人工智能(第2版)(txt+pdf+epub+mobi电子书下载)

作者:(美)史蒂芬·卢奇(Stephen Lucci),丹尼·科佩克(Danny Kopec)

出版社:人民邮电出版社

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

人工智能(第2版)

人工智能(第2版)试读:

内容提要

作为计算机科学的一个分支,人工智能主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统,涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方向。

本书包括引言、基础知识、基于知识的系统、高级专题以及现在和未来五部分内容。第一部分从人工智能的定义讲起,就人工智能的早期历史、思维和智能的内涵、图灵测试、启发法、新千年人工智能的发展进行了简要论述。第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。第三部分介绍并探究了人工智能领域的成功案例,如DENDRAL、MYCIN、EMYCIN等经典的专家系统,振动故障诊断、自动牙科识别等新的专家系统,以及受到自然启发的搜索等。第四部分介绍了自然语言处理和自动规划等高级专题。第五部分对人工智能的历史和现状进行了梳理,回顾了几十年来人工智能所取得的诸多成就,并对其未来进行了展望。

本书系统、全面地涵盖了人工智能的相关知识,既简明扼要地介绍了这一学科的基础知识,也对自然语言处理、自动规划、神经网络等内容进行了拓展,更辅以实例,可以帮助读者扎扎实实打好基础。本书特色鲜明,内容易读易学,适合人工智能相关领域和对该领域感兴趣的读者阅读,也适合高校计算机专业的教师和学生参考。图3.8 最佳优先搜索开放列表保存了每一层中到达目标节点最低估计代价节点。保存在开放节点列表中相对较早的节点稍后会较早被探索。“获胜”路径是A→C→F→H。如果存在这条路径,搜索总是会找到这条路径图5.1 国王智者的谜题。每个人都必须猜测自己帽子的颜色图6.6 更新的哥尼斯堡桥问题及其图表示图8.5 瓶装茶厂的隶属函数示例(a)甜度评估 (b)所注入糖的百分比变化图8.6 人视网膜中三种受体的反应。蓝色受体的最大激发值为4300Å,绿色受体的最大激发值为5300Å,红色受体的最大激发值为5600Å1.蓝色受体 2.绿色受体 3.红色受体图9.8 显示出浮油的NASA卫星图像图12.1 金属中的原子由于退火,发生了重排(a)炉中的铁被加热至熔点 (b)原子的晶格排列通常表现出更大的韧性和硬度图12.13 详述GA搜索(a)随机生成的点遍布搜索空间 (b)可以观察到,在经过一些次数的迭代之后,点正在收敛到全局最优值图13.6 声波图图14.9 积木世界的快照图16.23 在骰子滚出6-2的情况下,白方第一次走子后的棋局

献词

献给我的父母路易斯和康尼•卢奇,

他们一直鼓励我接受教育。——史蒂芬•卢奇(Stephen Lucci)

 

献给我的父母马格达莱纳和弗拉基米尔•科佩克,

是他们为我搭建了舞台。——丹尼•科佩克(Danny Kopec)

译者序

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,我开始着手翻译本书,在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”(欲知详情,请参阅本书第16章)。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:“如果你够走运的话,机器可以把你当成宠物。”虽为戏谑之言,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,但是人们仍心存希望,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。

在这里,要特别感谢人民邮电出版社的领导和编辑们,感谢他们对我的信任和理解,把这样一本好书交给我翻译。同时我也要感谢他们为本书的出版投入的巨大热情。没有他们的耐心和帮助,本书不可能顺利付梓。

译者才疏学浅,见闻浅薄,译稿多有不足之处,还望读者谅解并不吝指正。读者如有任何意见和建议,请将反馈信息发送到邮箱cilin2046@gmail.com,不胜感激。林赐于加拿大渥太华大学

第2版前言

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,包括最佳交通路线规划、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。纽约市立大学史蒂芬•卢奇纽约市立大学 布鲁克林学院丹尼•科佩克2015年11月

