人工智能（二）
重要的是要知道，侧重于思考/原因与制度的系统之间的对比，虽然我们在AIMA文本的核心，而在AI本身的核心上，但不应被解释为艾美研究人员认为他们的工作视为下降所有和只在这两个隔间中的一个。 更重要的研究人员或多或少地对知识表示和推理，也非常准备好准备承认他们正在努力（他们认为是什么）在跨越原因/行为区分的大型系统中的任何一个家庭中的中央组成部分或能力。 最明确的案件可能来自规划的工作 - 传统上是展示陈述和推理的AI区域。 对于好或生病，这项研究中的大部分是在抽象中进行的（体外，而不是体内），但涉及的研究人员当然打算或至少希望他们的工作结果嵌入实际做事的系统中，例如，执行计划。
罗素和诺维格本身怎么样？ 他们对AI的答案是什么？ 问题？ 他们坚定地在“合理”营地中。 事实上，可以安全地说，他们是这个答案的主要支持者，他们是成功的福音传教士。 它们极其有影响力的AIMA系列可以被视为理想/法案类别的书籍长度防御和规范。 我们将在罗素和Norvig如何在智能代理中阐明所有AI的介绍，这是根据各种理想标准的系统。 但首先让我们看起来更接近智力的智力视野。 我们可以通过转向罗素（1997）来这样做。 在这里，罗素重塑了“什么是ai？” 问题是“什么是情报？” （大概是在假设我们有一个良好的掌握伪影是）的，然后他识别智慧的理性。 更具体地说，Russell将AI视为致力于构建智能代理的领域，其是作为从外部环境的输入组成的功能，并在这些感知的基础上产生行为（动作）。 Russell的整体画面是这个：
'Percept历史'以“代理函数”到“行为”到“感知历史”; 也“环境”到“州历史”到“绩效衡量”
罗素对情报/合理性的基本图片依据
让我们解开此图一点，并首先看看可以从其派生的完美合理性。 在环境E中的代理（来自环境中的E类）的行为产生该环境的一系列状态或快照。 性能测量u评估该序列; 请注意上述图中标记为“性能测量”的框。 我们让V（f，e，u）表示根据在E上操作的代理函数f的U预期实用程序。[16] 现在我们确定了一个完全合理的代理，具有代理功能：
fopt =
argmax
f
v（f，e，u）
根据上述等式，可以将完美的理性剂视为在所考虑的环境中产生最大预期效用的功能。 当然，正如罗素指出的那样，通常无法建立完全理性的代理商。 例如，虽然它很容易指定播放无敌棋尾的算法，但实现该算法是不可行的。 传统上发生的是在AI中发生的是，要使用Russell的APT术语 - 计算理性的程序是构造的：这些是程序，如果无限快地执行，则会导致完全合理的行为。 在国际象棋的情况下，这将意味着我们努力编写一个程序，该程序原则上找到一个完美的移动，但我们添加了截断搜索的功能，以便在可消化持续时间的间隔内播放。
罗素本人冠军一个新品牌的智力/合理性AI; 他称这个品牌有限的最优性。 要了解罗素的观点，首先我们关注他的介绍：我们说代理有两个组件：程序，程序运行的机器。 我们编写代理（P，M）以表示通过程序P执行的代理功能在机器M上运行。现在，让P（M）表示可以在机器M上运行的所有程序P的集合.NET，M为：
popt，是=
argmax
p∈p（是）
v（代理（p，是），e，u）
您可以根据标准计算的任何数学理想化理解该等方程式。 例如，可以用图灵机识别机器减去指令（即，此处只在架构上观看TMS：由于具有磁带分为可以写入符号的磁带，读/写头能够向上移动磁带以写入和擦除，并且可以在任何时间中处于有限数量的状态之一）和程序的控制单元，并且可以用图灵机模型中的指令识别（告诉机器写入和擦除符号，具体取决于机器中的状态）。 因此，如果您被告知您必须在22状态图灵机的约束内“程序”，您可以在给定这些约束的“最佳”程序中。 换句话说，您可以努力在22状态架构的范围内找到最佳程序。 因此，Russell的（1997）的视图是，AI致力于为实现这些程序的机器的时间和空间限制为创建智能代理的最佳程序。[17]
