原文出处：Introduction to AI 原作者：Microsoft · 许可证：MIT License 中文译本由诸葛AI学院整理，仅供学习参考，版权归原作者与微软所有。

人工智能导论

原文此处有一张课程概览手绘图（sketchnote），由 Tomomi Imura 绘制，把本课的知识脉络画成了一页图解。

课前小测

人工智能（Artificial Intelligence）是一门令人兴奋的学科，研究如何让计算机表现出智能行为，去做那些人类擅长的事。

计算机最初由 Charles Babbage 发明，用来按一套定义明确的步骤（也就是算法）对数字做运算。现代计算机虽然比 19 世纪提出的原始模型先进得多，遵循的仍是同一套受控计算的思路。因此，只要我们清楚达成目标需要哪些确切的步骤顺序，就能把这件事编成程序，让计算机去做。

原文此处有一张人物照片（摄影：Vickie Soshnikova）。

从照片判断一个人的年龄，是一项没办法显式编程的任务，因为我们并不知道自己脑子里那个数字是怎么得出来的。

可确实有一些任务，我们并不知道自己是怎么明确解决的。从照片判断人的年龄就是这样。我们莫名其妙就学会了这件事，因为我们见过大量不同年龄的人，但要我们讲清具体是怎么做到的，讲不出来，也没法把这套过程写成程序交给计算机。这正是人工智能（简称 AI）感兴趣的那类任务。

想一想：有哪些任务适合交给计算机，又需要 AI 才做得好？金融、医疗、艺术这些领域，今天是怎么用上 AI 的？

弱人工智能与强人工智能

更多资料可参考 Artificial General Intelligence（通用人工智能）词条。

智能的定义与图灵测试

处理"智能"（Intelligence）这个词时的一个麻烦在于，它没有一个清晰的定义。你可以说智能与抽象思维有关，也可以说它与自我意识有关，但就是无法给出一个站得住的定义。

原文此处有一张猫的照片（Amber Kipp 摄于 Unsplash）。

想体会"智能"一词有多含糊，不妨回答这个问题："猫算智能吗？"不同的人往往给出不同的答案，因为没有任何公认的测试能证明这个判断是对是错。如果你认为有，那就试试拿智商测试去考考你家的猫……

想一想：花一分钟想想你怎么定义智能。一只乌鸦能走出迷宫拿到食物，算智能吗？一个孩子算智能吗？

谈 AGI，我们总得有个办法判断：是否造出了真正智能的系统。Alan Turing（艾伦·图灵）提出的办法叫图灵测试（Turing Test），它同时充当了智能的定义。测试把被考察的系统与天生智能的存在，也就是真人，作比较；又因为任何自动比对都能被计算机程序绕过，裁判也得由人来当。结论就是：如果在基于文字的对话中，人分辨不出对面是真人还是计算机系统，这个系统就被认为是有智能的。

名为 Eugene Goostman 的聊天机器人开发于圣彼得堡，2014 年靠一个聪明的人设技巧险些通过图灵测试。它开场就声明自己是个 13 岁的乌克兰男孩，以此解释自己知识面的欠缺和文字里的种种出入。5 分钟对话结束后，30% 的评委相信它是人，这正是图灵设想机器到 2000 年应能达到的指标。不过要明白：这不表示我们造出了智能系统，也不算计算机系统骗过了人类评委。没骗人的是系统，骗人的其实是造机器人的那帮人。

想一想：你有没有被聊天机器人骗过，以为对面是真人？它是怎么让你相信的？

实现 AI 的不同路线

如果要让计算机表现得像人，就得想办法在我们的思维上建模，让计算机复刻人的思考方式。为此，我们得先弄明白人到底因何而智能。

想把智能写进机器，先要理解自己做决定的过程。稍微内省一下就会发现：有些过程在潜意识里完成，比如不假思索就能分清猫和狗；另一些过程则涉及推理。

解决这个问题有两条基本路线：

除此之外，还有一些通往智能的可能路线：

• 涌现式（Emergent）、协同式（Synergetic）或多智能体（multi-agent）路线基于这样一个事实：大量简单智能体相互作用，就能产生复杂的智能行为。按进化控制论的说法，在元系统过渡的过程中，智能能从更简单、更反应式的行为中涌现出来。

• 进化式路线（evolutionary approach），即遗传算法（genetic algorithm），是一种基于进化原理的优化过程。

后面课程里会讲到这些路线，眼下先聚焦两个主要方向：自顶向下和自底向上。

自顶向下方法

自顶向下方法尝试给我们的推理过程建模。推理时我们能跟得上自己的想法，所以可以把这个过程形式化，写进计算机变成程序。这就是符号推理（symbolic reasoning）。

