详情
本书适合作为全国人工智能通识与专业技能考试辅导教材，也可以作为各类院校和培训机构相关教程的教材和参考书，还可以作为人工智能相关行业非技术岗人才的参考书。本书适合作为全国人工智能通识与专业技能考试辅导教材，也可以作为各类院校和培训机构相关教程的教材和参考书，还可以作为人工智能相关行业非技术岗人才的参考书。
书名：人工智能等级考试一级教程 人工智能通识
ISBN：978-7-115-59054-1
本书由人民邮电出版社发行数字版。版权所有，侵权必究。
您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
组 编 人工智能等级考试教材编写组
编 著 曹良亮 蒋建伟
责任编辑 颜景燕
执行编辑 牟桂玲
人民邮电出版社出版发行 北京市丰台区成寿寺路11号
邮编 100164 电子邮件 315@ptpress.com.cn
网址 http://www.ptpress.com.cn
读者服务热线：(010)81055410
反盗版热线：(010)81055315
读者服务：
微信扫码关注【异步社区】微信公众号，回复“e59054”获取本书配套资源以及异步社区15天VIP会员卡，近千本电子书免费畅读。
本书面向我国人工智能的通识教育与专业技术人才的培养。全书共8章，分为3篇，分别为人工智能的基本理论、人工智能的应用以及人工智能的融合拓展，涵盖了目前主流的人工智能技术。全书在介绍人工智能的基本原理时，尽量回避了相关的复杂模型和算法设计，方便读者在社会层面理解人工智能的应用形式和未来的发展路径。此外，书中每章都设计了一些思考与练习的题目，以便读者在课堂练习和研讨中使用。
本书适合具有高中及以上数学基础的学生，包括各类职业院校、应用型本科非计算机专业的学生阅读，也适合对人工智能感兴趣或有相关需求的社会人士阅读。
人工智能技术作为计算机科学中的一个重要的研究领域，目前已经在我们的社会生活中发挥着重要作用，并深刻影响着我们每个人的日常生活。当前人工智能在自动化机器人、控制系统、仿真系统方面得到了广泛的应用，未来人工智能技术也必将发挥自身的优势，造福人类生活，促进经济发展。为了适应信息化社会的发展，具备一定程度的人工智能知识对于当代学生今后走向社会非常重要。
本书作为“人工智能等级考试”的一级教程，系统地介绍了人工智能的基本原理和基础知识，内容深入浅出，通俗易懂。希望读者能够通过学习本教程，为今后深入人工智能领域打下宽广而坚实的基础。人工智能的相关理论领域宽泛、应用领域众多，只有具备坚实的基础，多了解计算机领域的发展热点，才能为应用人工智能做好准备。
本书分为三篇，分别从人工智能的基本理论、应用以及融合拓展三个方面介绍了目前主流的人工智能技术和方法。具体内容如下。
第1篇：人工智能的基本理论。本篇主要包括第1～3章的内容。第1章从人工智能的基本概念、发展历史、研究流派等几个方面简要介绍人工智能的基本常识。第2章简要介绍经典人工智能理论中的搜索技术、专家系统、知识工程等方面的基础知识。本章的核心内容是知识的表示方式和专家系统的问题解决原理。第3章主要介绍人工神经网络、机器学习和深度学习的基本原理和实现方法，重点是感知机的原理以及二元分类方法。本章中的机器学习和深度学习是目前人工智能的研究热点，但是由于该部分内容涉及的算法难度较大，因此本章只介绍了其基本原理和模型。
第2篇：人工智能的应用。本篇主要包括第4～6章的内容。第4章主要介绍计算机图像识别的基本原理。图像识别是人工智能的重要应用领域，目前已经实现了大规模的商业化应用，本章主要从图像的数字化处理入手，介绍数字图像的基本原理、图像分割技术和图像识别技术的基本原理。第5章主要介绍语音识别的基本原理，包括数字化音频处理的基本原理、语音识别的基本过程以及自然语言处理的一些常识。第6章主要介绍机器人和智能体。机器人作为人工智能的一种综合形式，目前在工业、医学、金融等领域应用广泛。此外，第6章还选择了目前比较流行的机器人构件和ESP32控制芯片，演示机器人的基本结构和程序控制原理。
第3篇：人工智能的融合扩展。本篇包括第7章和第8章的内容，主要介绍大数据技术的基本原理，以及物联网、云计算和区块链等信息技术的发展热点。人工智能技术在发展过程中不断和其他的信息技术相互融合，本篇简要介绍了人工智能在这些热点领域的融合和应用情况。
为方便非计算机专业的同学学习，本书配备了相关的数字资源，主要包括两部分内容。一部分是计算机领域的相关预备知识，包括计算机的基本组成和原理，以及程序设计的基础知识。这部分内容是整个计算机科学的基础，也是学习和掌握人工智能应用的基础知识。另一部分是本书每章思考题与练习题的参考答案及解析。
本书着重介绍了人工智能的基本原理，尽量避开了相关的复杂模型和算法设计，希望读者通过对相关原理和设计思想的理解，能站在更高的层面理解人工智能的应用形式和未来的发展。书中设计了一些“思考与练习”栏目，供读者强化巩固所学知识，也希望通过这些内容能够更好地梳理人工智能中的复杂概念和理论。
