人工智能入门从这里开始

       随着云计算、高性能计算、物联网技术以及大数据技术的成熟与发展，近十年人
工智能的各单项技术取得重大突破，以深度学习为标志，人工智能已经进入迅速发展
阶段，在教育、交通、工业、医疗等众多领域开始大量应用。
       有学者提出，人工智能给教育系统带来了如下三个方面的挑战：第一，从教育政
策规划的角度出发，如何发掘人工智能在优化教育供给、更新教育管理、赋能教师与
教学、提升学习质量等方面的潜能，扩大教育普及率和确保学习质量；第二，从外部
人才需求的角度出发，为应对人工智能和自动化梯级替代低技能职业与任务，以及快
速促生新职业致使的就业、创业技能的迭代变更，教育系统如何预测和培养人工智能
时代生活和工做所需的技能；第三，从人的伦理观念和公平发展的角度出发，如何管
控人工智能进一步加重的国家间和社会阶层间的数字鸿沟，以及更隐蔽、更泛在的隐
私和伦理侵犯，并发挥人工智能的潜力，以促进教育的公平性和全纳性。要应对这些
挑战，增强人工智能的教育是关键。2019 年5 月16 日到18 日，由联合国教育科学与
文化组织和中国政府联合发起，在北京举办了以“规划人工智能时代的教育：引领与
跨越”为主题的国际人工智能与教育大会。会议最后经过了具备里程碑意义的有关人
工智能与教育的《北京共识》。《北京共识》强调了人工智能教育的重要性。
       人工智能教育呼唤高质量的人工智能教材。目前国内人工智能的教材很多，但适
合本科生的人工智能教材并很少，人工智能导论的教材更少。本书的内容涵盖人工智
能领域的关键分支，描述了在智能体、逻辑、搜索、不肯定性推理、机器学习、神经
网络和强化学习等领域的实际算法和具体应用。本书就是一本人工智能导论，体现了
做者对人工智能理解的另外一种视角。
       《深刻浅出人工智能(第2版)》的做者Wolfgang Ertel 自1994 年起在德国韦恩加滕

应用科学大学(Ravensburg Weingarten University of Application Sciences)任教，目

前是该校人工智能研究所的教授，担任多门人工智能课程和计算机课程的教学，发表

了数十篇关于计算机和人工智能的论文，具备丰富的教学科研经验。本书的特色在于：

第一，详略得当，对人工智能各分支的介绍并不长篇大论，而是选取基础的内容加以

介绍；第二，思路连贯，从搜索、推理和学习的角度介绍人工智能，使读者很天然地

接受人工智能的各个相关概念；第三，理论与实践相结合，注重学科交叉，包括各个

学科的不少生动的例子；第四，针对人工智能的基本概念，精心设计了许多练习，对

于掌握人工智能的基本概念很是有好处。本书对数学知识的要求不超太高中水平，

可做为非计算机类专业学生学习人工智能的选修教材，也可做为人工智能或智能科学

专业的入门教材。

节选自《深刻浅出人工智能(第2版)》一书

--------------------------------------------------图书基本信息---------------------------------------

 

 

想了解更多《深刻浅出人工智能(第2版)》内容，请点击：https://item.jd.com/12778744.html

 

---------------------------------------------------试读章节-------------------------------------------------

1.1 什么是人工智能
“人工智能”这一术语经常令人为之一振！这其中有个缘由，就是咱们对智能
的迷恋。彷佛正是这一点，让咱们人类在全部生命形式中有了一个特殊的位置。那
么，以下问题就随之而来！什么是智能？如何测量智能？人脑是如何工做的？这些
问题对于理解什么是人工智能意义非凡！可是，对于工程师，特别是计算机科学家，
中心问题则是智能机器如何能有人同样的行为？如何在行为中体现出智能？
人工智能的人工属性可能会唤醒咱们的各类联想。好比，它给咱们带来对智能
机器人的恐惧，它让咱们回忆起科幻小说中的景象，它使咱们思考咱们最崇尚的“精
神”是否能够理解、建模甚至重构？
有了以上这些天马行空的众多想法，咱们要想简单且可靠地去解释人工智能
(AI)这个术语就有点难了。尽管这样，我仍然想尝试用示例和历史上有过的定义来
描述AI。1955 年，著名的人工智能先驱John McCarthy 首先给出了人工智能这一
术语的定义，简单而言就是：
人工智能的目标就是开发出像人同样聪明的机器。
要测试上述定义，读者能够想象如下情形：15 个机器人小车正移动在4 米*4
米的方形封闭区域内。咱们能够观察到它们的各类行为模式：部分小车造成小群体
且运动幅度较小，有些小车则能灵巧地运动和避障，还有的小车彷佛在追随着一辆
领头的小车，有时咱们还能够观察到小车间的攻击性行为。那么，咱们观察到的这
些小车的行为具备智能吗？

