AI-For-Beginners/translations/mo/lessons/1-Intro

人工智慧簡介

手繪筆記由 Tomomi Imura 提供

課前測驗

人工智慧是一門令人興奮的科學學科，研究如何讓電腦展現出智能行為，例如執行人類擅長的事情。

最初，電腦是由查爾斯·巴貝奇發明的，用於按照明確定義的程序（即算法）處理數字。現代電腦雖然比19世紀提出的原始模型先進得多，但仍然遵循受控計算的基本理念。因此，如果我們知道實現目標所需的確切步驟序列，就可以編程讓電腦執行某些任務。

照片由 Vickie Soshnikova 提供

✅ 從一張照片中判斷一個人的年齡是一項無法明確編程的任務，因為我們無法解釋當我們做出判斷時，腦海中是如何得出這個數字的。

---

然而，有些任務我們並不知道如何明確解決。例如，從一張照片中判斷一個人的年齡。我們能夠學會這樣做，是因為我們見過許多年齡不同的人的例子，但我們無法明確解釋我們是如何做到的，也無法編程讓電腦完成這項任務。這正是人工智慧（簡稱 AI）感興趣的任務類型。

✅ 想一想有哪些任務可以交給電腦處理，並且能從 AI 中受益。考慮金融、醫療和藝術領域——這些領域今天是如何從 AI 中受益的？

弱人工智慧與強人工智慧

弱人工智慧	強人工智慧
弱人工智慧指的是為特定任務或一組狹窄任務設計和訓練的 AI 系統。	強人工智慧，或稱人工通用智慧（AGI），指的是具有與人類相當的智能和理解能力的 AI 系統。
這些 AI 系統並非通用智能；它們在執行預定義任務方面表現出色，但缺乏真正的理解或意識。	這些 AI 系統能夠執行人類可以完成的任何智力任務，適應不同的領域，並擁有某種形式的意識或自我認知。
弱人工智慧的例子包括虛擬助手（如 Siri 或 Alexa）、流媒體服務使用的推薦算法，以及專為特定客戶服務任務設計的聊天機器人。	實現強人工智慧是 AI 研究的長期目標，這需要開發能夠在廣泛任務和情境中進行推理、學習、理解和適應的 AI 系統。
弱人工智慧高度專業化，缺乏人類般的認知能力或超出其狹窄領域的通用問題解決能力。	強人工智慧目前仍是一個理論概念，尚無 AI 系統達到這種通用智能的水平。

更多資訊請參考 人工通用智慧 (AGI)。

智能的定義與圖靈測試

在討論**智能這個術語時，問題之一是我們對這個術語沒有明確的定義。有人認為智能與抽象思維或自我意識**有關，但我們無法準確地定義它。

照片由 Amber Kipp 提供，來自 Unsplash

為了體會“智能”這個術語的模糊性，試著回答這個問題：“貓是智能的嗎？”不同的人往往會給出不同的答案，因為沒有普遍接受的測試來證明這一說法的真偽。如果你認為有，那就試著讓你的貓參加智商測試吧……

✅ 想一分鐘，如何定義智能。一隻能解迷宮並獲得食物的烏鴉算智能嗎？一個小孩算智能嗎？

---

在討論 AGI 時，我們需要某種方法來判斷我們是否創造了一個真正智能的系統。艾倫·圖靈提出了一種方法，稱為**圖靈測試**，這也可以作為智能的定義。該測試將給定系統與某種固有智能的東西（即真人）進行比較，並且由於任何自動化比較都可能被電腦程序繞過，我們使用人類審查員。因此，如果一個人無法在基於文本的對話中區分真人和電腦系統，那麼該系統就被認為是智能的。