第2版致谢

非常高兴Mercury Learning出版社创始人兼总裁戴维•帕莱(David Pallai)鼓励和支持我们编写《人工智能》一书的第2版。我们也很幸运,有来自各个研究机构的一些优秀学生协助我们修正了第1版中的错误并编写了新内容。

丹尼•科佩克致谢Daniil Agashiyev,感谢他对第13章和第14章关于隐喻和SCIBox的小节的贡献。感谢Sona Brambhatt允许我们使用她硕士论文的语音理解部分,这部分由Mimi-Lin Gao进行了修改和精简。她还贡献了机器人应用程序(ASIMO)和Lovelace项目。Peter Tan帮助编写了有关机器人应用的小节,包括Big Dog、Cog和Google Car等内容。他还获得了许多出现在新版本中图像的使用权。Oleg Tosic准备了CISCO语音系统的应用之窗。Chris Pileggi间接提供了一些新的练习题。

史蒂芬•卢奇希望感谢以下学生:Alejandro Morejon、Juan Emmanuel Sanchez、Ebenezer Reyes和Feiyu Chen。他们在很短的时间内完成了第10章。此外,Alan Mendez绘制了第10章的“机器人教室”和“伞平衡”的图片。

第1版前言

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。

观点和需求

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,介绍对人工智能的发展做出贡献的人,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。

此外,学生需要亲自实践,求解问题,即学生需要用第2~4章中详细介绍的搜索技术基础知识,第5章中的逻辑方法,第6章中知识表示在人工智能中的作用,动手求解问题。第7章为学习模糊逻辑(第8章)和专家系统(第9章)做了铺垫。

在第11章和第12章详细介绍了神经网络和遗传算法等先进方法。最后,第13~16章分别介绍了自然语言处理、规划、机器人和高级计算机博弈等高级课题。第17章是大事记,总结你与我们一起在人工智能的旅途中所经历的风景,并展望了未来。

本书的教学PPT得到了极大的增强,有数百个完整的例子,超过[1]300幅图片和图像,许多都是彩色图像。学生也将受益于本书所提供的相关课后习题的若干答案。

[1]囿于篇幅,本书采用黑白印刷,但读者可以登录www.epubit.com下载这些素材。

如何使用这本书

本书包含了相对较多的材料,要想在一个学期(45学时)中完全讲完,恐怕有难度。作者使用编写本书的素材教授了以下课程(请注意,在纽约市立大学,研究生课程每周通常为3学时,为期15周)。

作为人工智能(研究生或本科生)的第一门课程,读者将学到以下内容。

I.人工智能简史:本学科的用途和局限性、应用领域。

第1章     6学时

II.搜索方法:状态空间,图,生成和测试,回溯、贪婪搜索,盲目搜索方法—深度优先搜索,广度优先搜索和迭代加深深度优先搜索。

第2章     3学时

III.知情搜索:启发式,爬山,集束搜索,最佳优先搜索,基于分支定界的搜索和A *搜索;和/或树。

第3章(3.7.3节“双向搜索”是可选内容)      3学时

IV.在博弈中的搜索:博弈树和极小化极大评估,初级二人博弈——tic-tac-toe和nim、极小化极大与Alpha-Beta裁剪。

第4章(4.5节“博弈理论”和“迭代囚徒的困境”是可选内容)    3学时

V.在人工智能中的逻辑:命题逻辑和谓词逻辑(FOPL),在FOPL中的合一和反演、将谓词表达式转换为子句形式。

第5章(5.4节“其他一些逻辑”是可选内容)     6学时

VI.知识表示:表示方法的选择,语义网、框架和脚本,继承和面向对象编程,产生式系统,智能体方法。

第6章(6.10节“关联”和6.11节“新近的方法”是可选内容) 3学时

VII.产生式系统:架构与示例,反演策略,冲突消解策略,状态空间搜索——数据驱动和目标驱动方法,细胞自动机(CA),一维细胞自动机(Wolfram),二维细胞自动机和生命游戏(Conway)。

