清華大學出版社監(jiān)制人工智能導論第2版

廉師友編制

IntroductiontoArtificialIntelligence第1篇概述與工具『導語』

何為人工智能？如何實現(xiàn)人工智能？人工智能有何用？人工智能如何用？……,這些問題和知識是我們學習人工智能，研究人工智能，應用人工智能所需要首先考慮和了解的。本篇將概要闡述這些問題，并引導讀者概覽人工智能王國的神奇風貌和歷史淵源。

第1章人工智能概述

1.1什么是人工智能

1.2為什么要研究人工智能

1.3人工智能的相關學科

1.4人工智能的研究內(nèi)容

1.5人工智能的研究途徑與方法

1.6人工智能的應用

1.7人工智能的分支領域與研究方向

1.8人工智能學科發(fā)展概況

1.1什么是人工智能

◆人工智能（ArtificialIntelligence，AI）1.1.1人工智能概念的一般描述

◆部分學者對人工智能概念的描述：

——人工智能是那些與人的思維相關的活動，諸如決策、問題求解和學習等的自動化（Bellman,1978）；

——人工智能是一種計算機能夠思維，使機器具有智力的激動人心的新嘗試（Haugeland,1985）；

——人工智能是研究如何讓計算機做現(xiàn)階段只有人才能做得好的事情（RichKnight,1991）；

——人工智能是那些使知覺、推理和行為成為可能的計算的研究（Winston,1992）；——廣義地講，人工智能是關于人造物的智能行為，而智能行為包括知覺、推理、學習、交流和在復雜環(huán)境中的行為（Nilsson，1998）。——StuartRussell和PeterNorvig則把已有的一些人工智能定義分為4類：像人一樣思考的系統(tǒng)、像人一樣行動的系統(tǒng)、理性地思考的系統(tǒng)、理性地行動的系統(tǒng)（2003）。弱人工智能（weakAI）和強人工智能（strongAI）1.1.2圖靈測試和中文屋子

◆

圖靈測試（TuringTest）◆約翰.西爾勒(JohnSearle)的“中文屋子”1.1.3腦智能和群智能腦智能（BrainIntelligence,BI）就是腦（主要指人腦）的宏觀心理層次的智能表現(xiàn)。由群體行為所表現(xiàn)出的智能稱為群智能（SwarmIntelligence,SI）。腦智能和群智能是屬于不同層次的智能：

腦智能是一種個體智能（IndividualIntelligence,II）；

群智能是一種社會智能（SocialIntelligence,SI），或者說系統(tǒng)智能（SystemIntelligence,SI）。1.1.4符號智能、連接智能和計算智能

1.符號智能（SymbolicIntelligence）

符號智能就是符號式人工智能，它是模擬腦智能的人工智能，也就是所說的傳統(tǒng)人工智能或經(jīng)典人工智能。符號智能以符號形式的知識和信息為基礎，主要通過邏輯推理，運用知識進行問題求解。符號智能的主要內(nèi)容包括知識獲?。╧nowledgeacquisition）、知識表示（knowledgerepresentation）、知識組織與管理和知識運用等技術（這些構(gòu)成了所謂的知識工程（KnowledgeEngineering,KE））以及基于知識的智能系統(tǒng)等。

2.連接智能（ConnectiveIntelligence,ConI）

連接智能就是連接式人工智能，它是在微觀生理層級上模擬腦智能的人工智能。連接智能用人工神經(jīng)網(wǎng)絡為大腦建模，以相應的樣例數(shù)據(jù)為依據(jù)，通過神經(jīng)計算（NeuralComputation，NC）使網(wǎng)絡模型學習、訓練而獲取知識并解決相關問題。當然，若將神經(jīng)元作為個體看，連接智能也可說是模擬群智能的。所以，通常廣義地，也將連接智能歸入計算智能。而作為一種數(shù)值計算方法，連接智能與統(tǒng)計智能也有交集。

3.計算智能（ComputationalIntelligence）

計算智能就是計算式人工智能，它是模擬群智能的人工智能。計算智能以數(shù)值數(shù)據(jù)為基礎，主要通過數(shù)值計算，運用算法進行問題求解。計算智能的主要內(nèi)容包括：進化計算（亦稱演化計算，EvolutionaryComputation，EC，包括遺傳算法（GeneticAlgorithm，GA）、進化規(guī)劃（EvolutionaryPlanning，EP）、進化策略（EvolutionaryStrategies，ES）等）、免疫計算（immunecomputation）、粒群計算（ParticleSwarmAlgorithm，PSA）、蟻群算法（AntColonyAlgorithm，ACA）、自然計算（NaturalComputation，NC）以及人工生命（ArtificialLife，AL）等。計算智能主要研究各類優(yōu)化搜索算法，是人工智能學科中一個重要的分支領域。

