1. 布鲁克斯革命1.1. 随着科学认知的发展，有时候旧有科学体系会面临全盘崩溃的危机，新的科学体系诞生，取代传统的、既定的科学体系，这就意味着科学的范式将发生变化1.2. 澳大利亚机器人学家罗德尼·布鲁克斯(Rodney Brooks)，是彼时对人工智能范式批评得最激烈，也是最富影响力和权威的专家1.2.1. 强烈反对将所有的决策过程都简化成逻辑推理这种需要大量消耗计算机处理时间和内存的想法1.2.2. 在20世纪80年代初期，他就开始质疑当时流行的一种机器人理论1.2.2.1. 制造机器人的关键是将现实世界的知识编码成某种可以被机器人识别的形式，作为推理和决策的基础1.3. 积木只是模拟元素，而现实世界中的问题比模拟元素组成的积木复杂得多1.3.1. 在物理世界中，人工智能面临的真正困难是处理感知问题，而在积木世界中，感知问题完全被忽略1.4. 三个关键原则1.4.1. 人工智能要取得有意义的进步，只能通过与现实世界中的系统互动来实现1.4.1.1. 它们必须直接处于某个现实环境，感知并与之互动1.4.2. 不管是以知识还是以逻辑为基础的人工智能，清晰而全面的知识储备及推理并不是它们智慧行为产生的必要条件，尤其是以逻辑为基础的人工智能1.4.2.1. 布鲁克斯表示知识基础和推理等能力并不是构建智能行为必需的基础，这无疑是正确的，他的机器人也向我们展示了纯行为模式可以达到的高度1.4.3. 智慧是一种涌现性质，来源于实体与它所处环境发生的各种交互行为1.5. 自人工智能诞生之初就默认的基础：人们认为应该将人工智能行为分解为各个组成部分(推理、学习、感知)来研究，而忽略了这些组件如何协同工作1.6. 当我们思考人类智慧有关问题的时候，往往更关注那些迷人的、具象的方面，比如推理、解决问题或者下棋等智力活动1.7. 最重要的一点，是将知识和推理从人工智能的核心角色中抹去1.8. 麦卡锡的逻辑派人工智能系统遵循的特定循环：感知其所在环境，推理其该做什么，然后采取行动1.8.1. 人工智能研究者一直致力于制造能够在理论上做出最佳抉择的机器(前提是假设外部环境不会发生变化，同时又能弄清楚它到底应该做什么)，而不是实践中的最佳决策1.9. 当你环顾四周时，并没有从环境中脱离，你的感知和行为是与环境融为一体并保持协调的1.9.1. 人工智能系统所处的环境和它所表现的行为之间，应该存在一种紧密的耦合关系2. 基于行为的人工智能2.1. 它强调了特定的个体行为的重要性，这些行为有助于智能系统的整体运行2.2. 包容式体系结构2.2.1. 在当时出现的所有方法中，它似乎是影响力最持久的2.2.2. 包容式体系结构最基础的步骤是识别出机器人行为所需要的单个行为组件，然后用逐步添加组件的方式创造机器人2.2.3. 该结构的关键难点在于思考这些组件行为是如何相互关联的，并用何种方式组织它们，让机器人在正确的时间里表现出最恰当的行为2.2.4. 包容式层次的结构决定了行为的优先级，层次结构中的组件行为越靠近底层，就拥有越高的优先级2.3. 机器人将对传感数据的变化做出非常迅速的反应：它能快速响应环境变化2.4. 智能扫地机器人2.4.1. 六种基本的行为组件2.4.1.1. 避开障碍物2.4.1.1.1. 如果我发现前进方向有障碍物，我会改变行进方向，随机选择一个新的方向行进2.4.1.2. 关机2.4.1.2.1. 当我返回到充电座并且电量不足的时候，我会关机2.4.1.3. 清空垃圾收纳盒2.4.1.3.1. 如果我在充电座上，并且垃圾收纳盒有东西，就清空垃圾收纳盒2.4.1.4. 返回充电座2.4.1.4.1. 如果我的电量不足或者垃圾收纳盒已满，就返回充电座2.4.1.5. 