1.2 什么是AI

《不列颠百科全书》[1]对AI的定义如下：

“人工智能是数字计算机或计算机控制的机器人执行任务的能力，这些任务通常与智能生物相关。”

注意，这个定义并不主张甚至假设AI应用是智能的，或者AI相当于人类智慧。

哪些行为通常与智能生物有关？如图1-2所示，这些行为通常包括：

❑ 感知：看、听、感受等。

❑ 学习、认知、推理：思考、理解、计划等。

❑ 沟通：说、写等。

❑ 行动。

AI的不同领域可以根据这些行为进行划分，参见图1-3（该图受到AI Spektrum海报[2]启发）。

❑ 感知行为包括计算机视觉、传感器技术的AI领域；

❑ 沟通行为包括自然语言处理（NLP）领域；

❑ 学习行为包括机器学习（ML）、信息检索（IR）和数据挖掘领域；

❑ 认知行为包括知识表示领域；

❑ 推理行为包括逻辑编程、概率推理及复杂事件处理（CEP）领域；

❑ 行动包括规划、代理技术及机器人领域。

请注意，AI子领域的划分及命名方式可以在参考文献中找到。

如图1-3中的六边形所示，人工智能方法可以明显地划分为两大类：符号AI/基于知识的AI（即专家系统）及非符号AI/机器学习。在符号AI/基于知识的AI方法中，知识是以人类可读方式（符号）显式描述的，例如，语义网络、本体或逻辑编程语言，参见图1-3中附属于该方法的方框中所列的技术。在非符号AI/机器学习方法中，知识是以数字形式隐式描述的，如人工神经网络中的权值、支持向量机、线性回归/逻辑回归中的权值等。

无论是符号AI方法，还是非符号AI方法，都起源于20世纪50年代。在AI研究和实践的最初几十年中，符号AI方法更为突出，取得了更令人信服的结果。然而，在20世纪，这种情况发生了变化。现在，非符号AI方法，特别是机器学习，变得备受关注。

两类方法各有优缺点，非符号AI方法几乎不需要什么前期知识，只是需要许多训练样本，这类方法在解决含有噪声数据的分类问题时有着良好的性能。然而，其背后的决策推理缺乏可解释性，难以被人类理解。相反，符号AI方法背后的推理是显式的，能够被人类追溯。然而，该方法需要预先进行显式知识的构建，并且面临着在不确定条件下推理的挑战。

两类AI方法都已应用于AI的各个领域，符号方法通常应用于认知、推理及行动，而非符号方法通常应用于感知、沟通及学习。

我预计这两种方法在未来会继续存在。混合方法结合了符号AI方法和非符号AI方法的优点，我预计这类方法会愈加受到重视。混合方法包括贝叶斯网络、隐马尔可夫模型、决策树学习等。