读者必须注意到，在POPT的等式中，M我们未在E和U阐述，如果环境e类e相当一般，则可以使用方程式（1）和方程式（1）如何构建代理，或者如果真实环境e简单地未知。 取决于一个人建造人工代理的任务，e和你会有所不同。 环境e和效用函数的数学形式可以从说法的奇迹到危险！ 当然，如果我们设计了一个全球智能代理人，而且不仅仅是一个棋牌代理商，我们就可以逃避一对e和你。如果我们建立一般聪明的代理，而且不仅是一个在单一任务的代理人，那么是什么样的 E将是一个不仅仅是单一游戏或任务的模型，而且是由许多游戏，任务，情况，问题等组成的整个物理社交虚拟宇宙。这个项目（至少目前）是绝望的，显然，我们无处可行，靠近拥有如此全面的理论 - 一切模型。 有关对此问题提出的理论架构的进一步讨论，请参阅AIXI架构的补充。
应该提到的是，有一个不同的，更直接的答案到“什么是ai？” 问题。 返回原来达特茅斯会议的日子的这个答案是由Newell（1973）表示的，是现代AI的祖父之一（回想一下，他参加了1956年会议）; 这是：
AI是致力于建立智能的文物的领域，其中“智能”通过智能测试（如威奇斯勒成人智能规模）以及其他心理能力的测试（包括，例如，机械能力测试，创造力等等）。
上述定义可以看作完全指定Russell和Norvig的四个可能目标的具体版本。 虽然现在很少有人意识到这一点，但这个答案很严重待了一段时间，而且实际上是AI历史上最着名的课程之一：埃文斯（1968）的类比计划，其中解决了许多智能测试中的类型的几何类比问题。 试图严格定义这种被遗忘的AI形式（作为他们配备的心理测量AI），并从Newell和Evans的日子复活，由Bringsjord和Schimanski（2003）提供[参见例如。 （Bringsjord 2011）]。 在持续的尝试中，现在已被称为项目aristo，以建立“数字亚里士多德”，以能够在由美国高中生（Friedland等，2004年弗里德兰等人）中的标准化测试中擅长的“数字亚里士多德”。）。 （在这个方向上充满活力的工作今天在Allen人工智能研究所继续。）[18]此外，西北部的研究人员造成了AI和机械能力的测试（Klenk等，2005）。
最终，与任何纪律的情况一样，真正知道这些纪律需要您需要的是，至少在某种程度上，潜入和做或至少潜入和阅读。 二十年前，这么潜水是非常可管理的。 今天，因为已经构成了AI的内容才有蘑菇，潜水（或至少在它之后的游泳）有点要求。
3.对AI的方法
有许多方式“雕刻”ai。 到目前为止，总结该领域的最谨慎和有效的方法是鉴于其全面概述该领域的旨在批准。
3.1智能代理连续体
正如Russell和Norvig（2009）告诉我们Aima的序言：
主要统一主题是智能代理人的想法。 我们将AI定义为从环境中接受感知并执行行动的代理商的研究。 每个此类代理实现映射到动作的函数的函数，我们涵盖了不同的方式来表示这些功能......（Russell＆Norvig 2009，VII）
因此，基本图片总结了这个数字：
具有传感器和执行器的代理接收感知和执行动作
智能代理人的印象概述
Aima的内容基本上源于填满这张照片; 也就是说，上图对应于表示智能代理实现的整体功能的不同方式。 并且最不强大的代理商达到更强大的代理商。 下图提供了一本书早期讨论的简单代理的高级视图。 （虽然简单，这种代理对应于由Rodney Brooks，1991年设计和实施的无代理的架构。）
简单的反射剂，没有世界的内部模型与环境互动
一个简单的反射剂
随着书的进展，代理商变得越来越复杂，并且它们所代表的函数的实施从越来越多的AI目前可以鼓起来吸引。 下图概述了一个比简单反射代理更聪明的代理。 这种智慧的代理能够在内部建模外界，因此并不简单地掌握在目前可以直接感测的怜悯。
反射剂与世界模型与环境互动
一种更复杂的反射剂
Aima有七个部分。 随着读者通过这些部分，她被引入到承担每个部分中讨论的权力的代理商。 第一部分是对基于代理的视图介绍。 第二部分涉及智能代理，在明确的环境中提前思考的能力。 这里的示例包括能够成功玩完美信息的游戏，例如国际象棋。 第三部分涉及具有宣言性知识的代理商，并且可以以大多数哲学家和逻辑学者对大多数哲学家和逻辑学者相当熟悉的方式进行推理（例如，基于知识的代理商推断出什么行动来保护其目标）。 本书的第IV件在概率时尚推理时，书籍衣服与权力，以处理不确定性。[19] 在V部分中，代理商会获得学习的能力。 下图显示了学习代理的整体结构。