由于本书编者能力有限，内容难免还有疏漏之处，敬请各位读者批评指正。本书编辑的联系邮箱为muguiling@ptpress.com.cn。
编 者
● 第1章 人工智能概述
● 第2章 问题求解和知识工程
● 第3章 人工神经网络和机器学习
本章学习重点
● 理解人工智能的基本概念，人工智能的基本应用
● 区分强人工智能和弱人工智能
● 了解人工智能的发展历史，了解人工智能发展史中的标志性事件
● 了解人工智能的三个研究学派的区别
● 掌握目前人工智能的主要应用形式和领域
本章学习导读
人工智能（Artificial Intelligence，AI）是计算机科学的一个重要分支。自从20世纪50年代人工智能的概念被正式提出之后，人工智能在理论和应用两方面都取得大量进展。简单来说，人工智能是可用来设计模拟人类智能行为的人造系统。本章简要介绍人工智能的基本概念、发展历史、研究流派以及目前人工智能的应用领域等，主要内容如图 1.1 所示。
图1.1 本章主要内容
目前，人工智能的研究已经逐渐成了推动社会信息化发展的重要技术力量。因此，我们应当了解和掌握一些基本的人工智能相关知识，这样才能更好地适应数字化的新时代。了解人工智能的基本概念、发展历史等几个方面内容，能够“以史为鉴”，让我们从人工智能曲折发展的历史中，了解到人工智能在各个应用领域中的优势、特点以及不足，这样才能更全面地认识人工智能技术，发挥人工智能的优势，避免再次走弯路，实现社会信息化的快速发展。
当前人工智能正在深刻影响着社会生活的方方面面，即使在传统的制造领域，自动化的工业机器人、控制仿真系统也都是人工智能应用的优势领域；在日常生活中，智慧化城市、智能交通网络，甚至电子购物平台都可以通过人工智能技术来提供更好的服务，让我们感受到技术为生活带来的便利；人工智能正逐渐从传统的信息技术产业延伸到整个社会。
人工智能首先是计算机科学的一个重要的分支学科和研究领域，也是近十几年来计算机科学的热点研究领域。人工智能的概念最早于著名的达特茅斯会议中被相关科学家提出，在那之后的几十年，人工智能就逐渐成了计算机领域的一个重要的研究方向。人工智能就是一门关注和研究使用人造系统来模拟和实现人类的智能化行为的理论和实践学科。
1956年，美国东部的达特茅斯学院举行了一个关于机器智能、人工神经网络和自动化的理论研讨会，当时参加会议的有著名的信息论创始人克劳德·香农（Claude Shannon），计算机学家马文·明斯基（Marvin Minsky）、艾伦·纽厄尔（Allen Newell）、约翰·麦卡锡（John McCarthy），经济学家赫伯特·西蒙（Herbert Simon），以及其他计算机、自然语言处理和神经网络领域的著名学者。在达特茅斯会议上，这些科学家们讨论的核心议题就是，将来能否制造出一台机器，具备模拟人类的智能化行为的功能。从技术实现上，这台人工智能机器甚至可以使用语言形成抽象的概念，并实现智能化的逻辑推理和问题解决。也就是在这次会议上，人工智能作为一个崭新的概念被首次明确提出。
在此次会议之后，人工智能的概念开始逐渐流行，并成为计算机科学的一个新的研究领域。很多科学家开始系统地研究人工智能中的各类相关问题，希望创建一个具备人工智能的计算机系统。在各领域的科学家的共同努力下，人工智能的研究在很多方向都取得了一些初步的成就。例如，约翰·麦卡锡在此次会议之后不久就设计和开发了世界上第一个专门用于人工智能程序设计的编程语言LISP。LISP语言不仅在很长一段时间内被广泛应用于人工智能的研究和设计，而且其开创性的编程思想对今后编程语言的发展也产生了深远的影响。因此，达特茅斯会议被认为是近代人工智能研究诞生的一个标志性事件。
人工智能的概念从达特茅斯会议提出到目前已经近70年，但是人工智能界并没有一个关于人工智能的相对明确和统一的概念。下面是部分认可程度比较高的关于人工智能的定义。
简单说，人工智能的目的是实现一个人造的智能化系统。因此，我们首先需要知道什么样的系统算是智能（intelligence）的。智能的英文单词有时也被翻译为智慧。通常情况下，智能被认为是一种人类所特有的思维和理性方面的特性，思维和理性包括最常见的解决问题的能力，以及一般意义上的逻辑推理能力。早在几千年前，人类就不断追问和思考人类自身与其他的动物的区别，那时候起，人类开始意识到自身所具有的智慧和理性。这里需要注意的是，有时某些动物也能够具备部分理性解决问题的能力。例如，黑猩猩也能够利用工具来获取食物，这也可以认为是一种基本的问题解决能力。但是，和其他动物不同，人类表现出来的智能行为要比大部分动物的“智慧”复杂得多。我们一般认为，人类能够体现智能的许多方面，而动物一般只具备智能的部分特性，并且大多处于智能的初级阶段。
