1.1. 在20世纪四五十年代，计算机在本质上被看成一种快速计算器

1.1.1. 主机一个接一个地运行大量的数据处理作业(job)，不与用户发生交互

1.1.2. 最终的大量打印结果由操作员按批次(batch)展示给他们心怀感激的客户

1.2. 在工业级算术的扩张过程中，个别有远见的人想知道计算机是否能做得更多

1.2.1. 计算机从本质上来说是符号操纵机

1.2.1.1. 符号可以代表任何信息

1.2.2. 如果对这些符号的操纵是正确的，计算机甚至可以执行在此之前必须人类智能才能做的任务

2.1. 人工智能先驱

2.2. 1916年，斯特雷奇出生于一个富裕的知识分子家庭

2.2.1. 毕业于剑桥大学国王学院，获得物理学学位

2.2.2. 后来成为牛津大学首位计算机科学教授

2.2.3. 于1975年去世，终年58岁

2.3. 自动计算机(Automatic Computing Engine，ACE)

2.3.1. ACE原本应该成为英国的第一台通用计算机

2.3.2. 一项简单得多的设计——Pilot ACE最终在1950年投入使用

2.3.2.1. 大多数初学者是从简单的编程任务开始

2.4. 美国国家研究开发公司(National Research and Development Corporation，NRDC)

2.4.1. NRDC的职责是将政府部门的新技术转让给私营机构

2.5. 斯特雷奇最终在1952年完成了他的国际跳棋程序，并在一篇题为《逻辑或非数学程序》(Logical or Non-Mathematical Programmes)的论文中描述了它

2.5.1. 游戏的目标是清除对手所有的棋子

2.5.2. 斯特雷奇的算法用数字来记录棋局

2.5.3. 轮到己方走棋时，算法会计算所有可能的下一步棋（走法平均有10种）

2.5.4. 一个回合(move)包含两次走棋，每个玩家各走一次

2.5.5. 单次走棋（或称半个回合）被称为一步(ply)

2.5.6. 对于下一回合的每一种可能，算法都会评估对手的潜在应对方式

2.5.7. 每一个棋局都是树上的一个节点(node)，或称为分支点

2.5.8. 前瞻预测的范围越大，树中的层就越多

2.5.8.1. 对于前瞻预测结束时的节点，算法会计算每个玩家在棋盘上得以留存的棋子的数量

2.5.8.2. 它以树的根部为起点，选择最优走法，该走法能为计算机在前瞻预测结束时带来最大的数值优势

2.6. 事后看来，该程序的前瞻预测深度不足，决策逻辑缺乏复杂性，对棋局的评估也不准确

2.6.1. 计算机只用来制霸算术的局面已经被打破了

2.6.2. 这是人工智能(artifi cial intelligence，AI)的第一个实例

2.7. 玩国际跳棋需要逻辑推理和预见能力

2.7.1. 斯特雷奇的成果就从手写的笔记转变成了一个可以运行的千行程序

2.7.1.1. 这个程序解出了图灵设定的问题，并在完成后用计算机音响播放了英国国歌

2.7.1.2. 这是由计算机播放出的第一首音乐

2.8. 尽管斯特雷奇是一位颇受尊敬的学者，但由于他对发表学术论文并不积极，他后来的许多工作并未得到认可

3.1. 1955年，约翰·麦卡锡(John McCarthy)在向洛克菲勒基金会提交的一份提案中创造了“人工智能”一词

3.2. 大多数人会认同执行一个算法不需要智能

3.2.1. 当下棋的算法未知时，玩跳棋需要智能

3.2.2. 一旦知道了跳棋的算法，玩跳棋就不再需要智能了

3.3. 麦卡锡所定义的人工智能一直是未能解答的难题

3.3.1. 一旦算法被知晓，解决这个问题就不再需要智能了

3.3.2. 我们感觉智能应该是用来解决计算机无法解决的智力任务的

3.3.3. 在某些方面，人工智能类似于舞台魔术

3.3.3.1. 一旦我们知道魔术是如何做到的，它就不再是魔术了

3.4. 人类的智能是多方面且通用的，意思是我们的智能有很多方面的体现

3.4.1. 我们可以学习、回忆、多任务并行、发明、应用专业知识、想象、感知、抽象等

3.4.2. 人类的智能是通用的，因为我们可以执行各种各样的任务

3.5. 与人类智能类似的那种智能，其恰当的术语是“人类级别的人工通用智能”(human-level artifi cial general intelligence，HLAGI)