1.1.5統(tǒng)計智能和交互智能

1.統(tǒng)計智能（StatisticalIntelligence）

統(tǒng)計人工智能就是統(tǒng)計式人工智能。即利用樣例數(shù)據(jù)并采用統(tǒng)計、概率和其他數(shù)學方法而實現(xiàn)的人工智能。

2.交互智能（InteractionalIntelligence）

交互人工智能就是交互式人工智能。即通過交互方式而實現(xiàn)的人工智能。例如，強化學習（ReinforcementLearning，

RL）就是實現(xiàn)交互智能的一種重要方法。

1.2為什么要研究人工智能1.2.1研究人工智能的意義

■

使當前的電腦更好用，更有用，以擴大和延伸人類智能；

■

信息化社會的迫切要求；

■

自動化發(fā)展的必然趨勢；

■

有益于探索人類自身智能的奧秘。1.2.2人工智能的研究目標和策略研究目標就是制造智能機器和智能系統(tǒng)，實現(xiàn)智能化社會。具體來講，就是要使計算機不僅具有腦智能和群智能，還要具有看、聽、說、寫等感知和交流能力。研究策略則是先部分地或某種程度地實現(xiàn)機器的智能，并運用智能技術解決各種實際問題特別是工程問題，從而使現(xiàn)有的計算機更靈活、更好用和更有用，成為人類的智能化信息處理工具，而逐步擴展和不斷延伸人的智能，逐步實現(xiàn)智能化。1.3人工智能的相關學科人工智能已構(gòu)成信息技術領域的一個重要學科。當前的人工智能既屬于計算機科學技術的一個前沿領域，也屬于信息處理和自動化技術的一個前沿領域。還涉及到智能科學、認知科學、心理科學、腦及神經(jīng)科學、生命科學、語言學、邏輯學、行為科學、教育科學、系統(tǒng)科學、數(shù)理科學以及控制論、科學方法論、哲學甚至經(jīng)濟學等眾多學科領域。人工智能實際上是一門綜合性的交叉學科和邊緣學科。1.4人工智能的研究內(nèi)容1.4.1搜索與求解——圖（或空間）搜索與問題求解1.4.2知識與推理——知識表示與機器推理1.4.3學習與發(fā)現(xiàn)——機器學習與知識發(fā)現(xiàn)1.4.4發(fā)明與創(chuàng)造——機器的自主發(fā)明與創(chuàng)造1.4.5感知與響應——機器感知與響應

1.4.6理解與交流

——機器的自然語言理解與交流1.4.7記憶與聯(lián)想——機器的記憶與聯(lián)想機制聯(lián)想存儲可分為矩陣聯(lián)想存儲、全息聯(lián)想存儲、Walsh聯(lián)想存儲和網(wǎng)絡聯(lián)想存儲等。人工神經(jīng)網(wǎng)絡（artificialneuralnetwork,ANN）實現(xiàn)記憶與聯(lián)想。例如，Hopfied網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、長短期記憶網(wǎng)絡等就是這方面的一些成果。語義網(wǎng)絡亦即知識圖譜則是基于信息之間語義關聯(lián)的一種聯(lián)想機制。1.4.8競爭與協(xié)作

——智能體（如智能機器人）之間的競爭與協(xié)作1.4.9系統(tǒng)與建造

——智能系統(tǒng)的設計和實現(xiàn)技術1.4.10應用與工程

——人工智能的應用和工程技術

這十個方面也就是人工智能的十個主題或者說十個分支領域，它們構(gòu)成了人工智能學科的總體架構(gòu)。

1.5人工智能的研究途徑與方法1.5.1

心理模擬，符號推演

從人腦的宏觀心理層面入手，以智能行為的心理模型為依據(jù)，將問題或知識表示成某種邏輯網(wǎng)絡，采用符號推演的方法，模擬人腦的邏輯思維過程，實現(xiàn)人工智能。1.5.2

