人工智能概念-合集（下）
由于全篇长度超过简书的单篇文章的字数限制，所以将13个文章分为上中下三部分，此部分包括以下章节：
- 群体智能
- 系统智能
- 人工智能1、2
全文很长，图片很多，包括了近百个智能相关的概念，希望这些内容能给你带来新的AI视角。
这一节我们来一起看一下神奇的群体智能。
群体智能Swarm Intelligence是指在集体层面表现的分散的、去中心化的自组织行为。
比如蚁群、蜂群构成的复杂类社会系统，鸟群、鱼群为适应空气或海水而构成的群体迁移，以及微生物、植物在适应生存环境时候所表现的集体智能。
群体智能SI一词最早在1989年由Gerardo和Jing Wang提出，当时是针对电脑屏幕上细胞机器人的自组织现象而提出的，而最知名的细胞机器人系统，如兰顿的蚂蚁和康韦的生命游戏，我们在生物智能小节中已经详细谈论过。
依赖于每个格子单元（细胞）的几条简单运动规则，就可以使细胞集合的运动表现出超常的智能行为。群体智能不是简单的多个体的集合，而是超越个体行为的一种更高级表现，这种从个体行为到群体行为的演变过程往往极其复杂，以至于无法预测。
蚁群能够搭建身体浮桥跨越缺口地形，并不是偶然事件。一个蚁群可能在同时搭建了超过50个蚂蚁桥梁，每个桥梁从1只蚂蚁到50只蚂蚁不等。
蚂蚁不仅可以建造桥梁，而且能够有效评估桥梁的成本和效率之间的平衡，比如在V字形道路上，蚁群会自动调整到合适的位置建造桥梁，既不是靠近V顶点部分，也不是V开口最大的部分。
生物学家对蚁群桥梁研究的算法表面，每只蚂蚁并不知道桥梁的整体形状，它们只是在遵循两个基本原则：
- 如果我身上有其他蚂蚁经过，那么我就保持不动
- 如果我身上经过的蚂蚁数量频率低于某个阈值，我就加入行军，不在充当桥梁
数十只蚂蚁可以一起组成木筏raft渡过水面。当蚁群迁徙的时候，整个木筏可能包含数万只或更多蚂蚁。
每只蚂蚁都不知道木筏的整体形状，也不知道木筏将要漂流的方向。但蚂蚁之间非常巧妙的互相连接，形成一种透气不透水的三维立体结构，即使完全沉在水里的底部蚂蚁也能生存。而这种结构也使整个木筏包含超过75%空气体积，所以能够顺利的漂浮在水面。
蚁群往往在地面形成非常复杂的寻找食物和搬运食物的路线，似乎整个集体总是能够找到最好的食物和最短的路线，然而每只蚂蚁并不知道这种智能是如何形成的，每只蚂蚁只遵循两条基本的规则：
- 寻找到食物的蚂蚁会在更高品质的路线上留下更强的生物信息素
- 蚂蚁总是倾向加入信息素更强的路线，并在不断的往返过程中与其他蚂蚁进行反馈，从而让更短的路线被不断加强
使用樟脑丸在蚂蚁经过的路线上涂抹会导致蚂蚁迷路，这是因为樟脑的强烈气味严重干扰了蚂蚁生物信息素的识别。
科学家们从蚁群依赖信息获取最优路径的方法上获得启发，创建了AOC算法（Ant colony optimization），即蚁群优化算法，广泛应用于车辆、店铺、人员等各种资源的调度和分配中。
将金属液体或其他固定成型剂倒入蚁穴，可以看到蚁群在底下建造的复杂结构宫殿。
蚁群ants colony可能包含很少的个体，通常在数百到数千不等，2000年后，科学家们在日本、欧洲和澳大利亚都发现了在地下绵延数公里甚至数十公里的超级蚁群，都包含数亿只甚至更多的蚂蚁，并且证据表明，它们很可能是全球巨型蚁群的一部分。
蚁群具有复杂的等级结构，女王可以通过特殊的信息素影响到其他蚂蚁，甚至能够调节其他蚂蚁的生育繁殖。但女王并不会对工蚁下达任何具体任务，每个蚂蚁都是一个自主的单位，它的行为完全取决于对周边环境的感知和自身的遗传编码规则。
尽管缺乏集中决策，但蚁群仍能表现出很高的智能水平，这种智能也称之为分布式智能Distributed Intelligence，蚁群看上去就像一个具有集体智慧的“超级心灵Super mind”。
不仅蚂蚁，几乎所有膜翅目昆虫都表现出很强的群体智能行为，另一个知名的例子就是蜂群。
蚁群和蜂群被广泛的认为是具有真社会化属性Eusociality的生物种群，这是指它们具有以下三个特征：
- 繁殖分工。种群内分为能够繁殖后代的单位和无生育能力的单位，前者一般为女王和王，后者一般为工蜂、工蚁等。
- 世代重叠。即上一代和下一代共同生活，这也决定了下一个特征。
- 协作养育。种群单位共同协作养育后代。
这个真社会化属性和我们人类的社会化属性Sociality并不是同一概念。
