人工智能及其应用

《人工智能及其应用》拆解 作者：李国勇、李维民 一、一句话概括 人工智能的基本任务，是把知识表示成机器可处理的形式，再通过搜索、推理、学习与规划，从可能的状态和行动中找到能够解决问题的方案。 二、核心逻辑 本书采用经典人工智能教材的知识体系，按照“知识—求解—协作—应用”的路线展开： 1. 知识表示：怎样把事实、规则、对象和关系转化为计算机内部结构。2. 搜索与推理：怎样从已知状态出发寻找答案，并推出新的结论。3. 高级方法：怎样处理不确定、不完整和不断变化的知识。4. 智能主体：怎样让Agent感知环境、选择行动并相互协作。5. 任务应用：自然语言理解、机器学习、自动规划和实际系统。 全书的核心路径可以概括为： 描述问题 → 表示知识 → 定义状态和目标 → 搜索或推理 → 学习改进 → 形成计划并执行 这套体系主要对应符号人工智能与经典机器学习阶段，但其中的问题建模、搜索、推理和规划思想仍是现代AI的基础。 三、核心内容 1. 人工智能研究的是“如何让机器表现出智能行为” 人工智能并不等同于某一种算法。 它关注机器能否完成通常需要人类智能的任务，例如： 识别与理解；推理与决策；学习与适应；规划与行动；交流与协作；解决复杂问题。 不同历史阶段对“智能”的实现方式不同。早期AI更强调规则、符号和逻辑，后来的机器学习则更多依赖数据。 2. 知识表示决定机器能够推理什么 现实世界中的知识必须转换为计算机能够操作的结构。 常见表示方法包括： 一阶谓词逻辑；产生式规则；语义网络；框架；状态空间；面向对象的结构；知识图谱式关系。 每种方法适合表达不同类型的信息。逻辑表达严谨，规则系统便于模拟专家判断，语义网络擅长表示概念关系，框架适合描述具有槽位和默认值的对象。 没有一种知识表示能够以最低成本表达所有问题。 3. 产生式系统用“条件—行动”组织知识 产生式规则通常写成： 如果满足条件，那么执行动作或推出结论 系统包括规则库、事实库和推理控制机制。 推理时，需要判断哪些规则当前可以触发；如果多条规则同时成立，还要通过冲突消解决定优先执行哪一条。 专家系统、诊断系统和规则引擎都可以采用这一思想。其优势是知识相对清晰，缺点是规则数量增大后维护困难，并容易出现规则冲突。 4. 搜索把问题转化为状态空间中的路径 许多AI问题可以表示为： 初始状态；可执行操作；状态转换；目标状态；路径成本。 搜索算法从初始状态不断扩展可能行动，直到找到目标。 这种方法可以用于路径规划、拼图、博弈、调度和自动规划。问题的难点通常不在于是否存在答案，而在于可能状态数量快速增长。 5. 无信息搜索保证通用，但效率有限 宽度优先搜索逐层扩展节点，在单位成本条件下能够找到较短路径，但需要大量内存。 深度优先搜索沿一条路径深入，内存消耗较低，却可能陷入错误方向，也不保证找到最优解。 一致代价搜索按照累计成本扩展，更适合不同操作代价的场景。 这些算法不了解目标方向，因此常常扩展大量无用状态。 6. 启发式搜索用知识缩小求解空间 启发式函数用于估计某个状态距离目标还有多远。 贪心搜索优先扩展看起来最接近目标的状态，速度可能较快，却不保证整体最优。 A*算法同时考虑： 从起点到当前节点的实际成本；从当前节点到目标的估计成本。 当启发式函数满足适当条件时，A*可以找到最优路径。 好的启发式知识能够显著降低搜索成本，它本质上是把领域经验注入通用算法。 7. 博弈搜索需要考虑对手的行动 在棋类和竞争性决策中，一个行动的结果取决于对手如何回应。 极大极小算法假设双方都采取最优策略：一方最大化自身收益，另一方最小化该收益。 Alpha-Beta剪枝可以跳过不会影响最终决定的分支，在结果不变的情况下提高效率。 复杂博弈无法搜索到终局时，需要使用评价函数估计局面价值。 现代围棋和游戏AI虽然加入深度学习和蒙特卡罗树搜索，但仍继承了状态、行动、评价和对手建模的基本思想。 8. 逻辑推理从事实和规则推出结论 演绎推理从一般规则和已知事实推出必然结论。 推理方式包括： 正向推理：从已有事实不断应用规则；反向推理：从目标出发寻找能够证明它的条件；归结推理：把证明问题转化为寻找逻辑矛盾；自然演绎：按逻辑规则逐步构造证明。 