生理模擬，神經(jīng)計算

從人腦的生理層面，即微觀結(jié)構(gòu)和工作機理入手，以智能行為的生理模型為依據(jù)，采用數(shù)值計算的方法，模擬腦神經(jīng)網(wǎng)絡的工作過程，實現(xiàn)人工智能。1.5.3

行為模擬，控制進化

用模擬人和動物在與環(huán)境的交互過程中的智能活動和行為特性，如反應、適應、學習、尋優(yōu)等，來研究和實現(xiàn)人工智能。1.5.4

群體模擬，仿生計算

模擬生物群落的群體智能行為，以仿生計算的方法來實現(xiàn)人工智能。1.5.5

博采廣鑒，自然計算

從生命、生態(tài)、系統(tǒng)、社會、數(shù)學、物理、化學、甚至經(jīng)濟等眾多學科和領域?qū)ふ覇l(fā)和靈感，以自然計算的方法展開人工智能的研究。1.5.6

著眼數(shù)據(jù)，統(tǒng)計建模

著眼于事物或問題的外部表現(xiàn)和關系，搜集、采集相關信息并做成樣本數(shù)據(jù)，然后用統(tǒng)計學、概率論和其他數(shù)學理論和方法建模，并用適當?shù)乃惴ㄟM行計算，推測事物的內(nèi)在模式或規(guī)律，來實現(xiàn)人工智能。1.6人工智能的應用

1.6.1難題求解這里的難題，主要指那些沒有算法解，或雖有算法解但在現(xiàn)有機器上無法實施或無法完成的困難問題，包括智力性問題中的難題和現(xiàn)實中復雜的實際問題和工程問題。在這些難題中，有些是組合數(shù)學理論中所稱的NP（NondeterministicPolynomial非確定型多項式）問題或NP完全（NondeterministicPolynomialComplete,NPC）問題。NP問題是指那些既不能證明其算法復雜度超出多項式界，但又未找到有效算法的一類問題。而NP完全問題又是NP問題中最困難的一種問題。

1.6.2自動規(guī)劃、調(diào)度與配置在難題求解中，規(guī)劃、調(diào)度與配置問題是實用性、工程性最強的一類問題。規(guī)劃一般指設計制定一個行動序列，例如機器人行動規(guī)劃、交通路線規(guī)劃。調(diào)度就是一種任務分派或者安排，例如車輛調(diào)度、電力調(diào)度、資源分配、任務分配。調(diào)度的數(shù)學本質(zhì)是給出兩個集合間的一個映射。配置則是設計合理的部件組合結(jié)構(gòu)，即空間布局，例如資源配置、系統(tǒng)配置、設備或設施配置。從問題求解角度看，規(guī)劃、調(diào)度、配置三者又有一定的內(nèi)在聯(lián)系，有時甚至可以互相轉(zhuǎn)化。1.6.3機器博弈機器博弈是人工智能最早的研究領域之一，而且經(jīng)久不衰。早在人工智能學科建立的當年──1956年，塞繆爾就研制成功了一個跳棋程序。2016至2017年DeepMind研制的圍棋程序AlphaGo更是橫掃人類各路圍棋高手。2017年12月DeepMind又推出了一款名為AlphaZero的通用棋類程序，除了圍棋外，該程序還會國際象棋等多種棋類?，F(xiàn)在可以說，在棋類比賽上計算機或者說人工智能已經(jīng)徹底戰(zhàn)勝人類了。機器人足球賽是機器博弈的另一個戰(zhàn)場。近年來，國際大賽不斷，盛況空前。1.6.4機器翻譯與機器寫作機器翻譯的研究由來已久。早在電子計算機問世不久，就有人提出了機器翻譯的設想，并開始了這方面的研究。但由于曾經(jīng)過分依賴于基于規(guī)則的自然語言理解，所以一度進展緩慢。上世紀80年代，統(tǒng)計方法被引入機器翻譯，使機器翻譯有了巨大的進步和發(fā)展。近年來，神經(jīng)網(wǎng)絡機器學習的再度興起，又給機器翻譯帶來了新的繁榮。據(jù)報道，在新聞稿的英-漢互譯翻譯方面，機器翻譯現(xiàn)已達到甚至超過人類專家水平。另一方面，現(xiàn)在機器人寫新聞稿（即用計算機自動生成新聞稿）已經(jīng)不是新聞了。1.6.5機器定理證明機器定理證明也是人工智能的也是最早的研究領域之一。定理證明是最典型的邏輯推理問題之一，很多非數(shù)學領域的任務如醫(yī)療診斷、信息檢索、規(guī)劃制定和難題求解，都可以轉(zhuǎn)化成一個定理證明問題。機器定理證明的方法主要有四類：