根据McCarthy 的定义，上述机器人小车就能够被认为具备智能。但是，心理
学家Valentin Braitenberg 的研究工做已经代表：以上这些看起来有点复杂的行为其
实能够由很是简单的电路产生[Bra84]。所谓的Braitenberg 小车有两个轮子，每一个
轮子由一个独立的电机驱动。每台电机的速度受到装在小车前面的光传感器的影响，
如图1.1 所示。越多的光线照射到传感器上，电机转得越快。在图1.1 中，左边的
小车根据设置，将从点光源移开，右边的小车则从另外一边向点光源移动。进一步的
小改动还能够建立其余行为模式。这样，经过这些很是简单的小车，咱们能够理解
上面描述的这些使人印象深入的行为。

图1.1 两个很是简单的Braitenberg 小车和它们对光源的反应
显然，McCarthy 的定义是不够的，由于AI 的目标之一是解决实际应用中有难
度的问题。这对于Braitenberg 小车太苛刻了！大英百科全书中对智能给出了以下
定义[Bri91]：
人工智能是数字计算机或计算机控制的机器人具备的一般与人类高级智能处
理能力相关的解决问题的能力。
但这个定义也有不足之处。根据这个定义，具备超大内存的能够保存长文本并
能按需检索的计算机有智能。记忆长文本的能力和快速计算两个20 位数字相乘的
能力固然能够认为是人的高级智能处理能力。可是，若是是这样，按照此定义，每
台计算机都是AI 系统！这个悖论问题可由Elaine Rich 给出的定义解决[Ric83]。
人工智能研究的是如何使计算机作人类擅长作的事情。
Elaine Rich 给出的以上简洁明了的定义描述的正是最近50 年AI 研究者们一直
在作的事情。所以，即便到2050 年，这个定义也不会过期！
在短期内执行许多计算任务是数字计算机的特长。在这方面，它们赛过人类
许多倍。然而，在许多其余领域，人类远远胜于机器。例如，进入陌生房间的人能
在不到一秒的时间内认清周围的环境，若有必要，还能迅速作出决策和行动。到目
前为止，这个任务对自主机器人来说太难了。根据Elaine Rich 的定义，这原本就
是人工智能的一个任务。事实上，对自主机器人的研究是人工智能中一个重要、前
卫的主题。另外一方面，设计会下棋的计算机则已经显得不那么有吸引力了，由于它
们已经达到至关于或高于大师的水平。
可是，若是从Elaine Rich 的定义获得人工智能就是用程序实现智能过程这样
的结论就很危险了！按照Elaine Rich 的理解，若是没有对人的推理和智能行为的本质的深入理解，建设智能系统是不可能的，由于神经科学(详见1.1.1 节)对AI 实
在过重要了。这固然也不否定，以上其余关于人工智能的各个定义也各自反映了
AI 的一些重要方面。
人类的一种特殊智能是具备适应能力。咱们有能力适应各类环境条件，并经过
学习改变咱们的行为。正是由于咱们的学习能力如此巨大地超越计算机，根据
Elaine Rich 的定义，机器学习只能算是AI 的一个重要子领域。
1.1.1 脑科学与问题求解
经过对智能系统的研究，咱们能够尝试去理解人类大脑如何工做，而后在计算
机上建模或仿真。许多神经网络领域的想法和原理(参见第9 章)都来源于脑科学的
神经科学相关领域。
另一种大相径庭的方法是以目标为导向采起行动，首先分析问题，尝试找出
最佳解决方案。在这里，人类如何解决这个问题显得并不重要。首先且最重要的是
问题的最优智能求解方法。不采用某个固定的方法(好比，谓词逻辑)，AI 有本身恒
定的目标——为尽量多的任务构建智能体。由于任务会很是不一样，目前AI 使用
的方法一般也会有很大的不一样也就显得不足为奇了。医学包括许多不一样的、常常挽
救生命的诊断和治疗程序。与医学相似，AI 为各类各样的应用提供众多有效的解决
方案。咱们从图1.2 获得启发，如同医学同样，并无通用的方法能应用于AI 的众
多应用领域，而是面对大量各类或大或小的平常问题有大量各类不一样的解决方法。
认知科学在更高层次上专门研究人类的思惟。相似于脑科学，这个领域为AI
带来了许多重要且实用的启发。另外一方面，AI 的各类算法和实现令人进一步理解
人类如何推理。所以，脑科学、认知科学和人工智能这三个领域都得益于富有成效
的多学科交流。可是，本书的主题主要是关于问题导向的人工智能，它是计算机科
学的一个分支。
有许多有趣的哲学问题围绕智能和人工智能展开。咱们人类有意识，那就是，
咱们人类能够思考本身，甚至去探究咱们人类为何可以思考本身。意识是怎么产
生的？如今许多哲学家和神经学家却认为心智和意识是与物质联系在一块儿的，即大
脑。那么，机器是否有一天会有心智或意识呢？这个问题将在将来某些时候成为大
家关心的问题。心智-身体问题特别关注的是心智是否束缚于身体。本书将不讨论
这些问题。感兴趣的读者能够参看文献[Spe98，Spe97]或者参与一些关于AI 的技
术研究课程，对这些问题开展本身的研究。图1.2 AI 提供的一个问题求解的小例子

