第1天：AI起源与早期发展（1950-1980）

学习目标

本节将带领读者深入理解人工智能的起源与发展历程。读者将理解人工智能的基本定义和起源背景，掌握图灵测试的核心概念和其深远意义，了解符号主义人工智能的核心思想及其发展脉络，掌握专家系统的基本原理和实际应用场景，并理解早期人工智能发展所面临的局限性和挑战。这些知识将为后续深入学习人工智能打下坚实的历史基础。

课程内容

1. AI的定义与起源

1.1 什么是人工智能

人工智能（Artificial Intelligence，AI）是指由人制造出来的机器所表现出来的智能。通常，AI是指通过普通计算机程序来呈现人类智能的技术。

人工智能的核心特征体现在多个方面。首先是学习能力，指从数据中学习规律和模式的能力，这是人工智能能够不断改进的基础。其次是推理能力，指基于已知信息推导新结论的能力，使人工智能能够进行逻辑思考。第三是问题解决能力，指找到解决复杂问题的方法的能力，这是人工智能处理各种任务的核心。第四是感知能力，指理解环境中的信息的能力，使人工智能能够与外部世界交互。第五是语言能力，指理解和生成自然语言的能力，这是人工智能与人类沟通的基础。

1.2 AI的起源

1950年：图灵测试

艾伦·图灵（Alan Turing）在论文《计算机器与智能》中提出了著名的"图灵测试"。图灵测试的核心思想在于，如果一台机器能够与人类进行对话，而人类无法分辨对方是机器还是人，那么这台机器就具有智能。这种测试方法首次提出了"机器能否思考"的问题，为AI研究提供了可操作的定义，至今仍是评估AI智能水平的重要标准。然而，图灵测试也存在一定局限性，它只关注行为表现而不关注内部机制，容易被欺骗和模仿，不能全面反映智能的各个方面。

1956年：达特茅斯会议

1956年夏天，约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、克劳德·香农（Claude Shannon）和纳撒尼尔·罗彻斯特（Nathaniel Rochester）在达特茅斯学院组织了一次为期两个月的研讨会。达特茅斯会议正式提出了"人工智能"这一术语，标志着AI作为一门独立学科的诞生，汇集了AI领域的先驱者，确定了AI研究的早期方向。会议的主要议题包括自动计算机、如何为计算机编程以使用语言、神经网络、计算规模理论、自改进、抽象、随机性和创造性等。

2. 符号主义AI

2.1 符号主义AI的核心思想

符号主义AI（Symbolic AI），也称为"老式人工智能"（GOFAI），是早期AI研究的主流范式。其核心思想在于智能的本质是对符号的操作，人类思维可以表示为符号的推理过程，通过逻辑推理和知识表示实现智能。符号主义AI的关键概念包括符号、知识表示和逻辑推理，其中符号是表示概念、对象、关系的基本单位，知识表示是将知识形式化、符号化的过程，逻辑推理是基于规则进行推理和决策的方式。

2.2 知识表示方法

2.2.1 逻辑表示

使用形式逻辑（如命题逻辑、一阶逻辑）表示知识。逻辑表示的优点在于形式化和精确，推理过程可解释，适合处理确定性知识。其缺点是难以处理不确定性，知识获取困难，计算复杂度高。

2.2.2 语义网络

用图结构表示概念及其关系。语义网络的优点是直观、易于理解，可以表示复杂关系，支持推理。其缺点是缺乏形式化语义，推理规则不明确，难以处理大规模知识。

2.2.3 框架（Frames）

由马明斯基提出，用于表示对象和概念的结构化知识。框架的优点是结构化、层次化，支持继承，易于扩展。其缺点是缺乏标准化，推理机制不明确，难以处理例外情况。

2.3 符号主义AI的成功案例

2.3.1 逻辑理论家（Logic Theorist，1956）

由纽厄尔（Newell）和西蒙（Simon）开发，能够证明数学定理。逻辑理论家证明了怀特海和罗素《数学原理》中的38条定理，其中一条证明比原书更简洁，被认为是第一个AI程序。

