人工智能的知识体系–历史

【声明】本文为AdamsLee原创,转载请注明出自围炉网并保留本文有效链接:人工智能的知识体系–历史, 转载请保留本声明!
  • 1950年,图灵提出著名的“图灵测试”

  • 1950-1970年的早期发展,

    • 符号主义(symbolicism),又称为逻辑主义(logicism)、心理学派(psychologism)或计算机学派(computerism)。

      • 该学派认为:人类认知和思维的基本单元是符号,而认知过程就是在符号表示上的一种运算。它认为人是一个物理符号系统,计算机也是一个物理符号系统,因此,我们就能够用计算机来模拟人的智能行为,即用计算机的符号操作来模拟人的认知过程。这种方法的实质就是模拟人的左脑抽象逻辑思维,通过研究人类认知系统的功能机理,用某种符号来描述人类的认知过程,并把这种符号输入到能处理符号的计算机中,就可以模拟人类的认知过程,从而实现人工智能。可以把符号主义的思想简单的归结为“认知即计算”。

      • 后来又发展了启发式算法->专家系统->知识工程理论与技术

      • 启发式算法定义:一个基于直观或经验构造的算法,在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个实例的一个可行解,该可行解与最优解的偏离程度一般不能被预计。

                

      • 专家系统是一类具有专门知识和经验的计算机智能程序系统,通过对人类专家的问题求解能力的建模,采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题,达到具有与专家同等解决问题能力的水平。这种基于知识的系统设计方法是以知识库和推理机为中心而展开的,即: 专家系统 = 知识库 + 推理机

      • 比如知识库:身上有鳞片 + 会游泳 + 生活在水里 -> 鱼; 身上有鳞片 + 会游泳 + 生活在陆地 -> 蛇;推理过程根据获得的现有事实和知识库进行判定

      • 专家系统与传统的计算机程序的主要区别:

列项
传统的计算机程序
专家系统
处理对象
数字
符号
处理方法
算法
启发式
处理方式
批处理
交互式
系统结构
数据和控制集成
知识和控制分离
系统修改
信息类型
确定性
不确定性
处理结果
最优解
可接受解
适用范围
无限制
封闭世界假设
    • 连接主义(connectionism),又称为仿生学派(bionicsism)或生理学派(physiologism),其主要原理为神经网络及神经网络间的连接机制与学习算法。

      • 认为人工智能源于仿生学,特别是对人脑模型的研究。它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型,即MP模型,开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型,开辟了人工智能的又一发展道路。20世纪60~70年代,连接主义,尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮,由于受到当时的理论模型、生物原型和技术条件的限制,脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文,提出用硬件模拟神经网络以后,连接主义才又重新抬头。1986年,鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。此后,连接主义势头大振,从模型到算法,从理论分析到工程实现,为神经网络计算机走向市场打下基础。

    • 行为主义(actionism),又称为进化主义(evolutionism)或控制论学派(cyberneticsism),其原理为控制论及感知-动作型控制系统。

      • 认为人工智能源于控制论。控制论思想早在20世纪40~50年代就成为时代思潮的重要部分,影响了早期的人工智能工作者。维纳(Wiener)和麦克洛克(McCulloch)等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论,影响了许多领域。控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用,如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究,并进行“控制论动物”的研制。到20世纪60~70年代,上述这些控制论系统的研究取得一定进展,播下智能控制和智能机器人的种子,并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的,引起许多人的兴趣。这一学派的代表作者首推布鲁克斯(Brooks)的六足行走机器人,它被看作是新一代的“控制论动物”,是一个基于感知-动作模式模拟昆虫行为的控制系统。

      • 行为主义的贡献主要是在机器人控制系统方面,希望从模拟动物的“感知——动作”开始,最终复制出人类的智能。20世纪末,行为主义正式提出智能取决于感知与行为,以及智能取决于对外界环境的自适应能力的观点。至此,行为主义成为了一个新的学派,在人工智能的舞台上拥有了一席之地。

  • 1980-2000年度第二次发展热潮

    • 统计学派

      • “AI之冬”之后,语音识别领域统计学派取代专家系统

    • 机器学习

      • 专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能

    • 神经网络(连接主义重获新生)

      • 神经网络用于模式识别等任务

  • 2006年后的第三次发展热潮

    • 大数据广泛应用

      • 指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新的处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产

    • 深度学习

      • 通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示

      • 机器视觉、语音识别、机器翻译等领域深度学习的普遍应用

      • 强化学习、迁移学习、生成对抗网络等新技术的发展

    • (非深度)机器学习

    • alphaGo为标注的大众传播

      • AlphaGo使用蒙特卡洛树搜索(Monte Carlo tree search),借助估值网络(value network)与走棋网络(policy network)这两种深度神经网络,通过估值网络来评估大量选点,并通过走棋网络选择落点。AlphaGo最初通过模仿人类玩家,尝试匹配职业棋手的过往棋局,其数据库中约含3000万步棋着。后来它达到了一定的熟练程度,它开始和自己对弈大量棋局,使用强化学习进一步改善它。

此条目发表在未分类分类目录,贴了标签。将固定链接加入收藏夹。