前言——
此前的人工智能致力于“打造超越個體智能的機器”，致力于發(fā)現(xiàn)“描述智能的牛頓定律”
當(dāng)下的人工智能的基本思想則是“具身性”，即探索連接、交互、復(fù)雜網(wǎng)絡(luò)環(huán)境下機器智能的生長、人與機器的融合、以及人機生態(tài)的演進，致力于理解“人與機器、機器與環(huán)境的交互，究竟發(fā)生了什么？”，重新理解智能機器與人、機器與機器的認知和行為之間錯綜復(fù)雜的關(guān)系。
人工智能的終極科學(xué)目標(biāo)是實現(xiàn)人類對自己的科學(xué)理解
目錄
第 1 章 人工智能學(xué)科發(fā)展歷史
第2-4章?人工智能古老的歷史成果
第 2 章 圖靈機模型
第 3 章 馮諾依曼的計算機體系結(jié)構(gòu)
第 4 章 怪圈與哥德爾定理
第5-12章 人工智能最新思想成果
第 5 章 馬庫斯·胡特的通用人工智能理論
第 6 章 深度學(xué)習(xí)理論
第 7 章 人工智能與人腦在信息處理等若干方面的異同
第8、9章 人類計算
第 10 章 自然語言處理
第11/12章 機器的集體行為
第13/14章 人工智能的實踐應(yīng)用（瓦克星&彩云天氣）
第 1 章 人工智能之夢
張江
作為一個獨立的學(xué)科，人工智能的發(fā)展非常奇葩，它不像其他學(xué)科那樣從分散走向統(tǒng)一，而是從 1956 年創(chuàng)立以來就不斷分裂，形成一系列大大小小的子領(lǐng)域。
夢的開始（1900-1956）
大衛(wèi)·希爾伯特
1900年數(shù)學(xué)家大會，希爾伯特第二問題“證明數(shù)學(xué)系統(tǒng)中應(yīng)同時具備一致性和完備性，即數(shù)學(xué)真理不存在矛盾、任意真理都可以被描述為數(shù)學(xué)定理”。
希爾伯特第十問題“是否存在著判定任意一個丟番圖方程有解的機械化運算方程”
庫爾特·哥德爾
哥德爾不完備性定理：如果將人工智能看做是一個機械化運作的數(shù)學(xué)公理系統(tǒng)，那么根據(jù)哥德爾定理，必然存在某種人類可以構(gòu)造但機器無法求解的人工智能“軟肋”，即人工智能不可能超過人類。
艾倫·圖靈
根據(jù)希爾伯特第十問題設(shè)計圖靈機、圖靈測試“只要有30%的人類測試者在5分鐘內(nèi)無法分辨出被測試對象（關(guān)在屋子里的人與機器），就可以認為程序通過了圖靈測試”
約翰·馮·諾依曼
“馮諾依曼體系結(jié)構(gòu)”，早期計算機EDVAC的設(shè)計
諾伯特·維納
1948年提出“控制論”；機器與人的統(tǒng)一性——人或機器都是通過反饋完成某種目的的實現(xiàn)，揭示了用機器模擬人的可能性，為人工智能的提出奠定了重要基礎(chǔ)。
夢的延續(xù)（1956-1980）
達特茅斯會議
討論用機器模仿人類學(xué)習(xí)及其他方面的智能，命名人工智能，1956年人工智能元年。
黃金時期
機器定理證明取得重大突破
“邏輯理論家”程序證明數(shù)學(xué)原理。
四色猜想（四色定理）：對于任意的地圖，我們最少僅用四種顏色就可以染色該地圖，并使得任意兩個相鄰的國家不會重色。
機器學(xué)習(xí)領(lǐng)域取得實質(zhì)突破
達特茅斯會議上，阿瑟·薩繆爾研制跳棋程序擊敗州冠軍。
奧利弗·薩爾福瑞德研制第一個字符識別程序，開辟了模式識別領(lǐng)域
紐厄爾和西蒙研究一種不依賴于具體領(lǐng)域的通用問題求解器，成為GPS
詹姆斯·斯拉格發(fā)表符號積分程序 SAINT，輸入一個函數(shù)表達式可以自動輸出函數(shù)的積分表達式。
