“教学参考-07”版本间的差异
来自cslt Wiki
（以“==教学资料== *教学参考 *[http://aigraph.cslt.org/courses/07/course-07.pptx 课件] *小清爱提问： 达特茅斯会议都讨论了哪...”为内容创建页面） |
|||
| （相同用户的5个中间修订版本未显示） | |||
| 第1行： | 第1行： | ||
| − | == | + | ==教学目标== |
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | * 了解达特茅斯会议后人工智能的发展历程，对人工智能的发展有整体理解 | |
| − | + | * 了解每个阶段的典型技术，讨论背后的历史必然性 | |
| − | + | * 讨论人工智能的发展历史带来的启示 | |
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | * | + | |
| − | * | + | |
| − | * | + | |
| − | == | + | ==教学内容== |
| − | + | ||
| + | ===风风雨六十年=== | ||
| + | * 人工智能的发展总体可以分为三次浪潮；前两次浪潮都终结于低谷，我们正在经历第三次浪潮，目前还没看到走向低谷的趋势 | ||
| + | * 总体来说，第一次浪潮基于通用规则，第二次浪潮基于专业知识，即专家系统的时代，第三次浪潮基于机器学习。人工智能从“人向机器灌输知识”一步步走向“让机器自主学习知识”。 | ||
| − | == | + | ===规则时代：黄金十年（1956-1974）=== |
| − | + | * 达特茅斯会议后的十年被称为黄金十年，是人工智能的第一次高潮。当时很多人持有乐观情绪，认为经过一代人的努力，创造出与人类具有同等智能水平的机器并不是个问题。1965年，赫伯特·西蒙就曾乐观预言：“二十年内，机器人将完成人能做到的一切工作。” 1970年，马文·闵斯基也发表看法：“在三到八年的时间里我们将得到一台具有人类平均智能的机器。” | |
| + | * 在这十年里，包括ARPA在内的资助机构向AI研究投入大笔资金，希望制造出具有通用智能的机器。这一时期的典型方法是符号方法，该方法遵循思维计算化的基本思路，以基本假设为前提，利用符号演算解决推理问题。启发式搜索是这一时期的典型算法。 | ||
| + | * 这一时期的代表性成果包括定理证明、基于模板的对话机器人等。 | ||
| − | * | + | ===严冬到来（1974-1980）=== |
| − | * | + | |
| − | * | + | * 到了70年代，人们发现对AI的预期过于乐观，失望情绪开始蔓延，人工智能走入低谷。 |
| − | * | + | * 首先，符号主义遇到瓶颈。虽然在定理证明这类确定性问题上符号主义表现优异，但在实际问题中存在大量不确定性，不太可能完全用逻辑推理方法来解决。另一方面，不依赖逻辑演算的神经网络被证明具有严重局限性。这些问题使研究者失去方向感。 |
| − | * | + | * 另外，计算复杂性带来对算法实用性的质疑。1972年美国计算机学家理查德·卡普证明人工智能中的很多问题只能在指数时间内获解。换句话说，除了特别简单的情况，大部分问题是不太可能在合理的时间内完成计算的。这让人们对人工智能的实用性产生了怀疑。 |
| − | * | + | |
| + | ===短暂回暖（1980-1987）=== | ||
| + | |||
| + | * 到80年代，人们渐渐意识到通用AI过于遥远，人工智能首先应该关注受限任务。受此思潮影响，以专家系统为代表的知识型AI走上历史舞台。 | ||
| + | * 和传统AI不同，专家系统通过收集具体的领域知识来解决任务，获得巨大成功。据统计，当时福布斯500强企业中有2/3的企业使用专家系统。 | ||
| + | * 另一方面，反向传播算法的提出使神经网络焕发出青春，机器自我学习的能力进一步增强。 | ||
| + | |||
| + | |||
| + | ===二次低潮（1987-1993）=== | ||
| + | |||
