7,129
个编辑
更改
无编辑摘要
'''人工智能 Artificial Intelligence(AI)'''，在机科计算学中亦称'''机器智能 Machine Intelligence'''。与人和其他动物表现出的自然智能相反，AI指由人制造出来的机器所表现出来的智能。前沿AI的教科书把AI定义为对'''智能体'''的研究：智能体指任何感知周围环境并采取行动以最大化其成功实现目标的机会的机器。<ref>Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3.</ref><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</ref><ref>Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4.</ref><ref>Legg, Shane; Hutter, Marcus (15 June 2007). A Collection of Definitions of Intelligence (Technical report). IDSIA. arXiv:0706.3639. Bibcode:2007arXiv0706.3639L. 07-07.</ref>通俗来说，“AI”就是机器模仿人类与人类大脑相关的“认知”功能：例如“学习”和“解决问题”。
'''人工智能 Artificial Intelligence（AI）'''，在机科计算学中亦称'''机器智能 Machine Intelligence'''。与人和其他动物表现出的自然智能相反，AI指由人制造出来的机器所表现出来的智能。前沿AI的教科书把AI定义为对'''智能体'''的研究：智能体指任何感知周围环境并采取行动以最大化其成功实现目标的机会的机器。<ref>Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3.</ref><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</ref><ref>Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4.</ref><ref>Legg, Shane; Hutter, Marcus (15 June 2007). A Collection of Definitions of Intelligence (Technical report). IDSIA. arXiv:0706.3639. Bibcode:2007arXiv0706.3639L. 07-07.</ref>通俗来说，“AI”就是机器模仿人类与人类大脑相关的“认知”功能：例如“学习”和“解决问题”。
机械化或者说“形式化”推理的研究始于古代的哲学家和数学家。这些数理逻辑的研究直接催生了图灵的计算理论，即机器可以通过移动如“0”和“1”的简单的符号，就能模拟任何通过数学推演可以想到的过程，这一观点被称为'''邱奇-图灵论题 Church–Turing Thesis'''<ref name="Formal reasoning">Formal reasoning: * Berlinski, David (2000). The Advent of the Algorithm. Harcourt Books. ISBN 978-0-15-601391-8. OCLC 46890682.</ref>。图灵提出“如果人类无法区分机器和人类的回应，那么机器可以被认为是“智能的”。<ref>{{Citation | last = Turing | first = Alan | authorlink=Alan Turing | year=1948 | chapter=Machine Intelligence | title = The Essential Turing: The ideas that gave birth to the computer age | editor=Copeland, B. Jack | isbn = 978-0-19-825080-7 | publisher = Oxford University Press | location = Oxford | page = 412 }}</ref>目前人们公认的最早的AI工作是由McCullouch和Pitts 在1943年正式设计的图灵完备“人工神经元”。<ref>Russell, Stuart J.; Norvig, Peter (2009). Artificial Intelligence: A Modern Approach (3rd ed.). Upper Saddle River, New Jersey: Prentice Hall. ISBN 978-0-13-604259-4.</ref>
机械化或者说“形式化”推理的研究始于古代的哲学家和数学家。这些数理逻辑的研究直接催生了图灵的计算理论，即机器可以通过移动如“0”和“1”的简单的符号，就能模拟任何通过数学推演可以想到的过程，这一观点被称为'''邱奇-图灵论题 Church–Turing Thesis'''<ref name="Formal reasoning">Formal reasoning: * Berlinski, David (2000). The Advent of the Algorithm. Harcourt Books. ISBN 978-0-15-601391-8. OCLC 46890682.</ref>。图灵提出“如果人类无法区分机器和人类的回应，那么机器可以被认为是“智能的”。<ref>{{Citation | last = Turing | first = Alan |year=1948 | chapter=Machine Intelligence | title = The Essential Turing: The ideas that gave birth to the computer age | editor=Copeland, B. Jack | isbn = 978-0-19-825080-7 | publisher = Oxford University Press | location = Oxford | page = 412 }}</ref>目前人们公认的最早的AI工作是由McCullouch和Pitts 在1943年正式设计的图灵完备“人工神经元”。<ref>Russell, Stuart J.; Norvig, Peter (2009). Artificial Intelligence: A Modern Approach (3rd ed.). Upper Saddle River, New Jersey: Prentice Hall. ISBN 978-0-13-604259-4.</ref>
AI研究于1956年起源于在达特茅斯学院举办的一个研讨会，<ref name="McCorduck 2004"/><ref name="Crevier 1993"/> <ref name="Russell & Norvig 2003"/><ref name="NRC 1999"/>其中术语“人工智能”是由约翰麦卡锡创造的，目的是将该领域与控制论区分开来，并摆脱控制论主义者诺伯特维纳的影响。<ref>McCarthy, John (1988). "Review of The Question of Artificial Intelligence". Annals of the History of Computing. 10 (3): 224–229., collected in McCarthy, John (1996). "10. Review of The Question of Artificial Intelligence". Defending AI Research: A Collection of Essays and Reviews. CSLI., p. 73</ref>与会者Allen Newell(CMU)，[[赫伯特·西蒙 Herbert Simon]](CMU)，[[约翰·麦卡锡 John McCarthy]](MIT)，[[马文•明斯基 Marvin Minsky]](MIT)和[[阿瑟·塞缪尔Arthur Samuel]](IBM)成为了AI研究的创始人和领导者。他们和他们的学生做了一个新闻表述为“叹为观止”的计算机学习策略(以及在1959年就被报道达到人类的平均水平之上) ，解决代数应用题，证明逻辑理论以及用英语进行表达。到20世纪60年代中期，美国国防高级研究计划局斥重资支持研究，世界各地纷纷建立研究室。AI的创始人对未来充满乐观: Herbert Simon预测“二十年内，机器将能完成人能做到的一切工作。”。Marvin Minsky对此表示同意，他写道: “在一代人的时间里... ... 创造‘AI’的问题将得到实质性的解决。”
AI研究于1956年起源于在达特茅斯学院举办的一个研讨会，<ref name="McCorduck 2004"/><ref name="Crevier 1993"/> <ref name="Russell & Norvig 2003"/><ref name="NRC 1999"/>其中术语“人工智能”是由约翰麦卡锡创造的，目的是将该领域与控制论区分开来，并摆脱控制论主义者诺伯特维纳的影响。<ref>McCarthy, John (1988). "Review of The Question of Artificial Intelligence". Annals of the History of Computing. 10 (3): 224–229., collected in McCarthy, John (1996). "10. Review of The Question of Artificial Intelligence". Defending AI Research: A Collection of Essays and Reviews. CSLI., p. 73</ref>与会者Allen Newell（CMU），[[赫伯特·西蒙 Herbert Simon]]（CMU），[[约翰·麦卡锡 John McCarthy]]（MIT），[[马文•明斯基 Marvin Minsky]]（MIT）和[[阿瑟·塞缪尔 Arthur Samuel]]（IBM）成为了AI研究的创始人和领导者。他们和他们的学生做了一个新闻表述为“叹为观止”的计算机学习策略（以及在1959年就被报道达到人类的平均水平之上） ，解决代数应用题，证明逻辑理论以及用英语进行表达。到20世纪60年代中期，美国国防高级研究计划局斥重资支持研究，世界各地纷纷建立研究室。AI的创始人对未来充满乐观: Herbert Simon预测“二十年内，机器将能完成人能做到的一切工作。”。Marvin Minsky对此表示同意，他写道: “在一代人的时间里... ... 创造‘AI’的问题将得到实质性的解决。”
=== 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，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>
[[File:Ääretuvastuse näide.png|thumb|特征检测（如图：边缘检测）帮助人工智能从原始数据中组合出信息丰富的抽象结构]]
[[File:Ääretuvastuse näide.png|thumb|特征检测（如图：边缘检测）帮助人工智能从原始数据中组合出信息丰富的抽象结构]]
'''机器感知 Machine perception'''<ref name="Russell & Norvig 2003"/><ref name="Nilsson 1998"/>是利用传感器(如可见光或红外线摄像头、麦克风、无线信号、激光雷达、声纳、雷达和触觉传感器)的输入来推断世界的不同角度的能力。应用包括语音识别、面部识别和物体识别。<ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/>计算机视觉是分析可视化输入的能力。这种输入通常是模糊的; 一个在远处50米高的巨人可能会与近处正常大小的行人占据完全相同的像素，这就要求AI判断不同解释的相对可能性和合理性，例如使用”物体模型”来判断50米高的巨人其实是不存在的。<ref name="Nilsson 1998"/><ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/>
'''机器感知 Machine perception'''<ref name="Russell & Norvig 2003"/><ref name="Nilsson 1998"/>是利用传感器（如可见光或红外线摄像头、麦克风、无线信号、激光雷达、声纳、雷达和触觉传感器）的输入来推断世界的不同角度的能力。应用包括语音识别、面部识别和物体识别。<ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/>计算机视觉是分析可视化输入的能力。这种输入通常是模糊的; 一个在远处50米高的巨人可能会与近处正常大小的行人占据完全相同的像素，这就要求AI判断不同解释的相对可能性和合理性，例如使用”物体模型”来判断50米高的巨人其实是不存在的。<ref name="Nilsson 1998"/><ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/>
=== 运动和操作 ===
=== 运动和操作 ===
AI在机器人学中应用广泛<ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/>。在现代工厂中广泛使用的高级机械臂和其他工业机器人，可以从经验中学习如何在存在摩擦和齿轮滑移的情况下有效地移动。<ref name="Russell & Norvig 2003"/>当处在一个静态且可见的小环境中时，现代移动机器人可以很容易地确定自己的位置并绘制环境地图；然而如果是动态环境，比如用内窥镜检查病人呼吸的身体的内部，难度就会更高。运动规划是将一个运动任务分解为如单个的关节运动这样的“基本任务”的过程。这种运动通常包括顺应运动，在这个过程中需要与物体保持物理接触。<ref name="Tecuci 2012">Tecuci, Gheorghe (March–April 2012). "Artificial Intelligence". Wiley Interdisciplinary Reviews: Computational Statistics. 4 (2): 168–180. doi:10.1002/wics.200</ref><ref name="Russell & Norvig 2003"/><ref>Cadena, Cesar; Carlone, Luca; Carrillo, Henry; Latif, Yasir; Scaramuzza, Davide; Neira, Jose; Reid, Ian; Leonard, John J. (December 2016). "Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age". IEEE Transactions on Robotics. 32 (6): 1309–1332. arXiv:1606.05830. Bibcode:2016arXiv160605830C. doi:10.1109/TRO.2016.2624754. S2CID 2596787</ref>'''莫拉维克悖论 Moravec's Paradox''' <ref name="Robotic mapping">{{cite journal|last1=Cadena|first1=Cesar|last2=Carlone|first2=Luca|last3=Carrillo|first3=Henry|last4=Latif|first4=Yasir|last5=Scaramuzza|first5=Davide|last6=Neira|first6=Jose|last7=Reid|first7=Ian|last8=Leonard|first8=John J.|title=Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age|journal=IEEE Transactions on Robotics|date=December 2016|volume=32|issue=6|pages=1309–1332|doi=10.1109/TRO.2016.2624754|arxiv=1606.05830|bibcode=2016arXiv160605830C}}</ref>概括了人类理所当然认为低水平的感知运动技能很难在编程给机器人的事实，这个悖论是以汉斯 · 莫拉维克的名字命名的，他在1988年表示: “让计算机在智力测试或下跳棋中展现出成人水平的表现相对容易，但要让计算机拥有一岁小孩的感知和移动能力却很难，甚至不可能。”<ref>{{Cite book| first = Hans | last = Moravec | year = 1988 | title = Mind Children | publisher = Harvard University Press | author-link =Hans Moravec| p=15}}</ref><ref>{{cite news|last1=Chan|first1=Szu Ping|title=This is what will happen when robots take over the world|url=https://www.telegraph.co.uk/finance/economics/11994694/Heres-what-will-happen-when-robots-take-over-the-world.html|accessdate=23 April 2018|date=15 November 2015}}</ref>这是因为，身体灵巧性在数百万年的自然选择中一直作为一个直接的目标以增强人类的生存能力；而与此相比，跳棋技能则很奢侈，“擅长跳棋”的基因并不被生存导向的自然选择所偏好与富集。<ref name="The Economist">{{cite news|title=IKEA furniture and the limits of AI|url=https://www.economist.com/news/leaders/21740735-humans-have-had-good-run-most-recent-breakthrough-robotics-it-clear|accessdate=24 April 2018|work=The Economist|date=2018|language=en}}</ref>