鸟类在群体飞行中往往能表现出一种智能的簇拥协同行为，尤其是在长途迁徙过程中，以特定的形状组队飞行可以充分利用互相产生的气流，从而减少体力消耗。
常见的簇拥鸟群是迁徙的大雁，它们数量不多，往往排成一字型或者人字形，据科学估计，这种队形可以让大雁减少15~20%的体力消耗。
体型较小的欧椋鸟组成的鸟群的飞行则更富于变化，它们往往成千上万只一起在空中飞行，呈现出非常柔美的群体造型。
鸟群可以基于三个简单规则就能创建出极复杂的交互和运动方式，形成奇特的整体形状，绕过障碍和躲避猎食者。
- 分离，和临近单位保持距离，避免拥挤碰撞
- 对齐，调整飞行方向，顺着周边单位的平均方向飞行
- 凝聚，调整飞行速度，保持在周边单位的中间位置
鸟群没有中央控制，每只鸟都是独立自主的，实际上每只鸟只考虑周边球形空间内的5~10只鸟的情况。
曾经获得奥斯卡技术奖的计算机图形学家Craig Reynolds，1986年开发了Boids鸟群算法，这种算法仅仅依赖分离、对齐、凝聚三个简单规则就能实现各种动物群体行为的模拟。
1987年动画短片，《Stanley and Stella in: Breaking the Ice》中成功的实现了鸟群和鱼群的模拟。而《蝙蝠侠》系列电影中的蝙蝠群动画也是这种算法的效果。
除了电影动画，鸟群算法还被应用在多通道网络信号、视觉信息等领域的优化算法中。
点击进入腾讯视频观看Stanley and Stella in
鱼群的群体行为和鸟群非常相似。金枪鱼、鲱鱼、沙丁鱼等很多鱼类都成群游行，如果我们把其中一只鱼分离出来，就会观察到这只鱼变得情绪紧张脉搏加快。
这些鱼总是倾向于加入数量大的、体型大小与自身更相似的鱼群，所以有的鱼群并不是完全由同一种鱼组成。
群体游行不仅可以更有效利用水动力减少成员个体消耗，而且更有利于觅食和生殖，以及躲避捕食者的猎杀。
鱼群中的绝大多数成员都不知道自己正在游向哪里。鱼群使用共识决策机制，个体的决策会不断地参照周边个体的行为进行调整，从而形成集体方向。
据估计，北大西洋中的鲱鱼群可能超过4.8立方千米，数量超过数十亿条。
磷虾群在海洋中的密度可能超过每立方米50000只，而卫星追踪到的最大磷虾群占地450平方千米，深200米，可能包含200多万吨的磷虾。
磷虾群被认为可能是世界上生物量最大的群体，另一个也极其庞大的群体是浮游桡足类，他们数量庞大，对全球的碳循环系统有着极为重要的影响。
在哺乳动物中也常见群体行为，尤其是陆上的牛、羊、鹿，或者南极的企鹅。迁徙和逃脱猎杀时候，它们能表现出很强的集体意志。
研究表明，畜群的整体行为很大程度上取决于个体的模仿和跟风行为，而遇到危险的时候，则是个体的自私动机决定了整体的行为方向。
英国进化生物学家汉密尔顿WD Hamilton在1971年提出了自私群体理论，另外一个知名的理论是羊群效应，或者叫从众效应。
与鸟群鱼群不同，畜群只在平面空间上行动，很多时候群体中的意见领袖的作用非常明显，但这仍是一个去中心化的组织，往往是多个意见领袖同时起推动作用，而且这些意见领袖是自发形成且自发变化的。
人群的行为很多时候看上去和羊群相似，绝大部分人的行为是盲目跟风的，他们只是根据周边人的行为来行动，如果人群中5%改变了方向，其他人就都会跟随，进而让整个群体改变方向。
当人群中突然出现危险因素的时候，整个人群就会像鱼群遇到鲨鱼一样躲避，但由于个体年龄体质问题导致行为能力相差很大，互相之间更缺乏鸟类之间的气流或者鱼类之间的水流动力，因此很容易在紧急情况下造成混乱，甚至踩踏伤亡。
人类的群体行为更多的表现在交通、股票、营销和传媒领域，越来越多的企业和机构，正在利用大量的用户数据信息和优秀的算法，对人群行为进行模拟，从而实现更好的经济目标或社会目的。
在计算机图形动画领域，人群模拟技术Crowd simulation，利用为个体设定较为简单的行动规则，进而生成大规模群体行为效果。以这项技术著称的MASSIVE软件，在2001年上映的著名电影《指环王》中创建惊人规模的战争场面。
这场战争中，动画师仅依赖300多个设定好的动作，加上每个单位被赋予的若干条规则，就获得了最终数十万军队的整体战斗效果。
MASSIVE软件之后被广泛应用于好莱坞和全世界的电影特效当中。
电影动画中所使用的群体模拟至今仍然以设定好的个体行为规则来作为驱动。
1992年，计算机科学家克里斯·沃特金斯提出了Q-learning理论，它可以让群体中的个体执行各种操作，并能够根据从环境中获得的奖励或惩罚来优化其行为，使用这种算法，伴随着大量可能的行为和复杂的环境，个体将以现实和不可预测的方式行动，并形成更强大的集体意识。