(1)自然演繹法

(2)判定法

(3)定理證明器

(4)計算機輔助證明

1.6.6自動程序設計自動程序設計就是讓計算機設計程序。具體來講，就是只要給出關于某程序要求的非常高級的描述，計算機就會自動生成一個能完成這個要求目標的具體程序。所以，這相當于給機器配置了一個“超級編譯系統(tǒng)”，它能夠?qū)Ω呒壝枋鲞M行處理，通過規(guī)劃過程，生成所需的程序。但這只是自動程序設計的主要內(nèi)容，它實際是程序的自動綜合。自動程序設計還包括程序自動驗證，即自動證明所設計程序的正確性。

大語言模型支持下的代碼自動生成。1.6.7智能控制智能控制就是把人工智能技術引入控制領域，建立智能控制系統(tǒng)。智能控制系統(tǒng)的智能可歸納為以下幾方面：

(1)先驗智能：有關控制對象及干擾的先驗知識；(2)反應性智能：在實時監(jiān)控、辨識及診斷的基礎上對系統(tǒng)及環(huán)境變化的正確反應能力；(3)優(yōu)化智能：包括對系統(tǒng)性能的先驗性優(yōu)化及反應性優(yōu)化；(4)組織與協(xié)調(diào)智能：表現(xiàn)為對并行耦合任務或子系統(tǒng)之間的有效管理與協(xié)調(diào)。1.6.8智能管理智能管理就是把人工智能技術引入管理領域，建立智能管理系統(tǒng)。智能管理系統(tǒng)是在管理信息系統(tǒng)、辦公自動化系統(tǒng)等的功能集成和技術集成的基礎上，應用專家系統(tǒng)、知識工程、模式識別、神經(jīng)網(wǎng)絡等方法和技術，進行智能化、集成化、協(xié)調(diào)化，而實現(xiàn)的新型管理系統(tǒng)。1.6.9智能決策智能決策就是把人工智能技術引入決策過程，建立智能決策支持系統(tǒng)。智能決策支持系統(tǒng)由傳統(tǒng)決策支持系統(tǒng)再加上相應的智能部件而構(gòu)成。智能部件可以有多種模式，例如知識庫系統(tǒng)模式。在這種情況下，決策支持系統(tǒng)就是由模型庫、方法庫、數(shù)據(jù)庫、知識庫組成的四庫系統(tǒng)。1.6.10智能通信智能通信就是把人工智能技術引入通信領域，建立智能通信系統(tǒng)。智能通信就是在通信系統(tǒng)的各個層次和環(huán)節(jié)上實現(xiàn)智能化。例如在通信網(wǎng)的構(gòu)建、網(wǎng)管與網(wǎng)控、轉(zhuǎn)接、信息傳輸與轉(zhuǎn)換等環(huán)節(jié)，都可實現(xiàn)智能化。這樣，網(wǎng)絡就可運行在最佳狀態(tài)，使呆板的網(wǎng)變成活化的網(wǎng)，使其具有自適應、自組織、自學習、自修復等功能。1.6.11智能預測智能預測就是將人工智能技術引入預測領域，建立智能預測模型或系統(tǒng)。例如，使用機器學習方法，從大量觀測數(shù)據(jù)中獲取天氣變化的規(guī)律，建立相應的氣象預測模型，對未來的天氣做出預測。又如，從大量商業(yè)數(shù)據(jù)中由機器學習獲取市場變化的規(guī)律，建立相應的經(jīng)濟預測模型，對未來的市場經(jīng)濟做出預測。