可以学习与环境互动的代理
一个学习代理人
给出最终的权力代理人允许他们沟通。 这些权力部分介于VI部分。
耐心行驶的哲学家毫无疑问地询问越来越聪明的代理人，如果缺少任何东西，毫无疑问会问。 我们是否足够过，一般来说，建立一个人为的人，或者只有足以建造一个只有动物？ 来自Charniak和McDerMott（1985）的以下内容隐含了这个问题：
AI的最终目标是（我们远非实现）是建立一个人，或者更谦卑地，一种动物。 （Charniak＆McDermott 1985,7）
到他们的信用，Russell＆Norvig，在Aima的第27章“AI：现在和未来”，考虑到这个问题，至少在某种程度上。[]他们通过考虑到迄今为止没有满足的AI挑战。 R＆N描述了这些挑战之一，如下：
[M] achine学习对构建高于输入词汇量的抽象水平构建新表现的重要问题。 例如，在计算机视觉中，如果代理被迫从像素从像素从像素从像素一起工作，就会不必要地难以学习课堂和自助餐厅的复杂概念; 相反，代理需要能够首先形成中间概念，例如桌子和托盘，没有明确的人类监督。 类似的概念适用于学习行为：Haveacupoftea是许多计划中非常重要的高级步骤，但它如何进入一个动作库，最初包含更简单的操作，如Raisearm和吞咽？ 也许这将包含深度信仰网络 - 贝叶斯网络，这些网络具有多层隐藏变量，如Hinton等人的工作中。 （2006年），霍金斯和布莱克利（2004年）和Bengio和Lecun（2007年）。 ...除非我们理解此类问题，否则我们面临着手工建造大型勤义知识库的艰巨任务，以及迄今为止并不顺利的方法。 （Russell＆Norvig 2009，CH。27.1）
虽然在解决这一挑战方面存在一些进展（以深入学习或代表学习的形式），但这种特定的挑战实际上只是一系列眩晕的高山脉，即AI最终必须以某种程度上地攀爬。 那些山脉之一，简单地说，正在阅读。[21] 尽管如此，正如所指出的那样，AIMA的第V部分致力于机器学习，AI，就像它所代表一样，以通过阅读学习机械化的方式提供。 然而，当你想到它时，阅读可能是你在生活中这个阶段学到的主导方式。 考虑一下你正在做什么。 这是一个很好的赌注，你正在阅读这句话，因为，早些时候，你让自己设定了学习AI领域的目标。 然而，在Aima的第四部分提供的学习正式模型（所有这些都是只有在AI中的模型）不能通过阅读来学习。[22] 这些模型都以基于函数的学习视图开始。 根据这种观点，学习几乎总是在限制一组基础上产生底层功能f
{⟨x1，f（的x1）⟩，⟨x2，f（x2的）⟩，...，⟨xn，f（xn）⟩}。
例如，考虑接收由1,2,3,4和5组成的输入，并且相应的范围值为1,4,9,16和25; 目标是从自然数到自然数“学习”潜在的绘图。 在这种情况下，假设底层函数是N2，你做到了“学习”它。 虽然这种狭隘的学习模型可以高效地应用于许多过程，但读数的过程不是其中之一。 通过读取学习不能（至少对于可预见的未来）被建模为划分生成参数值对的函数。 相反，您的阅读只有当您的知识以正确的方式增加时，您的阅读只会支付股息，如果这知识留下了让您能够产生所采取的行为，以确认有关所讨论的主题领域的足够掌握的行为。 这种行为可以从正确的回答和证明关于AI的测试问题，以产生稳健，引人注目的展示或纸张，以证明您的成就。
两个积分值得做出关于机器阅读。 首先，读取的所有读者可能都不清楚，阅读是一种智能核心的能力。 中性地区源于智力需要巨大知识的事实。 无论是从文本，文本，文本，图书馆，报纸等文本，我们都没有将系统知识纳入系统中的系统。 你甚至可能会说，与人类相比，机器的大问题一直没有知道。 这只能是因为人类读取（或听到：文盲人员可以听取并以这种方式学习的文本）。 任何机器都通过手动编码和插入知识，或通过阅读和侦听来获得知识。 这些都是蛮力的事实。 （当然，我们撇开超自然技术。奇怪的是，但是没有：他似乎应该以与思想和机器的权力有关。看，1950年。）[23]
