人工智能及其應用

《人工智能及其應用》拆解 作者：李國勇、李維民 一、一句話概括 人工智能的基本任務，是把知識表示成機器可處理的形式，再通過搜索、推理、學習與規劃，從可能的狀態和行動中找到能夠解決問題的方案。 二、核心邏輯 本書採用經典人工智能教材的知識體系，按照“知識—求解—協作—應用”的路線展開： 1. 知識表示：怎樣把事實、規則、對象和關係轉化爲計算機內部結構。2. 搜索與推理：怎樣從已知狀態出發尋找答案，並推出新的結論。3. 高級方法：怎樣處理不確定、不完整和不斷變化的知識。4. 智能主體：怎樣讓Agent感知環境、選擇行動並相互協作。5. 任務應用：自然語言理解、機器學習、自動規劃和實際系統。 全書的核心路徑可以概括爲： 描述問題 → 表示知識 → 定義狀態和目標 → 搜索或推理 → 學習改進 → 形成計劃並執行 這套體系主要對應符號人工智能與經典機器學習階段，但其中的問題建模、搜索、推理和規劃思想仍是現代AI的基礎。 三、核心內容 1. 人工智能研究的是“如何讓機器表現出智能行爲” 人工智能並不等同於某一種算法。 它關注機器能否完成通常需要人類智能的任務，例如： 識別與理解；推理與決策；學習與適應；規劃與行動；交流與協作；解決複雜問題。 不同歷史階段對“智能”的實現方式不同。早期AI更強調規則、符號和邏輯，後來的機器學習則更多依賴數據。 2. 知識表示決定機器能夠推理什麼 現實世界中的知識必須轉換爲計算機能夠操作的結構。 常見表示方法包括： 一階謂詞邏輯；產生式規則；語義網絡；框架；狀態空間；面向對象的結構；知識圖譜式關係。 每種方法適合表達不同類型的信息。邏輯表達嚴謹，規則系統便於模擬專家判斷，語義網絡擅長表示概念關係，框架適合描述具有槽位和默認值的對象。 沒有一種知識表示能夠以最低成本表達所有問題。 3. 產生式系統用“條件—行動”組織知識 產生式規則通常寫成： 如果滿足條件，那麼執行動作或推出結論 系統包括規則庫、事實庫和推理控制機制。 推理時，需要判斷哪些規則當前可以觸發；如果多條規則同時成立，還要通過沖突消解決定優先執行哪一條。 專家系統、診斷系統和規則引擎都可以採用這一思想。其優勢是知識相對清晰，缺點是規則數量增大後維護困難，並容易出現規則衝突。 4. 搜索把問題轉化爲狀態空間中的路徑 許多AI問題可以表示爲： 初始狀態；可執行操作；狀態轉換；目標狀態；路徑成本。 搜索算法從初始狀態不斷擴展可能行動，直到找到目標。 這種方法可以用於路徑規劃、拼圖、博弈、調度和自動規劃。問題的難點通常不在於是否存在答案，而在於可能狀態數量快速增長。 5. 無信息搜索保證通用，但效率有限 寬度優先搜索逐層擴展節點，在單位成本條件下能夠找到較短路徑，但需要大量內存。 深度優先搜索沿一條路徑深入，內存消耗較低，卻可能陷入錯誤方向，也不保證找到最優解。 一致代價搜索按照累計成本擴展，更適合不同操作代價的場景。 這些算法不瞭解目標方向，因此常常擴展大量無用狀態。 6. 啓發式搜索用知識縮小求解空間 啓發式函數用於估計某個狀態距離目標還有多遠。 貪心搜索優先擴展看起來最接近目標的狀態，速度可能較快，卻不保證整體最優。 A*算法同時考慮： 從起點到當前節點的實際成本；從當前節點到目標的估計成本。 當啓發式函數滿足適當條件時，A*可以找到最優路徑。 好的啓發式知識能夠顯著降低搜索成本，它本質上是把領域經驗注入通用算法。 7. 博弈搜索需要考慮對手的行動 在棋類和競爭性決策中，一個行動的結果取決於對手如何回應。 極大極小算法假設雙方都採取最優策略：一方最大化自身收益，另一方最小化該收益。 Alpha-Beta剪枝可以跳過不會影響最終決定的分支，在結果不變的情況下提高效率。 複雜博弈無法搜索到終局時，需要使用評價函數估計局面價值。 現代圍棋和遊戲AI雖然加入深度學習和蒙特卡羅樹搜索，但仍繼承了狀態、行動、評價和對手建模的基本思想。 8. 邏輯推理從事實和規則推出結論 演繹推理從一般規則和已知事實推出必然結論。 推理方式包括： 正向推理：從已有事實不斷應用規則；反向推理：從目標出發尋找能夠證明它的條件；歸結推理：把證明問題轉化爲尋找邏輯矛盾；自然演繹：按邏輯規則逐步構造證明。 