人工智能的五大理念-AI4K12

核心观点

• 表征是数据结构；推理方法是算法（人工智能运用计算机科学的工具：数据结构与算法）
• 表征支持推理；推理方法作用于表征（表征和推理是相互依存的）
  
• 知识表征的两种主要类型是符号表征和数值表征（使用符号表征进行推理是通过逻辑推理规则来实现的，而使用数值表征进行推理则会利用诸如神经网络之类的复杂数学函数）
  
• “知晓” 某事物意味着具备对其进行表示以及运用其进行推理的能力（书籍和视频能够呈现知识，但它们并不 “知晓” 事物，因为它们无法利用这些知识）
  
• 如果智能体采用一种并非简单的 “感知 - 思考 - 行动” 循环机制来朝着实现自身目标取得进展，那么它们就会被视作是智能的（要被认定为智能的，在 “感知”“思考（推理）” 或 “行动” 这些组成部分中，至少有一个部分必须需要复杂的计算方法或强大的计算能力。车库门开启装置并非智能体，因为它们的感知、推理和行动过程都非常简单）

表征：抽象（2-A-1）

• 学习目标：展示不同风格的地图是如何体现世界的不同层面的。
• 基本理解：地图在几何形状上可以做到精确无误，或者仅仅展示出从哪些地点能够抵达另外哪些地点（拓扑结构）。它们能够承载多种类型的信息，比如各个城市和城镇的名称、规模大小，又或是连接这些地点的道路类型。
• 详细说明：自动驾驶汽车依靠道路地图来规划行驶路线。地铁、火车和公交车的线路图既可能是几何式的，也可能是拓扑式的。

表征：符号表征（2-A-2）

• 学习目标：列举人们常用的树状结构的例子，并解释各组成部分之间的关系。
• 基本理解：许多类型的信息都具有层次结构，这种结构可以可视化为一棵树。
• 详细说明：族谱树、分类法、目录、组织架构树以及简单形式的思维导图（mind map）都具有相同的层次结构：除了根节点之外，每个节点都与层次结构中位置更高的父节点有一条单一的连接。分类信息是人工智能系统所使用的知识图谱的重要组成部分，并且通常在更大的图谱中形成一种树状结构。

表征：数据结构（2-A-3）

• 学习目标：描述一棵树的各个部分，以及这些部分之间是如何相互关联的。
• 基本理解：一棵树是由一组带标记的节点组成的，其中每个节点（根节点除外）都有一条连接到在层级结构中位于其上方的父节点的边。没有子节点的节点被称为叶子节点或终端节点；那些有子节点的节点则是非终端节点。

表征：特征向量（2-A-4）

• 学习目标：为一组对象构建特征向量表示，并展示在特征空间中相似的对象是如何彼此接近的。
• 基本理解：推荐系统使用特征向量来表示诸如电影、书籍、消费品或社交媒体帖子之类的事物。
• 详细说明：特征向量将概念表示为数字序列。两个特征向量之间的距离可以通过计算它们不同的位置数量来衡量，因此相似的对象在特征空间中彼此靠得更近。特征向量可以手动构建，但也可以使用机器学习自动构建。
• 示例：在 “意大利面世界” 练习中，学生们构建了一棵判别树来识别不同类型的意大利面。构成这棵树节点的问题可以为意大利面类型的二进制特征向量表示提供特征。

搜索：状态空间与算子（2-B-1）

• 学习目标：通过绘制玩家走棋所产生的棋盘位置的线性序列，来说明计算机如何表示诸如井字棋或尼姆游戏等游戏的进行过程。
• 基本理解：计算机通过创建由合法走法连接的一系列状态（棋盘位置）来玩游戏和解决谜题，在每一步都使用一种算法来选择它们的下一步走法。
• 详细说明：游戏的状态空间（或搜索空间）是指从起始状态（图示）可达的所有棋盘状态的集合，而算子是指玩家根据游戏规则能够做出的所有可能走法的集合。一个特定的游戏（棋盘位置的线性序列：图示）是通过这个状态空间的一条路径。

搜索：组合搜索（2-B-2）

• 学习目标：给定一个诸如井字棋或尼姆游戏的某一状态，绘制一棵搜索树，展示所有可能的下一步走法及其产生的状态，并选出最佳的下一步走法。
• 基本理解：计算机游戏程序可能会构建搜索树，以便决定其下一步的走法。
• 详细说明：搜索树是一种系统地探索游戏中所有可能走法的方式（图示）。游戏的状态空间是指从起始状态可达的所有棋盘状态的集合，而算子则是指玩家根据游戏规则能够做出的所有可能走法的集合。

推理：推理问题的类型（2-C-1）

• 学习目标：将问题归类为分类问题或搜索问题。
• 基本理解：分类问题是将每个输入分配到一组预先确定的类别中的某一个。搜索问题则是通过对状态应用算子来生成新状态，从而构建出答案。
• 详细说明：像在 “可教机器（Teachable Machine）” 中那样，将图像标记为狗的照片或猫的照片，这属于分类问题。从给定的起始位置找出通过一步移动就能到达的棋盘位置，这就是搜索问题的一个例子。

推理：推理算法（2-C-2）

• 学习目标：描述用于对事物进行分类的两种算法之间的区别：决策树，以及像 “可教机器” 这样的神经网络。
• 基本理解：多种算法可用于解决一个推理问题。
• 详细说明：对意大利面进行分类既可以通过构建一棵决策树（参见 “意大利面乐园（Pasta Land）” 活动）来完成，也可以通过在每种意大利面类型的示例图像上训练一个像 “可教机器” 这样的视觉分类器来实现。