目录

第2章 体系论

2.1 引言

2.2 人工智能的研究途径

2.2.1 控制论与人工智能

2.2.2 符号和亚符号

2.2.3 整齐与不整齐

2.2.4 逻辑与反逻辑

2.2.5 符号主义、联结主义与行为主义

2.2.6 概率与统计方法

2.2.7 计算心理学、计算哲学与机器智能

2.2.8 经典与现代人工智能

2.3 人工智能的主体论点

2.3.1 智能主体

2.3.2 计算主体

2.3.3 理性主体

2.4 智能主体的环境

2.5 智能主体的构成

2.5.1 主体函数

2.5.2 主体算法

2.5.3 主体结构

2.6 人工智能的研究体系

2.6.1 人工智能的本源

2.6.2 人工智能的内涵

2.6.3 人工智能的外延

2.6.4 人工智能的体系

2.7 智能主体的思维

2.7.1 求解

2.7.2 规划

2.7.3 学习

2.7.4 推理

 2.8 智能主体的交互

2.8.1 感知

2.8.2 动作

2.9 智能主体的类型

2.9.1 主体的层次

2.9.2 求解型主体

2.9.3 规划型主体

2.9.4 学习型主体

2.9.5 推理型主体

2.10 小结

---

第2章 体系论

2.1 引言

2.2 人工智能的研究途径

2.2.1 控制论与人工智能

控制论和人工智能的差异日趋明显：控制论是研究目标导向系统，而人工智能是研究智能机器。

2.2.2 符号和亚符号

（1）符号人工智能

符号人工智能是基于人类易懂的高级符号进行问题表征、推理和搜索的人工智能方法。物理符号系统亦称为形式系统，用符号组合成表达式，并通过逻辑关系使其产生新的表达式。

研究符号人工智能的学者们认为：符号是人类易懂的高级表现形式，知识可以由语义上有意义的符号结构组成，符号能够表征实体，这些实体可以是抽象、抑或是具象的，智能的许多方面能够通过符号操作来获得。

（2）亚符号人工智能

亚符号人工智能学者认为，智能行为可以通过语义上无意义的亚符号获得，人工智能应该允许不精确、不确定和不完备的信息。

亚符号人工智能的基本前提是：不精确和不确定性是普遍存在的事实；精确性和确定性带来局限性和成本。

亚符号人工智能的指导原则是：利用对不精确、不确定和不完备事实的容忍度来实现人工智能，所带来的的益处事实具有易处理、鲁棒和低成本的解决方案。

2.2.3 整齐与不整齐

整齐、不整齐是人工智能两种研究途径的另一类标签。整齐派认为，人工智能的解决方案应该是优雅的、清晰的、并且是可证明是正确的。而不整齐派确信，智能太复杂，计算上难以对付，无法用整齐方法解决复杂的人工智能问题。

2.2.4 逻辑与反逻辑

（1）逻辑方法

约翰·麦卡锡认为，机器无需仿真人类的思维，反倒应该试图去发现抽象推理和问题求解的本质，而不必关注人类是否使用同样的算法。他领导的斯坦福人工智能实验室专注于使用形式逻辑来解决各种问题，包括知识表示、规划和学习，因此被称为基于逻辑的方法。

（2）反逻辑

以马文·明斯基为代表的研究者们发现，解决视觉和自然语言处理的难题需要一些特殊的方法，他们主张，没有简单和通用的逻辑能涵盖人工智能的所有方面，故而被称为反逻辑。

2.2.5 符号主义、联结主义与行为主义

符号主义与联结主义是认知科学和人工智能中的两大学派，即以符号表征理论为核心的符号主义，以及以神经网络理论为核心的联结主义。这两种学派分别兴起于计算机单处理机时代（即1960年底）和计算机互联网时代（即1980年代）。此外，还出现了行为主义。

（1）符号主义

符号主义将客观世界看成是符号的组合，凭借符号及符号之间的关系来表征信息，通过对符号的存储、提取、推理和变换来完成人类的认知。

（2）联结主义

联结主义有许多表现形式，但最常见的形式是使用人工神经网络模型。

（3）行为主义

行为主义亦称行动主义、进化主义抑或是控制论学派。行为主义模拟人类在控制过程中的智能活动和行为特性，即自寻优、自适应、自学习。行为主义还是一种智能主体与其环境交互的模型。

