讀人工智慧全傳07智慧體

1. 布魯克斯革命

1.1. 隨著科學認知的發展，有時候舊有科學體系會面臨全盤崩潰的危機，新的科學體系誕生，取代傳統的、既定的科學體系，這就意味著科學的正規化將發生變化

1.2. 澳大利亞機器人學家羅德尼·布魯克斯(Rodney Brooks)，是彼時對人工智慧正規化批評得最激烈，也是最富影響力和權威的專家

1.2.1. 強烈反對將所有的決策過程都簡化成邏輯推理這種需要大量消耗計算機處理時間和記憶體的想法

1.2.2. 在20世紀80年代初期，他就開始質疑當時流行的一種機器人理論

1.2.2.1. 製造機器人的關鍵是將現實世界的知識編碼成某種可以被機器人識別的形式，作為推理和決策的基礎

1.3. 積木只是模擬元素，而現實世界中的問題比模擬元素組成的積木複雜得多

1.3.1. 在物理世界中，人工智慧面臨的真正困難是處理感知問題，而在積木世界中，感知問題完全被忽略

1.4. 三個關鍵原則

1.4.1. 人工智慧要取得有意義的進步，只能透過與現實世界中的系統互動來實現

1.4.1.1. 它們必須直接處於某個現實環境，感知並與之互動

1.4.2. 不管是以知識還是以邏輯為基礎的人工智慧，清晰而全面的知識儲備及推理並不是它們智慧行為產生的必要條件，尤其是以邏輯為基礎的人工智慧

1.4.2.1. 布魯克斯表示知識基礎和推理等能力並不是構建智慧行為必需的基礎，這無疑是正確的，他的機器人也向我們展示了純行為模式可以達到的高度

1.4.3. 智慧是一種湧現性質，來源於實體與它所處環境發生的各種互動行為

1.5. 自人工智慧誕生之初就預設的基礎：人們認為應該將人工智慧行為分解為各個組成部分(推理、學習、感知)來研究，而忽略了這些元件如何協同工作

1.6. 當我們思考人類智慧有關問題的時候，往往更關注那些迷人的、具象的方面，比如推理、解決問題或者下棋等智力活動

1.7. 最重要的一點，是將知識和推理從人工智慧的核心角色中抹去

1.8. 麥卡錫的邏輯派人工智慧系統遵循的特定迴圈：感知其所在環境，推理其該做什麼，然後採取行動

1.8.1. 人工智慧研究者一直致力於製造能夠在理論上做出最佳抉擇的機器(前提是假設外部環境不會發生變化，同時又能弄清楚它到底應該做什麼)，而不是實踐中的最佳決策

