资源简介

(共25张PPT)
第一章
人工智能的起源与简史
目录
一、朦胧时期：人工智能技术溯源
二、概念形成：人工智能的早期发展
三、此起彼伏：人工智能的徘徊期
四、 时代召唤：人工智能的广泛应用
人工智能
的起源与简史
本章知识思维导图
“人工智能的成功可能是人类历史上最伟大的事件。”
－－斯蒂芬·霍金（StephenHawking）
一、朦胧时期：人工智能技术溯源
二、概念形成：
人工智能的早期发展
四、时代召唤：
人工智能的广泛应用
三、此起彼伏：人工智能的徘徊期
21世纪的三大尖端技术包括基因工程、纳米科学和人工智能。作为三大尖端技术之一的人工智能，从艾伦·图灵（AlanTuring）提出“图灵测试”标准到“达特茅斯（Dartmouth）会议”上约翰·麦卡锡（JohnMcCarthy）确定“人工智能”(ArtificialIntelligence，简称AI）的术语，再到今天人工智能的快速发展和广泛应用，成果卓著、理论和技术也日趋成熟。
人工智能的研究领域或者技术方向包括知识表达，自动推理和搜索方法，机器学习和知识获取，知识处理系统，自然语言理解、计算机视觉，智能机器人，自动程序设计等方面。
人工智能的应用领域则渗透到社会和人们工作、学习和生活的方方面面。要想用有限的篇幅全面地介绍确实很难，有学者将人工智能近60多年来的研究和发展历史归纳为诞生、发展、停滞、重兴到实用化五个阶段，也有学者以十年为一个周期来归纳和概括人工智能各个历史阶段的成果和特点。
这里，我们根据自己的理解，将人工智能的历史发展过程更加简洁清晰地归纳为历史溯源飞早期发展、徘徊时期和广泛应用四个阶段，以便普通读者了解人工智能技术发展的历史概貌。
三、此起彼伏：
人工智能的徘徊期
一般认为，人工智能60多年的发展经历了“三次浪潮，两次寒冬”。近年来，人工智能在深度学习算法的促进下，结合云计算、大数据、卷积基神经网络等新技术，在自然语言处理、图像识别领域取得了突破性进展，它们的广泛应用为人类带来了翻天覆地的变化。现在，人工智能方兴未艾，在社会生活的各个领域得到了非常广泛而实际的应用，在某些方面甚至大有替代人类的趋势。
这里，我们将第二个十年到第四个十年间，人工智能在各技术方向此起彼伏的发展过程称为人工智能的徘徊期，并重点介绍两次低谷期、专家系统和神经网络的几度兴衰。
（一）AI的第一次低谷期
开启人工智能元年后的头十多年，AI系统在简单的实际案例中性能表现确实很不错，令人欣慰。但是，在用于更宽的问题选择和更难的问题时，结果证明都是非常失败的。因此，人工智能的第二个十年（确切地说是1966-1973年）进入了第一次低谷期。
这一时期的困境主要表现为三种情况：
第一，大多数早期的程序依靠简单的句法处理获得成功，但不知其主题究竟是什么。例如在机器翻译方面，1957年由美国国家研究委员会资助的俄语科学论文翻译项目，随着人造地球卫星史普尼克（Sputnik）的发射而启动。研究者最初认为，基于俄语和英语语法的简单句法，变换根据一部电子字典的单词替换就足以完成。但实际上并非如此，准确的翻译需要有背景知识来消除歧义。1966年后相关的美国政府资助也被取消。实际上直到现在，广泛应用于技术、商业、政府和互联网文档的机器翻译仍然是一个不完善的工具。
（一）AI的第一次低谷期
这一时期的困境主要表现为三种情况：
第二，一些用于产生智能行为的系统存在根本性的局限。明斯基（Minsky）和派的特（Pepe口）在1969年出版的《感知机》著作中证明指出：虽然可以证明感知机（神经网络的一种简单模型）能学会它们能表示的任何东西，但他们能表示的东西很少。特别是两输入的感知机不能被训练来认定任何的两个输入是不同的。当时虽然这个结果还没有应用于更加复杂的多层网络，但还是对神经网络研究造成了很大影响，研究资助很快减少到几乎为零。
（一）AI的第一次低谷期
这一时期的困境主要表现为三种情况：
第三，人工智能试图求解的许多问题存在难解性。在问题求解程序方面，大多数早期的人工智能程序通过实验步骤的不同组合可以在微观领域有效地直接找到解。当面临更大、更复杂问题时，研究便遇到难以克服的困难。因为，微观领域包括的对象很少，只存在很少的可能性和很短的解序列，而当时处理复杂问题的理论还没有出现。研究者都认为处理更大更复杂的问题时，只是需要更快的硬件或更大的存储器。后来才知道实际上并非如此。在机器进化（MachineEvolution）方面的研究也是如此。现在的遗传算法才展示出更多的成就。
