Cyberbotics 机器人课程/什么是人工智能？
人工智能 (AI) 是一门跨学科的研究领域，汲取了计算机科学、工程学、哲学和心理学。人工智能没有得到广泛认可的正式定义，因为智能本身的底层概念很难定义。约翰·麦卡锡将人工智能定义为“制造智能机器的科学和工程”[1]，这既没有解释“什么是智能机器？”，也没有帮助回答“国际象棋程序是否是一种智能机器？”的问题。
人工智能大致分为两种学派：GOFAI（传统人工智能）和新 AI。GOFAI 主要涉及现在归类为机器学习的方法，其特点是形式化和统计分析。这也被称为传统 AI、符号 AI、逻辑 AI 或整洁 AI。方法包括
- 专家系统 应用推理能力得出结论。专家系统可以处理大量已知信息，并根据这些信息得出结论。
- 基于案例的推理 在一个称为案例的有组织的数据结构中存储一组问题和答案。基于案例的推理系统在遇到问题时，会在其知识库中找到与新问题最相关的案例，并以适当的修改方式将其解决方案作为输出呈现。
- 贝叶斯网络 是概率图形模型，代表一组变量及其概率依赖关系。
- 基于行为的 AI 是一种模块化方法，用于手工构建 AI 系统。
新 AI 涉及迭代开发或学习。它通常是受生物启发的，并提供生物智能模型，例如人工神经网络。学习基于经验数据，与非符号 AI 相关。方法主要包括
- 人工神经网络 是受生物启发的系统，具有非常强大的模式识别能力。
- 模糊系统 是在不确定性下推理的技术；它们已广泛用于现代工业和消费产品控制系统。
- 进化计算 应用受生物启发的概念，例如种群、突变和适者生存，以生成越来越好的问题解决方案。这些方法最显著地分为进化算法（包括遗传算法）和群体智能（包括蚁群算法）。
混合智能系统试图将这两组结合起来。专家推理规则可以通过人工神经网络或统计学习中的产生式规则生成。
在 17 世纪早期，勒内·笛卡尔将动物的躯体设想为复杂的但可简化的机器，从而形成了机械论，也称为“钟表模型”。威廉·希卡德于 1623 年制造了第一台机械数字计算器，随后是布莱兹·帕斯卡（1643 年）和戈特弗里德·威廉·莱布尼茨（1671 年）的机器，他发明了二进制系统。在 19 世纪，查尔斯·巴贝奇和艾达·洛夫莱斯致力于可编程机械计算器的研究。
伯特兰·罗素和阿尔弗雷德·诺斯·怀特海德于 1910-1913 年出版了《数学原理》，它彻底改变了形式逻辑。1931 年，库尔特·哥德尔证明了足够强大的连贯形式系统包含任何定理证明 AI 都无法证明的真定理，这些 AI 系统系统地从公理中推导出所有可能的定理。1941 年，康拉德·楚泽建造了第一台工作机械程序控制计算机。沃伦·麦卡洛克和沃尔特·皮茨发表了《神经活动中蕴含思想的逻辑演算》（1943 年），为神经网络奠定了基础。诺伯特·维纳的《控制论，或动物和机器的控制与通信》（麻省理工学院出版社，1948 年）普及了“控制论”一词。
博弈论被证明在 AI 的发展中非常宝贵，它是在数学家约翰·冯·诺伊曼和经济学家奥斯卡·摩根斯坦发表的论文《博弈论与经济行为》中提出的。[2]
1950 年代是 AI 积极努力的时期。1950 年，艾伦·图灵提出了“图灵测试”作为一种测试智能行为的方式。第一个工作 AI 程序是在 1951 年编写的，用于在曼彻斯特大学的 Ferranti Mark I 机器上运行：一个由克里斯托弗·斯特拉奇编写的跳棋程序和一个由迪特里希·普林茨编写的国际象棋程序。约翰·麦卡锡在 1956 年首次专门针对该主题的会议上创造了“人工智能”一词。他还发明了 Lisp 编程语言。约瑟夫·魏森鲍姆构建了 ELIZA，这是一个实现罗杰斯心理治疗的聊天机器人。AI 的诞生日通常被认为是 1956 年 7 月的达特茅斯会议，在那里许多这些人会面并交换了想法。
在 1960 年代和 1970 年代，乔尔·摩西在 Macsyma 程序中展示了符号推理对积分问题的强大功能，它是第一个成功的数学知识库程序。莱昂纳德·乌尔和查尔斯·沃斯勒于 1963 年发表了“生成、评估和调整自身运算符的模式识别程序”，其中描述了第一个能够自适应地获取和修改特征并克服罗森布拉特简单感知器局限性的机器学习程序之一。马文·明斯基和西摩尔·派珀特出版了《感知器》，展示了简单人工神经网络的局限性。阿兰·科尔梅罗开发了 Prolog 计算机语言。泰德·肖特利夫在医学诊断和治疗中展示了基于规则的系统在知识表示和推理方面的强大功能，这有时被称为第一个专家系统。汉斯·莫拉维克开发了第一个能够自主地在障碍物丛生的障碍物课程中行驶的计算机控制车辆。
在 1980 年代，人工神经网络由于反向传播算法的出现而被广泛使用，该算法最早由保罗·韦伯斯于 1974 年描述。恩斯特·迪克曼斯团队建造了第一批机器人汽车，在空旷的街道上以高达 55 英里的时速行驶。
1990 年代标志着 AI 许多领域的重大成就以及各种应用的演示。1995 年，恩斯特·迪克曼斯的一辆机器人汽车在交通中行驶了 1000 多英里，时速高达 110 英里，跟踪并超越其他汽车（与此同时，卡耐基梅隆的迪安·波默洛测试了一辆半自动汽车，由人控制油门和刹车）。深蓝，一台国际象棋计算机，在 1997 年的一场著名的六局比赛中击败了加里·卡斯帕罗夫。本田制造了第一批人形机器人的原型（见 Asimo 机器人的图片）。