1.9. 當你環顧四周時，並沒有從環境中脫離，你的感知和行為是與環境融為一體並保持協調的

1.9.1. 人工智慧系統所處的環境和它所表現的行為之間，應該存在一種緊密的耦合關係

2. 基於行為的人工智慧

2.1. 它強調了特定的個體行為的重要性，這些行為有助於智慧系統的整體執行

2.2. 包容式體系結構

2.2.1. 在當時出現的所有方法中，它似乎是影響力最持久的

2.2.2. 包容式體系結構最基礎的步驟是識別出機器人行為所需要的單個行為元件，然後用逐步新增元件的方式創造機器人

2.2.3. 該結構的關鍵難點在於思考這些元件行為是如何相互關聯的，並用何種方式組織它們，讓機器人在正確的時間裡表現出最恰當的行為

2.2.4. 包容式層次的結構決定了行為的優先順序，層次結構中的元件行為越靠近底層，就擁有越高的優先順序

2.3. 機器人將對感測資料的變化做出非常迅速的反應：它能快速響應環境變化

2.4. 智慧掃地機器人

2.4.1. 六種基本的行為元件

2.4.1.1. 避開障礙物

2.4.1.1.1. 如果我發現前進方向有障礙物，我會改變行進方向，隨機選擇一個新的方向行進

2.4.1.2. 關機

2.4.1.2.1. 當我返回到充電座並且電量不足的時候，我會關機

2.4.1.3. 清空垃圾收納盒

2.4.1.3.1. 如果我在充電座上，並且垃圾收納盒有東西，就清空垃圾收納盒

2.4.1.4. 返回充電座

2.4.1.4.1. 如果我的電量不足或者垃圾收納盒已滿，就返回充電座

2.4.1.5. 執行清潔

2.4.1.5.1. 如果我在當前位置檢測到灰塵汙物，則吸入垃圾收納盒

2.4.1.6. 隨機移動

2.4.1.6.1. 隨機選擇一個方向，然後朝該方向移動

2.5. “成吉思”機器人

2.5.1. 現陳列在美國國家航空航天博物館中

2.5.2. 外形就像六條腿的昆蟲

2.5.3. 採用包容式體系結構來組織57種基本的元件行為

2.6. 基於行為的人工智慧對人工智慧領域的基礎假設提出了重要更新，但它仍然有非常嚴重的侷限性

2.6.1. 問題就在於它無法擴充套件規模

2.6.2. 它並沒有為人工智慧提供靈丹妙藥

2.6.3. 使用基於行為的方法構建的解決方案，雖然能夠針對某個非常具體的問題提出精準有效的方法，但從中所積累的經驗，很難應用到新問題上

3. 基於智慧體的人工智慧

3.1. 基於智慧體的人工智慧觀點直接受到行為人工智慧的影響，但又弱化了它的主旨

3.2. 有些情況下，推理是無法避開的(不管是邏輯推理還是其他形式的推理)，試圖否認這一點，就像試圖用邏輯推理來構造一個掃地機器人一樣荒謬

3.3. 智慧體(Agent)

