您现在的位置是：首页 > 文章详情

入行人工智能，这一本人工智能领域百科全书不可错过

日期：2018-07-29点击：328收藏

7056db5d17e41f149065e95d9e23950b

有人说，2016年是人工智能元年，人工智能技术在各行各业如雨后春笋般出现。2017年年初，我开始着手翻译《人工智能（第2版）》，当我即将完成本书的初译时，科技界传来了阿尔法狗战胜围棋棋手柯洁的消息，于是，这本书成了一本名副其实的、还未出版的“古书”。本书可以称得上是经典教材，内容翔实，逻辑清晰，引经据典，纵横捭阖，是一本不可多得的人工智能教科书，它同时也被誉为“人工智能领域百科全书”。

《人工智能（第2版）》

[美] 史蒂芬·卢奇（Stephen Lucci）著

回顾历史，1997年，深蓝打败了卡斯帕罗夫，当时人们曾乐观地预测，在体现古老的东方智慧的围棋领域，计算机未必能够这么轻松战胜人类，围棋成了象征着人类智慧的最后一块高地。然而，仅过了20年，人们的预言就被打破。

从阿兰?图灵破解了恩尼格玛密码机，为第二次世界大战的胜利做出了巨大的贡献开始，到达特茅斯研讨会发明了“人工智能”这一词，再到今天，人工智能经历了60年的发展。在此期间，“山重水复疑无路，柳暗花明又一村”，人工智能经历了三次浪潮、两次寒冬的洗礼。当前，在深度学习算法的促进下，人工智能携带着云计算、大数据、卷积神经网络，突破了自然语言语音处理、图像识别的瓶颈，为人类带来了翻天覆地的变化。

“忽如一夜春风来，千树万树梨花开”，用这句诗来形容人工智能的发展一点都不为过。人工智能方兴未艾，全面向人类的各个领域发展，业界有一句戏称的话是：“如果你够走运的话，机器可以把你当成宠物。”

一句戏谑的话却道出了多少人的心酸，人工智能已经在各个方面开始出现代替人类的可能：未来在生产车间里，我们再也看不到人类工人繁忙的身影；在超市，我们也看不到收银员在工作；在餐厅，我们也看不到厨师、服务员。人工智能可以帮助我们完成很多任务，辅助我们做出决策。

关于人工智能是对人类的馈赠还是会给人类带来灭顶之灾，人们对此的争论一度甚嚣尘上、莫衷一是。人工智能也许会像潘多拉的盒子，但是人们心存希望，正是这种希望让人工智能走过了艰难坎坷的60年。

从乐观的一面来看，在未来，科幻故事可能出现在日常生活中，而劳动可能成为一种保持健康的需要。不过，一切距离盖棺论定还为时尚早。正如本书在机器人部分所谈到的，人工智能正处在蹒跚学步的“婴儿期”，在我写下这篇译者序的时候，人形机器人在运动能力方面还是非常初级，因此，有人说了句玩笑话：“如果你要阻碍‘终结者’，关上门就行（机器人比较难以掌握开门技术）。”

本书可以称得上是经典教材，内容翔实，逻辑清晰，引经据典，纵横捭阖，是一本不可多得的人工智能教科书。人工智能包罗万象，包括自然语言处理、知识表示、智能搜索、规划、机器学习、人工神经网络复杂系统、数据挖掘、遗传算法、模糊控制等。面对人工智能的迅猛发展和海量知识，计算机科学和工程相关专业的读者，与其临渊羡鱼，不如退而结网，扎扎实实打好基础。“纸上得来终觉浅，绝知此事要躬行”。

学习人工智能，读者要戒骄戒躁，认真理解算法，并将算法转换成计算机程序，因此，我建议读者读完一章之后，亲自编写代码，在机器上实际运行一下程序。“冰冻三尺，非一日之寒”，要成为人工智能领域的佼佼者，读者需要做好打持久战、打硬仗的思想准备，持之以恒地不断学习新技术，不断推陈出新。唯有这样，才能水滴石穿，成为社会的中流砥柱，引领时代潮流。

