语音识别：将语音信号转换为数字信号 自然语言处理（NLP）：“你为什么叫百小度？” 机器学习技术：分析统计数据，给出问题的答案，生产知识，通过近一个月网民参与话题的转发量、评论量以及点赞量统计、抽取、分析 发现交通拥堵关注度比较高
计算机视觉：目标监测观察障碍 雷达技术：通过雷达反射计算距离 全球定位系统：GPS进行定位 监控装置：全程监控，对视频分析
深度学习：通过学习人类下棋的技术来模拟
强AI：人会的技术机器都会，人不会的技术机器还会，并且拥有自己的意识，有知觉，无所不能，可以独立思考问题并制定解决问题的最优方案，有自己的价值观和世界观体系 弱AI：在某一方面和人类做得一样好甚至超过了人类，没有自己的意识
不会。目前人类所研究的都是弱人工智能，都是某一领域的专家研究出来在某一领域和人一样甚至超过人类的机器人，并且没有意识，要想让机器人达到无所不能，有自己的意识，首先开发者就要对人类的构造以及各个领域都要精通，但这是绝对不可能实现的，所以人类并不需要担心
1956年的达特茅斯会议
麦卡锡、明斯基、香农等数学家、计算机专家和神经心理学家
麦卡锡。标志着人工智能学科作为一门新兴科学正式诞生。人工智能之父
姚期智。计算理论，包括伪随机数的生成、密码学与通信复杂度
机器学习和模式识别、定理证明、问题求解、专家系统、人工智能语言
国际人工智能联合会议（International Joint Conference On Artificial Intelligence）
AI(顶级期刊，人工智能杂志) ML（Machine Learning） TPAMI TNNLS IF NC PR
知识工程 数据库（DB）、知识库（KB）
计算机、航空航天、军事装备、工业等
用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能
一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科
让人觉得超过30%的回答符合人类对话逻辑
1950年图灵发表的《计算机与智能》中设计了一个测试，用以说明人工智能的概念。 把人放在一个屋子里，让人和聊天机器人（计算机程序）一问一答，但是事先人并不知道对方是人还是程序。
思维理论：智能的核心是思维 知识阈值理论：智能取决于知识的数量和及一般化程度 进化理论：用控制取代知识的表示
智能是知识和智力的总和，即“智能 = 知识 + 智力” 知识是一切智能行为的基础 智力是获取知识并应用知识求解问题的能力
感知能力 记忆与思维能力 学习能力 行为能力
通过视觉、听觉、嗅觉、触觉等感觉器官感知外部世界的能力，80%以上信息通过视觉得到，10%通过听觉，剩下的百分之十
记忆：存储由感知器官感知到的外部信息，以及由思维所产生的知识 思维：对记忆的信息进行处理
逻辑思维（抽象思维）：依靠逻辑进行思维，思维过程是串行的，容易形式化，思维过程具有严密性、可靠性 形象思维（直感思维）：依据直觉，思维过程是并行协同式的，形式化困难，在信息变形或缺少的情况下仍有可能得到比较满意的结果 顿悟思维（灵感思维）：不定期的突发性，非线性的独创性及模糊性，穿插于形象思维与逻辑思维之中（苯环）
顿悟思维（灵感思维）：不定期的突发性，非线性的独创性及模糊性，穿插于形象思维与逻辑思维之中
学习之前未知的新知识、新技能 既可以是自觉的、有意识的，也可以是不自觉的、无意识的 既可以是有教师指导的，也可以是通过自己实践的
人们的感知能力：用于信息的输入 人们的行为能力：信息的输出
符号主义 连接主义 行为主义
基本思想：通过模拟人类的逻辑推理来实现人工智能的方法 代表人物：纽威尔、西蒙
数学家。符号主义
理论基础是“物理符号系统假设” 人类认知和思维的基本单位是符号，而认知过程就是在符号表示上的一种运算，它认为人是一个物理符号系统，用符号表示知识，即可通过计算机的符号操作来模拟人的认知过程，从而用计算机来模拟人的智能行为。
知识的表示和推理
1957年，纽威尔和西蒙等人研制的称为“逻辑理论家”的数学定理证明程序 LT 证明了《数学原理》第二章的38个定理，并取得不少成果。 LT的成功，说明了可以用计算机来研究人的思维过程、模拟人的智能活动。以后，符号主义走过了一条“启发式算法——专家系统——知识工程”的发展道路，尤其是专家系统的成功开发与应用，使人工智能研究取得了突破性的进展。
