人工智能原理

视频学习:中国大学MOOC-人工智能原理

Introduction(介绍)

人工智能概述

  1. 什么是人工智能
    1. 机器或软件所展现的智能
    2. 学术研究领域的名称(如何创建计算机和计算机软件使之具有智能行为)
      1956年的“达特茅斯夏季人工智能研究计划”会议,是AI赢得其名称、使命和主要参与者的时刻,因此被广泛地认为是AI的诞生
  2. 图灵测试(Turing Test)
    1. 图灵测试是由艾伦.图灵在1950年发表的“计算机器与智能”论文中提出的,旨在提出一种令人满意的关于智能的可操作定义。图灵预言,2000年之后,经过5分钟的问题测试之后,机器将能够蒙骗30%的人类裁判。
    2. Alan M.Turing(艾伦.图灵),英国数学家、逻辑学家、计算机科学家和密码学家。
    3. 图灵测试设计了这样一个场景,一个人类的提问官同时测试一个人和一台机器,测试时,提问官与被测试人和机器是相互隔离的,提问官同时向被测试人和机器提问一些问题,在提出这些书面的问题之后,无法分辨这些书面回答究竟是来自于人还是一台计算机,则认为计算机通过了该测试。
  3. 视觉图灵测试(Visual Turing Test):
    1. 视觉图灵测试是由唐纳德.杰曼等人于2014年提出的。
    2. 唐纳德.杰曼(Donald Geman)美国约翰-霍普斯金大学应用数学系教授。
    3. 视觉图灵测试是采用一个操作员辅助设备,根据给定的图像产生随机的二元问题序列(只需回答yes或者no这样一些问题序列)。
    4. 目前的计算机视觉系统是测试任务的精度,这些任务包括对象检测(objection detection)、图像分割 (segmentation)和定位(localization)。但仍然和人类的行为方式有差距,人类具有理解图像的能力。
    5. 视觉图灵测试是受人类理解图像能力的启发而提出的。可用于对计算机视觉的认知能力进行评估。视觉图灵测试不仅仅是用来测试计算机能否识别出图像的某个物体,还测试对图像中物体之间关系的理解,研究人员会就画面指定的区域提出一系列的问题,计算机视觉系统以简单的yes或者no来回答,测试所用的每道题目都是相互关联的,后续的提问都与前面的提问的内容有关,如果回答正确就说计算机理解了这个图像。
  4. 中文屋(Chinese Room)
    1. “中文屋”是一个思想实验,也被称为希尔勒的中文屋论证。试图揭示计算机绝不可能描述为有“智力”或“知性”,不管它有多么智能。
    2. 他设想他自己独自在一个房间,操作一套计算机程序来应付从门缝下塞进来的中文字符纸条。他对中文一窍不通,然而,正同计算机所做的那样,通过操作处理符号的数字,他生成了合适的中文汉字语句,从而蒙骗了屋外的人,以为屋内有个精通中文的人。由此他得出的结论是,按程序运行的计算机可以使它看起来理解了语言,但并没有产生真正的理解。由此他断定图灵测试的结论是不充分的。
    3. 它是由美国哲学家约翰.希尔勒早在1980年发表在《行为与大脑科学》杂志上的论文“智力、头脑与规划”中提出的。
    4. 约翰.希尔勒是UC伯克利大学的“斯拉瑟”哲学教授,当今最著名的最有影响力的哲学家之一。

