### 人工智能技术的三大流派
- 符号主义: 强调理性
- 行为主义: 强调反应
- 联结主义: 强调连接
### 符号主义 Symbolism
- 基于物理符号系统假设
- 逻辑主义 Logicism
- 心理学派 Psychologism
- 计算机学派 Computerism
### 核心假设
- Knowledge Representation and Reasoning
- 智能的基础是知识
- 智能即知识表示和知识推理
- 知识表示和知识推理的基础是逻辑
- 知识表示和知识推理的核心是符号
### 基本内容
- AI 的目标是制造智能机器
- AI 不需局限于生物学
- 物理符号系统假说
- 关注逻辑与推理
### 物理符号系统假说
- 由物理符号组成的系统
- 符号即模式
- 输入
- 输出
- 存储
- 复制
- 建立符号结构
- 条件性迁移
### 代表成果
- 逻辑门 Logic Gates
- 机器人手臂 Robot Arm
- 逻辑理论家 Logic Theorist
- 专家系统 Expert System
### 逻辑门
- 建立在符号操作基础上
- 用于处理信息
- 二进制输入
- 布尔运算
#### Logic Gates
#### Logic Gates
### 机器人手臂
- 斯坦福手臂
- 编程来控制目标, 行动和约束
- 能够执行复杂任务
#### Stanford Arm
### 逻辑理论家
- 第一个证明数学定理的 AI 程序
- 使用符号逻辑来证明数学定理
- 能证明一些以前未知的定理
- 展示了符号主义自动推理的潜力
### 专家系统
- 20 世纪后期符号主义的应用
- 模仿人类专家在特定领域的决策过程
- 决策来自规则和事实组成的知识库
- 困难在于获取和表示专家知识
### 结论
- 在处理不确定性和复杂性方面存在局限
- 在机器人和自动推理方面显示出潜力
### 行为主义 Actionism
- 基于控制论假设
- 进化主义 Evolutionism
- 控制论学派 Cyberneticsism
- 智能来自于与环境的交互
### 核心假设
- Intelligent Behavior
- 智能的基础是感知和行为
### 基本内容
- 自适应
- 自组织
- 自学习
- 自寻优
- 自镇定
### 代表成果
- 机器人学 Robotics
- 自主车辆 Autonomous Vehicles
- 外骨骼 Exoskeletons
- 无人机 Drones
### 机器人学
- 机器人的设计, 建造和操作
- 使用传感器, 执行器和算法
- 机器人能够感知并与环境互动
- 新进展有软体机器人, 蜂群机器人和自主无人机等
#### I, Robot (2004), 豆瓣评分 8.2
#### Detroit: Become Human (2018), 豆瓣评分 9.3
#### Robotic Insect
#### Hexa Robot
#### Hexa Robot
#### Hexa Robot
iRobot Roomba
Atlas from Boston Dynamics
### 自主车辆
- 基于 AI 的自动驾驶车辆
- 使用传感器, 摄像头和机器学习算法
- 有助于减少事故, 交通拥堵和碳排放
- 带来新的伦理和法律问题
#### Autonomous Vehicles
#### Autonomous Vehicles
### 动力外骨骼
- 感知人的动作, 并加以助力
- 增加残疾人, 病人或老人的活动能力
- 主要伦理和社会问题包括医疗费用和就业影响
#### Exoskeletons
#### Exoskeletons
#### Exoskeletons in Japan
#### Iron Man (2008), 豆瓣评分 9.0
### 无人机
- 远程控制或自主控制的飞行器
- 广泛应用于农业, 运输和安全方面
- 使用传感器, GPS 和机器学习算法
- 带来隐私和安全问题, 以及事故风险
#### DJI Mini 2
#### DJI Drones for Agriculture
#### Angel Has Fallen (2019), 豆瓣评分 6.0
### 结论
- 控制物理系统并在现实世界中执行行动
- 可能在许多领域改善效率, 安全和生活质量
- 带来一些伦理, 法律和社会问题
### 联结主义 Connectionism
- 将大脑建模为相互连接的神经元网络
- 可以从实例中学习
- 可以将学到的知识泛化到新的情况
### 核心假设
- 神经元连接 Neurons Connections
- 机器学习 Machine Learning
- 泛化 Generalization
- 并行处理 Parallel Processing
### 神经元连接
- 神经元可以被建模为网络中的节点
- 神经元接受来自其他神经元的输入
- 神经元向其他神经元产生输出
- 神经元的连接强度可通过学习调整