1.1.2 图灵测试及聊天机器人
Alan Turing 因给出智能机器的定义而被公认为AI 的早期开拓者。一台机器要
被认为具备智能，必须经过如下测试：测试人员Alice 坐在一个带有两个电脑终端
的封闭房间里，一个电脑终端链接到一台机器上，另外一个与愿意参与该测试的人员
Bob 链接。Alice 能够向两个电脑终端键入问题。五分钟后，她被要求判断哪一个电
脑终端后面连着机器。若是机器能够欺骗Alice 至少30%的时间，那么机器就被认
为具备智能[Tur50]。
虽然图灵测试在哲学上很是有趣，但对于处理问题求解的实际人工智能来讲，
图灵测试却不是那么切合！缘由与前面提到的Braitenberg 小车类似(参见练习1.3)。
AI 先驱和社会评论家Joseph Weizenbaum 开发了程序Eliza，它能像一我的类
心理学家同样回答图灵测试问题[Wei66]。事实上，它在不少状况下都表现得很成
功。听说Joseph Weizenbaum 的秘书常常与Eliza 进行长时间的讨论。今天在互联
网上有不少聊天机器人，这些聊天机器人在对话最初的一段时间里的表现使人印象
深入。然而，通过必定时间后，它们的人工性就显露出来了。其实，有些机器实际
上仍是有学习能力的，而有些机器则拥有丰富的各类学科知识，好比一些地理软件。
如今，聊天机器人在在线客户支持和e-learning 领域已经有商业应用了。能够想象
的是，学习者和e-learning 系统能够经过聊天机器人进行交流。参见练习1.1，读者
可比较几个聊天机器人并评测它们的智能水平。
1.2 AI 的历史
人工智能汲取了许多过去在这里没有提到的科学成就。做为一门科学的人工智
能直到20 世纪中期才开始存在。表1.1 介绍了人工智能发展历程中一些最重要的
里程碑，图1.3 则用图形描述了人工智能的一些主要事件。