2.3.2 通用问题求解器（GPS，1957）

由纽厄尔和西蒙开发，能够解决各种类型的问题。GPS的特点是使用"手段-目的分析"（Means-Ends Analysis），将问题分解为子问题，通过搜索找到解决方案。

2.3.3 ELIZA（1966）

由约瑟夫·魏岑鲍姆（Joseph Weizenbaum）开发，模拟心理治疗师。ELIZA的特点是使用模式匹配和规则，能够进行简单的对话，让许多人误以为它是真人。这个案例给我们的启示是，即使简单的规则也能产生看似智能的行为，人们容易将人类特征投射到机器上，提醒我们要警惕AI的局限性。

3. 专家系统

3.1 专家系统的定义

专家系统（Expert System）是一种模拟人类专家决策过程的计算机系统，它使用知识库和推理引擎来解决特定领域的问题。专家系统的核心组件包括知识库、推理引擎、用户界面和解释机制，其中知识库用于存储领域专家的知识，推理引擎用于使用知识进行推理和决策，用户界面用于与用户交互，解释机制用于解释推理过程。

3.2 专家系统的架构

┌─────────────────┐
│   用户界面      │
└────────┬────────┘
         │
┌────────▼────────┐
│   推理引擎      │
└────────┬────────┘
         │
┌────────▼────────┐
│    知识库       │
│  - 规则         │
│  - 事实         │
│  - 概念         │
└─────────────────┘

3.3 知识表示：规则

IF-THEN规则是专家系统中常用的知识表示方式，其基本格式是"IF 条件1 AND 条件2 AND ... THEN 结论"。规则的特点是直观、易于理解，易于修改和扩展，推理过程可解释。

3.4 推理机制

3.4.1 前向推理（Forward Chaining）

从已知事实出发，应用规则推导新结论。例如，已知事实包括温度等于39、咳嗽为是、头痛为是，应用规则"IF 温度 > 38 AND 咳嗽 AND 头痛 THEN 可能是感冒"，通过匹配规则条件并应用规则，可以推导出"可能是感冒"的结论。

3.4.2 后向推理（Backward Chaining）

从目标出发，寻找支持目标的证据。例如，要证明是否感冒，根据规则"IF 温度 > 38 AND 咳嗽 AND 头痛 THEN 可能是感冒"，需要检查温度是否大于38、是否咳嗽、是否头痛，根据检查结果得出结论。

3.5 著名的专家系统

3.5.1 MYCIN（1970年代）

由斯坦福大学开发，用于诊断血液感染。MYCIN的特点是包含约600条规则，准确率达到专家水平，引入了"置信度"（Certainty Factor）处理不确定性。

3.5.2 DENDRAL（1960年代）

由斯坦福大学开发，用于分析化学结构。DENDRAL的特点是第一个成功的专家系统，能够从质谱数据推断分子结构，性能超过人类专家。

3.5.3 XCON（1980年代）

由DEC公司开发，用于配置计算机系统。XCON的特点是商业上最成功的专家系统之一，每年为DEC节省数千万美元，处理了数千条配置规则。

4. 早期AI发展的挑战

4.1 莫拉维克悖论（Moravec's Paradox）

莫拉维克悖论的核心内容是，对计算机而言，高级推理（如下棋、证明定理）相对容易，而低级感知和运动技能（如走路、识别物体）却非常困难。其原因是高级推理是最近才进化的，我们对其理解较深，而低级技能经过了数亿年的进化，我们对其理解较浅。这个悖论给我们的启示是，AI的发展路径可能与人类智能进化路径不同，不要低估感知和运动技能的复杂性。

4.2 知识获取瓶颈

知识获取瓶颈的主要问题在于，将人类专家的知识形式化非常困难，专家往往"知其然不知其所以然"，知识获取过程耗时耗力。这个问题的影响是专家系统的开发成本高昂，知识库难以维护和更新，限制了专家系统的应用范围。

