Computer Science · An Overview · Chapter 11
人工智能
ARTIFICIAL INTELLIGENCE
人工智能旨在构建自主机器——无须人为干预就能完成复杂任务的机器。今天的科学幻想，可能就是明天的现实。
人工智能旨在构建自主机器——无须人为干预就能完成复杂任务的机器。今天的科学幻想，可能就是明天的现实。
人工智能（artificial intelligence）：设法构建自主机器——无须人为干预就能完成复杂任务的机器。它与心理学、神经学、数学、语言学、机电工程相融合。本章主线：感知（理解输入）→ 推理（搜索状态图）→ 行动（执行器响应）。
智能体 agent：能对环境的刺激做出响应的"设备"——可以是机器人、无人驾驶飞机、游戏角色，也可以是通过网络通信的客户机/服务器进程。两大部分：传感器 sensor（麦克风、照相机、距离传感器——接收内外部数据）与执行器 actuator（语音合成器、夹子、车轮——对环境做出响应）。
① 反射动作 reflex action：对输入的预定响应（碰到烫就缩手）；② 更"智能"的行为：以目标为导向，周密考虑、制定行动计划、在各选项中选最优——执行器的动作必须是对传感器数据的合理响应；③ 介于两者之间的各种层次。
程序性知识 procedural knowledge = 学习"怎样"。通常通过反复试验：出错受罚、正确受奖，智能体逐渐学会恰当的动作。例：学骑自行车、训练机器人走迷宫。
陈述性知识 declarative knowledge = 学习"什么"。形式是扩充或变更知识库中的"事实"，再据此确定对未来事件的合理响应。例：记住"红灯停"、把新单词加入词汇表。
试图开发展现智能行为的系统——根本目标是生产符合功能目的的产品，产生面向性能的方法论。例：下棋程序只要能赢就好，不必像人那样思考。
从计算的角度研究动物（尤其是人类）的智能——根本目标是增进对计算智能的理解，关注底层过程而非外在性能。例：研究神经元如何协作，再照它造模型。
智能体要智能地响应传感器的输入，就必须理解那些输入——即"感知"。最具挑战性的两个领域：理解图像与理解语言。
图像处理 image processing：识别图像的特征。① 轮廓增强：用数学技术使各区域的边界更清晰；② 平滑处理 smoothing：去除图像缺陷（可防错误干扰后续步骤，但过度平滑会丢失重要信息）。
图像分析 image analysis：理解这些特征所代表的含义。手段之一是区域发现：识别图像中具有共同属性（亮度、颜色、纹理）的那些区域。平滑、轮廓增强、区域发现合起来，就是在识别图像的各个组成部分。
对句子的主要成分进行语法分析——主谓宾各是谁，结构是否合法。
标识句子中每个词在语法中的作用，进而理解词与词的意义关系。
把句子的上下文引入理解过程——同一句话在不同场景下意思不同。例："他真行。"可以是夸奖，也可以是反讽。
信息检索 information retrieval——标识与当前主题相关的文档。例：搜索引擎按关键词找出相关网页。
信息抽取 information extraction——从检索到的文档中把所需信息提取出来。例：从新闻中自动抽出事件的时间、地点、人物。
产生式系统 production system：解决一类具有共同特征的推理问题的抽象实体——把"问题"变成"在状态之间找路"。例：八数码游戏，把打乱的 8 个方块移回初始位置。
状态 state：应用环境中存在的情形。开始状态 start state = 现状；目标状态 goal state = 期望实现的情形。例：八数码中每个方块摆法都是一个状态。
产生式 production：让系统从一种状态转换到另一种状态的操作（规则/步骤），每个产生式关联先决条件——条件不满足就不能用。例：只有空格旁边的方块才能移动。
控制系统 control system：根据当前状态，从产生式集合中选出下一个该用哪一个，以最终到达目标状态——即"搜索"。
问题空间 problem space = 状态集合 + 产生式集合 + 控制系统的总和，常用状态图 state graph 表示：节点是状态，箭头是产生式。它是概念化问题的方法，但表示不了全部内容。
控制系统遍历状态图找从开始到目标的路径：逐层记录可达状态，直到目标出现——这个过程实际构建了一棵搜索树 search tree：根 = 开始状态，孩子是应用一个产生式可达的状态，每条边 = 一次产生式应用。
| 搜索策略 | 做法 | 特点 |
|---|---|---|
| 广度优先 breadth-first | 一层层构建搜索树 | 彻底但太慢，复杂问题吃不消 |
| 深度优先 depth-first | 沿纵向路径深入，碰壁再回溯 | 省空间，但可能一头扎进死胡同 |