为什么会创作《人工智能（第2版）》

2006年，为了庆祝达特茅斯夏季研讨会（Dartmouth Summer Conference）50周年，人们举办了AI @ 50，达特茅斯学院哲学系教授詹姆斯·摩尔（James Moor）邀请我在AI @ 50上组织一场计算机博弈表演赛。在达特茅斯夏季研讨会中，约翰·麦卡锡创造了“人工智能”一词。

达特茅斯会议一些最初的与会者参加了AI @ 50，其中包括约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、奥利弗·西里奇（Oliver Selfridge）和雷·索罗莫洛夫（Ray Solomonoff）。卢奇（Lucci）教授也参加了AI @ 50，之后不久，他同意与我合作撰写人工智能教科书。

我们的观点是，人工智能是由人类（People）、想法（Idea）、方法（Method）、机器（Machine）和结果（Outcome）组成的。

首先，组成人工智能的是人类。人类有想法，并把这些想法变成了方法。这些想法可以由算法、启发式、程序或作为计算骨干的系统来表示。最后，我们得到了这些机器（程序）的产物，我们称之为“结果”。每个结果都可以根据其价值、有效性、效率等方面进行衡量。

我们发现，现有的人工智能书籍通常没有提到其中的一些领域。没有人类，就没有人工智能。因此，我们决定，通过在本书中添加“人物轶事”专栏，介绍对人工智能的成功做出贡献的人，我们在这本书全文17章中介绍的人物包括了提出想法的人以及实现开发方法的人。

与数学、物理、化学和生物学等其他科学相比，人工智能和计算机科学相对较年轻。但是，人工智能是一门真正跨学科的学科，结合了其他领域的许多元素。

机器/计算机是人工智能研究人员的工具，机器/计算机允许研究人员实验、学习和改进求解问题的方法，这些方法可以应用于可能对人类有益的许多有趣领域。最后，由于将人工智能应用到各种各样的问题和学科，我们得到了可测量的结果，这提醒我们人工智能也必须是可解释的。在本书的许多地方，你将会发现“表现”和“能力”之间区别的讨论。随着人工智能的成熟和进步，这两者都是必需的。

到目前为止，通过亲自教授人工智能课程以及阅读人工智能教材，我们发现大多数可用的教材都缺乏了上述的一个或多个领域。Turing、McCarthy、Minsky、Michie、McLelland、Feigenbaum、Shortliffe、Lenat、Newell和Simon、Brooks等许多人的名字和巨大的贡献应该为学生所熟悉。

然而，这不是一本历史书！我们认为，这门学科如此有趣，如此广泛，具有无限潜力，应该合理地使用在这个领域中工作的人物的迷人思想和出色工作，以使得这本书更加多姿多彩。

第2版和第1版有什么不同？

自本书第1版出版以来，已经过去了很长时间。人工智能概念、方法和系统正日益融入人们的日常活动中。例如，在编写第 1 版的时候，人们将许多汽车制造成具有并行停泊的能力；现在在汽车上配置防撞系统已经变得司空见惯了。科幻爱好者幻想的技术（例如无人机和机器人）现在变成了现实、越来越多的无人机和机器人正在成为人们日常生活的一部分。

在21世纪前10年或早些时候浮出水面的GPS系统、手机应用程序和社交网络，如今已随处可见。这些技术，包括最佳的交通路线、健康咨询和个人服务员，已用于人们生活的各个方面，每种技术通常都使用了某种形式的人工智能。

自然语言和语音处理的进步大大改变了人类与机器进行交互的方式。第2版增加了第10章，介绍和讨论了机器学习的决策树。因此，第10章、第11章（机器学习第二部分：神经网络）和第12章（受到自然启发的搜索）共同为进一步研究提供了基础。第13章（自然语言处理）新增了一个新的小节（13.10节），介绍了语音理解的理论、方法和应用。同时，第13章也添加了一个小节，用来讲述自然语言处理中的隐喻。第15章提供了机器人领域的概述，包括最近的应用，并于结尾与第17章（大事记）一起展望了未来。许多章节都增加了新的练习题。