第7章(7.6节“随机过程与马尔可夫链”是可选内容)     3学时

Ⅶ.专家系统(ES):简介,为什么使用专家系统?专家系统的特点和架构,知识工程,知识获取和经典专家系统,较新的基于案例的系统方法。

第9章(9.6节、9.7节和9.8节是可选内容)   3学时

IX.神经计算简介:人工神经网络和感知器学习规则的基础

只有第11章11.0节、11.1节和11.3节      3学时

X.进化计算简介——遗传算法。

只有第12章的12.0节和12.2节         2学时

XI.自动规划:问题,规划即搜索,中间结局分析(GPS)STRIPS,各种规划算法和方法。相对现代的系统:NONLIN、Graphplan等。

第14章的14.0节、14.1节、14.3.1节、14.3.2节和14.4.1节    2学时

XII.结语:人工智能前50年的成就。未来展望——我们何去何从?

第17章       2学时

期中考试       3学时

期末考试       3学时

2~3个编程作业(Prolog中有一个编程)(一篇学期论文)[2]作为人工智能的第二门课程

[2]AI-2,通常在研究生阶段开设。

最初这是作为神经计算课程来教授的。人工神经网络(ANN)通常用于人工智能学习方法的教学,例如,在模式类别之间进行区分;因此,将遗传算法(GA)纳入课程似乎就很自然了。人工智能系统通常需要证明其推理过程,这是专家系统的特征。ANN在这方面的能力不是那么强大。模糊逻辑被添加到ANN中,并且模糊ANN通常用于弥补这种不足。

由于涌现智能、蚁群优化、分形、人工生命和进化计算(超越了GA范围),所有这些观点都有助于求解困难的问题,因此这些内容纳入了本课程。由于“自然之母”为这些方法提供了灵感,因此许多人将此称为“自然计算”。建议AI-2教学大纲如下。

I.初步:基本概念:自然计算,人工智能,人工生命,涌现智能,反馈,自上而下和自下而上开发的智能体。这里可以使用补充材料。    3学时

II.受到自然之母启发的搜索:搜索和状态空间图,爬山法及其缺点,模拟退火,遗传算法和遗传编程,禁忌搜索,蚁群优化。

第2章的2.1节和2.1.1节

第3章的3.0节、3.1节和3.2节

第12章                       10~15学时

III.神经网络:人工神经元与其生物对应,McCulloch-Pitts神经元,感知器学习规则及其局限性,增量规则,反向传播,分析模式和一些培训指南,离散Hopfield网络,应用领域,机器学习简介。

第10章

第11章                         18学时

IV.模糊集和模糊逻辑:明确集与模糊集,隶属度函数,模糊逻辑和模糊推理系统。

第8章的8.0节到8.3节                 3学时

可选主题:● 在ANN中的无人监督学习;● 包括细胞自动机在内的人工生命;● 分形和复杂度;● 免疫计算;● 量子计算。           2+学时

给定3学时期中考试和3学时期末考试。有5~6次编程作业和一篇学期论文。

从我们编写的第17章中可以很容易地设计一些替代课程。

例如,第一门课程可以包括:第1章(人工智能概述)、第2章(盲目搜索)、第3章(知情搜索)、第4章(博弈中的搜索)、第5章(人工智能中的逻辑)、第6章(知识表示)、第7章(产生式系统)和第9章(专家系统)。

第二门课程可能包括:第8章(人工智能中的不确定性)、第10章(机器学习第一部分)、第11章(机器学习第二部分:神经网络)、第12章(受到自然启发的搜索),然后从第13章(自然语言处理)、第14章(自动规划)、第15章(机器人技术)以及第16章(高级计算机博弈)中选出一个或两个专题章节。

关于专家系统的专题课程可能包括:第1章(人工知能概述)、第7章(产生式系统)、第9章(专家系统)、“加料”第12章(受到自然启发的搜索)和一些补充论文/读物。

史蒂芬·卢奇(Stephen Lucci)具有丰富的课堂经验,在纽约市立大学、布鲁克林学院以及其他的纽约市立大学分校教人工智能课程,备受学生称赞。丹尼·科佩克在计算机国际象棋(爱丁堡大学机器智能研究部)、智能辅导系统(缅因大学,1988—1992)和计算机科学教育/软件工程/医疗错误、技术难题和问题求解(布鲁克林学院,1991年至今)方面,具有相当丰富的研究经验。本书代表了我们所拥有知识的强大组合。你偶尔会听到二人分享他们的想法和经验。写作过程本身往往是知识、观点和风格相互联系、聆听和相互调整的过程。共同愿景