AI在机器人学中应用广泛<ref name="ACM 1998"/><ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/>。在现代工厂中广泛使用的高级机械臂和其他工业机器人，可以从经验中学习如何在存在摩擦和齿轮滑移的情况下有效地移动。<ref name="Russell & Norvig 2003"/>当处在一个静态且可见的小环境中时，现代移动机器人可以很容易地确定自己的位置并绘制环境地图；然而如果是动态环境，比如用内窥镜检查病人呼吸的身体的内部，难度就会更高。运动规划是将一个运动任务分解为如单个的关节运动这样的“基本任务”的过程。这种运动通常包括顺应运动，在这个过程中需要与物体保持物理接触。<ref name="Tecuci 2012">Tecuci, Gheorghe (March–April 2012). "Artificial Intelligence". Wiley Interdisciplinary Reviews: Computational Statistics. 4 (2): 168–180. doi:10.1002/wics.200</ref><ref name="Russell & Norvig 2003"/><ref>Cadena, Cesar; Carlone, Luca; Carrillo, Henry; Latif, Yasir; Scaramuzza, Davide; Neira, Jose; Reid, Ian; Leonard, John J. (December 2016). "Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age". IEEE Transactions on Robotics. 32 (6): 1309–1332. arXiv:1606.05830. Bibcode:2016arXiv160605830C. doi:10.1109/TRO.2016.2624754. S2CID 2596787</ref>'''莫拉维克悖论 Moravec's Paradox''' <ref name="Robotic mapping">{{cite journal|last1=Cadena|first1=Cesar|last2=Carlone|first2=Luca|last3=Carrillo|first3=Henry|last4=Latif|first4=Yasir|last5=Scaramuzza|first5=Davide|last6=Neira|first6=Jose|last7=Reid|first7=Ian|last8=Leonard|first8=John J.|title=Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age|journal=IEEE Transactions on Robotics|date=December 2016|volume=32|issue=6|pages=1309–1332|doi=10.1109/TRO.2016.2624754|arxiv=1606.05830|bibcode=2016arXiv160605830C}}</ref>概括了人类理所当然认为低水平的感知运动技能很难在编程给机器人的事实，这个悖论是以汉斯 · 莫拉维克的名字命名的，他在1988年表示: “让计算机在智力测试或下跳棋中展现出成人水平的表现相对容易，但要让计算机拥有一岁小孩的感知和移动能力却很难，甚至不可能。”<ref>{{Cite book| first = Hans | last = Moravec | year = 1988 | title = Mind Children | publisher = Harvard University Press |p=15}}</ref><ref>{{cite news|last1=Chan|first1=Szu Ping|title=This is what will happen when robots take over the world|url=https://www.telegraph.co.uk/finance/economics/11994694/Heres-what-will-happen-when-robots-take-over-the-world.html|accessdate=23 April 2018|date=15 November 2015}}</ref>这是因为，身体灵巧性在数百万年的自然选择中一直作为一个直接的目标以增强人类的生存能力；而与此相比，跳棋技能则很奢侈，“擅长跳棋”的基因并不被生存导向的自然选择所偏好与富集。<ref name="The Economist">{{cite news|title=IKEA furniture and the limits of AI|url=https://www.economist.com/news/leaders/21740735-humans-have-had-good-run-most-recent-breakthrough-robotics-it-clear|accessdate=24 April 2018|work=The Economist|date=2018|language=en}}</ref>
<br>
<br>
=== 通用智能 ===
=== 通用智能 ===
历史上，诸如 Cyc 知识库(1984 -)和大规模的日本第五代计算机系统倡议(1982-1992)等项目试图涵盖人类的所有认知。这些早期的项目未能逃脱非定量符号逻辑模型的限制，现在回过头看，这些项目大大低估了实现跨领域AI的难度。当下绝大多数AI研究人员主要研究易于处理的“狭义AI”应用(如医疗诊断或汽车导航)<ref name="contemporary agi">{{cite book|last1=Pennachin|first1=C.|last2=Goertzel|first2=B.|title=Contemporary Approaches to Artificial General Intelligence|journal=Artificial General Intelligence. Cognitive Technologies|date=2007|doi=10.1007/978-3-540-68677-4_1|publisher=Springer|location=Berlin, Heidelberg|series=Cognitive Technologies|isbn=978-3-540-23733-4}}</ref>。许多研究人员预测，不同领域的“狭义AI”工作最终将被整合到一台具有人工通用智能(AGI)的机器中，结合上文提到的大多数狭义功能，甚至在某种程度上在大多数或所有这些领域都超过人类。<ref name="Kurzweil 1999"/><ref name="Kurzweil 2005"/><ref name="Roberts">{{cite magazine|last1=Roberts|first1=Jacob|title=Thinking Machines: The Search for Artificial Intelligence|magazine=Distillations|date=2016|volume=2|issue=2|pages=14–23|url=https://www.sciencehistory.org/distillations/magazine/thinking-machines-the-search-for-artificial-intelligence|accessdate=20 March 2018|archive-url=https://web.archive.org/web/20180819152455/https://www.sciencehistory.org/distillations/magazine/thinking-machines-the-search-for-artificial-intelligence|archive-date=19 August 2018|url-status=dead}}</ref>通用人工智能（或“AGI”）子领域专门研究通用智能。<ref name="Artificial General Intelligence">{{cite book|last1=Pennachin|first1=C.|last2=Goertzel|first2=B.|chapter=Contemporary Approaches to Artificial General Intelligence|title=Artificial General Intelligence |date=2007 |doi=10.1007/978-3-540-68677-4_1 |publisher=Springer|location=Berlin, Heidelberg |series=Cognitive Technologies |isbn=978-3-540-23733-4}}</ref>
历史上，诸如 Cyc 知识库和大规模的日本第五代计算机系统倡议（1982-1992）等项目试图涵盖人类的所有认知。这些早期的项目未能逃脱非定量符号逻辑模型的限制，现在回过头看，这些项目大大低估了实现跨领域AI的难度。当下绝大多数AI研究人员主要研究易于处理的“狭义AI”应用（如医疗诊断或汽车导航）<ref name="contemporary agi">{{cite book|last1=Pennachin|first1=C.|last2=Goertzel|first2=B.|title=Contemporary Approaches to Artificial General Intelligence|journal=Artificial General Intelligence. Cognitive Technologies|date=2007|doi=10.1007/978-3-540-68677-4_1|publisher=Springer|location=Berlin, Heidelberg|series=Cognitive Technologies|isbn=978-3-540-23733-4}}</ref>。许多研究人员预测，不同领域的“狭义AI”工作最终将被整合到一台具有人工通用智能（AGI）的机器中，结合上文提到的大多数狭义功能，甚至在某种程度上在大多数或所有这些领域都超过人类。<ref name="Kurzweil 1999"/><ref name="Kurzweil 2005"/><ref name="Roberts">{{cite magazine|last1=Roberts|first1=Jacob|title=Thinking Machines: The Search for Artificial Intelligence|magazine=Distillations|date=2016|volume=2|issue=2|pages=14–23|url=https://www.sciencehistory.org/distillations/magazine/thinking-machines-the-search-for-artificial-intelligence|accessdate=20 March 2018|archive-url=https://web.archive.org/web/20180819152455/https://www.sciencehistory.org/distillations/magazine/thinking-machines-the-search-for-artificial-intelligence|archive-date=19 August 2018|url-status=dead}}</ref>通用人工智能（或“AGI”）子领域专门研究通用智能。<ref name="Artificial General Intelligence">{{cite book|last1=Pennachin|first1=C.|last2=Goertzel|first2=B.|chapter=Contemporary Approaches to Artificial General Intelligence|title=Artificial General Intelligence |date=2007 |doi=10.1007/978-3-540-68677-4_1 |publisher=Springer|location=Berlin, Heidelberg |series=Cognitive Technologies |isbn=978-3-540-23733-4}}</ref>
<br>
<br>
====反逻辑的或“邋遢”的方法====
====反逻辑的或“邋遢”的方法====
麻省理工学院（MIT）的研究人员Marvin Minsky和Seymour Papert等发现，视觉和自然语言处理中的难题需要特定的解决方案——他们认为，没有简单而普遍的原则（如逻辑）可以涵盖智能行为。罗杰•尚克将他们的“反逻辑”方法形容为“邋遢的”（相对于卡内基梅隆大学和斯坦福大学的“整洁”范式）。常识库（如常识知识库的 Cyc）是“邋遢”AI的一个例子，因为它们必须人工一个一个地构建复杂概念。
=== 集成各种方法 ===
=== 集成各种方法 ===
智能主体范式: 智能主体是一个感知其环境并采取行动，最大限度地提高其成功机会的系统。最简单的智能主体是解决特定问题的程序，更复杂的智能主体包括人类和人类组织(如公司)。这种范式使得研究人员能通过观察哪一个智能主体能最大化给定的“目标函数”，直接比较甚至结合不同的方法来解决孤立的问题。解决特定问题的智能主体可以使用任何有效的方法——可以是是符号化和逻辑化的，也可以是亚符号化的人工神经网络，还可以是新的方法。这种范式还为研究人员提供了一种与其他领域(如决策理论和经济学)进行交流的共同语言，因为这些领域也使用了抽象智能主体的概念。建立一个完整的智能主体需要研究人员解决现实的整合协调问题; 例如，由于传感系统提供关于环境的信息不确定，决策系统就必须在不确定性的条件下运作。智能体范式在20世纪90年代被广泛接受。
智能主体范式: 智能主体是一个感知其环境并采取行动，最大限度地提高其成功机会的系统。最简单的智能主体是解决特定问题的程序，更复杂的智能主体包括人类和人类组织（如公司）。这种范式使得研究人员能通过观察哪一个智能主体能最大化给定的“目标函数”，直接比较甚至结合不同的方法来解决孤立的问题。解决特定问题的智能主体可以使用任何有效的方法——可以是是符号化和逻辑化的，也可以是亚符号化的人工神经网络，还可以是新的方法。这种范式还为研究人员提供了一种与其他领域（如决策理论和经济学）进行交流的共同语言，因为这些领域也使用了抽象智能主体的概念。建立一个完整的智能主体需要研究人员解决现实的整合协调问题; 例如，由于传感系统提供关于环境的信息不确定，决策系统就必须在不确定性的条件下运作。智能体范式在20世纪90年代被广泛接受。
