前言——
此前的人工智能致力于“打造超越個體智能的機器”，致力于發現“描述智能的牛頓定律”
當下的人工智能的基本思想則是“具身性”，即探索連接、交互、復雜網絡環境下機器智能的生長、人與機器的融合、以及人機生態的演進，致力于理解“人與機器、機器與環境的交互，究竟發生了什么？”，重新理解智能機器與人、機器與機器的認知和行為之間錯綜復雜的關系。
人工智能的終極科學目標是實現人類對自己的科學理解
目錄
第 1 章 人工智能學科發展歷史
第2-4章?人工智能古老的歷史成果
第 2 章 圖靈機模型
第 3 章 馮諾依曼的計算機體系結構
第 4 章 怪圈與哥德爾定理
第5-12章 人工智能最新思想成果
第 5 章 馬庫斯·胡特的通用人工智能理論
第 6 章 深度學習理論
第 7 章 人工智能與人腦在信息處理等若干方面的異同
第8、9章 人類計算
第 10 章 自然語言處理
第11/12章 機器的集體行為
第13/14章 人工智能的實踐應用（瓦克星&彩云天氣）
第 1 章 人工智能之夢
張江
作為一個獨立的學科，人工智能的發展非常奇葩，它不像其他學科那樣從分散走向統一，而是從 1956 年創立以來就不斷分裂，形成一系列大大小小的子領域。
夢的開始（1900-1956）
大衛·希爾伯特
1900年數學家大會，希爾伯特第二問題“證明數學系統中應同時具備一致性和完備性，即數學真理不存在矛盾、任意真理都可以被描述為數學定理”。
希爾伯特第十問題“是否存在著判定任意一個丟番圖方程有解的機械化運算方程”
庫爾特·哥德爾
哥德爾不完備性定理：如果將人工智能看做是一個機械化運作的數學公理系統，那么根據哥德爾定理，必然存在某種人類可以構造但機器無法求解的人工智能“軟肋”，即人工智能不可能超過人類。
艾倫·圖靈
根據希爾伯特第十問題設計圖靈機、圖靈測試“只要有30%的人類測試者在5分鐘內無法分辨出被測試對象（關在屋子里的人與機器），就可以認為程序通過了圖靈測試”
約翰·馮·諾依曼
“馮諾依曼體系結構”，早期計算機EDVAC的設計
諾伯特·維納
1948年提出“控制論”；機器與人的統一性——人或機器都是通過反饋完成某種目的的實現，揭示了用機器模擬人的可能性，為人工智能的提出奠定了重要基礎。
夢的延續（1956-1980）
達特茅斯會議
討論用機器模仿人類學習及其他方面的智能，命名人工智能，1956年人工智能元年。
黃金時期
機器定理證明取得重大突破
“邏輯理論家”程序證明數學原理。
四色猜想（四色定理）：對于任意的地圖，我們最少僅用四種顏色就可以染色該地圖，并使得任意兩個相鄰的國家不會重色。
機器學習領域取得實質突破
達特茅斯會議上，阿瑟·薩繆爾研制跳棋程序擊敗州冠軍。
奧利弗·薩爾福瑞德研制第一個字符識別程序，開辟了模式識別領域
紐厄爾和西蒙研究一種不依賴于具體領域的通用問題求解器，成為GPS
詹姆斯·斯拉格發表符號積分程序 SAINT，輸入一個函數表達式可以自動輸出函數的積分表達式。
遭遇瓶頸
機器定理證明領域
1965年計算機推了數十萬步也無法證明兩個連續函數之和仍是連續函數
機器學習領域
跳棋程序停留在州冠軍層次
機器翻譯程序
自然語言理解與翻譯遇到困難
美國政府和大學削減人工智能項目經費
知識就是力量
愛德華·費根鮑姆“傳統人工智能過于強調通用求解方法的作用，而忽略了知識，人工智能必須引入知識”
專家系統：利用計算機化的知識進行自動推理，從而模仿領域專家解決問題；1968年DENDRAL
知識工程，日本第五代計算機計劃、英國阿爾維計劃、西歐尤西卡計劃、美國星計劃、中國863計劃。
知識獲取遭到困難
群龍問鼎（1980-2010）
人工智能改自上而下的填鴨式教學，成為自下而上的涌現“啟發式教學”
符號學派
人工智能是關于如何制造智能機器，特別是智能的計算機程序和科學和工程。它與使用機器來理解人類密切相關，但人工智能的研究并不需要局限于真實的生物質能行動。——約翰·麥卡錫
物理符號系統假說：任何能夠將物理的某些模式或符號進行操作并轉化成另外一些模式或符號的系統，就有可能產生智能的行為。
符號學派關注人類智能的高級行為，如推理、規劃、知識表示等。
人機大戰