| + | * 80年代后期到90年代初期，人们发现专家系统维护起来相当困难，新知识难以加入，老知识互相冲突。例如，由匹兹堡大学设计的疾病诊断系统CADUCEUS仅建立知识库就花了近十年。对AI的投资再次削减，AI 又一次进入低谷。 | ||
| + | * 人们进一步反思传统人工智能中的符号逻辑方法，意识到推理、决策等任务也许并不是人工智能的当务之急；实现感知、移动、交互等基础能力也许是更现实、更迫切的事，而这些任务与符号逻辑并没有必然联系。 | ||
| + | |||
| + | ===务实与复苏（1993-2010）=== | ||
| + | |||
| + | * 经过80年代末和90年代初的反思，一大批脚踏实地的研究者脱去AI鲜亮的外衣，开始认真研究特定领域内特定问题的解决方法，在语音识别、图像识别、自然语言处理等领域取得了一系列突破。 | ||
| + | * 在这一过程中，研究者越来越意识到数据的重要性和统计模型的价值，贝叶斯模型和神经网络越来越受到重视，机器学习成为AI的主流方法。 | ||
| + | |||
| + | ===迅猛发展（2011-今）=== | ||
| + | |||
| + | * 2011以后，得益于大数据的积累和计算能力的增长，以深度神经网络为代表的机器学习方法取得了极大成功，开启了以大数据学习为基本特征的人工智能新时代。 | ||
| + | * 2011年，苹果发布了iPhone4S，其中一款称为Siri的语音对话软件引了公众的关注，重新燃起了人们对人工智能技术的热情。 | ||
| + | * 2016年DeepMind的AlphaGo在围棋对奕中取得辉煌战绩，进一步激发起人们对人工智能的关注。 | ||
| + | * 今天，人工智能飞速发展，不仅在图像处理、自然语言处理、语音信号处理等领域大显身手，更加渗透到物理、材料、化学、医学、天文学、地质学、生物学等各个领域，释放出了让人震惊的生产力。 | ||
| + | * 人工智能已经渐渐脱离计算机科学的范畴，成为一门基础性的、工具性的新科学。 | ||
| + | |||
| + | |||
| + | ===人工智能发展的启示=== | ||
| + | |||
| + | * 相较数学、物理等学科，人工智能的发展是短暂的，面对的问题和局面都是新的。对这样一门新学科，人工智能的先驱者们也不可能预见到未来会发生什么。特别是近几十年来，社会的进步呈指数级发展，技术更新换代快，发展日新月异。人工智能既是这一过程的参与者，助力者，同时也要面对这一形势带来的考验。因此，人工智能发展的曲折性是可以预见的。事实上，没有哪门科学的发展是一帆风顺的。 | ||
| + | * 人工智能发展的曲折并不意味着研究的停滞，事实上，那些最伟大的成果反而是产生在退潮期，否则也不会有下一次高潮的到来。所谓高潮有低谷很大程度上是人们对人工智能的关注度以及社会和政府的支持力度。作为人工智能的从业者，则是一以惯之的。 | ||
| + | * 人工智能的发展过程中充满了思想的碰撞、理念的革命、方法的重塑，特别是计算机科学与统计学、数值分析、生物学、神经生理学等各个学科的交叉融通。人工智能的发展历史本身就是学科交叉产生新科学的历史。 | ||
2022年7月31日 (日) 08:09的最后版本
目录
教学目标
- 了解达特茅斯会议后人工智能的发展历程，对人工智能的发展有整体理解
- 了解每个阶段的典型技术，讨论背后的历史必然性
- 讨论人工智能的发展历史带来的启示
教学内容
风风雨六十年
- 人工智能的发展总体可以分为三次浪潮；前两次浪潮都终结于低谷，我们正在经历第三次浪潮，目前还没看到走向低谷的趋势
- 总体来说，第一次浪潮基于通用规则，第二次浪潮基于专业知识，即专家系统的时代，第三次浪潮基于机器学习。人工智能从“人向机器灌输知识”一步步走向“让机器自主学习知识”。
规则时代：黄金十年（1956-1974）
- 达特茅斯会议后的十年被称为黄金十年，是人工智能的第一次高潮。当时很多人持有乐观情绪，认为经过一代人的努力，创造出与人类具有同等智能水平的机器并不是个问题。1965年，赫伯特·西蒙就曾乐观预言：“二十年内，机器人将完成人能做到的一切工作。” 1970年，马文·闵斯基也发表看法：“在三到八年的时间里我们将得到一台具有人类平均智能的机器。”