3.5.1. AI是一个科学事实，与HLAGI相去甚远

3.6. 麦卡锡AI定义的一个重要方面是，他从输出结果的角度来描述AI

3.6.1. 只要机器产出了比得上人类的结果，那么他就认为人工智能达到了人类智能的水平

3.7. 如果有外星人来到地球，我们会仅仅因为它们是硅基生命，而非碳基生命就认为它们不能思考吗

3.7.1. 思考的先决条件是智能加上意识

3.7.2. 意识，即具有能自我感知的状态，允许有知觉的生物能“听到”自己在“思考”

3.7.3. 对于图灵来说，如果机器的行为与人类的智能无法进行区分，那么我们就可以得出结论说机器能“思考”

3.8. 机器是否“有感觉”这一点意义重大

3.8.1. 如果机器有意识和情感，那么毫无疑问，我们对它负有道德责任

3.8.2. 随着技术的进步，这样的问题会越来越重要

4.1. 代数是研究包含未知值方程的数学分支

4.1.1. 几千年来，操纵方程都是数学家的工作

4.1.2. 这是算盘、计算器和早期计算机程序无法做到的

4.2. 兰德公司

4.2.1. 在20世纪50年代，兰德公司的头号客户是美国空军

4.2.2. 兰德公司是研究人员的天堂：学术自由、聪明的同事、充裕的预算、不需要教学

4.2.3. 兰德公司的计算机JOHNNIAC是基于IAS蓝图搭建的

4.3. 两名美国科学家艾伦·纽厄尔(Allen Newell)和赫伯特·西蒙(Herbert Simon)公布了一种可以执行代数运算的计算机程序

4.3.1. 通过代数的方法，可以对这样的方程进行操作，从而体现变量之间新的关系

4.3.2. 从一组初始方程得出结论的一系列运算称为证明(proof)

4.3.3. 其思想是，如果初始方程组是有效的，并且运算法则应用得当，那么结论也必然是有效的

4.3.4. 开始的方程称为前提(premise)，最后的结论称为推论(deduction)

4.3.5. 程序回溯并输出连接推论到初始前提的那个方程转换链，将转换链作为证据呈现给用户

4.4. 开发了一个名为“逻辑理论家”的人工智能程序

4.4.1. 由于CIT没有计算机，两人在教室里召集了一组学生，让他们模拟计算机的行为，以此来测试他们的程序

4.4.2. 1955年12月15日，该团队宣布“逻辑理论家”可以运行

4.4.3. 逻辑理论家”为经典教材《数学原理》(Principia Mathe-matica)中52个定理中的38个提供了一步一步的证明

4.4.3.1. “逻辑理论家”的其中一个证明比教科书版本的更为优雅

4.5. 1959年，纽厄尔、肖和西蒙推出了一项新计划：“通用问题求解者”

4.5.1. “通用问题求解者”算法并不会尝试所有可能的操作

4.5.2. 它对与期望推论相似的方程进行优先处理

4.5.2.1. 这意味着它在探索无用的路径上花费的时间更少

4.5.2.2. 由于速度快，规则引导搜索或者说启发式搜索(heuristic search)目前被广泛使用

4.5.3. “通用问题求解者”模仿了人类的推理过程

4.5.3.1. 人类有时通过试错得出正式的数学证明的方式与此确有相似之处

4.5.3.2. 人类的推理似乎比“通用问题求解者”的推理方式更直觉化，也更不严谨

4.6. 人工智能的一整个子领域（符号推理，symbolic reasoning）都起源于将逻辑语句处理为符号列表的概念

4.7. 1967年，CIT与梅隆学院合并，成立了卡内基梅隆大学(Carnegie Mellon University，CMU)

4.7.1. 纽厄尔和西蒙随后在CMU建立了世界领先水平的人工智能研究小组

4.7.2. 1975年，他们因在AI和认知心理学方面的工作被授予图灵奖

4.7.3. 3年后，西蒙因在微观经济学领域的贡献获得了诺贝尔奖，这是他的另一个研究兴趣所在

4.8. 纽厄尔于1992年去世，享年65岁

4.9. 西蒙于2001年去世，享年84岁

5.1. 学习能力是人类智能的核心

5.1.1. 学习能力是人类智能的核心

5.1.2. 孩子通过模仿大人和反复试错来学习走路

5.2. 1956年2月24日，第一个用来展示学习能力的计算机程序在公共电视节目上公布

5.2.1. 这个程序是由IBM的亚瑟·塞缪尔(Arthur Samuel)编写的

5.2.2. 塞缪尔的程序和斯特雷奇的一样，也是玩国际跳棋

5.2.3. 电视演示给人们留下了深刻的印象，IBM的股价在第二天上涨了15个点

5.3. 1959年，塞缪尔终于发表了一篇论文，描述他的新国际跳棋程序

5.3.1. 这篇文章的低调标题——《利用跳棋游戏进行机器学习的一些研究》(Some Studies in Machine Learning using the Game of Checkers)——掩盖了其思想的重要性

