人工智能通识教程（理工版）教学课件第4章课件.pptxVIP

人工智能通识（理工科）北京科技大学(仅用于个人学习，请勿上传网络，水平有限，难免有错，请不吝赐教，若因使用该课件造成不良后果，由使用人承担)

主要内容初识人工智能人工智能的发展人工智能的主要研究领域人工智能的应用场景数据和计算以及人工智能

4.1初始人工智能图灵（1912-1954），英国数学家、逻辑学家，被称为计算机科学之父、人工智能之父定义了“可计算性”的概念启发了现代计算机的冯诺依曼体系结构图灵在二战期间利用类似图灵机的原理破解了德国的恩尼格玛密码，为现代密码学奠定了基础

初始人工智能图灵测试：1950年，图灵发表的《计算机与智能》中设计了一个测试，用以说明人工智能的概念超过30％的误判，则通过图灵测试

初识人工智能1956年，美国达特茅斯大学举行了一场历史性的学术研讨会，正式提出人工智能术语，并将其作为一门新兴科学的名称AProposalforthe?DartmouthSummerResearchProjectonArtificialIntelligence议题描述自动计算机让计算机完成特定人类特定工作使用语言对计算机进行编程通过语言对计算机编程神经网络通过神经网络让计算机形成抽象计算复杂度计算机任务所耗费的时间和空间智能算法的自我改进算法能够日新月异，持续发展智能算法的抽象能力归纳和演绎智能算法的随机性和创造力智能算法具备学会学习能力

现实中的人工智能生活中的AI：智能家居、虚拟助手、智能驾驶和智慧医疗等，显著提升了生活的便捷性和工作效率，深刻改变了我们的日常生活方式。扫地机器人自动驾驶Amazongo无人超市

影视中的人工智能影视中的AI：展现了人工智能为生活带来的善意与温暖、强大的决策计算能力及智能机械体的复杂关系，也警示了AI失控的风险，激发公众对AI技术及其伦理、道德和社会影响的深刻思考。流浪地球中的MOSS变形金刚哆啦A梦

人工智能的起源与早期探索

4.2人工智能发展历史人工智能经历了两次潮起潮落，目前处于第三次高潮中。三次高潮具有各自的特征，分别对应基于规则的智能、基于经验的智能、基于学习的智能

AI的早期黄金十年（1956-1974）遵循规则推演的基本思路，以基本假设为前提，利用符号演算解决推理问题计算机跳棋早期人机对话符号主义

第一次寒冬（1974-1980）以符号主义为代表的AI遇到瓶颈虽然在定理证明这类确定性问题上符号主义表现优异，但在实际问题中存在大量不确定性，不太可能完全用逻辑推理方法来解决不确定性问题常识问题与模糊规则计算复杂性问题鸟会飞？

AI的短暂回暖（1980-1987）到80年代，人们渐渐意识到通用AI过于遥远，人工智能首先应该关注受限任务受此思潮影响，以专家系统为代表的基于经验知识型的AI走上历史舞台只关注明确形式的知识只回答特定领域的问题

短暂回暖（1980-1987）不同于基于规则的AI，专家系统通过收集具体的领域知识来解决任务，获得巨大成功据统计，福布斯500强企业中有2/3的企业使用专家系统。斯坦福大学开发MYCIN，内部一共备有500条规则。MYCIN开出正确处方率为69%

二次低潮（1987-1993）专家系统维护起来较为困难。新知识难以加入，老知识互相冲突由匹兹堡大学设计的疾病诊断系统CADUCEUS仅建立知识库就花了近十年。对AI的投资再次削减，AI又一次进入低谷人们进一步反思传统人工智能中的符号逻辑方法代表人物是罗德尼·布鲁克斯(RodneyBrooks)。他曾写过一篇文章：大象不下棋（ElephantsDon’tPlayChess）认为实现感知、移动、交互等基础能力是更现实、更迫切的事，而这些任务与符号逻辑并没有必然联系，就如果大象不会下棋也生活的很好。

务实与复苏（1993-2010）经过80年代末和90年代初的反思，一大批脚踏实地的研究者脱去AI鲜亮的外衣，开始认真研究特定领域内特定问题的解决方法，在语音识别、机器视觉、自然语言处理等领域取得了一系列突破。语音机器视觉决策自然语言处理

4.3人工智能的主要研究领域概述：高度协同的人工智能技术生态，以机器学习为核心，辅以知识表示等技术，涵盖了自然语言处理、计算机视觉、具身智能、生成式AI等多个领域。这些技术相互融合、互为支撑。

（1）人工智能与机器学习机器学习（MachineLearning）：研究如何使计算机具有类似于人的学习能力，使它能通过学习自动地获取知识机器学习是人工智能的核心技术，是自然语言处理、计算机视觉、生成式AI等新兴领域的基石机器学习技术，包含监督学习、无监督学习、强化学习等，深度学习是实现它们的重要技术