2023年博弈论与人工智能应用.doc

博弈论与人工智能应用 　 博弈论与人工智能应用021051 　张佳宾 　人工智能(AI)是智能机和计算机科学的分支，其目的是创立它。 　教科书将该字段定义为“研究和设计的智能代理〞，其屮一个智能代理 是一个系统，认为其环境，并采取行动，最大限度地提高成功的时机 　2个问题 　2.1演绎，推理，问题解决 　2知识表示 　02. 3规划 　02. 4学习 　0 2. 5自然语言处理 　0 2.6运动和操纵 　0 2. 7感知 　0 2. 8社会智力 　0 2. 9创造力 　0 2.10智能 　3个方法 　1控制论和脑模拟 　3. 2符号 　3. 3小符号 　3. 4统计 　0 3. 5集成的方法 　4个工具 　0 4. 1搜索和优化 　04. 2逻辑 　04. 3的概率不确定性推理方法 　04. 4分级和统计学习方法 　0 4. 5神经网络 　04.6控制理论 　04. 7语言 　评估进展情况 　6个应用程序 　06. 1比赛及奖品 　06.2平台 　7个哲学 　8个预测 　演绎，推理，问题解决 　早期的人丁智能研究人员开发的算法，模仿一步一步推理，这些人常常 想当然地使用时，他们解决难题，玩棋盘游戏或进行逻辑推理。— 　到了 20世纪80年代末和90年代，人工智能研究也开发了非常成功的 方法处理不确定或不完整的资料，从概率论和经济学的用人理念。 　对于难以解决的问题，这些算法都需要巨大的计算资源-最有经验的 “组合爆炸〞：内存或的时间需耍天文数字的问题时，超过一定规模的 量。 　寻找更有效的解决问题的算法是人工智能研究的一个高度优先事项。 　人类解决他们的问题，使用快速，直观的判断，而不是有意识的，一步 一步的演绎，早期人工智能的研究是能够模拟。 　AI —直在模仿这种“了象征性〞问题的解决取得了一些进展： 体现剂的方法强调的重耍性ofsensorimotor技能，以更高的推理； 神经网络的研究试图模拟人类和动物的人脑，让这个技能的内部结构。 　缺省推理和资格问题 　许多事情的人都知道的“工作假设的形式。〞例如，如果一只鸟在谈话 屮，人们通常想象的动物，是拳头大小，唱歌，和苍蝇。 　这一切都不是真实的所有鸟类。约翰麦卡锡于1969年确定了这个问题 的资格问题：任何常识性规那么，人工智能研究人员关心的代表，往往是一个 巨大的假设干例外情况。几乎没有什么是简单的tee或false的方式，抽象 的逻辑要求。人工智能的研究，探索出了这个问题的解决方案。［51］ 常识性知识的广度， 　原子事实，一般人都知道的数量是个天文数字。 　尝试的手，建立一个完整的知识根底的常识性知识〔例如，CYC〕需要 大量的艰苦的本体论的工程-他们必须建立一个复杂的概念，在时间的研 究项［52］~个主要H标是有计算机理解足够的能够读取来源，如互联网 学习的概念，从而可以添加到自己的本体。 　子象征性的-些常识 　许多人都知道什么是没有代表的“事实〞或“报表〞，实际上，他们可 以大声的说岀来。例如，国际象棋大师将防止国际象棋一个特定的位置，因 为它“感觉太暴露了〞一名艺术评论家，可以采取一看，在一尊雕像，并立 即意识到，这是假的。［54］这是直觉或倾向，表示不自觉地和子象征性的。 　［55］这样的知识在大脑屮的通知，支持，并提供了一个象征性的，有意识的 知识背景。与子符号推理的相关问题，希望位于AT智能计算将提供这方面 的知识的方式来表示。 　规划 　主要文章：自动规划与调度 　学习 　主要文章：学习机 　自然语言处理 　ASIMO使用传感器和智能算法，以避开障碍物和导航楼梯。 　主要文章：自然语言处理 　自然语言处理［64］给岀了机器的能力，阅读和理解人类的语言说话。许 多研究人员希望，一个足够强大的自然语言处理系统，将能够获得自己的知 识，在互联网上提供的现有文本阅读。