什么是人工智能？

人工智能的解释是什么？

多年来，许多人尝试定义人工智能。斯图尔特·罗素（Stuart Russell）和彼得·诺维格（Peter Norvig）在他们的书《人工智能-一种现代方法》中总结了很多这样的定义。

AI的定义可以归纳为以下几类：

1. 那些解决思维过程和推理（人工智能如何思考/推理）的人
2. 那些解决行为的方法（在已知的情况下，AI的行为方式）

此外，以上两类进一步分为以下定义：

I.基于AI复制人类绩效的能力来评估AI的成功

二。或复制称为“合理性”的理想绩效指标的能力（它根据所了解的内容做“正确”的事情吗？）

我将引用适合上述每个类别的定义：

• 1.I. “与人类思维相关的活动的[自动化]，例如决策，解决问题，学习的活动。”-Bellman 1978
• 1.II. “对使感知，推理和行动成为可能的计算的研究。” -温斯顿，1992年
• 2。“关于如何使计算机在当前人们可以做的事情上做得更好的研究”-Rich和Knight，1991年
• 2。“智能代理设计的研究”-Poole等，1998

总而言之，人工智能致力于创建可以做出理性决定和采取理性行动的智能和理性机器。

我建议您阅读Turing测试，Alan Turing提出了该测试，以测试计算机是否智能。但是，图灵测试存在一些问题，因为它是拟人化的。

当航空工程师制造飞机时，他们并没有设定飞机像鸟一样飞行的目标，而是基于空气动力学研究开始学习升力的产生方式。他们利用这些知识创建了飞机。

同样，人工智能领域的人们不应以恕我直言将人类智能作为追求的标准，而可以说，我们可以将理性作为标准（以及其他标准）。

在进行了相当认真的研究之后，Legg和Hutter 在论文《通用智能：机器智能的定义》（2007）中，对智能进行了如下非正式定义：

智能可衡量代理在多种环境中实现目标的能力

在同一篇论文中，他们还对该定义进行形式化。您可以看一下本文以获取更多详细信息，但是为了提出这个定义，他们用了几句话来研究了人们多年来给出的多种智能定义，并且他们试图总结出关键所有这些定义的要点。他们还讨论了诸如智力测验及其与智力定义之间的关系之类的问题：也就是说，智力测验足以定义智力，还是智力测验和智力定义与众不同？他们还指出了该定义与AIXI之间的关系。

在文章中，什么是人工智能？（2007年），约翰·麦卡锡，人工智能的创始人之一，谁也创造了表达的人工智能，写

人工智能是制造智能机器，尤其是智能计算机程序的科学和工程学。它与使用计算机来理解人类智能的类似任务有关，但是AI不必将自己局限于生物学上可观察的方法。

但是，此定义与人类智力有关，因此并非所有人都会同意此定义。

他进一步指出

智力是实现世界目标的能力的计算部分。人们，许多动物和某些机器中会出现各种类型和不同程度的智力。

自从1956年在达特茅斯会议上提出正式构想以来，人工智能领域就发生了变化，因此人工智能的定义也将不断发展。在该会议之前，已经有几个相关的领域和表达方式，例如控制论。

我能想出的最短答案可能是：尽管我们对自然智能还不了解，但还是要加一点盐：

可以将自然情报视为从有限的观察中学习抽象概念的过程，目的是将其用于解决[新]任务。该过程涉及使用这些概念来想象新的，假设上正确的方案/理论，并以有意义的方式将它们组合起来，以减少可能性的巨大假设空间，并在不事先观察任何数据的情况下将其推广到新情况。人工智能将自然智能的作用带入机器。

没有大多数人都同意的正式定义。因此，这就是我作为数据科学/机器学习顾问的想法：

人工智能作为研究领域是对智能体的研究，这些智能体会在环境中自主感知并采取行动，并根据某种行为标准来改善其处境。

我不喜欢这个词，因为它太宽泛/模糊。相反，请看汤姆·米切尔（Tom Mitchell）对机器学习的定义：

如果某计算机程序在经验“ E”中有所改善，则可以从某类任务“ T”和性能量度“ P”的经验“ E”中学习，如果该计算机程序对以“ P”度量的“ T”任务的性能有所提高

机器学习是AI的重要组成部分，但不是唯一的一部分。搜索算法，SLAM，约束优化，知识库和自动推理当然也是AI的一部分。

毫无疑问，人工智能研究人员对定义用于其自身学科领域的术语很感兴趣，并且术语“ 人工智能”几乎没有歧义。挑战在于，“ 智能 ”一词在历史上更多是定性描述，而不是实数。