由于通常情况下人类智能的表现形式过于复杂多样，因此我们很难给出一个全面而具体的定义。很多计算机科学会使用计算机领域的词汇来概括智能，即根据面临的问题和问题的解决来表示人类的智能。在计算机领域，问题使用输入来表示，问题的解决使用答案输出来表示，因此智能在计算机领域可以看作，人类（或者计算机系统）通过问题的输入，实现问题解决并给出答案的能力。从这里我们可以看出，计算机科学家更加关注人工智能作为一个完整系统的输入（问题）和输出（答案）功能，即智能就是首先能够从外界获得信息，并主动做出决策判断，最后做出正确反应的过程。
在理解了智能的基本概念后，人工（artificial）的概念就相对比较简单，人工就是人造的意思，因此人工智能通常可以理解为一种人造的智能系统，即使用计算机来模拟人的思维过程，例如问题求解、逻辑推理、决策思考等。但是，由于当前人工智能的研究和应用领域非常广泛，因此人工智能的概念也逐渐泛化，从广义上看，所有能够在一定程度上实现智能行为的系统都可以称为人工智能系统；从狭义上看，尤其在计算机领域，人工智能主要是一些具体的，能够实现智能化行为的算法或者模型。我们在理解人工智能这个概念时，应当注意广义和狭义概念的区别。
综合目前人工智能的各种定义可知，人工智能研究的核心目标在于构造一个智能化的人工系统，利用这一智能系统，可以实现模仿人类完成思考推理和解决问题等高级智能化行为。因此，按照人工智能所致力于构造的这一系统的功能性，可以把早期的人工智能的主要研究领域分为“强人工智能”和“弱人工智能”两个不同的研究方向。
所谓强人工智能是指人工智能系统能够真正像人类一样实现思考的功能，并具有感知能力和自我意识，可以实现自我学习。在人工智能研究的早期阶段，科学家们主要是致力于强人工智能方向的研究。其目标就是希望能够实现一个具备人类所有理性思考能力的机器系统。但是经过一段时间的努力，科学家们发现强人工智能不仅在技术研究和实现上面临着巨大的挑战，甚至有很多人还从哲学伦理学的角度反对这种全面的“类人”系统的研究。经过大量的尝试和失败，科学家们认为强人工智能的实现难度太大，或者说短时期内无法实现；而伦理学家们则在考虑，强人工智能这样“类人”的机器诞生后，人类该何去何从？
在早期人工智能研究过程中，由于多方面条件的限制，强人工智能的研究最终陷入了困境。很多科学家也开始从强人工智能这种“全面”的人工智能系统，转向弱人工智能这种“部分”的人工智能系统。
所谓弱人工智能，是指当无法制造出像人类一样能够自主思考和具有自我意识的智能系统时，可以尝试制造在某些特定方面具备一定程度智能的系统，这个智能系统并不需要具备完全的人类理性功能，但是依然可以在特定的具体领域实现一定程度的智能化。例如，目前各种下棋的程序（围棋、国际象棋等）只是在博弈方面具备了基本的智能化行为，这些系统的博弈能力已经超过了人类，但是这些智能系统并不具备除了博弈之外的感知和思考能力。因此它们只是一个在特定的博弈方面具备智能功能的弱人工智能系统。
强人工智能和弱人工智能的提出，让科学家们更好地理解了人工智能的基本发展方向，了解了智能系统的优势和不足。弱人工智能是目前人工智能研究和应用的重点。此外，近些年还有一些科学家提出了超人工智能（Artificial Superintelligence, ASI）的概念。这里的超人工智能表示一种在几乎所有的智能化方面上，都远超人类智能的系统。超人工智能的概念目前还处于科学假设阶段，相关的研究并没有取得实质性进展。
我们现在使用的人工智能系统基本上都是弱人工智能系统，例如各类图像识别系统、语音识别系统、博弈程序、机器翻译系统等。这些弱人工智能在特定的方向上不断地发展和创新，取得的成就也不断为强人工智能的发展奠定坚实的基础。可以预测，在强人工智能实现之后，也许超人工智能也能实现，并为我们带来更大的惊喜。
思考与练习1-1 怎样理解人工智能
很多科幻类型的影视剧，都在探讨人工智能的可能性和关于人工智能的伦理学问题，例如以下几部电影。
● 史蒂文·斯皮尔伯格执导，裘德·洛、海利·乔·奥斯蒙特主演的《人工智能》；
● 亚历克斯·普罗亚斯执导，威尔·史密斯主演的《我，机器人》；
● 亚力克斯·嘉兰执导，多姆纳尔·格里森主演的《机械姬》。
思考题：请你谈谈你对人工智能发展的看法，也可以谈谈对人工智能中伦理学问题的看法。
几千年以来，人类就一直关注和研究着自身的理性能力，不断探索着人与其他生物在理性上的区别，并希望通过创造各种机器来代替人的部分脑力劳动，以提高人类的生存和发展能力。虽然，历史上这些智能化机器仅仅停留在科学假想阶段和各类文学作品中，但是至少表示人类很早就开始认识自身，并且对人类自身的理性能力有了深刻的认识。早期的关于自动化机器的研究设计都可以看作人工智能的先驱。
如1.1节所述，目前大多数的研究者都把1956年的达特茅斯会议作为现代人工智能诞生的标志。其实在1956年达特茅斯会议之前，就已经有很多科学家对人工智能的诞生做出了不可磨灭的贡献，例如艾伦·图灵（A. M. Turing）、库尔特·哥德尔（Kurt Godel）、约翰·冯·诺伊曼（John von Neumann）等。这些科学家都从各自所在的领域为人工智能的发展奠定了基础。从达特茅斯会议之后一直到现在，人类一直在人工智能领域艰辛地探索。科学家们把历史上一些著名的里程碑式事件作为人工智能发展的标志性时间点，并以此为根据将 1956 年至今的人工智能发展史划分为多个发展阶段。其中尤其需要注意20世纪70年代，当时人工智能的发展处于低潮期，主要原因是当时众人遇到了单层感知机的学习能力问题，这些问题直接导致了当时人工智能的研究失去大量投资，最终使得人工智能的研究陷入瓶颈。