对于大多数真实世界的问题，简单的穷举搜索很难满足要求: 搜索空间(要搜索的位置数)很快就会增加到天文数字。结果就是搜索速度太慢或者永远不能完成。对于许多问题，解决方法是使用“'''启发式 Heuristics''' ”或“'''经验法则 Rules of Thumb''' ” ，优先考虑那些更有可能达到目标的选择，并且在较短的步骤内完成。在一些搜索方法中，启发式方法还可以完全移去一些不可能通向目标的选择(称为“修剪搜索树”)。启发式为程序提供了解决方案所在路径的“最佳猜测”。<ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/><ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/>启发式把搜索限制在了更小的样本规模里。<ref name ="Tecuci 2012>Tecuci, Gheorghe (March–April 2012). "Artificial Intelligence". Wiley Interdisciplinary Reviews: Computational Statistics. 4 (2): 168–180. doi:10.1002/wics.200</ref>
对于大多数真实世界的问题，简单的穷举搜索很难满足要求: 搜索空间（要搜索的位置数）很快就会增加到天文数字。结果就是搜索速度太慢或者永远不能完成。对于许多问题，解决方法是使用“'''启发式 Heuristics''' ”或“'''经验法则 Rules of Thumb''' ” ，优先考虑那些更有可能达到目标的选择，并且在较短的步骤内完成。在一些搜索方法中，启发式方法还可以完全移去一些不可能通向目标的选择（称为“修剪搜索树”）。启发式为程序提供了解决方案所在路径的“最佳猜测”。<ref name="Russell & Norvig 2003"/><ref name="Poole, Mackworth & Goebel 1998"/><ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/>启发式把搜索限制在了更小的样本规模里。<ref name ="Tecuci 2012>Tecuci, Gheorghe (March–April 2012). "Artificial Intelligence". Wiley Interdisciplinary Reviews: Computational Statistics. 4 (2): 168–180. doi:10.1002/wics.200</ref>
[[File:ParticleSwarmArrowsAnimation.gif|thumb|粒子群搜索全局最小]]
[[File:ParticleSwarmArrowsAnimation.gif|thumb|粒子群搜索全局最小]]
[[演化计算]]用到了优化搜索的形式。例如，他们可能从一群有机体(猜测)开始，然后让它们变异和重组，选择适者继续生存 (改进猜测)。经典的演化算法包括遗传算法、基因表达编程和遗传编程。<ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/><ref name="Holland, John H. (1975)">Holland, John H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. ISBN 978-0-262-58111-0.</ref><ref name="Koza, John R. (1992)">Koza, John R. (1992). Genetic Programming (On the Programming of Computers by Means of Natural Selection). MIT Press. Bibcode:1992gppc.book.....K. ISBN 978-0-262-11170-6.</ref><ref name="Poli(2008)">Poli, R.; Langdon, W. B.; McPhee, N. F. (2008). A Field Guide to Genetic Programming. Lulu.com. ISBN 978-1-4092-0073-4 – via gp-field-guide.org.uk.</ref>或者，分布式搜索过程可以通过群智能算法进行协调。搜索中使用的两种流行的群算法是粒子群优化（禽流启发植绒和）蚁群优化（灵感来源于蚂蚁小径）。<ref name="Society based learning"/><ref>{{cite book|author1=Daniel Merkle|author2=Martin Middendorf|editor1-last=Burke|editor1-first=Edmund K.|editor2-last=Kendall|editor2-first=Graham|title=Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques|date=2013|publisher=Springer Science & Business Media|isbn=978-1-4614-6940-7|language=en|chapter=Swarm Intelligence}}</ref>
[[演化计算]]用到了优化搜索的形式。例如，他们可能从一群有机体（猜测）开始，然后让它们变异和重组，选择适者继续生存（改进猜测）。经典的演化算法包括遗传算法、基因表达编程和遗传编程。<ref name="Luger & Stubblefield 2004"/><ref name="Nilsson 1998"/><ref name="Holland, John H. (1975)">Holland, John H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. ISBN 978-0-262-58111-0.</ref><ref name="Koza, John R. (1992)">Koza, John R. (1992). Genetic Programming (On the Programming of Computers by Means of Natural Selection). MIT Press. Bibcode:1992gppc.book.....K. ISBN 978-0-262-11170-6.</ref><ref name="Poli(2008)">Poli, R.; Langdon, W. B.; McPhee, N. F. (2008). A Field Guide to Genetic Programming. Lulu.com. ISBN 978-1-4092-0073-4 – via gp-field-guide.org.uk.</ref>或者，分布式搜索过程可以通过群智能算法进行协调。搜索中使用的两种流行的群算法是粒子群优化（禽流启发植绒和）蚁群优化（灵感来源于蚂蚁小径）。<ref>{{cite book|author1=Daniel Merkle|author2=Martin Middendorf|editor1-last=Burke|editor1-first=Edmund K.|editor2-last=Kendall|editor2-first=Graham|title=Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques|date=2013|publisher=Springer Science & Business Media|isbn=978-1-4614-6940-7|language=en|chapter=Swarm Intelligence}}</ref>
===逻辑===
===逻辑===
AI研究中使用了多种不同形式的逻辑。命题逻辑包含诸如“或”和“否”这样的真值函数。一阶逻辑<ref name="ACM Computing Classification System: Artificial intelligence"/>增加了量词和谓词，可以表达关于对象、对象属性和对象之间的关系。模糊集合论给诸如“爱丽丝老了”(或是富有的、高的、饥饿的)这样模糊的表述赋予了一个“真实程度”(介于0到1之间)，这些表述在语言上很模糊，不能完全判定为正确或错误。模糊逻辑在控制系统中得到了成功应用，使专家能够制定模糊规则，比如“如果你正以较快的速度接近终点站，那么就增加列车的制动压力”;这些模糊的规则可以在系统内用数值细化。但是，模糊逻辑无助于扩展知识库，许多AI研究者质疑把模糊逻辑和推理结合起来的有效性。<ref>{{cite journal|last1=Elkan|first1=Charles|title=The paradoxical success of fuzzy logic|journal=IEEE Expert|date=1994|volume=9|issue=4|pages=3–49|doi=10.1109/64.336150|citeseerx=10.1.1.100.8402}}</ref><ref name="Fuzzy logic"/><ref>{{cite news|title=What is 'fuzzy logic'? Are there computers that are inherently fuzzy and do not apply the usual binary logic?|url=https://www.scientificamerican.com/article/what-is-fuzzy-logic-are-t/|accessdate=5 May 2018|work=Scientific American|language=en}}</ref>
AI研究中使用了多种不同形式的逻辑。命题逻辑包含诸如“或”和“否”这样的真值函数。一阶逻辑<ref name="ACM Computing Classification System: Artificial intelligence"/>增加了量词和谓词，可以表达关于对象、对象属性和对象之间的关系。模糊集合论给诸如“爱丽丝老了”（或是富有的、高的、饥饿的）这样模糊的表述赋予了一个“真实程度”（介于0到1之间），这些表述在语言上很模糊，不能完全判定为正确或错误。模糊逻辑在控制系统中得到了成功应用，使专家能够制定模糊规则，比如“如果你正以较快的速度接近终点站，那么就增加列车的制动压力”;这些模糊的规则可以在系统内用数值细化。但是，模糊逻辑无助于扩展知识库，许多AI研究者质疑把模糊逻辑和推理结合起来的有效性。<ref>{{cite journal|last1=Elkan|first1=Charles|title=The paradoxical success of fuzzy logic|journal=IEEE Expert|date=1994|volume=9|issue=4|pages=3–49|doi=10.1109/64.336150|citeseerx=10.1.1.100.8402}}</ref><ref>{{cite news|title=What is 'fuzzy logic'? Are there computers that are inherently fuzzy and do not apply the usual binary logic?|url=https://www.scientificamerican.com/article/what-is-fuzzy-logic-are-t/|accessdate=5 May 2018|work=Scientific American|language=en}}</ref>
'''缺省逻辑 Default Logics'''、'''非单调逻辑 Non-monotonic Logics'''、'''限制逻辑 Circumscription'''和'''模态逻辑 Modal Logics'''，都用逻辑形式来解决缺省推理和限定问题。一些逻辑扩展被用于处理特定的知识领域，例如:'''描述逻辑 Description Logics''' 、情景演算、事件演算、'''流态演算 Fluent Calculus'''（用于表示事件和时间）、因果演算、信念演算(信念修正)<ref>"The Belief Calculus and Uncertain Reasoning", Yen-Teh Hsia</ref>、和模态逻辑。人们也设计了对多主体系统中出现的矛盾或不一致陈述进行建模的逻辑，如次协调逻辑。
'''缺省逻辑 Default Logics'''、'''非单调逻辑 Non-monotonic Logics'''、'''限制逻辑 Circumscription'''和'''模态逻辑 Modal Logics'''，都用逻辑形式来解决缺省推理和限定问题。一些逻辑扩展被用于处理特定的知识领域，例如:'''描述逻辑 Description Logics''' 、情景演算、事件演算、'''流态演算 Fluent Calculus'''（用于表示事件和时间）、因果演算、信念演算（信念修正）<ref>"The Belief Calculus and Uncertain Reasoning", Yen-Teh Hsia</ref>、和模态逻辑。人们也设计了对多主体系统中出现的矛盾或不一致陈述进行建模的逻辑，如次协调逻辑。
</br>
</br>
[[File:EM Clustering of Old Faithful data.gif|right|frame|期望-最大化老实泉喷发数据的聚类从一个随机的猜测开始，然后成功地收敛到两个物理上截然不同的喷发模式的精确聚类]]
[[File:EM Clustering of Old Faithful data.gif|right|frame|期望-最大化老实泉喷发数据的聚类从一个随机的猜测开始，然后成功地收敛到两个物理上截然不同的喷发模式的精确聚类]]
AI中的许多问题（在推理、规划、学习、感知和机器人技术方面）要求主体在信息不完整或不确定的情况下进行操作。AI研究人员从概率论和经济学的角度设计了许多强大的工具来解决这些问题。<ref name="ACM Computing Classification System: Artificial intelligence"/>
'''[[贝叶斯网络]] Bayesian Networks ''' 是一个非常通用的工具，可用于各种问题: 推理(使用贝叶斯推断算法) ，学习(使用期望最大化算法) ，规划(使用决策网络)和感知(使用动态贝叶斯网络)。概率算法也可以用于滤波、预测、平滑和解释数据流，帮助传感系统分析随时间发生的过程(例如，[[隐马尔可夫模型]]或'''卡尔曼滤波器 Kalman Filters''')。与符号逻辑相比，形式化的贝叶斯推断逻辑运算量很大。为了使推理易于处理，大多数观察值必须彼此条件独立。含有菱形或其他“圈”(无向循环)的复杂图形可能需要比如马尔科夫-蒙特卡罗图的复杂方法，这种方法将一组随机行走遍布整个贝叶斯网络，并试图收敛到对条件概率的评估。贝叶斯网络在 Xbox Live 上被用来评估和匹配玩家：胜率是证明一个玩家有多有优秀的“证据”。AdSense使用一个有超过3亿条边的贝叶斯网络来学习如何推送广告的。<ref name="Domingos, Pedro (2015)">Domingos, Pedro (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. ISBN 978-0-465-06192-1.</ref>
'''[[贝叶斯网络]] Bayesian Networks ''' 是一个非常通用的工具，可用于各种问题: 推理（使用贝叶斯推断算法） ，学习（使用期望最大化算法） ，规划（使用决策网络）和感知（使用动态贝叶斯网络）。概率算法也可以用于滤波、预测、平滑和解释数据流，帮助传感系统分析随时间发生的过程（例如，[[隐马尔可夫模型]]或'''卡尔曼滤波器 Kalman Filters'''）。与符号逻辑相比，形式化的贝叶斯推断逻辑运算量很大。为了使推理易于处理，大多数观察值必须彼此条件独立。含有菱形或其他“圈”（无向循环）的复杂图形可能需要比如马尔科夫-蒙特卡罗图的复杂方法，这种方法将一组随机行走遍布整个贝叶斯网络，并试图收敛到对条件概率的评估。贝叶斯网络在 Xbox Live 上被用来评估和匹配玩家：胜率是证明一个玩家有多有优秀的“证据”。AdSense使用一个有超过3亿条边的贝叶斯网络来学习如何推送广告的。<ref name="Domingos, Pedro (2015)">Domingos, Pedro (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. ISBN 978-0-465-06192-1.</ref>
===分类器与统计学习方法===
===分类器与统计学习方法===