遭遇瓶頸
機器定理證明領(lǐng)域
1965年計算機推了數(shù)十萬步也無法證明兩個連續(xù)函數(shù)之和仍是連續(xù)函數(shù)
機器學(xué)習(xí)領(lǐng)域
跳棋程序停留在州冠軍層次
機器翻譯程序
自然語言理解與翻譯遇到困難
美國政府和大學(xué)削減人工智能項目經(jīng)費
知識就是力量
愛德華·費根鮑姆“傳統(tǒng)人工智能過于強調(diào)通用求解方法的作用，而忽略了知識，人工智能必須引入知識”
專家系統(tǒng)：利用計算機化的知識進行自動推理，從而模仿領(lǐng)域?qū)＜医鉀Q問題；1968年DENDRAL
知識工程，日本第五代計算機計劃、英國阿爾維計劃、西歐尤西卡計劃、美國星計劃、中國863計劃。
知識獲取遭到困難
群龍問鼎（1980-2010）
人工智能改自上而下的填鴨式教學(xué)，成為自下而上的涌現(xiàn)“啟發(fā)式教學(xué)”
符號學(xué)派
人工智能是關(guān)于如何制造智能機器，特別是智能的計算機程序和科學(xué)和工程。它與使用機器來理解人類密切相關(guān)，但人工智能的研究并不需要局限于真實的生物質(zhì)能行動?！s翰·麥卡錫
物理符號系統(tǒng)假說：任何能夠?qū)⑽锢淼哪承┠Ｊ交蚍栠M行操作并轉(zhuǎn)化成另外一些模式或符號的系統(tǒng)，就有可能產(chǎn)生智能的行為。
符號學(xué)派關(guān)注人類智能的高級行為，如推理、規(guī)劃、知識表示等。
人機大戰(zhàn)
1988年IBM研發(fā)國際象棋智能程序“深思”，升級版本“深藍”在1996年挑戰(zhàn)國際象棋冠軍，次年勝利。
IBM公司超級計算機沃森在《危險》比賽中戰(zhàn)勝了人類對手【個人感覺主要還是依靠計算能力和知識存儲；沃森在自然語言處理有了一定進步】
連接學(xué)派
高級的智能行為是從大量神經(jīng)網(wǎng)絡(luò)的連接中自發(fā)出現(xiàn)的。
麥卡洛克·匹茲模型：第一個真實的神經(jīng)元細胞的模型
感知機：在麥卡洛克·匹茲模型上加入學(xué)習(xí)算法
被閔斯基證明了感知機學(xué)習(xí)能力的有限。
多則不同：只要把多個感知機連接成分層的網(wǎng)絡(luò)，那么即可解決閔斯基的問題；采用反向傳播算法可以有效解決多層網(wǎng)絡(luò)的訓(xùn)練問題
統(tǒng)計學(xué)習(xí)理論
行為學(xué)派
關(guān)注較低級的昆蟲
機器昆蟲，羅德尼·布魯克斯；只能并非來自于自上而下的復(fù)雜設(shè)計，而是來自于自下而上的與環(huán)境的互動。
波士頓大狗
進化計算
約翰·霍蘭 - 遺傳算法
遺傳算法對大自然中的生物進化進行了大膽的抽象，變異和選擇。在計算機中，我們可以用一堆二進制串來模擬自然界中的生物體，而大自然的選擇作用——生存競爭、優(yōu)勝劣汰——則被抽象為一個簡單的適應(yīng)度函數(shù)
與神經(jīng)網(wǎng)絡(luò)不同，遺傳算法不需要把學(xué)習(xí)區(qū)分成訓(xùn)練和執(zhí)行兩個階段，指導(dǎo)機器在執(zhí)行中學(xué)習(xí)，即所謂的做中學(xué)。
人工生命-克里斯托弗·蘭頓
如何用計算手段來模擬生命，所謂的生命或智能實際上是從地層單元通過相互作用而產(chǎn)生的涌現(xiàn)屬性?！坝楷F(xiàn)”強調(diào)只有在宏觀具備還不能分解還原到微觀層次的屬性、特征或行為。通過模擬在計算機數(shù)碼世界中產(chǎn)生類似現(xiàn)實世界的涌現(xiàn)。