逻辑推理的优势是过程相对明确、可检查，但它依赖准确的知识和严格形式化。 9. 不确定性要求概率和模糊方法 现实信息通常不完整、含噪声或存在程度差异。 概率方法用于表示事件发生的不确定性，贝叶斯方法根据新证据更新判断。 模糊逻辑则处理“高、快、危险”等边界不明确的概念，通过隶属度表达程度，而不是只有真和假。 概率不确定性与模糊性不是同一问题： 概率表示是否发生的不确定；模糊性表示概念边界不清楚。 选择方法取决于问题性质。 10. 非单调推理允许结论被新知识推翻 经典逻辑具有单调性：加入新知识不会使原有结论失效。 现实推理却常使用默认规则。例如，“鸟通常会飞”，但知道某只鸟是企鹅后，应撤销原来的结论。 非单调逻辑试图处理： 默认知识；例外情况；不完整信息；新证据导致的信念修正。 这是让知识系统更接近常识推理的重要方向。 11. Agent是能够感知并行动的智能主体 Agent通过传感或输入感知环境，根据目标选择动作，并利用反馈调整行为。 一个Agent通常包括： 感知模块；内部状态或世界模型；目标与效用；决策机制；行动接口；学习机制。 Agent的智能不只体现在回答问题，还体现在持续地处于环境中，形成“观察—决策—行动—反馈”的闭环。 12. Multi-Agent系统研究多个主体如何协作或竞争 现实任务往往涉及多个Agent，例如交通车辆、机器人队伍、供应链企业和软件服务。 多Agent系统需要解决： 通信；任务分配；协商；冲突处理；合作计划；分布式决策；信任和激励。 局部最优行为不一定产生整体最优结果。系统设计需要协调个体目标与集体目标。 今天的多智能体仿真和AI代理协作，仍然面对相同问题。 13. 自然语言理解需要多层分析 语言理解通常涉及： 词法分析；句法分析；语义分析；语用和上下文；背景知识；对话状态。 早期方法大量依赖语法规则、词典和符号结构，能够清晰表示语言成分，却难以覆盖语言的复杂变化。 现代预训练模型主要通过大规模数据学习语言表示，但在事实可靠、可解释推理和常识一致性方面，仍需要结合知识、检索和规则。 14. 机器学习让系统从经验中改进 与人工编写所有规则不同，机器学习从数据中寻找规律。 基本类型包括： 监督学习：使用带标签数据学习预测；无监督学习：发现数据结构或聚类；强化学习：通过奖励学习行动策略；归纳学习：从样例总结一般规律；神经网络：通过参数调整学习复杂函数。 机器学习的效果取决于数据、表示、模型、目标和评价设计，而不是算法名称本身。 15. 规划系统决定如何实现目标 规划与普通搜索相似，但更强调动作的前提、效果和目标之间的逻辑关系。 一个动作通常包含： 执行前必须满足的条件；执行后增加的事实；执行后删除或改变的事实；资源或代价。 规划系统需要找到一串合法动作，把初始状态转化为目标状态。 机器人、物流、生产调度和AI代理工具调用，都可以看作规划问题。 16. AI应用需要把多种方法组合起来 实际系统很少只依赖一种技术。 例如，一个智能机器人可能同时需要： 感知和识别；地图与知识表示；路径搜索；行动规划；多Agent协调；机器学习；人机交互；安全规则。 人工智能应用的关键，是围绕具体问题组合方法，并形成数据、推理、行动和反馈闭环。 17. 符号AI的价值是清晰、可控和可验证 符号方法把知识和推理步骤明确表达出来，因此适合规则稳定、责任要求高的领域。 其优势包括： 结论来源可追踪；规则可以人工审查；容易加入硬约束；不需要海量训练数据；对罕见但明确的规则有效。 局限则包括知识获取成本高、规则规模膨胀、难以处理感知数据和开放环境。 18. 数据驱动方法与符号方法可以互补 现代深度学习擅长从图像、语音和文本中发现模式，但难以保证严格逻辑与事实一致性。 符号方法可以表达规则、关系和约束，却难以从原始数据中自动提取知识。 混合系统可以让神经网络负责感知和表示，让知识库、搜索与规划负责约束和推理。 今天的检索增强、工具调用、知识图谱和AI Agent，都体现了这种重新融合。 19. 本书具有明显的经典教材时代特征 本书按照知识表示、搜索、推理、Agent、NLP、机器学习和规划构建体系，主要反映深度学习和大语言模型普及前的人工智能知识框架。 