人工智能简介：人工智能的历史

人工智能借鉴了许多过去未提及的科学成就，因为人工智能作为一门科学本身只存在于二十世纪中叶以来。第 10 页的表 1.1 ，最重要的AI里程碑，以及第 6 页图 1.3 中AI的主要运动的图形表示补充了以下文本。

1.
第一个开始

20世纪30年代，KurtGödel，Alonso教会和Alan
Turing为逻辑学和理论计算机科学奠定了重要的基础。人工智能特别感兴趣的是哥德尔定理。完备性定理表明一阶谓词逻辑是完整的。这意味着可以使用正式微积分的规则证明可以在预测逻辑中表达的每个真实陈述。在此基础上，自动定理证明器可以在以后构建为正式计算的实现。对于不完备性定理，哥德尔表明，在高阶逻辑中存在无法证明的真实陈述。2凭借这一点，他发现了正式系统的痛苦局限。

阿兰图灵证明停止问题的不可判性也属于这个时期。他表明，没有程序可以决定给定的任意程序（及其相应的输入）是否会在无限循环中运行。同

2 高阶逻辑是谓词逻辑的扩展，其中不仅变量，而且功能符号或谓词都可以作为量化中的术语出现。实际上，哥德尔只表明任何基于谓词逻辑且可以制定Peano算法的系统都是不完整的。

图1.3各种AI区域的历史。在宽度条表明，该方法的使用

图灵还确定了智能程序的限制。因此，例如，永远不会有通用的程序验证系统。3

在20世纪40年代，基于神经科学的结果，McCulloch，Pitts和Hebb设计了第一个神经网络的数学模型。然而，当时的计算机缺乏足够的力量来模拟简单的大脑。

2.
逻辑解决（几乎）所有问题

人工智能作为思想机械化的实用科学当然只有在有可编程计算机时才能开始。这是20世纪50年代的情况。Newell和Simon介绍了Logic Theorist，这是第一个自动定理证明器，因此也表明，对于实际上只与数字一起工作的计算机，人们也可以处理符号。与此同时，McCarthy用LISP语言介绍了一种专门用于处理符号结构的编程语言。这两个系统都是在1956年在历史悠久的达特茅斯会议上推出的，该会议被认为是AI的诞辰。

在美国，LISP发展成为实现符号处理AI系统的最重要工具。此后，称为分辨率的逻辑推理规则发展成为谓词逻辑的完整计算。

3 本声明适用于“完全正确性”，它表示正确执行的证明以及每个有效输入的终止证明。

在20世纪70年代，逻辑编程语言PROLOG被引入作为LISP的欧洲对应物。PROLOG的优势在于允许使用Horn子句（谓词逻辑的子集）进行直接编程。与LISP一样，PROLOG具有便于处理列表的数据类型。

直到20世纪80年代，突破性的精神主导了人工智能，特别是在许多逻辑学家中。其原因在于符号处理方面的一系列令人印象深刻的成就。随着日本的第五代计算机系统项目和欧洲的ESPRIT项目，大量投资用于智能计算机的建设。

对于小问题，自动校准器和其他符号处理系统有时工作得很好。然而，搜索空间的组合爆炸为这些成功定义了一个非常狭窄的窗口。AI的这个阶段在[RN10]中描述为“Look，Ma，no hands！”时代。

由于人工智能系统的经济成功低于预期，美国的基于逻辑的人工智能研究的资金在20世纪80年代急剧下降。

3.
新的联结主义

在幻灭的这个阶段，计算机科学家，物理学家和认知科学家能够使用现在足够强大的计算机展示数学建模神经网络能够使用训练样例学习，以执行以前需要昂贵编程的任务。由于这些系统的容错性及其识别模式的能力，因此可以取得相当大的成功，特别是在模式识别方面。照片和手写识别中的面部识别是两个示例应用程序。Nettalk系统能够从示例文本中学习语音[SR86]。在连接主义这个名称下，人工智能的新分支学科诞生了。

