更改

1956年AI作为一门学科被建立起来，后来经历过几段乐观时期<ref name="Simon 1965">Simon, H. A. (1965). The Shape of Automation for Men and Management. New York: Harper & Row.</ref><ref name="Crevier 1993"/><ref name="Minsky 1967"/><ref name="McCorduck 2004">McCorduck, Pamela (2004), Machines Who Think (2nd ed.), Natick, MA: A. K. Peters, Ltd., ISBN 1-56881-205-1</ref><ref name="Crevier 1993">Crevier, Daniel (1993), AI: The Tumultuous Search for Artificial Intelligence, New York, NY: BasicBooks, ISBN 0-465-02997-3</ref><ref name="Russell & Norvig 2003"/><ref name="NRC 1999">NRC (United States National Research Council) (1999). "Developments in Artificial Intelligence". Funding a Revolution: Government Support for Computing Research. National Academy Press.</ref><ref name="Newquist 1994"/>与紧随而来的亏损以及缺乏资金的困境（也就是“AI寒冬”<ref name="Crevier 1993"/><ref name="Russell & Norvig 2003"/><ref name="NRC 1999"/><ref name="Howe 1994"/><ref name="Newquist 1994"/><ref name="McCorduck 2004"/>），每次又找到了新的出路，取得了新的成果和新的投资<ref name="Clark 2015b"/>。AI 研究在其一生中尝试并放弃了许多不同的方法，包括模拟大脑、模拟人类问题解决、形式逻辑、大型知识数据库和模仿动物行为。在 21 世纪的头几十年，高度数学的统计机器学习已经主导了该领域，并且该技术已被证明非常成功，有助于解决整个工业界和学术界的许多具有挑战性的问题。<ref name="Russell & Norvig 2003"/><ref name="Kurzweil 2005"/><ref name="NRC 1999"/><ref name="Newquist 1994"/>

1956年AI作为一门学科被建立起来，后来经历过几段乐观时期<ref name="Simon 1965">Simon, H. A. (1965). The Shape of Automation for Men and Management. New York: Harper & Row.</ref><ref name="Crevier 1993"/><ref name="McCorduck 2004">McCorduck, Pamela (2004), Machines Who Think (2nd ed.), Natick, MA: A. K. Peters, Ltd., ISBN 1-56881-205-1</ref><ref name="Crevier 1993">Crevier, Daniel (1993), AI: The Tumultuous Search for Artificial Intelligence, New York, NY: BasicBooks, ISBN 0-465-02997-3</ref><ref name="Russell & Norvig 2003"/><ref name="NRC 1999">NRC (United States National Research Council) (1999). "Developments in Artificial Intelligence". Funding a Revolution: Government Support for Computing Research. National Academy Press.</ref><ref name="Newquist 1994">{{cite book | last=Newquist |first=HP |year=1994| title=The Brain Makers: Genius, Ego, And Greed In The Quest For Machines That Think| publisher=Macmillan/SAMS |location=New York| isbn= 978-0-672-30412-5}}</ref>与紧随而来的亏损以及缺乏资金的困境（也就是“AI寒冬”<ref name="Crevier 1993"/><ref name="Russell & Norvig 2003"/><ref name="NRC 1999"/><ref name="Howe 1994">{{cite web |first = J. |last = Howe |date= November 1994|title        = Artificial Intelligence at Edinburgh University: a Perspective |url = http://www.inf.ed.ac.uk/about/AIhistory.html archive-date = 15 May 2007 |archive-url  = https://web.archive.org/web/20070515072641/http://www.inf.ed.ac.uk/about/AIhistory.html |url-status= live}}</ref><ref name="Newquist 1994"/><ref name="McCorduck 2004"/>），每次又找到了新的出路，取得了新的成果和新的投资<ref name="Clark 2015b">{{cite web  |url = https://www.bloomberg.com/news/articles/2015-12-08/why-2015-was-a-breakthrough-year-in-artificial-intelligence |title = Why 2015 Was a Breakthrough Year in Artificial Intelligence |last = Clark |first= Jack |website = Bloomberg.com |url-access  = subscription  |url-status  = live |archive-url  = https://web.archive.org/web/20161123053855/https://www.bloomberg.com/news/articles/2015-12-08/why-2015-was-a-breakthrough-year-in-artificial-intelligence }}</ref>。AI 研究在其一生中尝试并放弃了许多不同的方法，包括模拟大脑、模拟人类问题解决、形式逻辑、大型知识数据库和模仿动物行为。在 21 世纪的头几十年，高度数学的统计机器学习已经主导了该领域，并且该技术已被证明非常成功，有助于解决整个工业界和学术界的许多具有挑战性的问题。<ref name="Russell & Norvig 2003"/><ref name="Kurzweil 2005"/><ref name="NRC 1999"/><ref name="Newquist 1994"/>