这里我们把人工智能的发展分为“前”人工智能阶段、人工智能的起步阶段、人工智能的瓶颈期、人工智能的复苏期和人工智能的繁荣期五个阶段。
1936年，著名的英国数学家艾伦·图灵开创性地提出了图灵机的数学模型，该模型形象地定义了一台可执行指令的机器，能够模拟人类进行数学计算的过程。图灵机模型为后来电子计算机的研究和实现奠定了重要的理论基础。除图灵机外，图灵于1950年还发表了《机器能思考么？》一文，在这篇论文中，图灵讨论了制造一台真正智能化的机器的可能性。该文章中更加广为人知的就是图灵测试，即对于机器是否具备智能的判断标准。具体设想是，让测试者（一个人）和被测试者（一台计算机）隔开，并通过某种特定的方式（比如键盘）进行交谈，随后让测试者判断对方是人类还是机器。在进行多次测试后，如果测试者误判断的概率超过30%，可以认为计算机通过“图灵测试”，具有“智能”。图灵测试可以看作我们从哲学角度对人工智能的第一次严肃思考。
在图灵提出了图灵机的数学模型之后，科学家们开始尝试建造能够按照一定程序实现控制和运算的计算机设备。美籍匈牙利数学家冯·诺伊曼对世界上第一台通用计算机ENIAC的设计提出过建议，并于1945年参与讨论和起草了《存储程序通用电子计算机方案》。这一方案对后来计算机的设计有决定性的影响。
冯·诺依曼提出了计算机制造的几项基本原则，这被称为“冯·诺依曼结构”。其主要内容包括，计算机采用二进制计算方法、程序存储和运行方式，以及计算机的五个主要部件（运算器、控制器、存储器、输入设备和输出设备）。从世界上第一台通用计算机ENIAC问世至今，计算机的设计制造技术发生了翻天覆地的变化，但冯·诺依曼结构仍然沿用至今，因此人们也把冯·诺伊曼称为“现代计算机之父”。
自从1946年，世界上第一台通用计算机ENIAC诞生于美国宾夕法尼亚大学，利用计算机实现人工智能才真正成为一种可能。在计算机及其相关理论发展之后，人工智能的相关研究也真正走上了系统化和科学化的道路。例如，早在1952年，亚瑟·塞缪尔（Arthur Samuel）就已经编写了第一个版本的西洋跳棋的博弈程序。在这些早期科学家对人工智能的探索的基础上，人工智能也就呼之欲出了。
在达特茅斯会议之后的10年中，人工智能领域出现了一系列非常有代表性的研究成果。例如，人工智能在人工智能语言、定理证明和问题求解等方面都取得了很大的进展。
首先，达特茅斯会议之后，会议的重要发起人约翰·麦卡锡就设计和开发了第一个人工智能程序设计语言LISP。LISP引入了许多高级特性，例如动态类型、面向对象的设计思想等。LISP在很长一段时间内，都是人工智能系统的一个重要开发工具，很多专家系统都是在LISP语言的基础上构建的。
其次，人工智能在定理证明方面取得了突破性进展。人工智能的定理证明指使用计算机程序代替人类，用一种自动推理和论证的方式来证明某一个数学定理。在这一起步阶段，纽厄尔和西蒙开发的计算机程序可以独立证明出《数学原理》一书中第二章的38条定理；到1963年时，该程序已经能够证明该章的全部52条定理。此外数理逻辑学家王浩在1958年，使用IBM-704机器，用3～5分钟时间就证明了《数学原理》中有关命题演算的220条定理。1976年，凯尼斯·阿佩尔（Kenneth Appel）和沃夫冈·哈肯（Wolfgang Haken）利用人工智能和计算机混合的方式证明了著名的四色定理。
最后，问题求解领域也获得了巨大的成功。比如，1960年纽厄尔等人编制了通用问题解决者（General Problem Solver，GPS）程序，该程序能够通过模拟人类求解问题的基本思维规律，实现针对11种不同类型的问题的求解操作。在模式识别方面，1959年塞尔夫里奇推出了一个模式识别程序，1965年罗伯特（Roberts）编制出了可分辨积木构造的程序。此外，塞缪尔改进的西洋跳棋程序，能从棋谱中学习，也能从下棋实践中提高程序的棋艺，最后战胜了美国著名跳棋选手。
1969 年成立的国际人工智能联合会议（International Joint Conference on Artificial Intelligence，IJCAI）是人工智能发展史上另一个重要的里程碑，它标志着人工智能这个新兴研究领域已经得到了世界的认可。此后，1970年创刊的国际性人工智能杂志《Artificial Intelligence》对推动人工智能的发展，促进研究者们的交流也起到了重要的作用。
