Cslt：以“==教学目标== 理解基于知识的人工智能的基础哲学思想理解通用知识（或规则）与经验知识的不同，理解两者如何被用来完...”为内容创建页面

2022-08-01T07:50:17Z

以“==教学目标== *理解基于知识的人工智能的基础哲学思想 *理解通用知识（或规则）与经验知识的不同，理解两者如何被用来完...”为内容创建页面

新页面

==教学目标==

*理解基于知识的人工智能的基础哲学思想
*理解通用知识（或规则）与经验知识的不同，理解两者如何被用来完成人工智能任务，以及他们各自的优势
*了解以知识图谱为代表的现代基于知识的人工智能系统

==教学内容==

===知识与智能===

* 美国心理学家雷蒙德·卡特尔认为，人类表现出的思维能力可以分解成两个部分：流动智力（Fluid Intelligence）与固定智力（Crystallized Intelligence）。流动智力是指认知过程中的基础思维能力，如理解力、学习能力、以及解决新问题的能力等；相对的，固定智力和知识积累相关，主要体现为利用学习到的经验和知识解决问题的能力。
* 流动智力随着人到成年后开始下降，但固定智力会随着年龄的增长和知识的积累逐渐增长。
* 流动智力与固定智力的区分告诉我们，知识在人类的智能表现中占有重要地位。人类创造出远超其他物种的文明，强大的推理能力固然是重要因素，但知识的累积更加重要。因此，即便现代的一个普通人穿越回古代，未必比当时的人思考能力更强，但依然会表现得惊才绝艳，这是知识展现为智能的体现。
* 同样，如果把知识告诉给机器，机器一样会以非常智慧的形象展示在我们面前。想象一个一个人如果把维基百科的词条都背熟了，是不是会表现得非常聪明强大？

===基于通用知识的人工智能===

* 很多科学体系（如数学、物理学等）都是构建在少量基础公理或定律基础之上。将这些公理或定律作为通用知识，通过有限的推理规则可以衍生出大量新知识，从而构造出庞大的知识体系。
* 人工智能的先驱者们首先想到的就是这种基于通用知识的智能。一个很大的原因在于当时数理逻辑的发展使得人们认为基于少量的公理，可以推导出至少是绝大部分知识（虽然不是全部），只要算的快，原则上可以解决大部分（图灵可计算的）问题。
* 人工智能就是基于这一思路开始的，而且当时这一思路已经取得了一些让人振奋的成果，典型的如定理证明，人机对弈等。

===基于通用知识的人工智能：定理证明===

* 给定一个猜想，可以基于基础公理或已知定理，尝试推导出该猜想，这一过程称为定理证明。
* 艾伦•纽瓦尔和赫伯特•西蒙的“逻辑理论家”是第一个通用的自动定理证明程序。这一程序基于5条公理，证明了罗素、怀特黑德《数学原理》第二章中的52条定理。
* 该算法从基础公理出发，利用推理规则一步步产生新定理，直到待证明的定理出现。
* 为加速证明过程，他们设计了一种称为“启发式搜索”的高效算法，这一算法首先判断哪些推理路径最有可能到达目标定理，并优先对这些路径做下一步推理。

===基于通用知识的人工智能：人机对弈 ===

* 人机对弈是基于通用知识人工智能的另一项成就，包括图灵、香农、麦卡锡在内的多位学者做出了重要贡献。
* 人机对弈的重要算法是所谓的最大-最小过程，目的是选择出当对方做出最佳应对时（即对方让自己的分值最小）己方所能做的最好应对（即自己让己方的分值最大）。在此基础上，麦卡锡等人提出了alpha-beta剪枝算法，在不改变走棋决策的前提下，提高搜索效率。