（4）符号与联结之争

符号主义学派主张，符号方法能够处理结构化的信息，而联结主义却不能。但是，联结主义学派在此之后也深入研究了将联结主义的理念用于结构化信息的可能性，并且提出了若干种方法。

2.2.6 概率与统计方法

概率框架可用于表示和处理关于模型和预测的不准确性，常用的有概率规划、贝叶斯推理等。

统计也是一种人工智能的框架，它源于统计学和泛函分析。统计不仅仅被广泛用于机器学习，形成了统计学习理论，还可以用于人工智能中的规划以及决策等。

概率论是统计学的理论基础，而统计学是概率论的实际应用，二者具有天然的内在联系。

2.2.7 计算心理学、计算哲学与机器智能

斯图尔特·夏皮洛将人工智能分为三个研究途径，称之为计算心理学、计算哲学以及机器智能。三者分别研究人类的心理、认知和行为，从而构成了全部的人工智能。

（1）计算心理学

计算心理学的目标是通过创建与人类行为相同的计算机程序来理解人类的心理活动。

（2）计算哲学

计算哲学的目标是形成对人类智能行为的计算理解，而不局限于人类心智实际上（或者可能）使用的算法和数据结构。

（3）机器智能

机器智能的目标旨在创造具有智能的机器。

2.2.8 经典与现代人工智能

（1）经典人工智能

人工智能第一阶段主要集中在研究经典的、自顶向下方法，具体指的是基于知识的系统和专家系统，尤其是强调规则性知识的重要性。

经典人工智能主要研究如何将规则性知识构成一个基本的AI引擎，以及如何将这些引擎应用于解决实际问题。

（2）现代人工智能

近些年的人工智能研究与开发，被称为现代人工智能，它是一种自底向上的技术。

2.3 人工智能的主体论点

随着人工智能的迅速发展，从1990年代开始，主体的论点在人工智能领域中逐渐成为主流。

2.3.1 智能主体

主体可以被视为通过感受器感受其环境并通过执行器对该环境起作用的任何事物。

最简单的主题可以是解决某个特定问题的程序，复杂的主体可以是一个人、一个社会组织、一个动物、一台机器人或一个软件系统等。

根据已知的智能主体的定义，判断一个主体是否为智能主体，可以归纳为以下几点：
1.能否自主地完成各种动作；

2.能够感知其外部环境；

3.能否对感知的信息做适当的处理；

4.能否逐步改善其动作方式；

5.能否采取适当的动作来达到其目标。

智能主体是能够感知外部环境、经过一定的思维加工、再作用于外部环境的事物。

解决某个问题的智能主体可以使用任何一种可行的方法，只要是该方法对所要解决的问题是最有效的。

2.3.2 计算主体

计算主体既包含计算机，也包含人类。

2.3.3 理性主体

所谓人性，指的是主体具有像人类一样的思维和行为，用于人类的逼真度来衡量。

理性则指的是主体能做出理性的、正确的反应，用理性的性能表现来衡量。

理性依赖于四件事：

1.定义成功标准的性能指标；

2.智能主体对环境的先验知识；

3.智能主体能够完成的动作；

4.智能主体最新的感知序列。

2.4 智能主体的环境

根据主体任务的差异，存在若干种不同的环境，即：完全可观测与部分可观测、确定性与随机性、阵发性与连续型、动态与静态、离散与连续、已知与未知。

（1）完全与部分可观测

（2）单主体与多主体

（3）确定与随机

（4）偶发与顺序

（5）动态与静态

（6）离散与连续

（7）已知与未知

2.5 智能主体的构成

智能主体与其所在的环境是不可分割的，从而形成了一个系统。

2.5.1 主体函数

一个智能主体在数学上可以被描述为一个主体函数，它将感知序列映射为动作A。该主体函数可以表示为：

2.5.2 主体算法

主体算法是实现一个主体函数的算法，它将感受器感知的信息作为输入，加以处理后生成一个执行器所需执行的动作，作用于外部环境。

2.5.3 主体结构

一个智能主体的主体结构可以抽象地表示为下图：

一个主体由一个硬件平台和一个主体函数组成；其中硬件平台包括计算设备、感受器和执行器；而主体函数则由一个主体算法来实现。

2.6 人工智能的研究体系

2.6.1 人工智能的本源

