欢迎来到人工智能 (AI) 世界！

你好，未来的计算机科学家！本章将带你深入探索当今科技领域中最令人兴奋且发展最快的分支之一：人工智能 (Artificial Intelligence)。别担心它听起来很复杂——我们将一步步拆解计算机是如何模拟人类思维的。

你将学习到创造具备推理、解决问题甚至从经验中学习能力的系统的基本思想。这些概念正是我们今天随处可见的自动化技术的核心！


6.3 人工智能

什么是人工智能 (AI)？(6.3.1)

简单来说，人工智能 (AI) 是计算机科学的一个分支，致力于使计算机表现出智能行为。

想象一下，教导一台机器像人类一样去思考、理解和做出决策，这就是 AI 的目标。

正式定义：

  • AI 是计算机科学的一个分支，研究如何让计算机模拟智能行为。

试想一下 Siri 或 Alexa 这样的语音助手。当你问它问题时，它就在模拟人类的智能来理解你的请求并提供相关的回答。

快速复习：核心概念

AI 的宗旨是赋予机器表现出某种行为的能力，如果这些行为是由人类完成的，我们就会认为这是智能的。


AI 系统的主要特征 (6.3.2)

为了让计算机系统表现出智能行为，它需要具备几种核心能力。考试大纲侧重于三个关键特征：

1. 数据和规则的收集

一个 AI 系统如果没有可供使用的知识，是无法“思考”的。这些知识主要有两种形式：

  • 数据 (Data)： 长期收集的事实、数字、观察结果和示例（例如：猫和狗的照片）。
  • 规则 (Rules)： 关于如何使用这些数据的逻辑陈述或指令（例如：如果图像有尖耳朵，那么它很可能是一只狗）。

类比： 这就像给学生一本教科书（数据），并告诉他们如何解读和使用书中公式的说明（规则）。

2. 推理能力 (Ability to Reason)

推理是指根据系统现有的数据和规则得出逻辑结论的能力。这涉及利用规则来处理新信息。

  • 工作原理： 系统获取输入，将其与规则库进行核对，并产生合理的输出或决策。

示例：系统看到一张新图片（输入数据）。它进行推理：“该物体是红色的（事实），它是圆形的（事实），并且它有种子（事实）。我的规则库显示具有这些事实的物体是苹果。结论：这是一个苹果。”

3. 学习和适应能力 (Ability to Learn and Adapt)

这可以说是最像人类的特质。一个智能系统应该能够在无需人工重新编程的情况下，随着时间的推移不断自我完善。

  • 学习： 吸收新数据或经验。
  • 适应： 根据所学内容改变自身的规则或内部处理过程。

你知道吗？这种能力是机器学习 (Machine Learning) 的基础，我们稍后会讲到。如果 AI 对病人做出了错误诊断，而医生输入了正确的诊断结果，AI 就必须调整其规则，以避免将来犯同样的错误。


模拟智能行为 (6.3.3)

考试大纲要求你理解两种用于模拟智能行为的特定方法：

  1. 专家系统 (Expert Systems)
  2. 机器学习 (Machine Learning)

我们需要解释这两者的基本操作原理和组成部分。


1. 专家系统

专家系统是一种 AI 程序，旨在解决复杂问题并做出决策，而这些决策通常需要受过高度训练的人类专家才能完成。

应用案例：医学诊断、矿产勘探或复杂机械故障排查。

专家系统的运行依赖于四个核心组件：

专家系统的组件 (K.R.I.I.)

记忆口诀：K.R.I.I. 帮你记住这四个部分：Knowledge Base（知识库）、Rule Base（规则库）、Inference Engine（推理引擎）、Interface（用户界面）。

1. 知识库 (Knowledge Base, KB)

  • 存储特定领域内的所有事实数据。
  • 示例：在医疗专家系统中，知识库包含关于疾病、病人症状以及药物化学反应的事实。

2. 规则库 (Rule Base, RB)

  • 存储由人类专家提供的规则和逻辑，通常以“如果...那么...”(IF...THEN) 语句的形式存在。
  • 这些规则决定了如何解读知识库中的事实以得出结论。
  • 规则示例：如果 (体温 > 37°C) 并且 (出现皮疹) 那么建议：麻疹。

3. 推理引擎 (Inference Engine, IE)

  • 推理引擎是系统的核心“大脑”。
  • 其作用是将规则库中的规则应用于知识库中的数据（以及用户输入的新数据），以得出结论或提出建议（即推理过程）。

4. 用户界面 (User Interface, UI)

  • 这是允许用户（例如初级医生）输入数据（如病人的症状）并接收输出结果（建议的诊断结果）的屏幕或平台。
专家系统的运行步骤
  1. 用户通过界面输入初始事实或症状。
  2. 推理引擎获取这些输入信息。
  3. 推理引擎在规则库中搜索与输入事实匹配的规则。
  4. 它使用知识库中的常规事实来支持或反驳潜在的结论。
  5. 系统循环执行规则，直到找到最佳结论（推理阶段）。
  6. 系统通过界面将建议的结论（例如：“故障原因是保险丝熔断”）呈现给用户。

2. 机器学习 (ML)

机器学习是 AI 的一个子集，其核心是系统设计为从数据中学习，而不是针对每一项任务都进行显式的编程。

机器学习的定义 (6.3.3)

机器学习是指程序能够根据新的输入和经验，自动调整其处理过程和/或数据的能力。

如果起初觉得这有点难理解，别担心！让我们用一个简单的例子：

类比：垃圾邮件过滤器

  1. 传统程序： 程序员编写一条具体规则：如果电子邮件包含“免费奖金”，则标记为垃圾邮件。
  2. 机器学习程序： 系统被输入 100 万封电子邮件（数据）。它通过猜测哪些是垃圾邮件开始工作。
  3. 学习： 当你手动将一封“漏网之鱼”标记为“不是垃圾邮件”时，ML 程序会分析这封邮件的特征（用词、发件人、长度），并调整其内部处理逻辑，从而降低在未来将类似邮件标记为垃圾邮件的概率。

关键的区别在于，ML 系统根据反馈修改自身的逻辑，从而实现了智能系统所要求的学习和适应能力。

机器学习的核心要点
  • 机器学习的核心是适应性。
  • 程序从海量数据中学习模式。
  • 当编写显式规则过于困难时（例如识别人脸——为像素的所有组合编写规则是不可能的），就会使用机器学习。

本章快速回顾

AI 总结：

  • AI 利用计算机模拟智能行为。
  • 关键特征包括：使用数据/规则的能力、推理能力以及学习和适应能力。

专家系统：

  • 在狭窄领域内模仿人类专家（例如诊断）。
  • 组件：知识库（事实）、规则库（逻辑）、推理引擎（应用规则）、界面（用户交互）。

机器学习：

  • 程序自动更改其过程或数据，以根据经验提高性能。
  • 用于图像识别或趋势预测等复杂任务。