在人工智能的发展取得了一些突破性进展后，人们对人工智能相关领域的投入越来越大，并且开始研究一些更加通用的人工智能系统。随着研究的不断深入，部分领域的人工智能系统却遭遇了严重的挫折。例如，在定理证明领域，计算机推理计算了数十万步，也无法证明两个连续函数之和仍然是连续函数；西洋跳棋博弈程序在战胜了部分人类棋手后，无法进一步提高，并且在更高级别的博弈中屡屡失败；人工智能对自然语言的理解和翻译方面则碰到了更大的难题，主要问题在于机器翻译无法实现准确翻译，甚至在某些情况下会出现非常荒谬的错误。
此外，虽然像人工神经网络之类的新技术拓展了人工智能的研究思路，提供了机器分类和学习的新途径，但是马文·明斯基在《感知机》（Perceptron）一书中却论证了单层感知机的学习能力有限问题，其中最典型的就是逻辑代数中的异或问题在单层感知机中无法实现。在很长一段时间内，科研机构对人工神经网络及其相关领域的研究经费大幅压缩，严重影响了科研人员对人工智能系统的信心，最终导致更广意义上的人工智能研究都走向了低潮。
尽管后来相关技术人员通过对人工神经网络的进一步研究发现，可以通过多层神经网络来解决逻辑的异或问题，然而这一研究成果在当时并没有挽回人们对人工智能研究的信心。人工智能逐渐进入了一个发展的瓶颈期，很多研究者称那段时间为人工智能发展的寒冬。当然，这些历史事件也证明人工智能的发展不可能像人们早期设想的那样一帆风顺，人们必须静下心来思考人工智能的未来发展方向。
1977年美国斯坦福大学的费根鲍姆（Edward Albert Feigenbaum）在第五届国际人工智能联合会议上提出了“知识工程”的概念，并且实现了一套以人类知识表示和推理为基础的智能系统，即专家系统。所谓的专家系统，就是一种利用计算机实现自动化的知识表达和逻辑推理，从而像一个领域的专家一样解决问题的功能。知识工程概念的提出引领了人工智能研究的转向，人工智能的研究从早期的博弈、数学逻辑推理逐渐转向了关于知识表示和推理的研究。
费根鲍姆的研究团队于1968年成功设计和开发了专家系统DENDRAL。该系统能够根据质谱仪的实验数据，通过分析和推理来判断化合物的分子结构。该系统的分析结果能够达到非常精确的程度，分子结构的准确率已接近甚至超过部分相关化学领域专家。更加重要的是，该专家系统的研制成功不仅为人们提供了一个实用的专家系统，而且它的设计和实现是知识获取、表示、存储技术，以及问题的推理技术上的一次非常重要的突破，为人工智能的研究方向探索了一条新的途径。
后续还有很多类似的专家系统也获得了成功，例如，矿产勘探方面的专家系统PROSPECTOR可以根据岩石标本以及地质勘探数据，对矿藏资源进行估计和预测。该系统还能够对矿床分布、储藏量及开采价值等进行推断，甚至可以针对特定的矿床特点，提出一些合理化的开采建议，初步实现一些决策支持系统的功能。在实际应用中，PROSPECTOR系统成功地找到了具有巨大开采价值的钼矿。此外，斯坦福大学开发的MYCIN专家系统能够针对不同病菌，提供诊断建议，并在治疗细菌感染方面提出抗生素处方建议。实际应用中MYCIN系统也成功地处理了数百个病例，显示出较高的医疗水平。
随着专家系统在化学、地质、医疗等领域取得成功，各种不同功能、不同类型的专家系统如雨后春笋般建立起来，产生了巨大的经济效益及社会效益。专家系统从实验室走向了实践应用，也使人们越来越清楚地认识到知识工程研究的重要意义。因此，当时的研究人员开始把知识的表示和处理技术作为一种人工智能的关键性技术，并且在知识的表示、利用及获取等研究领域取得了较大的进展，特别是对不确定性知识的表示与推理方面，研究人员取得了突破，提出了很多理论和模型，比如主观Bayes理论、确定性理论等。对知识表示的研究也间接地影响了人工智能中的模式识别、自然语言理解等领域的发展，解决了许多人工智能理论及技术上的问题。
但是，随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。而这些专家系统和知识工程领域中出现的技术难题，驱动着人工智能在其他方向上不断发展。
在专家系统和知识工程领域取得了一定的成功后，人工智能的研究开始逐渐走向复兴与繁荣。这时，人工智能研究的关注点已经从以建造全面智能化的机器为目标的强人工智能，逐渐转变到特定领域的弱人工智能。由于弱人工智能更加关注特定领域的问题解决，更加切合实际商业化的应用，因此相关的很多研究都获得了商业上的成功。例如，基于人工智能的逻辑模糊控制系统在控制摄像机自动聚焦、汽车刹车控制系统中的大量应用，是人工智能从计算机学科走向传统制造业的一个重大突破；人工智能在语音识别算法和图像识别算法中也获得了良好的应用，带动了传统的语音、图像处理领域的发展。
20世纪90年代开始，人工智能最具影响力的研究成果还是在人机博弈方面。早在1957年，就有人研发了早期的计算机博弈系统，但是该系统只能在简单博弈游戏中胜利。1996年美国IBM公司制造了超级计算机“深蓝”，并邀请当时的国际象棋世界冠军卡斯帕罗夫与深蓝进行了一场人机大战，最终卡斯帕罗夫以总比分4︰2获胜。随后IBM公司对深蓝进行了部分升级，并于1997年再次挑战卡斯帕罗夫，最终深蓝以3.5︰2.5的总比分赢得这场“人机大战”的胜利。深蓝在人机博弈方面的胜利表明，人工智能在某种程度上的确能够达到，或者超过人类的智能水平。不过，我们也应该认识到，深蓝的思维方式并不是真正对人类思维方式的模拟，而是一种在博弈算法上的实现。但是这也表明计算机能够利用运算速度上的优势间接模拟人类思维。
