 人工智能的两种范式
(1) 符号智能（符号+推理）
是以符号描述的知识为基础，通过符号的操作（推理、搜索等）进行问题求解。也即传统人工智能。人工智能自诞生起，符号智能就占据主导地位，意味着人是具有符号处理能力的，人类知识传承可以通过符号表达进行。
(2) 计算智能（数据+学习）
是以数据为基础，通过训练建立联系，进行问题求解。人工神经网络、遗传算法、模糊系统、进化程序设计、人工生命等都可以包括在计算智能。
3.3 人工智能的两大目标
(1) 近期目标：实现机器智能（用侠义的人工智能来解决问题）
• 模拟人的推理过程和行动
• 使现有机器更灵活、更好用，成为人类的智能化信息处理工具
(2) 长期目标：揭示智能根本机理、制造智能机器
• 能够理性的思考和行动
• 不仅具有感知能力、交流能力、推理能力，还能够自主学习、发明创造。
3.4 人工智能的三大流派
(1) 符号主义：功能模拟，符号推演
• 符号主义（逻辑主义、心理学派、计算机学派）
• 认为AI源于数理逻辑。例如人有着区别于其他动物的复杂的语言和文字系统，即符号，符号主义认为人的智能体现在符号这里。
• 用机器的符号操作来模拟人的认知过程，强调功能模拟和符号推演
• 从启发式算法到专家系统，再到知识工程，符号主义曾长期一枝独秀符号主义从宏观上模拟人的思维过程。不考虑器官微观上是怎么构成的。
(2) 连接主义：结构模拟，神经计算
• 连接主义（仿生学派或生理学派）
• AI源于仿生学，特别是人脑模型的研究。从微观上产生智能的器官结构入手进行研究。
• 人的思维基元是神经元，而不是符号处理过程。所以其研究的主要手段是人工神经网络，人工神经网络的三大要素即神经元特性、网络连接的拓扑结构、学习算法（连接的权值）。
• 结构模拟、神经计算
连接主义试图探索认知过程的微观结构。符号主义和连接主义具有很深的鸿沟，人工神经网络具有万能逼近的特点，任何复杂的函数通过网络结构的配置和权值的调整都可以逼近，所以在模式识别中运用的比较广泛，而符号主义是从逻辑的角度研究的，按照人的逻辑来一步步进行推理。所以符号主义无法解决下层问题，连接主义也无法解释上层问题。
(3) 行为主义：行为模拟，控制进化
• 行为主义（进化主义、控制论学派）
• 认为AI源于控制论，核心是个体在环境中不断地进行交互来发育
• 智能取决于感知和行动，“感知-动作”模式
• AI可以象人类智能一样进化
• 智能行为只能通过现实世界与周围环境交互作用而表现出来
• 代表作是六足步行机器人，不需要推理、符号表达、神经网络等
行为主义对AI主流派符号主义产生冲击与挑战。因为前两种主义发展遇到瓶颈而产生，故提出无模型不需要推理的人工智能的概念，对前两者的冲击。
3.5 人工智能的三种存在形式
(1) 个体智能：体现个体自主能力，如机器人、生物个体
• 感知智能：模式识别、特征提取、信息融合
• 思维智能：判断、理解、推理、学习、决策、规划
• 行为智能：智能控制
(2) 群体智能：体现在群体协作、智能涌现，例如蚁群、蜂群、鱼群等
(3) 交互智能：体现在人机自然交互和智能融合，例如计算机适应人：手势识别、语音识别，未来的脑机接口等，另外机器与机器之间的交互并不一定要按照人之间交互的方式，其吞吐量传输方式都不同。
3.6 人工智能的三层次
(1) 弱人工智能：专用领域、特定功能的人工智能，近期目标所要做的事情，例如服务电话的智能回答机器人、ADAS、专家问答系统，在相当一段时间内都是主要研究方向。
(2) 强人工智能：通用人工智能 ，与人类智能相当
(3) 超人工智能：跨越人工智能奇点，超越人类智能。
（奇点会不会来呢？2045年？）
• 高速超级智能：速度快于人脑的智能
• 集体超级智能：通过整合大量小型智能实现卓越性能
• 素质超级智能：聪明程度相比人类有巨大的质的超越
3.7 研究人工智能的三重境界
(1) 术—工程境界：学以致用，应用技术研究
(2) 势—科学境界：追根溯源，基础理论研究
(3) 道—哲学境界：人机共融，哲学伦理探究
二、人工智能的基本观点
本节主要讲人工智能的观点基本可以划分为两大类：关注内在机制与关注外在表现，再找参照系观察它们的关系。
1. 两个人的观点
1.1 John McCarth（约翰•麦卡锡）
1956年首次提出AI的概念，人工智能之父，LISP语言的发明人。
(1) 人工智能——机器智能
“智能的人工制品”
用机器来模拟或实现人的智能
(2) 智能 = 知识集 + 智力