| 最佳优先 best-first | 被选中深入的纵向路径，是"看起来最优"的那条 | 常用折中方案，配合启发式使用 |
启发式 heuristic：与每个状态相关的数值，衡量该状态与最近目标之间的"距离"——是规划代价的量度。两个选项中，启发值较小的状态代表应该追求的方向。例：八数码中用"还有多少方块不在位"来估价。
到达相关状态时，启发式必须对解决方案的剩余工作量有合理估计——在多个选项中能提供有意义的信息；估计越准，据此做的决定越好。
启发式应有益于搜索而非成为负担——如果计算它非常复杂，还不如把时间花在广度优先搜索上。
知识处理、学习、处理复杂问题——对人脑轻而易举，对机器却负担沉重。
现代计算机擅长存储和检索任何可离散化、数学化为 0 和 1 的数据；软件工具借助 AI、机器学习和统计技术，能发现大型数据集中以往看不见的模式和连接。但真实世界的知识庞杂多元，知识的应用需要依环境得到恰当的含义与范围——这为知识的表达和应用处理带来巨大挑战。
模仿 imitation：人直接演示任务的步骤（执行计算机操作或移动机器人做动作），计算机只需记录这些步骤。
监督训练 supervised training：人对一连串示例（训练集 training set）做出正确反应，智能体对示例归纳，开发出适用于新案例的算法。
强化 reinforcement：智能体通过反复试验积累成功与失败的经验，得到一般规则，进而指导自己的判断。
A* 算法能找到许多搜索问题的最优解，但有些问题复杂到无法用搜索技术求解——这时可以模拟进化，让试探解"繁殖"出更好的后代。遗传算法 genetic algorithm：把随机行为与繁殖理论、自然选择的进化过程相结合来发现解。先生成试探解的随机池——每个解都只是一种猜测；每个试探解叫染色体 chromosome，构成它的独立个体叫基因 gene。
新染色体池的每条染色体是前代两条染色体（双亲）的后代，双亲从池中随机选择，但概率性优先选择更可能生成解的染色体——模拟适者生存；后代是双亲基因随机组合的产物，偶尔还以随机方式变异。
反复多代，期望演变出越来越好的试探解——找到的虽不是最佳，但非常好。局限：遗传算法并不保证最终一定找到解；研究表明它能有效解决种类繁多的复杂问题。
进化规划 evolutionary programming：把遗传算法用于程序开发任务——不直接编写程序，而是模拟进化过程开发程序。做法：建立包含各式函数的程序集合作为"基因池"，逐代用上一代的最佳组合生成新的一代，让解逐步演进。函数式语言的程序由嵌套函数构成，天然适合这种基因重组。
理论路线的代表成果：不手写规则，而是模仿大脑的硬件结构，让机器自己"学"出模式。
神经元（neuron）通过树突 dendrites 接收信号，经轴突 axon 传出；细胞间靠突触 synapses 连接，一个神经元可与上万个细胞相连。人脑约有 1011 个神经元，每个神经元平均有约 104 个突触。
每个输入乘权重 weight 后求和：v₁w₁ + v₂w₂ + …；总和超过阈值 threshold value 就输出 1（兴奋），否则输出 0（抑制）。调整权重就能改变"触发条件"。
典型结构：输入层 input layer 的每个神经元与下一层每个神经元全连接，中间可有多层隐藏层 hidden layers，最后到输出层 output layer。分层、全连接、同层不互连。
监督式训练：给网络看已知答案的样本，输出错了就把相关权重调小一点、对了调大一点；反复成千上万次后，权重组合"学会"了模式——没有人手写规则。
机器人学研究"有身体的智能体"——把感知、推理、行动装进真实物理设备，因此几乎涵盖人工智能的全部领域，还要结合机械与电子工程。
最早的"机器人"是固定在生产线上重复动作的机械臂，如汽车焊接、喷漆。它们位置固定、任务单一，智能含量低，但精度与耐力远超人类。
移动机器人 mobile robots 要在变化环境中自行导航；自主机器人 autonomous robots 进一步独立决策，如仓储分拣机器人、自动驾驶汽车、火星车。
不建复杂内部模型，而是"看到就反应"：用简单规则直接响应传感器输入，在动态环境中更鲁棒，成本也更低。
把进化计算用于机器人本身：让控制程序甚至身体结构在仿真中"进化"，筛选出适应任务的设计。
同一场革命，两种叙事——学习本章的意义之一，是作为未来的决策者，提前形成自己的判断。
乐观者视 AI 为人类的礼物，把人从劳作中解放；悲观者担心大规模失业、财富与权力向技术拥有者集中。教材并列呈现两种立场，尚无定论。
历史上每次科学革命都动摇人类的特殊地位；若机器在智能上超越人类，"人何以为人"将成为绕不开的哲学问题。
自主系统出错时责任归谁——设计者、使用者还是机器？法律与伦理框架明显滞后于技术，自动驾驶事故已在倒逼规则重建。
深度依赖会削弱人自身的能力；AI 也可能被滥用于监控、操纵与武器化。技术中性，使用有向。