本书的编写,并非一蹴而就。我们也相信,我们对材料编写和开发的方法纵然有所不同,但是在许多方面是互补的。

我们相信,组合工作可以为任何对人工智能感兴趣的人员提供坚实的基础,并使他们能够有充分的机会,在定义了这个领域的各种方法中获得知识、经验和能力。我们很幸运,作者和出版商Mercury Learning and Information的总裁兼创始人David Pallai都对这本书抱有相同的目标和愿景。大家一致同意编写本书的基本原则,那就是本书应该做到:理论和应用相平衡,准确,方便教学,定价合理。虽然这个过程需要几年的时间,但是我们特别感谢帕莱先生(Mr. Pallai)预见到本书的潜力,并使之最终开花结果。

我们希望您能从我们的努力中受益。第1版致谢

编写这样一本书不仅仅是一份工作。它在某种意义上足以代表人工智能本身。从某种意义上讲,它就像是用诸多小块拼凑出一幅复杂而巨大的拼图。

2010年春夏,Debra Luca女士为我们准备和完成手稿提供了许多帮助。2011年,Sharon Vanek女士帮助我们获得了图像的使用权。2011年夏,布鲁克林学院计算机与信息科学系的研究生Shawn Hall和Sajida Noreen也为我们提供了帮助。

在许多关键时刻,David Kopec成功、高效地为我们解决了软件问题。

感谢以各种方式为本书的编写做出贡献的学生,他们是(按所做贡献大小排序):Dennis Kozobov、Daniil Agashiyev、Julio Heredia、Olesya Yefimzhanova、Oleg Yefimzhanov、Pjotr Vasilyev、Paul Wong、Georgina Oniha、Marc King、Uladzimir Aksionchykau和Maxim Titley。

感谢布鲁克林学院计算机与信息科学系的行政人员Camille Martin、Natasha Dutton、Audrey Williams、Lividea Jones以及计算机系统管理员Lawrence Goetz先生为我们提供了帮助。

非常感谢Graciela Elizalde-Utnick教授允许我们继续在教学中心工作。感谢信息技术副总裁Mark Gold为我们提供了计算机设备。

还要感谢与我们合作的所有人工智能研究人员,让我们有权在本书中使用他们的图片。如在致谢中有所遗漏,敬请谅解,谢谢大家的帮助!

丹尼•科佩克要感谢他的妻子Sylvia和儿子David对这个很大的写作项目的支持和理解。“感谢达特茅斯学院的Larry Harris教授,是他于1973年将人工智能(AI)作为计算机科学学科介绍给了我。我因此而遇见了Donald Michie教授,他让作为博士生和研究员的我度过了令人难忘的6年岁月(1976—1982),并教会我许多生活经验。”“感谢密歇根大学电气工程与计算机科学院的Dragomir Radev教授,他就第12章应包含的主题提出了建议。”“来自计算机国际象棋界的老朋友一直都为我们提供帮助,其中包括David Levy、Jonathan Schaeffer、Monty Newborn、Hans Berliner和Ken Thompson。我想提一个特别的新朋友,他就是在过去一年半的时间里给予特别支持的Ira Cohen博士。”“同时感谢以下人员的协助:编写了第12章中几小节的Harun Iftikhar;编写和编辑了第13章的圣约翰大学的Christina Schweikert博士;编写了3.7.3节的布鲁克林学院的Erdal Kose;提供第6章关于Baecker的工作(见6.11.3节)中材料的Edgar Troudt。”“感谢布鲁克林学院为本书的编写提供了极大支持的其他同事,包括Keith Harrow教授、James Cox、Neng-Fa Zhou、Gavriel Yarmish、Noson Yanofsky、David Arnow、Ronald Eckhardt和Myra Kogen。布鲁克林学院图书馆的Jill Cirasella教授在我们编写计算机博弈历史和研究协助中提供了帮助。”

