人工智能入门从这里开始

应用科学大学(Ravensburg Weingarten University of Application Sciences)任教，目

前是该校人工智能研究所的教授，担任多门人工智能课程和计算机课程的教学，发表

了数十篇关于计算机和人工智能的论文，具有丰富的教学科研经验。本书的特点在于：

第一，详略得当，对人工智能各分支的介绍并不长篇大论，而是选取基础的内容加以

介绍；第二，思路连贯，从搜索、推理和学习的角度介绍人工智能，使读者很自然地

接受人工智能的各个相关概念；第三，理论与实践相结合，注重学科交叉，包括各个

学科的很多生动的例子；第四，针对人工智能的基本概念，精心设计了许多练习，对

于掌握人工智能的基本概念非常有好处。本书对数学知识的要求不超过高中水平，

可作为非计算机类专业学生学习人工智能的选修教材，也可作为人工智能或智能科学

专业的入门教材。

节选自《深入浅出人工智能(第2版)》一书

————————————————–图书基本信息—————————————

想了解更多《深入浅出人工智能(第2版)》内容，请点击：https://item.jd.com/12778744.html

—————————————————试读章节————————————————-

1.1 什么是人工智能
“人工智能”这一术语常常使人为之一振！这其中有个原因，就是我们对智能
的迷恋。似乎正是这一点，让我们人类在所有生命形式中有了一个特殊的位置。那
么，如下问题就随之而来！什么是智能何测量智能脑是如何工作的些
问题对于理解什么是人工智能意义非凡！但是，对于工程师，特别是计算机科学家，
中心问题则是智能机器如何能有人一样的行为何在行为中体现出智能br> 人工智能的人工属性可能会唤醒我们的各种联想。比如，它给我们带来对智能
机器人的恐惧，它让我们回忆起科幻小说中的景象，它使我们思考我们最崇尚的“精
神”是否可以理解、建模甚至重构br> 有了以上这些天马行空的众多想法，我们要想简单且可靠地去解释人工智能
(AI)这个术语就有点难了。尽管这样，我仍然想尝试用示例和历史上有过的定义来
描述AI。1955 年，著名的人工智能先驱John McCarthy 首先给出了人工智能这一
术语的定义，简单而言就是：
人工智能的目标就是开发出像人一样聪明的机器。
要测试上述定义，读者可以想象以下情形：15 个机器人小车正移动在4 米*4
米的方形封闭区域内。我们可以观察到它们的各种行为模式：部分小车形成小群体
且运动幅度较小，有些小车则能灵巧地运动和避障，还有的小车似乎在追随着一辆
领头的小车，有时我们还可以观察到小车间的攻击性行为。那么，我们观察到的这
些小车的行为具有智能吗/p>

根据McCarthy 的定义，上述机器人小车就可以被认为具有智能。可是，心理
学家Valentin Braitenberg 的研究工作已经表明：以上这些看起来有点复杂的行为其
实可以由非常简单的电路产生[Bra84]。所谓的Braitenberg 小车有两个轮子，每个
轮子由一个独立的电机驱动。每台电机的速度受到装在小车前面的光传感器的影响，
如图1.1 所示。越多的光线照射到传感器上，电机转得越快。在图1.1 中，左边的
小车根据设置，将从点光源移开，右边的小车则从另一边向点光源移动。进一步的
小改动还可以创建其他行为模式。这样，通过这些非常简单的小车，我们可以理解
上面描述的这些令人印象深刻的行为。