4.3 计算能力限制

计算能力限制的主要问题是，早期计算机计算能力有限，搜索空间爆炸导致组合爆炸，无法处理大规模知识库。其影响是只能处理小规模、简化的问题，难以模拟真实世界的复杂性，限制了AI的应用。

4.4 AI寒冬（1974-1980，1987-1993）

第一次AI寒冬（1974-1980）发生的原因包括AI研究未能实现早期承诺，政府和投资者失去信心，资金大幅削减。造成的影响是许多AI项目被取消，研究人员转向其他领域，AI研究进入低谷。第二次AI寒冬（1987-1993）发生的原因是专家系统的局限性显现，专用硬件（Lisp机器）被通用计算机取代，商业化失败。造成的影响是AI公司纷纷倒闭，研究再次进入低谷，但基础研究仍在继续。AI寒冬的教训是避免过度承诺，重视基础研究，关注实际应用，保持合理的期望。

实践任务

任务1：实现简单的规则推理系统

目标：使用Python实现一个简单的基于规则的推理系统。

要求：

定义一个知识库，包含至少10条IF-THEN规则
实现前向推理和后向推理
提供用户界面，允许用户输入事实
系统能够推理出结论并解释推理过程

示例规则：

python

rules = [
    {
        "conditions": ["发烧", "咳嗽", "头痛"],
        "conclusion": "可能是感冒",
        "confidence": 0.8
    },
    {
        "conditions": ["发烧", "喉咙痛", "乏力"],
        "conclusion": "可能是流感",
        "confidence": 0.7
    },
    # ... 更多规则
]

代码框架：

python

class ExpertSystem:
    def __init__(self):
        self.rules = []
        self.facts = set()
    
    def add_rule(self, conditions, conclusion, confidence=1.0):
        """添加规则"""
        pass
    
    def add_fact(self, fact):
        """添加事实"""
        pass
    
    def forward_chaining(self):
        """前向推理"""
        pass
    
    def backward_chaining(self, goal):
        """后向推理"""
        pass
    
    def explain(self, conclusion):
        """解释推理过程"""
        pass

任务2：实现ELIZA简化版

目标：实现一个简化的ELIZA对话系统。

要求：

定义一组模式匹配规则
实现简单的对话逻辑
能够进行基本的对话
测试系统的对话能力

示例规则：

python

patterns = [
    (r"我感到(.*)", "为什么你会感到\1？"),
    (r"因为(.*)", "\1让你感到困扰吗？"),
    (r"我的(.*)", "你的\1怎么样？"),
    # ... 更多规则
]

任务3：分析图灵测试

目标：深入分析图灵测试的优缺点。

要求：

阅读图灵的原始论文《计算机器与智能》
分析图灵测试的核心思想
讨论图灵测试的局限性
提出改进图灵测试的建议
撰写1000字的分析报告

课后作业

作业1：知识表示练习

题目：使用语义网络表示以下知识：鸟是动物、鸟有翅膀、鸟会飞行、企鹅是鸟、企鹅不会飞行、企鹅生活在南极、企鹅会游泳。

要求：

画出语义网络图
解释节点和边的含义
说明如何进行推理

作业2：规则设计

题目：设计一个医疗诊断专家系统的规则。

要求：

选择一个具体的疾病领域（如感冒、流感、过敏等）
设计至少10条诊断规则
说明每条规则的条件和结论
考虑不确定性和置信度

作业3：AI发展史研究

题目：研究AI发展史上的一个重要事件或人物。

要求：

选择一个事件或人物（如图灵、达特茅斯会议、ELIZA等）
深入研究其背景、内容、影响
撰写1500字的研究报告
准备5分钟的演讲

参考资料

必读文献

Turing, A. M. (1950). "Computing Machinery and Intelligence". Mind, 59(236), 433-460.
- 图灵测试的原始论文
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). "A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence".
- 达特茅斯会议提案
Newell, A., & Simon, H. A. (1956). "The Logic Theory Machine: A Complex Information Processing System". IRE Transactions on Information Theory, 2(3), 61-79.
- 逻辑理论家论文