图1.3 各类AI 领域的发展史，线条的宽度表示算法的流行度

1.2.1 人工智能的开始
在 20 世纪30 年代，Kurt Gödel、Alonso Church 和Alan Turing 为逻辑和理论
计算机科学奠基了重要基础。尤为是Gödel 的理论对人工智能意义非凡。完备性定
理代表一阶谓词逻辑是完备的。这意味着每个在谓词逻辑中形式化的真值论断都
可用形式化演算的规则证实。在此基础上，自动定理证实器就能够用形式化演算构
造出来。利用不完备理论，Gödel 证实了在高阶逻辑中存在不能被证实的真值论断。
经过这些研究，他揭示了形式化系统的适用范围。
一样在这一时期，Alan Turing 给出了图灵停机问题的不可断定性证实。他代表，
没有一个程序可以计算一个给定的任意程序(及相应的输入)是否能在有限的时间
内完成运行。经过图灵停机问题，Alan Turing 证实了智能程序的不足。例如，永远
不会存在通用的程序验证系统。
在 20 世纪40 年代，基于神经科学的结果，McCulloch、Pitts 和Hebb 设计了
神经网络的第一个数学模型。然而在那个年代，计算机缺少足够的算力去模拟简单
的大脑。
1.2.2 基于逻辑的问题求解
做为思惟机械化的实践科学，人工智能理所固然只能从可编程计算机开始。20
世纪50 年代，Newell 和Simon 介绍了Logic Theorist 所作的工做。Logic Theorist
是第一个自动定理证实器，它经过计算机来展现其功能。虽然它实际上只能用数字
来计算，但它能处理符号。与此同时，McCarthy 介绍了一种用LISP 开发的专门用
于符号处理的程序设计语言。这两个系统都是在历史上著名的1956 年达特茅斯会
议上被介绍的。1956 年被认为是AI 元年。
在美国，LISP 发展成为实现符号处理AI 系统最重要的工具。此后，逻辑推理
规则成为一种解决谓词逻辑的完备演算方法。
在 20 世纪70 年代，逻辑编程语言Prolog 被引入欧洲成为LISP 的替代编程语
言。Prolog 的优越之处在于容许直接使用谓词逻辑的子集——Horn 子句编程。就
像LISP，Prolog 有便于处理列表的数据类型。直到20 世纪80 年代，人工智能领
域才有了众多的突破，尤为是其中的许多逻辑学家。这其中的缘由在于符号处理领
域取得了一连串使人印象深入的成就。日本的第五代计算机系统工程和欧洲的
ESPRIT 计划都投入巨资建设智能计算机。对于小问题，自动定理证实器和其余符
号处理系统通常状况下会工做得很好。然而，搜索空间的组合爆炸限制了它们的进
一步成功。这个阶段的AI 在[RN10]中被描述为Look, Ma, no hands！的时代。
由于 AI 系统在经济上的成功没有达到预期，在美国，基于逻辑的人工智能研
究项目获得的基金资助在20 世纪80 年代急剧降低。1.2.3 新联接主义
在这个对人工智能但愿幻灭的阶段，计算机科学家、物理学家和认知科学家仍
然可以经过使用算力足够强大的计算机，来展现通过数学建模的神经网络可以经过
学习训练样本去执行之前须要昂贵编程的任务。因为这种系统的容错性和识别模式
的能力，特别是在模式识别中，这种系统取得至关大的成功成为可能。图像中的人
脸识别和手写体的识别就是两个很好的成功案例。Netaltk 系统可以从示例文本中
学习到语音[SR86]。有了联接主义这一说法，AI 的一个新的分支学科就诞生了。
联接主义很快获得了发展，经费支持也源源不断，但它的局限性很快暴露出来。
神经网络能够得到使人印象深入的学习能力，但它经常学不到用简单的公式或逻辑
规则描述的概念。将神经网络与逻辑规则或人类专家的知识相结合的尝试遇到了很
大困难。此外，对于神经网络的结构化和模块化也没有使人满意的解决方案。
1.2.4 不肯定性推理
做为一门实用的、目标驱动的科学，AI 探索了走出这场危机的出路。人们希
望把逻辑表达知识的能力与神经网络结合起来以处理不肯定性问题。这里提出了几
种替代方案。
最有但愿的是几率推理。它使用条件几率来进行命题演算。自那之后，创建了
许多诊断和专家系统，它们使用贝叶斯网络解决平常推理问题。贝叶斯网络的成功
源于直观的可理解性、条件几率的清晰语义，以及有百年数学基础的几率论。
逻辑只能用两个真值来工做，其弱点可用模糊逻辑解决。模糊逻辑很有特点地
在0 和1 之间引入了无穷多个值。虽然直到今天，它的理论基础还不够坚实，但它
仍然被成功地应用，特别是在控制工程中。
经过一条很是不一样的路径致使逻辑和神经网络成功集成的是混合系统。例如，
神经网络被用于经过启发式学习减小命题证实中的组合搜索空间[SE90]。
从数据中学习的决策树方法也使用几率理论。像CART、ID3 和C4.5 这样的系
统能够快速、自动地构建表明命题逻辑概念的精确决策树。它们被用做专家系统。
如今它们成了机器学习的宠儿。
自1990 年以来，数据挖掘在统计数据分析领域已经发展成为AI 的一个分支学
科，用于从大型数据库中提取知识。数据挖掘并无给AI 带来新的技术，但它提
