架构师AI杜

Appearance

第1天：AI起源与早期发展（1950-1980） ​

学习目标 ​

  • 理解AI的定义和起源
  • 掌握图灵测试的概念和意义
  • 了解符号主义AI的核心思想
  • 掌握专家系统的原理和应用
  • 理解早期AI发展的局限性和挑战

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。

AI的核心特征：

  • 学习能力：从数据中学习规律和模式
  • 推理能力：基于已知信息推导新结论
  • 问题解决能力：找到解决复杂问题的方法
  • 感知能力：理解环境中的信息
  • 语言能力：理解和生成自然语言

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：

  • 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。

图灵测试的意义：

  • 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

图灵测试的局限性：

  • 只关注行为表现，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

1.3 达特茅斯会议（1956） ​

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。

达特茅斯会议的意义：

  • 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：

  • 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

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。

核心思想：

  • 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

关键概念：

  • 符号：表示概念、对象、关系的基本单位
  • 知识表示：将知识形式化、符号化
  • 逻辑推理：基于规则进行推理和决策

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。

示例：

如果 下雨 那么 带伞
今天 下雨
因此 带 伞

优点：

  • 形式化、精确
  • 推理过程可解释
  • 适合处理确定性知识

缺点：

  • 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。

示例：

鸟 --是动物--> 动物
鸟 --有--> 翅膀
鸟 --会--> 飞行
企鹅 --是鸟--> 鸟
企鹅 --不会--> 飞行

优点：

  • 直观、易于理解
  • 可以表示复杂关系
  • 支持推理

缺点：

  • 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）

由马文·明斯基提出，用于表示对象和概念的结构化知识。

框架结构：

框架：鸟
  属性：
    有翅膀：是
    会飞行：是
    有羽毛：是
  默认值：
    颜色：棕色
    体型：中等

优点：

  • 结构化、层次化
  • 支持继承
  • 易于扩展

缺点：

  • 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。

成就：

  • 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。

特点：

  • 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。

特点：

  • 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

示例对话：

用户：我感到很沮丧
ELIZA：为什么你会感到沮丧？
用户：因为我的工作
ELIZA：你的工作让你感到沮丧？

启示：

  • 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。

核心组件：

  • 知识库：存储领域专家的知识
  • 推理引擎：使用知识进行推理和决策
  • 用户界面：与用户交互
  • 解释机制：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：

IF 条件1 AND 条件2 AND ...
THEN 结论

示例：

IF 温度 > 38 AND 咳嗽 AND 头痛
THEN 可能是感冒

规则的特点：

  • 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。

示例：

已知事实：
- 温度 = 39
- 咳嗽 = 是
- 头痛 = 是

规则：
IF 温度 > 38 AND 咳嗽 AND 头痛
THEN 可能是感冒

推理：
1. 匹配规则：温度 > 38 ✓，咳嗽 ✓，头痛 ✓
2. 应用规则：可能是感冒

3.4.2 后向推理（Backward Chaining）

从目标出发，寻找支持目标的证据。

示例：

目标：是否感冒？

规则：
IF 温度 > 38 AND 咳嗽 AND 头痛
THEN 可能是感冒

推理：
1. 要证明"感冒"，需要：温度 > 38，咳嗽，头痛
2. 检查温度 > 38：39 > 38 ✓
3. 检查咳嗽：是 ✓
4. 检查头痛：是 ✓
5. 结论：感冒 ✓

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。

特点：

  • 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

示例规则：

IF 感染是革兰氏阴性菌
AND 培养部位是血液
AND 患者是中性粒细胞减少症
THEN 推荐使用庆大霉素（置信度0.8）

3.5.2 DENDRAL（1960年代）

由斯坦福大学开发，用于分析化学结构。

特点：

  • 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。

特点：

  • 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） ​

悖论内容：

  • 对计算机而言，高级推理（如下棋、证明定理）相对容易
  • 低级感知和运动技能（如走路、识别物体）却非常困难

原因：

  • 高级推理是最近才进化的，我们对其理解较深
  • 低级技能经过了数亿年的进化，我们对其理解较浅

启示：

  • 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 ​

问题：

  • 将人类专家的知识形式化非常困难
  • 专家往往"知其然而不知其所以然"
  • 知识获取过程耗时耗力

影响：

  • 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 ​

问题：

  • 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

影响：

  • 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）：

  • 原因：

    • 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

  • 影响：

    • 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）：

  • 原因：

    • 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

  • 影响：

    • 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：

  • 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：

  1. 定义一个知识库，包含至少10条IF-THEN规则
  2. 实现前向推理和后向推理
  3. 提供用户界面，允许用户输入事实
  4. 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：

  1. 定义一组模式匹配规则
  2. 实现简单的对话逻辑
  3. 能够进行基本的对话
  4. 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：

  1. 阅读图灵的原始论文《计算机器与智能》
  2. 分析图灵测试的核心思想
  3. 讨论图灵测试的局限性
  4. 提出改进图灵测试的建议
  5. 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：

  1. 画出语义网络图
  2. 解释节点和边的含义
  3. 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：

  1. 选择一个具体的疾病领域（如感冒、流感、过敏等）
  2. 设计至少10条诊断规则
  3. 说明每条规则的条件和结论
  4. 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：

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

参考资料 ​

必读文献 ​

  1. Turing, A. M. (1950). "Computing Machinery and Intelligence". Mind, 59(236), 433-460.

    • 图灵测试的原始论文

  2. 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

  3. 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

推荐阅读 ​

  1. Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

    • AI经典教材，第1-3章

  2. Nilsson, N. J. (2010). The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge University Press.

    • AI发展史详细回顾

  3. Buchanan, B. G., & Shortliffe, E. H. (1984). Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Addison-Wesley.

    • 专家系统经典著作

在线资源 ​

  1. Stanford Encyclopedia of Philosophy: https://plato.stanford.edu/entries/artificial-intelligence/

    • AI哲学视角

  2. AI History Timeline: https://www.eecs.yorku.ca/course_archive/2002-03/F/3311/SectionA/timeline.html

    • AI发展时间线

  3. 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

AI伦理 ​

  • Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.

    • 超级智能的挑战

  • Tegmark, M. (2017). Life 3.0: Being Human in the Age of Artificial Intelligence. Knopf.

    • AI时代的未来

下节预告 ​

下一节我们将学习机器学习时代（1980-2010），了解机器学习的兴起、统计学习方法、支持向量机、决策树等核心技术，以及它们如何推动AI的发展。

架构师AI杜公众号二维码

扫描二维码关注"架构师AI杜"公众号，获取更多技术内容和最新动态