在人工智能的算法方面，人工神经网络和遗传算法的结合为人工智能的发展提供了新的研究方向。神经网络和遗传算法源于进化论中的“适者生存”遗传进化模型，它将神经网络结构简化，并且大幅提高了求解效率。此外，人工智能研究中还出现了一个人工生命研究领域，该领域通过对仿真模型的研究，模拟实现生命相关的进化系统。人工生命目前可以模拟单一和群体的生命形式，通过模型演示的方式帮助人们理解生命的演化机理和生命特征。
随着互联网的发展和计算机运行速度的提升，大数据、云计算、物联网等技术快速发展，这些研究领域已经实现了与人工智能技术融合发展的趋势。无论是在大数据的挖掘和处理方面，还是在分布式计算、物联网的监控管理等方面都实现了人工智能的融合应用。这种融合应用在理论研究和具体应用场景两方面都取得了骄人的成绩。也可以预见，这种融合发展将会带来人工智能研究新的爆发式增长。
人工智能研究的主要目标是让机器能够实现像人类一样思考、学习和行动的功能。但是，如何去模拟和实现呢？在这个问题上虽然不能说是“条条大路通罗马”，但是至少很多研究者做出了不同的尝试，也都在各自的方向上取得了一定的成果。在目前人工智能的研究中，有三种不同的研究方向，分别是符号主义、连接主义和行为主义。通常我们会在这三个不同的研究方向的基础上，将人工智能的研究者们分为三个不同的研究学派，分别是符号主义学派、连接主义学派和行为主义学派。
符号主义学派又称为逻辑学派、心理学派或计算机学派，其代表人物是西蒙和纽厄尔。符号主义学派对人工智能的主要观点是物理符号系统假说，即认为只要在符号的运算上实现了相应的功能，则在现实世界中也可以实现对应的功能，也就是实现了智能。以上对符号主义的表述相对抽象，简单来说符号主义学派的观点就是，通过计算机的运算，只要能够实现对应的功能，那么就可以认为实现了智能，而具体的运算方式是无关紧要的。
此处以一个例子来简单描述符号主义的基本思想。例如，对于一个一元二次方程，作为人类，我们可以有多种求解的方式。但是对于人工智能，我们只需要按照一种特定的符号运算方式得到方程的解，就可以认为实现了这个方程求解的功能，而具体的运算方式并不影响该功能的实现。只要选择的运算方式能够得到正确的方程解，都可以认为是实现了具体的功能。
符号主义学派的观点可以看作起源于图灵提出的图灵测试。图灵测试并不关心智能化机器的实现方式，也许有很多方式，但是只要在测试中，无法判断对方是人还是计算机的概率足够高，那么就可以认为该计算机具有类似人的智力。
符号主义学派更加关注功能，因此他们把智能行为理解成为一个“黑箱”，基本思想如图1.2所示。符号主义学派只关心这个黑箱能否实现正确的输入/输出，而不关心黑箱的内部构造。也就是说符号主义并不关心黑箱中使用了什么计算方法，只要能够得到正确的结果，就认为实现了对应的计算功能。
图1.2 符号主义学派的基本思想
因此，符号主义学派会采用很多的算法，针对不同的问题进行求解。例如，在计算机博弈中，可以使用简单的路径搜索技术来实现博弈操作，即使我们不知道人类棋手在处理这样的问题时真正采用的方法是什么，但是使用路径搜索技术就可以实现博弈的功能和目标。因此符号主义的理论比较倾向于利用算法上的优势、知识表示技术和处理技术实现一些推理、规划、逻辑运算和判断等问题，虽然我们并不知道人具体是怎样存储知识和加工知识的，但是，计算机能够模拟实现这样的功能就够了。
思考与练习1-2 “中文屋”的悖论
针对符号主义学派的基本观点，即只关心智能系统的输入、输出的功能，而并不关心具体黑箱实现，有人专门设计了一个名为“中文屋”的思想实验用来批判符号主义和图灵测试。
该思想实验是图灵测试的一个变形：实验假想有一位只说英语的人，他随身带着一个中文翻译程序工具，然后将这个人放置在一个房间内。房间里还有足够的稿纸、铅笔和橱柜。当屋外的人将写着中文的纸片送入房间后，可以得到屋内人返回的答案。屋内人并不懂中文，但因为他拥有某个特定的工具，可以输出和返回中文字条，因而让屋外人认为他懂中文。
如果仅仅根据中文屋的输入和输出，是可以判断它可以正确接收和处理中文信息的，但是屋里的人并不懂中文，那么就存在这样一个悖论：屋内人到底懂中文么？
有观点认为，单独看待屋内的人，他是不懂中文的，但是，如果把屋内的人和房间里的翻译程序作为一个整体来看，房间是理解中文的。
思考题1：你觉得屋内人是否可以被认为是懂中文的？
思考题2：中文屋悖论与图灵测试相比，有什么异同呢？
思考题3：基于以上的悖论实验，你是如何看待符号主义学派的基本观点的？