#### Neuron
#### Neurons
#### Neuron
#### Neurons Connected
#### Neurons Connection
### 机器学习
- 学习通过调整神经元的连接强度进行
- 可以分成有监督学习，无监督学习，强化学习
- 学习可以通过反向传播算法或其他方法发生
#### Machine Learning
### 泛化
- 模型可以从实例中概括出新的情况
- 泛化可以通过使用分布式表征来实现
- 泛化可以在新的任务中获得更好的表现
- 泛化可以更有效地利用资源
#### Generalization
#### Generalization
### 并行处理
- 通过同时激活多个神经元来并行处理
- 可以带来更快和更有效的计算
- 需要高效的硬件和软件实现
#### Parallel Processing
#### GPU Server
### 基本内容
- 对大脑建模
- 从实例中学习
- 可在多领域应用
### 挑战
- 过拟合问题
- 需要大量数据和算力
- 在处理特定数据时有局限
#### Overfitting
#### Overfitting
#### Overfitting
### 代表成果
- 神经网络 Neural Networks
- 深度学习 Deep Learning
- 强化学习 Reinforcement Learning
- 递归神经网络 Recurrent Neural Networks
- 大语言模型 Large Language Models
### 神经网络
- 是一种机器学习算法
- 由多层相互连接的节点组成
- 可以从实例中学习
- 可以根据输入数据做出预测或决策
- 应用于图像识别, 自然语言处理等诸多领域
#### Neural Networks
#### Neural Networks
#### Neural Networks
#### Neural Networks
#### Neural Networks
### 深度学习
- 是机器学习的一个子领域
- 它使用具有许多层的神经网络
- 可以从数据中自动学习复杂的特征和模式
- 在许多任务中取得了最先进的性能
- 深度学习需要大量标记数据和算力
#### Deep Learning
### 强化学习
- 是机器学习的一种类型
- 到通过试验和错误来学习
- 与环境互动, 并为其行动获得奖励或惩罚
- 应用于游戏, 机器人等领域
- 需要仔细调整奖励函数
#### Reinforcement Learning
### 递归神经网络
- 一种可以处理连续数据的神经网络类型
- 有反馈连接, 使其能够保持状态信息
- 应用于自然语言处理, 语音识别等诸多领域
- 很难训练, 且容易出现梯度消失或爆炸的情况
### 大语言模型
- 可以生成类似人类的文本
- 已变得越来越复杂和强大
### Transformer模型
- 2017 年由 Google 提出
- 在许多语言任务上取得成果
- 使用注意力机制
- 已被用于创建强大的语言模型
### 人类反馈强化学习
- Reinforcement Learning from Human Feedback
- 从人类反馈中学习
- 应用于语言学习, 游戏和机器人领域
- 需要仔细考虑道德和安全问题
- 是近期的活跃研究领域
### 结论
- 使用神经网络来模拟大脑的结构和功能
- 带来了许多领域的突破
- 引起人们对数据隐私, AI 偏见和道德的关注
### 三个流派的联系
- 每种方法都有自己的技术, 算法和应用
- 了解的区别和联系对于开发有效的 AI 非常重要
### 符号主义
- 使用符号表示和逻辑来表示知识并对其进行推理
- 在专家系统, 自然语言理解和自动推理方面有应用
- 在处理不确定性和复杂性方面有局限性
- 需要逻辑, 知识表示和推理方面的专业知识
### 行为主义
- 使用 AI 来控制物理系统并行动
- 在机器人相关领域广泛应用
- 提出了一些伦理, 法律和社会问题
- 需要控制论, 电子学和软件工程等方面知识
### 联结主义
- 将大脑建模为相互连接神经元网络
- 可以从实例中学习, 并泛化到新的数据中
- 在自然语言处理和许多其他领域都有应用
- 需要大量数据和计算资源
### 联系
- 三大流派并不相互排斥
- 每种方法都可以补充和加强其他方法
- 联结主义模型可以用来学习符号推理的表示
- 符号模型可以为联结主义模型提供约束和先验知识
- 行为主义可以将联结主义和符号模型整合到物理系统中
### 1.3 人工智能的技术流派
- 人工智能有哪些主要技术流派?
- 这些流派的关键假设是什么?
- 这些流派分别有哪些优缺点?
- 这些流派分别有哪些应用?
- 你认为, 这些流派该如何融合?
----
[ 1.2 人工智能的发展历史 ](ita-1-2.html)
[| 练习 |](ita-exec.html)
[ 1.4 人工智能的发展现状与应用 ](ita-1-4.html)
黑公网安备23010302001726号