“教学参考-07”版本间的差异
来自cslt Wiki
| 第1行： | 第1行： | ||
==教学目标== | ==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== | ==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。我们将在后续章节对这些成果一一介绍。 |
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
2022年7月31日 (日) 07:45的版本
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。我们将在后续章节对这些成果一一介绍。