1.1.2 图灵测试及聊天机器人
Alan Turing 因给出智能机器的定义而被公认为AI 的早期开拓者。一台机器要
被认为具有智能，必须通过以下测试：测试人员Alice 坐在一个带有两个电脑终端
的封闭房间里，一个电脑终端连接到一台机器上，另一个与愿意参与该测试的人员
Bob 连接。Alice 可以向两个电脑终端键入问题。五分钟后，她被要求判断哪个电
脑终端后面连着机器。如果机器可以欺骗Alice 至少30%的时间，那么机器就被认
为具有智能[Tur50]。
虽然图灵测试在哲学上非常有趣，但对于处理问题求解的实际人工智能来说，
图灵测试却不是那么切合！原因与前面提到的Braitenberg 小车相似(参见练习1.3)。
AI 先驱和 会评论家Joseph Weizenbaum 开发了程序Eliza，它能像一个人类
心理学家一样回答图灵测试问题[Wei66]。事实上，它在很多情况下都表现得很成
功。据说Joseph Weizenbaum 的秘书经常与Eliza 进行长时间的讨论。今天在互联
上有很多聊天机器人，这些聊天机器人在对话最初的一段时间里的表现令人印象
深刻。然而，经过一定时间后，它们的人工性就显露出来了。其实，有些机器实际
上还是有学习能力的，而有些机器则拥有丰富的各种学科知识，比如一些地理软件。
现在，聊天机器人在在线客户支持和e-learning 领域已经有商业应用了。可以想象
的是，学习者和e-learning 系统可以通过聊天机器人进行交流。参见练习1.1，读者
可比较几个聊天机器人并评测它们的智能水平。
1.2 AI 的历史
人工智能汲取了许多过去在这里没有提到的科学成就。作为一门科学的人工智
能直到20 世纪中期才开始存在。表1.1 介绍了人工智能发展历程中一些最重要的
里程碑，图1.3 则用图形描述了人工智能的一些主要事件。

图1.3 各种AI 领域的发展史，线条的宽度表示算法的流行度

这将导致便利性的进一步
增加：机器人出租车。通过智能手机应用程序，我们将能够根据尺寸和配置订购最
佳的出租车，以达到任何可想象的运输目的。我们将能够选择独自乘坐出租车还是
愿意和其他乘客一起拼车。我们不再需要自己的汽车了。所有相关责任和费用，如
加油、技术服务、清洁、寻找停车位置、车辆买卖、车库租金等都不需要了，这将
使我们省钱又省力。
除了我们能马上获得舒适和方便外，机器人车也将给我们带来其他显著的优势。
例如，根据麦肯锡研究院的研究[GHZ14]，我们将需要更少的汽车，最重要的是，
在自动驾驶时代，停车位的需求要少得多。这将导致资源消耗的巨大减少。根据劳
伦斯伯克利国家实验室的研究[GS15]，由于车辆能量效率的提高以及车辆与用途之
间实现了最佳匹配，自驾车将使每一乘客公里的温室气体排放减少90%。由于实现
了最佳的资源利用率，机器人出租车将非常多，且更环保。例如，重型巴士经常运
行在车辆容量低的地区，特别是在农村地区。总体而言，机器人出租车将有助于大
量节约能源，因而，除此之外，还能显著地改善二氧化碳排放和气候问题。
乘客的安全性也将比现在高得多。专家估计，与今天相比，未来事故率将介于
零和百分之十之间。情绪驾驶(路怒症)、分心驾驶和酒驾将不再存在。
出租车司机失业往往被认为是机器人车带来的恶果。几乎可以肯定的是，从
2030 年起就不会再有出租车司机了。但是，这并不是问题。
除了上面提到的许多优点之外，机器人车还会带来两个关键问题。首先，所谓
的反弹效应至少会使在资源、能源和时间方面节约得到的收益部分减少。更短的驾
驶时间，更舒适、更便宜的驾驶会诱惑我们多开车。我们只能通过重新思考我们对
待消费和生活质量的态度来处理这个问题。我们必须使用节约的全部时间去做更多
的活动吗这里，我们应该进行批判性反思。
我们应该认真对待的另一个问题是机器人车需要联 。原则上，这给黑客和恐
怖分子提供了通过 络协议中的安全漏洞来访问和操纵车辆控制系统的能力。如果
黑客一旦要这么做，就可以实施大规模的重复攻击，这可能使整个车队停止、造成
事故、监视乘车人或启动其他犯罪行为。在这里，与其他领域一样，对于家庭自动
化和物联 ，需要IT 安全专家使用加密方法之类的协议工具以确保最可能的安全
保证。顺便说一句，改进的机器学习算法将有助于检测黑客攻击。
1.3.3 服务机器人
几年后，也就是自动驾驶汽车出现后不久，下一波将在电子商店上架的诱人消
费就是服务机器人。最近，谷歌的子公司Boston Dynamics 提供了一款令人印象深
刻的类人机器人Atlas。像新出的车型一样，我们欣喜地看到，服务机器人在舒适性