现在第二点。 能够阅读的人类也总是学习了一种语言，学习语言已经符合上面恰好的基于功能的方法（Osherson等，1986）。 然而，这并不需要一种能够读取的人为代理，至少在重大程度上必须真正且真正学习一种自然语言。 AI首先涉及衡量一些测试的工程计算工件（其中，是的，有时是从人类球体中的测试），而不是这些伪像以与人类情况匹配的方式的方式处理信息。 当工程可以阅读的机器时，可能会或可能不是必要的，以灌输具有人类级语言能力的机器。 问题是经验，随着时间的推移，工程追求，我们毫无疑问地看到了解决问题。
两个额外的高山脉面临着艾美的主观意识和创造力，但似乎这些巨大的挑战是那些显然甚至没有来握住的那些巨大的挑战。 对许多心灵哲学家和神经科学哲学家至关重要的心理现象只是从Aima失踪。 例如，在通过AIMA时只提到了意识，而是主观意识是我们生活中最重要的事情 - 事实上我们只希望继续生活，因为我们希望继续享受某些类型的主观国家。 此外，如果人类的思想是进化的产物，那么可能的现象意识具有很大的生存价值，并且对旨在至少具有匹配我们自己的大脑的第一个生物的行为曲目的机器人会产生巨大的帮助（猎人 - 收集者;看Pinker 1997）。 当然，主观意识在很大程度上缺少认知心理学和计算认知建模的姐妹领域。 我们讨论了下面人工情报部分哲学中的一些这些挑战。 对于对认知科学的类似挑战列表，了解认知科学进入的相关部分。[24]
对于一些读者来说，它可能似乎在最不倾向于指向主观意识作为它尚未解决的AI的主要挑战。 这些读者可能认为，指出这个问题是通过一个独特的哲学棱镜来看待AI，并且实际上是一个有争议的哲学立场。
但由于其文献明确，AI通过寻求动物和人类来衡量，并在他们身上挑选出色的精神力量，然后看到这些力量是否可以机械化。 可以说是人类最重要的权力（体验的能力）无处可在大多数AI研究人员的目标列表中找到。 可能有一个充分的理由（没有形式主义，也许），但没有否认问题的事态得到的事态，而且鉴于AI如何衡量它，这是令人担忧的。
至于创造力，它非常出色的是，我们在人类思想中最重要的权力无处可在Aima找到。 就像（Charniak＆McDermott 1985）一样，一个人无法在指数中找到“神经”，“创造力”无法在Aima的指数中找到。 这是特别的奇怪，因为许多AI研究人员实际上已经致力于创造力（特别是那些来自哲学的人;例如，Boden 1994，Bringsjord＆Ferrucci 2000）。
虽然重点是AIMA，但可以使用任何对应的对应物。 例如，考虑人工智能：新的综合，尼尔斯尼尔斯森。 与Aima一样，这里的一切都围绕了最简单的代理人（在Nilsson的案例，反应代理）中逐渐逐渐进入，以越来越多的人区分人的权力。 精力充沛的读者可以验证Nilsson's Book和Aima的主要部分之间的醒目。 此外，尼尔斯逊（如罗素和Norvig），忽略了现象意识，阅读和创造力。 这三个甚至没有提到过。 同样，Luger最近的全面的AI教科书（2008）遵循相同的模式。
最后一点包围本节。 它似乎很合理地认为，AI教科书的结构存在一定的必然性，而且表观的原因也可能是有趣的。 在个人谈话中，吉姆亨德勒是一个着名的AI研究人员，他是语义网络背后的主要创新者之一（Berners-Lee，Hendler，Lassila 2001），是全球网络的未开发的“Ai-ready”版本，所说在教学介绍AI时，可以相当容易地展示这种不可避免性; 这是如何。 首先询问学生他们认为ai是什么。 总的来说，许多学生将自愿志愿者是致力于建立聪明的人为生物的领域。 接下来，询问智能生物的例子。 学生始终通过横跨连续体进行举例：简单的多细胞生物，昆虫，啮齿动物，下哺乳动物，更高的哺乳动物（在伟大的猿人中），最后是人类的。 当学生被要求描述他们引用的生物之间的差异时，他们最终基本上将简单代理的进展描述为具有我们（例如）沟通权的人。 这一进展为每个全面的AI教科书提供了骨架。 为什么会发生这种情况？ 答案似乎很清楚：它发生了因为我们无法在我们熟悉的现存生物的权力方面抵抗AI的构想。 至少目前，人物和享受只有位数和人物的生物，是 - 重复 - AI的衡量标准。[25]