阿兰· 图灵

人工智能概述

早期，人类必须通过如轮子、火之类的工具和武器与自然做斗争。15世纪，古腾堡发明的印刷机使人们的生活发生了广泛的变化。19世纪，工业革命利用自然资源发展电力，这促进了制造、交通和通信的发展。20世纪，人类通过对天空以及太空的探索，通过计算机的发明及其微型化，进而成为个人计算机、互联网、万维网和智能手机，持续不断地向前进。过去的60年已经见证了一个世界的诞生，这个世界出现了海量的数据、事实和信息，这些数据、事实和信息必须转换为知识（其中一个实例是包含在人类基因编码中的数据，如图1.0所示）。本文介绍了人工智能学科的概念性框架，并阐述了其成功应用的领域和方法、近期的历史和未来的前景。

图1.0 包含在人类基因编码中的数据

人工智能的定义

在日常用语中，“人工”一词的意思是合成的（即人造的），这通常具有负面含义，即“人造物体的品质不如自然物体。但是，人造物体通常优于真实或自然物体。例如，人造花是用丝和线制成的类似芽或花的物体，它不需要以阳光或水分作为养料，却可以为家庭或公司提供实用的装饰功能。

虽然人造花给人的感觉以及香味可能不如自然的花朵，但它看起来和真实的花朵如出一辙。

另一个例子是由蜡烛、煤油灯或电灯泡产生的人造光。显然，只有当太阳出现在天空时，我们才可以获得阳光，但我们随时都可以获得人造光，从这一点来讲，人造光是优于自然光的。

最后，思考一下，人工交通装置（如汽车、火车、飞机和自行车）与跑步、步行和其他自然形式的交通（如骑马）相比，在速度和耐久性方面有很多优势。但是，人工形式的交通也有一些显著的缺点—地球上无处不在的高速公路，充满了汽车尾气的大气环境，人们内心的宁静（以及睡眠）常常被飞机的喧嚣打断。

如同人造光、人造花和交通一样，人工智能不是自然的，而是人造的。要确定人工智能的优点和缺点，你必须首先理解和定义智能。

思维是什么？智能是什么？

智能的定义可能比人工的定义更难以捉摸。斯腾伯格（R. Sternberg）就人类意识这个主题给出了以下有用的定义：智能是个人从经验中学习、理性思考、记忆重要信息，以及应付日常生活需求的认知能力。

我们都很熟悉标准化测试的问题，比如，给定如下数列：1，3，6，10，15，21。要求提供下一个数字。

你也许会注意到连续数字之间的差值的间隔为1。例如，从1到3差值为2，从3到6差值为3，以此类推。因此问题正确的答案是28。这个问题旨在衡量我们在模式中识别突出特征方面的熟练程度。我们通过经验来发现模式。

不妨用下面的数列试试你的运气：

a．1, 2, 2, 3, 3, 3, 4, 4, 4, 4, ?

b．2, 3, 3, 5, 5, 5, 7, 7, 7, 7, ?

既然已经确定了智能的定义，那么你可能会有以下的疑问。

（1）如何判定一些人（或事物）是否有智能？

（2）动物是否有智能？

（3）如果动物有智能，如何评估它们的智能？

大多数人可以很容易地回答出第一个问题。我们通过与其他人交流（如做出评论或提出问题）来观察他们的反应，每天多次重复这一过程，以此评估他们的智力。虽然我们没有直接进入他们的思想，但是相信通过问答这种间接的方式，可以为我们提供内部大脑活动的准确评估。

如果坚持使用问答的方式来评估智力，那么如何评估动物智力呢？如果你养过宠物，那么你可能已经有了答案。小狗似乎记得一两个月没见到过的人，并且可以在迷路后找到回家的路。

小猫在晚餐时间听到开罐头的声音时常常表现得很兴奋。这只是简单的巴甫洛夫反射的问题，还是小猫有意识地将罐头的声音与晚餐的快乐联系起来了？

关于动物智力，有一则有趣的轶事：大约在1900年，德国柏林有一匹马，人称“聪明的汉斯”（Clever Hans），据说这匹马精通数学（见图1.1）。

图1.1 “聪明的汉斯”（Clever Hans）— 一匹马做演算？

当汉斯做加法或计算平方根时，观众都惊呆了。此后，人们观察到，如果没有观众，汉斯的表现不会很出色。事实上，汉斯的天才在于它能够识别人类的情感，而非精通数学。

马一般都具有敏锐的听觉，当汉斯接近正确的答案时，观众们都变得相对兴奋，心跳加速。也许，汉斯有一种出奇的能力，它能够检测出这些变化，从而获得正确的答案。虽然你可能不愿意把汉斯的这种行为归于智能，但在得出结论之前，你应该参考一下斯腾伯格早期对智能的定义。