• 知识：人们对于可重复信息之间的联系的认识，是被认识了的信息和信息之间的联系。
• 智力：人们接受和建立知识的能力，特别是解决新问题、抽象思维、学习、适应环境等能力。
麦卡锡关心智能产生的内在机理，由于太乐观发展遇到了瓶颈。
1.2 Feigenbaum（费根鲍姆，美国斯坦福大学）
(1) 告诉机器做什么而不告诉它怎么做，如果机器能够完成任务，我们就说这个机器是有智能的。
(2) 知识工程学派
知识中蕴藏着力量，1965倡导知识工程。他认为一味地追求强人工智能是走不通的。
2. 人工智能定义的四个不同视角
这四个视角哪个框定的人工智能研究范畴最大是合理的行为，最小是理性的思考，其中注意rationally的翻译，合理的行为中合理即可，而理性的思考中是抽取了人的思维中理性的这部分。 四个视角2.1 Acting humanly
(1) 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(Kurzweil 1990)
(2) 人工智能研究如何使计算机做事让人过得更好(Rich & Knight 1991)
这也是图灵测试的途径（来评价像人一样的行为）
图灵测试Turing Test(1950): Double-Blind Test
(1) 如果测试人不能确认被测试者30%的答复哪个是人、哪个是机器的回答，那么这台机器就通过了测试。
(2) Predicted: by 2000，30% chance , 5 min
一台机器要通过图灵测试，需要具备以下能力：
(1) 知识表示：存储它知道的或听到的、看到的；
(2) 自动推理：能根据存储的信息回答问题，并提出新的结论；
(3) 机器学习：能适应新的环境，并能检测和推断新的模式；
通过完全图灵测试：
(1) 自然语言处理：实现用自然语言与计算机进行交流;
(2) 计算机视觉：可以感知物体；
(3) 机器人技术：可以操纵和移动物体。
也许通过图灵测试的智能机器只是外在表示形式好，而内部机制很有可能并不是用智能的方式做的，所以如何在内在形式上实现智能，即不仅要像人一样的行为，而且要像人一样思考。
2.2 Thinking humanly：认知建模途径
核心就是对人的思维能力的研究
(1) 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(Haugeland 1985)
(2) 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(Bellman 1978)
人类认知行为的研究层次主要有以下：
• 认知生理学： 研究认知行为的生理过程，即人的神经系统的活动，是认知科学研究的底层。
• 认知心理学：研究认知行为的心理活动，即人的思维策略，是认知科学研究的顶。
• 认知信息学：研究人的认知行为在人体内的初级信息处理，即认知行为如何通过初级信息自然处理，由生理活动变为心理活动及其逆过程，即由心理活动变为生理行为。
• 认知工程学：研究认知行为的信息加工处理，即如何通过以计算机为中心的人工信息处理系统，对人的各种认知行为（如知觉、思维、记忆、语言、学习、理解、推理、识别等）进行信息处理。
• 脑科学：又称神经科学，是为了了解神经系统内分子水平、细胞水平及细胞间的变化过程，以及这些过程在中枢的功能、控制系统内的整合作用所进行的研究。连接主义最核心的思想就是认为人思考的单元是神经元，神经元之间的复杂连接是智能表现的原因，对人工神经网络理论的支撑较强。
• 脑科学的目的是要认识脑、保护脑和创造脑。
• 脑科学是人工智能的基础。
• 认知：是和情感、动机、意志相对应的理智思维过程，是为了一定的目的，在一定的心理结构中进行的信息加工过程。主要用于人工智能中记忆、语言、推理、学习的研究。
• 认知科学：是研究人类感知和思维过程中，信息处理过程的一门学科。
• 人工智能的重要理论基础。
2.3 Thinking rationally 理性地思考——思维法则途径
人的思考过程中理性思考的部分提取出来，理性思考重要的基础就是逻辑学。
(1) 人工智能是用计算模型研究智力行为(Charniak & McDermott 1985)
(2) 人工智能是研究那些使理解、推理和行为成为可能的计算(Winston 1992)
亚里士多德（Aristotle）: “正确的思考”是不能辩驳的推理过程。形式逻辑，三段论：基于规则和事实，前提正确->结论正确。