邏輯推理的優勢是過程相對明確、可檢查，但它依賴準確的知識和嚴格形式化。 9. 不確定性要求概率和模糊方法 現實信息通常不完整、含噪聲或存在程度差異。 概率方法用於表示事件發生的不確定性，貝葉斯方法根據新證據更新判斷。 模糊邏輯則處理“高、快、危險”等邊界不明確的概念，通過隸屬度表達程度，而不是隻有真和假。 概率不確定性與模糊性不是同一問題： 概率表示是否發生的不確定；模糊性表示概念邊界不清楚。 選擇方法取決於問題性質。 10. 非單調推理允許結論被新知識推翻 經典邏輯具有單調性：加入新知識不會使原有結論失效。 現實推理卻常使用默認規則。例如，“鳥通常會飛”，但知道某隻鳥是企鵝後，應撤銷原來的結論。 非單調邏輯試圖處理： 默認知識；例外情況；不完整信息；新證據導致的信念修正。 這是讓知識系統更接近常識推理的重要方向。 11. Agent是能夠感知並行動的智能主體 Agent通過傳感或輸入感知環境，根據目標選擇動作，並利用反饋調整行爲。 一個Agent通常包括： 感知模塊；內部狀態或世界模型；目標與效用；決策機制；行動接口；學習機制。 Agent的智能不只體現在回答問題，還體現在持續地處於環境中，形成“觀察—決策—行動—反饋”的閉環。 12. Multi-Agent系統研究多個主體如何協作或競爭 現實任務往往涉及多個Agent，例如交通車輛、機器人隊伍、供應鏈企業和軟件服務。 多Agent系統需要解決： 通信；任務分配；協商；衝突處理；合作計劃；分佈式決策；信任和激勵。 局部最優行爲不一定產生整體最優結果。系統設計需要協調個體目標與集體目標。 今天的多智能體仿真和AI代理協作，仍然面對相同問題。 13. 自然語言理解需要多層分析 語言理解通常涉及： 詞法分析；句法分析；語義分析；語用和上下文；背景知識；對話狀態。 早期方法大量依賴語法規則、詞典和符號結構，能夠清晰表示語言成分，卻難以覆蓋語言的複雜變化。 現代預訓練模型主要通過大規模數據學習語言表示，但在事實可靠、可解釋推理和常識一致性方面，仍需要結合知識、檢索和規則。 14. 機器學習讓系統從經驗中改進 與人工編寫所有規則不同，機器學習從數據中尋找規律。 基本類型包括： 監督學習：使用帶標籤數據學習預測；無監督學習：發現數據結構或聚類；強化學習：通過獎勵學習行動策略；歸納學習：從樣例總結一般規律；神經網絡：通過參數調整學習複雜函數。 機器學習的效果取決於數據、表示、模型、目標和評價設計，而不是算法名稱本身。 15. 規劃系統決定如何實現目標 規劃與普通搜索相似，但更強調動作的前提、效果和目標之間的邏輯關係。 一個動作通常包含： 執行前必須滿足的條件；執行後增加的事實；執行後刪除或改變的事實；資源或代價。 規劃系統需要找到一串合法動作，把初始狀態轉化爲目標狀態。 機器人、物流、生產調度和AI代理工具調用，都可以看作規劃問題。 16. AI應用需要把多種方法組合起來 實際系統很少只依賴一種技術。 例如，一個智能機器人可能同時需要： 感知和識別；地圖與知識表示；路徑搜索；行動規劃；多Agent協調；機器學習；人機交互；安全規則。 人工智能應用的關鍵，是圍繞具體問題組合方法，並形成數據、推理、行動和反饋閉環。 17. 符號AI的價值是清晰、可控和可驗證 符號方法把知識和推理步驟明確表達出來，因此適合規則穩定、責任要求高的領域。 其優勢包括： 結論來源可追蹤；規則可以人工審查；容易加入硬約束；不需要海量訓練數據；對罕見但明確的規則有效。 侷限則包括知識獲取成本高、規則規模膨脹、難以處理感知數據和開放環境。 18. 數據驅動方法與符號方法可以互補 現代深度學習擅長從圖像、語音和文本中發現模式，但難以保證嚴格邏輯與事實一致性。 符號方法可以表達規則、關係和約束，卻難以從原始數據中自動提取知識。 混合系統可以讓神經網絡負責感知和表示，讓知識庫、搜索與規劃負責約束和推理。 今天的檢索增強、工具調用、知識圖譜和AI Agent，都體現了這種重新融合。 19. 本書具有明顯的經典教材時代特徵 本書按照知識表示、搜索、推理、Agent、NLP、機器學習和規劃構建體系，主要反映深度學習和大語言模型普及前的人工智能知識框架。 