丹尼•科佩克还要感谢以下给予他帮助的人:“感谢布鲁克林学院计算机与信息科学系原主任Aaron Tenenbaum多年为我提供工作机会,鼓励我编写本书,并给出了一些重要的建议。感谢布鲁克林学院计算机与信息科学系主任Yedidyah Langsam教授为我提供了教学和工作条件,使得本书得以完成。感谢James Davis教授和Paula Whitlock教授,是他们鼓励我在2008—2010年期间担任布鲁克林学院教学中心的主任,从而有助于本书的完成。”

史蒂芬•卢奇感谢纽约市立大学以及该校的研究生院和大学中心,因为他在那里获得了优秀的教育经历:“许多年前,我的学术导师Michael Anshel教授在指导我的论文研究中非常耐心。他教会了我‘从盒子外部进行思考’,即在计算机科学中,看似无关的话题之间往往存在着关系。Gideon Lidor教授也是我的老师,在我早期的职业生涯中,他教会了我在课堂上表现卓越的价值所在。Valentin Turchin教授始终尊重我的能力。我将George Ross教授视为我的行政导师。在我获得博士学位之前,他帮助我在学术界找到了一份教师的职位。在他的坚持下,我在纽约市立大学计算机科学系担任副主任多年,这份工作经验让我在后来的6年中担任了系主任。在我的职业发展中,他总是尽力支持我。我也要感谢Izidor Gertner教授,他非常欣赏我的写作水平。还要感谢Gordon Bassen博士和Dipak Basu博士,从博士生时代起我们就一直是亲密的朋友和同事。我也要衷心地感谢班上的许多学生,是他们在过去几年里给了我启发。”“编写教科书非常富有挑战性。一路走来,许多人都提供了让我感激万分的协助。谢谢他们!”“在工作的早期,Tayfun Pay提供了技术专长。他绘制了第2章中的国际象棋棋盘以及第2章和第4章中的许多搜索树,第5章中3位智者的图片的选用也得益于他的艺术眼光。”“Jordan Tadeusz为本书后面一些章节的编写倾注了大量的心血。他负责了第10章和第11章的许多图片。第10章中的向量方程也是来自他奇迹般的工作。”“Junjie Yao、Rajesh Kamalanathan和Young Joo Lee帮助我们尽早完成了任务。Nadine Bennett对第4章和第5章中的内容进行了最后的润色。Ashwini Harikrishnan(Ashu)在本项目的后期给予了技术协助。Ashu还在编辑过程中‘优化’了一些图片。以下学生也为本书贡献了他们的时间和才华:Anuthida Intamon、Shilpi Pandey、Moni Aryal、Ning Xu和Ahmet Yuksel。最后,我要感谢我的姐妹Rosemary。”资源与支持

本书由异步社区出品,社区(https://www.epubit.com/)为您提供相关资源和后续服务。配套资源

本书提供如下资源:● 本书附录D“应用程序和数据”提到的应用程序示例、用于

神经网络训练的练习数据和若干高级计算问题概览。● 附录E“部分练习的答案”的英文版PDF和图解。● 书中的全部彩图文件。● 本书的Prolog示例源代码。● 供教师使用的教学PPT。

要获得以上配套资源,请在异步社区本书页面中点击,跳转到下载界面,按提示进行操作即可。注意:为保证购书读者的权益,该操作会给出相关提示,要求输入提取码进行验证。

如果您是教师,希望获得教学配套资源,请在社区本书页面中直接联系本书的责任编辑。我们可以提供的教学资源包括:● 教学PPT。● 教师指导手册(电子版,包括本书配套习题的完整解答)。提交勘误

作者和编辑尽最大努力来确保书中内容的准确性,但难免会存在疏漏。欢迎您将发现的问题反馈给我们,帮助我们提升图书的质量。

当您发现错误时,请登录异步社区,按书名搜索,进入本书页面,点击“提交勘误”,输入勘误信息,单击“提交”按钮即可。本书的作者和编辑会对您提交的勘误进行审核,确认并接受后,您将获赠异步社区的100积分。积分可用于在异步社区兑换优惠券、样书或奖品。与我们联系