3.3.1. 指的是一個完整的人工智慧系統，它是一個獨立的、自主的實體，嵌入某個環境之中，代表使用者執行特定的任務

3.3.2. 一個智慧體應該能提供一套完整的、整合的能力，而不僅僅是類似邏輯推理那樣孤立的、脫離實體的能力

3.3.2.1. 將開發目標專注於構建完整的智慧體，而不僅僅是智慧的組成部分

3.4. 智慧體應該具備三種特性

3.4.1. 它們必須反應靈敏，必須迅速適應自己的環境，並且能夠在環境變化中適時地調整自己的行為

3.4.2. 它們必須積極主動，能夠系統地完成使用者賦予它們的任務

3.4.3. 智慧體需要有協作性，即在需要的時候能夠和其他智慧體合作

3.4.3.1. 人工智慧體需要社交化，使得基於智慧體的人工智慧正規化從所有人工智慧模式中脫穎而出

3.4.3.2. 在基於智慧體的人工智慧中，最受關注的並不是如何與人交流，而是如何跟其他的智慧體一起協同工作

3.5. 人工智慧的黃金年代強調的是積極主動，即計劃和解決問題

3.6. 基於行為的人工智慧則強調反應靈敏的重要性，體現在適應所處環境並與之協調

3.7. 基於智慧體的人工智慧要求兩者兼而有之，此外，還向混合體中注入了一些新的東西：智慧體必須和其他智慧體合作

3.7.1. 它們需要社交技能

3.7.2. 不僅是溝通技能，還有和其他智慧體的協作、協調、談判以推進任務完成的能力

3.8. 旅行機

3.8.1. 控制系統會聽取三個子系統的建議，並決定遵循哪一個的

3.8.1.1. 通常是非常直接的決定：如果快速反應子系統說“停止!”那麼控制系統會迅速停止智慧體的運動

3.8.2. 總體控制分為三個子系統

3.8.2.1. 快速反應子系統的執行方式類似於布魯克斯的包容式體系結構，它負責處理需要迅速響應並且無須推理的情況

3.8.2.2. 規劃子系統負責規劃如何實現智慧體的目標

3.8.2.3. 建模子系統負責處理與其他智慧體的互動

4. 人工智慧助手

4.1. 雖然基於智慧體的人工智慧起源於機器人學，但許多研究人員很快意識到它在軟體世界有著非凡的應用前景

4.1.1. 構建軟體智慧體來代替我們完成有用的任務

4.1.1.1. 軟體智慧體的執行需要軟體環境，如臺式計算機和網路

4.1.1.2. 最重要的想法是讓人工智慧驅動軟體跟我們一起完成日常工作，就像助手一般能夠處理電子郵件和上網

4.1.1.3. 軟體智慧體只是網際網路故事的一小部分，但它也是跟人工智慧相關的最明顯的部分了

4.1.1.4. 其實人工智慧研究者倡導的夢想並沒有錯，只是太超前而已

4.2. 到了20世紀80年代，隨著蘋果電腦公司於1984年推出麥金塔電腦(Mac電腦)，人機互動的方式又有了巨大的飛躍

4.2.1. Mac電腦是第一臺面向大眾市場的電腦，它明確地表示不需要專業的計算機技能即可使用

4.2.2. 1984年Mac電腦開創的圖形使用者介面，直至今日仍然是標準的

4.2.3. 在硬體方面，從1984年到現在已經更新換代無數次了

4.3. 知識導航器

4.4. 與平板電腦的互動是透過軟體智慧體來實現的

4.4.1. 暗示了網際網路將成為我們工作環境的常規部分

4.4.2. 預示了平板電腦的普及

4.5. 基於智慧體的互動介面代表了一種與從前截然不同的人機互動模式

4.5.1. 計算機只能被動地等待使用者告知它做什麼，與此不同，一個智慧體扮演的是更積極主動的角色，就像一個人類助手那樣

4.5.2. 人工智慧可以使軟體成為使用者的合作者，不再是被動的僕人

4.5.3. 電子郵件助手會在收到電子郵件的時候觀察使用者的行為(立即閱讀、將其歸檔、直接刪除等)，並使用機器學習演算法，嘗試預測使用者會怎麼處理新到的電子郵件

4.5.4. 在網路上執行許多工都非常耗時，人們希望智慧體能夠自動完成這些煩瑣的工作

4.6. Siri

4.6.1. 它是由史丹佛國際研究院開發的

4.6.1.1. 30年前開發SHAKEY的同一機構

4.6.2. Siri的構想是一個基於軟體的智慧體，使用者可以用自然語言與之互動，並且代替使用者執行簡單的任務

4.7. 其他大眾市場的應用商迅速跟進：亞馬遜的Alexa、微軟的Cortana和谷歌助手都實現了類似的功能

4.8. 實際上它們不可能是20世紀90年代出現的，因為當時的硬體不足以支援它們執行

4.8.1. 至少在2010年後，移動裝置的計算能力才足以支援

5. 理性

5.1. 我們只是想讓智慧體代替我們執行最優的選擇，它的選擇跟人類是否一樣，那就無關緊要了

5.2. 真正想要智慧體做的是最正確的選擇，至少儘可能做出最好的選擇

5.2.1. 人工智慧開發的目標從構建做出跟人類一樣選擇的智慧體轉向做出最優選擇的智慧體

5.3. 智慧體理論的出發點是使用者的偏好

5.3.1. 關鍵點在於，偏好設定必須滿足一致性，才可以使用這種實體程式賦值的方式

5.3.2. 重要的是賦值大小引起的結果排序

5.3.2.1. 用賦值關係來表示偏好程度的唯一目的是使其可以用數學計算的方式做出最優選擇

5.3.2.1.1. 最佳化問題，在數學中得到了廣泛的研究

