1. “智能”的通俗含义与核心

• 在日常语境中（如智能手机、智能家居），“智能”通常指由计算机控制的、能执行某种类人智能行为的系统。

• 这隐含了对人工智能的一个简单定义：计算机控制 + 智能行为。

2. 人工智能的定义与根本挑战

• 核心定义：人工智能是让机器具备人类智能的学科。

• “智能”的复杂性：智能被视为知识与智力的总和，与大脑思维活动紧密相关。然而：

  • 人脑经过上亿年进化，其工作机制（尤其是意识、情感、记忆的产生）尚未被完全理解。

  • 因此，当前阶段通过完全“复制”人脑来实现人工智能是不切实际的，AI走上了不同的技术路径。

3. 两大历史基石

1. 图灵测试：

   • 由阿兰·图灵于1950年提出，旨在绕过“智能”的准确定义。

   • 核心：如果人在不知情的情况下，通过对话无法区分对方是机器还是人，则可认为该机器具有智能。

   • 深远影响：图灵测试将AI从哲学探讨转向科学研究，并引导出实现智能所需的一系列关键能力，如理解语言、学习、记忆、推理、决策等，从而形成了AI的众多子学科。

2. 达特茅斯会议：

   • 发生于1956年，被公认为人工智能学科诞生的标志性事件。

   • 会议正式提出并使用“人工智能”这一名称。

   • 约翰·麦卡锡给出的定义：人工智能是让机器的行为看起来像人所表现出的智能行为。

4. 人工智能的主要研究领域

作为一个宏大的学科，其研究范畴主要围绕模拟人类的核心智能能力展开，可分为三大方向：

• 感知：模拟对外部信息的感知处理能力。主要分支包括：

  • 计算机视觉      语音信息处理

• 学习：模拟从经验中学习的能力。主要分支包括：

  • 监督学习   无监督学习    强化学习

• 认知：模拟高层次的思维认知能力。主要分支包括：

  • 知识表示    自然语言理解    推理    规划     决策​​

一、 人工智能发展历史的三个阶段

1. 推理期

• 时间与背景：始于1956年达特茅斯会议后，是人工智能的第一个“黄金时期”。

• 核心思想：研究者认为可以通过编写基于逻辑和规则的固定程序来模拟人类智能。

• 代表性成果：开发了几何定理证明器、语言翻译器等智能系统。

• 瓶颈与低谷：

  • 低估了现实问题的复杂性，规则系统过于简单，难以处理不确定性。

  • 早期的乐观预言未能实现，导致研究经费削减，AI进入第一个低谷。

2. 知识期

• 时间：20世纪70年代起。

• 核心思想：认识到领域专业知识是实现智能的关键，转向构建基于知识的系统。

• 代表性成果：出现了各种各样的专家系统。

  • 定义：专家系统 = 知识库 + 推理机，旨在模拟领域专家的决策能力。

  • 三要素：领域专家级知识、模拟专家思维、达到专家级水平。

• 主要工具：以Prolog逻辑编程语言为代表。

• 意义：在特定垂直领域取得了成功，但知识获取、维护和扩展困难，系统脆弱。

3. 学习期

• 转向原因：许多人类智能行为（如视觉、语言）难以用显式规则或知识描述。

• 核心思想：让机器从数据中自动学习规律，即机器学习成为研究重心。

• 发展脉络：

  • 机器学习的概念在AI早期就已萌芽，但直到20世纪80年代后，随着算法进步和算力提升，才逐渐成为主流。

  • 机器学习的目的：设计算法，让计算机从经验数据中归纳规律，并用于预测未知数据。

• 现状与挑战：

  • AI（尤其是基于机器学习的系统）在诸多单项任务上已超越人类。

  • 但让机器具备通用人类智能、通过图灵测试的目标依然遥远。

---

二、 人工智能的两种主流流派

1. 符号主义

• 别称：逻辑主义、心理学派、计算机学派。

• 核心理念：

  • 人类智能的本质是符号（信息）的表示和基于显式规则的逻辑运算。

  • 主张通过分析智能的功能，并用计算机程序直接实现这些功能。

• 盛行时期：在推理期和知识期占主导地位。

• 优势：系统具有良好的可解释性。

• 对应产物：早期逻辑程序、专家系统。

2. 连接主义

• 别称：仿生学派、生理学派。

• 核心理念：

  • 人类智能源于大脑神经网络中大量简单神经元连接后的并行、分布式信息处理。

  • 主张通过构建人工神经网络来模拟这种结构，实现智能。

• 核心特性：非线性、分布式、并行化、自适应。

• 优势：擅长处理感知、模式识别等复杂、模糊的任务。

• 弊端：模型通常像个“黑箱”，可解释性差。

• 对应产物：神经网络，尤其是当今的深度学习模型。

---

总结与趋势

• 人工智能的目标是赋予机器类人的智能，但并非通过复制人脑实现。

• 图灵测试提供了衡量智能的实用思路，并规划了AI的研究版图；达特茅斯会议则正式确立了这一学科。

• 当前AI研究主要围绕感知、学习、认知三大核心能力构建其技术体系与子学科。

• 人工智能的发展历程是从基于规则（推理），到基于知识（专家系统），最终转向基于数据（机器学习）的范式演进。

• 符号主义与连接主义代表了实现智能的两条根本性路径：前者自上而下，注重逻辑与解释；后者自下而上，注重仿生与学习。

• 当前趋势：随着深度学习的巨大成功（属于连接主义），研究者正积极探索如何融合符号主义与连接主义，以构建兼具强大能力与良好可解释性的新一代AI模型。