会将人工智能的研究压缩到很小的范围，因为逻辑方法的两个障碍:
(1) 不是所有的智能行为都适合用逻辑的方法描述和处理，很多知识是只可意会，不可言传。
(2) "可以解决”和“实际解决”两者之间存在巨大的差异：如果推理步骤不合适，会陷入死循环耗尽计算机的资源。
2.4 Acting rationnally:合理Agent，教材即以此为视角讲授人工智能
行为主义人工智能非常重要的观点：合理Agent，等同于智能Agent
(1) 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 (Schalkoff 1990)
(2) 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(Luger & Stubblefield 1993)
(3) 合理的行为：根据给定的信息，做出能使目标测度最大化的决策。思考不是必须的，但思考可以服务于合理的行为。首先，它只关心外在，而不关心怎么选择使目标测度最大化这种问题；其次，它不排斥任何能够产生这种合理行为的方法（基于连接、符号、查表。。都可以）。
(4) 比“思维法则”方法更为通用
正确的推论只是实现合理性的几种可能机制之一
(5) 比建立在人类行为或思维基础上的方法更经得起科学发展的检验
合理性标准有着清楚而普遍的定义（目标测度最大化）
人类的合理行为可以很好地适应特定的环境，而且部分地取决于未知的进化过程。
三、人工智能发展史
人工智能经过了很长的孕育期才诞生，经历了漫长发展过程，艰难而又令人向往:
(1) 孕育期（1956年以前）
(2) 诞生（1956年夏 Dartmouth 会议）
(3) 通用方法时代（ 20世纪50年代中－70年代）
(4) 知识工程时代（ 20世纪60年代末－80年代初）
(5) 新神经元网络时代（ 20世纪80年代中－90年代初）
(6) 数据与网络时代（ 20世纪90年代初－现在）
其中，麦卡锡在1956年的Dartmouth会议上提出AI一词标注着人工智能作为一门独立学科的研究开始了，这是人工智能的标志性事件。
四、人工智能应用领域
1. 自动定理证明
四色定理的证明：
(1) 从1852年发现四色问题，世界上很多著名的科学家试图证明，一直未能完成。
(2) 1976年6月，哈肯利用两台电子计算机，历时1200个小时，完成了四色定理的证明，轰动了世界。
定理证明的“吴方法”:
(1) 2000年我国最高科学技术奖获得者吴文俊教授，提出了“数学机器化”
(2) 1977年，吴文俊关于平面几何定理的机械化证明首次取得成功。
(3) 创立了定理机器证明的“吴方法”
2. 博弈与游戏
3. 智能机器人与无人作战平台
(1) 工业机器人：应用于制造环境下的的多关节机械手，如焊接、装配、喷涂、搬运等机器人
(2) 特种机器人：应用于非制造环境下的各种类型的机器人
4. 智能调度和规划系统
(1) 空中交通控制系统
(2) 随着航空事业的发展，一个大型机场每天控制、管理成千架飞机的起降、导航、人工控制很难，空中交通控制系统能够帮助安排飞机的起降，以最大限度保证安全和最小的延迟时间。
5. 自然语言理解与人机智能交互
6. 数据挖掘与知识发现
智能检索、推荐系统、大数据、云计算
六、人工智能最新态势
国务院关于印发新一代人工智能发展规划的通知
1. 四个定位：
人工智能成为国际竞争的新焦点
人工智能成为经济发展的新引擎
人工智能带来社会建设的新机遇
人工智能发展的不确定性带来新挑战
2. 我国在人工智能领域的差距:
我国人工智能整体发展水平与发达国家相比仍存在差距，缺少重大原创成果，在基础理论、核心算法以及关键设备、高端芯片、重大产品与系统、基础材料、元器件、软件与接口等方面差距较大；科研机构和企业尚未形成具有国际影响力的生态圈和产业链，缺乏系统的超前研发布局；人工智能尖端人才远远不能满足需求；适应人工智能发展的基础设施、政策法规、标准体系亟待完善。
基础理论：大数据智能理论、跨媒体感知计算理论、混合增强智能理论、群体智能理论、自主协同控制与优化决策理论、高级机器学习理论、类脑智能计算理、量子智能计算理论；
关键共性技术：知识计算引擎与知识服务技术、跨媒体分析推理技术、群体智能关键技术、混合增强智能新架构和新技术、自主无人系统的智能技术、虚拟现实智能建模技术、智能计算芯片与系统、自然语言处理技术。