1973年，莱特希尔（Lighthill）的报告批评人工智能不能对付“组合爆炸”问题。基于该报告，英国政府决定并终止了对除两所大学以外的所有大学人工智能研究的支持。
（二）专家系统的开发浪潮
经过第一次低谷后，人工智能在搜索机制的基础上，为了解决复杂问题，开始研究和发展知识表达和专家系统。其中，较具代表性的有医药专家系统MYCIN、探矿专家系统PROSPECTOR等。这些系统能在各个工程领域模仿人类专家求解各种问题。因此，社会上的各种风险投资、创业公司、展览和会议商家都积极地向这一领域靠拢。从20世纪80年代以后，专家系统的各种应用已成为AI技术不可分割的一部分。但同时AI领域的基础研究步伐也有所放缓。最初研究的关注重点智能问题让位于更加实用化的研究计划，追求有意义的实际应用。这一趋势作为一个方向至今也还在继续。
（二）专家系统的开发浪潮
20世纪70年代，用于处理启发式搜索和知识表达的技术已经足够强大，可以构建各种实际的应用系统了，专家系统的观点逐渐被人们接受，许多专家系统相继研发成功，广泛用于实际场景中。于是迎来了AI领域专家系统开发的黄金时期飞人工智能的第二次浪潮。
1969年，由斯坦福大学费根鲍姆等人成功开发推出的DENDRAL程序就是专家系统早期的典型例子。DENDRAL程序的意义在于它是第一个成功的知识密集系统。它的专业知识来自于大量的专用规则，后来的系统还吸收了麦卡锡的意见接收者（Advicetaker）方法的主要思想，把知识规则和推理部分清楚地分开。有了这个经验，研究者启动了启发式程序设计项目，研究出新的专家系统方法论可用到其他人类专家知识领域。
（二）专家系统的开发浪潮
1977年，在第五届国际人工智能联合会议上，费根鲍姆提出知识工程的概念。他认为“知识工程是人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段。恰当运用专家知识的获取飞表达和推理过程的构成与解释，是设计基于知识的系统的重要技术问题”。知识工程是一门以知识为研究对象的学科，它将具体智能系统研究中那些共同的基本问题抽象出来，作为知识工程的核心内容。知识工程成为了指导具体研制各类智能系统的一般方法和基本工具，成为了一门具有方法论意义的学科。
（二）专家系统的开发浪潮
1984年，费根鲍姆又与布坎南（Buchanan）和爱德华·尚特利弗（EdwardShortliffe）共同开发出用于传染性血液疾病诊断研究的专家系统MYCIN。它拥有450条规则，斯坦福医院让它与高级专科住院实习医生对话进行训练。MYCIN能够表现得与某些专家一样好。它的意义在于为未来基于知识系统设计树立了一个典范。它与DENDRAL专家系统比较有所不同。第一，它不像DENDRAL，不存在通用的理论模型可以从中演绎出规则，而是需要从专家会诊大量病人的过程中获取规则。第二，它的规则必须反映与医疗知识关联的不确定性。这个系统吸收了称为确定性因素的不确定性演算。
（二）专家系统的开发浪潮
到了20世纪80年代，基于专业知识库的专家系统和以分布存储并行处理为核心的人工神经网络为人工智能迎来发展高峰。应该说，这是专家系统商业应用的一段辉煌时期。各种专家系统的商品化创造了巨大的社会经济效益。但是，由于系统计算能力差、成本高和个人电脑广泛进入家庭等原因，人工智能的发展渐渐进入了第二次低谷期。
（三）AI的第二次低谷期
人工智能元年开启后的第四个十年内，即20世纪80年代末期，人工智能进入了第二次低谷。这是一个被称为人工智能的“冬天”的时期主要原因是人工智能的产业化、商业化过快膨胀导致的受阻。
1982年，美国数据设备公司DECMcDermott开发的Rl可以说是第一个成功的商用专家系统。直到1986年为止，估计它每年可以为公司节省4000万美元的开支。该程序帮助新的计算机系统配置订单。到1988年为止，几乎每一个美国公司都有自己的AI研究小组，并且正在使用或者研发之中。DEC公司的AI研究小组已经部署了40个专家系统，还不包括正在研究中的。美国杜邦（Dupont）公司也有100个专家系统在使用中，有500个在研究之中，估计每年为公司节约1000万美元的开支。
（三）AI的第二次低谷期
1981年日本宣布了“第五代计算机计划”，为期十年，以研制运行prolog语言的智能计算机。美国也组建了微电子和计算机技术公司MCC。AI研究计划是其中的一部分，包括芯片设计和人机接口的研究。英国在《艾尔维报告》（AlveyReport）之后，恢复了因1973年的《莱特希尔报告》而终止的AI技资。
