AI 全景概览
来源：《人工智能导论：模型与算法》吴飞 著
人工智能（Artificial Intelligence，AI）是以机器为载体所展示出来的人类智能，因此人工智能也被称为机器智能（Machine Intelligence）。
本章介绍人工智能的起源与发展，以及实现人工智能的五大核心方法：以符号主义为核心的逻辑推理、以问题求解为核心的探寻搜索、以数据驱动为核心的机器学习、以行为主义为核心的强化学习、以博弈对抗为核心的决策智能。
人工智能的起源
1955年8月，John McCarthy、Marvin Minsky、Claude Shannon和Nathaniel Rochester四位学者在一份题为《人工智能达特茅斯夏季研究项目提案》的项目建议书中，首次使用了“Artificial Intelligence（人工智能）”这个术语。
1956年夏天，这批学者在达特茅斯学院召开研讨会，研究“让机器能像人那样认知、思考和学习的机器”，标志着人工智能正式登上人类历史舞台。
该提案列举了人工智能需要研究的七个方面问题：
| 编号 | 研究问题 |
|---|---|
| 1 | 自动计算模拟人脑高级功能 |
| 2 | 使用通用语言进行计算机编程以模仿人脑推理 |
| 3 | 神经元相互连接形成概念 |
| 4 | 对计算复杂性的度量 |
| 5 | 算法自我提升 |
| 6 | 算法的抽象能力 |
| 7 | 随机性与创造力 |
人工智能的定义：人工智能是以机器为载体所实现的人类智能或生物智能。
从人工智能的计算性和智能性角度，产生了两个核心问题：
- 承载计算之能的器械如何产生：推动了从手工计算到自动计算的迈进。
- 如何利用计算之器来模拟人类智能：形成了符号逻辑（以推理为核心）、联结主义（以统计机器学习为手段）和行为学派（从环境交互中进行策略学习）等不同研究方法。
可计算载体：形式化与机械化
早期数学概念（如公理或定理）一般通过自然语言描述，但自然语言难以精确表达数学概念。因此，研究人员开始用符号来表达数学概念，即通过形式化语言来刻画数学概念。
形式化系统
如果所有数学概念都可被形式化描述，给定一组推理规则后，就可从已有知识（公理、定理、命题等）出发，推导出新的知识。这样的系统被称为形式化系统。
形式化系统需要具有的三个性质：
| 性质 | 说明 |
|---|---|
| 完备性 | 所有能够被推导出来的知识，都可以从这个形式化系统推导出来 |
| 一致性 | 所有可推导出来的知识不会同时推导出其否定，即形式化系统是自洽的、非矛盾的 |
| 可判定性 | 对于形式化系统推导得到的任何知识，存在算法可在有限步内判定其为真或为假 |
哥德尔不完备定理
- 任何表达力足够强的（递归可枚举）形式系统都不可能同时具有一致性和完备性。
- 这个系统本身的一致性不能在系统内被证明。
哥德尔不完备定理触及了不可计算这一难题，即有些数学问题是不可求解的（不可判定问题）。
图灵机模型
1937年，图灵发表了《论数字计算在决断难题中的应用》论文，提出了现代计算机的理论模型——图灵机模型。
图灵机的组成：
- 一条两端无限长的纸带，纸带上为可擦写小方格
- 程序控制器存储若干指令集
- 读写控制指针从左到右依次读入信息，触发指令执行操作，将计算结果写入纸带
邱奇-图灵论题：凡是可计算的函数都可以用图灵机计算。原始递归函数、λ-演算和图灵机在功能上是等效的。
| 计算模型 | 特点 | 与人工智能的关系 |
|---|---|---|
| 原始递归函数 | 从数学角度研究可计算问题 | 无法成为“机器载体” |
| λ-演算 | 从数理逻辑角度研究可计算问题 | 无法成为“机器载体” |
| 图灵机 | 通过机械化机制进行“计算” | 成为现代计算机的理论模型，是人工智能的“机器载体” |