5.3.2. 塞缪尔的算法比斯特雷奇的算法更为全面

5.3.3. 它通过一种巧妙的评分算法来实现这一点

5.3.3.1. 算法对各种会用到的特征(feature)进行打分

5.3.3.2. 特征是指任何表明一个棋局的长处或弱点的东西

5.3.3.3. 其中一个特征是两个对手棋盘上棋子数量的差异

5.3.3.4. 权重决定了每个特征的相对重要性

5.3.3.4.1. 负权重意味着该特征降低了计算机获胜的可能性

5.3.3.4.2. 权重越大，说明某一特征对总分的影响力越大

5.4. 塞缪尔的棋局评价方法工作原理

5.4.1. 以一个棋局作为输入

5.4.2. 将总分设置为零

5.4.3. 对每个特征重复以下步骤

5.4.3.1. 测量棋盘上的某个特征

5.4.3.2. 计算该特征的得分

5.4.3.3. 乘以特征的权重

5.4.3.4. 把计算结果加到总分中

5.4.3.5. 当所有特征都评分完成后，停止重复

5.4.4. 输出总分

5.5. 随着游戏的进行，算法会调整权重，以便计算出的分数能更准确地预测游戏的结局

5.5.1. 任何起到负面作用的权重都将降低

5.5.1.1. 这强化(reinforce)了获胜行为

5.6. 与人工选择权重相比，塞缪尔的算法具有两方面的优势

5.6.1. 计算机永远不会忘记

5.6.1.1. 每一步棋都会影响到权重

5.6.2. 计算机可以与自己进行多次游戏，远远超过人类能玩的次数

5.6.3. 在学习过程当中可以获得更多的信息

5.7. 塞缪尔对机器学习的开发是颠覆性的

5.7.1. 塞缪尔的程序所做的决策是由权重控制的，权重是简单的数值

5.7.2. 程序的行为可以通过改变权重来调整

5.7.3. 程序代码不需要修改

5.7.4. 更改程序代码很困难，但更改几个权重数值是很容易的

5.8. 塞缪尔还加入了一个极小化极大(minimax)步骤来选择走法

5.8.1. 在真实的游戏中，不太可能出现一些最高得分的棋局，因为它们是由对手特别糟糕的表现造成的

5.8.2. 轮到自己走棋时，回溯算法会选择能够获得最高得分的走法

5.9. 极小化极大步骤

5.9.1. 以可能走法的树作为输入

5.9.2. 从倒数第二个层级开始

5.9.3. 对每一层级重复以下步骤

5.9.3.1. 对该层级的每个节点重复如下操作

5.9.3.1.1. 如果轮到计算机走棋，那么就选择得分最高的走法，否则选择得分最低的走法

5.9.3.1.2. 将极小化极大得分值复制到当前节点

5.9.3.1.3. 检查完这一层级中的所有节点后，停止重复

5.9.3.2. 当到达树的根部时停止重复

5.9.4. 输出具有最大回溯分数的走法

5.10. 为了高效利用可用的计算时间，塞缪尔的程序会根据一组规则（使用启发式搜索）调整前瞻预测的深度和宽

5.10.1. 对解题过程进行剪枝(pruning)，可以为评估更可能出现的场景让出更多的时间

5.10.2. 为了进一步加快处理速度，塞缪尔的程序存储了常见棋局的极小化极大分数

5.10.2.1. 这些分数不需要在程序运行期间重新计算，因为单纯从表里查找就足够了

5.11. 1966年，塞缪尔从IBM退休，进入斯坦福大学担任研究教授职位

5.11.1. 在85岁高龄时仍在编程，但帕金森病最终迫使他停止工作

5.11.2. 塞缪尔于1990年去世

5.12. 当今世界最先进的棋盘游戏算法的雏形可以在塞缪尔20世纪50年代的工作中找到

5.12.1. 极小化极大、强化学习和自对弈几乎是所有现代国际跳棋、国际象棋和围棋AI的基础

5.12.2. 在很多应用中，机器学习已被证明在处理复杂的数据分析问题时极其有效

6.1. 为什么那么多杰出的思想家都大错特错了？

6.1.1. 预测没有一个成真

6.1.2. 最简单的答案就是傲慢

6.1.3. 这些人都是数学家。对他们来说，数学是智能的巅峰

6.1.4. 他们没有认识到现实世界的可变性和人类大脑的复杂性

6.1.5. 事实证明，处理图像、声音和语言比处理方程式要复杂得多

6.2. 考虑到计算机性能的局限性，一些科学家尝试开发快速算法来解决重要但需要复杂计算的问题