虽然受到了多方面的批评，但是符号主义学派依然是人工智能研究中的一个重要的研究流派。符号主义学派的早期工作主要集中在机器定理证明和知识表示方面。目前符号主义学派的发展面临很多困难。首先，人类的知识以及知识的关联和组合爆炸性增长，而早期的知识表示系统已经无法适应这样的增长，因此原有的“黑箱”设计已经落后，符号主义需要实现一种新的知识表示和推理方式。
其次，符号主义在一些知识推理过程中会产生组合悖论。所谓组合悖论就是两个都是合理的命题，但是合起来就变成了没法判断真假的句子了，因此符号主义的“黑箱”在机器定理证明的过程中也陷入了困境；最后，人可以在实际生活中通过抽象和概括得到新的概念和知识，但是智能系统却很难通过对现有知识的抽象和概括提取出新的概念。
总之，符号主义学派这种通过“黑箱”的形式来模拟人类思维的过程会遇到各种瓶颈和制约，因为，毕竟黑箱内是各种模拟人脑的算法，并不能真实表示人脑的结构。
连接主义学派有时也被称为仿生学派或生理学派。连接主义学派的早期代表人物有麦卡洛克（McCulloch）、皮茨（Pitts）、霍普菲尔德（Hopfied）等。连接主义学派的主要观点是，大脑是一切智能的基础，想要实现人工智能，就需要从最底层开始模拟实现人类大脑的结构和功能。因此连接主义学派关注大脑的神经元结构及其连接机制，并且试图通过相关研究揭示人类智能的原理和本质，并在机器上实现真正的智能化。
从“黑箱”出发，我们就可以看出连接主义和符号主义的区别，如图 1.3 所示。连接主义学派从人类的大脑开始，通过模拟大脑的方式定义“黑箱”的内部结构。连接主义学派希望从神经结构的角度来模拟智能系统的运作，而不局限于系统的输入和输出。因此，从这一角度看，连接主义学派对人工智能的研究比符号主义学派更加深入。
图1.3 连接主义学派的基本思想
在生物学发展的基础上，连接主义学派从神经元细胞入手，致力于在计算机中重构人脑的神经模型，并实现真正意义上的人工智能。在20世纪60年代到70年代，连接主义学派强调通过感知机来模拟人脑的构造和功能，但是受到当时生物学理论、计算机技术的限制，并未取得非常好的研究成果。此外，由于感知机功能上的不足，连接主义学派的研究于20世纪70年后期进入低潮。直到20世纪80年代鲁梅尔哈特（Rumelhart）等人提出多层神经网络，以及实现了反向传播算法后，连接主义学派才重新得到了人们的重视。
连接主义的主要研究成果都集中在人工神经网络的研究上，即通过计算机模拟大脑神经元的结构和基本功能，实现一个人造的神经网络结构。人工神经网络通过模拟神经元细胞的激活及抑制等功能，能够实现一些基本的逻辑判断。此外，通过对模拟的神经元细胞的激活方式进行不断调整和改进，甚至能够实现智能机器的自我学习和自我改进。连接主义学派在解决模式识别、聚类分析等非结构化的问题方面具有很大的优势，但是在传统的机器定理证明、问题求解和逻辑推理等方面的优势并不突出。连接主义学派在创建人工智能系统的思想和方法上，把人工智能的研究推向了新的高度。
目前，人工神经网络的相关研究取得了很大的成就，尤其在机器学习和深度学习的概念提出之后，更是获得了突破性的进展。例如，2016年3月，由谷歌开发的采用了深度学习技术的人工智能围棋程序AlphaGo战胜了围棋世界冠军、职业九段棋手李世石。在2017年5月，在中国乌镇围棋峰会上，他又与排名世界第一的围棋世界冠军柯洁对战，以3比0的总比分获胜。目前，围棋界已经公认AlphaGo的棋力超过人类职业围棋顶尖水平。
在机器翻译、语音识别和图像识别上，深度学习技术也已经取得了极大的进展，并已经进入了实用阶段。
但是，这些在个别领域内获得的成功并不意味着连接主义学派的智能系统就可以真正达到人类的智能水平。目前要创建和实现完全意义上的连接主义学派的智能系统也面临极大的挑战。因为到现在为止，人们并不完全清楚人脑中神经元细胞更深层次的工作原理，也不清楚神经元细胞对知识的表示和概念生成的机制，因此，现在的人工神经网络与深度学习的研究实际上与人脑的真正机理还有很大的差距。
行为主义学派又称为进化主义学派或控制论学派。行为主义学派在人工智能的研究中，更加关注模拟和实现人类的动作技能。行为主义学派综合应用控制理论和信息技术，认为人类的智能行为是一种通过感知外部环境做出反应的系统化过程。简单来说，行为主义并不关心知识、概念的表示和形成，而仅仅关注外部的行为表现。因此，早期行为主义学派的研究重点就是模拟人的感知和行为，创造一个能够对外部刺激做出正确反应的机器人系统，更加关注系统控制过程和智能化的刺激反应过程。
行为主义学派目前发展迅速，尤其在工业领域取得了一定的成就。例如，波士顿动力公司设计和制造的人形机器人可以做高难度的后空翻动作；该公司设计制造的机器狗可以在任何地形负重前行，并能够准确识别各种复杂地形。目前各种仿真机器人已经被广泛应用到工程、矿业、电力、安全、卫生等领域。此外，在制造业中，大量使用的机械手臂等精密设备也可以看作一种机器人的具体应用类型。
与人工智能的另外两个学派相比，行为主义学派更加关注底层的智能形式，关注模拟人类或者动物的身体运作机制，而不是智能的核心机构——大脑。虽然行为主义学派对人工智能的理解与我们日常所理解的具备“智慧”的设备不同，更像一个精密机械，但是，为了更加全面地模拟人类的智能系统，外部的环境感知系统和机械控制系统都是必不可少的组成部分。