Q-Learning至今仍是机器学习中的重要算法之一，通常称作强化学习。
2011年，哈佛大学的拉德希卡·纳泊尔和迈克尔鲁宾斯坦开始开发微型的群体机器人kilobot，每个kilobot高3.3厘米，造价15美元，行为极为简单：
- 通过身上的小灯发光或闪烁
- 通过红外发射器和接收器互相通信
- 通过振动器实现每秒1厘米的速度移动
kilobots可以上千个一起合作，你不需要对每个机器人进行编程，而只要通过空中的红外发射器向它们发送整体信息，就可以使机器人们组成各种图形或者进行有规律的闪烁，甚至可以模拟蚂蚁寻找食物的路径行为。
2004年，两位科学家Ayusman Sen和Thomas E. Mallouk制造出仅有4微米的纳米马达nanomotor，这些小家伙们可以一起进入人体细胞内运动。
Kilobots为了降低成本而没有使用传统的电机驱动行为，而在微观领域也需要有更特殊的能量驱动方式。
纳米马达可以依赖超声波共振来运动，或者自身与环境元素发生化学反应进行驱动，这种运动本质是很像是人体细胞的ATP营养物质，其化学反应为细胞提供了动力。
纳米马达的行为能力往往非常简单，但我们可以通过在外部释放的磁场信号来对他们施加影响，让他们在人体内进行有效的医疗治愈行为。最新一些的纳米马达具有光感知能力，通过外部光的照射来改变其行为。
细菌和植物也能够以特殊的方式表现出群体智能行为。
培养皿中的枯草芽孢杆菌根据营养组合物和培养基的粘度，整个群体从中间向四周有规律的扩散迁移，形成随机但非常有规律的数值型状。
而植物的根系作为一个集体，各个根尖之间存在某种通信，遵循范围最大化且互相保持间隔的规律生长，进而能够最有效的利用空间吸收土壤中的养分。
群体智能Swarm Intelligence可以视为系统智能System Intelligence的一个特殊情况，更多的分析和汇总将在下一节中讨论。
系统智能可以视为所有智能的根本模式，这一小节我们将从系统智能中揭示智能的真正来源。
位于美国亚利桑那州的羚羊峡谷Antelope Canyon，是世界上著名的裂缝峡谷之一，也是摄影圣地，因为这里的岩石有着神奇的造型和优美的流线纹理。
砂岩的质地相对比较软，数百万年来，地壳的裂缝变化，加之暴雨洪水的不断冲刷，以及经久的风力侵蚀，各种综合自然力量形成了如此神奇的地貌。
羚羊峡谷并非唯一，在我国陕西延安市也有类似地貌的雨岔峡谷。
大自然之力建造的奇迹很多，其中另一个就是北爱尔兰大西洋沿岸的巨人堤道Giant's Causeway。总计约4万根六角形玄武岩石柱组成8公里的海岸，有的石柱高出海面6m以上，最高者达12m左右，石柱连绵有序，呈阶梯状延伸入海，非常壮观。
巨人堤道的成因可以追溯到1亿多年前的白垩纪，地壳运动引起的火山喷发，火山熔岩不断冷却结晶后形成规则的六边形状态。
类似的天然石柱群在美国加州魔鬼柱公园、中国江苏六合县、苏格兰斯塔法岛等多处都有存在。
生命是大自然创造的最伟大奇迹。生物群及其生活环境在陆地和海洋中构成了各种不同类型的生态系统。
以其顽强的生命力，珊瑚虫经受了地球20多亿年各种生态变化的考验，无论是火山爆发还是大陆漂移。然而，最近人类百年的活动，已经让珊瑚虫这个物种面临了灭顶之灾。
公司、社区、城市以至于国家和民族，人类在地球上创建了规模最为庞大和复杂的社会系统。
世界最大城市，纽约，2000多万人生活在1200平方公里土地上，高层建筑数量超过6400座，全球每年来访人数超过5000万。
系统System泛指由一群有关联的个体组成，根据某种规则运作，能完成个别元件不能单独完成的工作的群体。
所有智能的表现都依赖于某个系统才能实现。
风、雨、潮汐以及地壳运动，整个气候系统的协同运作，创造了各种富有智能表现力的“神迹”，可以是异常规则的地貌特征，也可以是诡谲难测的飓风地震火山爆发。
生物依赖于细胞内的各种物质共同的化学反应，使其能够适应环境获得生存机会。完全由生物体组成的蚁群、蜂群，通过个体之间的协作完成更为复杂的高智能行为。各种生物以及人类加之其赖以生存的周围环境，则形成了更为复杂的生态系统，丛林的繁茂，城市的兴盛，以至于国家民族之间的战争，都展示了更大系统才能表现的智能行为。
智能从何而来？