些简单的应用程序包括信息检索， 　自然语言处理〔或文本挖掘〕和机器翻译。［65］ 　运动和操纵 　主耍文章：机器人 　机器人领域［66］是密切相关的AI。情报需要机器人能够处理等任务对象 的操作［67］和导航，本地化的子问题〔知道你在哪里〕，映射〔学习什么是 你周围〕和运动规划〔找出如何那里〕o ［68］ 　感觉 　主要文章：机器感知，计算机视觉，语音识别 　机器感知［69］使用输入推断出方面的world. Computer视觉传感器〔如 摄像机，麦克风，声纳和具他更奇特的〕［70］的能力，分析视觉输入的能力。 　儿个选定的子是语音识别，［72］ ［71］面部识别和物体识别。 　补会智力 　主要文章：情感计算 　天命，机器人根本的社交技巧 　情感和社会技能［73］ —个智能代理扮演两个角色。首先，它必须能够预 测他人的行为，了解他们的动机和情感状态。〔这涉及博弈论，决策论， 以及模拟人类的情绪和感知能力，以检测情绪的能力〕。此外，良好的人机 交互，智能机也需要显示的情绪。最起码，它必须出现的人类交互的礼貌和 敏感。在最好的情况下，它应该有正常的情感本身。 　创造力 　主要文章：计算创意 　Top io的，可以打乒乓球的机器人，开发TOSYo 　一分山的AI地址创造性的理论从哲学和心理学的角度和实践〔通过系 统的具体实现，产生输出，可以被认为是创造性的〕。计算相关领域的研究, 是人工的直觉和人工想象。 　一般智力 　主要文章：强大的AI和AI完成 　人多数研究人员希望，他们的工作将最终将被纳入一般智力的机器〔被 称为强大的AT〕,结合以上所有的技能和超过人的能力在大多数或所有的人。 　［12］有几个相信，像人工意识anthropomorphicfeatures或人造大脑可能会 需要这样的项目。［74］ 　许多上述问题被认为是AI完成：解决一个问题，你必须解决这些问题。 　例如，即使是一个简单的，特定的任务，如机器翻译，要求机器按照作者的 说法〔原因〕，知道正在谈论什么〔知识〕，并忠实地再现作者的意图〔社会 智力〕。因此，机器翻译，被认为是AI完成：它可能需要强人的AT以及人 类能做到这一点。［75］ 　方法 　有没有建立统一的理论或范式，引导人工智能的研究。研究人员不同意 有关的许多问题。［76］有几个最久的问题，尚未得到答复是：人工智能模拟 自然的智慧，通过学习心理学，神经学？或者是不相关的人类生物学，人丁 智能研究鸟类的生物学航空T程？ ［77］智能行为的描述，使用简单，优雅的 原那么〔如逻辑或优化〕？它一定需耍解决大量完全无关的问题呢？ ［78］智能 转载使用高层次的符号，类似的话和想法？ ［79］还是需要“子彖征性的〞 处理？ 　控制理论与脑模拟 　主要文章：控制论和计算神经科学 　有没有达成共识的大脑应该是模拟如何密切。 　在20世纪40年代和50年代，许多研究者探讨神经病学，信息论和控 制论Z间的连接。他们中的一些内置的机器，用电子网络表现出起码的情 报，，如沃尔特灰色的海龟和约翰霍普金斯大学的野兽。这些研究人员 齐聚一堂，会议的Fl的论在普林斯顿大学协会和俱乐部在英国比［24］到1960 年，基木上放弃了这种方法，虽然它的元素将恢复在20世纪80年代。 　符号 　主要文章：良好的老式人工智能 　当进入数字式计算机成为可能，在20世纪50年代中期开始,AT的研究, 探索人的智力可以减少符号操纵的可能性。三个机构债务工具屮央结算系 统，斯坦福大学和麻省理工学院的研究为屮心，每一个研究开发出了自己的 风格。约翰 Haugeland命名这些方法AI “好老土 AI〞或“G0FAI〞。［80］ 　逻辑根底 　与纽厄尔和西蒙，约翰麦卡锡认为，机器没有需要模拟人类的思维， 而应该尝试找到抽彖推理和解决问题的本质，无论人们是否使用相同的算法 ［77］他在斯坦福大学的实验室〔SAIL〕专注于使用正式的逻辑来解决各种 各样的问题，包括知识表示，规划和学习。