第1章-基于知識(shí)的智能系統(tǒng)概述

1、,第1章 基于知識(shí)的智能系統(tǒng)概述,第1章 基于知識(shí)的智能系統(tǒng)概述,1.1 智能機(jī) 1.1.1 智能的概念 1.1.2 人工智能與智能系統(tǒng) 1.1.3 圖靈模擬游戲 1.2 人工智能發(fā)展歷史 1.3 小結(jié),第1章 基于知識(shí)的智能系統(tǒng)概述 1.1智能機(jī),人類是如何思考的？,除了人類以外的物體 可以思考嗎？,（機(jī)器能否思考？）,第1章 基于知識(shí)的智能系統(tǒng)概述 1.1智能機(jī),1.1.1智能的概念 “智能”：學(xué)習(xí)和理解事物、處理問題并做出決策的能力。 智能過程：感覺、記憶、回憶、思維、語言、自適應(yīng)、行為的整個(gè)過程。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.1智能機(jī),1.1.1智能的概念 智能的概念是廣義的。

2、 廣義智能包括:人類智能、人工智能和集成智能。集成智能是人類智能與人工智能相結(jié)合的人-機(jī)系統(tǒng)。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.1智能機(jī),1.1.2人工智能與智能系統(tǒng) 人工智能(Artificial Intelligence ,AI)是一門研究機(jī)器智能和智能機(jī)器的新型的、綜合性的、具有強(qiáng)大生命力的邊緣學(xué)科。 人工智能目標(biāo)是使機(jī)器像人那樣具有智能去做事情。 智能系統(tǒng)：能產(chǎn)生人類智能行為的計(jì)算機(jī)系統(tǒng)。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.1智能機(jī),1.1.3圖靈模擬游戲,機(jī)器能否思考？,圖靈認(rèn)為, 與其問“機(jī)器能否思考, 不如問“機(jī)器能否通過智能行為測試。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.

3、1智能機(jī),1.1.3圖靈模擬游戲 第一階段：,第1章 基于知識(shí)的智能系統(tǒng)概述 1.1智能機(jī),1.1.3圖靈模擬游戲 第二階段：,計(jì)算機(jī)成功“騙過”審訊員的次數(shù)和男士成功“騙過”審訊員的次數(shù)一致, 則認(rèn)為計(jì)算機(jī)通過了智能行為測試。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.1智能機(jī),1.1.3圖靈模擬游戲 圖靈測試可以通用的原因： 使用終端進(jìn)行人機(jī)交互，這一測試讓我們對智能有客觀的衡量標(biāo)準(zhǔn), 避免了對人類智能本質(zhì)的爭論, 并排除了偏向人類的可能性。 測試本身獨(dú)立于實(shí)驗(yàn)細(xì)節(jié)。既可以像前述的進(jìn)行兩階段測試, 也可以變成一個(gè)階段的測試, 從一開始就讓審訊員對人與機(jī)器進(jìn)行判斷。,第1章 基于知識(shí)的智能系統(tǒng)概述

4、,1.1 智能機(jī) 1.2 人工智能發(fā)展歷史 1.2.1 人工智能的誕生 1.2.2 人工智能的上升期 1.2.3 來自現(xiàn)實(shí)的沖擊 1.2.4 專家系統(tǒng)技術(shù) 1.2.5 神經(jīng)網(wǎng)絡(luò)的重生 1.2.6 進(jìn)化算法 1.2.7 文字計(jì)算 1.3 小結(jié),第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.1人工智能的誕生（1943-1956年） 人工智能的三大奠基人（一）： 圖靈（Turing）“計(jì)算機(jī)器和智能化”，第一個(gè)國際象棋比賽程序，圖靈測試 沃倫麥卡洛特（Warren McCulloch）和沃特皮茲（Walter Pitts）1943，人工神經(jīng)網(wǎng)絡(luò)模型 每個(gè)神經(jīng)元：兩個(gè)狀態(tài)（開、關(guān)）；

5、 證明了神經(jīng)網(wǎng)絡(luò)模型=圖靈機(jī)； 任何計(jì)算函數(shù)可由相連的神經(jīng)元網(wǎng)絡(luò)進(jìn)行計(jì)算； 簡單的網(wǎng)絡(luò)結(jié)構(gòu)具有學(xué)習(xí)能力。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.1人工智能的誕生（1943-1956年） 人工智能的三大奠基人（二）： 馮諾依曼（John Von Neumann）博弈論、自動(dòng)機(jī)、計(jì)算機(jī)與人腦 香農(nóng)（Claude Elwood Shannon）讓機(jī)器下象棋，10120次的移動(dòng)，1微秒處理一下個(gè)走法，移動(dòng)第一步需要3 10106 年。使用啟發(fā)式算法的重要性。 麥卡錫（John McCarthy）人工智能之父，“人工智能”術(shù)語的發(fā)明人，人工智能學(xué)科的誕生。,第1章 基于知識(shí)的智