这一领域是建立在人类智能“可以被精确描述从而使机器可以模拟”的观点上的。这一观点引出了关于思维的本质和造具有类人智能AI的伦理方面的哲学争论，于是自古以来<ref name="Newquist 1994"/>就有一些神话、小说以及哲学对此类问题展开过探讨。一些人认为AI的发展不会威胁人类生存；<ref>Spadafora, Anthony (21 October 2016). "Stephen Hawking believes AI could be mankind's last accomplishment". BetaNews. Archived from the original on 28 August 2017.</ref><ref>Lombardo, P; Boehm, I; Nairz, K (2020). "RadioComics – Santa Claus and the future of radiology". Eur J Radiol. 122 (1): 108771. doi:10.1016/j.ejrad.2019.108771. PMID 31835078.</ref>但另一些人认为AI与以前的技术革命不同，它将带来大规模失业的风险。<ref name="guardian jobs debate">Ford, Martin; Colvin, Geoff (6 September 2015). "Will robots create more jobs than they destroy?". The Guardian. Archived from the original on 16 June 2018. Retrieved 13 January 2018.</ref>

这一领域是建立在人类智能“可以被精确描述从而使机器可以模拟”的观点上的。这一观点引出了关于思维的本质和造具有类人智能AI的伦理方面的哲学争论，于是自古以来<ref name="Newquist 1994"/>就有一些神话、小说以及哲学对此类问题展开过探讨。一些人认为AI的发展不会威胁人类生存；<ref>Spadafora, Anthony (21 October 2016). "Stephen Hawking believes AI could be mankind's last accomplishment". BetaNews. Archived from the original on 28 August 2017.</ref><ref>Lombardo, P; Boehm, I; Nairz, K (2020). "RadioComics – Santa Claus and the future of radiology". Eur J Radiol. 122 (1): 108771. doi:10.1016/j.ejrad.2019.108771. PMID 31835078.</ref>但另一些人认为AI与以前的技术革命不同，它将带来大规模失业的风险。<ref name="guardian jobs debate"/>

具有思维能力的人造生物在古代以故事讲述者的方式出现，<ref name="AI in myth"/> 在小说中也很常见。比如 Mary Shelley的《弗兰肯斯坦 Frankenstein 》和 Karel Čapek的《罗素姆的万能机器人 Rossum's Universal Robots，R.U.R.》 <ref name="McCorduck 2004"/> ——小说中的角色和他们的命运向人们提出了许多现在在人工智能伦理学中讨论的同样的问题。

具有思维能力的人造生物在古代以故事讲述者的方式出现，在小说中也很常见。比如 Mary Shelley的《弗兰肯斯坦 Frankenstein 》和 Karel Čapek的《罗素姆的万能机器人 Rossum's Universal Robots，R.U.R.》 <ref name="McCorduck 2004"/> ——小说中的角色和他们的命运向人们提出了许多现在在人工智能伦理学中讨论的同样的问题。

他们没有意识到现存任务的一些困难。研究进程放缓，在1974年，由于ir James Lighthill的指责以及美国国会需要分拨基金给其他有成效的项目，美国和英国政府都削减了探索性AI研究项目。接下来的几年被称为“AI寒冬”<ref name="First AI winter"/>，在这一时期AI研究很难得到经费。

他们没有意识到现存任务的一些困难。研究进程放缓，在1974年，由于ir James Lighthill的指责以及美国国会需要分拨基金给其他有成效的项目，美国和英国政府都削减了探索性AI研究项目。接下来的几年被称为“AI寒冬”，在这一时期AI研究很难得到经费。

在20世纪80年代初期，由于专家系统在商业上取得的成功，AI研究迎来了复兴，<ref name="Expert systems"/><ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/><ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/><ref name="McCorduck 2004"/><ref name="Crevier 1993"/><ref name="Newquist 1994"/>专家系统是一种能够模拟人类专家的知识和分析能力的程序。到1985年，AI市场超过了10亿美元。与此同时，日本的第五代计算机项目促使了美国和英国政府恢复对学术研究的资助。<ref name="AI in the 80s"/> 然而，随着1987年 Lisp 机器市场的崩溃，AI再一次遭遇低谷，并陷入了第二次持续更长时间的停滞。<ref name="Second AI winter"/>