从大脑？从神经元？从神经信号和化学物质？我们需要的不是这种答案，因为我们真正想要的不是智能的发源地，而是智能的发生机制，这就像牛顿关心的不是苹果长在哪里，落向哪里，而是什么原因导致苹果发生运动。
下面两个概念将对这个问题的回答起到重要作用。
支配整个宇宙的热力学三大定律之一的热力学第二定律，也叫做墒(读音shāng)增定律，科学表述是，相对封闭的系统内热力学行为总是朝着热力学平衡方向发展，即朝着墒最大化的方向发展，此过程不可逆转。
习惯把熵称之为无序性、混乱度或者类似的说法，然而从墒增定律中得知，熵代表了封闭系统的热平衡程度。
气体的温度和压力本质是气体分子运动的结果，当我们向方盒内充气的时候，气体分子总是自发的均匀充满整个盒子，如图所示，当分子均匀分布后整个系统才会稳定下来。同样，将牛奶倒入咖啡或者将冷水注入热水，液体分子也会快速向平衡状态运动，最终实现均匀混合，整杯水温度统一。
把一杯水倒在桌上，这是大约1025个水分子在重力影响下共同运动的结果，最终直到这个由桌面、重力和水分子构成的系统达到平衡才会停止。
平衡态并不是指所有分子都无法运动，而恰恰相反，平衡态的每个分子获得了最大的运动自由，受到最少的约束，进入了最大可能的随机状态。这时分子的运动能力仍然和物体温度一致，温度越大，运动越快。
宇宙的熵也是随着时间而增加的，当整个宇宙达到最大平衡态实现最大熵的时候，所有物质温度达到热平衡，再也没有任何可以维持运动或是生命的能量存在，科学家称之为“热寂”，Heat death of the universe。
据计算，在10的10的56次方次方之后才能达到热寂。热寂并非所有分子和原子都停止运动，因为温度只是无限接近0度，所以分子运动也只是无限接近停止。所谓热死亡只是表示全宇宙都均匀的处在这么低的能量和温度状态，不能再发生有效的任何化学反应来生成新的物质，更不用说行星或者生命。
第二个概念是涌现Emergence，它描述的是一种现象，即整体总是具有一些特别的属性，而这些属性并不存在于构成整体的子单元中，而这些整体的特殊属性又是依赖于子单元的相互作用而产生的。
比如温度，一杯水有温度属性，但杯中的每个水分子都没有温度这个属性，这个整体的温度属性，是由全部水分子的热运动而共同形成的。这里，我们把每个水分子的状态称之为微观态Microstate，把整杯水称之为宏观态Macrostate，那么我开可以说，宏观态上可以涌现出微观态不具有的新属性，而这种新属性正是微观态综合作用的结果。
另外一个直观的例子是球队，每个人都不具有“阵型”这个属性，但是当11个人组成足球队上场之后，就有了“阵型”这个属性。类似的还有很多，比如公司、社区、国家、民族等。
只用一个数字，你可以显示0~9共10种可能，但使用两个数字，我们就可以显示100种可能。
在信息概念中，1+1大于2，或者1xN>N的情况非常普遍，自然界中微观态之间相互作用，往往并不是我们可以用加减乘除数学符号所能完全表达的。
正如蜘蛛侠电影中的沙人角色一样，每个沙粒都如此简单，但由沙粒组成的人却能跑能跳能说会道。这虽然是个科幻角色，但我们的人体又何尝不是众多普通细胞构成的？
2013年，哈弗大学应用计算科学研究所的维斯那·格罗斯提出了因果熵力Causal Entropic Force智能理论，该理论指出，智能是一种力，它总是指向让智能体最大化自身未来行动可能的方向。
这里的最大化未来行动可能简单理解即更多的自由，比如人类努力工作经营生活以赚钱更多金钱，即是为了未来具有更多的自由（买更多的商品、做更多的投资、更多的生活方式选择等）。
在他的公式中，智能力F等于温度（或者说能量）乘以特定时间内未来行动可能的梯度，即未来行动的可能性越大，智能力F也就越大。这公式并不是感性奇想的产物，格罗斯依照热力学、统计学对这个公式进行了严谨的推导，并依赖他的理论开发了相应的计算机人工智能程序进行说明。
半个多世纪已来，引力、电磁力、强作用力和弱作用力，被科学界视为支配宇宙的四大基本作用力而一直无法统一。
科学界一种观点指出，墒增定律所展示出的物质总是趋向热力学平衡方向运动，可以直接视为一种作用力，它总是指向热力学分布不均衡的方向。甚至可以将熵力Entropy force作为四大基本作用力之母使其得到统一。
格罗斯据此进一步指出，智能体的行为是墒增定律的一种表现，因果熵力驱动智能体总是朝向未来最大化行动可能的方向发展。