6、能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.2人工智能的上升期（1956-20世紀(jì)60年代） 麥卡錫高級計(jì)算機(jī)程序語言LISP 艾倫紐厄爾（Allen Newell）和赫伯特西蒙（ Herbert Simon ）GPS(General Problem Solver, 通用問題解決方案)。 GPS 也許是第一個(gè)嘗試將解決問題的技術(shù)和數(shù)據(jù)分開的程序。 手段-目的分析方法：首先考慮要解決的問題，將一個(gè)大的問題分解成若干個(gè)小問題來逐步解決。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.2人工智能的上升期（1956-20世紀(jì)60年代） GPS問題例題： 問題= 初始狀態(tài): 兒子在家,

7、有錢,有電話簿,車需要電池, 結(jié)束狀態(tài): 兒子在學(xué)校 “操作”: “動(dòng)作1”:開車送兒子去學(xué)校, 條件1: 兒子在家,車可用, “結(jié)果1”: “兒子在學(xué)?！?， .,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.2人工智能的上升期（1956-20世紀(jì)60年代） GPS問題例題： 問題= “初始狀態(tài)”: “兒子在家”,“有錢”,“有電話簿”,“車需要充電, 結(jié)束狀態(tài): 兒子在學(xué)校 “操作”: , 動(dòng)作2:給車充電, “條件2”: “車需要充電”,“商店提供充電服務(wù) ”,“商店要錢, 結(jié)果2: 車可用,車可用,商店提供充電服務(wù),商店要錢,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智

8、能發(fā)展歷史,1.2.2人工智能的上升期（1956-20世紀(jì)60年代） GPS問題例題： 問題= 初始狀態(tài): 兒子在家,有錢,有電話簿,車需要電池, 結(jié)束狀態(tài): 兒子在學(xué)校 “操作”: , “動(dòng)作3”:“告訴商店提供充電服務(wù), 條件3: 和商店溝通, “結(jié)果3”: “商店提供充電服務(wù),商店提供充電服務(wù),商店要錢,和商店溝通,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.2人工智能的上升期（1956-20世紀(jì)60年代） GPS問題例題： 問題= 初始狀態(tài): 兒子在家,有錢,有電話簿,車需要電池, 結(jié)束狀態(tài): 兒子在學(xué)校 “操作”: , 動(dòng)作4:給商店打電話, 條件4: 知道電話號

9、碼, 結(jié)果4: 和商店溝通,和商店溝通,商店要錢,知道電話號碼,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.2人工智能的上升期（1956-20世紀(jì)60年代） GPS問題例題： 問題= 初始狀態(tài): 兒子在家,有錢,有電話簿,車需要電池, 結(jié)束狀態(tài): 兒子在學(xué)校 “操作”: , 動(dòng)作5:查找電話號碼, 條件5: 有電話簿, 結(jié)果5: 知道電話號碼,知道電話號碼,商店要錢,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.2人工智能的上升期（1956-20世紀(jì)60年代） GPS問題例題： 問題= 初始狀態(tài): 兒子在家,有錢,有電話簿,車需要電池, 結(jié)束狀態(tài): 兒子在

10、學(xué)校 “操作”: , 動(dòng)作6:給商店錢, 條件6: 有錢, “結(jié)果6”: “商店要錢 通用搜索策略現(xiàn)在被稱為弱方法，由于使用的是問題域的弱信息，導(dǎo)致程序的性能低下。,商店要錢,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.3 來自現(xiàn)實(shí)的沖擊（20世紀(jì)60年代晚-70年代早） 夸?？冢?20世紀(jì)80年代建造于人類智能相當(dāng)?shù)娜苤悄軝C(jī)。 2000年超越人類智能的智能機(jī)。 人工智能學(xué)科問題（一）： 由于人工智能研究者專注開發(fā)解決廣義問題的一般方法, 因此早期的程序包含很少甚至沒有相關(guān)問題域的知識(shí)。為解決問題, 程序中應(yīng)用了一種搜索策略, 嘗試對小步驟進(jìn)行不同的組合, 直到找出真正的

