一、人的智能与人工智能

智能：基于推理的学习、理解和做出判断或意见的能力

人的智能（Human Intelligence, HI）：

人工智能（Artificial Intelligence）：

二、人工智能的发展历程

人工智能的三大学派：

符号主义：认知即计算（知识表述）
- 观点：物理符号系统和有限合理性原理
- 本质：直接从功能角度模拟和理解智能
- 将智能理解为一个黑箱，只关心这个黑箱的输入和输出，利用知识表示和搜索来替代真实人脑的神经网络结构
- 适用：规则情况（推理、规划、逻辑运算和判断）
- 代表性成果：LISP、计算机博弈、知识问答
连接主义：认知即网络（神经网络）
- 观点：人的智能为大量简单的人脑神经元细胞的复杂相互连接活动的结果
- 本质：从结构的角度，通过复杂的非线性连接处理来模拟智能系统的运作
- 知识表述隐含晦涩
- 适用：不规则情况（模式识别、聚类、联想），不适用于高层次的智能问题
- 代表性成果：归纳学习、人工神经网络、深度学习
行为主义：认知即反应（控制论）
- 观点：感知——行动，智能是在与外部系统和环境的交互作用中表现的对外界复杂环境的一种反应，无需推理
- 本质：模拟身体的运作机制，而不是脑
- 适用：学习、快速行为反应等问题
- 代表成果：反馈控制模式、遗传算法、蚁群算法、强化学习

第一次爆发期：突破（1956-1974）：符号主义盛行
第一次寒冬（1974-1980）
第二次爆发期（1980-1987）：符号主义进展缓慢，连接主义盛行，深度学习尚未突破
第二次寒冬（1987-1993）
第三次爆发期（1993至今）：在理论方面取得长足进步

人工智能的主要分类：

符号主义研究抽象思维
连接主义研究形象思维
行为主义研究感知思维

人工智能的主要任务：
由我们编程的机器来完成人类智能的模拟

人工智能的研究领域：

机器学习
- 监督学习：对数据集进行标记（提供真实值），以便可以检测出模式并将其用于标记新的数据集
- 无监督学习：未标记数据集，而是根据相似或不同之处对其进行排序
- 强化学习：未标记数据集，但在执行一个或多个动作后，会向AI系统提供反馈
深度学习
- 在高维数据上实现神经网络以获取见识并形成解决方案的过程
- 深度学习是机器学习的高级领域，可用于解决更高级的问题
机器视觉：允许计算机看到的科学，捕获和分析视觉信息
自然语言处理：从自然人类语言中汲取见解以便与机器进行交流通信的方法
机器人
模糊逻辑系统
专家系统：模拟人类专家的决策能力和计算的系统
无人驾驶汽车

人工智能类型：

弱/窄人工智能（Artificial Narrow Intelligence, ANI）：为一项特定任务而设计和培训的人工智能系统，威胁取代全世界的许多人类工作
强/广泛人工智能（Artificial General Intelligence, AGI）：具有认知能力的系统，当系统面临不熟悉的任务时，其足够智能地找到解决方案；旨在复制人类智能的许多（理想情况下的）能力
超级/自我意识人工智能（Artificial Super Intelligence, ASI）：机器具有自己的意识并变得自我意识；在目前的状态下，这种AI有点牵强

强弱AI区别

世界的本质：整个世界包括物质世界和意识（精神）世界，世界的本质是物质

哲学：从总体上研究人和世界的关系，其中最本质的方面就是思维和存在、意识和物质的关系问题

哲学的根本问题：存在和意识的关系：

第一方面：思维（意识）和存在（物质）何为本原的问题
- 一元论：唯心主义（意识先于物质）、唯物主义（物质先于意识）
- 二元论：认为物质和意识是两个独立的、互不依赖的实体（e.g. “我思故我在”）
第二方面：思维和存在的关系
- 可知论：唯心主义（客观世界是思维、精神的产物，认识世界就是精神的自我认识）、唯物主义（承认物质世界及其规律的客观存在，思维是存在于反映的基础上，世界是可认识的）
- 不可知论：世界是不能被认识的或不能被完全认识的

意识：