图灵机模型成为现代计算机的理论模型，推动了自动计算时代的到来。图灵也被誉为理论计算机之父，计算机界最高奖图灵奖即以他的名字命名。
智能计算方法
五种智能计算方法对比
| 方法 | 核心思想 | 代表性算法/方法 |
|---|---|---|
| 符号主义为核心的逻辑推理 | 将概念符号化，从若干判断（前提）推出新判断（结论） | 归纳推理、演绎推理、因果推理、专家系统 |
| 问题求解为核心的探寻搜索 | 依据已有信息寻找满足约束条件的待求解问题答案 | 无信息搜索、启发式搜索、对抗搜索 |
| 数据驱动为核心的机器学习 | 从数据出发，发现数据中承载语义的内在模式，用于识别和分类 | 监督学习、无监督学习、半监督学习、深度学习 |
| 行为主义为核心的强化学习 | 根据环境提供的奖罚反馈学习最佳行动，平衡探索与利用 | Q学习、深度强化学习（DRL） |
| 博弈对抗为核心的决策智能 | 多个主体为达到各自目标和利益采取的对抗行为，求取均衡解 | 纳什均衡、博弈策略求解、博弈规则设计 |
符号主义为核心的逻辑推理
推理是进行思维模拟的基本形式之一，是从一个或几个已知的判断（前提）推出新判断（结论）的过程。在人工智能发展初期，脱胎于数理逻辑的符号主义人工智能是主流学派。
核心思想：概念不再用自然语言描述，而是通过所定义的“符号”及符号之间的关系来表示，解决问题即构造一个证明来阐释其成立或不成立。
三种主要推理方法：
| 推理方法 | 基本逻辑 | 说明 |
|---|---|---|
| 归纳推理 | 从特殊到一般 | 从个别事实出发，推演出一般性知识作为结论 |
| 演绎推理 | 从一般到特殊 | 从一般性前提出发，通过推导得出具体陈述或个别结论 |
| 因果推理 | 因为A，所以B | 判断事物间存在的原因和结果的关系，A是B的唯一前提 |
推理的三个层次（由易到难，Judea Pearl提出）：
- 关联：可直接从数据中计算得到的统计相关
- 干预：无法直接从观测数据得到的关系
- 反事实：某个事情已经发生，在相同环境中若此事不发生会带来怎样的新结果
应用：逻辑推理在人工智能领域的应用推动了专家系统的产生。专家系统存储问题求解所需的领域知识（事实、规则等），根据用户提交的问题应用推理规则得到解决方案。
问题求解为核心的探寻搜索
搜索算法的分类：
| 类型 | 说明 | 代表算法 |
|---|---|---|
| 无信息搜索 | 盲目搜索方法，按照搜索策略扩展结点次序分类 | 广度优先搜索、深度优先搜索 |
| 有信息搜索 | 启发式搜索，利用与所求解问题相关的辅助信息 | 贪婪最佳优先搜索、A*搜索 |
| 对抗搜索 | 在竞争环境中，智能体之间通过竞争实现相反利益 | 最小最大搜索、Alpha-Beta剪枝搜索、蒙特卡洛树搜索 |
数据驱动为核心的机器学习
与逻辑推理直接定义公理、命题和规则不同，数据驱动方法从数据出发，从承载表达某一概念的数据中直接学习该概念所涉及的模式。
核心思想：如果说逻辑推理可视为“从知识到知识”，那么机器学习完成了“从数据到知识”的过程。
按数据利用方式的分类：
| 类型 | 特点 |
|---|---|
| 监督学习 | 收集 个标注数据作为训练集，从假设空间中学习最优映射函数 |
| 无监督学习 | 数据本身不包含标注信息 |
| 半监督学习 | 一部分数据有标注信息，一部分没有 |
深度学习作为联结主义方法的代表，通过构造逐层抽象的“端到端”机制来学习隐含在数据内部的模式，得到更强表达力和泛化能力的特征表达。
理论基础：赫布理论指出“神经元之间持续重复经验刺激可导致突触传递效能增加”，为联结主义人工智能研究提供了认知神经心理学基础。
行为主义为核心的强化学习
强化学习赋予智能体自监督学习能力，使其能够自主与环境交互，做出序列决策，完成序列化形式的任务。