出了使用大型数据库获取显性知识的方法。一个有巨大市场潜力的应用就是它激发
了经过分析数百万顾客购买记录来进行大型商业广告的投放。做为表明，机器学习
技术(如决策树学习)在这里起到了重要做用。1.2.5 分布式的自治且有学习能力的智能体
自1985 年开始，分布式人工智能(DAI)就成为一个活跃的研究领域。它的目标
之一是使用并行计算来提升问题求解的效率。然而，事实代表，由于大多数问题的
计算复杂度过高，使用“智能”系统比并行化自己更有用。
一种理念很是不一样的方法起源于软件智能体和机器人的发展，它们的目的是像
人类团队同样合做。例如Braitenber 小车，其中有许多即便资源充足也没法靠一个
单独的智能体进行问题求解的状况。只有依靠许多智能体的协做才能产生智能行为
或者实现问题求解。蚂蚁群或白蚁群可以建造结构很是复杂的建筑物，尽管没有一
个蚂蚁知道总体上如何建造这样的建筑物。这与给纽约这样的大都市供应面包的情
况类似[RN10]。其中并无中央计划机构负责面包的供应，而是有数百名这样的
面包师，他们知道城市各个区域的需求并为这些区域烘焙数量适当的面包。
机器人的主动技能获取是当前一个使人兴奋的研究领域。例如，如今已经有了
能独立学习步行或执行与足球相关的各类运动技能的机器人。可是，多个机器人通
过合做学习一同进行问题求解的领域仍处于起步阶段。
1.2.6 人工智能的进一步发展
今天AI 提供的上述系统并非一个通用的配方，而是一个车间，它有很是多
的工具以适用于很是不一样的任务。大多数工具已经开发得很好，已经能做为已完成
开发的软件库使用，这些工具还一般具备很方便的用户界面。工具的正确选择及其
合理使用留给人工智能开发者或知识工程师解决。像其余任何技艺同样，这须要扎
实的教育，本书的目的就是促进人工智能的教育。像任何其余科学同样，人工智能
也是跨学科的，由于它借鉴了逻辑学、运筹学、统计学、控制工程、图像处理、语
言学、哲学、心理学及神经生物学等多个领域众多有趣的发现。最重要的是，AI
还有本身特定的问题领域和应用。所以，成功地开发一我的工智能项目并不老是如
此简单，但几乎老是很是激动人心。
1.2.7 人工智能革命
2010 年，大约在开始神经网络研究的25 年后，科学家们的研究成果开始有回
报了。例如，很是强大的深度学习网络能以很是高的精度对图像进行分类。对于所
有类型的智能机器人，图像分类相当重要！这能够算做人工智能革命的开始！深度
学习又致使智能车和服务机器人的诞生。1.3 人工智能与社会
有许多科学类书籍和科幻小说都介绍过人工智能。因为AI 研究取得的巨大进
展，大约从2005 年开始咱们就进入了自主机器人时代和物联网时代。所以，咱们
在平常生活中愈来愈多地面对人工智能。做为本书的读者，你也许会很快成为人工
智能研发者，必须了解人工智能对社会的影响。做为一本关于AI 技术著做的做者，
我有责无旁贷的责任来探讨这一主题，还将探讨人工智能的一些特别重要的方面。
这些内容与咱们的生活密切相关。
1.3.1 人工智能会抢夺人类的工做吗
2016 年1 月，世界经济论坛发表了一项被德国媒体频繁引述的研究[SS16]。该
研究预测“工业4.0”将在将来五年内消灭500 万个就业岗位。这个预测不足为奇，
由于自动化技术在工厂、办公室、行政、交通、家庭以及许多其余领域的应用已经
致使愈来愈多的工做由计算机、机器和机器人承担。自2010 年以来，人工智能一
直是这一趋势中最重要的影响因素之一。
想必大多数人都不乐意干耗体力、不干净、不健康的工做，而愿意将这些工做
留给机器去完成。所以，若是技术不产生反作用，好比致使环境污染，那么自动化
对于咱们人类来说彻底是福音！机器能够更快、更准确尤为是更便宜地完成上述这
些使人不愉快的工做。人类作得更少，或者根本不须要去作那些使人不愉快的工做，
人类反而有了更多的时间去享受生活中的美好事物。咱们也会享受一样的(潜在的甚
至一直增加的)繁荣，由于若是机器不能提升生产效率，经济社会就不会使用它们。
著名物理学家Stephen Hawking 在社区www.reddit.com 对他的采访中，给出了
如下解答：
若是机器生产了咱们所需的一切，那么结果将取决于这些东西如何被分配。如
果机器生产的财富能共享，那么每一个人均可以享受奢华的休闲生活。不然，若是机
器的全部者成功鼓动反对财富再分配，大多数人最终都会穷困不堪。
1.3.2 AI 与交通
在过去的130 年中，汽车工业工程师们取得了长足的进步。在德国，每两我的
中就有一人拥有本身的汽车。这些汽车性能很可靠，这使咱们无论去哪里都很方便，
咱们在工做、平常生活与休闲中也得益于汽车。并且，咱们离不开汽车了。今天，
没有机动车辆，特别是在公共交通体系较弱的农村地区，咱们会以为日子很难过。
增长道路运输的便利性已经迫在眉睫。几年后，咱们将可以购买自动驾驶电动
汽车，也就是机器人车。它会自动把咱们带到几乎任何目的地。机器人车中的乘客
能够在旅途中阅读、工做或睡觉。能够独立运行的自主车辆也能够不搭载驾驶员行驶。