因果熵力也因为过分忽略了智能体的行为复杂性而受到很多科学研究者的批评，但格罗斯把智能和物理学联系在一起，尝试用物理定律和物理公式来解释的方法，既天马行空又富有启发。
点此到TED官网观看格罗斯因果熵力演讲
点此观看因果熵力论文英文原版
正如航空技术需要空气动力学Aerodynamics理论，人工智能技术也正亟需系统化的Intelligent dynamic智能动力学技术进行来指引和推动。然而事实是目前并没有这样一门理论。
依赖于空气动力学，我们已经可以把数百吨的飞机送上蓝天，这是单纯模拟鸟类飞行所不可能实现的。仅仅是依赖于计算机技术和数学算法，以及对大脑神经网络的粗糙仿生模拟，我们的人工智能技术也必将受到种种制约，如果没有科学的系统化理论支撑，人工智能技术瓶颈也必然很快显露。
首先，智能是一种涌现现象，正如人体每个细胞都不会跑步、不会唱歌、不会吃东西一样，每个细胞也无法思考。对于智能现象，我们既要从微观细胞的新陈代谢和生物化学反应中对智能现象追根溯源，更要关注细胞的分化、器官的功能以及如何影响整个物体宏观智能水平的提升。
智能的本质是预测。智能体能够进行预测的前提是自身能够建立反映真实世界的思维模型。最原始生命的模型可能只是全世界只有两种情况，糖分更多或者更少，而更多的情况利于自身生存（参见生物智能部分）。
在现实中，世界是变化的，所以生物头脑中的世界模型也应该能够跟随真实世界进行不断变化调整，这就需要智能体具有感知和行为能力，即输入和输出能力，并且能够不断利用输入调整自身的世界模型。——除非在某些情况下假定环境是固定不变的，实际上绝大多数计算机软件都是按照环境固定来编写的。
世界模型应包含两个内容，记忆和思路，即真实世界的数据和运行规则。在此世界中不可能创建完全同容量的世界模型，所以世界模型需要简化、概括和优化。人类的记忆能力未必是最强，但对脑中模型的概括和优化能力远超其他生物。
智能是一种博弈能力，脑中世界模型和现实世界的竞赛。哪个物种能够在脑中形成更准确的世界模型，哪个物种脑中的模型运行的更加快速，它就可以在智能水平上占有优势，进而获得更大生存机会。
除了能够快速准确的进行预测，更重要的是世界模型的改进方向。正如某些人遇到挫折之后一步步走向罪恶深渊那样，错误的方向可能是致命的。
大自然已经使用DNA为所有物种设定了发展方向：存续和复制，即更多的同类和更久的物种延续。你可能并不认同这种物种的群体目标，也正如群体智能SI无情碾压工蚁工蜂的个体生命意义一样，我们必须接受这样的现实，即物种并不是以个体的幸福、长寿和自由为目标的，这在尤瓦尔赫拉利的《人类简史》中已有清晰的阐述。
生物智能的目标是自然设定的，源自于物种全部DNA信息的宏观态涌现。
作为一项科学，没有合理的评估标准是可笑的。假想研究力学的科学家如果没有了力学单位，将是多么荒唐的事情。
然而我们至今未能建立起对于智能可行评估方法。我们说，某只猫的智能水平胜过某只鱼，完全是一种纯感性的臆断。智商测试IQ曾经提供了一套非常不精确评估人类智能的方法，但其中充满了经验性的测试题以及毫无根据的评判手段。
几十年来将图灵测试作为人工智能科学的测试方法，其实在用社会科学的方法评估自然科学，简直荒唐的可笑。
在很多模式识别相关领域，比如声音识别、图像识别中，越来越多的技术人员开始使用例如准确率、召回率等统计学方法来评估算法模型的综合水平，这是很大的进步。
但这些远远不够，模式识别距离我们真正期望的通用智能还有很大差距，同时这些结果所展示的数字，也根本无法解释其智能水平和模型结构、预测过程之间的关系。
机器人是否能够产生自我意识？回答是必然的。
正如我们被火灼伤之后才能意识到疼痛那样，意识只是我们对自身和现实进行交互的“事后感知”，以此调整我们脑中的世界模型，重新预测，采取行动。
如前所述，镜中自我测试已证明，自我意识是包括人类在内的高级智能生物在出生后形成的，也就是说，自我意识是高级智能系统也就是大脑的涌现现象。
拒绝机器人产生自我意识，就等于拒绝创造高级智能系统。
智能系统至少包含三个关键要素：子单元数量（如生物神经元或计算机模拟神经元数量）、分化水平（包括纵向的层级分化和横向的器官分化）、运行速度（即子单元、层级、器官之间信息交换的速度）。
智能技术必须要有系统的科学理论，能以数学的形式解释现实智能系统中各个层级的复杂度Complexity和智能行为涌现之间的规律。
简而言之，该理论必须能明确给出说明，何种数量的单元，何种结构的系统，以何种形式的运作，能够形成何种水平的智能。