核心机制：
- 智能体通过与环境的交互，根据环境给出的奖惩反馈来不断改进策略
- 运用 “尝试-试错” 与平衡 “探索与利用” 等机制不断进步
- 目标是获得最大的累积奖惩
监督学习、无监督学习与强化学习的差异：
| 维度 | 监督学习 | 无监督学习 | 强化学习 |
|---|---|---|---|
| 学习依据 | 基于监督信息 | 基于对数据结构的假设 | 基于评价（evaluative） |
| 数据来源 | 一次性给定（含标注信息） | 一次性给定（无标注信息） | 在序列交互中产生，序列结束才反馈明确奖惩值 |
| 决策过程 | 根据标注信息做出单步静态决策 | 无 | 根据环境给出的滞后回报做出序列决策 |
| 学习目标 | 样本空间到高级语义空间的映射 | 同一类数据的分布模式 | 选择能获取最大收益的状态到动作的映射 |
Q学习：学习智能体的 函数，记录某个状态下采取某一动作所能够收到的奖励值。将 函数参数化，用神经网络来拟合 函数，即可形成深度强化学习。
博弈对抗为核心的决策智能
博弈行为是多个带有相互竞争性质的主体，为达到各自目标和利益，采取的带有对抗性质的行为，即“两害相权取其轻，两利相权取其重”。
核心转变：推动机器学习从“数据拟合”过程中以“求取最优解”为核心，向博弈对抗过程中“求取均衡解”为核心的转变。
重要概念：
- 博弈论：研究博弈行为中最优的对抗策略及其稳定局势
- 纳什均衡：约翰·纳什于1950年提出，非合作博弈的均衡解一定存在
五种方法各有优劣：
- 逻辑推理方法解释性强，但难以拓展
- 搜索方法从已有答案中查找，但受困于机械式匹配
- 数据驱动模型擅于预测识别，但过程难以理解
- 强化学习能探索未知空间，但依赖于策略学习
- 博弈对抗在完全信息条件下表现优良，但难以找到非完全信息条件下的通用框架
因此，需要有机协调知识指导下演绎、数据驱动中归纳、行为强化内规划等不同方法，建立知识、数据和反馈于一体的人工智能理论和模型。
全书内容概览
| 章节 | 内容 | 核心知识点 |
|---|---|---|
| 第2章 | 逻辑与推理 | 命题逻辑、谓词逻辑、知识图谱推理、因果推理 |
| 第3章 | 搜索求解 | 启发式搜索、对抗搜索、蒙特卡洛树搜索 |
| 第4章 | 机器学习：监督学习 | 回归分析、决策树、LDA、AdaBoosting、SVM |
| 第5章 | 统计机器学习：无监督学习 | K-means、PCA、特征人脸、LSA、EM算法 |
| 第6章 | 深度学习 | 前馈神经网络、CNN、RNN、GAN |
| 第7章 | 强化学习 | MDP、策略优化、Q学习、深度强化学习 |
| 第8章 | 人工智能博弈 | 纳什均衡、博弈策略求解、博弈规则设计 |
| 第9章 | 人工智能未来发展和趋势 | 类脑计算、AutoML、模型压缩、AI芯片、伦理 |
小结
1955年提出人工智能概念时，其“初心”是“仿真”人类行为。经过长期发展，已形成五大核心方法：逻辑推理、搜索求解、机器学习、强化学习和博弈对抗。
当前人工智能的局限性：
- 现有算法或系统属于“领域人工智能”或“弱人工智能”的研究范畴
- 与具有自我学习、直觉推理、自适应和能力迁移等特点的通用人工智能仍存在差距
- 图灵机模型所能完成的可计算任务都是可递归的，而人类面临的许多现实问题具有不确定性、脆弱性和开放性等特点
未来方向：需要将人类智能与机器智能进行有效协同，形成混合-增强智能形态，这是发展人工智能的可行之道。正如大卫·希尔伯特所言：“我们必须知道，我们必将知道。”这种“可认知”乐观主义态度将鼓舞人工智能研究者和实践者不断探索。