仿生学派或生理学派。基本思想：通过模拟人类大脑的结构来实现人工智能
神经元不仅是大脑神经系统的基本单元（即结构单元），而且是行为反应的基本单元（即功能单元）
是神经元的连接活动过程，而不是符号运算过程，即对物理符号系统假设持反对意见
任何声音、景物、身体活动，只要是新的，都会使得脑中某些神经元的树突和轴突生长、与其他神经元连接，构成新的网络。当你记忆某件事或学习某事物时，神经元就会重新布线连接，不断地发生改变。
神经计算
1943年，麦克洛奇和皮兹提出了形式化神经元模型，即M-P模型。从此开创了神经计算的时代，为人工智能创造了一条用电子装置模仿人脑结构和功能的新途径。
1982年，美国物理学家霍普菲尔德提出了离散的神经网络模型，1984年他又提出了连续的神经网络模型，使神经网络可以用电子线路来仿真，开拓了神经网络用于计算机的新途径。
1986年，鲁梅尔哈特等人提出了多层网络中的反向传播（BP）算法，使多层感知机的理论模型有所突破。
智能取决于感知和行为，取决于对外界复杂环境的适应，而不是表示和推理，不同的行为表现出不同的功能和不同的控制结构。 是一种基于“感知——行动”的行为智能模拟方法
布鲁克斯教授 他认为智能只是在与环境的交互作用中表现出来的，任何一种“表达”都不能完善地代表客观世界的真实概念，因而用符号串表达智能是不妥当的。 布鲁克这种基于行为（进化）的观点开辟了人工智能的新途径
6足机器虫 布鲁克斯认为要求机器人像人一样去思维太困难了，在做一个像样的机器人之前，不如先做一个像样的机器虫，由机器虫慢慢进化，或许可以做出机器人。
虽然不具有像人那样的推理、规划能力，但其应付复杂环境的能力却大大超过了原有的机器人，在自然（非结构化）环境下，具有灵活的防碰撞和漫游行为。
表明了控制论、系统工程的思想将进一步影响人工智能的发展
认为布鲁克斯的机器虫在行为上的成功并不能引起高级控制行为，指望让机器从昆虫的智能进化到人类的智能只是一种幻想
知识表示、确定性推理、不确定性推理、搜索求解策略、遗传算法及其应用、专家系统与机器学习、人工神经网络及其应用、智能体及多智能体系统、自然语言处理及其应用
符号主义：知识表示、确定性推理、不确定性推理、搜索求解策略、专家系统与机器学习
连接主义：人工神经网络及其应用
行为主义：遗传算法及其应用、智能体及多智能体系统
人类的智能活动主要是获得并运用知识，知识是智能的基础
推理方法、专家系统
知识表示
事实：在长期的生活及社会实践中、在科学研究及实验中积累起来的对客观世界的认识与经验； 规则：把有关信息关联在一起所形成的信息结构
事实：雪是白色的
规则：如果头痛且流涕，则有可能患了感冒
知识反映了客观世界中事物之间的关系，不同事物或者相同事物间的不同关系形成了不同的知识
相对正确性
不确定性
可表示性与可利用性
任何知识都是在一定的条件及环境下产生的，在这种条件及环境下才是正确的
1 + 1 = 2（十进制）
1 + 1 = 10（二进制）
“真“”假“之间的中间状态，不是0也不是1
随机性、模糊性、经验、不完全性
随机性：如果头痛且流涕，则可能患了感冒
模糊性：小李很高
经验：老马识途
不完全性：火星上有水、生命？
知识可以用适当形式表示出来，如用语言、文字、图形、神经网络等
将人类知识形式化或者模型化
知识表示是对知识的一种描述，一种计算机可以接受的用于描述知识的数据结构
(1) 充分表示领域知识 (2) 便于理解与实现 (3) 有利于对知识的利用 (4) 便于对知识的组织、维护与管理
无法把它所描述的事物的结构及逻辑特征反映出来（老李是小李的父亲），
也不能把不同事物间的共同特征表述出来（P：李白是诗人；Q：杜甫也是诗人）
P规则：在推理的任何步骤上都可引入前提
T规则：在推理过程中，如果前面步骤有一个或多个公式永真蕴含S，则可以把S引入推理过程中
CP规则：
Q为P的逻辑结论，当且仅当P交非P是不可满足的
优点：自然性、精确性、严密性、容易实现 缺点：不能表示不确定性的知识、效率低
自动问答系统、机器人行动规划系统、机器人博弈系统、问题求解系统