有些生物只体现出群体智能。例如，蚂蚁是一种简单的昆虫，单只蚂蚁的行为很难归类在人工智能的主题中。但是另一方面，蚁群对复杂的问题显示出了非凡的解决能力，如从巢到食物源之间找到一条最佳路径、携带重物以及组成桥梁。集体智慧源于个体昆虫之间的有效沟通。第12章在对高级搜索方法进行讨论时，将相对较多地探讨涌现智能和集群智能。脑的质量大小以及脑与身体的质量比通常被视为动物智能的指标。海豚在这两个指标上都与人类相当。海豚的呼吸是自主控制的，这可以说明其脑的质量过大，还可以说明一个有趣的事实，即海豚的两个半脑交替休眠。

在动物自我意识测试中，例如镜子测试，海豚得到了很好的分数，它们认识到镜子中的图像实际上是它们自己的形象。海洋世界等公园的游客可以看到，海豚可以玩复杂的戏法。这说明海豚具有记住序列和执行复杂身体运动的能力。

使用工具是智能的另一个“试金石”，并且这常常用于将直立人与先前的人类祖先区别开来。海豚与人类都具备这个特质。例如，在觅食时，海豚使用深海海绵（一种多细胞动物）来保护它们的嘴。显而易见，智能不是人类独有的特性。在某种程度上，许多生命形式是具有智能的。

你应该问自己以下问题：“你认为有生命是拥有智能的必要先决条件吗?”或“无生命物体，例如计算机，可能拥有智能吗？”人工智能宣称的目标是创建可以与人类的思维媲美的计算机软件和（或）硬件系统，换句话说，即表现出与人类智能相关的特征。一个关键的问题是“机器能思考吗？”更一般地来说，你可能会问，“人类、动物或机器拥有智能吗？”

在这个节点上，强调思考和智能之间的区别是明智的。思考是推理、分析、评估和形成思想和概念的工具。并不是所有能够思考的物体都有智能。智能也许就是高效以及有效的思维。许多人对待这个问题时怀有偏见，他们说：“计算机是由硅和电源组成的，因此不能思考。”或者走向另一个极端：“计算机表现得比人快，因此也有着比人更高的智商。”真相很可能存在于这两个极端之间。

正如我们所讨论的，不同的动物物种具有不同程度的智能。我们将阐述人工智能领域开发的软件和硬件系统，它们也具有不同程度的智能。我们对评估动物的智商不太关注，尚未发展出标准化的动物智商测试，但是对确定机器智能是否存在的测试非常感兴趣。

也许拉斐尔（Raphael）的说法最贴切：“人工智能是一门科学，这门科学让机器做人类需要智能才能完成的事。”

图灵测试

上一节中提出“你如何确定智能”以及“动物有智能吗？”这两个问题已经得到了解决。第二个问题的答案不一定是简单的“是”或“不是”—一些人比另一些人聪明，一些动物比另一些动物聪明。机器智能也遇到了同样的问题。

阿兰·图灵（Alan Turing）寻求可操作方法来回答智能的问题，欲将功能（智能能做的事情）与实现（如何实现智能）分离开来。

补充资料

抽象是一种策略，这种策略忽略了对象或概念的实现（例如内部的工作），这样，你就可以获得更清晰的人造物及其与外部世界关系的图像。换句话说，你可以将这个对象当作一个黑盒子，只关注对象的输入和输出（见图1.2）。

图1.2 黑盒子的输入和输出

通常，抽象是一种有用而必要的工具。例如，如果你想学习如何驾驶，把车当作一个黑盒子可能是一个好主意。你不必一开始就努力学习自动变速器和动力传动系统，而是可以专注于系统输入，例如油门踏板、刹车、转向信号灯以及输出，如前进、停车、左转和右转。数据结构的课程也使用抽象，因此如果想了解栈的行为，你可以专注于基本的栈操作，比如pop（弹出一项）和push（插入一项），而不必陷入如何构造一个列表的细节（例如，使用线性链表还是循环链表，或使用链接链表还是连续分配空间）。

