远在古希腊时期，发明家就梦想着创造能自主思考的机器。神话人物皮格马利 翁 (Pygmalion)、代达罗斯 (Daedalus) 和赫淮斯托斯 (Hephaestus) 可以被看作传说 中的发明家，而加拉蒂亚 (Galatea)、塔洛斯 (Talos) 和潘多拉 (Pandora) 则可以被 视为人造生命 (Ovid and Martin, 2004; Sparkes, 1996; Tandy, 1997)。
当人类第一次构思可编程计算机时，就已经在思考计算机能否变得智能(尽管 这距造出第一台计算机还有一百多年)(Lovelace, 1842)。如今，人工智能(artificial intelligence, AI)已经成为一个具有众多实际应用和活跃研究课题的领域，并且正在 蓬勃发展。我们期望通过智能软件自动地处理常规劳动、理解语音或图像、帮助医 学诊断和支持基础科学研究。
在人工智能的早期，那些对人类智力来说非常困难、但对计算机来说相对简单 的问题得到迅速解决，比如，那些可以通过一系列形式化的数学规则来描述的问题。 人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务， 如识别人们所说的话或图像中的脸。对于这些问题，我们人类往往可以凭借直觉轻 易地解决。
针对这些比较直观的问题，本书讨论一种解决方案。该方案可以让计算机从经 验中学习，并根据层次化的概念体系来理解世界，而每个概念则通过与某些相对简 单的概念之间的关系来定义。让计算机从经验获取知识，可以避免由人类来给计算 机形式化地指定它需要的所有知识。层次化的概念让计算机构建较简单的概念来学 习复杂概念。如果绘制出这些概念如何建立在彼此之上的图，我们将得到一张 ‘‘深’’
(层次很多)的图。基于这个原因，我们称这种方法为 AI 深度学习(deep learning)。 AI 许多早期的成功发生在相对朴素且形式化的环境中，而且不要求计算机具
备很多关于世界的知识。例如，IBM 的深蓝(Deep Blue)国际象棋系统在 1997 年击败了世界冠军Garry Kasparov(Hsu, 2002)。显然国际象棋是一个非常简单的领域， 因为它仅含有 64 个位置并只能以严格限制的方式移动 32 个棋子。设计一种成功的 国际象棋策略是巨大的成就，但向计算机描述棋子及其允许的走法并不是挑战的困 难所在。国际象棋完全可以由一个非常简短的、完全形式化的规则列表来描述，并 可以容易地由程序员事先准备好。
讽刺的是，抽象和形式化的任务对人类而言是最困难的脑力任务之一，但对计 算机而言却属于最容易的。计算机早就能够打败人类最好的象棋选手，但直到最近 计算机才在识别对象或语音任务中达到人类平均水平。一个人的日常生活需要关于 世界的巨量知识。很多这方面的知识是主观的、直观的，因此很难通过形式化的方 式表达清楚。计算机需要获取同样的知识才能表现出智能。人工智能的一个关键挑 战就是如何将这些非形式化的知识传达给计算机。
一些人工智能项目力求将关于世界的知识用形式化的语言进行硬编码 (hard- code)。计算机可以使用逻辑推理规则来自动地理解这些形式化语言中的申明。这就 是众所周知的人工智能的 知识库(knowledge base)方法。然而，这些项目最终都没 有取得重大的成功。其中最著名的项目是 Cyc (Lenat and Guha, 1989)。Cyc 包括一 个推断引擎和一个使用 CycL 语言描述的声明数据库。这些声明是由人类监督者输 入的。这是一个笨拙的过程。人们设法设计出足够复杂的形式化规则来精确地描述世 界。例如，Cyc 不能理解一个关于名为 Fred 的人在早上剃须的故事 (Linde, 1992)。 它的推理引擎检测到故事中的不一致性:它知道人没有电气零件，但由于 Fred 正拿 着一个电动剃须刀，它认为实体 ‘‘正在剃须的 Fred”(“FredWhileShaving”) 含有电 气部件。因此它产生了这样的疑问——Fred 在刮胡子的时候是否仍然是一个人。
依靠硬编码的知识体系面对的困难表明，AI 系统需要具备自己获取知识的能力， 即从原始数据中提取模式的能力。这种能力被称为 机器学习(machine learning)。 引入机器学习使计算机能够解决涉及现实世界知识的问题，并能作出看似主观的决 策。比如，一个被称为 逻辑回归(logistic regression)的简单机器学习算法可以决定 是否建议剖腹产 (Mor-Yosef et al., 1990)。而同样是简单机器学习算法的 朴素贝叶 斯(naive Bayes)则可以区分垃圾电子邮件和合法电子邮件。
这些简单的机器学习算法的性能在很大程度上依赖于给定数据的 表示(repre- sentation)。例如，当逻辑回归被用于判断产妇是否适合剖腹产时，AI 系统不会直接 检查患者。相反，医生需要告诉系统几条相关的信息，诸如是否存在子宫疤痕。表 示患者的每条信息被称为一个特征。逻辑回归学习病人的这些特征如何与各种结果 相关联。然而，它丝毫不能影响该特征定义的方式。如果将病人的 MRI 扫描作为逻辑回归的输入，而不是医生正式的报告，它将无法作出有用的预测。MRI 扫描的单
一像素与分娩过程中并发症之间的相关性微乎其微。
在整个计算机科学乃至日常生活中，对表示的依赖都是一个普遍现象。在计算 机科学中，如果数据集合被精巧地结构化并被智能地索引，那么诸如搜索之类的操 作的处理速度就可以成指数级地加快。人们可以很容易地在阿拉伯数字的表示下进 行算术运算，但在罗马数字的表示下运算会比较耗时。因此，毫不奇怪，表示的选择 会对机器学习算法的性能产生巨大的影响。
版权声明：
作者：верность
链接：https://ask.wdqz.com.cn/doc/63
来源：计算机
文档版权归作者所有，未经允许请勿转载，若此文档存在违规行为，您可以点击 “举报”。