我们的联系邮箱是contact@epubit.com.cn。

如果您对本书有任何疑问或建议,请您发邮件给我们,并请在邮件标题中注明本书书名,以便我们更高效地做出反馈。

如果您有兴趣出版图书、录制教学视频,或者参与图书翻译、技术审校等工作,可以发邮件给我们;有意出版图书的作者也可以到异步社区在线提交投稿(直接访问www.epubit.com/selfpublish/submission即可)。

如果您是学校、培训机构或企业,想批量购买本书或异步社区出版的其他图书,也可以发邮件给我们。

如果您在网上发现有针对异步社区出品图书的各种形式的盗版行为,包括对图书全部或部分内容的非授权传播,请您将怀疑有侵权行为的链接发邮件给我们。您的这一举动是对作者权益的保护,也是我们持续为您提供有价值的内容的动力之源。关于异步社区和异步图书“异步社区”是人民邮电出版社旗下IT专业图书社区,致力于出版精品IT技术图书和相关学习产品,为作译者提供优质出版服务。异步社区创办于2015年8月,提供大量精品IT技术图书和电子书,以及高品质技术文章和视频课程。更多详情请访问异步社区官网https://www.epubit.com。“异步图书”是由异步社区编辑团队策划出版的精品IT专业图书的品牌,依托于人民邮电出版社近30年的计算机图书出版积累和专业编辑团队,相关图书在封面上印有异步图书的LOGO。异步图书的出版领域包括软件开发、大数据、AI、测试、前端、网络技术等。异步社区微信服务号第一部分引言本部分介绍了人工智能(人工智能)的历史及其背后的早期动机,这个动机源自1956的年达特茅斯会议(Dartmouth Conference)。思维和智能的概念引发了对图灵测试的讨论,以及围绕着图灵测试的各种争论和批评,这为将强人工智能(Strong AI)和弱人工智能(Weak AI)的区分埋下了伏笔。任何古典观点不可分割的一部分是人类如何求解问题和人类使用的启发式的兴趣。从这个背景和角度来看,这使得确认某个领域是否适合使用人工智能处理的问题变得可行。然后,本章介绍了人工智能的不同学科和方法,如搜索、神经网络计算、模糊逻辑、自动推理和知识表示。这种讨论逐渐过渡到对人工智能的早期历史的概述,并过渡到最近的发展领域、问题以及我们对所面临的问题的思考。第1章人工智能概述阿兰· 图灵(Alan Turing)

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)。本章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1.0 引言

对人工智能的理解因人而异。一些人认为人工智能是通过非生物系统实现的任何智能形式的同义词;他们坚持认为,智能行的实现方式与人类智能实现的机制是否相同是无关紧要的。而另一些人则认为,人工智能系统必须能够模仿人类智能。没有人会就是否要研究人工智能或实现人工智能系统进行争论,我们应首先理解人类如何获得智能行为(即我们必须从智力、科学、心理和技术意义上理解被视为智能的活动),这对我们才是大有裨益的。例如,如果我们想要开发一个能够像人类一样行走的机器人,那么首先必须从各个角度了解行走的过程,但是不能通过不断地声明和遵循一套规定的正式规则来完成运动。事实上,人们越要求人类专家解释他们如何在学科或事业中获得了如此表现,这些人类专家就越可能失败。例如,当人们要求某些战[1]斗机飞行员解释他们的飞行能力时,他们的表现实际上会变差 。专家的表现并不来自于不断的、有意识的分析,而是来自于大脑的潜意识层面。你能想象高峰时段在高速公路上开车并有意识地权衡控制车辆的每个决策吗?[2]

想象一下力学教授和独轮脚踏车手的故事。当力学教授试图骑独轮车时,如果人们要求教授引用力学原理,并将他成功地骑在独轮车上这个能力归功于他知道这些原理,那么他注定要失败。同样,如果独轮脚踏车手试图学习这些力学知识,并在他展现车技时应用这些知识,那么他也注定是失败的,也许还会发生悲剧性的事故。关键点是,许多学科的技能和专业知识是在人类的潜意识中发展和存储的,而不是通过明确请求记忆或使用基本原理来学会这些技能的。1.0.1 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[3]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。1.0.2 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,[4]