===基于经验知识的人工智能===

* 以公理和定理表达的通用知识具有很强的普适性，是人类认识自然的成果总结。然而，这些基础知识往往过于抽象，要推导出现实中的自然现象往往需要大量计算。例如，虽然物理学家们已经知道了原子的属性以及原子和原子结合时的基本规律，但要精确计算出由多个原子组成的大分子的特性（如蛋白质），依然是难以完成的任务。
* 同时，真实世界除了遵循基本规律，还有很多领域相关的特殊规律、不同观测尺度上产生的新规律，以及固有的不确定性。单纯基于通用知识难以推导出现实世界的复杂现象。
* 经验知识是在基础规律之上的，在实践中积累得到的经验性总结。这些知识很难从基础规律中严格推导出来，但对解决实际问题往往更直接，因此也更有价值。
* 经验知识一般可用“如果…那么”这样的形式表示，例如：“如果天阴且湿度大，那么会下雨” 。这种知识表示方式称为产生式规则。
* 基于这些经验知识，可以直接解决日常生活中的实际问题。

===专家系统===

* 将专家所掌握的知识以特定形式（如产生式规则）整理出来，以这些知识为基础就可以模拟人类专家进行推理和决策。这一系统称为专家系统。
* 目前，人们已经研制了数千个专家系统，广泛应用于化学、数学、物理、生物、医学、农业、气象、地质勘探、军事、工程技术、法律、商业等各个领域。
* 专家系统由知识库和推理机两个主要部件组成，知识库用于存储领域知识，推理机用来进行推理和决策。同时，一个完善的专家系统还包括知识获取、解释器、综合数据库等部件，以辅助完成用户对话流程。
* 专家系统在80年代获得巨大成功，为专家系统准备知识甚至成了一门学问，称为知识工程。
* 然而，专家系统的维护非常困难，知识的加入和排歧都需要特别考虑。因此，大规模专家系统渐渐淡出了舞台。
* 仅管如此，几乎所有企业都有自己的信息系统，这些信息系统以数据库为基础，具有强大的知识提供能力，实际上完成的是专家系统的工作。例如，各地政府的政务查询系统，民航和铁路的自动定票系统等，以及京东、美团等在线服务机器人，其实都是专家系统的衍生。他们和专家系统共同的特性：以经验知识为核心，解决具体的实际问题。

===知识图谱===

* 知识图谱是一种简单高效的知识表示方法。它将知识表示成节点和节点之间的连接，其中点代表人物、事件等实体概念，节点之间的连接表示实体之间的关系。这种由节点和连接构成的知识表示形式称为“知识图谱”。
* 将用户的提问转化为知识图谱上的查询任务，即可通过搜索获得问题的答案。
* 知识图谱比传统知识表示（如IF...Then）更清晰、确定性更强，避免混淆。

===对知识驱动的人工智能的评价===

* 知识就是力量，依靠知识产生智能，不仅是可行的，也是必要的。
* 基于通用知识的AI系统确实受到很大限制，很难应对实际问题。这也可以理解，就象学会了欧几里德的几何学未必就会裁出漂亮衣服，学会了牛顿力学未必就能造出动车。太过基础的知识只能作为原则，却很难解决实际问题。
* 基于经验知识的AI系统要好很多，问题在于如何对知识进行整理，如何让机器运用这些知识，如何处理知识中的错误和冲突，等等。其中知识整理可能是最关键的一步。近年来，Web2.0出现以后，人人都是知识的贡献者，这极大减小了知识采集和加工的困难。因此，近年来基于知识的人工智能技术又焕发出青春，取得了让人瞩目的成就。
* 基于知识的人工智能有一个根本局限性：他只能在人类知识框架中活动，不可能比人知道的更多。这极大限制了人工智能的发展，也不是人工智能学者们最初的理念。基于学习的人工智能技术打破了这一局限，让机器通过自我学习主动成长。我们将在下一节介绍。

教学参考-10 - 版本历史

Cslt：以“==教学目标== *理解基于知识的人工智能的基础哲学思想 *理解通用知识（或规则）与经验知识的不同，理解两者如何被用来完...”为内容创建页面

Cslt：以“==教学目标== 理解基于知识的人工智能的基础哲学思想理解通用知识（或规则）与经验知识的不同，理解两者如何被用来完...”为内容创建页面