这将致使便利性的进一步
增长：机器人出租车。经过智能手机应用程序，咱们将可以根据尺寸和配置订购最
佳的出租车，以达到任何可想象的运输目的。咱们将可以选择独自乘坐出租车仍是
愿意和其余乘客一块儿拼车。咱们再也不须要本身的汽车了。全部相关责任和费用，如
加油、技术服务、清洁、寻找停车位置、车辆买卖、车库租金等都不须要了，这将
使咱们省钱又省力。
除了咱们能立刻得到温馨和方便外，机器人车也将给咱们带来其余显著的优点。
例如，根据麦肯锡研究院的研究[GHZ14]，咱们将须要更少的汽车，最重要的是，
在自动驾驶时代，停车位的需求要少得多。这将致使资源消耗的巨大减小。根据劳
伦斯伯克利国家实验室的研究[GS15]，因为车辆能量效率的提升以及车辆与用途之
间实现了最佳匹配，自驾车将使每一乘客千米的温室气体排放减小90%。因为实现
了最佳的资源利用率，机器人出租车将很是多，且更环保。例如，重型巴士常常运
行在车辆容量低的地区，特别是在农村地区。整体而言，机器人出租车将有助于大
量节约能源，于是，除此以外，还能显著地改善二氧化碳排放和睦候问题。
乘客的安全性也将比如今高得多。专家估计，与今天相比，将来事故率将介于
零和百分之十之间。情绪驾驶(路怒症)、分心驾驶和酒驾将再也不存在。
出租车司机失业每每被认为是机器人车带来的恶果。几乎能够确定的是，从
2030 年起就不会再有出租车司机了。可是，这并非问题。
除了上面提到的许多优势以外，机器人车还会带来两个关键问题。首先，所谓
的反弹效应至少会使在资源、能源和时间方面节约获得的收益部分减小。更短的驾
驶时间，更温馨、更便宜的驾驶会诱惑咱们多开车。咱们只能经过从新思考咱们对
待消费和生活质量的态度来处理这个问题。咱们必须使用节约的所有时间去作更多
的活动吗？在这里，咱们应该进行批判性反思。
咱们应该认真对待的另外一个问题是机器人车须要联网。原则上，这给黑客和恐
怖分子提供了经过网络协议中的安全漏洞来访问和操纵车辆控制系统的能力。若是
黑客一旦要这么作，就能够实施大规模的重复攻击，这可能使整个车队中止、形成
事故、监视乘车人或启动其余犯罪行为。在这里，与其余领域同样，对于家庭自动
化和物联网，须要IT 安全专家使用加密方法之类的协议工具以确保最可能的安全
保证。顺便说一句，改进的机器学习算法将有助于检测黑客攻击。
1.3.3 服务机器人
几年后，也就是自动驾驶汽车出现后不久，下一波将在电子商店上架的诱人消
费就是服务机器人。最近，谷歌的子公司Boston Dynamics 提供了一款使人印象深
刻的类人机器人Atlas。像新出的车型同样，咱们欣喜地看到，服务机器人在温馨性