在20世纪80年代初期，由于专家系统在商业上取得的成功，AI研究迎来了复兴，<ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/><ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/><ref name="McCorduck 2004"/><ref name="Crevier 1993"/><ref name="Newquist 1994"/>专家系统是一种能够模拟人类专家的知识和分析能力的程序。到1985年，AI市场超过了10亿美元。与此同时，日本的第五代计算机项目促使了美国和英国政府恢复对学术研究的资助。然而，随着1987年 Lisp 机器市场的崩溃，AI再一次遭遇低谷，并陷入了第二次持续更长时间的停滞。

人工智能在 1990 年代末和 21 世纪初通过寻找特定问题的具体解决方案，例如物流、数据挖掘或医疗诊断，逐渐恢复了声誉。到 2000 年，人工智能解决方案被广泛应用于幕后。<ref name="AI widely used" /> 狭窄的焦点使研究人员能够产生可验证的结果，开发更多的数学方法，并与其他领域（如统计学、经济学和数学）合作。<ref name="Russell & Norvig 2003"/><ref name="McCorduck 2004"/>

人工智能在 1990 年代末和 21 世纪初通过寻找特定问题的具体解决方案，例如物流、数据挖掘或医疗诊断，逐渐恢复了声誉。到 2000 年，人工智能解决方案被广泛应用于幕后。狭窄的焦点使研究人员能够产生可验证的结果，开发更多的数学方法，并与其他领域（如统计学、经济学和数学）合作。<ref name="Russell & Norvig 2003"/><ref name="McCorduck 2004"/>

更快的计算机、算法改进和对大量数据的访问使机器学习和感知取得进步；数据饥渴的深度学习方法在 2012 年左右开始主导准确性基准。<ref>{{cite web|title=Ask the AI experts: What's driving today's progress in AI?|url=https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/ask-the-ai-experts-whats-driving-todays-progress-in-ai|website=McKinsey & Company|access-date=13 April 2018|archive-date=13 April 2018 |archive-url=https://web.archive.org/web/20180413190018/https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/ask-the-ai-experts-whats-driving-todays-progress-in-ai|url-status=live}}</ref>据彭博社的Jack Clark称，2015 年是人工智能具有里程碑意义的一年，谷歌内部使用人工智能的软件项目数量从 2012 年的“零星使用”增加到 2700 多个项目。克拉克还提供了事实数据，表明自 2012 年以来 AI 的改进受到图像处理任务中较低错误率的支持。<ref name="AI 2015">Clark, Jack (8 December 2015b). "Why 2015 Was a Breakthrough Year in Artificial Intelligence". Bloomberg.com. Archived from the original on 23 November 2016.</ref>他将此归因于可负担得起的神经网络的增加，这是由于云计算基础设施的增加以及研究工具和数据集的增加。<ref name="AI in 2000s" />在 2017 年的一项调查中，五分之一的公司表示他们“在某些产品或流程中加入了人工智能”。<ref>{{cite web|title=Reshaping Business With Artificial Intelligence|url=https://sloanreview.mit.edu/projects/reshaping-business-with-artificial-intelligence/|website=MIT Sloan Management Review |access-date=2 May 2018|archive-date=19 May 2018|archive-url=https://web.archive.org/web/20180519171905/https://sloanreview.mit.edu/projects/reshaping-business-with-artificial-intelligence/|url-status=live}}</ref><ref>{{cite web |last1=Lorica|first1=Ben|title=The state of AI adoption|url=https://www.oreilly.com/ideas/the-state-of-ai-adoption|website=O'Reilly Media|access-date=2 May 2018|date=18 December 2017|archive-date=2 May 2018|archive-url=https://web.archive.org/web/20180502140700/https://www.oreilly.com/ideas/the-state-of-ai-adoption|url-status=live}}</ref>

