欢迎来到第18章：人工智能 (AI)
你好！准备好探索计算机科学中最令人兴奋且发展最迅速的领域之一：人工智能 (Artificial Intelligence, AI)。人工智能致力于创建能够模拟人类智能的计算机系统，例如学习、解决问题、决策以及理解语言。
从 Netflix 的推荐系统到手机上的语音助手，人工智能已经深度融入了我们的生活。在本章中，我们将研究 AI 系统如何应对复杂的问题，以及最关键的——它们是如何学习和进化的。
如果有些概念看起来比较抽象，请不要担心；我们将通过清晰的类比将它们拆解，并与你的考试大纲要求直接挂钩！
1. 使用图（Graph）解决 AI 问题
在计算机科学中，许多问题（例如寻找最佳路线或解谜题）都可以使用一种称为图（Graph）的数学结构来建模。
图中 AI 的目的与结构
想象一张地铁线路图。这张图是 AI 中所用图结构的完美类比：
- 节点 (Nodes 或 Vertices)： 表示单个点、状态或位置。（例如：地铁站）
- 边 (Edges 或 Arcs)： 表示节点之间的连接。它们通常具有关联的成本或权重。（例如：连接两个站点的地铁线路，权重可能是旅行时间或距离。）
图如何辅助 AI： AI 使用图来表示状态空间（State Space）——即系统可以采取的所有可能状态和动作的集合。搜索这个图可以让 AI 找到到达目标状态的最优动作序列。
搜索算法：Dijkstra 算法与 A* (A-Star) 算法
当 AI 需要在图中的两个节点之间找到最短或成本最低的路径时，它会使用搜索算法。
Dijkstra 算法
目的： 基于边的权重，找到从起始节点到图中所有其他节点的最短路径。该算法非常可靠。
类比： 想象使用一个标准的地图应用，它通过从起点开始向外检查每一条连接的道路路段，直到到达目的地来严格计算距离。它是详尽无遗的，且保证能找到绝对最短的距离。
A* (A-Star) 算法
目的： A* 同样用于寻找最短路径，但它通常比 Dijkstra 算法快得多、效率更高，尤其是在大型图中。
诀窍：启发式函数 (Heuristic)
A* 使用一种称为启发式函数的特殊函数。启发式函数本质上是一个“有根据的猜测”，是对到达目标剩余成本的估计。它帮助算法优先考虑看起来最有希望的路径。
- 如果 Dijkstra 是盲目地向所有方向搜索，那么 A* 会智能地将搜索重点集中在目标方向上，从而节省计算开销。
- A* 通过结合已消耗的实际成本 (g) 和剩余的估计成本 (h) 来计算其优先级：
总估计成本 = \(g + h\)
你知道吗？ A* 被广泛用于电子游戏的敌人寻路和现代 GPS 系统中，因为它能非常迅速地找到最优路径。
快速回顾：图搜索
- 图： 节点和加权边表示状态和转换。
- Dijkstra： 找到到达所有节点的实际最短路径。
- A*： 通过使用启发式函数（估计值）高效地找到最短路径。
2. 机器学习：学习的类别
机器学习 (Machine Learning, ML) 是 AI 的一个子领域，系统无需被显式编程规则，即可直接从数据中学习。机器学习不是编写“如果 X 则 Y”的代码，而是由机器接收数据并自行学习其中的关系。
机器学习类别
大纲要求你理解机器学习的三大主要类别，它们由数据的呈现方式及系统接收反馈的方式来定义。
(a) 监督学习 (Supervised Learning)
这就像有一位老师或导师指导学习过程。用于训练的数据是已标记的 (labeled)，意味着输入数据已经关联了正确的输出或“答案”。
工作原理：
- 系统被展示一个输入 （例如：一张苹果的照片） 和正确的标签 （例如：“苹果”）。
- 系统做出预测。
- 系统将预测结果与正确标签进行比较，并计算误差。
- 系统调整其内部模型，以减少未来预测时的误差。
常见任务：
- 分类 (Classification)： 预测离散的标签 （例如：这封邮件是垃圾邮件还是正常邮件？）
- 回归 (Regression)： 预测连续的值 （例如：预测明天的气温或房价）
(b) 无监督学习 (Unsupervised Learning)
这是一种没有老师的学习方式。训练数据是未标记的 (unlabeled)。系统的任务是自行探索数据，并发现其中隐藏的模式、结构或关系。
工作原理：
系统接收数据点，并被要求根据相似性对它们进行分组或构建结构。
常见任务：
- 聚类 (Clustering)： 将相似的项目归为一类。 （例如：市场营销公司利用此技术发现购买相似产品的客户群，从而进行精准投放。）
监督与无监督的类比：
- 监督学习： 你给孩子看 100 张猫和狗的照片，并告诉他们“这是猫，这是狗”。他们学会了对新图片进行分类。
- 无监督学习： 你给孩子 100 张混杂的图片，让他们把相似的物体分成两堆。他们不知道名字，但会根据共同特征找出类别（猫和狗）。
快速回顾：机器学习类别
- 监督学习： 使用已标记数据；找到从输入到已知输出的映射。
- 无监督学习： 使用未标记数据；发现隐藏的结构/模式（聚类）。
3. 高级 AI 与学习方法
在解决高度复杂的问题时——例如处理人类语音或自动驾驶——AI 依赖于强大的数学模型，这些模型主要受到人类大脑的启发。