部分算法、案例和“最新进展”已经过时，但以下内容仍有长期价值： 问题形式化；状态空间；启发式搜索；逻辑和不确定推理；规划；多主体协作；可解释规则系统。 大模型扩大了语言和生成能力，却没有消除这些经典问题。 四、本书最值得关注的核心观点 本书最值得关注的观点是： 人工智能系统的能力来自“表示＋搜索＋推理＋学习＋行动”的组合，而不是某个单独模型。 如果问题没有被正确表示，搜索就找不到有效路径；如果目标和规则不清晰，推理和规划可能高效地产生错误行动；如果没有反馈，系统也无法持续学习。 今天的大模型往往承担表示、语言理解和部分推理能力，但真正完成现实任务，还需要知识检索、工具调用、状态管理、规划、权限和结果验证。 经典AI教材的价值，正在于提供了理解这些模块如何组成完整智能系统的框架。 五、一段话总结 《人工智能及其应用》以经典人工智能体系为主线，从知识表示、产生式规则、状态空间和启发式搜索入手，讲解演绎推理、不确定与非单调推理、高级搜索、Agent和Multi-Agent协作，并延伸到自然语言理解、机器学习、自动规划与实际应用。全书说明，智能系统需要先把现实问题形式化为机器可处理的知识、状态、目标和动作，再通过搜索与推理寻找方案，通过学习从经验中改进，并在环境反馈中执行。虽然书中内容主要对应深度学习和大语言模型普及前的阶段，但问题建模、A*搜索、逻辑推理、规划、多主体协作和可解释规则等思想仍是现代AI Agent、机器人和决策系统的重要基础。

AI#11. 尽管它是一本2009年老教科书，从目录上看，其归纳总结有特色，例如，AI历史性里程碑事件及概念总结。真想了解一个行业，不是只当砖家，还需要挖根刨底，饮水思源，观全局，足以为谋。 对于AI非专业读者，显然，它值得一试，就当看小说，不喜欢情节就练三级跳，反正不是靠其谋生。手中有书卡，走马观花，骑马看码农干啥活，试一下AI 的水有多深，能否随便书海捞一把？呵呵，拭目以待。 这本书的最大优点是知识内容高度集中，都是干货。读一章胜读许多书，特别是它总结AI历史，数理逻辑学应用等部分，绝不拖泥带水。例如，介绍很多实际问题都可以抽象转化成最优化问题，然后从数学的角度求解其最优解。即对于给出的实际问题，从众多的选择中选出符合条件的最优方案。……。另外，像还有高级知识表示和知识推理技术部分，包括模糊逻辑、模态逻辑、非单调逻辑、时间与空间推理、定性推理、描述逻辑等部分文字介绍都像非常专业，是书的重点核心内容之一。另外，就是有关于Agent 有关介绍。例如，“计算机和人工智能领域中，Agent可以看做是一个实体，它通过传感器感知环境，通过执行器作用于环境。对于人类Agent，眼睛、耳朵等器官如同传感器，手、脚和嘴等如同执行器”......。它介绍了“规划技术基本概念”...！ 当然，它介绍了自然语言，机器学习 理解。NL一直是人工智能界所关注的核心课题之一。意外收获是了解到乔姆斯基体系在NL及机器翻译中的应用。怪不得他名气如此之大，MIT书店与他有关系书有几排。 显然，能够得到一些基础性具体思维方法及步骤或者大概念，就是读教科书的好处。读教科书缺点就是总是落伍，特别是在AI 领域。不过，对于吃瓜的读者可能问题不太大……？ 当然书中会是有些难明白的地方，例如，它介绍“人工生命致力于通过试图在生物学现象中抽取基本的动力学原理来理解生命，并把这些原理用到其他的物理媒体上，如计算机，使它们成为新的实验操作和测试对象。蚁群优化算法模拟蚂蚁的行为，向蚂蚁的协作方式学习。粒群优化算法基于鸟群捕食行为的研究。免疫计算是模仿生物免疫学和基因进化机理，通过人工方式构造优化搜索算法。” 问题是其中各种算法能够解决什么样问题？为什么要用此法或者用这些算法的局限性是什么？这些好像是黑箱作业，如此等等…。因为，吃瓜读者不仅仅想知其然，而且想知其所以然。⛽️

虽然是2009年的，但是基本原理是一样的，作为教材还是不错的

摘抄痕迹明显，没有消化就丢出来了；讲一个方法基本就是拿人家的来举例，而且举例完美避开了人家的重点；处处有定义没有找到；符号乱用，公式也不是合法的公式，比如括号左右不对称；语法错误；图号标错了；。。。。。 尽管各种不是，对于想了解人工智能各研究方向大致的，还是可以花几分钟去看看每章综述部分；如果是想真正做研究那就算了。