从人工智能的发展脉络上看，机器能否思维是人工智能研究的本源。

2.6.2 人工智能的内涵

人工智能的本源是研究机器的思维问题，人工智能又不仅仅局限于这一研究。

人工智能是研究这样一类智能主体：能够感知外部环境、经过思维加工、生成动作、再作用于该环境，这是人工智能的内涵。

现将人工智能的内涵归纳如下：

1.智能主体将感知的信息加以处理，相当于智能主体的思维过程；

2.智能主体从环境得到感知并作用于外部环境，称其为与环境的交互。

人工智能是从事如何用软件和硬件构建智能主体的科学与技术。可以将智能主体看作是一种人工智能的范式，这种范式可以使我们集中精力去研究智能主体所面临的的各种任务，据此找到有效的解决方案，而不是拘泥于某种特定的人工智能的途径或方法。

2.6.3 人工智能的外延

人工智能从1956年的达特茅斯会议算起，经过六十余年的发展，已经拓展了许多内容，涉猎的范围越来越广泛，还包括机器学习、计算机视觉、计算机语音、自然语言处理、信息检索、机器人等。

2.6.4 人工智能的体系

从人工智能的内涵可以得出，人工智能的核心问题是研究智能主体的思维与交互，因此人工智能是由思维与交互聚合而成。而思维与交互相互关联，经过思维处理后形成动作，再交给交互部分执行该动作。

2.7 智能主体的思维

2.7.1 求解

一般将求解称为问题求解。人工智能所需求解的问题是传统的计算无法解决的问题，包括：NP完与NP难问题、优化问题、博弈问题以及约束满足问题等。

2.7.2 规划

2.7.3 学习

学习，即机器学习，主要是从数据中学习，此外还有从环境中学习。深度学习是机器学习的子领域。

（1）学习的任务

学习的任务指的是机器学习的算法要完成的任务。

（2）学习的范式

学习的范式是基于学习的形态对算法进行划分的一种方法。

（3）学习的框架

学习的框架是从算法的实现方式入手对机器学习进行的抽象。

2.7.4 推理

推理建立在知识的基础之上，包括确定性知识和不确定性知识，这涉及到知识表示。人工智能通过逻辑推理、定性推理、语义推理、概率推理等方式模拟人类的推理功能。

 2.8 智能主体的交互

2.8.1 感知

 所谓感知，指的是智能主体如何去接收、识别和理解来自于外部环境的信息，感知包括视觉、听觉、触觉等。

（1）视觉。

视觉的感知包括计算机视觉和机器视觉。

（2）听觉

听觉的感知包括声音识别、话者识别或声纹识别。

（3）其他感知

其他感知包括触觉感知，即研究触觉与触觉反馈技术，此外还有生物特征感知。

2.8.2 动作

动作中包括智能主体所发出的语音、语言以及机器人的肢体动作等。

（1）语音

（2）语言

（3）其他动作

2.9 智能主体的类型

2.9.1 主体的层次

主体是智能主体和非智能主体的泛化；

智能主体是生物智能主体以及人工智能主体的泛化；

人工智能主体则可以看作是单智能主体和多智能主体的泛化，其中多智能主体又是由若干个单智能主体聚合而成；

思维主体又是如下主体的泛化，即：求解主体、规划主体、学习主体、推理主体。

交互和思维是相互关联关系，交互包含感知与动作。

2.9.2 求解型主体

求解性主体是针对问题进行求解，因此对于求解型主体而言，其环境就是需要求解的问题，所需感知的就是问题的状态S，经过求解后生成相应的动作A。

2.9.3 规划型主体

人工智能中的规划，是针对现实世界中某个问题的描述，即初识状态S、预期的目标状态以及可能的动作，寻找并制定一个从初识状态到达预期目标的动作计划P。

2.9.4 学习型主体

智能主体的学习，通常称之为机器学习。主体的学习可以分为两种类型，一是基于数据的学习，二是基于环境的学习。

基于数据的学习又可以根据其是否有已标注的训练数据，分为监督学习和无监督学习。

基于环境的学习，是根据当前的状态S和环境反馈的回报值R来决定下一步的动作。

2.9.5 推理型主体

推理型主体主要由知识库和推理引擎组成。

2.10 小结

本章在论述人工智能的本源、内涵和外延的基础上，从人工智能主要研究如何实现理性的思维与交互入手，提出了一个人工智能的研究体系。