和便利性方面有了长足的长进。人们只需要想象这样的机器人，它在晚会结束后
从晚到早没有一句牢骚地打扫和擦洗。或者想象图1.4 中Marvin 这样的援助机器
人，它可以为老年人或残疾人士提供帮助[SPR+16 ]。

图1.4 在AsRoBe 研究项目中部署的援助机器人Marvin
然而，与机器人车相比，这些好处来自昂贵的权衡取舍。全新的市场将被创造，
更多的自然资源和能量会被消耗，但是我们甚至还不能确定人们的生活是否会因为
服务机器人的广泛使用而得到简化。
因此，更重要的是，在这些机器人上市之前，我们应就这个话题进行深入的
会讨论。一些科幻电影描述了服务机器人作为老年人帮手的令人愉悦的一面，这也
将引发这样的 会讨论。
1.4 智能体
虽然智能体这个术语对人工智能来说并不陌生，但近年来它却得到了前所未有
的关注[RN10]。智能体通常指的是能处理信息并从输入产生输出的系统。这些智能
体可以按许多不同的方式分类。
在经典的计算机科学中，主要采用软件智能体(参见图1.5)。这种情况下，智能
体由能够根据用户输入计算结果的程序组成。

图1.5 一种有用户接口的软件智能体
另一方面，在机器人学中，主要采用硬件智能体(也称为自主机器人)。硬件智
能体采用额外的传感器和执行器完成任务(参见图1.6)。硬件智能体可以用传感器感
知环境，用执行器执行动作并改变环境。

图1.6 一种硬件智能体
关于智能体的智能，只对输入做出反应的反射智能体和能将历史经验用于决策
的具有内存的智能体有着明显区别。例如，作为反射智能体的驱动机器人能通过其
传感器知道自己确切的位置(和时间)，但无法确定速度。然而，如果它每隔一个离
散的、较短的时间步长存储其位置数据，它就可以很容易计算其在前面时间间隔里
的平均速度。
如果反射智能体是由确定性程序控制的，那么它表示一个从输入集到输出集的
函数。另一方面，具有内存的智能体本质上不是一个函数，为什么见练习1.5。
在需要解决的问题涉及马尔可夫决策过程的情况下，反射智能体足够了。在这个决
策过程里，确定下一步的最优行动只需要当前状态(参见第10 章)。
在一栋建筑物中，移动机器人从112 房间移动到179 房间，与移动到105 房间
所采取的行动不同。换句话说，行动取决于目标。这样的智能体被称为基于目标的
智能体。
例1.1：垃圾邮件过滤器就是一种智能体。它将输入的电子邮件分类成用户需
要的和用户不需要的，并将不需要的(垃圾邮件)删除。作为基于目标的智能体，它
的目标是把所有电子邮件放入正确的类别。在这个并不是那么简单的过程中，智能
体有时也会犯错。因为它的目标是对所有邮件进行正确分类，尽量少犯错误。然而，
这并不总是用户心中的想法。让我们比较如下两个智能体。在1000 封电子邮件中，
智能体1 只产生12 个错误。智能体2 在这相同的1000 封电子邮件中产生38 个错
误。智能体2 比智能体1 更差么面的图1.7 更详细地显示了这两个智能体的错误情况。