更快的计算机、算法改进和对大量数据的访问使机器学习和感知取得进步；数据饥渴的深度学习方法在 2012 年左右开始主导准确性基准。<ref>{{cite web|title=Ask the AI experts: What's driving today's progress in AI?|url=https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/ask-the-ai-experts-whats-driving-todays-progress-in-ai|website=McKinsey & Company|access-date=13 April 2018|archive-date=13 April 2018 |archive-url=https://web.archive.org/web/20180413190018/https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/ask-the-ai-experts-whats-driving-todays-progress-in-ai|url-status=live}}</ref>据彭博社的Jack Clark称，2015 年是人工智能具有里程碑意义的一年，谷歌内部使用人工智能的软件项目数量从 2012 年的“零星使用”增加到 2700 多个项目。克拉克还提供了事实数据，表明自 2012 年以来 AI 的改进受到图像处理任务中较低错误率的支持。<ref name="AI 2015">Clark, Jack (8 December 2015b). "Why 2015 Was a Breakthrough Year in Artificial Intelligence". Bloomberg.com. Archived from the original on 23 November 2016.</ref>他将此归因于可负担得起的神经网络的增加，这是由于云计算基础设施的增加以及研究工具和数据集的增加。在 2017 年的一项调查中，五分之一的公司表示他们“在某些产品或流程中加入了人工智能”。<ref>{{cite web|title=Reshaping Business With Artificial Intelligence|url=https://sloanreview.mit.edu/projects/reshaping-business-with-artificial-intelligence/|website=MIT Sloan Management Review |access-date=2 May 2018|archive-date=19 May 2018|archive-url=https://web.archive.org/web/20180519171905/https://sloanreview.mit.edu/projects/reshaping-business-with-artificial-intelligence/|url-status=live}}</ref><ref>{{cite web |last1=Lorica|first1=Ben|title=The state of AI adoption|url=https://www.oreilly.com/ideas/the-state-of-ai-adoption|website=O'Reilly Media|access-date=2 May 2018|date=18 December 2017|archive-date=2 May 2018|archive-url=https://web.archive.org/web/20180502140700/https://www.oreilly.com/ideas/the-state-of-ai-adoption|url-status=live}}</ref>

<br>

<br>

== 目标 ==

== 目标 ==

模拟(或创造)智能的一般问题已被分解为若干子问题。这些问题中涉及到的特征或能力是研究人员期望智能系统展示的。受到了最多的关注的是下面描述的几个特征。<ref name="Problems of AI" />

模拟(或创造)智能的一般问题已被分解为若干子问题。这些问题中涉及到的特征或能力是研究人员期望智能系统展示的。受到了最多的关注的是下面描述的几个特征。

 

=== 推理，解决问题===

=== 推理，解决问题===

=== 知识表示 ===

=== 知识表示 ===

[[File:GFO taxonomy tree.png|right|thumb|本体将知识表示为领域中的一组概念以及这些概念之间的关系。]]

[[File:GFO taxonomy tree.png|right|thumb|本体将知识表示为领域中的一组概念以及这些概念之间的关系。]]

传统的AI研究的重点是'''知识表示 Knowledge Representation'''<ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/> <ref name="Poole, Mackworth & Goebel 1998"/><ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/>和'''知识工程 Knowledge Engineering'''<ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/><ref name="Nilsson 1998"/>。有些“专家系统”试图将某一小领域的专家所拥有的知识收集起来。此外，一些项目试图将普通人的“常识”收集到一个包含对世界的认知的知识的大数据库中。这些常识包括：对象、属性、类别和对象之间的关系；<ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/><ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/>情景、事件、状态和时间;<ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/><ref name="Nilsson 1998"/>原因和结果;<ref name="Poole, Mackworth & Goebel 1998"/>关于知识的知识(我们知道别人知道什么);和许多其他研究较少的领域。“存在的东西”的表示是本体，本体是被正式描述的对象、关系、概念和属性的集合，这样的形式可以让软件智能体能够理解它。本体的语义描述了逻辑概念、角色和个体，通常在Web本体语言中以类、属性和个体的形式实现。<ref>{{cite book |last=Sikos |first=Leslie F. |date=June 2017 |title=Description Logics in Multimedia Reasoning |url=https://www.springer.com/us/book/9783319540658 |location=Cham |publisher=Springer |isbn=978-3-319-54066-5 |doi=10.1007/978-3-319-54066-5 |url-status=live |archiveurl=https://web.archive.org/web/20170829120912/https://www.springer.com/us/book/9783319540658 |archivedate=29 August 2017 |df=dmy-all }}</ref>最常见的本体称为'''上本体 Upper Ontology''',它试图为所有其他知识提供一个基础，<ref name="Ontology"/>它充当涵盖有关特定知识领域(兴趣领域或关注领域)的特定知识的领域本体之间的中介。这种形式化的知识表示可以用于基于内容的索引和检索，<ref>{{cite journal|last1=Smoliar|first1=Stephen W.|last2=Zhang|first2=HongJiang|title=Content based video indexing and retrieval|journal=IEEE Multimedia|date=1994|volume=1|issue=2|pages=62–72|doi=10.1109/93.311653}}</ref>场景解释，<ref>{{cite journal|last1=Neumann|first1=Bernd|last2=Möller|first2=Ralf|title=On scene interpretation with description logics|journal=Image and Vision Computing|date=January 2008|volume=26|issue=1|pages=82–101|doi=10.1016/j.imavis.2007.08.013}}</ref>临床决策，<ref>{{cite journal|last1=Kuperman|first1=G. J.|last2=Reichley|first2=R. M.|last3=Bailey|first3=T. C.|title=Using Commercial Knowledge Bases for Clinical Decision Support: Opportunities, Hurdles, and Recommendations|journal=Journal of the American Medical Informatics Association|date=1 July 2006|volume=13|issue=4|pages=369–371|doi=10.1197/jamia.M2055|pmid=16622160|pmc=1513681}}</ref>知识发现(从大型数据库中挖掘“有趣的”和可操作的推论)<ref>{{cite journal|last1=MCGARRY|first1=KEN|title=A survey of interestingness measures for knowledge discovery|journal=The Knowledge Engineering Review|date=1 December 2005|volume=20|issue=1|page=39|doi=10.1017/S0269888905000408|url=https://semanticscholar.org/paper/baf7f99e1b567868a6dc6238cc5906881242da01}}</ref>等领域。<ref>{{cite conference |url= |title=Automatic annotation and semantic retrieval of video sequences using multimedia ontologies |last1=Bertini |first1=M |last2=Del Bimbo |first2=A |last3=Torniai |first3=C |date=2006 |publisher=ACM |book-title=MM '06 Proceedings of the 14th ACM international conference on Multimedia |pages=679–682 |location=Santa Barbara |conference=14th ACM international conference on Multimedia}}</ref>