执行清洁2.4.1.5.1. 如果我在当前位置检测到灰尘污物，则吸入垃圾收纳盒2.4.1.6. 随机移动2.4.1.6.1. 随机选择一个方向，然后朝该方向移动2.5. “成吉思”机器人2.5.1. 现陈列在美国国家航空航天博物馆中2.5.2. 外形就像六条腿的昆虫2.5.3. 采用包容式体系结构来组织57种基本的组件行为2.6. 基于行为的人工智能对人工智能领域的基础假设提出了重要更新，但它仍然有非常严重的局限性2.6.1. 问题就在于它无法扩展规模2.6.2. 它并没有为人工智能提供灵丹妙药2.6.3. 使用基于行为的方法构建的解决方案，虽然能够针对某个非常具体的问题提出精准有效的方法，但从中所积累的经验，很难应用到新问题上3. 基于智能体的人工智能3.1. 基于智能体的人工智能观点直接受到行为人工智能的影响，但又弱化了它的主旨3.2. 有些情况下，推理是无法避开的(不管是逻辑推理还是其他形式的推理)，试图否认这一点，就像试图用逻辑推理来构造一个扫地机器人一样荒谬3.3. 智能体(Agent)3.3.1. 指的是一个完整的人工智能系统，它是一个独立的、自主的实体，嵌入某个环境之中，代表用户执行特定的任务3.3.2. 一个智能体应该能提供一套完整的、集成的能力，而不仅仅是类似逻辑推理那样孤立的、脱离实体的能力3.3.2.1. 将开发目标专注于构建完整的智能体，而不仅仅是智能的组成部分3.4. 智能体应该具备三种特性3.4.1. 它们必须反应灵敏，必须迅速适应自己的环境，并且能够在环境变化中适时地调整自己的行为3.4.2. 它们必须积极主动，能够系统地完成用户赋予它们的任务3.4.3. 智能体需要有协作性，即在需要的时候能够和其他智能体合作3.4.3.1. 人工智能体需要社交化，使得基于智能体的人工智能范式从所有人工智能模式中脱颖而出3.4.3.2. 在基于智能体的人工智能中，最受关注的并不是如何与人交流，而是如何跟其他的智能体一起协同工作3.5. 人工智能的黄金年代强调的是积极主动，即计划和解决问题3.6. 基于行为的人工智能则强调反应灵敏的重要性，体现在适应所处环境并与之协调3.7. 基于智能体的人工智能要求两者兼而有之，此外，还向混合体中注入了一些新的东西：智能体必须和其他智能体合作3.7.1. 它们需要社交技能3.7.2. 不仅是沟通技能，还有和其他智能体的协作、协调、谈判以推进任务完成的能力3.8. 旅行机3.8.1. 控制系统会听取三个子系统的建议，并决定遵循哪一个的3.8.1.1. 通常是非常直接的决定：如果快速反应子系统说“停止!”那么控制系统会迅速停止智能体的运动3.8.2. 总体控制分为三个子系统3.8.2.1. 快速反应子系统的运行方式类似于布鲁克斯的包容式体系结构，它负责处理需要迅速响应并且无须推理的情况3.8.2.2. 规划子系统负责规划如何实现智能体的目标3.8.2.3. 建模子系统负责处理与其他智能体的交互4. 人工智能助手4.1. 虽然基于智能体的人工智能起源于机器人学，但许多研究人员很快意识到它在软件世界有着非凡的应用前景4.1.1. 构建软件智能体来代替我们完成有用的任务4.1.1.1. 软件智能体的运行需要软件环境，如台式计算机和网络4.1.1.2. 最重要的想法是让人工智能驱动软件跟我们一起完成日常工作，就像助手一般能够处理电子邮件和上网4.1.1.3. 软件智能体只是互联网故事的一小部分，但它也是跟人工智能相关的最明显的部分了4.1.1.4. 其实人工智能研究者倡导的梦想并没有错，只是太超前而已4.2. 