11、解決方案。這種思路對小問題是有效的, 但被誤認(rèn)為可以通過對程序進(jìn)行擴(kuò)展來解決大的問題。 P問題：易處理。規(guī)模N，求解時(shí)間或步驟數(shù)是N的多項(xiàng)式函數(shù)。 NP問題 ：,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.3 來自現(xiàn)實(shí)的沖擊（20世紀(jì)60年代晚-70年代早） 人工智能學(xué)科問題（二） ： 許多人工智能試圖解決的問題都太寬泛、太復(fù)雜。早期人工智能的一個(gè)典型任務(wù)就是機(jī)器翻譯。例如, 想利用電子詞典直接將俄語單詞替換為對應(yīng)的英語單詞。不久他們便發(fā)現(xiàn)只有了解了文獻(xiàn)主題才能正確選擇單詞。 在1971 年, 英國調(diào)研當(dāng)時(shí)的人工智能研究現(xiàn)狀, 他發(fā)現(xiàn)人工智能領(lǐng)域并沒有重大甚至顯眼的研究成果

12、, 因而認(rèn)為不必保留一個(gè)獨(dú)立的“人工智能”學(xué)科。,1.2.4 專家系統(tǒng)技術(shù)（20世紀(jì)70年代早-80年代中） 人們意識(shí)到必須對智能機(jī)器的問題域進(jìn)行充分限制。當(dāng)這種弱方法失敗后，唯一出路是使用大量推理步驟來解決狹窄專業(yè)領(lǐng)域的典型問題。 DENDRAL：化學(xué)分析。根據(jù)質(zhì)譜儀提供的大量光譜數(shù)據(jù)，用來分析火星表面土壤的分子結(jié)構(gòu)。(Feigenbaum) 將專業(yè)知識(shí)考慮進(jìn)來, 以使程序具有相當(dāng)于人類專家的水平。這種程序后來被稱為專家系統(tǒng)。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.4 專家系統(tǒng)技術(shù)（20世紀(jì)70年代早-80年代中） 如何從專家那里抽取知識(shí)應(yīng)用于計(jì)算機(jī)呢？ DENDR

13、AL：將所有相關(guān)的理論知識(shí)從泛華 形式映射到了極為具體的規(guī)則。 （例如：烹飪食譜）,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.4 專家系統(tǒng)技術(shù)（20世紀(jì)70年代早-80年代中） DENDRAL成功的巨大意義： 人工智能領(lǐng)域重要的“范式轉(zhuǎn)移”, 即從通用的、知識(shí)稀疏型弱方法轉(zhuǎn)移到針對特定領(lǐng)域的知識(shí)密集型技術(shù)。 DENDRAL 項(xiàng)目的目標(biāo)是設(shè)計(jì)出能達(dá)到有經(jīng)驗(yàn)的化學(xué)家水平的計(jì)算機(jī)程序。通過提取人類專家知識(shí), 并表達(dá)為高質(zhì)量的具體規(guī)則(經(jīng)驗(yàn)法則), DENDRAL 團(tuán)隊(duì)使用這種啟發(fā)式策略證明了計(jì)算機(jī)在特定、可定義的問題領(lǐng)域能達(dá)到專家水平。 DENDRAL 為專家系統(tǒng)開創(chuàng)了新的方法

14、論, 即知識(shí)工程, 它包含了對專家知識(shí)從獲取、分析到用規(guī)則表達(dá)等一系列技術(shù)。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.4 專家系統(tǒng)技術(shù)（20世紀(jì)70年代早-80年代中） MYCIN:醫(yī)療診斷系統(tǒng)。是基于規(guī)則的專家系統(tǒng), 它的任務(wù)是診斷傳染性的血液病, 它還以一種便捷、用戶友好的方式為醫(yī)生提供治療建議。 MYCIN與早起專家系統(tǒng)相同特點(diǎn)： MYCIN 的性能相當(dāng)于人類專家水平, 并高于初級醫(yī)生的水平。 MYCIN 包含了450 條獨(dú)立的IF-THEN 形式的規(guī)則, 這些知識(shí)是通過訪問特定領(lǐng)域的大量專家獲得的。 以規(guī)則形式表達(dá)的知識(shí)與推理機(jī)制明確地分開了。系統(tǒng)研發(fā)員也能夠輕

15、易地通過插入、刪除規(guī)則來操縱知識(shí)。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.4 專家系統(tǒng)技術(shù)（20世紀(jì)70年代早-80年代中） PROSPECTOR：礦產(chǎn)勘探。工作原理是： 首先讓作為用戶方的勘探地質(zhì)學(xué)家輸入待檢礦床的特征, 如地址環(huán)境、結(jié)構(gòu)、礦物質(zhì)類型等。 之后, 程序?qū)⑦@些特征與礦床模型比較, 必要時(shí)讓用戶提供更多信息。 最后, 系統(tǒng)對待檢礦床做出結(jié)論。這一系統(tǒng)也能夠解釋為了得出結(jié)論所用到的步驟。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.4 專家系統(tǒng)技術(shù)（20世紀(jì)70年代早-80年代中） 專家系統(tǒng)在技術(shù)和社會(huì)學(xué)兩個(gè)層面都存在復(fù)雜的困難, 這些

