人工智能原理第1部分人工智能概述教案资料.ppt

早期的热情, 巨大的期望(1952~1969)(3) Stanford: 1963年麦卡锡启动了斯坦福的AI实验室, 着重研究逻辑推理的通用方法(后来如Robinson发现归结方法) / 以及机器人研究 MIT: 1958年明斯基也到了, 不过他对程序如何实现更感兴趣, 并最终发展出反逻辑的观点 / 指导了一系列学生, 选择那些显然需要智能才能解决的受限问题 / 贡献: 微世界模型 MIT: 最著名的微世界是积木世界, 在此基础上完成了许多研究工作如: 视觉项目、自然语言理解项目(Terry Winograd)、规划器等 第1章 人工智能概述 现实的困难(1966~1973)(1) 早期AI研究者过于盲目的乐观态度, 10年预见, 而实际上至少40年 早期的AI系统在试图解决更宽范围和更难的问题时, 都悲惨地失败了 / 原因何在? 第一类困难: 缺少主题知识(通用而非专门化) 典型例子: 机器翻译(MT) / 最早对AI研究的发难始于机器翻译(1966ALPAC报告) 时至今日, MT研究仍然不完善但是被广泛期待，也在作为一种辅助文档处理工具 第1章 人工智能概述 现实的困难(1966~1973)(2) 第二类困难：AI试图解决的很多问题是不可操作的(NP类) 在计算复杂性理论建立之前, 对“问题放大”(从玩具到现实)的认识局限于速度和存储容量 例子: 包含超过几十条事实的定理证明 / 早期遗传算法实验(1958~59) 无限计算能力的幻觉: 程序原则上能够找到解并不意味着程序实际上包含找到解的机制 1973年英国政府在Lighthill报告之后终止了除2所大学以外所有的AI研究资助 第1章 人工智能概述 现实的困难(1966~1973)(3) 第三类困难：用于产生智能行为的基本结构存在某些限制 例子：1969年Minsky和Papert证明了感知器—简单的神经网络所能表示的东西很少(单层感知器对XOR函数) 神经网络研究由此沉寂了20年, 直到80年代后期多层网络的反向传播算法出现引起了神经网络的复兴 这一算法首次发现恰恰是在1969年发现的(Bryson Ho) 第1章 人工智能概述 基于知识的系统: 力量的钥匙? (1969~1979)(1) 早期研究中的通用搜索机制称为弱方法, 通用但不能扩展到大规模问题或困难问题 需要更强有力的、领域相关的知识 DENDRAL是第一个成功的知识密集型系统, 1969年在Stanford开发, 参与者包括Ed Feigenbaum等，根据质谱仪信息推断分子结构 / 该系统改进后, 把知识和推理部分清楚地划分开—80年代专家系统的典型结构 第1章 人工智能概述 基于知识的系统: 力量的钥匙? (1969~1979)(2) 由DENDRAL系统开始的专家系统方法论又应用到其他需要人类专家知识的领域: MYCIN—检测血液感染的专家系统 MYCIN知识库的特点: 直接来自经验 / 反映出知识的不确定性 自然语言理解领域的专家系统: 耶鲁大学Roger Schank和其学生们开发的一系列程序(1977~1983) 第1章 人工智能概述 AI成为工业(1980~现在)(1) 1982年, 第一个成功的商用专家系统R1在DEC公司开始运转, 到1986年为止每年为公司节省4千万美元 美国主要公司都曾开发或使用专家系统 AI工业在1980年只是几百万美元, 1988年涨到数十亿美元 但很快又进入了“AI的冬天”时期 第1章 人工智能概述 AI成为工业(1980~现在)(2) 在八十年代的AI研究热潮中, 1981年日本提出五代机计划, 目的是建造运行Prolog程序的智能机 美国则对应成立了MCC研究集团 其中的AI部分从未实现其野心勃勃的目标 实际上，“AI成为工业”目前在一些家电中可以找到影子(智能洗衣机等) 第1章 人工智能概述 神经网络的回归(1986~现在) 神经网络: Frank Rosenblatt1962年提出感知器, 证明了感知器收敛定理 / 但1969年以后沉寂 反向传播算法引起了神经网络研究的复兴 Rumelhart和McClelland的文集引起反响 连接主义方法崛起，被认为是Newell和Simon提出的符号模型和McCarthy主张的逻辑方法的直接竞争者 当前的观点是：连接主义和符号主义方法是互补的 第1章 人工智能概述 AI成为科学(1987~现在)(1) 近年来，AI研究在内容和方法论方面的特点： 在已有的理论基础上进行研究而不是提出崭新理论 理论建立在严格定理或者确凿实验证据基础上而不是靠直觉 显示与现实世界应用的相关性而不是与玩具样例的相关性 第1章 人工智能概述 AI成为科学(1987~现在)(2) 从对控制论和统计学的某种叛逆