前言——
此前的人工智能致力于“打造超越个体智能的机器”，致力于发现“描述智能的牛顿定律”
当下的人工智能的基本思想则是“具身性”，即探索连接、交互、复杂网络环境下机器智能的生长、人与机器的融合、以及人机生态的演进，致力于理解“人与机器、机器与环境的交互，究竟发生了什么？”，重新理解智能机器与人、机器与机器的认知和行为之间错综复杂的关系。
人工智能的终极科学目标是实现人类对自己的科学理解
目录
第 1 章 人工智能学科发展历史
第2-4章 人工智能古老的历史成果
第 2 章 图灵机模型
第 3 章 冯诺依曼的计算机体系结构
第 4 章 怪圈与哥德尔定理
第5-12章 人工智能最新思想成果
第 5 章 马库斯·胡特的通用人工智能理论
第 6 章 深度学习理论
第 7 章 人工智能与人脑在信息处理等若干方面的异同
第8、9章 人类计算
第 10 章 自然语言处理
第11/12章 机器的集体行为
第13/14章 人工智能的实践应用（瓦克星&彩云天气）
第 1 章 人工智能之梦
张江
作为一个独立的学科，人工智能的发展非常奇葩，它不像其他学科那样从分散走向统一，而是从 1956 年创立以来就不断分裂，形成一系列大大小小的子领域。
梦的开始（1900-1956）
大卫·希尔伯特
1900年数学家大会，希尔伯特第二问题“证明数学系统中应同时具备一致性和完备性，即数学真理不存在矛盾、任意真理都可以被描述为数学定理”。
希尔伯特第十问题“是否存在着判定任意一个丢番图方程有解的机械化运算方程”
库尔特·哥德尔
哥德尔不完备性定理：如果将人工智能看做是一个机械化运作的数学公理系统，那么根据哥德尔定理，必然存在某种人类可以构造但机器无法求解的人工智能“软肋”，即人工智能不可能超过人类。
艾伦·图灵
根据希尔伯特第十问题设计图灵机、图灵测试“只要有30%的人类测试者在5分钟内无法分辨出被测试对象（关在屋子里的人与机器），就可以认为程序通过了图灵测试”
约翰·冯·诺依曼
“冯诺依曼体系结构”，早期计算机EDVAC的设计
诺伯特·维纳
1948年提出“控制论”；机器与人的统一性——人或机器都是通过反馈完成某种目的的实现，揭示了用机器模拟人的可能性，为人工智能的提出奠定了重要基础。
梦的延续（1956-1980）
达特茅斯会议
讨论用机器模仿人类学习及其他方面的智能，命名人工智能，1956年人工智能元年。
黄金时期
机器定理证明取得重大突破
“逻辑理论家”程序证明数学原理。
四色猜想（四色定理）：对于任意的地图，我们最少仅用四种颜色就可以染色该地图，并使得任意两个相邻的国家不会重色。
机器学习领域取得实质突破
达特茅斯会议上，阿瑟·萨缪尔研制跳棋程序击败州冠军。
奥利弗·萨尔福瑞德研制第一个字符识别程序，开辟了模式识别领域
纽厄尔和西蒙研究一种不依赖于具体领域的通用问题求解器，成为GPS
詹姆斯·斯拉格发表符号积分程序 SAINT，输入一个函数表达式可以自动输出函数的积分表达式。
遭遇瓶颈
机器定理证明领域
1965年计算机推了数十万步也无法证明两个连续函数之和仍是连续函数
机器学习领域
跳棋程序停留在州冠军层次
机器翻译程序
自然语言理解与翻译遇到困难
美国政府和大学削减人工智能项目经费
知识就是力量
爱德华·费根鲍姆“传统人工智能过于强调通用求解方法的作用，而忽略了知识，人工智能必须引入知识”
专家系统：利用计算机化的知识进行自动推理，从而模仿领域专家解决问题；1968年DENDRAL
知识工程，日本第五代计算机计划、英国阿尔维计划、西欧尤西卡计划、美国星计划、中国863计划。
知识获取遭到困难
群龙问鼎（1980-2010）
人工智能改自上而下的填鸭式教学，成为自下而上的涌现“启发式教学”
符号学派
人工智能是关于如何制造智能机器，特别是智能的计算机程序和科学和工程。它与使用机器来理解人类密切相关，但人工智能的研究并不需要局限于真实的生物质能行动。——约翰·麦卡锡
物理符号系统假说：任何能够将物理的某些模式或符号进行操作并转化成另外一些模式或符号的系统，就有可能产生智能的行为。
符号学派关注人类智能的高级行为，如推理、规划、知识表示等。
人机大战
