1. 黄金年代1.1. 图灵在他发表的论文《计算机器与智能》中介绍了图灵测试，为人工智能学科迈出第一步做出了重大贡献1.2. 美国在第二次世界大战后几十年里计算机技术发展的特色，也是美国在未来60年内确立人工智能领域国际领先地位的核心1.3. 1955年，麦卡锡向洛克菲勒研究所撰写计划书申请经费的时候，他不得不给这项活动起个名字，他选择了“人工智能”这一名称1.3.1. 人工智能中的“人工”一词，英文为“artificial”，它还有一层意思是“虚假”“赝品”1.3.2. “智能”(intelligence)这个词汇来源于“智力”(intellect)1.4. 1956年的夏天，一位名叫约翰·麦卡锡(John McCarthy)的年轻美国学者，为这一领域命了名1.4.1. 是公认的人工智能学科诞生元年1.4.2. 在20世纪50到60年代，他以近乎不可能的才华，为计算机领域贡献了一系列新的理念1.4.3. 他最著名的成就应该是被称为LISP的编程语言，几十年来，LISP一直是人工智能研究人员首选的编程语言1.4.3.1. 麦卡锡在20世纪50年代中期发明了LISP语言，令人惊讶的是，近70年后，全世界仍然在教授和使用它1.5. 麦卡锡本人在斯坦福大学创立了人工智能实验室，位于现在的硅谷中心地带1.6. 马文·明斯基在马萨诸塞州剑桥市的麻省理工学院也创立了一个实验室1.7. 艾伦·纽维尔(Alan Newell)和他的博士生导师赫伯特·西蒙(Herbert Simon)则去了卡内基-梅隆大学1.8. 这四位天才带领着他们的学生建立的人工智能系统，是我们这一代人工智能研究工作者的图腾1.9. 到了20世纪50年代末，一切都发生了天翻地覆的改变：新的学科建立，并有了专属的名称，研究人员可以自豪地展示用以揭示智能行为基础组成部分的第一个试验性系统1.10. 1956年到1974年间，人工智能研究领域掀起了乐观积极、迅速发展的浪潮，这一时期被称为人工智能的黄金年代1.10.1. 这20年是人工智能的第一个繁荣期2. “搜索”的技术2.1. 时至今日，它仍然是诸多人工智能系统的核心组件3. 计算复杂性3.1. 在20世纪60年代末到70年代初建立并发展起来的理论，用以解释为什么人工智能所面临的诸多问题从本质上来说难以解决4. 分治策略4.1. 通用人工智能是一个庞大而模糊的目标，很难直接达成4.1.1. 与其一口气尝试构建完整的通用智能系统，不如识别出通用人工智能系统所需的各项不同能力，分别构建具备这些能力的体系4.1.2. 如果我们能够成功构建通用人工智能所必需的每一种智能系统，那么，以后将它们组合成一个整体，比起直接构建完整的通用智能系统简单得多4.1.3. 通用人工智能的研究方向是将精力集中在解决智能行为的各种组件上，成为人工智能研究的标准方案4.2. 感知4.2.1. 一台机器要在特定的环境中智能地工作，就必须能够获取周围环境的信息4.2.2. 我们人类通过各种机制感知世界，包括五种感觉：视觉、听觉、嗅觉、触觉和味觉4.2.3. 就得研究制作能够感知外界的传感器4.2.4. 如今的机器人使用各式各样的人工传感器来接收有关环境的信息4.2.4.1. 雷达、激光雷达、红外线测距仪、超声波测距仪等4.2.4.2. 不管数码相机的光学系统有多好，不管相机的图像传感器有几百万还是几千万像素，最终相机所做的事情只是把看到的图像解析成一个个网格，然后为网格中的每一个单元格分配数字，表示它的颜色和亮度4.2.4.2.1. 最终它收到的信息也只是一连串的数字4.2.5. 感知领域的第二个挑战是如何解析这些原始的数字，理解它所“看到”的图像4.2.5.1. 这项挑战远比制作传感器难得多4.3. 通用智能系统的另一个关键能力是通过学习积累经验，这引出了一个名叫机器学习的人工智能研究分支4.3.1. 机器学习跟人类学习是完全不同的，它的学习指的是解析和预测数据4.3.2. 机器学习的一个巨大成就是出现了可应用的人脸图像识别技术，通常的实现方法是给予程序诸多希望它学习的例子4.4. 问题解决和制订计划是两个相关联的能力，它们也与智能行为有关4.4.1. 它们都要求用给定的动作组合来达成目标，而实现的关键在于找到正确的动作序列4.4.2. 在解决问题和制订计划中最根本的难点在于，只需要考虑移动棋子的所有可能结果，虽然从原理上看起来很容易做到，但是实际上执行起来却非常困难，因为棋子可能移动的步骤实在是太多了4.5. 推理是诸多与智能相关的行为中最令人崇拜的一种：它基于现有的事实，用强大的逻辑方式获取新的知识4.5.1. 长期以来，人们都认为这种推理能力应该是人工智能的主攻方向4.5.2. 虽然现在已经不是主流了，但自动推理仍然是人工智能领域中一个重要的分支4.6. 自然语言理解4.6.1. 