人的脑子里往往有一套指导决策的规则。比如医生诊断病人，发现病人在发烧，就推断体内可能有炎症。把大量规则套用到一个具体问题上，医生就能得出最终诊断。

这条路线高度依赖知识表示（knowledge representation）和推理。从人类专家那里提取知识可能是最难的环节：医生很多时候并不清楚自己为什么下某个诊断，答案常常没有经过明确思考就直接浮现在脑子里。有些任务，比如从照片判断人的年龄，根本没法归结为对知识的操作。

自底向上方法

换一种思路，我们可以给大脑里最简单的元素，也就是神经元，建模。在计算机里搭建一个所谓的人工神经网络（artificial neural network），然后拿例子教它解决问题。这个过程和新生儿通过观察来认识周围环境类似。

想一想：去查一查婴儿是怎么学习的。婴儿大脑的基本元素是什么？

机器学习（Machine Learning）是怎么回事？人工智能中，有一部分让计算机基于数据学习来解决问题，这部分叫机器学习。本课程不涉及经典机器学习，请参考独立课程 Machine Learning for Beginners。

人工智能简史

人工智能作为一门学科起步于 20 世纪中叶。早期占上风的是符号推理，它带来过一批重要成果，典型如专家系统，即在有限问题领域内能充当专家的计算机程序。但人们很快发现这条路线扩展性不好：从专家那里提取知识、在计算机里表示出来、再让知识库保持准确，是一件非常复杂的事，多数情况下成本高到无法落地。这导致了 1970 年代所谓的 AI 寒冬（AI Winter）。

原文此处有一张图，标题为 Brief History of AI（人工智能简史），由 Dmitry Soshnikov 绘制，按时间轴画出各条技术路线的兴衰更替。

随着时间推移，算力越来越便宜，可获取的数据越来越多，神经网络路线开始在计算机视觉、语音理解等诸多领域展现出可与人类抗衡的表现。过去十年里，人工智能这个词基本被当作神经网络的同义词使用，因为我们听到的 AI 成果大多建立在其之上。

以编写下国际象棋的计算机程序为例，可以看到路线是怎么变的：

• 早期象棋程序基于搜索：程序显式地推算对手在接下来若干步里的可能走法，选出能在几步之内达成最优局面的着法。由此发展出了所谓的 alpha-beta 剪枝（alpha-beta pruning）搜索算法。
• 搜索策略在残局阶段很好用，因为可选走法少，搜索空间有限。开局时搜索空间巨大，算法可以借鉴人类棋手已有对局来改进。后续实验采用了所谓的基于案例的推理（case-based reasoning）：程序在知识库里检索与当前局面非常相似的案例。
• 如今能战胜人类棋手的程序基于神经网络与强化学习（reinforcement learning）：程序全靠长时间自我对弈、从自己的错误中学习，这和人类学下棋的方式很像。只是计算机能在远少于人类的时间里下多得多的棋，所以学得快得多。

想一想：查一查还有哪些游戏被 AI 挑战过。

同样的，"会说话的程序"（也就是可能通过图灵测试的程序）的路线也在演变：

• 早期这类程序如 Eliza，基于非常简单的语法规则，把输入的句子改写成一个问题。
• Cortana、Siri、Google Assistant 这些现代助手都是混合系统：用神经网络把语音转成文字、识别我们的意图，再用某种推理或明确的算法执行所需动作。
• 未来可能出现完全基于神经网络的模型独立处理对话。近年的 GPT 与 Turing-NLG 系列神经网络在这方面已经表现出很大的成功。

原文此处有一张图，主题是图灵测试类程序的演进（图：Dmitry Soshnikov，配图摄影：Marina Abrosimova，来自 Unsplash）。

近年的 AI 研究

神经网络研究近年的爆发始于 2010 年前后，大型公开数据集那时开始普及。名为 ImageNet 的巨幅图像集收录了约 1400 万张带标注的图片，直接催生了 ImageNet 大规模视觉识别挑战赛。

原文此处有一张动图，展示 ILSVRC 历届参赛模型分类准确率的持续上升（图：Dmitry Soshnikov）。

2012 年，卷积神经网络（Convolutional Neural Network）首次用于图像分类，分类错误率大幅下降，从接近 30% 降到 16.4%。2015 年，微软研究院的 ResNet 架构达到了人类水平的准确率。

此后，神经网络在众多任务上表现出色：

过去几年，BERT、GPT-3 这类大语言模型（large language model）取得了巨大成功。原因主要是通用文本数据足够多，让我们能训练模型捕捉文本的结构与含义，先在通用语料上预训练，再把模型专门化到更具体的任务上。本课程后文会展开讲自然语言处理（Natural Language Processing，NLP）。

挑战任务

上网逛一圈，判断你眼里 AI 用得最有效的地方在哪里：是地图应用，是某个语音转文字服务，还是某款电子游戏？去查一查那套系统是怎么构建的。

课后小测

复习与自学

想回顾 AI 与 ML 的历史，可以读这门课：History of ML。从本课或那节课开头的手绘图里挑一个元素，深入查一查，理解影响它演进的文化背景。

课后作业：Game Jam（游戏开发马拉松）