一、人工智能的开端——符号主义

1、起源与核心理念

（1）将人类思维转换为数学表达，用规则、逻辑与推理解决问题

（2）符号主义认为人类智能可归结为符号操作，通过符号运算实现智能

2、黄金时代

1980年主导人工智能领域，认为规则完善机器可媲美人类智能。符号主义在早期人工智能发展中占据主导地位，取得诸多成果

3、典型应用

专家系统、自然语言理解系统、规划系统，符号主义推动了专家系统等应用的发展，为人工智能实践奠定基础

4、挑战与局限性

难以表示常识，处理不确定知识困难，符号主义在处理常识和不确定性知识时面临诸多挑战

5、现代回归

（1）深度学习“黑箱”问题促使符号主义回归；

（2）符号主义在深度学习“黑箱”问题背景下重新受到关注

二、人工神经网络与感知机发展历程

人工神经元模拟大脑神经元构造，人工神经元是人工神经网络的基本单元，模拟生物神经元功能。

感知机训练过程：（1）网络接收输入数据、根据当前的权重计算出一个输出结果；（2）把输出与真实答案进行比较，计算出误差（损失函数）；（3）通过反向传播的算法、把误差从输出层向前传递到悔一个连接的权重；（4）【梯度下降】根据这些误差信号调整权重，使下一次的输出更接近真实值。

感知机：现代深度学习模型的基础

• 符号主义：理性的大脑(Al应用、Agent)
• 连接主义（感知机-神经网络-深度学习）：感性的大脑

三、图灵测试与人工智能的智能标准

机器智能的核心问题：

（1）机器能否思考，如何判断机器拥有智能；

（2）机器智能的核心问题在于判断机器是否具备思考能力。

1、图灵测试的基本原理

通过对话判断人工智能是否能骗过测试者；图灵测试通过对话判断人工智能是否能骗过测试者，具有创新性。

2、图灵测试的优缺点

（1）简单易懂但结果易受多种因素影响

（2）图灵测试简单易懂，但测试结果易受多种因素干扰

3、早期聊天机器人的尝试

伊莉莎和帕里的原理及表现，早期聊天机器人伊莉莎和帕里展示了人工智能在自然语言处理方面的初步尝试。像人类一样说话，不等于拥有智能。

四、人工智能效应与符号接地问题

现象：人工智能实现特定功能但因原理简单不被视为智能；人工智能效应表现为实现特定功能但原理简单不被认可为智能。

智能的定义1994年——非常普遍的心智能力，包括：逻辑思维、解决问题、抽象思维、理解复杂概念、从经验中学习的能力。

符号接地问题：人工智能语言与现实世界缺乏深层联系，符号接地问题在于人工智能语言与现实世界缺乏深层联系。

中文屋思想实验：不懂中文者按手册模拟理解中文的行为，中文屋思想实验内容是不懂中文者按手册模拟理解中文的行为。

莫拉维克悖论：对人简单的事对机器困难，对人难的事对机器简单，莫拉维克悖论表明对人简单的事对机器困难，对人难的事对机器简单。

五、知识表示技术与专家系统

知识表示定义：将人类知识用便于人工智能理解的方式描述，知识表示技术是将人类知识用便于人工智能理解的方式描述。

【框架问题】人工智能的知识表示表示必须确保知识能够高效且正确形成系统（本体）。（本体：统一术语、描述实体（对像、事件、状态）之间的关系、为AI系统提供一个可以推理和共享的知识结构）。

框架问题：在AI系统中，我们描述一个世界状态变化，说明什么变化了，也要说明什么没变化，否则推理系统会混乱。

六、数据挖掘与机器学习

数据挖掘：通过程序，从一大堆数据里自动找出有用的规律和联系，都是让机器自动发现数据之间的关系。

数据挖掘：我不懂、但我知道这很有用；轻量级本体：我想知道这到底是什么意思。

机器学习：通过统计方法累积经验，让人工智能不断变得更聪明的手段。

统计数据，类似于人类的经验。人工智能必须要有大数据才能学习。

机器学习=>监督学习、无监督学习、深度学习、强化学习…