人工智能作为引领新一轮科技革命和产业变革的战略性技术，正在深刻改变人类社会。本章从类脑计算、自动化机器学习、神经网络压缩、人工智能芯片、量子机器学习、人工智能伦理与治理、人工智能算法开发框架等方面，简要总结人工智能的未来发展方向和趋势。
类脑计算
类脑计算（Brain-inspired Computing）是受脑功能和脑神经网络连接机制启发的一种计算架构，旨在以神经形态计算的模式来部分模拟大脑功能，在结构层次和器件层次逼近人脑。
研究层次：
| 层次 | 内容 |
|---|---|
| 微观（基因/分子） | 研究神经元的分子生物学基础 |
| 介观（神经环路） | 研究神经元之间的连接通路和网络结构 |
| 宏观（脑区/认知） | 研究脑区和认知功能的关系 |
研究方向：
- 神经形态计算：采用脉冲神经网络（SNN）模拟生物神经元的脉冲发放机制，实现低功耗、高能效的计算
- 存算一体：打破传统冯·诺依曼架构中计算与存储分离的瓶颈，实现类脑的存算融合
- 神经形态芯片：研制专门支持脉冲神经网络和类脑计算的硬件，如 IBM 的 TrueNorth、英特尔的 Loihi
挑战：
- 对大脑工作机制的理解仍然有限
- 神经科学和计算科学的交叉融合不够深入
- 大规模类脑系统的设计与实现存在技术瓶颈
自动化机器学习（AutoML）
自动化覆盖的环节：
| 环节 | 说明 |
|---|---|
| 数据预处理 | 自动化数据清洗、特征选择、特征工程 |
| 模型选择 | 根据任务自动选择合适的算法和模型架构 |
| 超参数优化 | 自动搜索最优的超参数组合（如学习率、网络深度等） |
| 神经架构搜索（NAS） | 自动搜索最优的神经网络结构 |
核心技术：
- 强化学习：将架构搜索建模为序列决策问题
- 进化算法：模拟生物进化过程，通过交叉、变异选择更优的架构
- 梯度优化：将架构参数松弛为连续变量，使用梯度下降直接优化
意义：
- 降低人工智能应用门槛，使非AI专家也能高效使用
- 提升模型设计效率，减少人工试错
- 发现人工难以想到的新型网络结构
神经网络模型压缩
深度学习模型的参数量和计算量巨大，难以在资源受限的边缘设备上部署。模型压缩旨在减小模型尺寸、加速推理速度，同时尽可能保持模型精度。
主要技术路线：
| 方法 | 核心思想 |
|---|---|
| 剪枝（Pruning） | 移除对模型输出贡献较小的冗余权重或神经元 |
| 量化（Quantization） | 将32位浮点参数映射为低精度整数（如8位），减少存储和计算开销 |
| 知识蒸馏（Knowledge Distillation） | 使用大模型（教师网络）的输出指导小模型（学生网络）训练，使小模型学到相同的知识 |
| 低秩分解（Low-Rank Decomposition） | 对大规模权值矩阵进行低秩近似分解，减少参数量 |
| 紧凑网络设计 | 设计新颖的轻量级网络结构（如MobileNet、ShuffleNet），在源头减少参数 |
应用场景：
- 智能手机、IoT设备的端侧部署
- 实时视频分析和语音识别
- 云端推理服务的成本优化
人工智能芯片
传统芯片的局限性：
- CPU：通用性强但并行计算能力有限
- GPU：并行能力强，适合深度学习训练，但功耗较高
AI芯片设计目标：
- 高吞吐量（支持大规模矩阵运算）
- 低功耗（适用于端侧设备）
- 灵活性（支持多样化神经网络结构）
代表性AI芯片：
| 芯片 | 特点 |
|---|---|
| Google TPU | 专为TensorFlow优化的张量处理器 |
| NVIDIA A100/H100 | 面向数据中心的多功能AI加速卡 |
| 华为昇腾（Ascend） | 支持端、边、云全场景 |
| 寒武纪 | 专注于深度学习处理的专用芯片 |
| FPGA加速器 | 可编程逻辑门阵列，灵活但开发门槛较高 |