如何将一个人的智慧与另一个人的智慧进行比较？智商测试，大学董事会测试类别的平均水平，净资产，国际象棋和围棋比赛的胜利，错误的决策率，各种智力速度竞赛，评估委员会和专家组对于那些心智能力落后于数学理论的人来说都是痛苦的我们称之为情报。

仅在一个世纪之前，智能才是定性术语，与能够为学术界，企业和个人生活中的问题找到解决方案的能力相关。当文化开始寻求对事物一度定性的定量处理时，精神能力对一个人的年龄及其环境机会的依赖性就带来了挑战。智商（IQ）的想法源于量化与年龄和机会无关的心理潜能的愿望。

有些人试图通过对适用于数学和语言的基本认知技能进行标准化测试来最大程度地减少环境因素。

生产系统和模糊逻辑容器（基于规则），深度学习（基于人工网络），遗传算法以及其他形式的AI研究并未生产出能够在针对人类的标准化测试中获得良好评分的机器。然而，机器仍在继续寻求自然语言能力，机械协调性，出色的计划能力以及基于清晰可验证的推理得出的结论。

以下是心理能力的类别，以其测量方法，使用体系结构和已产生早期有希望的结果并不断改进的研究类型来区分。

• 对话-由Alan Turing拟议的模仿游戏以及应答系统自动化，个人助理和移动聊天机器人的可行性来衡量
• 机械控制-在运输部门使用智能自动化的情况下，通过系统稳定性标准和事故成本率以及减少的生命损失速率进行衡量
• 商业智能-主要通过与手动计划和运营控制之前或同时发生的趋势有关的盈利能力的增减来衡量

上面没有故意列出基于最佳手段的数学表达式的复杂函数最可能和最佳参数化的发现。机器学习设备的主要活动是什么，与历史上称为智能的类别并不完全匹配，也不应该如此。出于预测目的对数据集进行统计处理并不是从智力上学习。这是表面贴合。像其他计算工具一样，机器学习目前是人类智能用来扩展其功能的工具。

将来，这种对机器学习的限制可能会被超越。尚不知道人工网络是否以及何时将展示上述类别中的认知，逻辑，识别重要性的能力以及有效能力。

$n$$\mathcal{I} \in \mathbb{R}^n$$n = 1$

• 语言智能（“智能单词”）
• 逻辑数学智能（“数字/推理智能”）
• 空间智能（“图片智能”）
• 身体动觉智能（“身体智能”）
• 音乐智能（“音乐智能”）
• 人际关系智能（“人智能”）
• 人际智能（“自我智慧”）
• 自然主义者的智慧（阿姆斯特朗的加成）
• 存在智能（阿姆斯特朗的补充）
• 道德智慧（约翰·布拉德肖，博士，补充）

在认知科学，遗传学和生物信息学领域，基于证据的发现已系统性地削弱了以下观点：所有这些都是由于教育或其他培训而以不同的有效性表示的单一智力能力的体现。

在遗传学中，至少已经确定了22个独立的智能遗传成分，并且这一数字可能会增加。人类DNA中的这些独立开关并不会完全影响大脑中相同的神经控制，这表明g因子意识形态的基于证据的弱点。

随着时间的推移，人类智能和DNA表达的某些形式可能会以复杂的方式进行映射，并且随着时间的推移，这种映射将完全取代g因子的简化。

术语“人工智能”可以更好地表达为“人类智能形式和表达的模拟”，而简称为“ AI”。但是，这不是一个定义。这是一个粗略的描述。对于我们在单个术语下松散分组的所有维度，可能永远不会有一个单一的精确定义。如果这是人类的智慧，那么对于人工智能也可能仍然如此。

关于所有智能响应，可以列出一些共同的特征。

• 只能在特定的环境条件和某些目标或一组目标的背景下，对智能进行衡量并获得有用性。目标的例子包括维持生计，获得学位，在冲突中谈判休战，发展资产或业务。
• 智力涉及根据通过经验中学到的知识来适应意外情况，因此，没有能力应用所学知识的学习不是智力，而应用已学到的过程并简单地转移到控制过程的某物或某物上也不是智能被认为是智力。

人工智能可以以似乎并发的方式学习和应用。除此之外，在没有提及一些以较小形式递归提出的关键人类心理能力的情况下，讨论智力的有效定义是不可行的，但是不存在证明递归或组成会产生这些心理特征的证据。