传统的AI研究的重点是'''知识表示 Knowledge Representation'''<ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/> <ref name="Poole, Mackworth & Goebel 1998"/><ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/>和'''知识工程 Knowledge Engineering'''<ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/><ref name="Nilsson 1998"/>。有些“专家系统”试图将某一小领域的专家所拥有的知识收集起来。此外，一些项目试图将普通人的“常识”收集到一个包含对世界的认知的知识的大数据库中。这些常识包括：对象、属性、类别和对象之间的关系；<ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/><ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/>情景、事件、状态和时间;<ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/><ref name="Nilsson 1998"/>原因和结果;<ref name="Poole, Mackworth & Goebel 1998"/>关于知识的知识(我们知道别人知道什么);和许多其他研究较少的领域。“存在的东西”的表示是本体，本体是被正式描述的对象、关系、概念和属性的集合，这样的形式可以让软件智能体能够理解它。本体的语义描述了逻辑概念、角色和个体，通常在Web本体语言中以类、属性和个体的形式实现。<ref>{{cite book |last=Sikos |first=Leslie F. |date=June 2017 |title=Description Logics in Multimedia Reasoning |url=https://www.springer.com/us/book/9783319540658 |location=Cham |publisher=Springer |isbn=978-3-319-54066-5 |doi=10.1007/978-3-319-54066-5 |url-status=live |archiveurl=https://web.archive.org/web/20170829120912/https://www.springer.com/us/book/9783319540658 |archivedate=29 August 2017 |df=dmy-all }}</ref>最常见的本体称为'''上本体 Upper Ontology''',它试图为所有其他知识提供一个基础，它充当涵盖有关特定知识领域(兴趣领域或关注领域)的特定知识的领域本体之间的中介。这种形式化的知识表示可以用于基于内容的索引和检索，<ref>{{cite journal|last1=Smoliar|first1=Stephen W.|last2=Zhang|first2=HongJiang|title=Content based video indexing and retrieval|journal=IEEE Multimedia|date=1994|volume=1|issue=2|pages=62–72|doi=10.1109/93.311653}}</ref>场景解释，<ref>{{cite journal|last1=Neumann|first1=Bernd|last2=Möller|first2=Ralf|title=On scene interpretation with description logics|journal=Image and Vision Computing|date=January 2008|volume=26|issue=1|pages=82–101|doi=10.1016/j.imavis.2007.08.013}}</ref>临床决策，<ref>{{cite journal|last1=Kuperman|first1=G. J.|last2=Reichley|first2=R. M.|last3=Bailey|first3=T. C.|title=Using Commercial Knowledge Bases for Clinical Decision Support: Opportunities, Hurdles, and Recommendations|journal=Journal of the American Medical Informatics Association|date=1 July 2006|volume=13|issue=4|pages=369–371|doi=10.1197/jamia.M2055|pmid=16622160|pmc=1513681}}</ref>知识发现(从大型数据库中挖掘“有趣的”和可操作的推论)<ref>{{cite journal|last1=MCGARRY|first1=KEN|title=A survey of interestingness measures for knowledge discovery|journal=The Knowledge Engineering Review|date=1 December 2005|volume=20|issue=1|page=39|doi=10.1017/S0269888905000408|url=https://semanticscholar.org/paper/baf7f99e1b567868a6dc6238cc5906881242da01}}</ref>等领域。<ref>{{cite conference |url= |title=Automatic annotation and semantic retrieval of video sequences using multimedia ontologies |last1=Bertini |first1=M |last2=Del Bimbo |first2=A |last3=Torniai |first3=C |date=2006 |publisher=ACM |book-title=MM '06 Proceedings of the 14th ACM international conference on Multimedia |pages=679–682 |location=Santa Barbara |conference=14th ACM international conference on Multimedia}}</ref>