图灵测试的定义

阿兰·图灵提出了两个模拟游戏。在模拟游戏中，一个人或实体表现得仿佛是另一个人。在第一个模拟游戏中，一个人在一个中央装有帘子的房间中，帘子的两侧各有一人，其中一侧的人（称为询问者），必须确定另一侧的人是男人还是女人。询问者（其性别无关紧要）通过询问一系列的问题来完成这个任务。游戏假定男性可能会在他的回答中撒谎，而女性总是诚实的。为了使询问者无法从语音中确定性别，通过计算机而不是讲话的方式进行交流，如图1.3所示。如果在帘子的另一侧是男人，并且他成功地欺骗了询问者，那么他就赢了。

图1.3 第一个图灵模拟游戏

图灵测试的原始形式是，一个男人和一个女人坐在窗帘后面，询问者必须正确地识别出其性别（图灵可能得到那个时代流行游戏的启发，发明了这个测试。这个游戏也促使了他进行机器智能测试）。正如埃里希·弗罗姆（Erich Fromm）所写的[8]：男女平等，但不一定要相同。例如，不同性别的人具有不同的关于颜色和花朵的知识，花在购物上的时间也不同。区分男女与智能问题有什么关系？图灵认为，可能存在不同类型的思考，了解并容忍这些差异是很重要的。图1.4表示了图灵测试的第二个版本。

图1.4 第二个图灵模拟游戏

第二个游戏更适合人工智能的研究。询问者还是在有帘子的房间里。这一次，帘子后面可能是一台计算机或一个人。这里的机器扮演男性的角色，偶尔会撒谎，但人是一直诚实的。询问者提问，然后评估答案，确定他是和人交流，还是和机器交流。如果计算机成功地欺骗了询问者，那么它就通过了图灵测试，因此也就被认为是有智能的。

众所周知，在执行算术计算时，机器比人类快很多倍。如果帘子后面的“人”可以在几微秒内得到了三角函数的泰勒级数近似的结果，那么就可以不费吹灰之力辨别出在帘子后面的是计算机而不是人。

自然，计算机可以在任意的图灵测试中成功欺骗询问者的机会非常小。为了得到有效的智能“晴雨表”，这个测试要执行许多次。同样，在这个图灵原始版本的测试中，人和计算机都在帘子后面，询问者必须正确地辨别它们。

补充资料

图灵测试

没有计算机系统通过了图灵测试。然而，1990年，慈善家Hugh Gene Loebner举办了一项比赛，这项比赛旨在实现图灵测试。第一台通过图灵测试的计算机将被授予金牌以及$ 100 000的罗布纳奖金。同时，每年在比赛中表现最好的计算机将被授予铜牌以及大约$ 2000的奖金。

在图灵测试中，你会提出什么问题？考虑以下示例：

·（1 000 017）?是多少？像这样的计算可能不是一个好主意。记住，计算机试图欺骗询问者。计算机可能不会在几分之一秒内做出响应，给出正确答案，它可能会有意地花费更长的时间，也许还会犯错误，因为它“知道”人类不熟悉这些计算。

· 当前的天气情况如何？假设计算机可能不会向窗外看一眼，因此你可能会试着问一下天气。但是，计算机通常连接着万维网，因此在回答之前，它也连接到了天气网站。

· 你害怕死亡吗？因为计算机难以伪装人的情绪，所以你可能会提出这个问题或其他的类似问题：“黑色给你的感觉如何？”或者“坠入爱河的感觉如何？”但是，记住，你现在是在试图判定智能，人类的情绪也许不是有效的智能“晴雨表”。

图灵预料到会有许多人反对他在最初论文中所提出的“机器智能”的想法，其中一个就是所谓的“鸵鸟政策反对”。人们相信思考的能力使人变成万物之灵。承认计算机能够思考，这可能挑战了这个仅由人类享有的崇高的栖息地。

许多人认为，正是人的灵魂让人们可以思考，如果我们创造出拥有这种能力的机器，那么将会篡夺“上帝”的权威。图灵反驳了这个观点，他提出人们仅仅是准备等待具有灵魂禀赋的容器来执行“上帝”的旨意。最后，我们提到洛甫雷斯伯爵夫人（Lady Lovelace）的反对意见（在文献中她经常被称为第一个计算机程序员）。