发展趋势：存算一体芯片、光计算芯片、量子计算芯片等新一代计算范式正在探索中。
量子机器学习
量子机器学习是量子计算与机器学习的交叉研究领域，旨在利用量子计算的优势（叠加态、纠缠、干涉等量子效应）来加速或改进机器学习算法的训练和推理效率。
核心研究方向：
| 方向 | 内容 |
|---|---|
| 量子加速学习 | 利用量子算法加速经典机器学习中的线性代数运算或参数优化过程 |
| 量子神经网络 | 构造基于量子比特和量子线路的神经网络模型，探索新的学习范式 |
| 量子增强特征空间 | 利用量子态在高维希尔伯特空间中编码数据，实现经典方法难以获得的非线性特征映射 |
| 量子采样与生成模型 | 利用量子退火或量子随机游走进行采样，加速生成模型训练 |
理论基础：
- 利用了量子叠加态进行并行态的计算
- 通过量子纠缠建立数据间的量子关联模式
- 量子干涉效应放大正确路径的概率幅
现状与挑战：
- 当前量子硬件仍处于“含噪声中等规模量子（NISQ）”阶段，能力有限
- 理论优势的证明尚不完善，实际应用尚需突破
- 量子纠错、量子比特相干时间等技术瓶颈有待解决
人工智能伦理与治理
人工智能技术的快速发展带来了深刻的社会伦理问题，需要建立健全的治理体系，确保人工智能向善发展。
核心伦理问题：
| 问题 | 说明 |
|---|---|
| 算法偏见与公平性 | 训练数据中的历史偏见可能被算法放大，导致种族、性别歧视等 |
| 隐私保护 | 数据收集使用过程中侵犯个人隐私（如人脸识别滥用） |
| 可解释性 | 深度学习模型的“黑箱”特性使其决策过程难以向用户解释 |
| 责任归属 | 自动驾驶、医疗AI等高风险场景下的决策责任归属 |
| 就业冲击 | 自动化可能取代大量传统岗位，带来结构性失业 |
| 安全与失控风险 | 恶意利用AI（如深度伪造）或AGI潜在的对人类的目标偏离风险 |
治理框架与原则：
- 联合国教科文组织《人工智能伦理建议书》：提出AI发展应遵循比例原则、公平原则、透明与可解释性原则
- 中国《新一代人工智能治理原则》强调 “发展负责任的人工智能” ，倡导公平公正、安全可控、尊重隐私
- 欧盟《人工智能法案》采用基于风险的分级监管框架
人工智能算法开发框架
人工智能算法开发框架为研究者与工程师提供了高效的工具平台，降低了AI应用开发的门槛，加速了从研究到产业落地的转化过程。
主流框架：
| 框架 | 特点 |
|---|---|
| TensorFlow | Google开发，生态完善，支持从训练到部署的全流程，拥有强大的分布式与端侧推理（TFLite）能力 |
| PyTorch | Meta开发，动态计算图，易用性强，在学术界占据主导，研究到生产过渡顺畅 |
| PaddlePaddle | 百度开发，国产框架代表，中文文档丰富，产业应用案例广泛 |
| MindSpore | 华为开发，支持端边云全场景协同，与大模型训练和自动并行能力深度结合 |
| JAX | Google开发，面向函数编程，提供自动微分，支持高效数值计算与模型研究 |
框架提供的核心能力：
- 自动微分与梯度计算，简化复杂模型训练
- 丰富的预置层、算子与预训练模型库，提升开发效率
- 分布式并行训练支持，适应超大模型训练
- 模型优化与跨平台部署工具链，缩短推理环节
小结
- 类脑计算从大脑结构中汲取灵感，探索更高效的计算范式
- 自动化机器学习降低AI使用门槛，提升模型开发效率
- 神经网络压缩使大模型能运行在终端设备上
- AI芯片为人工智能应用提供强大的算力支撑
- 量子机器学习探索量子计算与人工智能融合的远景可能
- 人工智能伦理与治理确保技术发展符合人类价值观
- AI算法开发框架连接研究与应用，推动生态繁荣
人工智能的发展正处于由弱人工智能向通用人工智能迈进的过程中，机遇与挑战并存。