在接下来人工智能的小节中，我们将介绍当前人工智能的主要思想流派和解决方案，结合以上论点，可以较为清楚的知晓当今人工智能的整体水平以及未来发展方向。
这一篇我们将展开解析人工智能的定义。
AI就像十几岁的小孩子，每个人都在谈论它，却没人知道怎么去做；每个人都认为其他人正在做这个，所以每个人都自认为他们也在做这个...
就像已经退潮的移动互联网、大数据等等这些概念一样，没有人能够说清。它们都是手提箱式的词语(Suitcase Words)，充满各种工具和概念的组合，以至于很难简单去定义它。
很多知名人士或组织都曾对人工智能给出定义，这些定义可以大致分为以下几类：
- Artificial Intelligence is the science and engineering of making intelligent machines。（John McCarthy，1955）人工智能是关于智能机器的科学与工程技术。
- Artificial Intelligence is the science of making machines do things that would require intelligence if done by men。（Marvin Minsky，1968）人工智能是关于如何让机器去做需要人类智能才可以完成的事情的科学。
- Artificial Intelligence is ...anything a machine does to respond to its environment to maximize its chances of success。（Steven Struhl）人工智能是指那些能够对环境做出相应并最大化成功机会的设备。
- Artificial Intelligence is a field of computer science that focuses on creating machines that can learn, recognize, predict, plan, and recommend — plus understand and respond to images and language。（Salesforce）人工智能是关于创建能够学习、认知、预测、计划...的机器的科学。
- Artificial Intelligence is ...a program that can figure out things for itself. It’s a program that can reprogram itself。（Jim Sterne）人工智能是一种能够自我识别事情，可以自我编程的程序。
以上五个方面可以概括为，AI是计算机科学，关于制造具有智能表现的机器，智能表现是指能够与环境交互并努力实现目标，为了实现这个交互，机器需要具有感知、识别、认知、推理、判断、预测、学习以及行动能力，即思考与行为能力（Thinking and acting）。
美国知名作家潘蜜拉·麦可杜克在2004年提出一个很有说服力的观点，她认为，在人工智能领域，某个课题一旦被成功解决之后，这个课题就不再属于人工智能概念范畴。
比如，几十年前五子棋程序就可以轻易的战胜人类选手，然而很快人们就发现这只是一些计算机算法而已，然后就不再认为五子棋程序和智能有关。
而2016年，AlphaGo战胜韩国知名围棋选手李世石的时候，人们又开始赋予AlphaGo各种神秘感以及内在智能的幻想。
再比如，当我们第一次见到计算器的时候，我们会觉得很神奇，然而当我们了解到壳子里面只是些电子器件之后，就会觉得它只是个机器，和生物所能体现智能毫无关系，尽管没有任何一种动物能够实现计算器的计算能力。
ELIZA是1966年麻省理工学院人工智能实验室开发的一个聊天程序。在观察用户和计算机聊天的过程中发现，人类总是习惯于对计算机输出的字符过度解读，甚至为计算机附以情感，比如计算机输出字符“你最近过的好吗？”，用户就会感觉到计算机的友善和关心。
当大众开始对某种智能机器的运行原理和软件结构都逐渐了解的时候，这个机器头上的“智能光环”就会很快消失。
正如2016年AlphaGo以4：1战胜李世石的时候，很多民众猜疑AlphaGo是否已经具有自我意识，故意失败一局以保全人类颜面。而两年后的现在，很多人都已经了解了AlphaGo背后神经网络的运行原理，就再也不会有之前那种荒唐的幻想，“那只是一些复杂算法，根本和我们人类的智能无关”。