部分算法、案例和“最新進展”已經過時，但以下內容仍有長期價值： 問題形式化；狀態空間；啓發式搜索；邏輯和不確定推理；規劃；多主體協作；可解釋規則系統。 大模型擴大了語言和生成能力，卻沒有消除這些經典問題。 四、本書最值得關注的核心觀點 本書最值得關注的觀點是： 人工智能系統的能力來自“表示＋搜索＋推理＋學習＋行動”的組合，而不是某個單獨模型。 如果問題沒有被正確表示，搜索就找不到有效路徑；如果目標和規則不清晰，推理和規劃可能高效地產生錯誤行動；如果沒有反饋，系統也無法持續學習。 今天的大模型往往承擔表示、語言理解和部分推理能力，但真正完成現實任務，還需要知識檢索、工具調用、狀態管理、規劃、權限和結果驗證。 經典AI教材的價值，正在於提供了理解這些模塊如何組成完整智能系統的框架。 五、一段話總結 《人工智能及其應用》以經典人工智能體系爲主線，從知識表示、產生式規則、狀態空間和啓發式搜索入手，講解演繹推理、不確定與非單調推理、高級搜索、Agent和Multi-Agent協作，並延伸到自然語言理解、機器學習、自動規劃與實際應用。全書說明，智能系統需要先把現實問題形式化爲機器可處理的知識、狀態、目標和動作，再通過搜索與推理尋找方案，通過學習從經驗中改進，並在環境反饋中執行。雖然書中內容主要對應深度學習和大語言模型普及前的階段，但問題建模、A*搜索、邏輯推理、規劃、多主體協作和可解釋規則等思想仍是現代AI Agent、機器人和決策系統的重要基礎。

AI#11. 儘管它是一本2009年老教科書，從目錄上看，其歸納總結有特色，例如，AI歷史性里程碑事件及概念總結。真想了解一個行業，不是隻當磚家，還需要挖根刨底，飲水思源，觀全局，足以爲謀。 對於AI非專業讀者，顯然，它值得一試，就當看小說，不喜歡情節就練三級跳，反正不是靠其謀生。手中有書卡，走馬觀花，騎馬看碼農幹啥活，試一下AI 的水有多深，能否隨便書海撈一把？呵呵，拭目以待。 這本書的最大優點是知識內容高度集中，都是乾貨。讀一章勝讀許多書，特別是它總結AI歷史，數理邏輯學應用等部分，絕不拖泥帶水。例如，介紹很多實際問題都可以抽象轉化成最優化問題，然後從數學的角度求解其最優解。即對於給出的實際問題，從衆多的選擇中選出符合條件的最優方案。……。另外，像還有高級知識表示和知識推理技術部分，包括模糊邏輯、模態邏輯、非單調邏輯、時間與空間推理、定性推理、描述邏輯等部分文字介紹都像非常專業，是書的重點核心內容之一。另外，就是有關於Agent 有關介紹。例如，“計算機和人工智能領域中，Agent可以看做是一個實體，它通過傳感器感知環境，通過執行器作用於環境。對於人類Agent，眼睛、耳朵等器官如同傳感器，手、腳和嘴等如同執行器”......。它介紹了“規劃技術基本概念”...！ 當然，它介紹了自然語言，機器學習 理解。NL一直是人工智能界所關注的核心課題之一。意外收穫是瞭解到喬姆斯基體系在NL及機器翻譯中的應用。怪不得他名氣如此之大，MIT書店與他有關係書有幾排。 顯然，能夠得到一些基礎性具體思維方法及步驟或者大概念，就是讀教科書的好處。讀教科書缺點就是總是落伍，特別是在AI 領域。不過，對於喫瓜的讀者可能問題不太大……？ 當然書中會是有些難明白的地方，例如，它介紹“人工生命致力於通過試圖在生物學現象中抽取基本的動力學原理來理解生命，並把這些原理用到其他的物理媒體上，如計算機，使它們成爲新的實驗操作和測試對象。蟻羣優化算法模擬螞蟻的行爲，向螞蟻的協作方式學習。粒羣優化算法基於鳥羣捕食行爲的研究。免疫計算是模仿生物免疫學和基因進化機理，通過人工方式構造優化搜索算法。” 問題是其中各種算法能夠解決什麼樣問題？爲什麼要用此法或者用這些算法的侷限性是什麼？這些好像是黑箱作業，如此等等…。因爲，喫瓜讀者不僅僅想知其然，而且想知其所以然。⛽️

雖然是2009年的，但是基本原理是一樣的，作爲教材還是不錯的

摘抄痕跡明顯，沒有消化就丟出來了；講一個方法基本就是拿人家的來舉例，而且舉例完美避開了人家的重點；處處有定義沒有找到；符號亂用，公式也不是合法的公式，比如括號左右不對稱；語法錯誤；圖號標錯了；。。。。。 儘管各種不是，對於想了解人工智能各研究方向大致的，還是可以花幾分鐘去看看每章綜述部分；如果是想真正做研究那就算了。