最简单的AI应用程序可以分为两类: '''分类器 Classifiers''' (“若闪光，则为钻石”)和'''控制器 Controllers''' (“若闪光，则捡起来”)。然而，控制器在推断前也对条件进行分类，因此分类构成了许多AI系统的核心部分。分类器一组是使用匹配模式来判断最接近的匹配的函数。它们可以根据样例进行性能调优，使它们在AI应用中更有效。这些样例被称为“观察”或“模式”。在监督学习中，每个模式都属于某个预定义的类别。可以把一个类看作是一个必须做出的决定。所有的样例和它们的对应的类别标签被称为数据集。当接收一个新样例时，它会被分类器根据以前的经验进行分类。<ref name="Classifiers"/>
最简单的AI应用程序可以分为两类: '''分类器 Classifiers''' （“若闪光，则为钻石”）和'''控制器 Controllers''' （“若闪光，则捡起来”）。然而，控制器在推断前也对条件进行分类，因此分类构成了许多AI系统的核心部分。分类器一组是使用匹配模式来判断最接近的匹配的函数。它们可以根据样例进行性能调优，使它们在AI应用中更有效。这些样例被称为“观察”或“模式”。在监督学习中，每个模式都属于某个预定义的类别。可以把一个类看作是一个必须做出的决定。所有的样例和它们的对应的类别标签被称为数据集。当接收一个新样例时，它会被分类器根据以前的经验进行分类。
分类器可以通过多种方式进行训练;，比如许多统计学和机器学习方法。决策树可能是应用最广泛的机器学习算法。<ref name="Domingos, Pedro (2015)"/>其他使用广泛的分类器还有神经网络、K最近邻算法、核方法（比如支持向量机）、''' 高斯混合模型 Gaussian Mixture Mode'''，以及非常流行的'''朴素贝叶斯分类器 Naive Bayes Classifier'''。分类器的分类效果在很大程度上取决于待分类数据的特征，如数据集的大小、样本跨类别的分布、维数和噪声水平。如果假设的模型很符合实际数据，则基于这种模型的分类器就能给出很好的结果。否则，传统观点认为如果没有匹配模型可用，而且只关心准确性(而不是速度或可扩展性) ，在大多数实际数据集上鉴别分类器(尤其是支持向量机)往往比基于模型的分类器(如“朴素贝叶斯”)更准确。<ref>van der Walt, Christiaan; Bernard, Etienne (2006). "Data characteristics that determine classifier performance" (PDF). </ref><ref>Russell, Stuart J.; Norvig, Peter (2009). Artificial Intelligence: A Modern Approach (3rd ed.). Upper Saddle River, New Jersey: Prentice Hall. 18.12: Learning from Examples: Summary. ISBN 978-0-13-604259-4.</ref>
分类器可以通过多种方式进行训练;，比如许多统计学和机器学习方法。决策树可能是应用最广泛的机器学习算法。<ref name="Domingos, Pedro (2015)"/>其他使用广泛的分类器还有神经网络、K最近邻算法、核方法（比如支持向量机）、''' 高斯混合模型 Gaussian Mixture Mode'''，以及非常流行的'''朴素贝叶斯分类器 Naive Bayes Classifier'''。分类器的分类效果在很大程度上取决于待分类数据的特征，如数据集的大小、样本跨类别的分布、维数和噪声水平。如果假设的模型很符合实际数据，则基于这种模型的分类器就能给出很好的结果。否则，传统观点认为如果没有匹配模型可用，而且只关心准确性（而不是速度或可扩展性） ，在大多数实际数据集上鉴别分类器（尤其是支持向量机）往往比基于模型的分类器（如“朴素贝叶斯”）更准确。<ref>van der Walt, Christiaan; Bernard, Etienne (2006). "Data characteristics that determine classifier performance" (PDF). </ref><ref>Russell, Stuart J.; Norvig, Peter (2009). Artificial Intelligence: A Modern Approach (3rd ed.). Upper Saddle River, New Jersey: Prentice Hall. 18.12: Learning from Examples: Summary. ISBN 978-0-13-604259-4.</ref>
<br>
<br>
网络主要分为'''非循环或前馈神经网络 Acyclic or Feedforward Neural Networks'''(信号只向一个方向传递)和'''循环神经网络 Recurrent Neural Network''' (允许反馈和对以前的输入事件进行短期记忆)。其中最常用的前馈网络有感知机、'''多层感知机 Multi-layer Perceptrons''' 和'''径向基网络 Radial Basis Networks'''。使用'''赫布型学习 Hebbian Learning''' (“相互放电，共同链接”) ，GMDH 或竞争学习等技术的神经网络可以被应用于智能控制(机器人)或学习问题。
网络主要分为'''非循环或前馈神经网络 Acyclic or Feedforward Neural Networks'''（信号只向一个方向传递）和'''循环神经网络 Recurrent Neural Network'''（允许反馈和对以前的输入事件进行短期记忆）。其中最常用的前馈网络有感知机、'''多层感知机 Multi-layer Perceptrons''' 和'''径向基网络 Radial Basis Networks'''。使用'''赫布型学习 Hebbian Learning''' （“相互放电，共同链接”） ，GMDH 或竞争学习等技术的神经网络可以被应用于智能控制（机器人）或学习问题。
当下神经网络常用'''[[反向传播算法]]''' 来训练，1970年反向传播算法出现，被认为是 Seppo Linnainmaa提出的自动微分的反向模式出现<ref name="lin1970">Seppo Linnainmaa(1970). The representation of the cumulative rounding error of an algorithm as a Taylor expansion of the local rounding errors. Master's Thesis (in Finnish), Univ. Helsinki, 6–7.</ref><ref name="grie2012">Griewank, Andreas (2012). Who Invented the Reverse Mode of Differentiation?. Optimization Stories, Documenta Matematica, Extra Volume ISMP (2012), 389–400.</ref>，被Paul Werbos引入神经网络。<ref name="WERBOS1974">Paul Werbos, "Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences", ''PhD thesis, Harvard University'', 1974.</ref><ref name="werbos1982">Paul Werbos (1982). Applications of advances in nonlinear sensitivity analysis. In System modeling and optimization (pp. 762–770). Springer Berlin Heidelberg. [http://werbos.com/Neural/SensitivityIFIPSeptember1981.pdf Online] </ref><ref name="Backpropagation"/>
当下神经网络常用'''[[反向传播算法]]''' 来训练，1970年反向传播算法出现，被认为是 Seppo Linnainmaa提出的自动微分的反向模式出现<ref name="lin1970">Seppo Linnainmaa(1970). The representation of the cumulative rounding error of an algorithm as a Taylor expansion of the local rounding errors. Master's Thesis (in Finnish), Univ. Helsinki, 6–7.</ref><ref name="grie2012">Griewank, Andreas (2012). Who Invented the Reverse Mode of Differentiation?. Optimization Stories, Documenta Matematica, Extra Volume ISMP (2012), 389–400.</ref>，被Paul Werbos引入神经网络。<ref name="WERBOS1974">Paul Werbos, "Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences", ''PhD thesis, Harvard University'', 1974.</ref><ref name="werbos1982">Paul Werbos (1982). Applications of advances in nonlinear sensitivity analysis. In System modeling and optimization (pp. 762–770). Springer Berlin Heidelberg. [http://werbos.com/Neural/SensitivityIFIPSeptember1981.pdf Online] </ref>
层次化暂时性记忆是一种模拟大脑新皮层结构和算法特性的方法。<ref name="Hierarchical temporal memory">{{cite book|last1=Hawkins|first1=Jeff|title=On Intelligence|title-link=On Intelligence|last2=Blakeslee|first2=Sandra|publisher=Owl Books|year=2005|isbn=978-0-8050-7853-4|location=New York, NY|author-link=Jeff Hawkins}}</ref>
层次化暂时性记忆是一种模拟大脑新皮层结构和算法特性的方法。<ref name="Hierarchical temporal memory">{{cite book|last1=Hawkins|first1=Jeff|title=On Intelligence|last2=Blakeslee|first2=Sandra|publisher=Owl Books|year=2005|isbn=978-0-8050-7853-4|location=New York, NY|}}</ref>
====深层前馈神经网络====
====深层前馈神经网络====
深度学习是任何可以学习长因果链的人工神经网络。例如，一个具有六个隐藏层的前馈网络可以学习有七个链接的因果链（六个隐藏层 + 一个输出层） ，并且具深度为7的“'''信用分配路径 Credit Assignment Path（CAP）''' ”。许多深度学习系统需要学习长度在十及以上的因果链。<ref name="goodfellow2016">Ian Goodfellow, Yoshua Bengio, and Aaron Courville (2016). Deep Learning. MIT Press. [http://www.deeplearningbook.org Online] </ref><ref name="HintonDengYu2012">{{cite journal | last1 = Hinton | first1 = G. | last2 = Deng | first2 = L. | last3 = Yu | first3 = D. | last4 = Dahl | first4 = G. | last5 = Mohamed | first5 = A. | last6 = Jaitly | first6 = N. | last7 = Senior | first7 = A. | last8 = Vanhoucke | first8 = V. | last9 = Nguyen | first9 = P. | last10 = Sainath | first10 = T. | last11 = Kingsbury | first11 = B. | year = 2012 | title = Deep Neural Networks for Acoustic Modeling in Speech Recognition – The shared views of four research groups | url = | journal = IEEE Signal Processing Magazine | volume = 29 | issue = 6| pages = 82–97 | doi=10.1109/msp.2012.2205597}}</ref><ref name="schmidhuber2015">{{cite journal |last=Schmidhuber |first=J. |year=2015 |title=Deep Learning in Neural Networks: An Overview |journal=Neural Networks |volume=61 |pages=85–117 |arxiv=1404.7828 |doi=10.1016/j.neunet.2014.09.003|pmid=25462637 }}</ref>
根据一篇综述<ref name="scholarpedia">{{cite journal | last1 = Schmidhuber | first1 = Jürgen | authorlink = Jürgen Schmidhuber | year = 2015 | title = Deep Learning | journal = Scholarpedia | volume = 10 | issue = 11 | page = 32832 | doi = 10.4249/scholarpedia.32832 | df = dmy-all | bibcode = 2015SchpJ..1032832S | doi-access = free }}</ref>，“深度学习”这种表述是在1986年<ref name="dechter1986">Rina Dechter(1986). Learning while searching in constraint-satisfaction problems. University of California, Computer Science Department, Cognitive Systems Laboratory.[https://www.researchgate.net/publication/221605378_Learning_While_Searching_in_Constraint-Satisfaction-Problems Online]</ref>被Rina Dechter特引入到机器学习领域的，并在2000年Igor Aizenberg和他的同事将其引入人工神经网络后获得了关注。<ref name="aizenberg2000">Igor Aizenberg, Naum N. Aizenberg, Joos P.L. Vandewalle (2000). Multi-Valued and Universal Binary Neurons: Theory, Learning and Applications. Springer Science & Business Media.</ref> Alexey Grigorevich Ivakhnenko 和 V. G. Lapa 于 1965 年发表了第一个功能性深度学习网络。<ref>{{Cite book|title=Cybernetic Predicting Devices|last=Ivakhnenko|first=Alexey|publisher=Naukova Dumka|year=1965|isbn=|location=Kiev|pages=}}</ref>