在评论分析式引擎时，她无比轻松地说“单单这台机器不可能给我们惊喜”。她重申了许多人的信念：一台计算机不能执行任何未预编程的活动。图灵反对这种意见，说机器一直都让他很惊喜。他坚持认为，这种反对意见的支持者认同人类的智慧可以即时推断给定事实或行动的所有后果。图灵的最初论文在收集上述异议以及其他的反对意见时提到了这些读者。

图灵测试的争议和批评

内德·布洛克（Ned Block）认为，英语文本是以ASCII编码的，换句话说，是用计算机内一系列的0和1表示的。因此，一个特定的图灵测试，也就是一系列的问题和答案，可以存储为一个非常大的数。例如，假设图灵测试的长度有一个上限，在测试中，“Are you afraid of dying?（你害怕死亡吗？）”开始的前三个字符作为二进制数字存储，如图1.5所示。

图1.5 使用ASCII代码存储图灵测试的开始字符

假设典型的图灵测试持续一个小时，在此期间，测试者大约提出了50个问题，并得到了50个答案，那么对应于测试的二进制数应该非常长。现在，假设有一个很大的数据库，储存了所有的图灵测试，这些图灵测试包含了50个或更少的已有合理答案的问题。

然后，计算机可以用查表的方法来通过测试。当然，一个能够处理这么大量数据的计算机系统还未存在。但是，如果计算机通过了图灵测试，Block问：“你认为这样的机器有智能吗？你感觉舒服吗？”换句话说，Block的批评意见是，图灵测试可以用机械的查表方法而不是智能来通过图灵测试。

约翰·塞尔（John Searle）对图灵测试的批评更为根本。想象一下，询问者像人们预料的那样询问问题—但是，这次用的是中文。另一个房间里的那个人不懂中文，但是拥有一本详细的规则手册。虽然中文问题以潦草的笔迹呈现，但是房间里的人会参考规则手册，根据规则处理中文字符，并使用中文写下答案，如图1.6所示。

图1.6 中文室的争论

询问者获得了语法上正确、语义上合理的问题的回答。这意味着房间里的人通晓中文吗？如果你的回答是“不”，那么人和中文规则手册的结合通晓中文吗？答案依然是“不”—房间里的人不是在学习或理解中文，而仅仅是在处理符号。同样，计算机运行程序，接收、处理以及使用符号回答，而不必学习或理解符号本身的意思是什么。

塞尔也要求我们设想，如果不是单个人持有规则手册这样的场景：在一个体育馆中，人们互相传递便条。当一个人接到这样的一张便条时，规则手册将确定这个人应该生成一个输出，还是仅仅传递信息给体育馆中的另一个人，如图1.7所示。

图1.7 中文室争论的变体

现在，中文的知识存在于何处？属于全体人，还是属于体育馆？

思考最后一个例子。描绘出一个确实通晓中文的人的大脑，如图1.8所示。这个人可以接收用中文提出的问题，并准确地用中文进行解释和回答。

图1.8 中文说话者用中文接收和回答问题

同样，中文的知识存在于何处？存在于单个神经元中，还是存在于这些神经元的集合中？（它必须存在于某个地方！）Block和Searle对图灵测试进行批评的关键点在于，图灵测试仅从外部观察，不能洞察某个实体的内部状态。也就是说，我们不应该期望通过将拥有智能的智能体（人或机器）视为黑盒来了解到一些关于智能的新东西。但是，这也并不总是正确的。19世纪，物理学家欧内斯特·卢瑟福（Ernest Rutherford）通过用α粒子轰击金箔，正确地推断出物质的内部状态——它主要由空白空间组成。

他预测，这些高能粒子要么穿过了金箔要么稍微偏转。结果与他的原子轨道理论是一致的：原子由轨道电子包围着的致密核心组成。这是我们当前的原子模型，许多学过高中化学的人对此非常熟悉。Rutherford通过外部观察成功地了解了原子的内部状态。

总之，定义智能很难。正是由于定义智能以及判定“智能体”是否拥有这一属性很困难，因此图灵开发了图灵测试。在论文中，他含蓄地指出，任何能够通过图灵测试的智能体必然拥有“脑能力”来应对任何合理的、相当于人们在普遍意义上接受的人类水平的智能挑战。