到了20世纪80年代，随着苹果电脑公司于1984年推出麦金塔电脑(Mac电脑)，人机交互的方式又有了巨大的飞跃4.2.1. Mac电脑是第一台面向大众市场的电脑，它明确地表示不需要专业的计算机技能即可使用4.2.2. 1984年Mac电脑开创的图形用户界面，直至今日仍然是标准的4.2.3. 在硬件方面，从1984年到现在已经更新换代无数次了4.3. 知识导航器4.4. 与平板电脑的交互是通过软件智能体来实现的4.4.1. 暗示了互联网将成为我们工作环境的常规部分4.4.2. 预示了平板电脑的普及4.5. 基于智能体的交互界面代表了一种与从前截然不同的人机交互模式4.5.1. 计算机只能被动地等待用户告知它做什么，与此不同，一个智能体扮演的是更积极主动的角色，就像一个人类助手那样4.5.2. 人工智能可以使软件成为使用者的合作者，不再是被动的仆人4.5.3. 电子邮件助手会在收到电子邮件的时候观察用户的行为(立即阅读、将其归档、直接删除等)，并使用机器学习算法，尝试预测用户会怎么处理新到的电子邮件4.5.4. 在网络上执行许多任务都非常耗时，人们希望智能体能够自动完成这些烦琐的工作4.6. Siri4.6.1. 它是由斯坦福国际研究院开发的4.6.1.1. 30年前开发SHAKEY的同一机构4.6.2. Siri的构想是一个基于软件的智能体，用户可以用自然语言与之交互，并且代替用户执行简单的任务4.7. 其他大众市场的应用商迅速跟进：亚马逊的Alexa、微软的Cortana和谷歌助手都实现了类似的功能4.8. 实际上它们不可能是20世纪90年代出现的，因为当时的硬件不足以支持它们运行4.8.1. 至少在2010年后，移动设备的计算能力才足以支持5. 理性5.1. 我们只是想让智能体代替我们执行最优的选择，它的选择跟人类是否一样，那就无关紧要了5.2. 真正想要智能体做的是最正确的选择，至少尽可能做出最好的选择5.2.1. 人工智能开发的目标从构建做出跟人类一样选择的智能体转向做出最优选择的智能体5.3. 智能体理论的出发点是用户的偏好5.3.1. 关键点在于，偏好设置必须满足一致性，才可以使用这种实体程序赋值的方式5.3.2. 重要的是赋值大小引起的结果排序5.3.2.1. 用赋值关系来表示偏好程度的唯一目的是使其可以用数学计算的方式做出最优选择5.3.2.1.1. 优化问题，在数学中得到了广泛的研究5.4. 不确定性选择的设置会比较复杂，选择后的行为会有很多种可能性，我们所知道的仅仅是每一种结果出现的概率5.5. 预期效用5.5.1. 冯·诺依曼和摩根斯坦的理论中，理性决策的基本原则就是会做出预期效用最大化的行为5.5.2. 预期效用最大化的想法经常被人们误解，有些人认为用数字计算人类的偏好和选择是一种令人厌恶的行为5.5.3. 这种厌恶通常来自一个错误的概念，即收益就等于金钱，或者预期效用最大化理论从某种意义上来说是自私的5.5.4. 完全保持中立，这个理论同样也适用于天使和魔鬼的偏好5.5.4.1. 如果你是一心为别人牺牲的人，那也没关系，如果你的利他主义偏好被赋值表达，那么预期效用最大化理论同样适用于你，就如它也适用于世界上最自私的人那样6. 不确定性6.1. 贝叶斯定理6.1.1. 贝叶斯定理关注的是在新的信息面前，我们应该怎么理性地去调整既有认知6.1.2. 贝叶斯定理很有趣，因为它强调了人们在处理涉及不确定性的认知决策时有多么糟糕6.2. 贝叶斯推断6.2.1. 由18世纪英国神学家、数学家托马斯·贝叶斯(Thomas Bayes)发明的，使用了同样由贝叶斯提出的贝叶斯定理6.2.2. 贝叶斯推断的重要性在于为我们提供了处理不完美数据的正确方法：我们既不丢弃数据，也不全盘相信它是正确的6.2.2.1. 