根据一篇综述<ref name="scholarpedia">{{cite journal | last1 = Schmidhuber | first1 = Jürgen |year = 2015 | title = Deep Learning | journal = Scholarpedia | volume = 10 | issue = 11 | page = 32832 | doi = 10.4249/scholarpedia.32832 | df = dmy-all | bibcode = 2015SchpJ..1032832S | doi-access = free }}</ref>，“深度学习”这种表述是在1986年<ref name="dechter1986">Rina Dechter(1986). Learning while searching in constraint-satisfaction problems. University of California, Computer Science Department, Cognitive Systems Laboratory.[https://www.researchgate.net/publication/221605378_Learning_While_Searching_in_Constraint-Satisfaction-Problems Online]</ref>被Rina Dechter特引入到机器学习领域的，并在2000年Igor Aizenberg和他的同事将其引入人工神经网络后获得了关注。<ref name="aizenberg2000">Igor Aizenberg, Naum N. Aizenberg, Joos P.L. Vandewalle (2000). Multi-Valued and Universal Binary Neurons: Theory, Learning and Applications. Springer Science & Business Media.</ref> Alexey Grigorevich Ivakhnenko 和 V. G. Lapa 于 1965 年发表了第一个功能性深度学习网络。<ref>{{Cite book|title=Cybernetic Predicting Devices|last=Ivakhnenko|first=Alexey|publisher=Naukova Dumka|year=1965|isbn=|location=Kiev|pages=}}</ref>
2016年Deepmind 的“AlphaGo Lee”使用了有12个卷积层的 CNNs 和强化学习，击败了一个顶级围棋冠军。<ref name="Nature2017">{{cite journal |first1=David |last1=Silver|author-link1=David Silver (programmer)|first2= Julian|last2= Schrittwieser|first3= Karen|last3= Simonyan|first4= Ioannis|last4= Antonoglou|first5= Aja|last5= Huang|author-link5=Aja Huang|first6=Arthur|last6= Guez|first7= Thomas|last7= Hubert|first8= Lucas|last8= Baker|first9= Matthew|last9= Lai|first10= Adrian|last10= Bolton|first11= Yutian|last11= Chen|author-link11=Chen Yutian|first12= Timothy|last12= Lillicrap|first13=Hui|last13= Fan|author-link13=Fan Hui|first14= Laurent|last14= Sifre|first15= George van den|last15= Driessche|first16= Thore|last16= Graepel|first17= Demis|last17= Hassabis |author-link17=Demis Hassabis|title=Mastering the game of Go without human knowledge|journal=Nature |issn= 0028-0836|pages=354–359|volume =550|issue =7676|doi =10.1038/nature24270|pmid=29052630|date=19 October 2017|quote=AlphaGo Lee... 12 convolutional layers|bibcode=2017Natur.550..354S|url=http://discovery.ucl.ac.uk/10045895/1/agz_unformatted_nature.pdf}}</ref>
2016年Deepmind 的“AlphaGo Lee”使用了有12个卷积层的 CNNs 和强化学习，击败了一个顶级围棋冠军。<ref name="Nature2017">{{cite journal |first1=David |last1=Silver|first2= Julian|last2= Schrittwieser|first3= Karen|last3= Simonyan|first4= Ioannis|last4= Antonoglou|first5= Aja|last5= Huang|first6=Arthur|last6= Guez|first7= Thomas|last7= Hubert|first8= Lucas|last8= Baker|first9= Matthew|last9= Lai|first10= Adrian|last10= Bolton|first11= Yutian|last11= Chen|first12= Timothy|last12= Lillicrap|first13=Hui|last13= Fan|first14= Laurent|last14= Sifre|first15= George van den|last15= Driessche|first16= Thore|last16= Graepel|first17= Demis|last17= Hassabis |title=Mastering the game of Go without human knowledge|journal=Nature |issn= 0028-0836|pages=354–359|volume =550|issue =7676|doi =10.1038/nature24270|pmid=29052630|date=19 October 2017|quote=AlphaGo Lee... 12 convolutional layers|bibcode=2017Natur.550..354S|url=http://discovery.ucl.ac.uk/10045895/1/agz_unformatted_nature.pdf}}</ref>
</br>
</br>
许多研究人员现在使用着一种被称为 '''长短期记忆 Long Short-term Memory（LSTM）'''的网络——一种深度学习循环神经网络的变体，由霍克赖特和施米德胡贝在1997年提出。<ref name=lstm>[[Sepp Hochreiter|Hochreiter, Sepp]]; and [[Jürgen Schmidhuber|Schmidhuber, Jürgen]]; ''Long Short-Term Memory'', Neural Computation, 9(8):1735–1780, 1997</ref>人们通常使用'''连接时序分类 Connectionist Temporal Classification, CTC'''训练LSTM<ref name="graves2006">Alex Graves, Santiago Fernandez, Faustino Gomez, and [[Jürgen Schmidhuber]] (2006). Connectionist temporal classification: Labelling unsegmented sequence data with recurrent neural nets. Proceedings of ICML'06, pp. 369–376.</ref>。谷歌，微软和百度用CTC彻底改变了语音识别。例如,2015年谷歌的语音识别性能大幅提升了49%,现在数十亿智能手机用户都可以通过谷歌声音使用这项技术。谷歌也使用LSTM来改进机器翻译，例如2015年，通过训练的LSTM，谷歌的语音识别性能大幅提升了49%，现在通过谷歌语音可以被数十亿的智能手机用户使用。谷歌还使用LSTM来改进机器翻译、语言建模和多语言语言处理。LSTM与CNNs一起使用改进了自动图像字幕的功能等众多应用。<ref name="hannun2014">{{cite arXiv|eprint=1412.5567|class=cs.CL|first1=Awni|last1=Hannun|first2=Carl|last2=Case|title=Deep Speech: Scaling up end-to-end speech recognition|last3=Casper|first9=Shubho|year=2014|author11-link=Andrew Ng|first11=Andrew Y.|last11=Ng|first10=Adam|last10=Coates|first8=Sanjeev|last9=Sengupta|first3=Jared|last8=Satheesh|last7=Prenger|first6=Erich|last6=Elsen|first5=Greg|last5=Diamos|first4=Bryan|last4=Catanzaro|first7=Ryan}}</ref><ref name="sak2014">Hasim Sak and Andrew Senior and Francoise Beaufays (2014). Long Short-Term Memory recurrent neural network architectures for large scale acoustic modeling. Proceedings of Interspeech 2014.</ref><ref name="liwu2015">{{cite arXiv|eprint=1410.4281|class=cs.CL|first1=Xiangang|last1=Li|first2=Xihong|last2=Wu|title=Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition|year=2015}}</ref>
许多研究人员现在使用着一种被称为 '''长短期记忆 Long Short-term Memory（LSTM）'''的网络——一种深度学习循环神经网络的变体，由霍克赖特和施米德胡贝在1997年提出。<ref name=lstm>Sepp Hochreiter and Jürgen Schmidhuber; ''Long Short-Term Memory'', Neural Computation, 9(8):1735–1780, 1997</ref>人们通常使用'''连接时序分类 Connectionist Temporal Classification, CTC'''训练LSTM<ref name="graves2006">Alex Graves, Santiago Fernandez, Faustino Gomez, and Jürgen Schmidhuber(2006). Connectionist temporal classification: Labelling unsegmented sequence data with recurrent neural nets. Proceedings of ICML'06, pp. 369–376.</ref>。谷歌，微软和百度用CTC彻底改变了语音识别。例如,2015年谷歌的语音识别性能大幅提升了49%,现在数十亿智能手机用户都可以通过谷歌声音使用这项技术。谷歌也使用LSTM来改进机器翻译，例如2015年，通过训练的LSTM，谷歌的语音识别性能大幅提升了49%，现在通过谷歌语音可以被数十亿的智能手机用户使用。谷歌还使用LSTM来改进机器翻译、语言建模和多语言语言处理。LSTM与CNNs一起使用改进了自动图像字幕的功能等众多应用。<ref name="hannun2014">{{cite arXiv|eprint=1412.5567|class=cs.CL|first1=Awni|last1=Hannun|first2=Carl|last2=Case|title=Deep Speech: Scaling up end-to-end speech recognition|last3=Casper|first9=Shubho|year=2014|first11=Andrew Y.|last11=Ng|first10=Adam|last10=Coates|first8=Sanjeev|last9=Sengupta|first3=Jared|last8=Satheesh|last7=Prenger|first6=Erich|last6=Elsen|first5=Greg|last5=Diamos|first4=Bryan|last4=Catanzaro|first7=Ryan}}</ref><ref name="sak2014">Hasim Sak and Andrew Senior and Francoise Beaufays (2014). Long Short-Term Memory recurrent neural network architectures for large scale acoustic modeling. Proceedings of Interspeech 2014.</ref><ref name="liwu2015">{{cite arXiv|eprint=1410.4281|class=cs.CL|first1=Xiangang|last1=Li|first2=Xihong|last2=Wu|title=Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition|year=2015}}</ref>
===评估进度===
===评估进度===
AI和电或蒸汽机一样，是一种通用技术。AI 擅长什么样的任务，这个问题尚未达成共识<ref>{{cite news|last1=Brynjolfsson|first1=Erik|last2=Mitchell|first2=Tom|title=What can machine learning do? Workforce implications|url=http://science.sciencemag.org/content/358/6370/1530|accessdate=7 May 2018|work=Science|date=22 December 2017|pages=1530–1534|language=en|doi=10.1126/science.aap8062|bibcode=2017Sci...358.1530B}}</ref>。虽然像 AlphaZero 这样的项目已经能做到从零开始产生知识，但是许多其他的机器学习项目仍需要大量的训练数据集<ref>{{cite news|last1=Sample|first1=Ian|title='It's able to create knowledge itself': Google unveils AI that learns on its own|url=https://www.theguardian.com/science/2017/oct/18/its-able-to-create-knowledge-itself-google-unveils-ai-learns-all-on-its-own|accessdate=7 May 2018|work=the Guardian|date=18 October 2017|language=en}}</ref><ref>{{cite news|title=The AI revolution in science|url=http://www.sciencemag.org/news/2017/07/ai-revolution-science|accessdate=7 May 2018|date=5 July 2017|language=en}}</ref>。研究人员吴恩达认为，作为一个“极不完美的经验法则”，“几乎任何普通人只需要不到一秒钟的思考就能做到的事情，我们现在或者在不久的将来都可以使用AI做到。”莫拉维克悖论表明，AI在执行许多人类大脑专门进化出来的、能够很好完成的任务时表现不如人类。<ref>{{cite news|title=Will your job still exist in 10 years when the robots arrive?|url=http://www.scmp.com/tech/innovation/article/2098164/robots-are-coming-here-are-some-jobs-wont-exist-10-years|accessdate=7 May 2018|work=[[South China Morning Post]]|date=2017|language=en}}</ref> Moravec's paradox suggests that AI lags humans at many tasks that the human brain has specifically evolved to perform well.<ref name="The Economist"/>