总的看来，人工智能的三个学派分别从不同层次来模拟人类智能，但是现实中人类的智能应该是一个完整的整体，未来的人工智能必须要将其融合在一起。因此，如何在现有的技术条件下，综合、协调这三大学派对人工智能的理解以及在人工智能上的应用和实践，是一个很困难的问题，而且似乎也无法在短时间内实现技术的全面融合。但是，人工智能的研究目前在各个领域都不断取得突破，最终还是会实现多种技术的融合，并达到一个新人工智能阶段。
目前人工智能在理论研究上正在不断完善，技术应用方面也取得了一定的突破性成果。人工智能不断在科学研究、医疗卫生、日常生活、工业制造等多个领域发挥着重要作用，影响着社会生活与生产的方方面面。因此，我们更加应该了解和熟悉人工智能的一些基本理论知识，这样才能更加有效地应用和发展人工智能，促进社会的信息化发展。
目前人工智能的理论研究分为专用人工智能和通用人工智能两个方向。所谓的专用人工智能，是指专门解决特定问题的，具有特定功能和类型的人工智能系统。例如，围棋程序、图像识别系统等都是专用人工智能，它们的应用领域明确局限于围棋博弈和图像识别中，并不能实现国际象棋的博弈，或者语音识别的功能。专用人工智能由于应用场景和功能需求相对简单，因此设计和开发的难度较低，也更加容易取得较好的应用效果。例如，人工智能程序在大规模图像识别中达到了超越人类的水平；人工智能系统在诊断皮肤癌方面甚至可以达到专业医生水平。
通用人工智能系统的概念是澳大利亚学者胡特（Hutter）在2000年提出的，胡特批评当前的专用人工智能系统，认为它们并不是一个完整的智能化系统，因此真正模拟人类的智能，需要创建一种通用人工智能，它不仅可以处理视觉、听觉方面的问题，还可以实现学习、思考、判断等多种功能。因此通用人工智能本质上就是把智能看作一个整体，而不是若干分离的子系统。这样的一个通用人工智能系统也可以被看作专用人工智能系统的综合。目前在通用人工智能领域的研究与应用仍处于起步阶段，但是我们也应当看到，随着各个专用人工智能系统的不断发展，通用人工智能的研究正在逐步走向深入，也许在不久的将来通用人工智能就会影响我们的生活。
当前人工智能在图像识别、语音识别、语音控制等领域已经得到了广泛应用。在大数据系统和云计算的支持下，人工神经网络和深度学习的研究正在不断深入，可以预见，今后人工智能将不断与其他领域实现深度的融合，推动社会信息化水平进一步提升。
纵观人工智能的发展历史，其目标始终是建立一套真正意义上的通用人工智能。因此，从目前的专用人工智能系统逐步走向通用人工智能，是人工智能发展的必然方向。
人类几千年来都在不断地探索和认识自己，希望能够创建一种“人工”的智能体，但是直到图灵机模型和图灵测试的提出，科学家们才真正开始利用科学的手段来思考和解决这个问题。现代人工智能的研究开始于达特茅斯会议，经过近70年的不断努力，目前人工智能研究已经取得了丰硕的成果。本章主要通过对一些历史事件的回顾，简单梳理了人工智能研究的发展脉络，并对人工智能中的一些基本概念进行了简单描述。这些基础知识贯穿着人工智能研究的各个方面。这些概念在今后的学习中会反复应用，是本书的基础和重点。
1．（单选题）关于人工智能的发展叙述正确的是（ ）。
A．人工智能开始于图灵测试
B．图灵机就是一种人工智能的实现
C．现代人工智能开始于达特茅斯会议
D．在达特茅斯会议之前，人们对人工智能一无所知
2．（单选题）符号主义对人工智能的基本观点是（ ）。
A．人工智能也需要完全实现人类大脑的神经元回路
B．人工智能的研究只需要关心系统的输入/输出
C．通过信息的检索实现问题的解决不能算是真正的人工智能方法
D．“中文屋”并不是人工智能
3．（单选题）神经网络的研究可以认为属于（ ）学派的研究领域。
A．符号主义
B．连接主义
C．行为主义
D．以上均不正确
4．（单选题）机械手臂的研究可以认为属于（ ）学派的研究领域。
A．符号主义
B．连接主义
C．行为主义
D．以上均不正确
5．（多选题）下面关于人工智能的描述错误的有（ ）。
A．汽车的智能驾驶就是人工智能的一种应用
B．目前人工智能已经全面超过人类的智能
C．人工智能是研究利用计算机技术模拟、延伸和扩展人类智能形式的理论、方法和技术
D．弱人工智能并不是一种人工智能
6．（多选题）以下论述正确的有（ ）。
A．通用人工智能就是强人工智能
B．专家系统所实现的人工智能能够在特定领域发挥重大作用
C．神经网络是连接主义学派的研究重点
D．图灵测试是判定人工智能的唯一标准
7．我们应当如何理解强人工智能和弱人工智能？
8．简要叙述“中文屋”悖论，谈谈你是如何理解人工智能的？
9．举3个例子说明日常生活中我们都使用了哪些人工智能技术。
微信扫码关注【异步社区】微信公众号，回复“e59054”获取本书配套资源以及异步社区15天VIP会员卡，近千本电子书免费畅读。