和便利性方面有了长足的长进。人们只须要想象这样的机器人，它在晚会结束后
从晚到早没有一句牢骚地打扫和擦洗。或者想象图1.4 中Marvin 这样的援助机器
人，它能够为老年人或残疾人士提供帮助[SPR+16 ]。

图1.4 在AsRoBe 研究项目中部署的援助机器人Marvin
然而，与机器人车相比，这些好处来自昂贵的权衡取舍。全新的市场将被创造，
更多的天然资源和能量会被消耗，可是咱们甚至还不能肯定人们的生活是否会由于
服务机器人的普遍使用而获得简化。
所以，更重要的是，在这些机器人上市以前，咱们应就这个话题进行深刻的社
会讨论。一些科幻电影描述了服务机器人做为老年人帮手的使人愉悦的一面，这也
将引起这样的社会讨论。
1.4 智能体
虽然智能体这个术语对人工智能来讲并不陌生，但近年来它却获得了史无前例
的关注[RN10]。智能体一般指的是能处理信息并从输入产生输出的系统。这些智能
体能够按许多不一样的方式分类。
在经典的计算机科学中，主要采用软件智能体(参见图1.5)。这种状况下，智能
体由可以根据用户输入计算结果的程序组成。

图1.5 一种有用户接口的软件智能体
另外一方面，在机器人学中，主要采用硬件智能体(也称为自主机器人)。硬件智
能体采用额外的传感器和执行器完成任务(参见图1.6)。硬件智能体能够用传感器感
知环境，用执行器执行动做并改变环境。

图1.6 一种硬件智能体
关于智能体的智能，只对输入作出反应的反射智能体和能将历史经验用于决策
的具备内存的智能体有着明显区别。例如，做为反射智能体的驱动机器人能经过其
传感器知道本身确切的位置(和时间)，但没法肯定速度。然而，若是它每隔一个离
散的、较短的时间步长存储其位置数据，它就能够很容易计算其在前面时间间隔里
的平均速度。
若是反射智能体是由肯定性程序控制的，那么它表示一个从输入集到输出集的
函数。另外一方面，具备内存的智能体本质上不是一个函数，为何？参见练习1.5。
在须要解决的问题涉及马尔可夫决策过程的状况下，反射智能体足够了。在这个决
策过程里，肯定下一步的最优行动只须要当前状态(参见第10 章)。
在一栋建筑物中，移动机器人从112 房间移动到179 房间，与移动到105 房间
所采起的行动不一样。换句话说，行动取决于目标。这样的智能体被称为基于目标的
智能体。
例1.1：垃圾邮件过滤器就是一种智能体。它将输入的电子邮件分类成用户需
要的和用户不须要的，并将不须要的(垃圾邮件)删除。做为基于目标的智能体，它
的目标是把全部电子邮件放入正确的类别。在这个并非那么简单的过程当中，智能
体有时也会犯错。由于它的目标是对全部邮件进行正确分类，尽可能少犯错误。然而，
这并不老是用户心中的想法。让咱们比较以下两个智能体。在1000 封电子邮件中，
智能体1 只产生12 个错误。智能体2 在这相同的1000 封电子邮件中产生38 个错
误。智能体2 比智能体1 更差么？下面的图1.7 更详细地显示了这两个智能体的错误状况。