我们利用它来更新机器人的信念库，通过概率来确定信念库的正确性6.3. 贝叶斯网络6.3.1. 要使得贝叶斯推断在人工智能领域得以应用，还需要做大量的工作6.3.2. 为了捕捉数据间的相互关联，人工智能研究人员开发了贝叶斯网络，简称贝氏网络，即用图像化的方式来表达数据之间存在的相互关联6.3.3. 贝叶斯网络主要来自朱迪亚·珀尔(Judea Pearl)的研究工作，她是一位非常有影响力的人工智能领域研究专家，在理解和阐明人工智能中概率的作用方面作出了任何人都无法超越的贡献6.4. 智能体使用贝叶斯推断理性地管理它们对世界的信念库，通过贝叶斯网络或者其他方式捕捉对世界的理解6.4.1. 我们研究的领域已经有了明确而坚实的科学基础，从概率论到理性决策，这些都是经过时间检验、值得尊敬的技术6.5. 传感器并非完美的6.5.1. 测距仪说“前方没有障碍物”，这个结论不能保证百分百准确6.5.2. 我们不能百分百信任它6.5.3. 考虑到会出错的可能性6.6. 当机器人进行观察的时候，传感器说“这个位置有障碍物”，可能是正确的，也可能是错误的，我们无法确定6.6.1. 我们利用传感器数据的正确率来更新机器人的信念，通过多次观察来确认障碍物位置，然后逐步完善地图绘制7. 多智能体系统7.1. 在以知识为基础的人工智能时代，研究人员就考虑过专家系统之间如何相互分享它们的专业知识，并开发出人工智能的语言让它们能够相互分享知识和查询对方所擅长的领域7.2. 在多智能体系统下，会出现一个关键性的差别：我希望我的智能体是尽力为我服务的，而你希望你的智能体是尽力为你服务的7.3. 智能体就需要具备类似社交的能力7.3.1. 人工智能所面临的新挑战就是构建具备社交能力的智能体7.4. 智能体在做决策的时候需要考虑对方的偏好和可能的行动，这样的推断实际上属于博弈论的研究范畴7.4.1. 博弈论起源于对象棋和扑克牌之类游戏的研究7.4.2. 博弈论中最著名的中心思想，也是形成多智能体系统中决策基础的思想，就是纳什均衡7.5. 纳什均衡7.5.1. 纳什均衡的概念是由小约翰·福布斯·纳什提出来的7.5.2. 纳什均衡之所以被称为均衡，是因为它捕捉到了决策过程中的稳定性：两个智能体都没有任何动机去做别的选择7.5.2.1. 假设我们有两个智能体，每个都需要做出选择7.5.2.2. 智能体1选择x，智能体2选择y7.5.2.3. 如果两个智能体都不后悔自己的选择，那它们的决策就是好的7.5.2.3.1. 从技术上讲，它们的决策形成了纳什均衡7.5.3. 寻找有效的方法来计算纳什均衡仍然是当今人工智能的一个主要课题8. 深蓝8.1. 人工智能可以战胜优秀的人类棋手8.2. 深蓝的成功主要源于两个因素8.2.1. 第一是启发式搜索，由20世纪50年代跳棋程序的创造者亚瑟·塞缪尔提出，尽管这一技术经过了40多年的改进，其核心技术也不难理解8.2.2. 第二个因素却颇具争议：深蓝是一台超级电脑，它依靠巨量的计算力来完成工作8.2.2.1. 只不过是靠野蛮的计算力来获胜的8.2.2.2. 这些技术需要庞大的计算力支持，但在同样计算力的情况下，用简单粗暴的下棋方式，就像解密汉诺塔步骤那种遍历的搜索方式，是根本不可行的9. SAT问题9.1. 第一个被证实为NP完全问题的问题，就是SAT问题，这是一个检查简单逻辑表达式是否一致的问题——是否有任何方式表达它们都为真9.1.1. 即satisfiability(可满足性)的缩写9.2. SAT是所有NP完全问题中最基础的一个，如果你能找到一个有效的方法解决某一个NP完全问题，那么你就自动找到了解决所有NP完全问题的方法