联结主义蓬勃发展，补贴流动起来。但即使在这里，可行性限制也很明显。神经网络可以获得令人印象深刻的功能，但通常不可能在简单的公式或逻辑规则中捕获学习的概念。将神经网络与逻辑规则或人类专家知识相结合的尝试遇到了很大困难。另外，没有找到令人满意的解决方案来构建和模块化网络。

4.
不确定性下的推理

人工智能作为一种实用的，目标驱动的科学，寻求摆脱这场危机的方法。一个人希望将逻辑能够明确地表示知识与神经网络处理不确定性的能力结合起来。提出了几种备选方案。

最有希望的概率推理，与命题演算公式的条件概率一起使用。从那时起，许多诊断和专家系统已经建立起来，用于使用贝叶斯网络进行日常推理的问题。贝叶斯网络的成功源于其直观的可理解性

清晰的条件概率语义，以及数百年来的数学基础概率论。

逻辑的弱点只能与两个真值一起使用，可以通过模糊逻辑来解决，模糊逻辑实际上在零和一之间引入了无限多的值。虽然即使在今天它的理论基础并不完全坚固，但它仍被成功利用，特别是在控制工程方面。

一条完全不同的道路导致了混合系统名下的逻辑和神经网络的成功合成。例如，神经网络用于学习启发式算法，以减少证据发现中的巨大组合搜索空间[SE90]。

从数据中学习决策树的方法也与概率一起工作。像CART，ID3和C4.5这样的系统可以快速自动地构建非常准确的决策树，这些决策树可以代表命题逻辑概念，然后用作专家系统。今天，它们是机器学习技术的最爱（第8.4节）。

自1990年左右以来，数据挖掘已经发展成为统计数据分析领域的人工智能分支学科，用于从大型数据库中提取知识。数据挖掘没有为AI带来新技术，而是引入了使用大型数据库获取显性知识的要求。一个具有巨大市场潜力的应用程序是基于对客户进行的数百万次购买的分析来指导大型企业的广告活动。通常，诸如决策树学习之类的机器学习技术在这里发挥作用。

5.
分布式，自治和学习代理

自1985年以来，分布式人工智能DAI一直是一个活跃的领域研究。其目标之一是使用并行计算机来提高问题解决者的效率。然而，事实证明，由于大多数问题的高计算复杂性，使用“智能”系统比并行化本身更有益。

一种非常不同的概念方法来自于自发软件代理和机器人的开发，这些代理和机器人就像人类团队一样合作。与上述Braitenberg车辆一样，在许多情况下，即使拥有无限的资源，个人代理也无法解决问题。只有许多代理商的合作才能导致智能行为或解决问题。蚁群或白蚁群体能够建造具有很高建筑复杂性的建筑物，尽管事实上没有一只蚂蚁能够理解整个物体如何组合在一起。这类似于为像纽约这样的大城市[RN10]提供面包的情况。面包没有中央计划机构，

机器人积极的技能获取是当前研究的一个令人兴奋的领域。例如，今天有机器人独立学习走路或执行与足球有关的各种运动技能（第10章）。合作学习多个机器人以共同解决问题仍处于起步阶段。

6. AI长大了

今天人工智能提供的上述系统不是一个通用的配方，而是一个带有可管理数量的工具的研讨会，用于完成不同的任务。这些工具中的大多数都是经过精心设计的，可以作为完整的软件库使用，通常具有方便的用户界面。选择合适的工具及其在每个案例中的合理使用留给了AI开发人员或知识工程师。像任何其他工匠一样，这需要一个坚实的教育，本书旨在促进。

几乎比任何其他科学更，AI是跨学科的，因为它借鉴了从等不同领域的逻辑，运筹学，statis-抽动，控制工程，图像处理，语言学，哲学，心理学与神经生物学有趣的发现。最重要的是，有特定应用的主题领域。因此，成功开发AI项目并不总是那么简单，但几乎总是非常令人兴奋。