人工智能的基础

  1. 人工智能涉及的基础学科:哲学(Philosophy)、数学(Mathematics)、经济学(Economics)、神经科学(Neuroscience)、心理学(Psychology)、计算机工程(Computer engineering)、控制理论和控制论(Control theory and cybernetics)、语言学(Linguistics)
  2. 人工智能中的数学:
    1. 逻辑学:研究得出正确结论的形式规则是什么?
      1. 1847年,乔治.布尔(Gorge Boole)提出了命题逻辑(Propositional logic),也称为布尔逻辑
      2. 1879年,戈特洛布.弗雷格(Gottlob Frege)提出了一阶逻辑,它扩展了布尔逻辑,增加了对象和关系。
      3. 1902-1983年,阿尔弗雷德.塔斯基(Alfred Tarski)提出了指称理论,它揭示了如何将逻辑中的对象与对象相关联。
    2. 计算:研究什么是可计算的。
      1. 1912-1954年,艾伦.图灵试图精确地描述哪些函数是可计算的。也就是研究计算的能力
      2. mid-1960s,科伯姆(Cobham)与爱德蒙兹(Edmonds)提出了计算的易处理性的概念。也就是,针对一个问题是否便于计算机处理。
      3. 1972年,斯蒂文.库克(Steven Cook)和理查.德卡普(Richard Karp)提出了NP完全性理论
        1. NP完全性理论:(计算复杂性理论中的一个重要概念,它来表征某些问题的一些固有的复杂度)
        2. P(Polynomial time)多项式时间
        3. NP(Non-deterministic Polynomial time)不确定性多项式时间,即无法确定一个算法是否能在多项式时间内可以计算,比如像旅行销售员问题。
        4. NP-complete(both in NP and NP-hard)NP完:NP和NP-hard(NP难)的交集。
    3. 概率:如何根据不确定信息进行推理。
      1. 1501-1576年,杰罗拉莫.卡尔达诺(Gerolamo Cardano)构建了概率的概念,将其描述为博弈事件中可能的结果。
      2. 詹姆士.伯努利(James Bernoulli)、皮埃尔.拉普拉斯(Pierre Laplace)等人,推进了这一理论,并引入了新的统计学方法。
      3. 托马斯.贝叶斯(Thomas Bayes)提出了贝叶斯规则,它成为不确定性推理的最现代的方法。
  3. 人工智能中的神经科学:
    1. 神经科学:研究大脑是如何处理信息的。神经科学研究神经系统,尤其是大脑,它把行为、认知、脑机制三者有机的结合起来,试图全面揭示人和动物在感知客体、形成表象、使用语言、记忆信息、推理决策等等。
    2. 脑科学:是研究神经科学中比较重要的一部分。大脑在理性决策 方面非常优越(但并非完美无缺)。大脑不像软件模块,大脑具有决策功能,其中预测(Prediction)和仿真 (simulation)是决策的关键。脑科学的研究极大的推进了人工神经元网络的研究与实践,进而推进了人工智能的迅速发展。
    3. 神经元:大脑神经系统的基本单位,包括树突(Dendrite)、细胞体(Soma)、细胞核(Nucleus)、髓鞘(Myelin sheath)、轴突(Axon)、轴突末端突触(Axon terminal button)。每个神经元的树突可以接受外界的刺激或者其他神经元的刺激,并将兴奋传入细胞体,神经元的轴突可以把信号从细胞体转到另一个神经元或者其他组织,这是一个神经元在神经元网络中的作用。
    4. 有人将计算机和人脑做了比较,人脑在一定年龄以后神经元的数量基本是固定的,但是计算机中的处理单元的数量按照摩尔定律每5年增加10倍。将计算机和人脑比较的结果是:仅就计算单元这一项来看,64位的CPU有10^9个晶体管,而大脑则有10^11个神经元。但是计算机的计算能力随着技术的发展呈现指数级的增长,从“二十世纪到二十一世纪计算机计算能力的增长和预测图”中可以看到,到了2020年,计算的能力可以达到一个人脑的水平,到了大约2050年,计算能力有可能达到所有人脑的水平。
    5. 2013年,奥巴马宣布启动美国的脑科学计划,欧盟和日本随即予以相应,分别启动了欧洲和日本的脑计划,中国的脑计划也计划在2017年年底启动。
  4. 人工智能中的认知心理学:
    1. 认知心理学:是研究人类如何思考与行为,它把大脑看做是信息处理设备,是研究心智(mental processes)过程的学科。认知心理学通常通过人类参与者的心理实验来收集信息,其目的是研究任务如何接受外部世界的输入,如何处理以及作用等。认知科学通常关注于研究收集数据,其涉猎心理学、语言学、人类学、神经科学、社会学和教育学,尤其是人工智能。
    2. 研究的具体内容包括:注意机制(attention)、语言运用(language use)、记忆(memory)、感知(perception)、问题求解(problem solving)、创造力(creativity)、思考(thinking)
    3. 注意机制:大脑意识聚焦于某个有用的感知信息子集的状态。
    4. 记忆:通常为三个子集:过程记忆(procedural memory)、语义记忆(semantic memory)、情景记忆(episodic memory)。
    5. 感知:主要研究物理感知(视觉、嗅觉、味觉、触觉、知觉)及其认知的过程。
    6. 语言:研究语言习得、语言形成的组件、语言使用时的语气、或者许多其他的相关领域。
    7. 元认知:元认知是研究“关于认知的认知”、“关于思考的思考”、“关于认知的认知”。元认知通常有两个组成部分,关于认知的知识,以及认知的调节。
  5. 人工智能中的控制理论和控制论:
    1. 控制理论和控制论:是研究机器如何能在其自身的控制下运行。
    2. 控制理论是工程与数学的交叉学科分支,研究动态系统对输入的行为,以及该行为如何通过反馈进行调整。
    3. 简单的控制系统:通过控制部分,然后系统进行处理,处理后的结果一部分进行输出,另一部分作为反馈的信息对输入的信息进行调节。
    4. 控制论:是一种跨学科的研究途径,探索调控系统,它们的结构、约束、和可能性。1948年被提出,被定义为“研究动物与机器的控制和通信的科学”。到了21世纪,该术语通常被简单通俗的解释为“用技术控制任何系统”。