在经典的规划问题中，智能体可以假设它是世界上唯一运行着的系统，以便于智能体确定其做出某个行为带来的后果。<ref>Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2,pp. 375–430</ref><ref>Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3, pp. 375–430</ref>然而，如果智能体不是唯一的参与者，这就要求智能体能够在不确定的情况下进行推理。这需要一智能体不仅能够评估其环境和作出预测，而且还评估其预测和根据其预测做出调整。<ref name="Non-deterministic planning"/>

在经典的规划问题中，智能体可以假设它是世界上唯一运行着的系统，以便于智能体确定其做出某个行为带来的后果。<ref>Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2,pp. 375–430</ref><ref>Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3, pp. 375–430</ref>然而，如果智能体不是唯一的参与者，这就要求智能体能够在不确定的情况下进行推理。这需要一智能体不仅能够评估其环境和作出预测，而且还评估其预测和根据其预测做出调整。

   

   

'''无监督学习 Unsupervised Learning'''可以从数据流中发现某种模式，而不需要人类提前标注数据。'''监督学习 Supervised Learning'''包括分类和回归，这需要人类首先标注数据。分类被用于确定某物属于哪个类别，这需要把大量来自多个类别的例子投入程序；回归用来产生一个描述输入和输出之间的关系的函数，并预测输出会如何随着输入的变化而变化<ref name="Machine learning"/><ref>{{cite journal|last1=Jordan|first1=M. I.|last2=Mitchell|first2=T. M.|title=Machine learning: Trends, perspectives, and prospects|journal=Science|date=16 July 2015|volume=349|issue=6245|pages=255–260|doi=10.1126/science.aaa8415|pmid=26185243|bibcode=2015Sci...349..255J}}</ref>。在强化学习<ref name="Russell & Norvig 2003"/><ref name="Luger & Stubblefield 2004"/>中，智能体会因为好的回应而受到奖励，因为坏的回应而受到惩罚；智能体通过一系列的奖励和惩罚形成了一个在其问题空间中可施行的策略。

'''无监督学习 Unsupervised Learning'''可以从数据流中发现某种模式，而不需要人类提前标注数据。'''监督学习 Supervised Learning'''包括分类和回归，这需要人类首先标注数据。分类被用于确定某物属于哪个类别，这需要把大量来自多个类别的例子投入程序；回归用来产生一个描述输入和输出之间的关系的函数，并预测输出会如何随着输入的变化而变化<ref>{{cite journal|last1=Jordan|first1=M. I.|last2=Mitchell|first2=T. M.|title=Machine learning: Trends, perspectives, and prospects|journal=Science|date=16 July 2015|volume=349|issue=6245|pages=255–260|doi=10.1126/science.aaa8415|pmid=26185243|bibcode=2015Sci...349..255J}}</ref>。在强化学习<ref name="Russell & Norvig 2003"/><ref name="Luger & Stubblefield 2004"/>中，智能体会因为好的回应而受到奖励，因为坏的回应而受到惩罚；智能体通过一系列的奖励和惩罚形成了一个在其问题空间中可施行的策略。

===自然语言处理===

===自然语言处理===

''Alan Turing的“礼貌惯例'': 我们不需要决定一台机器是否可以“思考”；我们只需要决定一台机器是否可以像人一样聪明地行动。这个对AI相关哲学问题的回应成为了图灵测试的基础。<ref name="Turing test"/>