这就是所谓的“混淆矩阵”。

图1.7 智能体的错误情况
智能体1 实际上比智能体2 少犯了错误，但那些错误是严重的。这是因为用户
丢失了11 封可能很重要的电子邮件。因为这两种类型的错误的严重程度不同，每
个错误都应该用适当的加权来表示(参见7.3.5 节和练习1.7)。所有加权误差的总和
给出了由错误决策带来的总成本。基于成本的智能体的目标是最小化长时期内错误
决策的平均成本。在7.3 节中，我们熟悉的医学诊断系统LEXMED 就是一个基于
成本的智能体。
类似地，基于效用的智能体的目标是最大化长时期内的平均效用输出。所有决
策与其各自的效用因子加权给出总效用。
在AI 中，特别令人感兴趣的是学习智能体，它们能够学习输入的训练样本，
或通过正向或负向的反馈改变自己，这样能使行为的平均效用随着时间的增长而增
长(参见第8 章)。
正如1.2.5 节提及的，分布式智能体越来越多地被投入使用。它的智能并不受
限于单个智能体，而是通过多个智能体的合作显示出来。
智能体的设计和目标强烈面向环境，或者依靠传感器感知的环境地图。如果智
能体总是知道世界完整的状态，那么环境是可观察的。否则，环境只能是部分可观
察的。如果一个行动总是导致相同的结果，那么环境是确定性的，否则是不确定的。
在离散环境中只有有限多个状态和行为发生，而连续的环境拥有无限多个状态和行为。
1.5 基于知识的系统
智能体是一种实现从感知到动作的映射的程序。对于简单智能体，这种看待问
题的方式就足够了。而复杂应用中的智能体必须能够使用大量信息，并且意味着要
完成一项困难的任务。对这种智能体编程可能非常昂贵，甚至于还不清楚如何进行。
这里AI 提供了一条清晰的可供沿用的路径，这将大大简化编程工作。
首先，我们将知识从系统或程序中分离出来，这些系统或程序使用这些知识得
出结论、回答查询、设计计划。这种系统被称为推理机制。知识存储在知识库(KB)中。知识库中知识的获取叫作知识工程。知识工程基于各种诸如人类专家、知识工
程师及数据库的知识源。主动学习系统也可以通过主动探索世界来获取知识(见第
10 章)。图1.8 提出了基于知识的系统的一般体系结构。
将知识和推理分离有几个突出的优势。知识和推理的分离允许推理系统可以独
立于大规模应用的方式来实现。例如，将一个医学专家系统应用于其他疾病时，可
以通过替换其知识库来完成，而不需要编程实现一个全新的系统。
通过知识库与推理的解耦，知识可以采用事先声明的方式存储。知识库中只描
述了知识，它在应用中独立于推理系统。没有这种清晰的分离，知识和推理步骤的
处理将交织在一起，对知识的任何改变将会非常昂贵。

击败了两个人类冠军Brad Rutter 和Ken Jennings，并赢得了一百万美元的奖金。
Watson 的一个特殊优点是它对问题的反应非常迅速。Watson 经常比人类对手更快
地按下抢答器，然后给出这个问题的第一个答案。
Watson 的高性能和短反应时间是由于它运行于90 个IBM 750 服务器上，其中
每个服务器包含32 个处理器，相当于2880 个并行处理器。
1.6 练习
练习1.1 测试 络上一些可用的聊天机器人，例如www.simonlaven.com 或
www.alicebot.org。写下一个问题，并测量每个聊天机器人所需的时间，直到你确定
对方不是一个人。
??练习1.2 在 www.pandorabots.com 上，可以找到一个服务器，在该服务器上可以很
容易地使用标记语言AIML 构建聊天机器人。取决于你的兴趣水平，开发一个简单
或复杂的聊天机器人，或改变现有的一个。
练习 1.3 给出图灵测试不适用实际人工智能应用中“人工智能”的定义的原因。
?练习1.4 许多著名的推理过程、学习过程等都是NP 完全甚至不可决定的。这对人
工智能意味着什么br> 练习 1.5
(a) 从数学意义上讲，为什么具有内存的确定性智能体不是从所有输入集合到所有
输出集合的函数br> (b) 如何修改具有内存的智能体或对其进行建模，使其与函数等效，但不会丢失其
内存br> 练习 1.6 让一个具有内存的智能体可以在一个平面内移动。它借助传感器，每隔固
定时间间隔?t 获取其在笛卡尔坐标系中的精确位置(x，y)。
(a) 给出一个公式，利用该公式，智能体可以计算从当前时间t到之前时间t ? ?t 的
速度。
(b) 如何更改智能体，以便它可以计算其加速度提供一个公式。
?练习1.7
(a) 确定例1.1 中的两个智能体因错误产生的代价，并比较结果。假设手动删除一封垃
圾邮件花费1 美分，检索一封已删除或丢失的电子邮件花费1 美元。
(b) 确定两个智能体正确分类产生的收益，并比较结果。假设每识别出一封符合预期
的邮件，就会获得1 美元的利润，每正确删除一封垃圾邮件，就会获得1 美分的
利润。