e.g.用0、1數(shù)字代表蛋白質(zhì)分子并為其設(shè)置詳細的規(guī)則，然后運行程序，靜靜等待令人吃驚的“生命現(xiàn)象”
模擬群體行為，Boid程序模擬鳥群運動；蟻群算法；免疫算法
問題：什么情況發(fā)生涌現(xiàn)？如何設(shè)計底層規(guī)則？還未能涌現(xiàn)高級生物
三大學(xué)派的關(guān)系
符號學(xué)派模擬智能軟件，連接學(xué)派模擬大腦硬件，行為學(xué)派模擬身體。
符號學(xué)派的思想和觀點直接繼承自圖靈，直接從功能角度理解智能。他們把只能理解為黑箱，只關(guān)心輸入和輸出而不關(guān)心內(nèi)部構(gòu)造。符號學(xué)派利用知識表示和搜索來替代真實人腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。擅長利用現(xiàn)有知識做比較復(fù)雜的推理、規(guī)劃、邏輯運算和判斷等問題。
連接學(xué)派，打開智能系統(tǒng)黑箱，從結(jié)構(gòu)角度模擬智能系統(tǒng)的運作，看待角度更加底層。能自動獲取知識，但對知識的表述隱含晦澀，擅長解決模式識別、聚類、聯(lián)想等非結(jié)構(gòu)化問題，但很難解決高層次的智能問題。
行為學(xué)派更擅長模擬身體的運作機制，而不是腦；強調(diào)進化的作用，擅長解決適應(yīng)性、學(xué)習(xí)、快速行為反應(yīng)等問題，可以解決一定的識別、聚類、聯(lián)想問題，但在高級智能行為（如問題求解、邏輯演算）上相形見絀。
連接學(xué)派和行為學(xué)派共同點在于都相信智能是自下而上涌現(xiàn)出來而非自上而下的設(shè)計。難點在于如何涌現(xiàn)，涌現(xiàn)機制如何設(shè)計。
如何綜合三大學(xué)派的觀點。
分裂與統(tǒng)一
群龍無首
自動定理證明、模式識別、機器學(xué)習(xí)、自然語言理解、計算機視覺、自動程序設(shè)計
貝葉斯統(tǒng)計
貝葉斯概率：主觀概率統(tǒng)計
貝葉斯學(xué)派的核心是貝葉斯公式，表達了智能主題如何根據(jù)搜索到的信息改變對外在事物的看法。
貝葉斯網(wǎng)絡(luò)
通用人工智能
馬庫斯·胡特：將智能看做一個整體，而非若干分離的子系統(tǒng)學(xué)習(xí)、認知、決策、推理。
規(guī)范研究方法：給出智能程序一個數(shù)學(xué)上的定義，然后運用嚴格的數(shù)理邏輯討論其性質(zhì)。
理論已證明，胡特定義的智能程序在數(shù)學(xué)上可構(gòu)造，但卻是計算機不可計算模擬的。
夢醒何方（2010至今）
深度學(xué)習(xí)
2011年，谷歌大腦（一個采用了所謂深度學(xué)習(xí)技術(shù)的大型神經(jīng)網(wǎng)絡(luò)模型）在1000萬張靜態(tài)圖片中自己找到了“貓”
2011年，微軟全自動同聲翻譯系統(tǒng)
2013年，百度研究院
原因：大數(shù)據(jù)……
模擬大腦
德國海德爾堡大學(xué)的FACETS計劃：采用數(shù)以千計的芯片創(chuàng)造出一個包含10億神經(jīng)元和10的十三次方突觸的回路和人工鬧
2015年，瑞士洛桑理工學(xué)院和IMB的藍色大腦計劃通過軟件模擬人腦實踐
2013年美國“腦計劃”；歐盟“人類大腦計劃”
“人工”人工智能
谷歌路易斯·馮·安開創(chuàng)了新人工智能研究方向：人類計算，ReCapture借助人力完成傳統(tǒng)的人工智能問題
人與機器的共生結(jié)合?。。?/p>
低等動物的基本行為讓我想到了ABO設(shè)定的信息素??！