在 1990 年代和 2000 年代，AI 受到了概率论和统计学的极大影响。贝叶斯网络是这场运动的重点，它为更严格的统计学和工程学主题提供了联系，例如马尔可夫模型和卡尔曼滤波器，并弥合了 GOFAI 和新 AI 之间的鸿沟。这种新的 AI 学派有时被称为“机器学习”。过去几年也见证了博弈论在 AI 决策制定中的应用引起了极大的兴趣。
人工智能在机器（即计算机或机器人）中实现，这些机器被“自然智能”生物（即人类）观察。这些人类质疑这些机器是否智能。为了回答这个问题，他们显然将机器的行为与他们知道的另一个智能生物的行为进行比较。如果两者相似，那么他们可以得出结论，机器似乎是智能的。
艾伦·图灵开发了一个非常有趣的测试，可以让观察者正式说出机器是否智能。要理解这个测试，首先需要了解智能，就像美丽一样，是相对于观察者而言的概念。没有绝对的智能，就像没有绝对的美丽一样。因此，说机器的智能程度更高或更低是不正确的。相反，我们应该说机器对特定观察者的智能程度更高或更低。从这个角度出发，图灵测试可以评估机器是否相对于观察者而言具有资格进行人工智能。
测试包括一个简单的设置，观察者面对一台机器。这台机器可以是电脑或机器人，并不重要。但是，机器应该可以由人类（远程控制者）远程控制，而观察者看不到远程控制者。远程控制者可能在另一个房间里，通过机器与观察者交流，使用机器的可用输入和输出。如果是电脑，输入和输出可以是键盘、鼠标和电脑屏幕。如果是机器人，可能是摄像头、扬声器（合成语音）、麦克风、电机等。观察者不知道机器是被其他人远程控制还是自行运行。他必须猜猜。因此，他会与机器互动，例如通过键盘和屏幕聊天，试图了解这台机器的答案是否来自人类智能。他会想问一些非常复杂的问题，看看机器的回答，并试图确定答案是AI程序生成的还是来自真正的人类。如果观察者认为自己正在与人类互动，而实际上他正在与电脑程序互动，那么这意味着这台机器对他来说是智能的。他被机器蒙蔽了。下表总结了图灵测试的所有可能结果。
图灵测试在很大程度上帮助我们回答“我们能建造智能机器吗？”这个问题。它表明一些机器确实已经对某些人来说是智能的。尽管这些人目前只是少数，主要包括儿童，但也包括成年人，但随着AI程序的改进，这个少数群体正在不断扩大。
尽管原始的图灵测试通常被描述为一个电脑聊天会话（见图），但观察者和机器之间的互动可以采取多种形式，包括下棋、玩虚拟现实游戏、与移动机器人互动等。
| 机器由人类远程控制 | 机器运行人工智能程序 | |
|---|---|---|
| 观察者认为自己面对的是人类智能 | 未确定：观察者善于识别人类智能 | 成功：机器对这个观察者来说是智能的 |
| 观察者认为自己面对的是电脑程序 | 未确定：观察者难以识别人类智能 | 失败：机器对这个观察者来说不是智能的 |
类似的实验包括让孩子们观察两个移动机器人进行捕食者和猎物的游戏，并描述正在发生的事情。与成年人不同的是，成年人通常会说机器人以某种方式被编程来执行这种行为，可能还会提到机器人的传感器、致动器和微处理器，而孩子们会用他们用来描述猫追老鼠的行为的相同词汇来描述机器人的行为。他们会赋予机器人情感，例如“他害怕”、“他生气”、“他兴奋”、“他安静”、“他想……”等等。这让我们认为，对一个孩子来说，这种机器人的智能与动物的智能之间没有太大区别。
认知基准
[edit | edit source]衡量机器是否智能的另一种方法是建立认知（或智能）基准。基准是与性能指标相关联的问题定义，允许评估系统性能。例如，在汽车行业，一些基准测量汽车从 0 公里/小时加速到 100 公里/小时所需的时间。认知基准针对需要智能才能实现良好性能的问题。
同样，由于智能是相对于观察者而言的，基准的认知方面也是相对于观察者而言的。例如，如果基准包括与深蓝程序下棋，一些观察者可能会认为这需要一定的智能，因此它是一个认知基准，而另一些观察者可能会反对，认为它不需要智能，因此它不是一个认知基准。
一些认知基准是由计算机科学和机器人学以外的人建立的。它们包括心理学家开发的智商测试，以及生物学家开发的动物智能测试，例如用来评估老鼠在迷宫中记住通往食物来源的路径的能力，或者猴子如何学会按压杠杆获得食物。
AI 和机器人基准也主要是在编程或机器人比赛中建立的。最著名的例子是 AAAI 机器人比赛、FIRST 机器人比赛、DARPA 大挑战赛、Eurobot 比赛、RoboCup 比赛（见图）、Roboka 编程比赛。所有这些比赛都定义了一个精确的场景和一个性能指标，该指标基于绝对的个人性能评估或不同竞争者之间的排名。它们在互联网上得到了很好的参考，因此应该很容易找到它们的官方网站以获取更多信息。
本书的最后一章将向您介绍一系列机器人认知基准（特别是老鼠的生活基准），您可以针对这些基准设计自己的智能系统，并将它们与其他系统进行比较。
注释
[edit | edit source]- ↑ 请参阅 约翰·麦卡锡，什么是人工智能？
- ↑ 冯·诺依曼，J.；摩根斯坦，O. (1953)，“博弈论与经济行为”，纽约