- 在这十年里，包括ARPA在内的资助机构向AI研究投入大笔资金，希望制造出具有通用智能的机器。这一时期的典型方法是符号方法，该方法遵循思维计算化的基本思路，以基本假设为前提，利用符号演算解决推理问题。启发式搜索是这一时期的典型算法。
- 这一时期的代表性成果包括定理证明、基于模板的对话机器人等。
严冬到来（1974-1980）
- 到了70年代，人们发现对AI的预期过于乐观，失望情绪开始蔓延，人工智能走入低谷。
- 首先，符号主义遇到瓶颈。虽然在定理证明这类确定性问题上符号主义表现优异，但在实际问题中存在大量不确定性，不太可能完全用逻辑推理方法来解决。另一方面，不依赖逻辑演算的神经网络被证明具有严重局限性。这些问题使研究者失去方向感。
- 另外，计算复杂性带来对算法实用性的质疑。1972年美国计算机学家理查德·卡普证明人工智能中的很多问题只能在指数时间内获解。换句话说，除了特别简单的情况，大部分问题是不太可能在合理的时间内完成计算的。这让人们对人工智能的实用性产生了怀疑。
短暂回暖（1980-1987）
- 到80年代，人们渐渐意识到通用AI过于遥远，人工智能首先应该关注受限任务。受此思潮影响，以专家系统为代表的知识型AI走上历史舞台。
- 和传统AI不同，专家系统通过收集具体的领域知识来解决任务，获得巨大成功。据统计，当时福布斯500强企业中有2/3的企业使用专家系统。
- 另一方面，反向传播算法的提出使神经网络焕发出青春，机器自我学习的能力进一步增强。
二次低潮（1987-1993）
- 80年代后期到90年代初期，人们发现专家系统维护起来相当困难，新知识难以加入，老知识互相冲突。例如，由匹兹堡大学设计的疾病诊断系统CADUCEUS仅建立知识库就花了近十年。对AI的投资再次削减，AI 又一次进入低谷。
- 人们进一步反思传统人工智能中的符号逻辑方法，意识到推理、决策等任务也许并不是人工智能的当务之急；实现感知、移动、交互等基础能力也许是更现实、更迫切的事，而这些任务与符号逻辑并没有必然联系。
务实与复苏（1993-2010）
- 经过80年代末和90年代初的反思，一大批脚踏实地的研究者脱去AI鲜亮的外衣，开始认真研究特定领域内特定问题的解决方法，在语音识别、图像识别、自然语言处理等领域取得了一系列突破。
- 在这一过程中，研究者越来越意识到数据的重要性和统计模型的价值，贝叶斯模型和神经网络越来越受到重视，机器学习成为AI的主流方法。
迅猛发展（2011-今）
- 2011以后，得益于大数据的积累和计算能力的增长，以深度神经网络为代表的机器学习方法取得了极大成功，开启了以大数据学习为基本特征的人工智能新时代。
- 2011年，苹果发布了iPhone4S，其中一款称为Siri的语音对话软件引了公众的关注，重新燃起了人们对人工智能技术的热情。
- 2016年DeepMind的AlphaGo在围棋对奕中取得辉煌战绩，进一步激发起人们对人工智能的关注。
- 今天，人工智能飞速发展，不仅在图像处理、自然语言处理、语音信号处理等领域大显身手，更加渗透到物理、材料、化学、医学、天文学、地质学、生物学等各个领域，释放出了让人震惊的生产力。
- 人工智能已经渐渐脱离计算机科学的范畴，成为一门基础性的、工具性的新科学。
人工智能发展的启示
- 相较数学、物理等学科，人工智能的发展是短暂的，面对的问题和局面都是新的。对这样一门新学科，人工智能的先驱者们也不可能预见到未来会发生什么。特别是近几十年来，社会的进步呈指数级发展，技术更新换代快，发展日新月异。人工智能既是这一过程的参与者，助力者，同时也要面对这一形势带来的考验。因此，人工智能发展的曲折性是可以预见的。事实上，没有哪门科学的发展是一帆风顺的。
- 人工智能发展的曲折并不意味着研究的停滞，事实上，那些最伟大的成果反而是产生在退潮期，否则也不会有下一次高潮的到来。所谓高潮有低谷很大程度上是人们对人工智能的关注度以及社会和政府的支持力度。作为人工智能的从业者，则是一以惯之的。
- 人工智能的发展过程中充满了思想的碰撞、理念的革命、方法的重塑，特别是计算机科学与统计学、数值分析、生物学、神经生理学等各个学科的交叉融通。人工智能的发展历史本身就是学科交叉产生新科学的历史。