1988年IBM研發國際象棋智能程序“深思”，升級版本“深藍”在1996年挑戰國際象棋冠軍，次年勝利。
IBM公司超級計算機沃森在《危險》比賽中戰勝了人類對手【個人感覺主要還是依靠計算能力和知識存儲；沃森在自然語言處理有了一定進步】
連接學派
高級的智能行為是從大量神經網絡的連接中自發出現的。
麥卡洛克·匹茲模型：第一個真實的神經元細胞的模型
感知機：在麥卡洛克·匹茲模型上加入學習算法
被閔斯基證明了感知機學習能力的有限。
多則不同：只要把多個感知機連接成分層的網絡，那么即可解決閔斯基的問題；采用反向傳播算法可以有效解決多層網絡的訓練問題
統計學習理論
行為學派
關注較低級的昆蟲
機器昆蟲，羅德尼·布魯克斯；只能并非來自于自上而下的復雜設計，而是來自于自下而上的與環境的互動。
波士頓大狗
進化計算
約翰·霍蘭 - 遺傳算法
遺傳算法對大自然中的生物進化進行了大膽的抽象，變異和選擇。在計算機中，我們可以用一堆二進制串來模擬自然界中的生物體，而大自然的選擇作用——生存競爭、優勝劣汰——則被抽象為一個簡單的適應度函數
與神經網絡不同，遺傳算法不需要把學習區分成訓練和執行兩個階段，指導機器在執行中學習，即所謂的做中學。
人工生命-克里斯托弗·蘭頓
如何用計算手段來模擬生命，所謂的生命或智能實際上是從地層單元通過相互作用而產生的涌現屬性。“涌現”強調只有在宏觀具備還不能分解還原到微觀層次的屬性、特征或行為。通過模擬在計算機數碼世界中產生類似現實世界的涌現。
e.g.用0、1數字代表蛋白質分子并為其設置詳細的規則，然后運行程序，靜靜等待令人吃驚的“生命現象”
模擬群體行為，Boid程序模擬鳥群運動；蟻群算法；免疫算法
問題：什么情況發生涌現？如何設計底層規則？還未能涌現高級生物
三大學派的關系
符號學派模擬智能軟件，連接學派模擬大腦硬件，行為學派模擬身體。
符號學派的思想和觀點直接繼承自圖靈，直接從功能角度理解智能。他們把只能理解為黑箱，只關心輸入和輸出而不關心內部構造。符號學派利用知識表示和搜索來替代真實人腦的神經網絡結構。擅長利用現有知識做比較復雜的推理、規劃、邏輯運算和判斷等問題。
連接學派，打開智能系統黑箱，從結構角度模擬智能系統的運作，看待角度更加底層。能自動獲取知識，但對知識的表述隱含晦澀，擅長解決模式識別、聚類、聯想等非結構化問題，但很難解決高層次的智能問題。
行為學派更擅長模擬身體的運作機制，而不是腦；強調進化的作用，擅長解決適應性、學習、快速行為反應等問題，可以解決一定的識別、聚類、聯想問題，但在高級智能行為（如問題求解、邏輯演算）上相形見絀。
連接學派和行為學派共同點在于都相信智能是自下而上涌現出來而非自上而下的設計。難點在于如何涌現，涌現機制如何設計。
如何綜合三大學派的觀點。
分裂與統一
群龍無首
自動定理證明、模式識別、機器學習、自然語言理解、計算機視覺、自動程序設計
貝葉斯統計
貝葉斯概率：主觀概率統計
貝葉斯學派的核心是貝葉斯公式，表達了智能主題如何根據搜索到的信息改變對外在事物的看法。
貝葉斯網絡
通用人工智能
馬庫斯·胡特：將智能看做一個整體，而非若干分離的子系統學習、認知、決策、推理。
規范研究方法：給出智能程序一個數學上的定義，然后運用嚴格的數理邏輯討論其性質。
理論已證明，胡特定義的智能程序在數學上可構造，但卻是計算機不可計算模擬的。
夢醒何方（2010至今）
深度學習
2011年，谷歌大腦（一個采用了所謂深度學習技術的大型神經網絡模型）在1000萬張靜態圖片中自己找到了“貓”
2011年，微軟全自動同聲翻譯系統
2013年，百度研究院
原因：大數據……
模擬大腦
德國海德爾堡大學的FACETS計劃：采用數以千計的芯片創造出一個包含10億神經元和10的十三次方突觸的回路和人工鬧
2015年，瑞士洛桑理工學院和IMB的藍色大腦計劃通過軟件模擬人腦實踐
2013年美國“腦計劃”；歐盟“人類大腦計劃”
“人工”人工智能
谷歌路易斯·馮·安開創了新人工智能研究方向：人類計算，ReCapture借助人力完成傳統的人工智能問題
人與機器的共生結合！！！
低等動物的基本行為讓我想到了ABO設定的信息素啊！
