Please enable JavaScript.
Coggle requires JavaScript to display documents.
人工智慧 (學習 (機器學習的主要目的是為了讓機器從使用者和輸入資料等處獲得知識，從而讓機器自動地去判斷和輸出相應的結果。這一方法可以幫助解決更多問…
人工智慧
學習
機器學習的主要目的是為了讓機器從使用者和輸入資料等處獲得知識，從而讓機器自動地去判斷和輸出相應的結果。這一方法可以幫助解決更多問題、減少錯誤，提高解決問題的效率。對於人工智慧來說，機器學習從一開始就很重要。1956年，在最初的達特茅斯夏季會議上，雷蒙德·索洛莫諾夫寫了一篇關於不監視的概率性機器學習：一個歸納推理的機器。機器學習的方法各種各樣，主要分為監督學習和非監督學習兩大類。監督學習指事先給定機器一些訓練樣本並且告訴樣本的類別，然後根據這些樣本的類別進行訓練，提取出這些樣本的共同屬性或者訓練一個分類器，等新來一個樣本，則通過訓練得到的共同屬性或者分類器進行判斷該樣本的類別。監督學習根據輸出結果的離散性和連續性，分為分類和回歸兩類。非監督學習是不給定訓練樣本，直接給定一些樣本和一些規則，讓機器自動根據一些規則進行分類。無論哪種學習方法都會進行誤差分析，從而知道所提的方法在理論上是否誤差有上限。
規劃
智慧Agent必須能夠制定目標和實現這些目標。他們需要一種方法來建立一個可預測的世界模型，這樣就可以選擇功效最大的行為。在傳統的規劃問題中，智慧Agent被假定它是世界中唯一具有影響力的，所以它要做出什麼行為是已經確定的。但是，如果事實並非如此，它必須定期檢查世界模型的狀態是否和自己的預測相符合。如果不符合，它必須改變它的計劃。因此智慧代理必須具有在不確定結果的狀態下推理的能力。 在多Agent中，多個Agent規劃以合作和競爭的方式去完成一定的目標，使用演化演算法和群體智慧可以達成一個整體的突現行為目標。
社交
情感和社交技能對於一個智慧agent是很重要的。首先，透過了解他們的動機和情感狀態，代理人能夠預測別人的行動。此外，為了良好的人機互動，智慧代理人也需要表現出情緒來。至少它必須出現禮貌地和人類打交道。至少，它本身應該有正常的情緒。
-
-
-
1956年
達特茅斯
會議
：
AI的誕生
1956年達特矛斯會議[40]的組織者是馬文·明斯基，約翰·麥卡錫和另兩位資深科學家克勞德·香農以及內森·羅徹斯特（Nathan Rochester），後者來自IBM。會議提出的斷言之一是「學習或者智能的任何其他特性的每一個方面都應能被精確地加以描述，使得機器可以對其進行模擬。」 [41]與會者包括雷·索羅門諾夫（Ray Solomonoff），奧利佛·塞爾弗里奇（Oliver Selfridge），Trenchard More，亞瑟·山謬爾（Arthur Samuel），艾倫·紐厄爾和赫伯特·西蒙，他們中的每一位都將在AI研究的第一個十年中作出重要貢獻。[42]會上紐厄爾和西蒙討論了「邏輯理論家」，而麥卡錫則說服與會者接受「人工智慧」一詞作為本領域的名稱。[43]1956年達特矛斯會議上AI的名稱和任務得以確定，同時出現了最初的成就和最早的一批研究者，因此這一事件被廣泛承認為AI誕生的標誌。
人工智慧
的
歷史
在古代的神話傳說中，技藝高超的工匠可以製作人造人，並為其賦予智能或意識。[1]現代意義上的AI始於古典哲學家用機械符號處理的觀點解釋人類思考過程的嘗試。20世紀40年代基於抽象數學推理的可程式數字計算機的發明使一批科學家開始嚴肅地探討構造一個電子大腦的可能性。
1956年，在達特茅斯學院舉行的一次會議上正式確立了人工智慧的研究領域。會議的參加者在接下來的數十年間是AI研究的領軍人物。[2]他們中有許多人預言，經過一代人的努力，與人類具有同等智能水平的機器將會出現。同時，上千萬美元被投入到AI研究中，以期實現這一目標。
儘管在政府官僚和風投資本家那裡經歷了大起大落，AI領域仍在取得進展。某些在20世紀70年代被認為不可能解決的問題今天已經獲得了圓滿解決並已成功應用在商業產品上。與第一代AI研究人員的樂觀估計不同，具有與人類同等智能水平的機器至今仍未出現。圖靈在1950年發表的一篇催生現代智能機器研究的著名論文中稱，「我們只能看到眼前的一小段距離……但是，我們可以看到仍有許多工作要做」。
研究人員發現自己大大低估了這一工程的難度，人工智慧史上共出現過好幾次低潮。由於詹姆斯·萊特希爾爵士的批評和國會方面的壓力，美國和英國政府於1973年停止向沒有明確目標的人工智慧研究項目撥款。七年之後受到日本政府研究規劃的刺激，美國政府和企業再次在AI領域投入數十億研究經費，但這些投資者在80年代末重新撤回了投資。AI研究領域諸如此類的高潮和低谷不斷交替出現；至今仍有人對AI的前景作出異常樂觀的預測