任务规划、动作规划、轨迹规划、关节轨迹规划
取一个杯子、找到水壶、打开水壶、把水倒入杯中、把水送给主人
把水壶提到杯口上方、把水壶倾斜倒入水中、把水壶垂直、把水壶放回原处
1 MoveUp(Robot, Kettle, 50cm) 2.1 LeansDown(Robot, Kettle, 30°) 2.2 PouringWater(Robot, Kettle, Cup) 3 CatchVertical(Robot, Kettle) 4 MoveDown(Robot, Kettle, 50cm)
不确定性事实性知识比确定性事实性知识多了一个置信度
1943年，美国数学家波斯特
1972年，纽维尔(Newell)和西蒙(Simmon)在研究人类的认知模型中开发了基于规则的产生式系统
产生式通常用于表示事实、规则以及它们的不确定性度量，适合于表示事实性知识和规则性知识，
具体包括：1确定性事实性知识、2不确定性事实性知识、3确定性规则知识、4不确定性规则知识
除逻辑蕴含外，产生式还包括各种操作、规则、变换、算子、函数等（例如，“如果炉温超过上限（P），则立即关闭风门（Q）”是一个产生式，但不是蕴含式）
一个用于存放问题求解过程中各种当前已知信息的数据结构
控制系统（推理机构）：由一组程序组成，负责整个产生式系统的运行，实现对问题的求解
自然性、清晰性、模块性、有效性
效率不高
不能表达结构性知识
1975年，美国明斯基提出了框架理论： 人们对现实世界中各种事物的认识都是以一种类似于框架的结构存储在记忆中的; 框架表示法：一种结构化的知识表示方法，已在多种系统中得到应用。
一种描述所论对象（一个事物、事件或概念）属性的数据结构
槽
一个槽用于描述所论对象的某一方面属性
结构性：便于表达结构性知识，能够将知识的内部结构关系及知识间的联系表示出来
继承性：框架网络中，下层框架可以继承上层框架的槽值，也可以进行补充和修改
自然性：框架表示法与人在观察事物时的思维活动是一致的
根据知识库中的知识，按照某种策略从已知事实出发推出结论的过程
推理前用户提供的信息
推理过程中得到的信息
演绎推理、归纳推理、默认推理
确定性推理和不确定性推理
单调推理、非单调推理
启发式推理、非启发式推理
完全归纳推理、不完全归纳推理
在已知领域内一般性知识的前提下，通过演绎求解一个具体问题或证明一个结论的正确性
所得的结论早已蕴含在一般性知识的前提中
因此，不能增殖新知识
所推出的结论没有包含在前提内容中
是一个增殖新知识的过程
机器学习是如何使用计算机来模拟人类学习活动的一门学科，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，是人工智能的核心
分类：判断所给的水果是苹果还是桔子
回归：预测明后两天的气温值、风级大小
聚类：人以类聚、物以群分
关联规则挖掘：啤酒与尿布、牛奶与面包
根据对某一事物的认识来判断之前未曾见过的新对象是否属于该类事物
1、计算新样例与训练集中每个样例之间的欧氏距离
2、将这些距离从小到大排序，找到与其最近的前K个样例
3、然后将这K个样例中最普遍的类别作为该样例的类别
支持向量机、人工神经网络、决策树
使用某种策略将一些对象分成若干个集合，使得同一集合内的对象比较相似、而属于不同集合的对象之间存在较大的差异
1、从初始样例集中随机选择K个样例作为K个簇中心
2、计算样例与每个簇中心的欧氏距离，然后将其放入与其最近的簇中心所对应的簇中
3、重新计算每个簇的簇中心
4、若本次计算的簇中心与上一次计算的相同，则结束聚类过程
学习是人类具有的一项重要智能行为，人类通过学习能够不断提高自己的技能，更好地适应和改造自然，甚至创造出新的概念和事物
精度 = 被正确分类的测试样例数目 / 测试样例总数
用于衡量生成的分类模型的分类性能
在测试样例集上的分类精度越高，说明分类模型对新样例的分类性能就越好
由中枢神经系统和周围神经系统所构成的复杂的神经网络，其中最重要的是脑神经系统
模拟人脑神经系统的结构和功能，运用大量简单处理单元经广泛连接而组成的人工网络系统
树突：从细胞体伸向其他神经元
突触：神经元之间接受信号的联结点为突触
兴奋状态：细胞膜电位 > 动作电位的阈值