简述
-
1956年的“达特茅斯夏季人工智能研究计划”会议，被认为是人工智能的诞生。
-
“图灵测试”提出于1950年，是用来提供一种令人满意的关于智能的可操作定义：如果一个人类的提问官，在提出一些书面问题之后，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，是对机器智能的度量。
-
“视觉图灵测试”提出于2014年，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。
-
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、图像分割和定位。
-
“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能描述为有“智力”或“知性”，不管它多么智能。
-
实验为对中文一窍不通的人通过操作处理符号和数字，生成了准确的字符串。得出结论是，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。
理论基础
-
人工智能的八个理论基础：哲学、数学、经济学、神经科学、心理学、计算机工程、控制理论和控制论、语言学。
-
数学对人工智能的理论支撑包括三个方面：
（1）逻辑学：得出正确结论的形式规则。
发展：命题逻辑，即布尔逻辑——一阶逻辑，扩展布尔逻辑，增加了对象和关系——指称理论，揭示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。
发展：描述可计算的函数——提出计算的易处理性概念——提出了NP完全性理论。
NP完全性理论：P（确定多项式时间的问题）、NP（不确定性多项式时间的问题）、NPC（NP完全性问题，是NP中最难的问题）。
它是计算复杂性理论中的一个重要概念，它表征某些问题的固有复杂度。一旦确定一类问题具有NP完全性时，就可知道这类问题实际上是具有相当复杂程度的困难问题。
（3）概率：研究如何根据不确定信息进行推理。
发展：将概率描述为博弈事件中可能的结果——推进这一理论，并引入了新的统计学方法——提出贝叶斯规则，成为不确定性推理的现代方法基础。 -
神经科学研究大脑如何处理信息：
神经科学研究神经系统，尤其是大脑。大脑在记性决策方面（预测和仿真是决策关键）非常优越，且不像软件那样模块化。
大脑中神经元的数量基本上固定的，计算机中处理单元的数量每五年增加十倍。 -
认知心理学研究人类如何思考与行动：
把大脑看作是信息处理设备，是研究心智过程的学科。
研究方面：注意机制（意识集中在某个有用的感知信息子集的状态）、语言应用（研究语言习得、语言形成的组件、语言使用的语气及其他相关领域）、记忆（包括三个子集：过程、语义和情景）、感知（研究人类物理感知及认知过程）、问题求解、创造力、思考。
元感知是关于认知的认知，有两个组成部分：关于认知的知识，以及认知的调节。
认知心理学是研究人脑如何接受外部世界的输入，如何处理以及作用等；认知科学则是研究如何在大脑中形成以及转录过程的跨领域学科，关注于通过研究收集数据。 -
控制理论与控制论研究机器如何能在自身的控制下运行：
控制理论是工程与数学的交叉学科分支，研究处理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。
控制论是跨学科的研究途径，探索调控系统的结构、约束和可能性，1948年被定义为“研究动物与机器的控制与通信的科学”，21世纪被简单解释为“用技术控制任何系统”。
历史
- 1950-1956：人工智能诞生，标志是达特茅斯会议和图灵测试的提出。
- 1956-1974：人工智能的黄金时代，代表性事件为：
1958年，出现了被称为“逻辑理论家（LT）”的第一个人工智能程序，同年出现了著名的Lisp编程语言作为AI语言。
1960年，出现了用于机器翻译的语义网络。
1963年，关于模式识别的论文被发表，其中描述了第一个机器学习程序。
1965年，出现了首套专家系统——Dendral，一个用于推断有机化合物分子结构的软件。
1974年，出现了MYCIN程序，一个非常实用的基于规则的医学诊断方法。 - 1974-1980：人工智能进入第一次寒冬，在此之前，有一系列的失败昭示：
1966年，机器翻译失败。
1970年，连接主义遭到遗弃。
1971年，美国国防部高级研究计划局（DRAPA）对卡内基梅隆大学的语音理解研究项目感到沮丧。
1973年，受到“人工智能：综合调查”报告的影响，英国大幅缩减AI研究。
1974年，DARPA削减了一般性AI学术研究经费。 - 1980-1987：人工智能进入繁荣期，标志性事件如下：
1980年，美国人工智能学会（AAAI）在斯坦福大学召开了第一届全国大会。
1982年，日本启动第五代计算机系统（FGCS）项目，用于知识处理。（计算机前四代都是由器件划分的，第一代为真空管，第二代为晶体管，第三代为集成电路，第四代为微处理器。）
1980年代中期，机器学习出现，当时发明了决策树模型，具有可视化、易说明等特点。同年出现了多层人工神经元网络（ANN），具有足够多的隐蔽层，可以表达任意的功能，因而突破了感知的局限性。