''Alan Turing的“礼貌惯例'': 我们不需要决定一台机器是否可以“思考”；我们只需要决定一台机器是否可以像人一样聪明地行动。这个对AI相关哲学问题的回应成为了图灵测试的基础。

''达特茅斯提案'':达特茅斯会议提出: “可以通过准确地描述学习的每个方面或智能的任何特征，使得一台机器模拟学习和智能。”这个猜想被写在了1956年达特茅斯学院会议的提案中。<ref name="Dartmouth proposal"/>

''达特茅斯提案'':达特茅斯会议提出: “可以通过准确地描述学习的每个方面或智能的任何特征，使得一台机器模拟学习和智能。”这个猜想被写在了1956年达特茅斯学院会议的提案中。

''哥德尔的论点'':哥德尔本人<ref name="Gödel himself"/> 、John Lucas(在1961年)和Roger Penrose(在1989年以后的一个更详细的争论中)提出了高度技术性的观点，认为人类数学家可以看到他们自己的“'''哥德尔不完备定理 Gödel Satements'''”的真实性，因此计算能力超过机械图灵机<ref name="The mathematical objection"/>。然而，也有一些人不同意“哥德尔不完备定理”。<ref>{{cite web|author1=Graham Oppy|title=Gödel's Incompleteness Theorems|url=http://plato.stanford.edu/entries/goedel-incompleteness/#GdeArgAgaMec|website=[[Stanford Encyclopedia of Philosophy]]|accessdate=27 April 2016|date=20 January 2015|quote=These Gödelian anti-mechanist arguments are, however, problematic, and there is wide consensus that they fail.|author1-link=Graham Oppy}}</ref><ref>{{cite book|author1=Stuart J. Russell|author2-link=Peter Norvig|author2=Peter Norvig|title=Artificial Intelligence: A Modern Approach|date=2010|publisher=[[Prentice Hall]]|location=Upper Saddle River, NJ|isbn=978-0-13-604259-4|edition=3rd|chapter=26.1.2: Philosophical Foundations/Weak AI: Can Machines Act Intelligently?/The mathematical objection|quote=even if we grant that computers have limitations on what they can prove, there is no evidence that humans are immune from those limitations.|title-link=Artificial Intelligence: A Modern Approach|author1-link=Stuart J. Russell}}</ref><ref>Mark Colyvan. An introduction to the philosophy of mathematics. [[Cambridge University Press]], 2012. From 2.2.2, 'Philosophical significance of Gödel's incompleteness results': "The accepted wisdom (with which I concur) is that the Lucas-Penrose arguments fail."</ref>

''哥德尔的论点'':哥德尔本人 、John Lucas(在1961年)和Roger Penrose(在1989年以后的一个更详细的争论中)提出了高度技术性的观点，认为人类数学家可以看到他们自己的“'''哥德尔不完备定理 Gödel Satements'''”的真实性，因此计算能力超过机械图灵机。然而，也有一些人不同意“哥德尔不完备定理”。<ref>{{cite web|author1=Graham Oppy|title=Gödel's Incompleteness Theorems|url=http://plato.stanford.edu/entries/goedel-incompleteness/#GdeArgAgaMec|website=[[Stanford Encyclopedia of Philosophy]]|accessdate=27 April 2016|date=20 January 2015|quote=These Gödelian anti-mechanist arguments are, however, problematic, and there is wide consensus that they fail.|author1-link=Graham Oppy}}</ref><ref>{{cite book|author1=Stuart J. Russell|author2-link=Peter Norvig|author2=Peter Norvig|title=Artificial Intelligence: A Modern Approach|date=2010|publisher=[[Prentice Hall]]|location=Upper Saddle River, NJ|isbn=978-0-13-604259-4|edition=3rd|chapter=26.1.2: Philosophical Foundations/Weak AI: Can Machines Act Intelligently?/The mathematical objection|quote=even if we grant that computers have limitations on what they can prove, there is no evidence that humans are immune from those limitations.|title-link=Artificial Intelligence: A Modern Approach|author1-link=Stuart J. Russell}}</ref><ref>Mark Colyvan. An introduction to the philosophy of mathematics. [[Cambridge University Press]], 2012. From 2.2.2, 'Philosophical significance of Gödel's incompleteness results': "The accepted wisdom (with which I concur) is that the Lucas-Penrose arguments fail."</ref>

