————参考文献《人工智能:一种现代的方法》(第3版)
要了解一个学科,需要从它的起源开始。需要了解它创建的初衷、在发展过程中遇到的困难,遇到困难时的做法(例如求助于哪些学科、失败后或遇到瓶颈时的反思以及改进)。
人工智能孕育期:【1943-1955】
(结合基础生理学、脑神经元的功能、图灵的计算理论三方面知识)
人工神经元模型:神经元被描述为两种状态:开或者关(1或者0)。相连的神经元被类比为一个复杂的网络,若给定一个命题,其中的或、非、与等逻辑连接词都可以实现(通过部分神经元网络),并且推导出最终结果。
人工智能诞生:【1956】
达特茅斯研讨会:此会的内容并没有使这个学科得到新突破,但是人工智能领域的主要人物已然确立。从这次会议,我们起码可以明确人工智能的主要特征。首先它是计算机科学的一个分支,但它并不完全是数学,因为它涉及到语言,自我改进,以及在复杂环境下的机器应答,以及我们现在期待的,创造性。我们不能否认有人的主观特性参与其中。
早期的成功:【1952-1969】
麦卡锡定义了高级语言Lisp,分时技术(?)。并且描述了假象程序(Advice Taker)。该系统具有一定的常识,且可以自主学习、掌握新领域的知识。
明斯基研究有限域——微观世界,即需要智能的有边界的问题。其中最著名的是积木世界。
问题变得复杂之后的失败:【1966-1973】
对背景的忽略;对问题可能包含解的情况的忽略【组合太多,问题的放大部分与更大的存储硬盘和更快的硬件有关,但不是全部】;机器本身的局限;
进一步的突破:【1969-1979】
处理狭窄领域(或称为专家领域?)的问题:需要的不仅是常识,更需要专业知识作为支撑。”要求解一个难题,你必须差不多已经知道答案。“
人工智能产业化:【1980-现在】
已经可以制造出一个个的系统(专家系统、视觉系统等),然后迎来了“人工智能的冬天”(许多公司高估了自己的能力)。
人工智能所用方法的进步:
早期的时候,人工智能没有合理的考虑统计学等数学领域的知识,导致它的方法论孤立而不准确。后期终于意识到了严格以数学定义的重要性(考虑模糊性存在的条件下)。“机器学习不应该和信息论分离,不确定推理不应该和随机模型分离,搜索不应该和经典的控制与优化分离。自动推理不应该和形式化方法和静态分析分离。”
另一个春天?【2001年-现在】
研究发现,采用同样算法时,当数据量得以较大提升,表现结果会有显著提升。AI的重心一直是算法,最近有认为可以多关心数据。极端说,就是只要有足够的数据,可以通过学习算法学到表达系统所需的所有知识,而不用手工编码。