一個名為 Eugene Goostman 的聊天機器人在 2014 年接近通過圖靈測試，該機器人由聖彼得堡的團隊開發，並使用了一個巧妙的個性設計。它一開始就聲稱自己是一個 13 歲的烏克蘭男孩，這解釋了知識的缺乏和文本中的一些不一致性。該機器人在 5 分鐘的對話後說服了 30% 的評審員相信它是人類，這是一個圖靈認為機器應該在 2000 年之前能夠通過的指標。然而，我們應該明白，這並不意味著我們創造了一個智能系統，或者電腦系統欺騙了人類審查員——實際上是機器人的創作者欺騙了人類！

✅ 你是否曾經被聊天機器人誤導，以為自己在與真人對話？它是如何說服你的？

不同的 AI 方法

如果我們希望電腦像人類一樣行為，我們需要以某種方式在電腦中模擬我們的思維方式。因此，我們需要試圖理解是什麼讓人類具有智能。

為了能夠將智能編程到機器中，我們需要理解我們自己的決策過程是如何運作的。如果你進行一些自我反思，你會意識到有些過程是潛意識進行的——例如，我們可以在不經思考的情況下區分貓和狗——而另一些則涉及推理。

解決這個問題有兩種可能的方法：

自上而下方法（符號推理）	自下而上方法（神經網絡）
自上而下的方法模擬人類解決問題的推理方式。它涉及從人類中提取知識，並以電腦可讀的形式表示。我們還需要開發一種方法來在電腦中模擬推理。	自下而上的方法模擬人腦的結構，由大量簡單單元（稱為神經元）組成。每個神經元的作用類似於其輸入的加權平均值，我們可以通過提供訓練數據來訓練神經網絡解決有用的問題。

此外，還有一些其他可能的智能方法：

• 湧現式、協同式或多代理方法基於這樣一個事實，即通過大量簡單代理的交互可以獲得複雜的智能行為。根據進化控制論，智能可以在元系統轉變的過程中從更簡單的反應行為中湧現。

• 進化方法或遺傳算法是一種基於進化原則的優化過程。

我們將在課程後續部分探討這些方法，但現在我們將重點放在兩個主要方向：自上而下和自下而上。

自上而下方法

在自上而下方法中，我們試圖模擬我們的推理過程。由於我們在推理時可以跟隨自己的思路，我們可以嘗試將這一過程形式化並編程到電腦中。這被稱為符號推理。

人們往往在頭腦中有一些指導決策過程的規則。例如，當醫生診斷病人時，他或她可能意識到病人有發燒症狀，因此可能存在某種炎症。通過將大量規則應用於特定問題，醫生可能最終得出診斷結論。

這種方法在很大程度上依賴於知識表示和推理。從人類專家那裡提取知識可能是最困難的部分，因為醫生在許多情況下可能不知道自己為什麼得出某個診斷。有時解決方案只是突然出現在他的腦海中，沒有經過明確的思考。有些任務，例如從照片中判斷一個人的年齡，根本無法簡化為知識操作。

自下而上方法

或者，我們可以嘗試模擬我們大腦中的最簡單元素——神經元。我們可以在電腦中構建所謂的人工神經網絡，然後通過提供示例來教它解決問題。這個過程類似於新生兒通過觀察學習周圍環境的方式。

✅ 做一些研究，了解嬰兒是如何學習的。嬰兒大腦的基本元素是什麼？

那麼機器學習呢？
基於電腦通過數據學習解決問題的人工智慧部分被稱為機器學習。我們不會在本課程中討論傳統的機器學習——我們建議參考單獨的機器學習初學者課程。

AI 的簡史

人工智慧作為一個領域始於20世紀中期。最初，符號推理是一種流行的方法，並且它帶來了一些重要的成功，例如專家系統——能夠在某些有限問題領域中充當專家的電腦程序。然而，很快就發現這種方法的可擴展性不佳。從專家那裡提取知識、將其表示為電腦可讀形式並保持知識庫的準確性，事實證明這是一項非常複雜的任務，在許多情況下成本過高而不切實際。這導致了1970年代所謂的AI 冬天。