16、困難包括: 專家系統(tǒng)局限于非常狹窄的專業(yè)領(lǐng)域。例如, 雖然MYCIN 的任務(wù)是診斷傳染性血液病, 卻沒有人體生理學(xué)的知識(shí)。如果病人的病不止一個(gè), 就不能指望MYCIN 了。事實(shí)上, 當(dāng)病人伴隨其他疾病時(shí), 使用MYCIN 開的治療血液病的處方甚至可能是有害的。 由于局限于狹窄的領(lǐng)域, 專家系統(tǒng)并不能如用戶所愿的那樣健壯靈活。并且, 專家系統(tǒng)難以識(shí)別領(lǐng)域界限。當(dāng)一項(xiàng)任務(wù)不同于傳統(tǒng)問題時(shí), 專家系統(tǒng)可能在嘗試解決時(shí)出乎意料地失敗。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.4 專家系統(tǒng)技術(shù)（20世紀(jì)70年代早-80年代中） 專家系統(tǒng)在技術(shù)和社會(huì)學(xué)兩個(gè)層面都存在復(fù)雜的困難, 這

17、些困難包括: 專家系統(tǒng)的解釋能力有限。雖然能夠顯示解決方案中應(yīng)用的一系列規(guī)則, 卻無法將累積的啟發(fā)式知識(shí)與對問題領(lǐng)域的深層理解關(guān)聯(lián)起來。 專家系統(tǒng)難以檢驗(yàn)驗(yàn)證。至今都沒有開發(fā)出通用的技術(shù)來分析專家系統(tǒng)的完整性和一致性。啟發(fā)式規(guī)則以抽象形式表達(dá)知識(shí), 缺乏對領(lǐng)域的基本理解, 這使得識(shí)別錯(cuò)誤的、不完整或不一致的知識(shí)的工作非常困難。 專家系統(tǒng)幾乎不具備從它們的經(jīng)驗(yàn)中去學(xué)習(xí)的能力。專家系統(tǒng)的開發(fā)相對獨(dú)立而且開發(fā)過程慢。像DENDRAL、MYCIN 或PROSPECTOR 之類的復(fù)雜系統(tǒng)需要超過30年的開發(fā)時(shí)間。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.5 神經(jīng)網(wǎng)絡(luò)的重生（20世

18、紀(jì)80年代中-至今） 人工智能研究者們決定重新審視神經(jīng)網(wǎng)絡(luò)。神經(jīng)計(jì)算所需的基本理論和概念大部分都已經(jīng)成型，因技術(shù)原因，直到20 世紀(jì)80 年代中期才出現(xiàn)解決方案。 Hopfield 引入了具有反饋機(jī)制的神經(jīng)網(wǎng)絡(luò), 即Hopfield 網(wǎng)絡(luò)。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.7 文字計(jì)算（20世紀(jì)80年代后-至今） 傳統(tǒng)的專家系統(tǒng)很適用于具有精確輸入和邏輯輸出的封閉式系統(tǒng)的應(yīng)用。 主要缺點(diǎn)在于人類專家并不總能用規(guī)則表達(dá)知識(shí)或逐條解釋推理, 從而會(huì)妨礙專家系統(tǒng)積累必需的知識(shí),最終導(dǎo)致失敗。 為了克服這個(gè)缺陷, 可使用神經(jīng)計(jì)算從大數(shù)據(jù)集中抽取隱含的知識(shí)以獲取專家系統(tǒng)的

19、規(guī)則。,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.7 文字計(jì)算（20世紀(jì)80年代后-至今） 另一個(gè)非常重要的技術(shù)是模糊邏輯, 用于處理模糊、不精確、不確定的知識(shí)和數(shù)據(jù)。 MYCIN 就引入了確信因子, PROSPECTOR 則使用了貝葉斯規(guī)則來傳送不確定性。 模糊邏輯的核心在于語言變量這一概念。語言變量的值是文字, 而不是數(shù)值。模糊系統(tǒng)使用IF-THEN 規(guī)則來體現(xiàn)人類知識(shí)。 IF speed is high THEN stopping_distance is long IF speed is low THEN stopping_distance is short,第1章 基于知識(shí)的智能系統(tǒng)概述 1.2人工智能發(fā)展歷史,1.2.7 文字計(jì)算（20世紀(jì)80年代后-至今） 自1987 年起, 模糊理論被成功地應(yīng)用在日本人設(shè)計(jì)的洗碗機(jī)、洗衣機(jī)、空調(diào)、電視機(jī)、復(fù)印機(jī)和汽車上。 模糊邏輯主要應(yīng)用在控制工程領(lǐng)域。模糊邏輯在基