这涉及让计算机理解人类的语言，比如中文或者英文4.6.2. 很长一段时间以来，让计算机理解自然语言的主要方法是试图为自然语言加以精准的定义和明确的规则，就像我们定义计算机语言一样4.6.2.1. 事实证明，这是不可能的4.6.3. 自然语言太过灵活、模糊和易变，无法用这种方式严格定义，而语言在日常生活中的使用方式更是阻碍了对其进行精确定义的尝试5. SHRDLU和积木世界5.1. 人工智能要完成的挑战是如何将初始状态转换为目标状态5.2. 旨在展示人工智能的两个关键能力：解决问题和自然语言理解5.3. SHRDLU系统是黄金年代最受欢迎的成就之一5.3.1. 这个奇怪的名字来源于当时印刷机上的字母排列5.3.1.1. 程序员就喜欢弄点晦涩的笑话5.4. SHRDLU的问题解决组件是基于人工智能界最著名的实验场景之一：积木世界5.4.1. 积木世界可能是整个人工智能领域中研究得最多的场景5.4.1.1. 积木世界之所以引起人们关注，是因为它直观且易于理解5.4.1.2. 积木世界所研究和解决的，只是用一系列可执行的动作来解决问题的方法5.4.2. 积木世界是一个包含了许多彩色物体(方块、盒子和锥体)的模拟环境5.4.2.1. 使用模拟环境而不是真实环境去构建机器人，初衷在于将问题的复杂性降低到可管理的程度5.4.2.2. 在积木世界中，机械臂完成拾取物品并移动它的操作，听上去与现实世界中我们为机器人设想的任务类似5.5. SHRDLU的问题解决模块可以根据用户的指令来排列对象，也可以使用模拟机械手臂来操作对象5.6. SHRDLU最为人称赞的特性之一，是用户可以向系统发送指令，并且能从系统中接收到类似自然语言的反馈5.7. 在SHRDLU(以及诸多后续研究)的积木世界，如果要作为开发使用人工智能技术的场景，还有着严重的局限性5.7.1. 积木世界是一个封闭的世界，这意味着引起世界变化的唯一因素就是SHRDLU5.7.2. 积木世界是模拟世界，SHRDLU并没有真正操作一个机械臂来拾取对象并移动它们，它只是作为程序假设这么做而已5.8. 问题不在于机器人，而在于人们天真地低估了这些问题的难度5.8.1. 我们错误地以为，某些人类执行起来轻而易举的任务，机器人执行起来也应该同样轻松5.8.2. 看上去它构造出了类似现实世界的机器人工作环境，其实都是我们自己臆想出来的5.9. 只解决了机器人在现实环境所面临的问题中极小的一部分，并且绝不是最困难的那部分6. 机器人SHAKEY6.1. 1927年，弗里兹·朗(Fritz Lang)在其导演的经典电影《大都会》中塑造的机器人形象，成为后世无数机器人荧幕形象的模板6.2. 机器人，尤其是类人的机器人，成为人工智能的标志6.2.1. 最能体现人工智能梦想的，就是有长得跟我们差不多、拥有类似我们智力的机器人，与我们同吃同住同劳动6.3. 在黄金年代，机器人只是人工智能故事中占比相对较小的一部分6.3.1. 一个在20世纪60或70年代独立工作的博士生，绝对承担不起建造一个研究级的人工智能机器人的费用6.3.2. 构建一个类似SHRDLU的程序要比构建一个现实的、可操作的机器人简单得多，也经济得多6.3.2.1. 反正系统的复杂性和混乱性是能满足现实需求的6.4. 在1966年至1972年间斯坦福研究所开展的SHAKEY项目6.5. STRIPS6.5.1. 斯坦福研究所问题解决系统Stanford Research Institute Problem Solver的缩写6.5.2. 人们公认STRIPS系统是人工智能规划技术的鼻祖6.6. 所有的智能系统必须流畅、完美地彼此配合，协同工作6.7. SHAKEY是人类第一次认真尝试构建可移动的、实体的机器人，它可以在现实世界完成各项任务，并且自己想出完成这些任务的方法6.7.1. 需要感知所处环境，了解自己身处的位置和周围的状况6.7.1.1. SHAKEY配备了一个电视摄像机和激光测距仪，用来确定它和各物体之间的距离6.7.1.2. 为了探知障碍物，它还配备了一个名叫“猫须”的碰撞探测器6.7.2. 还要能接收任务，并自己制订完成任务所需要的步骤6.7.3. 然后按步骤执行任务，同时确保在执行过程中一切顺利，达到预期效果6.8. SHAKEY可不是SHRDLU那样虚拟的系统，它是一个真实的机器人，能够真真正正地操作物体，这可是一项伟大的挑战6.8.1. SHAKEY可以说是第一个成为现实的自动移动机器人，它开创了一系列令人惊叹的人工智能新技术，和SHRDLU一样，由于这些成就，它理应在人工智能历史中获得殊荣6.9. SHAKEY也充分暴露了当时人工智能的局限性6.9.1. 它所处的环境都必须经过特别的粉刷，还需要精心的照明6.9.2. 当时的开发人员一直在与计算机的局限做斗争6.9.3. 得用无线电把SHAKEY连接到一台操控计算机上