• 并行学习和使用已学到的知识
• 发明新的增量改进机制的能力
• 适应意外情况
• 能够在当前学习的领域之外开发结构

智能机器的未来需求可能包括这些，现在将它们包括在内可能会有些智慧。

参考文献

脚本，计划，目标和理解：对人类知识结构的探究，Schank，Abelson，2013年，被16689条文章引用，T＆F摘录：1971年夏天，在心理学，人工智能和语言学。15名参与者以各种方式对大型知识或信念系统的表示感兴趣。

理解我们的工艺—想要：智力的定义，迈克尔·华纳，2002年

智力的概念及其在终身学习和成功中的作用，罗伯特·斯特恩伯格，耶鲁大学，1997年

从人工智能的角度看一些哲学问题，约翰·麦卡锡和帕特里克·海斯，斯坦福大学，1981年

《理解和发展情绪智力》，奥利维尔·塞拉特（Olivier Serrat），知识解决方案，第329-339页，2017年

心理框架：多元智能理论，2011年，霍华德·加德纳

7（七）种智能：识别和发展您的多元智能，1999，托马斯·阿姆斯特朗

Suzanne Sniekers等人对78,308名个体进行的全基因组关联荟萃分析确定了影响人类智力的新基因座和基因。等，2017

情报

就给定任务或一组任务而言，决策代理相对于其他决策代理的实力的度量。媒介是无关紧要的，有机机制和有意创造的机制都展现了智能。也可能是解决问题的能力，例如在已解决的游戏中。

人工的

与“ 人工制品 ”一词有关，“ 人工制品”是有意创建的。通常，该术语已被用来表示物理对象，但是由人类创建的算法也被视为人工制品。

词源源自拉丁语ars和faciō：“要熟练地构建”或“制作艺术”。

人工智能

• 任何熟练（有意）构造的决策代理。

附录：“智能”的含义

回溯至印度欧洲，“智能”的原始含义似乎是“获得”。参见：智力（词源）；*腿/ *leh²w-

OED对智能的第一个定义并不正确，其含义扩展到了能力的获得（可证明的效用），而第二个定义则是较古老且基本的：“收集（战略）价值的信息； 2.3（过时的）信息一般；新闻。”

您可以认为宇宙是由信息组成的，无论信息采取什么形式（物质，能量，状态，相对位置等）。从算法的角度来看，这是有道理的，因为它们唯一可以衡量宇宙的手段就是知觉。

取一个平面文本文件。它可能只是数据，但您可以尝试执行。如果它实际运行，它可能会在某些任务上演示实用程序。（例如，如果是minimax算法。）

从信息的意义上说，“将智力作为一种效用的量度”本身就是“智力”，特别是在某种意义上，我们通过该信息来衡量相对于一项任务或其他智力的智力。

人工智能基本上是在机器上实现人类智能的行为。这可以通过实现人类智能的各种算法来完成。

AI是使用计算技术来近似复杂决策的领域。

更加传统：一种计算机程序（大多数情况下）可以为以前从未见过的，为输入和输出（即domain和range）之间的显式关系预先编程或未提供的任意输入计算输出。Google搜索，Alexa，Siri，Cortana，IBM Watson ...定义适用于所有这些对象；即使是通用AI

我要再走一步（有争议！）。如果从第一个定义中删除一个非人类实体，那对我来说就是人类智能的定义。例如，RMB可以在无监督的预训练期间从数据中推断出一些隐藏的抽象含义。我们可以称呼intuition它为人类，但这似乎并非人类独有。（Geoffrey Hinton的猫识别实验是一个很好的例子，但找不到链接）。RBM也可以梦想。所以也许我们几乎可以将其感知为一种超自然现象的人类智能，可以通过数学模型来建模，无论它多么复杂。因此，在判断我将AI缩减为功能组合（大致而言）之前，请先判断一下我的人类智力论点。这是杰弗里·欣顿（Geoffrey Hinton）关于这个主题的视频

机器学习：机器学习是为给定的输入和输出优化函数参数的过程，以便可以为新的输入计算新的输出。甚至线性回归也是机器学习的一种，而深度神经网络实际上是一种功能。它可以与AI互换使用，但含义并不相同。AI回答什么，机器学习回答如何。（不完全相同，但接近）

让我给你一些例子，以阐明AI和ML的区别。

• 深度学习不是AI。是ML。
• 亚马逊的Alexa是AI。
• 遗传算法（GA）的优化。使用该GA参数玩Snake游戏的机器人是AI。

注意：但是，目前，我们用于构建AI的所有方法和结构都属于“机器学习”一词。因此，可以肯定地说我们使用机器学习来构建人工智能。

它是机器级别的智能，而不是由算法驱动的人类所显示。