AI和电或蒸汽机一样，是一种通用技术。AI 擅长什么样的任务，这个问题尚未达成共识<ref>{{cite news|last1=Brynjolfsson|first1=Erik|last2=Mitchell|first2=Tom|title=What can machine learning do? Workforce implications|url=http://science.sciencemag.org/content/358/6370/1530|accessdate=7 May 2018|work=Science|date=22 December 2017|pages=1530–1534|language=en|doi=10.1126/science.aap8062|bibcode=2017Sci...358.1530B}}</ref>。虽然像 AlphaZero 这样的项目已经能做到从零开始产生知识，但是许多其他的机器学习项目仍需要大量的训练数据集<ref>{{cite news|last1=Sample|first1=Ian|title='It's able to create knowledge itself': Google unveils AI that learns on its own|url=https://www.theguardian.com/science/2017/oct/18/its-able-to-create-knowledge-itself-google-unveils-ai-learns-all-on-its-own|accessdate=7 May 2018|work=the Guardian|date=18 October 2017|language=en}}</ref><ref>{{cite news|title=The AI revolution in science|url=http://www.sciencemag.org/news/2017/07/ai-revolution-science|accessdate=7 May 2018|date=5 July 2017|language=en}}</ref>。研究人员吴恩达认为，作为一个“极不完美的经验法则”，“几乎任何普通人只需要不到一秒钟的思考就能做到的事情，我们现在或者在不久的将来都可以使用AI做到。”莫拉维克悖论表明，AI在执行许多人类大脑专门进化出来的、能够很好完成的任务时表现不如人类。<ref>{{cite news|title=Will your job still exist in 10 years when the robots arrive?|url=http://www.scmp.com/tech/innovation/article/2098164/robots-are-coming-here-are-some-jobs-wont-exist-10-years|accessdate=7 May 2018|work=South China Morning Post|date=2017|language=en}}</ref> Moravec's paradox suggests that AI lags humans at many tasks that the human brain has specifically evolved to perform well.<ref name="The Economist"/>
“模仿游戏”（对1950年图灵测试的一种解释，用来评估计算机是否可以模仿人类）如今被认为过于灵活，所以不能成为有一项意义的基准<ref>{{cite journal|last1=Schoenick|first1=Carissa|last2=Clark|first2=Peter|last3=Tafjord|first3=Oyvind|last4=Turney|first4=Peter|last5=Etzioni|first5=Oren|title=Moving beyond the Turing Test with the Allen AI Science Challenge|journal=Communications of the ACM|date=23 August 2017|volume=60|issue=9|pages=60–64|doi=10.1145/3122814|arxiv=1604.04315}}</ref>。图灵测试衍生出了全自动区分计算机和人类的图灵测试 Completely Automated Public Turing test to tell Computers and Humans Apart（CAPTCHA），顾名思义，这有助于确定用户是一个真实的人，而不是一台伪装成人的计算机。与标准的图灵测试不同，CAPTCHA 是由机器控制，面向人测试，而不是由人控制的，面向机器测试的。计算机要求用户完成一个简单的测试，然后给测试评出一个等级。计算机无法解决这个问题，所以一般认为只有人参加测试才能得出正确答案。验证码的一个常见类型是要求输入一幅计算机无法破译的图中扭曲的字母，数字或符号测试。
大众常见的AI包括自动驾驶（如无人机和自动驾驶汽车）、医疗诊断、艺术创作（如诗歌）、证明数学定理、玩游戏（如国际象棋或围棋）、搜索引擎（如谷歌搜索）、在线助手（如 Siri）、图像识别、垃圾邮件过滤、航班延误预测<ref>[https://ishti.org/2018/11/19/using-artificial-intelligence-to-predict-flight-delays/ Using AI to predict flight delays], Ishti.org.</ref> 、司法判决预测<ref name="ecthr2016">{{cite journal |author1=N. Aletras |author2=D. Tsarapatsanis |author3=D. Preotiuc-Pietro |author4=V. Lampos |title=Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective |journal=PeerJ Computer Science |volume=2 |pages=e93 |year=2016 |df=dmy-all |doi=10.7717/peerj-cs.93 |doi-access=free }}</ref> 、投放在线广告<ref>{{cite news|title=The Economist Explains: Why firms are piling into artificial intelligence|url=https://www.economist.com/blogs/economist-explains/2016/04/economist-explains|accessdate=19 May 2016|work=The Economist|date=31 March 2016|url-status=live|archiveurl=https://web.archive.org/web/20160508010311/http://www.economist.com/blogs/economist-explains/2016/04/economist-explains|archivedate=8 May 2016|df=dmy-all}}</ref><ref>{{cite news|url=https://www.nytimes.com/2016/02/29/technology/the-promise-of-artificial-intelligence-unfolds-in-small-steps.html|title=The Promise of Artificial Intelligence Unfolds in Small Steps|last=Lohr|first=Steve|work=The New York Times|date=28 February 2016|accessdate=29 February 2016|url-status=live|archiveurl=https://web.archive.org/web/20160229171843/http://www.nytimes.com/2016/02/29/technology/the-promise-of-artificial-intelligence-unfolds-in-small-steps.html|archivedate=29 February 2016|df=dmy-all}}</ref>和能源储存<ref>{{Cite web|url=https://www.cnbc.com/2019/06/14/the-business-using-ai-to-change-how-we-think-about-energy-storage.html|title=A Californian business is using A.I. to change the way we think about energy storage|last=Frangoul|first=Anmar|date=2019-06-14|website=CNBC|language=en|access-date=2019-11-05}}</ref>。
AI机器在市场上如在线交易和决策的应用改变了主流经济理论<ref>{{cite book |last1=Marwala |first1= Tshilidzi| last2=Hurwitz |first2= Evan |title=Artificial Intelligence and Economic Theory: Skynet in the Market |year=2017 |publisher=[[Springer Science+Business Media|Springer]] |location=London |isbn=978-3-319-66104-9}}</ref>。例如，基于AI的买卖平台改变了供求规律，因为现在可以通过AI很容易地估计个性化需求和供给曲线，从而实现个性化的定价。此外，AI减少了交易的信息不对称，在使市场更有效率的同时也减少了交易量。此外，AI限定了市场行为的后果，进一步提高了交易效率。受AI影响的其他理论包括理性选择、理性预期、博弈论、刘易斯转折点、投资组合优化和反事实思维。2019年8月，AICPA 为会计专业人员开设了 AI 培训课程<ref>{{Cite web|url=https://www.mileseducation.com/finance/artificial_intelligence|title=Miles Education {{!}} Future Of Finance {{!}} Blockchain Fundamentals for F&A Professionals Certificate|website=www.mileseducation.com|access-date=2019-09-26|archive-url=https://web.archive.org/web/20190926102133/https://www.mileseducation.com/finance/artificial_intelligence|archive-date=26 September 2019|url-status=dead}}</ref>。
AI机器在市场上如在线交易和决策的应用改变了主流经济理论<ref>{{cite book |last1=Marwala |first1= Tshilidzi| last2=Hurwitz |first2= Evan |title=Artificial Intelligence and Economic Theory: Skynet in the Market |year=2017 |publisher=Springer Science+Business Media|Springer |location=London |isbn=978-3-319-66104-9}}</ref>。例如，基于AI的买卖平台改变了供求规律，因为现在可以通过AI很容易地估计个性化需求和供给曲线，从而实现个性化的定价。此外，AI减少了交易的信息不对称，在使市场更有效率的同时也减少了交易量。此外，AI限定了市场行为的后果，进一步提高了交易效率。受AI影响的其他理论包括理性选择、理性预期、博弈论、刘易斯转折点、投资组合优化和反事实思维。2019年8月，AICPA 为会计专业人员开设了 AI 培训课程<ref>{{Cite web|url=https://www.mileseducation.com/finance/artificial_intelligence|title=Miles Education {{!}} Future Of Finance {{!}} Blockchain Fundamentals for F&A Professionals Certificate|website=www.mileseducation.com|access-date=2019-09-26|archive-url=https://web.archive.org/web/20190926102133/https://www.mileseducation.com/finance/artificial_intelligence|archive-date=26 September 2019|url-status=dead}}</ref>。
===网络安全 ===
===网络安全 ===
网络安全领域面临着各种大规模黑客攻击的重大挑战，这些攻击损害到了很多组织，造成了数十亿美元的商业损失。网络安全公司已经开始使用AI和[[自然语言处理]]（NLP） ，例如，SIEM (Security Information and Event Management,安全信息和事件管理)解决方案。更高级的解决方案使用AI和自然语言处理将网络中的数据划分为高风险和低风险两类信息。这使得安全团队能够专注于对付那些有可能对组织造成真正伤害的攻击，不沦为分布式拒绝服务攻击（DoS）、恶意软件和其他攻击的受害者。
电子资料档案查询产业一直很关注机器学习（预测编码 / 技术辅助评审） ，这是AI的一个子领域。自然语言处理（NLP）和自动语音识别（ASR）也正在这个行业流行起来。
===军事 ===
===军事 ===
美国和其他国家正在为一系列军事目的开发AI应用程序<ref name=":2">{{Cite book|last=Congressional Research Service|first=|url=https://fas.org/sgp/crs/natsec/R45178.pdf|title=Artificial Intelligence and National Security|publisher=Congressional Research Service|year=2019|isbn=|location=Washington, DC|pages=}}</ref>。AI和机器学习的主要军事应用是增强 C2、通信、传感器、集成和互操作性。情报收集和分析、后勤、网络操作、信息操作、指挥和控制以及各种半自动和自动车辆等领域正在进行AI研究<ref name="AI">{{cite web|title=Artificial intelligence as the basis of future control networks.|url=https://www.researchgate.net/publication/334573170|last=Slyusar|first=Vadym|date=2019|work=Preprint}}</ref> 人工智能研究正在情报收集和分析、后勤、网络作战、信息作战、指挥和控制以及各种半自动和自动车辆领域进行。AI技术能够协调传感器和效应器、探测威胁和识别、标记敌人阵地、目标获取、协调和消除有人和无人小组(MUM-T)、联网作战车辆和坦克内部的分布式联合火力 。伊拉克和叙利亚的军事行动就采用了AI。