1.6.12智能仿真智能仿真就是將人工智能技術引入仿真領域，建立智能仿真系統(tǒng)。利用人工智能技術能對整個仿真過程（包括建模、實驗運行及結(jié)果分析）進行指導，能改善仿真模型的描述能力，在仿真模型中引進知識表示將為研究面向目標的建模語言打下基礎，提高仿真工具面向用戶、面向問題的能力。從另一方面來講，仿真與人工智能相結(jié)合可使仿真更有效地用于決策，更好地用于分析、設計及評價知識庫系統(tǒng)，從而推動人工智能技術的發(fā)展。1.6.13智能設計與制造在設計方面，首先人工智能被用于計算機輔助設計（CAD），建立智能CAD系統(tǒng)，實現(xiàn)自動數(shù)據(jù)采集、智能交互、智能圖形學以及設計自動化。從具體技術來看，智能CAD技術大致可分為規(guī)則生成法、約束滿足法、搜索法、知識工程方法和形象思維方法等。智能制造就是在數(shù)控技術、柔性制造技術和計算機集成制造技術的基礎上，引入智能技術。智能制造系統(tǒng)由智能加工中心、材料傳送檢測和實驗裝置等智能設備組成。它具有一定的自組織、自學習和自適應能力，能在不可預測的環(huán)境下，基于不確定、不精確、不完全的信息，完成擬人的制造任務，形成高度自動化生產(chǎn)。1.6.14智能車輛與智能交通智能車輛就是將人工智能技術用于車輛駕駛實現(xiàn)無人駕駛車輛。隨著計算機視覺、機器感知、智能控制、智能機器人等技術的飛速發(fā)展，智能車輛應運而生，并發(fā)展迅猛。國內(nèi)外的許多公司競相推出了各自的無人駕駛車，現(xiàn)在已進入上路測試和局部運行階段。智能交通就是在公共交通的各個環(huán)節(jié)引入人工智能技術，建造智能交通系統(tǒng)，實現(xiàn)路況實時監(jiān)測、車輛實時調(diào)度、實時路徑規(guī)劃等。這就需要計算機視覺、模式識別、自動調(diào)度與規(guī)劃、自然語言人機接口等智能技術的支持。當然還需要衛(wèi)星導航、電子地圖等設施和技術的配合。其實，現(xiàn)在的交通系統(tǒng)已經(jīng)基本上實現(xiàn)智能化了。1.6.15智能診斷與治療將人工智能技術引入疾病診斷與治療由來已久，早在上世紀七、八十年代，人們將專家系統(tǒng)技術用于疾病診斷與治療?，F(xiàn)在，則進一步將深度學習、強化學習、模式識別及機器人等技術引入疾病的診斷和治療，并已取得了一些成果。但由于人體的復雜性以及安全性問題，從現(xiàn)階段來看，人工智能還只能作為人類醫(yī)生的助手，或者與人類醫(yī)生合作來提高疾病診斷和治療水平。1.6.16智能生物信息處理人工智能技術被引入生命科學的研究之中，即用人工智能技術研究、解決生物信息處理中的困難問題。譬如，對海量基因測序數(shù)據(jù)的處理，對蛋白質(zhì)折疊結(jié)構(gòu)的研究等。事實上，這一領域現(xiàn)在發(fā)展迅速。據(jù)報道，谷歌的一個名為AlphaFold研究項目已取得了一項重大成果：根據(jù)基因序列成功地預測了蛋白質(zhì)的三維結(jié)構(gòu)。人工智能在生物信息處理乃至生命科學領域也可大顯身手。1.6.17智能教育