5.4. 不確定性選擇的設定會比較複雜，選擇後的行為會有很多種可能性，我們所知道的僅僅是每一種結果出現的機率

5.5. 預期效用

5.5.1. 馮·諾依曼和摩根斯坦的理論中，理性決策的基本原則就是會做出預期效用最大化的行為

5.5.2. 預期效用最大化的想法經常被人們誤解，有些人認為用數字計算人類的偏好和選擇是一種令人厭惡的行為

5.5.3. 這種厭惡通常來自一個錯誤的概念，即收益就等於金錢，或者預期效用最大化理論從某種意義上來說是自私的

5.5.4. 完全保持中立，這個理論同樣也適用於天使和魔鬼的偏好

5.5.4.1. 如果你是一心為別人犧牲的人，那也沒關係，如果你的利他主義偏好被賦值表達，那麼預期效用最大化理論同樣適用於你，就如它也適用於世界上最自私的人那樣

6. 不確定性

6.1. 貝葉斯定理

6.1.1. 貝葉斯定理關注的是在新的資訊面前，我們應該怎麼理性地去調整既有認知

6.1.2. 貝葉斯定理很有趣，因為它強調了人們在處理涉及不確定性的認知決策時有多麼糟糕

6.2. 貝葉斯推斷

6.2.1. 由18世紀英國神學家、數學家托馬斯·貝葉斯(Thomas Bayes)發明的，使用了同樣由貝葉斯提出的貝葉斯定理

6.2.2. 貝葉斯推斷的重要性在於為我們提供了處理不完美資料的正確方法：我們既不丟棄資料，也不全盤相信它是正確的

6.2.2.1. 我們利用它來更新機器人的信念庫，透過機率來確定信念庫的正確性

6.3. 貝葉斯網路

6.3.1. 要使得貝葉斯推斷在人工智慧領域得以應用，還需要做大量的工作

6.3.2. 為了捕捉資料間的相互關聯，人工智慧研究人員開發了貝葉斯網路，簡稱貝氏網路，即用影像化的方式來表達資料之間存在的相互關聯

6.3.3. 貝葉斯網路主要來自朱迪亞·珀爾(Judea Pearl)的研究工作，她是一位非常有影響力的人工智慧領域研究專家，在理解和闡明人工智慧中機率的作用方面作出了任何人都無法超越的貢獻

6.4. 智慧體使用貝葉斯推斷理性地管理它們對世界的信念庫，透過貝葉斯網路或者其他方式捕捉對世界的理解

6.4.1. 我們研究的領域已經有了明確而堅實的科學基礎，從機率論到理性決策，這些都是經過時間檢驗、值得尊敬的技術

6.5. 感測器並非完美的

6.5.1. 測距儀說“前方沒有障礙物”，這個結論不能保證百分百準確

6.5.2. 我們不能百分百信任它

6.5.3. 考慮到會出錯的可能性

6.6. 當機器人進行觀察的時候，感測器說“這個位置有障礙物”，可能是正確的，也可能是錯誤的，我們無法確定

6.6.1. 我們利用感測器資料的正確率來更新機器人的信念，透過多次觀察來確認障礙物位置，然後逐步完善地圖繪製

7. 多智慧體系統

7.1. 在以知識為基礎的人工智慧時代，研究人員就考慮過專家系統之間如何相互分享它們的專業知識，並開發出人工智慧的語言讓它們能夠相互分享知識和查詢對方所擅長的領域

7.2. 在多智慧體系統下，會出現一個關鍵性的差別：我希望我的智慧體是盡力為我服務的，而你希望你的智慧體是盡力為你服務的

7.3. 智慧體就需要具備類似社交的能力

7.3.1. 人工智慧所面臨的新挑戰就是構建具備社交能力的智慧體

7.4. 智慧體在做決策的時候需要考慮對方的偏好和可能的行動，這樣的推斷實際上屬於博弈論的研究範疇

7.4.1. 博弈論起源於物件棋和撲克牌之類遊戲的研究

7.4.2. 博弈論中最著名的中心思想，也是形成多智慧體系統中決策基礎的思想，就是納什均衡

7.5. 納什均衡

7.5.1. 納什均衡的概念是由小約翰·福布斯·納什提出來的

7.5.2. 納什均衡之所以被稱為均衡，是因為它捕捉到了決策過程中的穩定性：兩個智慧體都沒有任何動機去做別的選擇

7.5.2.1. 假設我們有兩個智慧體，每個都需要做出選擇

7.5.2.2. 智慧體1選擇x，智慧體2選擇y

7.5.2.3. 如果兩個智慧體都不後悔自己的選擇，那它們的決策就是好的

7.5.2.3.1. 從技術上講，它們的決策形成了納什均衡

7.5.3. 尋找有效的方法來計算納什均衡仍然是當今人工智慧的一個主要課題

8. 深藍

8.1. 人工智慧可以戰勝優秀的人類棋手

8.2. 深藍的成功主要源於兩個因素

8.2.1. 第一是啟發式搜尋，由20世紀50年代跳棋程式的創造者亞瑟·塞繆爾提出，儘管這一技術經過了40多年的改進，其核心技術也不難理解

8.2.2. 第二個因素卻頗具爭議：深藍是一臺超級電腦，它依靠巨量的計算力來完成工作

8.2.2.1. 只不過是靠野蠻的計算力來獲勝的

8.2.2.2. 這些技術需要龐大的計算力支援，但在同樣計算力的情況下，用簡單粗暴的下棋方式，就像解密漢諾塔步驟那種遍歷的搜尋方式，是根本不可行的

9. SAT問題

9.1. 第一個被證實為NP完全問題的問題，就是SAT問題，這是一個檢查簡單邏輯表示式是否一致的問題——是否有任何方式表達它們都為真

9.1.1. 即satisfiability(可滿足性)的縮寫

9.2. SAT是所有NP完全問題中最基礎的一個，如果你能找到一個有效的方法解決某一個NP完全問題，那麼你就自動找到了解決所有NP完全問題的方法