（三）AI的第二次低谷期
总之，AI产业和商业化在这一时期过于快速发展。从1980年的几百万美元猛增到1988年的数十亿美元。几百家公司研发专家系统、视觉系统、机器人以及服务的专业软件和硬件。随后，一个被称为人工智能的冬天的时期很快到来，很多公司因为无法兑现自己的承诺而破产。
但是，这一个时期，人工智能研究在逐步采用科学的方法。除了严格的经验，实验结果的重要性，都必须经过数学的论证和统计分析。如在语音识别、机器翻译、神经网络等方面的研究都符合这个趋势。
（四）人工神经网络的复兴
在研究人工智能的过程中最初的考虑是信息处理系统模型，所谓“符号主义”的指导思想占主导。人们可以将大脑视为一部信息处理器，计算机就是一个信息处理器的例子。因此当初AI研究的思路是从信息加工的角度看问题。AI需要应对符号处理，符号处理的研究和早期的成功在AI研究与应用的前20年占主导地位。世界各地的AI实验室在这方面做出了很大的贡献，使得计算机和程序设计语言具有强大的符号处理能力，并建造了大型复杂的符号处理系统。
然而，进入20世纪80年代后，AI研究的重心开始转移，人们的研究兴趣重新集中在对神经网络和进化计算，如遗传算法等受生物启发的计算机方法方面。整个80年代，对有隐藏层或者反馈系统的复杂神经网络的研究取得了重大进展。这些进展在信号处理和模式识别领域找到了很好的稳定应用。人工智能研究的“联结主义”指导思想大行其道。
（四）人工神经网络的复兴
这里值得一提的是，在20世纪80年代后期引起神经网络研究的巨大复兴的，适用于多层网络的反向传输(Back-propagation)学习算法，实际上在1969年就由布赖森(BrysonHo)首次发现了。而且，早在20世纪40年代，麦卡洛克(WarrenMcCulloch)和皮茨(WalterPitts)就开始了神经计算方面的研究工作。当时的神经计算系统的基本构造单元是人工神经元。这种神经元可以用阈值逻辑单元进行建模。他们试图理解动物神经系统的行为，但他们的人工神经网络(ArtificialNeuralNetwork,ANN)模型有一个严重的缺点，就是没有学习功能或机制。
（四）人工神经网络的复兴
20世纪50年代，美国人弗兰克 罗森布拉特(FrankRosenblatt)曾经建立了一种能够像人类思维那样从感知到识别，再到记忆的机器“感知器”。这是一种人工神经网络，当时主要被用来对二维图像进行分析、识别和理解。它釆用一种称为感知器的学习规则(PerceptronLeaningRule)的迭代算法，以便在单层网络中找到适当的权重，其中所有的神经元都连接到输入端。在这个新的研究当中，由于明斯基(Minsky)和派珀特(Papert)声明：某些问题不能通过单层感知器解决，如异或逻辑(XOR),造成研究受阻。联邦资助的神经网络研究也被严重地削弱。
（四）人工神经网络的复兴
明斯基认为，处理神经网络的计算机存在两个关键的问题：首先，单层神经网络无法处理“异或”电路；其次，当时的计算机缺乏足够的计算能力以满足大型神经网络长时间的运行需求。过去的数据量非常少，在互联网出现之前，除了《圣经》和少量联合国文件，找不到类似的数据。明斯基对神经网络的批判将其在整个70年代带入“寒冬”，人工智能产生了很多不同的方向，神经网络好像被人们忘记了。
（四）人工神经网络的复兴
20世纪80年代初，由于霍普菲尔德（Hopfield）的工作，这个领域才进入了第二次爆发期，也有学者称其为神经网络技术的复兴期。霍普菲尔德网络（HopfieldNeuralNetwork,HNN）是一个异步网络模型，使用能量函数找到了NP完全问题的近似解。20世纪80年代中期，戴维·鲁姆哈特（DavidRumelhar）和杰弗里·辛顿(GeofferyHinton）等人提出了反向传播（back-propagationnetwork,BPN）算法，解决了两层神经网络所需要的复杂计算量问题，克服了明斯基说过神经网络无法解决异或的问题，该算法是对神经网络批判的一个有力的回答。
（四）人工神经网络的复兴
在随后的30年，随着软件算法和硬件性能的不断优化，深度学习技术终于可以大展身手了。比如，人们采用基于反向传播的神经网络来预测道琼斯指数，在光学字符识别系统中读取印刷材料，也用于控制系统，等等。卡内基梅隆大学的项目ALV时N，用反向传播网络感测识别高速公路来协作Navlab车辆转向，在车辆偏离车道时，系统会提醒驾驶员。
ThankYou

展开更多......

收起↑