智能教育就是在教育的各個環(huán)節(jié)引入人工智能技術，實現(xiàn)教育智能化。主要是實現(xiàn)智能計算機輔助教學（intelligentcomputeraidedinstruction,ICAI）。ICAI至少具備下列智能特征：

自動生成各種問題與練習。

根據(jù)學生的水平和學習情況自動選擇與調(diào)整教學內(nèi)容與進度。

在理解教學內(nèi)容的基礎上自動解決問題生成解答。

具有自然語言的生成和理解能力。

對教學內(nèi)容有解釋咨詢能力。

能診斷學生錯誤，分析原因并采取糾正措施。

能評價學生的學習行為。

能不斷地在教學中改善教學策略。1.6.18智能人機接口就是智能化的人-機交互界面。這種人機交互界面使機器更加靈性化、擬人化、個性化。這方面現(xiàn)在實際上已經(jīng)取得了一些進展，如網(wǎng)上已經(jīng)出現(xiàn)了多個有一定智能水平的人機對話系統(tǒng)。隨著智能通訊和智能化網(wǎng)絡的發(fā)展，智能接口已是人-機交互的迫切需要和人-機接口技術發(fā)展的必然趨勢。智能人-機接口涉及到機器感知特別是圖形圖像識別與理解、語音識別、自然語言處理、不確切性信息處理、機器翻譯等諸多AI技術，另外，還涉及到多媒體、虛擬現(xiàn)實等技術。1.6.19模式識別所謂模式識別，則指的是用計算機進行物體識別。這里的物體一般指文字、符號、圖形、圖像、語音、聲音及傳感器信息等形式的實體對象。模式識別是人和生物的感知能力在計算機上的模擬和擴展，其應用十分廣泛。諸如：信息、遙感、醫(yī)學、影像、安全、軍事等領域都是模式識別用武之地。經(jīng)過多年的研究，模式識別已有了長足進步和發(fā)展。例如，圖像識別、人臉識別、語音識別、手寫體文字識別等技術已經(jīng)投入實際使用，而基于模式識別還出現(xiàn)了生物認證、數(shù)字水印等新技術。1.6.20智能機器人智能機器人也是當前人工智能領域一個十分重要的應用領域和熱門的研究方向。由于它直接面向應用，社會效益強，所以，其發(fā)展非常迅速。事實上，有關機器人的報道，近年來在媒體上已頻頻出現(xiàn)。諸如工業(yè)機器人、太空機器人、水下機器人、家用機器人、軍用機器人、服務機器人、醫(yī)療機器人、運動機器人、助理機器人、機器人足球賽、機器人象棋賽、……等等，幾乎應有盡有。智能機器人的研制幾乎需要所有的人工智能技術，而且還涉及其他許多科學技術門類和領域。所以，智能機器人是人工智能技術的綜合應用，其能力和水平已經(jīng)成為人工智能技術水平甚至人類科學技術綜合水平的一個代表和體現(xiàn)。1.6.21數(shù)據(jù)挖掘與知識發(fā)現(xiàn)就是從數(shù)據(jù)中挖掘、發(fā)現(xiàn)有用的信息和知識。狹義講，就是數(shù)據(jù)挖掘（DataMining，DM）與數(shù)據(jù)庫中的知識發(fā)現(xiàn)（KnowledgeDiscoveryinDatabases,KDD）。數(shù)據(jù)挖掘現(xiàn)在已擴展到大數(shù)據(jù)挖掘而成為人工智能應用的一個熱門領域和研究方向，其涉及范圍非常廣泛，如企業(yè)數(shù)據(jù)、商業(yè)數(shù)據(jù)、科學實驗數(shù)據(jù)、管理決策數(shù)據(jù)等，尤其是Web數(shù)據(jù)的挖掘。所以，KDD已幾乎等同于KD，或者說也可以簡稱為KD。1.6.22計算機輔助創(chuàng)新狹義的計算機輔助創(chuàng)新（ComputerAidedInnovation,CAI）是以“發(fā)明問題解決理論（

TRIZ）”為基礎，結(jié)合本體論（Ontology）、現(xiàn)代設計方法學、計算機技術而成的一種用于技術創(chuàng)新的新技術手段。CAI現(xiàn)已成為新產(chǎn)品開發(fā)中的一項關鍵性基礎技術。計算機輔助創(chuàng)新可以看作是機器發(fā)明創(chuàng)造的初級形式。基于TRIZ，人們已經(jīng)開發(fā)出了不少計算機輔助創(chuàng)新軟件。1.6.23計算機文藝創(chuàng)作

?

計算機文藝創(chuàng)作的技術進展

詞語沙拉模板模式統(tǒng)計方法機器學習

清華大學團隊推出的“九歌”自動作詩系統(tǒng)。

微軟的小冰已經(jīng)出版詩集了。

還有人已經(jīng)用計算機創(chuàng)作出哈利波特的續(xù)集。

大語言模型支持下的AI文藝創(chuàng)作目前正方興未艾。1.6.24個人智能助理

將Agent技術與網(wǎng)絡相結(jié)合，個人智能助理便應運而生。個人助理能夠像私人秘書一樣幫助雇主料理日常的各種事務，如處理簡單的文案、收集資料、收發(fā)電郵、預訂預約、網(wǎng)購、應酬等等。大語言模型的出現(xiàn)則給個人智能助理提供了新的更有力的技術支持，將大大提高其業(yè)務能力、服務質(zhì)量和智能水平，從而成為人們得心應手、必不可少的生活和工作助理。還有智能材料、智能建筑、智能家居、智能服裝、智能服務、智能傳媒、智能檢測、智能農(nóng)業(yè)等等不一而足。歸納起來，AI的應用形成了以下幾條主線：——從基于圖搜索的問題求解到基于各種智能算法的問題求解；——從圖像識別、語音識別到景物分析、視頻理解，再到圖