人工神经网络 (Artificial Neural Networks, ANNs)
ANN 是受大脑生物神经网络结构启发的计算模型。它们是大多数现代机器学习和深度学习系统的基石。
结构：
ANN 由多层相互连接的处理单元组成，称为神经元 (neurons) 或节点。神经元之间的每个连接都有一个数值，称为权重 (weight)。这些权重就是网络通过训练不断调整并“学习”的内容。
- 输入层 (Input Layer)： 接收数据（例如：图像的像素值）。
- 隐藏层 (Hidden Layers)： 执行复杂的计算和特征提取。层数越多，网络越“深”。
- 输出层 (Output Layer)： 提供最终结果（例如：分类结果，如“汽车”或“卡车”）。
深度学习 (Deep Learning, DL)
深度学习其实就是机器学习的一种特定类型，它使用非常深的人工神经网络（即拥有许多隐藏层的网络）。
- 传统的机器学习可能只有一两层隐藏层；而深度学习可能有几十层。
- 这种深度使系统能够从原始数据中自动提取越来越复杂的特征。 （例如：在图像处理中，第一层可能检测边缘，下一层检测形状，最终层识别物体。）
为什么要使用深度学习？ 它在处理非结构化数据（图像、音频、文本）时表现出色，因为这些数据的特征很难手动定义。
强化学习 (Reinforcement Learning, RL)
强化学习是一种 AI 智能体通过在环境中采取行动并获得奖励 (rewards) 或惩罚 (penalties)（反馈）来学习决策的方法。
- 没有训练数据或导师；智能体完全通过试错 (trial and error) 来学习。
- 目标： 最大化长期的累积奖励。
类比： 教机器人走路。当它走对了，就得到奖励；当它摔倒了，就受到惩罚。最终它会摸索出最优的肌肉动作（动作）序列，以最大化奖励（保持站立）。
应用： 机器人技术、训练 AI 玩国际象棋或围棋等复杂游戏，以及优化工业流程。
快速回顾：高级学习
- ANN： 以大脑为模型，在神经元之间使用加权连接（权重）。
- 深度学习： 使用拥有许多隐藏层的 ANN 来处理复杂任务。
4. 训练 AI：反向传播与回归
为了使人工神经网络有效学习，它需要一种机制，根据监督训练过程中犯下的错误来调整其权重。这种机制称为反向传播。
误差反向传播 (Back Propagation)
反向传播是训练 ANN 的主要算法。它的工作原理是计算输出层的误差，并将该误差向后传播到整个网络，以确定每个权重对错误的贡献程度。
分步过程（学习循环）：
- 前向传播 (Forward Pass)： 输入数据一层一层地通过网络，直到生成最终的输出预测。
- 误差计算 (Error Calculation)： 计算网络预测值与实际正确值（已知标签）之间的差异。这就是误差。
- 反向传播 (Backward Pass)： 误差从输出层向后传播（发送），经过隐藏层，回到输入层。
通过重复这个循环成千上万次，网络的权重会逐渐得到精炼，从而形成一个准确的模型。
记忆辅助： 反向传播是 AI 将错误“归咎”于特定权重的方式，这样它就知道如何修正它们。
机器学习中的回归方法
回归是监督学习中使用的一种基础统计方法。其主要目的是预测。
定义： 当 AI 需要预测一个连续值（范围内的数字，而非固定的类别）时，会使用回归方法。
示例：
- 分类： 预测类别：“这水果是苹果还是香蕉？”（离散输出）
- 回归： 预测数值：“这个苹果有多重？”或“明天的股票价格是多少？”（连续输出）
在机器学习背景下，回归方法建立自变量（输入）与因变量（我们想要预测的输出）之间的关系。
5. AI 的社会、经济与环境影响
人工智能是一种强大的工具，像任何技术一样，它具有深远的影响。
社会问题
- 偏差与公平性： AI 系统从数据中学习。如果训练数据包含人类偏差（例如历史上的种族或性别偏见），AI 将在决策中复制甚至放大这些偏差（例如贷款申请或招聘筛选）。
- 隐私： AI 训练依赖海量个人数据（大数据），引发了关于监控和滥用隐私信息的担忧。
- 虚假信息： AI 可以创建高度逼真的伪造内容（Deepfakes），威胁信任并导致虚假信息的传播。
经济问题
- 失业： AI 和自动化可以取代从事常规、重复或复杂分析工作的人类工人（例如工厂工人、某些行政岗位，甚至某些法律研究工作）。
- 创造新就业： 虽然一些工作消失了，但也创造了新的工作岗位，需要 AI 维护、伦理和数据科学方面的技能。
- 提高生产力： AI 处理海量数据集和复杂计算的速度远超人类，从而在金融、医疗、物流等行业带来显著的效率提升。
环境问题
- 能源消耗： 训练大型、复杂的深度学习模型（如大型语言模型）需要巨大的计算能力，导致极高的能源使用和巨大的碳足迹。
- 优化： 反过来，AI 也可用于优化能源电网、交通流量和制造流程，从而提高整体环境效率。 （例如：使用机器学习预测能源需求以减少浪费。）
作为一名计算专业人员： 考虑这些影响至关重要。像 BCS（英国计算机协会） 和 IEEE（电气电子工程师学会） 这样的伦理机构正在推广伦理准则，以确保 AI 的开发是负责任的。