［83］逻辑的工作重点在爱丁堡和 欧洲其他地方的编程语言Prolog的开展科学的逻辑编程。［84］ “反逻辑〞或“邇遢〞 　在麻省理工学院的研究人员〔如马文明斯基和西摩纸〕［85］发现，解 决困难的问题，在视觉和自然语言处理所需的临时解决方案-他们认为， 有没有简单的一般原那么〔如逻辑〕，将捕获所有方面的智能行为。罗杰 Schankdescribed他们的“反逻辑〞的方法为“邇遢〞〔作为反对的“整齐〞 的范例在CMU和斯坦福大学〕o ［78］常识性的知识根底〔如Doug的陈忠郁〕 的“邇遢〞AI的一个例子，因为必须建立在一个时间的手，一个复杂的概念。 　［86］ 　基于知识的当具有大容量内存的计算机成为所有三个传统的研究人员从1970年左 右，开始建立知识转化为AI应用程序。［87］这种“知识革命〞导致了专家 系统的开发和部署的爱徳华费根鲍姆提出的第一个真正的成功的AI软件。 　［35］是由许多简单的人工智能应用的实现，将需要大量的知识，也推动了知 识革命。 　小符号 　在20世纪60年代，彖征性的方法取得了巨大成功，在模拟小型示范项 冃的髙层次思维。方法的根底oncybernetics或神经网络被遗弃或推到背景 中。［88］ 20世纪80年代,但是，进步的象征性AI似乎摊位,很多人认为 是彖征性的系统将永远无法完全模仿人类认知的过程，尤英是感知，机器人 技术，学习和模式识别。一些研究人员开始研究“子彖征性〞的方法，具体 的AI问题o ［79］ 　口底向上的，具体的，位于，行为或基于新式AI 　研究人员从相关领域的机器人，如罗德尼布鲁克斯，拒绝象征性AI 和重点，使机器人移动和生存的根本的工程问题。［89］他们的工作恢复了非 象征性的角度来看，早期的控制论研究的50年代和重新使用的控制理论在 AE这正好与所实施的头脑认知科学领域的相关论文：思想，身体方面〔如 运动，感知和可视化〕需耍更高的智力开展。 　计算智能 　在神经网络屮的利息和“联结〞的复兴大卫鲁梅哈特和其他人在20世 纪80年代中期。［90］这些和其他子象征性的方法，如模糊系统和进化计算, 现在集体研究的新兴学科的计算智能［91］。 　统计 　在20批纪90年代，人工智能研究人员开发岀复杂的数学工具來解决具 体的子问题。这些工具是真正的科学，在这个意义上，他们的结果是可衡量 的和可核查的，他们一直负责许多AI最近取得的成功。共享的数学语言也 允许一个高层次的合作与更成熟的领域〔如数学，经济学或运筹学〕。斯图 尔特罗素和彼得彼特的描述这项运动不到的“革命〞和“非紧急救护车队的 胜利。〞 ［38］ 　整合的方法 　智能代理范式 　智能代理是一个系统，感知环境，并采取措施，最大限度地提高成功的 时机。最简单的智能代理程序解决具体问题。最复杂的智能代理是理性的， 思考人类［92］的范式为研究人员提供了授权，研究孤立的问题，并找出解决 方案，可核查的和有用的，不同意在一个单一的方法。齐I」，解决一个具体的 问题，可以使用任何方法，工作原理- 一些代理商是象征性的，符合逻辑 的，有些是象征性的子神经网络和其他人可能使用新的方法。该模式也为研 究人员提供了一个共同的语言进行沟通与其他领域，如决策理论和经济学， 还可以使用抽象代理的概念。智能代理范式在20 lit纪90年代被广泛接受。 　［93］ 　代理体系结构和认知结构 　研究人员设计了系统构建智能系统的相互作用在多Agent系统的智能代 理。［94］系统的符号和象征性的子组件是一种混合智能系统，这样的系统是 人工智能系统集成的研究。一个层次最低，反响水平和传统的象征性AT的 最高水平，宽松的时间限制，允许规划和世界的建模，控制系统子象征性AI 之间架起了--座桥梁。［95］罗德尼布鲁克斯的包容结构是一个早期的建议 这样的分级系统。 　工具