另外一个影响公众对人工智能认知的原因是人工智能技术发展经历的几次寒冬，尤其是20世纪90年代初人工智能产业遇到的困境，民众对人工智能技术产生严重怀疑。这让产业内很多人员都极力避免使用“人工智能”“机器人技术”等字眼，以避免在企业融资和发展中受到阻碍。
如马文闵斯基所指出，每当人工智能技术产生一个有价值产品的时候，这个产品就会从人工智能领域分离出来，形成一个具有独特名称的新科学或商业领域。
在过去，1997年击败国际象棋世界冠军的Deep Blue深蓝，也只被记忆为一台强大的计算机而不是人工智能程序，同样类似的还有搜索引擎、反垃圾邮件系统、商业智能和数据分析软件等。
近年来，人工智能虽然火热，但仍然避免不了AI效应的作用，AlphaGo智能光环的褪去，人脸识别、图像识别、自动驾驶、语音识别等新行业的兴起，这些技术越发成熟，越被公众认知理解，也就越远离人工智能的概念范畴。——尽管当今它们都是人工智能领域的明星技术。
一方面，人类意识很容易对不能理解的事物附以“智能光环”甚至神性；另一方面，未知事物一旦变为已知，这种光环和神性就会很快消失。
从生命进化历史上看，具有自我意识的生物只会接受本物种或相近物种具有智能的现实。人类总是倾向于否认具有智能表现的机器也可以具有智能属性，这只是我们的一种认知偏差，是智能属性从生物向非生物扩展的巨大跨越。
这种现象并不仅仅出现在机器上，对于动物也可以具有感受能力和自我意识，也是到最近几十年，通过科学研究实验才得以证明，即使至今也并没达成全人类的共识。
我们总是要让自己与众不同，当我们发现动物也有自己的语言的时候，我们就开始谈论文字才是人类独有的智慧；当我们发现大猩猩也可以利用工具的时候，我们就开始谈论制造工具的重要性。
有人引用泰斯勒定理指出，人工智能就是指那些还没被搞定的事情，也许这倒是个无可辩驳的定义。
下一篇我们将继续分析人工智能体的种类和运作机制。
这一篇我们分析人工智能的分类。
荷兰艺术家，西奥詹森Theo Jansen建造了多个大型的沙滩动物Strands Beasts，这些由塑料杆、织物和木材组成的机械结构，可以依赖风力在沙滩上四处行走，詹森把它们称为人造生命，据称可以随着时间的推移，这些动物能对地形和水面做出反应，就仿佛自己能够生活一样。
智能是一种表现，为人工智能实体或机器人进行定义或分类并不容易。
点击这里在bilibili观看沙滩动物视频，也可以到淘宝搜索Strands Beasts找到相关的书籍和模型。
斯图尔特·罗素和彼得·诺文编著的《人工智能：一种现代方法》一书，可以称为全世界最畅销的人工智能教科书。
这本书中，将抽象智能体（ abstract intelligent agents / AIA）分为了五种。
第一种，Simple reflex agents 简单反射体。基于“条件-行动规则”，对感知到的环境做出反应。对感知到的信息不进行处理，也不会考虑环境变化的历史因素。旧式的专家系统属于这一类。
第二种，Model-based reflex agents 模型式反射体。对感知到的环境数据进行分析，“世界是如何运作的？”，并且建立和维护历史数据有关的预测模型，根据预测依赖“条件-动作规则”选择动作。人脸识别、智能推荐、语音交互等目前主流的人工智能技术都属于此类。
第三种，Goal-based agents 基于目标的智能体。这类智能体会考虑“如果我这么做结果会变成什么样？”，然后搜索能够实现目标结果的行为模式。这种智能体所展现的最大优势就是只需要简单的目标设定，而不是复杂的“条件-动作规则”。
目前丰田和波士顿动力学公司的机器人产品正在沿这个方向发展，它们不久的未来就能成为我们的工作和生活的帮手，它们能在各种情况下把我们的命令作为目标来实现，比如开门、取来咖啡。
第四种， Utility-based agents 基于效用的智能体。这类智能不仅思考“如果我这么做会变成什么样？”，还会思考“变成那样我是否会开心？”。因此它能驱动自己向更有利的情况推进。
这种智能体可以表现出具有自我意识甚至是情感，实际上它们看上去更像是宠物或奴隶，而不仅仅是个机器。
第五种， Learning agents 自学习智能体。这种智能体可以在未知环境中运行，比使用知识进行初始化更有效。其内部具有负责改进行为的“学习元素”，负责反馈的“评论元素”，以及提出建议行动的的“问题产生器”和负责整体行为选择的“执行元素”。