像、語音和視頻的自動生成；

——從簡單的詞語理解和自然語言人-機對話到流暢、持續(xù)

的人-機聊天、問答、翻譯和文本生成；——從專家（知識）系統(tǒng)到Agent系統(tǒng)和智能機器人系統(tǒng)；——從機器學習到大數(shù)據(jù)挖掘與知識發(fā)現(xiàn)；——從單機環(huán)境下的智能程序到以Internet和WWW為平臺的分布式智能系統(tǒng)；——從智能技術的單一應用到各種各樣的智能產(chǎn)品、智能機器/儀器/設施和智能工程。1.7人工智能的分支領域與研究方向從研究內(nèi)容來看，人工智能可分為搜索與求解、知識與推理、學習與發(fā)現(xiàn)等十大分支領域（它們構(gòu)成了人工智能學科的總體架構(gòu)）。這十大領域各自又有一些子領域和研究方向，從研究途徑和智能層次來看，人工智能可分為符號智能、計算智能、統(tǒng)計智能和交互智能等四大分支領域。從所模擬的腦智能或腦功能來看，AI中有機器學習、機器感知、機器聯(lián)想、機器推理、機器行為等分支領域。從系統(tǒng)角度看，AI中有智能計算機系統(tǒng)和智能應用系統(tǒng)兩大類。從應用角度看，如1.6節(jié)所述，人工智能中有難題求解等數(shù)十個分支領域和研究方向從信息處理角度看，人工智能則可分為確定-確切性信息處理、不確定性信息處理和不確切性信息處理三大領域。從基礎理論看，與人工智能密不可分的還有數(shù)學和數(shù)據(jù)科學。1.8人工智能學科發(fā)展概況1.8.1孕育與誕生

人工智能學科正式誕生于1956年在美國達特莫斯（Dartmouth）大學召開的一次學術研討會。1.8.2符號主義先聲奪人

1956年之后的幾十年間，符號人工智能的研究取得了許多引人矚目的成就。

1956年~1965年為推理期，主要研究符號推理和問題求解算法；

1965年~1990年代為知識期，主要研究專家系統(tǒng)和知識工程。1.8.3連接主義不畏坎坷早在

20世紀

40年代就有一些學者開始了神經(jīng)元及其數(shù)學模型的研究。

20世紀

50年代末到

60年代初，開始了人工智能意義下的神經(jīng)網(wǎng)絡系統(tǒng)的研究。但70年代神經(jīng)網(wǎng)絡的研究進入低谷。

80年代末又進入高潮。90年代末又再次降溫。2006年，基于深度神經(jīng)網(wǎng)絡的“深度學習”技術獲得突破。到2012年后被學術界承認，引起了巨大轟動。深度學習再一次掀起了神經(jīng)網(wǎng)絡的研究熱潮，也掀起了機器學習乃至人工智能的研究熱潮。

■教材的微課視頻中還有補充內(nèi)容1.8.4計算智能異軍突起1962年進化程序設計或進化規(guī)劃被提出，開創(chuàng)了從腦和神經(jīng)系統(tǒng)以外的生命世界中尋找智慧機理之先河。1964年進化策略的搜索算法被提出。1967年遺傳算法（被提出，1975年付諸了實際應用。至此，現(xiàn)在稱為進化計算的研究方向基本形成。1994年，關于神經(jīng)網(wǎng)絡、進化程序設計和模糊系統(tǒng)的三個IEEE國際會議聯(lián)合舉行了首屆計算智能大會。標志著一個有別于符號智能的人工智能新領域──計算智能正式形成。20世紀90年代前后，又涌現(xiàn)出了一批計算智能的新理論和新算法。1.8.5統(tǒng)計智能成就卓越

1960年后，計算機進入統(tǒng)計學研究。

20世紀60年代后期，為了克服模式識別問題中的“維數(shù)災難”，

VC理論被提出。

20世紀60年代末70年代初經(jīng)驗風險最小化（EmpiricalRiskMinimization,ERM）原則被提出，建立了模式識別問題的ERM理論。

1995年Cortes與Vapnik提出支持向量機（SupportVectorMachine,SVM），這一統(tǒng)計學習新