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

[5]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,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。[6]

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。”1.1 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 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)。1.1.1 图灵测试的定义[7]

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)。图1.3 第一个图灵模拟游戏[8]

正如埃里希·弗罗姆(Erich Fromm)所写的: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)½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[7]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。图灵认为这种顾虑更多是带来安慰,而不是带来反驳。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[7]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。下一节将会谈到关于图灵智能测试的一些值得注意的批评。1.1.2 图灵测试的争议和批评布洛克对图灵测试的批评

内德·布洛克(Ned Block)认为,英语文本是以ASCII编码的,[9]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。塞尔的批评:中文室[10]

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。[11]1.2 强人工智能与弱人工智能人物轶事阿兰·图灵(Alan Turing)  阿兰·图灵(1912—1954)是一位英国数学家,他是计

算机科学史上相当杰出的人物。学习过人工智能、计算机科

学和密码学课程的学生应该熟悉他的贡献。他对人工智能的

贡献在于著名的为测试人工智能开发的图灵测试。他试图解

决人工智能中有争议的问题,如“计算机是否有智能?”,

由此制订了这个测试。在理论计算机科学中,有一门课程是

研究图灵机的计算模型。图灵机是一个捕捉计算本质的数学

模型。它的设计旨在回答这个问题:“函数可计算意味着什[12]

么?” 读者应该理解,在第一台数字计算机出现的七八

年前,Turing就在本质上讨论了使用算法来解决特定问题的

概念。你可能已经看过描绘英国之战的第二次世界大战的电

影。1940—1944年间,德国飞机在英国丢下了近20万吨炸

弹。在伦敦外的布莱奇利公园,Turing带领一队数学家破解

德国密码——人称“恩尼格玛密码(Enigma Code)”。他

们最终用恩尼格玛密码机破解了密码。这个设备破译了发送

到德国船只和飞机的所有军事命令的密码。图灵小组的成功

在盟军的胜利中发挥了决定性的作用。阿兰·图灵和人工智能Turing发明了存储程序概念,这是所有现代计算机的基

础。1935年之前,他就已经描述了一台具有无限存储空间

的抽象计算机器——它具有一个读取头(扫描器),来回移

动读取存储空间,读取存储在存储空间中的程序指定的符

号。这一概念称为通用图灵机(Universal Turing Machine)。Turing很早就对如何组织神经系统促进大脑功能提出了

自己的见解。Craig Webster在其文章中阐释了Turing的论文《Computing Machinery and Intelligence》(最终于1950年发

表在Mind上),将图灵B型网络作为无组织的机器进行了介

绍,这个B型网络在人类婴儿的大脑皮层中可以发现。这种

有远见的观察提醒了我们智能体的世界观,你将在本书第6

章中阅读到这部分内容。Turing论述了两种类型的无组织机器,它们称为类型A

和类型B。类型A机器由NAND门组成,其中每个节点具有用

0或1表示的两种状态、两种输入和任何数目的输出。每个A

型网络都以特定的方式与另外3个A型节点相交,产生组成B

型节点的二进制脉冲。Turing已经认识到培训的可能性以及

自我刺激反馈循环的需要(见第11章中的相关内容)。

Turing还认为需要一个“遗传搜索”来训练B型网络,这样

就可发现令人满意的值(或模式)。这是对本书将在第12章

中所解释的遗传算法的深刻理解。在布莱奇利公园,Turing经常与唐纳德·米基(他的同事

和追随者)讨论机器如何从经验中学习和解决新问题的概

念。后来,这被称为启发法问题求解(见第3章、第6章和

第9章)和机器学习(见第10章和第11章)。

试读结束[说明:试读内容隐藏了图片]

下载完整电子书

若在网站上没有找合适的书籍,可联系网站客服获取,各类电子版图书资料皆有。

客服微信:xzh432

登入/注册
卧槽~你还有脸回来
没有账号? 忘记密码?