这就是所谓的“混淆矩阵”。

图1.7 智能体的错误状况
智能体1 实际上比智能体2 少犯了错误，但那些错误是严重的。这是由于用户
丢失了11 封可能很重要的电子邮件。由于这两种类型的错误的严重程度不一样，每
个错误都应该用适当的加权来表示(参见7.3.5 节和练习1.7)。全部加权偏差的总和
给出了由错误决策带来的总成本。基于成本的智能体的目标是最小化长时期内错误
决策的平均成本。在7.3 节中，咱们熟悉的医学诊断系统LEXMED 就是一个基于
成本的智能体。
相似地，基于效用的智能体的目标是最大化长时期内的平均效用输出。全部决
策与其各自的效用因子加权给出总效用。
在AI 中，特别使人感兴趣的是学习智能体，它们可以学习输入的训练样本，
或经过正向或负向的反馈改变本身，这样能使行为的平均效用随着时间的增加而增
长(参见第8 章)。
正如1.2.5 节说起的，分布式智能体愈来愈多地被投入使用。它的智能并不受
限于单个智能体，而是经过多个智能体的合做显示出来。
智能体的设计和目标强烈面向环境，或者依靠传感器感知的环境地图。若是智
能体老是知道世界完整的状态，那么环境是可观察的。不然，环境只能是部分可观
察的。若是一个行动老是致使相同的结果，那么环境是肯定性的，不然是不肯定的。
在离散环境中只有有限多个状态和行为发生，而连续的环境拥有无限多个状态和行为。
1.5 基于知识的系统
智能体是一种实现从感知到动做的映射的程序。对于简单智能体，这种看待问
题的方式就足够了。而复杂应用中的智能体必须可以使用大量信息，而且意味着要
完成一项困难的任务。对这种智能体编程可能很是昂贵，甚至于还不清楚如何进行。
这里AI 提供了一条清晰的可供沿用的路径，这将大大简化编程工做。
首先，咱们将知识从系统或程序中分离出来，这些系统或程序使用这些知识得
出结论、回答查询、设计计划。这种系统被称为推理机制。知识存储在知识库(KB)中。知识库中知识的获取叫做知识工程。知识工程基于各类诸如人类专家、知识工
程师及数据库的知识源。主动学习系统也能够经过主动探索世界来获取知识(见第
10 章)。图1.8 提出了基于知识的系统的通常体系结构。
将知识和推理分离有几个突出的优点。知识和推理的分离容许推理系统能够独
立于大规模应用的方式来实现。例如，将一个医学专家系统应用于其余疾病时，可
以经过替换其知识库来完成，而不须要编程实现一个全新的系统。
经过知识库与推理的解耦，知识能够采用事先声明的方式存储。知识库中只描
述了知识，它在应用中独立于推理系统。没有这种清晰的分离，知识和推理步骤的
处理将交织在一块儿，对知识的任何改变将会很是昂贵。
图1.8 经典的基于知识的系统的通常体系结构
形式语言做为人与机器之间方便的接口，适合于在知识库中表示知识。在随后
的各章中，咱们将了解一系列这样的语言。首先，在第2 章和第3 章中有命题演算
和一阶谓词逻辑(PL1)，但其中也介绍了几率逻辑和决策树等。咱们将从命题演算
和相关的推理系统开始，以此为基础，咱们将介绍谓词逻辑。这是一种强大的能够
经过机器访问的语言，在AI 中很是重要。
做为一个大规模知识系统的例子，咱们想说起软件智能体Watson。它由IBM
及多所大学共同开发。Watson 是一个问题问答程序，能够用天然语言做为对话线
索输入。Watson 是在IBM 的深度QA 项目中开发出来的[De11]。IBM 的深度QA
项目提出了计算机科学领域的一个重大挑战。深度QA 项目以展现天然语言的理
解能力的增加，以及天然语言处理、信息获取、机器学习、知识表示与推理、
大规模并行计算的集成与进步怎样驱动开放的自动QA 技术清晰且一致地达到
人类的最好水平为目的。
2011 年2 月，在美国电视智力竞赛节目Jeopardy！中，Watson 在一场比赛中

击败了两我的类冠军Brad Rutter 和Ken Jennings，并赢得了一百万美圆的奖金。 Watson 的一个特殊优势是它对问题的反应很是迅速。Watson 常常比人类对手更快 地按下抢答器，而后给出这个问题的第一个答案。 Watson 的高性能和短反应时间是因为它运行于90 个IBM 750 服务器上，其中 每一个服务器包含32 个处理器，至关于2880 个并行处理器。 1.6 练习 练习1.1 测试网络上一些可用的聊天机器人，例如www.simonlaven.com 或 www.alicebot.org。写下一个问题，并测量每一个聊天机器人所需的时间，直到你肯定 对方不是一我的。 ❄❄练习1.2 在 www.pandorabots.com 上，能够找到一个服务器，在该服务器上能够很 容易地使用标记语言AIML 构建聊天机器人。取决于你的兴趣水平，开发一个简单 或复杂的聊天机器人，或改变现有的一个。 练习 1.3 给出图灵测试不适用实际人工智能应用中“人工智能”的定义的缘由。 ➳练习1.4 许多著名的推理过程、学习过程等都是NP 彻底甚至不可决定的。这对人 工智能意味着什么？ 练习 1.5 (a) 从数学意义上讲，为何具备内存的肯定性智能体不是从全部输入集合到全部 输出集合的函数？ (b) 如何修改具备内存的智能体或对其进行建模，使其与函数等效，但不会丢失其 内存？ 练习 1.6 让一个具备内存的智能体能够在一个平面内移动。它借助传感器，每隔固 定时间间隔t 获取其在笛卡尔坐标系中的精确位置(x，y)。 (a) 给出一个公式，利用该公式，智能体能够计算从当前时间t到以前时间t  t 的 速度。 (b) 如何更改智能体，以便它能够计算其加速度?请提供一个公式。 ❄练习1.7 (a) 肯定例1.1 中的两个智能体因错误产生的代价，并比较结果。假设手动删除一封垃 圾邮件花费1 美分，检索一封已删除或丢失的电子邮件花费1 美圆。 (b) 肯定两个智能体正确分类产生的收益，并比较结果。假设每识别出一封符合预期 的邮件，就会得到1 美圆的利润，每正确删除一封垃圾邮件，就会得到1 美分的 利润。