美国和其他国家正在为一系列军事目的开发AI应用程序<ref name=":2">{{Cite book|last=Congressional Research Service|first=|url=https://fas.org/sgp/crs/natsec/R45178.pdf|title=Artificial Intelligence and National Security|publisher=Congressional Research Service|year=2019|isbn=|location=Washington, DC|pages=}}</ref>。AI和机器学习的主要军事应用是增强 C2、通信、传感器、集成和互操作性。情报收集和分析、后勤、网络操作、信息操作、指挥和控制以及各种半自动和自动车辆等领域正在进行AI研究<ref name="AI">{{cite web|title=Artificial intelligence as the basis of future control networks.|url=https://www.researchgate.net/publication/334573170|last=Slyusar|first=Vadym|date=2019|work=Preprint}}</ref> 人工智能研究正在情报收集和分析、后勤、网络作战、信息作战、指挥和控制以及各种半自动和自动车辆领域进行。AI技术能够协调传感器和效应器、探测威胁和识别、标记敌人阵地、目标获取、协调和消除有人和无人小组（MUM-T）、联网作战车辆和坦克内部的分布式联合火力 。伊拉克和叙利亚的军事行动就采用了AI。
===艺术 ===
===艺术 ===
AI催生了许多在如视觉艺术等领域的创造性应用。在纽约现代艺术博物馆举办的“思考机器: 计算机时代的艺术与设计，1959-1989”展览概述了艺术、建筑和设计的历史中AI的应用<ref name="moma">{{Cite web|url=https://www.moma.org/calendar/exhibitions/3863|title=Thinking Machines: Art and Design in the Computer Age, 1959–1989|website=The Museum of Modern Art|language=en}}</ref>。最近的展览展示了AI在艺术创作中的应用<ref name = wp1>[https://www.washingtonpost.com/news/innovations/wp/2016/03/10/googles-psychedelic-paint-brush-raises-the-oldest-question-in-art/ Retrieved July 29]</ref>，包括谷歌赞助的旧金山灰色地带基金会(Gray Area Foundation)的慈善拍卖会，艺术家们在拍卖会中尝试了 DeepDream 算法，以及2017年秋天在洛杉矶和法兰克福举办的“非人类: AI时代的艺术”展览.<ref name = sf>{{cite web|url=https://www.statefestival.org/program/2017/unhuman-art-in-the-age-of-ai |title=Unhuman: Art in the Age of AI – State Festival |publisher=Statefestival.org |date= |accessdate=2018-09-13}}</ref><ref name="artsy">{{Cite web|url=https://www.artsy.net/article/artsy-editorial-hard-painting-made-computer-human|title=It's Getting Hard to Tell If a Painting Was Made by a Computer or a Human|last=Chun|first=Rene|date=2017-09-21}}</ref>。2018年春天，计算机协会发行了一期主题为计算机和艺术的特刊，着重展示了机器学习在艺术中的作用。奥地利电子艺术博物馆和维也纳应用艺术博物馆于2019年开设了AI展览<ref name="Ars Electronica Exhibition ''Understanding AI''">{{Cite web|url=https://ars.electronica.art/center/en/exhibitions/ai/|title=Understanding AI}}</ref><ref name="Museum of Applied Arts Exhibition ''Uncanny Values''">{{Cite web|url=https://www.mak.at/en/program/exhibitions/uncanny_values |title=MAK Wien - MAK Museum Wien}}</ref>。2019年的电子艺术节 “Out of the box”将AI艺术在可持续社会转型中的作用变成了一个主题<ref name="European Platform for Digital Humanism">{{Cite web|url=https://ars.electronica.art/outofthebox/en/digital-humanism-conf/ |title=European Platform for Digital Humanism}}</ref>。
AI催生了许多在如视觉艺术等领域的创造性应用。在纽约现代艺术博物馆举办的“思考机器: 计算机时代的艺术与设计，1959-1989”展览概述了艺术、建筑和设计的历史中AI的应用<ref name="moma">{{Cite web|url=https://www.moma.org/calendar/exhibitions/3863|title=Thinking Machines: Art and Design in the Computer Age, 1959–1989|website=The Museum of Modern Art|language=en}}</ref>。最近的展览展示了AI在艺术创作中的应用<ref name = wp1>[https://www.washingtonpost.com/news/innovations/wp/2016/03/10/googles-psychedelic-paint-brush-raises-the-oldest-question-in-art/ Retrieved July 29]</ref>，包括谷歌赞助的旧金山灰色地带基金会 Gray Area Foundation的慈善拍卖会，艺术家们在拍卖会中尝试了 DeepDream 算法，以及2017年秋天在洛杉矶和法兰克福举办的“非人类: AI时代的艺术”展览.<ref name = sf>{{cite web|url=https://www.statefestival.org/program/2017/unhuman-art-in-the-age-of-ai |title=Unhuman: Art in the Age of AI – State Festival |publisher=Statefestival.org |date= |accessdate=2018-09-13}}</ref><ref name="artsy">{{Cite web|url=https://www.artsy.net/article/artsy-editorial-hard-painting-made-computer-human|title=It's Getting Hard to Tell If a Painting Was Made by a Computer or a Human|last=Chun|first=Rene|date=2017-09-21}}</ref>。2018年春天，计算机协会发行了一期主题为计算机和艺术的特刊，着重展示了机器学习在艺术中的作用。奥地利电子艺术博物馆和维也纳应用艺术博物馆于2019年开设了AI展览<ref name="Ars Electronica Exhibition ''Understanding AI''">{{Cite web|url=https://ars.electronica.art/center/en/exhibitions/ai/|title=Understanding AI}}</ref><ref name="Museum of Applied Arts Exhibition ''Uncanny Values''">{{Cite web|url=https://www.mak.at/en/program/exhibitions/uncanny_values |title=MAK Wien - MAK Museum Wien}}</ref>。2019年的电子艺术节 “Out of the box”将AI艺术在可持续社会转型中的作用变成了一个主题<ref name="European Platform for Digital Humanism">{{Cite web|url=https://ars.electronica.art/outofthebox/en/digital-humanism-conf/ |title=European Platform for Digital Humanism}}</ref>。
<br>
<br>
''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>
''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.}}</ref><ref>{{cite book|author1=Stuart J. Russell|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.|}}</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>
===潜在危害===
===潜在危害===
AI的广泛使用可能会产生危险或导致意外后果。生命未来研究所等机构的科学家提出了一些短期研究目标，以此了解AI如何影响经济、与AI相关的法律和道德规范，以及如何将AI的安全风险降到最低。从长远来看，科学家们建议继续优化功能，同时最小化新技术带来的可能的安全风险。<ref>Russel, Stuart., Daniel Dewey, and Max Tegmark. Research Priorities for Robust and Beneficial Artificial Intelligence. AI Magazine 36:4 (2015). 8 December 2016.</ref>
在《超级智能 Superintelligence: Paths, Dangers, Strategies》一书中，哲学家Nick Bostrom提出了一个AI将对人类构成威胁的论点。他认为，如果足够智能的AI选择有目标地行动，它将表现出收敛的行为，如获取资源或保护自己不被关机。如果这个AI的目标没有人性，比如一个AI被告知要尽可能多地计算圆周率的位数，那么它可能会伤害人类，以便获得更多的资源或者防止自身被关闭，最终更好地实现目标。Bostrom还强调了向高级AI充分传达人类价值观存在的困难。他假设了一个例子来说明一种南辕北辙的尝试: 给AI一个让人类微笑的目标。Bostrom认为，如果这种情况下的AI变得非常聪明，它可能会采用大多数人类都会感到恐怖的方法，比如“在人类面部肌肉中插入电极，使其产生持续的笑容” ，因为这将是实现让人类微笑的目标的有效方法。<ref>{{cite web|url=https://www.ted.com/talks/nick_bostrom_what_happens_when_our_computers_get_smarter_than_we_are/transcript|title=What happens when our computers get smarter than we are?|first=Nick|last=Bostrom|publisher=[[TED (conference)]]|date=2015}}</ref>AI研究人员Stuart J. Russell在他的《人类相容 Human Compatible》一书中回应了博斯特罗姆的一些担忧，同时也提出了一种开发可证明有益的机器可能涉及逆强化学习的方法<ref name="HC"/>，这种机器侧重解决不确定性和顺从人类的问题。<ref name="HC">{{cite book |last=Russell |first=Stuart |date=October 8, 2019 |title=Human Compatible: Artificial Intelligence and the Problem of Control |url= |location=United States |publisher=Viking |page= |isbn=978-0-525-55861-3 |author-link=Stuart J. Russell |oclc=1083694322|title-link=Human Compatible }}</ref>
在《超级智能 Superintelligence: Paths, Dangers, Strategies》一书中，哲学家Nick Bostrom提出了一个AI将对人类构成威胁的论点。他认为，如果足够智能的AI选择有目标地行动，它将表现出收敛的行为，如获取资源或保护自己不被关机。如果这个AI的目标没有人性，比如一个AI被告知要尽可能多地计算圆周率的位数，那么它可能会伤害人类，以便获得更多的资源或者防止自身被关闭，最终更好地实现目标。Bostrom还强调了向高级AI充分传达人类价值观存在的困难。他假设了一个例子来说明一种南辕北辙的尝试: 给AI一个让人类微笑的目标。Bostrom认为，如果这种情况下的AI变得非常聪明，它可能会采用大多数人类都会感到恐怖的方法，比如“在人类面部肌肉中插入电极，使其产生持续的笑容” ，因为这将是实现让人类微笑的目标的有效方法。<ref>{{cite web|url=https://www.ted.com/talks/nick_bostrom_what_happens_when_our_computers_get_smarter_than_we_are/transcript|title=What happens when our computers get smarter than we are?|first=Nick|last=Bostrom|publisher=TED |date=2015}}</ref>AI研究人员Stuart J. Russell在他的《人类相容 Human Compatible》一书中回应了博斯特罗姆的一些担忧，同时也提出了一种开发可证明有益的机器可能涉及逆强化学习的方法<ref name="HC"/>，这种机器侧重解决不确定性和顺从人类的问题。<ref name="HC">{{cite book |last=Russell |first=Stuart |date=October 8, 2019 |title=Human Compatible: Artificial Intelligence and the Problem of Control |url= |location=United States |publisher=Viking |page= |isbn=978-0-525-55861-3 |oclc=1083694322}}</ref>
====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。
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。
====社会正义====
====社会正义====
人们担心的一个问题是，AI程序可能会对某些群体存在偏见，比如女性和少数族裔，因为大多数开发者都是富有的白人男性<ref>{{Cite web|url=https://www.channelnewsasia.com/news/commentary/artificial-intelligence-big-data-bias-hiring-loans-key-challenge-11097374|title=Commentary: Bad news. Artificial intelligence is biased|website=CNA}}</ref>。男性对AI的支持率(47%)高于女性(35%)。
