计算机科学基础

人工智能

什么是人工智能？
人工智能（AI）是构建能够模仿人类智能的系统的概念。我们通过一些特定的能力来判断智能，例如规划、学习、自然语言处理、运动与操作、感知以及创造力。这些领域共同构成了人工智能的工程开发过程。

图灵测试与人工智能
需要注意的一个概念是，计算机只能执行被赋予的算法和程序，它们无法自主创造算法。在之前的章节中，我们探讨了算法如何能够发生变化或调整，但这一过程必须由已有的算法引导。

之前的章节中也提到过图灵测试。图灵测试是一个理论标准，用于判断人类评审通过与一个机器和一个人类的对话，能否分辨出谁是人类、谁是机器。如果机器能够成功欺骗评审，使其误以为机器是人类，那么该机器就通过了图灵测试。

尽管人工智能领域已有多项创新发展，但仍有一些领域正在不断改进和测试。例如，CAPTCHA（全自动区分计算机和人类的图灵测试）便是一个实际应用。CAPTCHA用于区分用户是人类还是计算机。即使在今天，计算机仍无法像人类那样准确地识别由CAPTCHA生成的图像。开发CAPTCHA的人们利用这些工具来教会计算机识别并学习人类能够辨认的单词和/或图像。CAPTCHA被视为一种反向图灵测试，因为这是计算机用来判断用户是否为人类的工具。

智能代理方法
智能代理方法最初源于对“人工飞行”的探索。莱特兄弟和其他研究者放弃了模仿鸟类的尝试，转而拥抱空气动力学的概念。目标并不是复制鸟类飞行，而是利用已知的飞行原理并加以操作。

这一方法的重要组成部分是理性代理，即旨在实现最佳结果的代理。这与理性行为的智力测试密切相关。简单来说，这种方法考察机器或计算机是否能模仿人类的理性行为。

人工智能的历史
人工智能的概念可以追溯到1943年，并在1956年达特茅斯学院的学术会议上成为一门研究领域。人工智能并不限于计算机科学学科，还涉及数学、哲学、经济学、神经科学、心理学等众多领域。在计算机科学和工程领域，研究重点是如何构建更高效的计算机。在硬件和软件领域，人工智能已取得了巨大进展。

人工智能的知识驱动专家系统
人工智能系统通常使用基于规则的系统，以“如果-那么”语句的形式捕捉知识。这些基于规则的系统可以被看作决策树。决策树使用预设规则，根据提供的输入确定决策路径。例如，在一个单人游戏中，玩家想象一种动物（真实的或虚构的），并回答一系列问题。通过这些问题，计算机根据玩家的回答推测动物是什么，前提是玩家诚实作答。

机器学习
机器学习有两种类型：正式学习和非正式学习。非正式学习指的是赋予计算机学习的能力，而无需明确编程实现这一能力（Arthur Samuel, 1959）。正式学习则是指计算机程序通过经验完成某项任务并基于经验提高其性能（Tom Mitchell, 1998）。

监督学习

监督学习是基于给定正确答案并让计算机将输入映射到输出。以下是监督学习的例子：

• 美国邮政服务：计算机读取信封上的邮政编码并自动分类（如手写邮政编码）。
• 垃圾邮件过滤器：软件经过训练以区分垃圾邮件和非垃圾邮件（如电子邮件过滤器）。
• 面部识别：相机对焦时使用面部识别功能，或通过照片编辑软件标记人物（如Facebook）。

无监督学习

无监督学习则是监督学习的反向方法，此时正确答案未知。无监督学习的目标是从数据中发现结构，这也被称为数据挖掘。计算机通过分析数据趋势，辅助决策。以下是无监督学习的例子：

• 聚类算法：用于在数据集中发现模式并将数据分组到不同的相似集群中。
• 市场细分：根据地区、喜好、不喜好、购买时间等信息定位消费者，这被认为是定向营销。
• 推荐系统：根据消费者的偏好推荐可能喜欢的内容（如Netflix、Hulu）。
• 统计自然语言处理：通过猜测下一个单词、自动补全单词、建议新闻故事或翻译文本实现。

遗传编程
遗传编程是一种利用进化过程改进算法的思想。

人工智能的未来
模拟人类智能面临许多挑战。人类拥有常识，这些直觉在日常生活中是显而易见的，但难以用理性推理，例如“蓝色汽车的颜色是蓝色”。深度学习是人工智能的一个分支，旨在开发能够获取直觉的算法。