圖片由 Dmitry Soshnikov 提供

隨著時間的推移，計算資源變得更便宜，數據也變得更加豐富，神經網絡方法開始在許多領域（如計算機視覺或語音理解）中展現出與人類競爭的卓越性能。在過去十年中，“人工智慧”這個術語大多被用作神經網絡的同義詞，因為我們聽到的大多數 AI 成功案例都基於神經網絡。

我們可以觀察到這些方法的變化，例如在創建下棋電腦程序時：

• 早期的下棋程序基於搜索——程序明確嘗試估計對手在給定數步內的可能走法，並根據幾步內可以達到的最佳位置選擇最佳走法。這導致了所謂的alpha-beta 剪枝搜索算法的發展。
• 搜索策略在遊戲結束時效果很好，因為搜索空間受到少量可能走法的限制。然而，在遊戲開始時，搜索空間非常龐大，算法可以通過學習人類玩家之間的現有對局來改進。隨後的實驗採用了所謂的基於案例的推理，程序在知識庫中尋找與當前棋局非常相似的案例。
• 現代能夠擊敗人類玩家的程序基於神經網絡和強化學習，程序通過長時間與自己對弈並從自己的錯誤中學習來學會下棋——這與人類學習下棋的方式非常相似。然而，電腦程序可以在更短的時間內進行更多的對局，因此學習速度更快。

✅ 做一些研究，了解其他由 AI 玩過的遊戲。

同樣，我們可以看到創建“會說話的程序”（可能通過圖靈測試）的方法如何改變：

• 這類早期程序（如 Eliza）基於非常簡單的語法規則，並將輸入句子重新表述為問題。
• 現代助手（如 Cortana、Siri 或 Google Assistant）都是混合系統，使用神經網絡將語音轉換為文本並識別我們的意圖，然後使用一些推理或明確的算法執行所需操作。
• 未來，我們可能會期待一個完全基於神經網絡的模型能夠自行處理對話。最近的 GPT 和 Turing-NLG 系列神經網絡在這方面表現出色。

圖片由 Dmitry Soshnikov 提供，照片 由 Marina Abrosimova 提供，Unsplash

最近的人工智慧研究

神經網路研究的快速增長始於 2010 年左右，當時大型公共數據集開始變得可用。一個名為 ImageNet 的龐大圖像集合包含約 1400 萬張帶註解的圖像，催生了 ImageNet 大規模視覺識別挑戰賽。

圖片由 Dmitry Soshnikov 提供

2012 年，卷積神經網路 首次被用於圖像分類，這導致分類錯誤率顯著下降（從接近 30% 降至 16.4%）。2015 年，微軟研究院的 ResNet 架構達到了人類級別的準確率。

自那時以來，神經網路在許多任務中展現了非常成功的表現：

---

年份	達成人類水平
2015	圖像分類
2016	對話式語音識別
2018	自動機器翻譯（中譯英）
2020	圖像描述生成

在過去幾年中，我們見證了大型語言模型的巨大成功，例如 BERT 和 GPT-3。這主要是因為有大量的通用文本數據可用，這使得我們能夠訓練模型來捕捉文本的結構和意義，先在通用文本集合上進行預訓練，然後再將這些模型專門化用於更具體的任務。我們將在本課程稍後學習更多關於自然語言處理的內容。

🚀 挑戰

瀏覽互聯網，找出你認為人工智慧最有效的應用場景。是地圖應用程式、語音轉文字服務還是某款電子遊戲？研究該系統是如何構建的。

課後測驗

回顧與自學

通過閱讀這一課程來回顧人工智慧和機器學習的歷史。從該課程或本課程頂部的手繪筆記中選取一個元素，深入研究以了解其演變背後的文化背景。

作業：遊戲開發馬拉松

免責聲明：
本文件使用 AI 翻譯服務 Co-op Translator 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。