1988年IBM研发国际象棋智能程序“深思”，升级版本“深蓝”在1996年挑战国际象棋冠军，次年胜利。
IBM公司超级计算机沃森在《危险》比赛中战胜了人类对手【个人感觉主要还是依靠计算能力和知识存储；沃森在自然语言处理有了一定进步】
连接学派
高级的智能行为是从大量神经网络的连接中自发出现的。
麦卡洛克·匹兹模型：第一个真实的神经元细胞的模型
感知机：在麦卡洛克·匹兹模型上加入学习算法
被闵斯基证明了感知机学习能力的有限。
多则不同：只要把多个感知机连接成分层的网络，那么即可解决闵斯基的问题；采用反向传播算法可以有效解决多层网络的训练问题
统计学习理论
行为学派
关注较低级的昆虫
机器昆虫，罗德尼·布鲁克斯；只能并非来自于自上而下的复杂设计，而是来自于自下而上的与环境的互动。
波士顿大狗
进化计算
约翰·霍兰 - 遗传算法
遗传算法对大自然中的生物进化进行了大胆的抽象，变异和选择。在计算机中，我们可以用一堆二进制串来模拟自然界中的生物体，而大自然的选择作用——生存竞争、优胜劣汰——则被抽象为一个简单的适应度函数
与神经网络不同，遗传算法不需要把学习区分成训练和执行两个阶段，指导机器在执行中学习，即所谓的做中学。
人工生命-克里斯托弗·兰顿
如何用计算手段来模拟生命，所谓的生命或智能实际上是从地层单元通过相互作用而产生的涌现属性。“涌现”强调只有在宏观具备还不能分解还原到微观层次的属性、特征或行为。通过模拟在计算机数码世界中产生类似现实世界的涌现。
e.g.用0、1数字代表蛋白质分子并为其设置详细的规则，然后运行程序，静静等待令人吃惊的“生命现象”
模拟群体行为，Boid程序模拟鸟群运动；蚁群算法；免疫算法
问题：什么情况发生涌现？如何设计底层规则？还未能涌现高级生物
三大学派的关系
符号学派模拟智能软件，连接学派模拟大脑硬件，行为学派模拟身体。
符号学派的思想和观点直接继承自图灵，直接从功能角度理解智能。他们把只能理解为黑箱，只关心输入和输出而不关心内部构造。符号学派利用知识表示和搜索来替代真实人脑的神经网络结构。擅长利用现有知识做比较复杂的推理、规划、逻辑运算和判断等问题。
连接学派，打开智能系统黑箱，从结构角度模拟智能系统的运作，看待角度更加底层。能自动获取知识，但对知识的表述隐含晦涩，擅长解决模式识别、聚类、联想等非结构化问题，但很难解决高层次的智能问题。
行为学派更擅长模拟身体的运作机制，而不是脑；强调进化的作用，擅长解决适应性、学习、快速行为反应等问题，可以解决一定的识别、聚类、联想问题，但在高级智能行为（如问题求解、逻辑演算）上相形见绌。
连接学派和行为学派共同点在于都相信智能是自下而上涌现出来而非自上而下的设计。难点在于如何涌现，涌现机制如何设计。
如何综合三大学派的观点。
分裂与统一
群龙无首
自动定理证明、模式识别、机器学习、自然语言理解、计算机视觉、自动程序设计
贝叶斯统计
贝叶斯概率：主观概率统计
贝叶斯学派的核心是贝叶斯公式，表达了智能主题如何根据搜索到的信息改变对外在事物的看法。
贝叶斯网络
通用人工智能
马库斯·胡特：将智能看做一个整体，而非若干分离的子系统学习、认知、决策、推理。
规范研究方法：给出智能程序一个数学上的定义，然后运用严格的数理逻辑讨论其性质。
理论已证明，胡特定义的智能程序在数学上可构造，但却是计算机不可计算模拟的。
梦醒何方（2010至今）
深度学习
2011年，谷歌大脑（一个采用了所谓深度学习技术的大型神经网络模型）在1000万张静态图片中自己找到了“猫”
2011年，微软全自动同声翻译系统
2013年，百度研究院
原因：大数据……
模拟大脑
德国海德尔堡大学的FACETS计划：采用数以千计的芯片创造出一个包含10亿神经元和10的十三次方突触的回路和人工闹
2015年，瑞士洛桑理工学院和IMB的蓝色大脑计划通过软件模拟人脑实践
2013年美国“脑计划”；欧盟“人类大脑计划”
“人工”人工智能
谷歌路易斯·冯·安开创了新人工智能研究方向：人类计算，ReCapture借助人力完成传统的人工智能问题
人与机器的共生结合！！！
低等动物的基本行为让我想到了ABO设定的信息素啊！