''人工大脑的观点'': 因为大脑可以被机器模拟，且大脑是智能的，模拟的大脑也必须是智能的；因此机器可以是智能的。Hans Moravec、Ray Kurzweil和其他人认为，技术层面直接将大脑复制到硬件和软件上是可行的，而且这些拷贝在本质上和原来的大脑是没有区别的。<ref name="Brain simulation"/>

''人工大脑的观点'': 因为大脑可以被机器模拟，且大脑是智能的，模拟的大脑也必须是智能的；因此机器可以是智能的。Hans Moravec、Ray Kurzweil和其他人认为，技术层面直接将大脑复制到硬件和软件上是可行的，而且这些拷贝在本质上和原来的大脑是没有区别的。

====人性贬值 ====

====人性贬值 ====

Joseph Weizenbaum写道，根据定义，AI应用程序不能模拟人类的同理心，并且在诸如客户服务或心理治疗等领域使用AI技术是严重错误。维森鲍姆还对AI研究人员(以及一些哲学家)将人类思维视为一个计算机程序(现在称为计算主义)而感到困扰。对维森鲍姆来说，这些观点表明AI研究贬低了人类的生命价值。<ref name="Weizenbaum's critique"/>

Joseph Weizenbaum写道，根据定义，AI应用程序不能模拟人类的同理心，并且在诸如客户服务或心理治疗等领域使用AI技术是严重错误。维森鲍姆还对AI研究人员(以及一些哲学家)将人类思维视为一个计算机程序(现在称为计算主义)而感到困扰。对维森鲍姆来说，这些观点表明AI研究贬低了人类的生命价值。

====机器人的权利====

====机器人的权利====

如果可以创造出一台有智能的机器，那么它是否也有感觉呢？如果它有感觉，它是否拥有与人类同样的权利？这个目前被称为“机器人权利”的问题正在被人们考虑<ref name="Robot rights"/>，例如，加利福尼亚的未来研究所就在从事相关研究，尽管许多批评论家认为这种讨论为时过早<ref Name="Evans 2015">{{cite journal | last = Evans | first = Woody | authorlink = Woody Evans | title = Posthuman Rights: Dimensions of Transhuman Worlds | journal = Teknokultura | volume = 12 | issue = 2 | date = 2015 | df = dmy-all | doi = 10.5209/rev_TK.2015.v12.n2.49072 | doi-access = free }}</ref>。2010年的纪录片《插头与祷告 Plug & Pray》<ref>{{cite web|url=http://www.plugandpray-film.de/en/content.html|title=Content: Plug & Pray Film – Artificial Intelligence – Robots -|author=maschafilm|work=plugandpray-film.de|url-status=live|archiveurl=https://web.archive.org/web/20160212040134/http://www.plugandpray-film.de/en/content.html|archivedate=12 February 2016|df=dmy-all}}</ref>以及《星际迷航: 下一代 Star Trek Next Generation》等许多科幻媒体都对这个主题进行了深入讨论。《星际迷航 Star Trek》中有个指挥官角色叫Data ，他希望“变成人类”，和为了不被拆解而抗争。

如果可以创造出一台有智能的机器，那么它是否也有感觉呢？如果它有感觉，它是否拥有与人类同样的权利？这个目前被称为“机器人权利”的问题正在被人们考虑，例如，加利福尼亚的未来研究所就在从事相关研究，尽管许多批评论家认为这种讨论为时过早<ref Name="Evans 2015">{{cite journal | last = Evans | first = Woody | authorlink = Woody Evans | title = Posthuman Rights: Dimensions of Transhuman Worlds | journal = Teknokultura | volume = 12 | issue = 2 | date = 2015 | df = dmy-all | doi = 10.5209/rev_TK.2015.v12.n2.49072 | doi-access = free }}</ref>。2010年的纪录片《插头与祷告 Plug & Pray》<ref>{{cite web|url=http://www.plugandpray-film.de/en/content.html|title=Content: Plug & Pray Film – Artificial Intelligence – Robots -|author=maschafilm|work=plugandpray-film.de|url-status=live|archiveurl=https://web.archive.org/web/20160212040134/http://www.plugandpray-film.de/en/content.html|archivedate=12 February 2016|df=dmy-all}}</ref>以及《星际迷航: 下一代 Star Trek Next Generation》等许多科幻媒体都对这个主题进行了深入讨论。《星际迷航 Star Trek》中有个指挥官角色叫Data ，他希望“变成人类”，和为了不被拆解而抗争。