人工智能的发展现状:

  1. 人工智能的分类:
    1. 将人工智能分为4类:
      Humanly Rationally
      Acting Acting humanly(类人动作) Acting rationally(理性动作)
      Thinking Thinking hunmanly(类人思考) Thinking rationally(理性思考)

      Humanly:类人地,以及对人类表现的逼真度来度量。 Rationally:理性地,用理想的性能表现来衡量。一个系统如果对已知的知识做出正确的动作,则被称为理性。

      1. Acting humanly两种定义:(1)1990年,Kurzwell,完成需要人类智能所能完成的功能。(2)1991年,Rich and Knight,使计算机去做此时此地人类才能做好的事情。
      2. Acting rantionally两种定义:(1)1998年,Poole et,计算智能是研究如何设计智能体。(2)1998年,Nilsson,AI是关注用人工手段去实现智能行为。
      3. Thinking humanly两种定义:(1)1978年,Bellman,我们与人类思维相关活动的自动化。(2)1985年,Haugeland,新的努力使计算机思考,机器具有智力。
      4. Thinking rationally两种定义:(1)1985年,Charnial and McDermot,通过使用计算模型进行心智能力的研究。(2)使计算机能够感知、推理、以及动作。
    2. 将人工智能划分为三类:弱人工智能、强人工智能、超人工智能。
      1. 弱人工智能(Week AI):也被称为人工狭义智能(ANI,Artificial Narrow Intelligence)。它是无意识的AI,专注于一个具体的任务,仅针对一个特定的问题。比如Siri。
      2. 强人工智能(Strong AI):也被称为人工广义智能(AGI,Artificial General Intelligence)。意味着机器具有将智能用于处理任何问题的能力,它是人工智能研究的主要目标。
      3. 超人工智能(Super AI):也被称为人工超级智能(ASI,Artificial Super Intelligence),是一个假定的智能体,拥有远远超过聪明和最具有天赋的人类大脑的智能。也是指的是问题求解系统的特性,例如,超级智能语言翻译器或者工程助理。

人工智能的应用:

  1. 代表研究领域:计算机视觉(Computer vision)、图像处理(Image processing)、VR、AR、MR模式识别(Pattern recognition)、智能诊断(Intelliget Diagnosis)、博弈论和策略规划(Game theory and Straegic planning)、AI游戏和游戏机器人(Game AI and Gamebot)、机器翻译(Machine Translation)、自然语言处理和聊天机器人(Natural language processing and Chatbot)、非线性控制和机器人技术(Nonlinear control and Robotics)
  2. 其他一些需要人工智能来实现的领域:智能生活(Artificial life)、自动推理(Automated reasoning)、自动化(Automation)、生物计算(Biological computing)、概念计算(Concept mining)、数据挖掘(Data mining)、知识表示(Knowledge repressentation)、语义Web(Semantic Web)、垃圾邮件过滤(E-mail spam filtering)、诉讼(Litigation)、机器人学(Robotics)、混合人工智能(Hybrid intelligent system)、智能代理(Intelligent agent)、智能控制(Intelligent Control)

经典优秀论文推荐

  1. 一种用于非线性降维的全局几何框架。2000年12月,science杂志,作者是来自于斯坦福大学心理学系,数学系以及卡内基美隆大学数学系。《A Global Geometric Framework for Nonlinear Dimensionallity Reduction》,这篇论文所介绍的方法是通过流形学习(从局部度量信息中学习出全局集合框架)的方法来进行降维。算法简称为Isomap(等距特征映射的缩写),论文的创新之处在于计算高维流形上数据点的间距的时候不是采用传统的欧氏距离而是使用微分几何中的侧接线距离

Intelligent Agent(智能代理)

Solving Problems by Search(通过搜索解决问题)

Local Search and Swarm Intelligence(局部搜索与群体智能)

Adversarial Search(对抗搜索)

Constraint Satisfaction Problem(约束满足问题)


未完待续...

feihu分享到:

          

You may also like...

Scroll Up