1987-1993：人工智能进入第二次寒冬，标志性事件如下：
1987年，Lisp机的市场崩溃。
1988年，美国取消新的AI经费。
1993年，专家系统滑向低谷。
1990年，日本第五代计算机项目因未达目标而落幕。 - 1993至今：人工智能取得突破性进展：
1997年，IBM深蓝战胜卫冕国际象棋冠军，成为第一台计算机国际象棋系统。
2005年，斯坦福大学的Stanley，赢得DRAPA无人驾驶汽车挑战赛。
2006年，Science发表有关”深度学习“论文，该术语成为热门。
2011年，IBM沃森战胜智力竞赛Jeopardy冠军，同年谷歌启动了深度学习项目“谷歌大脑”，它将一万六千台计算机连成集群，致力于模仿人类大脑。
2012年，苹果公司推出Siri，作为一种智能个人助理和知识导航软件，使用自然语言用户接口来回答问题、做出建议和执行动作。同年微软首席研究官，演示了一款实时英语-中文通用翻译系统，可以保持讲者的口音和语调。
2014年，微软推出智能个人助理Cortana，微软中国推出聊天机器人小冰，同年聊天机器人Eugene Goostman被认为通过图灵测试，同年IBM发表了类人脑工作的TrueNorth芯片，总计刚好超过百万个神经元。
2015年，谷歌DeepMind公司在Nature上发表了Deep Q-network，通过深度强化学习达到人类水平的操控，同年AlphaGo打败欧洲围棋冠军。
2016年，位于华盛顿特区的信息技术与创新基金会（ITIF），将年度卢德奖颁发给包括史蒂芬霍金在内的“一个科学家和名人组成的松散联盟，他们在2015年警告AI将会导致人类的末日，激起恐惧和歇斯底里。”
发展现状
- 将人工智能划分为如下四类：
| Humanly（类人地：以对人类表现的逼真度衡量） | Rationally（理性地：用理想的性能表现衡量） | |
|---|---|---|
| Acting | Acting Humanly（需要人类智能才能完成的功能） | Acting Rationally（关注于用人工手段去实现智能行为） |
| Thinking | Thinking Humanly（与人类思维相关活动的自动化） | Thinking Rationally（通过使用计算模型进行心智能力的研究） |
——理性：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。
- 将人工智能划分为如下三类：
Weak AI：弱人工智能，也称人工狭义智能（ANI），是无意识的，专注于一个具体的任务。
Strong AI：强人工智能，也称人工广义智能（AGI），意味着机器具有将智能用于处理任何问题的能力，是AI研究的主要目标。
Super AI：超人工智能，也称人工超级智能（ASI），是一个假定的智能体，拥有远超人类大脑的智能；也指问题求解系统的特性，例如，超级智能语言翻译器或工程助理。 - 人工智能的专业应用：计算机视觉、图像处理、AR（增强现实）、VR（虚拟现实）、MR（混合现实）、模式识别、智能诊断、博弈论和策略规划、AI游戏和游戏机器人、机器翻译、自然语言处理和聊天机器人、非线性控制和机器人技术等。
- 在其他领域的应用：智能生活、自动推理、自动化、生物计算、概念挖掘、数据挖掘、知识表示、语义Web、垃圾邮件过滤、诉讼、机器人学、混合人工智能、智能代理、智能控制等。
- 推荐论文：
“A Global Framework for Nonlinear Dimensionality Reduction”，《一种用于非线性降维的全局几何框架》；
“Nonlinear Dimensionality Reduction by Locally Linear Embedding”，《通过局部线性嵌入进行非线性降维》；
“Reducing the Dimensionality of Data with Neural Networks”，《利用神经元网络降低数据的维度》；
“Clustering by fast search and find of density peaks”，《通过快速查找和发现密度峰值进行聚类》；
“Human-level concept learning through probabilistic program induction”，《凭借概率规划归纳法进行人类层级的概念学习》；
“Human-level control through deep reinforcement learing”，《凭借深度强化学习达到人类水平的操控》；
“Deep learing”，《深度学习》；
“Mastering the game of Go with deep neural networks and tree search”，《利用深度神经网络和树搜索征服围棋游戏》； - 人工智能的五大研究领域（前四种为原理）：
搜索：针对问题空间，也被称为问题求解。
推理：根据知识。
规划：根据规则。
学习：从数据中学习。
应用：沟通（自然语言处理、机器翻译和聊天机器人等）、感知（视觉、听觉和语音等）和动作（机器人、无人飞行器和无人驾驶等）。