这种智能体可以具有类人或超人的能力，它的可能性已经超出我们的预测能力范围。
以上五种智能体的发展递进不仅仅适用于人工智能AI领域，在生物历史进化中也遵循着类似的规律。
此外，还有Multi-agent system多智能体系统(MAS or "self-organized system"自组织系统) ，是指多个智能体共同组成的更大智能系统，类似于群体智能。
Artificial General Intelligence，即AGI，人工通用智能，或者叫通用人工智能，也被称作Strong AI强人工智能或Full AI全人工智能，指的是机器智能体可以完成人类所能够的任何职能任务。
与AGI相对的是Applied AI应用人工智能，或narrow AI窄AI，或weak AI弱AI，它们专注于解决特定领域的特定问题，而不是尝试实现人类的全部认知能力。
目前主流的人工智能技术，如围棋、图像识别、语音识别、智能推荐、自动驾驶等技术都属于弱AI范畴。
“弱AI不弱，强AI不强”。在很多专用领域，弱人工智能都已经赶上甚至超过了人类水平。但在通用智能方面，强AI的能力目前仍然停留在非常初级的阶段，连10岁儿童的水平都不能达到。
2006年，达特茅斯会议暨人工智能诞生50周年之际，五名原与会者发起AI@50会议，探讨人工智能下一个50年的发展和预测。其中18%的与会者认为AGI人工通用智能将在2056年之前实现，41%与会者认为在2056年后才能实现，另外41%与会者认为AGI永远无法实现。
然而，2013年一项科学界的调查表明，学者认为到2024年人工智能机器人将能完成常人的工作的可能性是10%，到2050年可能性将增加到50%，而到2070年这个可能性将是90%，只有16.5%的人认为几乎不能实现这个目标。
随着近年人工智能技术的快速发展，科学界和整个社会对通用人工智能的信心还会继续增长。
ASI，Artificial SuperIntelligence，人工超级智能，指远远超过人类大脑能力的智能水平。
2014年上映的科幻电影《超体lucy》，其中斯嘉丽·约翰逊扮演的正是一个具有超级智能的新物种。
技术奇点Technological singularity，是指超级人工智能的出现，将导致科学技术的发展最终脱离人类能力的限制，如脱缰的野马一样，未来将对人类而言变得完全不可预测。
人工智能体和人类相比，可以适应更加恶劣的环境，甚至可以在宇宙空间中生存。人工智能体可以方便的自我升级，更多的神经元，更强的躯体，都几乎没有上限。更加重要的是，人工智能体可以无缝互联，这将导致更大规模的高速系统的形成，而在此之上必将涌现出更加强大不可预测的系统智能。
自动驾驶汽车的最大优势不仅仅在于它优于单个人类驾驶员，更在于它可以通过网络瞬间把单个汽车在行驶时候获得的有效经验，瞬间传递给全球所有汽车，全球所有自动驾驶汽车将形成一个超级智能体，最终可能带来无法预测的巨大优势。
Brain-computer interface，脑机接口技术是人工智能研究的另一个深入领域，它通过读取大脑神经电信号，然后实现机械设备的动作控制，目前主要应用在残障设备或假肢义体等医疗方面。
信号的读取可以通过颅外设备非入侵式的实现，也可以通过入侵式的在颅内植入设备直接读取大脑神经信号。
2016年，美国著名企业家伊隆·马斯克创办了Neurallink公司，致力于研发超高带宽的脑机接口，连接人类大脑和计算机，实现人类大脑增强技术。
image.png
2012年上映的电影《机器人与弗兰克》，描绘了一幅人类与机器人之间既温馨又伤感的故事。流行游戏《守望先锋》中的数十个角色都使用了半人类半机械的身体。而著名科幻电影《阿凡达》则展现了在更远的未来，人类可以利用电子设备将心灵传输到其他生命体中的一幕。
Human Intelligence & Artificial Intelligence，人类智能与人工智能共生 ，注定是未来发展大势所趋。
人工智能实际涉及的概念和范畴非常广泛，本篇暂时仅讨论到这里，后续将争取撰写更多的小专题和大家分享更多AI相关的有趣概念和知识，敬请关注。
每个人的智能决策新时代
如果您发现文章错误，请不吝留言指正；
如果您觉得有用，请点喜欢；
如果您觉得很有用，欢迎转载~
END