在线资源

Stanford Encyclopedia of Philosophy: https://plato.stanford.edu/entries/artificial-intelligence/
- AI哲学视角
AI History Timeline: https://www.eecs.yorku.ca/course_archive/2002-03/F/3311/SectionA/timeline.html
- AI发展时间线
ELIZA Simulator: http://psych.fullerton.edu/mbirnbaum/psych466/eliza/eliza.htm
- 在线体验ELIZA

扩展阅读

AI哲学

Searle, J. R. (1980). "Minds, Brains, and Programs". Behavioral and Brain Sciences, 3(3), 417-424.
- 中文房间论证
Dennett, D. C. (1991). Consciousness Explained. Little, Brown and Co.
- 意识与智能

第1天：AI起源与早期发展（1950-1980）

学习目标

课程内容

1. AI的定义与起源

1.1 什么是人工智能

1.2 AI的起源

2. 符号主义AI

2.1 符号主义AI的核心思想

2.2 知识表示方法

2.3 符号主义AI的成功案例

3. 专家系统

3.1 专家系统的定义

3.2 专家系统的架构

3.3 知识表示：规则

3.4 推理机制

3.5 著名的专家系统

4. 早期AI发展的挑战

4.1 莫拉维克悖论（Moravec's Paradox）

4.2 知识获取瓶颈

4.3 计算能力限制

4.4 AI寒冬（1974-1980，1987-1993）

实践任务

任务1：实现简单的规则推理系统

任务2：实现ELIZA简化版

任务3：分析图灵测试

课后作业

作业1：知识表示练习

作业2：规则设计

作业3：AI发展史研究

参考资料

必读文献

推荐阅读

在线资源

扩展阅读

AI哲学

AI伦理

第1天：AI起源与早期发展（1950-1980） ​

学习目标 ​

课程内容 ​

1. AI的定义与起源 ​

1.1 什么是人工智能 ​

1.2 AI的起源 ​

2. 符号主义AI ​

2.1 符号主义AI的核心思想 ​

2.2 知识表示方法 ​

2.3 符号主义AI的成功案例 ​

3. 专家系统 ​

3.1 专家系统的定义 ​

3.2 专家系统的架构 ​

3.3 知识表示：规则 ​

3.4 推理机制 ​

3.5 著名的专家系统 ​

4. 早期AI发展的挑战 ​

4.1 莫拉维克悖论（Moravec's Paradox） ​

4.2 知识获取瓶颈 ​

4.3 计算能力限制 ​

4.4 AI寒冬（1974-1980，1987-1993） ​

实践任务 ​

任务1：实现简单的规则推理系统 ​

任务2：实现ELIZA简化版 ​

任务3：分析图灵测试 ​

课后作业 ​

作业1：知识表示练习 ​

作业2：规则设计 ​

作业3：AI发展史研究 ​

参考资料 ​

必读文献 ​

推荐阅读 ​

在线资源 ​

扩展阅读 ​

AI哲学 ​

AI伦理 ​

第1天：AI起源与早期发展（1950-1980）

学习目标

课程内容

1. AI的定义与起源

1.1 什么是人工智能

1.2 AI的起源

2. 符号主义AI

2.1 符号主义AI的核心思想

2.2 知识表示方法

2.3 符号主义AI的成功案例

3. 专家系统

3.1 专家系统的定义

3.2 专家系统的架构

3.3 知识表示：规则

3.4 推理机制

3.5 著名的专家系统

4. 早期AI发展的挑战

4.1 莫拉维克悖论（Moravec's Paradox）

4.2 知识获取瓶颈

4.3 计算能力限制

4.4 AI寒冬（1974-1980，1987-1993）

实践任务

任务1：实现简单的规则推理系统

任务2：实现ELIZA简化版

任务3：分析图灵测试

课后作业

作业1：知识表示练习

作业2：规则设计

作业3：AI发展史研究

参考资料

必读文献

推荐阅读

在线资源

扩展阅读

AI哲学

AI伦理