人们担心的一个问题是，AI程序可能会对某些群体存在偏见，比如女性和少数族裔，因为大多数开发者都是富有的白人男性<ref>{{Cite web|url=https://www.channelnewsasia.com/news/commentary/artificial-intelligence-big-data-bias-hiring-loans-key-challenge-11097374|title=Commentary: Bad news. Artificial intelligence is biased|website=CNA}}</ref>。男性对AI的支持率（47%）高于女性（35%）。
算法在今天的法律体系中已经有了大量的应用，它能协助法官以及假释官员，以及哪些负责评估被告再次犯罪可能性的公设辩护人<ref name="propublica.org">{{Cite web|url=https://www.propublica.org/article/how-we-analyzed-the-compas-recidivism-algorithm|title=How We Analyzed the COMPAS Recidivism Algorithm|last=Jeff Larson|first=Julia Angwin|date=2016-05-23|website=ProPublica|language=en|access-date=2019-07-23}}</ref>。COMPAS（Correctional Offender Management Profiling for Alternative Sanctions，即“替代性制裁的惩罚性罪犯管理分析”的首字母缩写)是商业上使用最广泛的解决方案之一<ref name="propublica.org"/>。有人指出，COMPAS 对黑人被告累犯风险的评估数值非常高，而相反的，白人被告低风险估计的频率明显高于统计学期望。<ref name="propublica.org"/>
算法在今天的法律体系中已经有了大量的应用，它能协助法官以及假释官员，以及哪些负责评估被告再次犯罪可能性的公设辩护人<ref name="propublica.org">{{Cite web|url=https://www.propublica.org/article/how-we-analyzed-the-compas-recidivism-algorithm|title=How We Analyzed the COMPAS Recidivism Algorithm|last=Jeff Larson|first=Julia Angwin|date=2016-05-23|website=ProPublica|language=en|access-date=2019-07-23}}</ref>。替代性制裁的惩罚性罪犯管理分析 Correctional Offender Management Profiling for Alternative Sanctions（COMPAS）是商业上使用最广泛的解决方案之一<ref name="propublica.org"/>。有人指出，COMPAS 对黑人被告累犯风险的评估数值非常高，而相反的，白人被告低风险估计的频率明显高于统计学期望。<ref name="propublica.org"/>
====善AI与恶AI ====
====善AI与恶AI ====
政治科学家Charles T. Rubin认为，AI既不可能被设计成是友好的，也不能保证会是友好的<ref>{{cite journal|last=Rubin |first=Charles |authorlink=Charles T. Rubin |date=Spring 2003 |title=Artificial Intelligence and Human Nature|journal=The New Atlantis |volume=1 |pages=88–100 |url=http://www.thenewatlantis.com/publications/artificial-intelligence-and-human-nature |url-status=dead |archiveurl=https://web.archive.org/web/20120611115223/http://www.thenewatlantis.com/publications/artificial-intelligence-and-human-nature |archivedate=11 June 2012 |df=dmy}}</ref>。他认为“任何足够的友善都可能难以与邪恶区分。”人类不应该假设机器或机器人会对我们友好，因为没有先验理由认为他们会对我们的道德体系有共鸣。这个体系是在我们特定的生物进化过程中产生的(AI没有这个过程)。超智能软件不一定会认同人类的继续存在，且我们将极难停止超级AI的运转。最近一些学术出版物也开始讨论这个话题，认为它是对文明、人类和地球造成风险的真正来源。
政治科学家Charles T. Rubin认为，AI既不可能被设计成是友好的，也不能保证会是友好的<ref>{{cite journal|last=Rubin |first=Charles|date=Spring 2003 |title=Artificial Intelligence and Human Nature|journal=The New Atlantis |volume=1 |pages=88–100 |url=http://www.thenewatlantis.com/publications/artificial-intelligence-and-human-nature |url-status=dead |archiveurl=https://web.archive.org/web/20120611115223/http://www.thenewatlantis.com/publications/artificial-intelligence-and-human-nature |archivedate=11 June 2012 |df=dmy}}</ref>。他认为“任何足够的友善都可能难以与邪恶区分。”人类不应该假设机器或机器人会对我们友好，因为没有先验理由认为他们会对我们的道德体系有共鸣。这个体系是在我们特定的生物进化过程中产生的（AI没有这个过程）。超智能软件不一定会认同人类的继续存在，且我们将极难停止超级AI的运转。最近一些学术出版物也开始讨论这个话题，认为它是对文明、人类和地球造成风险的真正来源。
====意识 ====
====意识 ====
David Chalmers在理解心智方面提出了两个问题，他称之为意识的“困难”和“容易”问题。 <ref name=Chalmers>{{cite journal |url=http://www.imprint.co.uk/chalmers.html |title=Facing up to the problem of consciousness |last=Chalmers |first=David |authorlink=David Chalmers |journal=[[Journal of Consciousness Studies]] |volume= 2 |issue=3 |year=1995 |pages=200–219}} See also [http://consc.net/papers/facing.html this link]</ref>
David Chalmers在理解心智方面提出了两个问题，他称之为意识的“困难”和“容易”问题。 <ref name=Chalmers>{{cite journal |url=http://www.imprint.co.uk/chalmers.html |title=Facing up to the problem of consciousness |last=Chalmers |first=David |journal=Journal of Consciousness Studies |volume= 2 |issue=3 |year=1995 |pages=200–219}} See also [http://consc.net/papers/facing.html this link]</ref>
例如当一个人看到一张色卡并识别它，说“它是红色的”时会发生什么。这个简单的问题只需要知道这个人大脑中认出色卡是红色的机制。困难的问题是，人们还知道其他一些东西——他们还知道红色长什么样。（一个天生失明的人也能知道什么是红色，即使不知道红色是什么样子。）每个人都知道主观体验的存在，因为他们每天都有主观体验（例如，所有视力正常的人都知道红色是什么样子）。困难的问题是解释大脑如何创造它，为什么它存在，以及它如何区别于知识和大脑的其他方面。
====计算主义和功能主义====
====计算主义和功能主义====
计算主义站在心智哲学的立场，认为人类心智或人类大脑是一个信息处理系统，思维是一种计算形式<ref>Steven Horst, (2005) [http://plato.stanford.edu/entries/computational-mind/ "The Computational Theory of Mind"] in ''The Stanford Encyclopedia of Philosophy''</ref> 。计算主义认为，思想和身体之间的关系与软件和硬件之间的关系是相似或相同的，因此这也许能帮助解决“意识和身体问题”。这一哲学立场受20世纪60年代AI研究人员和认知科学家的工作的启发，最初由哲学家Jerry Fodor和Hilary Putnam提出。
====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，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 | 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。
Ray Kurzweil利用摩尔定律(描述了数字技术指数增长的现象)计算出，到2029年，台式电脑的处理能力将与人类大脑相当，并预测奇点将出现在2045年。
Ray Kurzweil利用摩尔定律（描述了数字技术指数增长的现象）计算出，到2029年，台式电脑的处理能力将与人类大脑相当，并预测奇点将出现在2045年。
<br>
<br>
== 经济学 Economics ==
== 经济学 Economics ==
人工智能的长期经济效应是不确定的。一项对经济学家的调查显示，在机器人和AI的使用的日益增加是否会导致长期失业率大幅上升的问题上，人们的意见存在分歧。但他们普遍认为，如果生产力提高的成果得到重新分配，也许这也不是一件坏事<ref>{{Cite web|url=http://www.igmchicago.org/surveys/robots-and-artificial-intelligence|title=Robots and Artificial Intelligence|last=|first=|date=|website=www.igmchicago.org|access-date=2019-07-03}}</ref>。2020年2月，欧盟发表了一份关于AI的白皮书，主张为了增加经济利益而使用AI，其中包括“改善医疗保健(例如：使诊断更加精确，能够更好地预防疾病) ，提高耕作效率，为缓解和适应气候变化做出贡献，以及通过预测性维护提高生产系统的效率”，同时也承认AI有潜在风险<ref name=":1" />。
人工智能的长期经济效应是不确定的。一项对经济学家的调查显示，在机器人和AI的使用的日益增加是否会导致长期失业率大幅上升的问题上，人们的意见存在分歧。但他们普遍认为，如果生产力提高的成果得到重新分配，也许这也不是一件坏事<ref>{{Cite web|url=http://www.igmchicago.org/surveys/robots-and-artificial-intelligence|title=Robots and Artificial Intelligence|last=|first=|date=|website=www.igmchicago.org|access-date=2019-07-03}}</ref>。2020年2月，欧盟发表了一份关于AI的白皮书，主张为了增加经济利益而使用AI，其中包括“改善医疗保健（例如：使诊断更加精确，能够更好地预防疾病） ，提高耕作效率，为缓解和适应气候变化做出贡献，以及通过预测性维护提高生产系统的效率”，同时也承认AI有潜在风险<ref name=":1" />。
<br>
<br>
[[File:Capek play.jpg|thumb|“机器人”这个词本身是由Karel Čapek在他1921年的戏剧《R.U.R》中创造的，剧名代表“Rossum 的万能机器人”(Rossum's Universal Robots)]]
[[File:Capek play.jpg|thumb|“机器人”这个词本身是由Karel Čapek在他1921年的戏剧《R.U.R》中创造的，剧名代表“Rossum 的万能机器人”(Rossum's Universal Robots)]]
自古以来，具有思考能力的人工生物就作为叙事工具在小说中出现，并一直是科幻小说中的一个永恒主题。
自古以来，具有思考能力的人工生物就作为叙事工具在小说中出现，并一直是科幻小说中的一个永恒主题。
在这些作品中，Mary Shelley的《弗兰肯斯坦 Frankenstein》最先使用了这种常见的提法 ，在这部作品中，人造物对其主人产生了威胁。这些作品包括Arthur C. Clarke和Stanley Kubrick的《2001: 太空漫游 2001: A Space Odyssey》，包括哈尔9000(HAL 9000) ，负责发现一号飞船的凶残计算机，以及《终结者 The Terminator》和《黑客帝国 The Matrix》。相比之下，像《地球停止转动的日子》(1951)中的格特和《异形》(1986)中的毕晓普（Bishop）这样罕见的忠诚机器人在流行文化中就不那么突出了。<ref>{{cite journal|last1=Buttazzo|first1=G.|title=Artificial consciousness: Utopia or real possibility?|journal=[[Computer (magazine)|Computer]]|date=July 2001|volume=34|issue=7|pages=24–30|doi=10.1109/2.933500|df=dmy-all}}</ref>
在这些作品中，Mary Shelley的《弗兰肯斯坦 Frankenstein》最先使用了这种常见的提法 ，在这部作品中，人造物对其主人产生了威胁。这些作品包括Arthur C. Clarke和Stanley Kubrick的《2001: 太空漫游 2001: A Space Odyssey》，包括哈尔9000(HAL 9000) ，负责发现一号飞船的凶残计算机，以及《终结者 The Terminator》和《黑客帝国 The Matrix》。相比之下，像《地球停止转动的日子》（1951）中的格特和《异形》（1986）中的毕晓普（Bishop）这样罕见的忠诚机器人在流行文化中就不那么突出了。<ref>{{cite journal|last1=Buttazzo|first1=G.|title=Artificial consciousness: Utopia or real possibility?|journal=Computer|date=July 2001|volume=34|issue=7|pages=24–30|doi=10.1109/2.933500|df=dmy-all}}</ref>
漫画《攻壳机动队 manga Ghost in the Shell》和科幻小说《沙丘 Dune》探讨了超人类主义(人类和机器的结合)。20世纪80年代，艺术家空山基的性感机器人系列在日本绘制并出版，描绘了真实的拥有栩栩如生的金属肌肉皮肤的有机人类形体，后来又出版了《雌蕊》一书，该书被George Lucas等电影制作人使用。空山基从来不认为这些有机机器人是自然的一部分，而是非自然的人类心智的产品，一个存在于头脑中，也许能以实体形式实现的幻想。
漫画《攻壳机动队 manga Ghost in the Shell》和科幻小说《沙丘 Dune》探讨了超人类主义（人类和机器的结合）。20世纪80年代，艺术家空山基的性感机器人系列在日本绘制并出版，描绘了真实的拥有栩栩如生的金属肌肉皮肤的有机人类形体，后来又出版了《雌蕊》一书，该书被George Lucas等电影制作人使用。空山基从来不认为这些有机机器人是自然的一部分，而是非自然的人类心智的产品，一个存在于头脑中，也许能以实体形式实现的幻想。