· 人工智能导论
人工智能导论 Day1:从智能的定义到学习与推理
RedMoon · 2026-09-16 · 课堂阅读笔记
什么叫智能
视频生成、科学计算、自动驾驶和机器人都属于 AI,它们的共同之处可以从具体能力展开:机器怎样感知输入、表示知识,又怎样推理、学习和行动。
课堂把 AI 描述为模拟、延伸和扩展人的智能的理论、方法与系统。评价具体任务时,识别精度、推理正确率与开放环境中的适应能力需要分别测量。一个系统可以在某项任务上超过人,同时在另一项任务上表现很差。
图灵测试把“有没有智能”转成可观察的交互问题:观察者能否通过对话区分机器与人?测试的思想在于交互中的判断,而非固定的问题数量。塞尔的中文房间追问的则是理解:按规则操作符号并给出正确回答,是否就理解了符号的含义?前者讨论表现,后者是关于语义的哲学论证。
从应用看 AI 要解决什么
| 课堂案例 | 核心问题 | 评价维度 |
|---|---|---|
| 视频生成 | 内容生成、时序一致性、可控编辑 | 画面逼真不等于物理过程始终正确 |
| 三维生成与虚拟世界 | 形状表示、空间关系、交互状态演化 | 生成三维资产与持续运行的世界模型是不同任务 |
| 科学计算 | 从观测推断规律,或加速昂贵的计算 | 药物、反应、分子能量、电子密度及宇宙模拟各有验证标准 |
| 几何与数学推理 | 表示对象关系,再搜索或推理 | 题目串行化为字符串不自动保证证明正确 |
| 自动驾驶 | 感知、定位、规划与控制 | 局部道路结果不能推出所有条件下更安全 |
| 具身智能 | 把视觉与语言输入连接到动作 | VLA 即视觉、语言、动作;执行仍需要反馈 |
同一个系统可以同时使用学习、搜索和规则。机器人先识别目标,再拆解任务,最后通过控制器执行。把所有环节都统称为“神经网络拟合”,容易漏掉显式知识与约束。
为什么需要非线性
课堂用“直线不够就把它掰弯”引出神经网络。把类比写成公式,一层通常先做仿射变换,再做激活:
\[z=Wx+b,\qquad y=\phi(z).\]输入可以是图像像素、文本表示或传感器数据;权重和偏置由学习过程调整。如果每层只有仿射变换,两层组合仍然是:
\[W_2(W_1x+b_1)+b_2=(W_2W_1)x+(W_2b_1+b_2).\]增加层数却没有引入非线性,并不会因此获得同样的表达能力提升。深度网络借助多层组合学习中间表示,但能够表示、能够训练好、能够泛化好,是不同问题。
高维问题怎样求解
变量增多后,困难往往在于求解成本和相互作用的复杂性。三体问题描述三个物体的相互作用,物理定律仍然成立,求解却可能需要数值方法。这里需要区分变量维度、物体数量和是否存在简单闭式解。
当解析建模或直接求解成本很高时,数据驱动模型提供了一条路径。数值计算、符号方法、统计学习和物理约束可以结合使用,方法选择取决于数据覆盖、任务假设和验证结果。
发展脉络:多条思想路线汇合
课堂从偃师造人这样的文学想象,讲到逻辑、归纳、控制论与计算机。几条路线各有侧重:形式逻辑研究有效推理,归纳从实例提炼规律,控制论关注反馈,信息论与计算机提供表示、计算和通信的基础。
现代进展可以抓住几个明确节点:2012 年 AlexNet 展示深度卷积网络与 GPU 训练的力量;2014 年 GAN 推动生成建模;2015 年 ResNet 用残差连接改善深层网络训练;2017 年 Transformer 以注意力机制组织序列计算;2022 年 ChatGPT 让对话式大模型进入广泛使用。
这些历史节点呈现了新旧方法的组合。搜索、逻辑和优化仍在现代系统中发挥作用。
课程安排与模型分析
课程涉及搜索方法、知识表示、机器学习、神经网络和强化学习,计划安排约三到四次编程小作业,并推荐《动手学深度学习》及其代码。
分析一次模型实验,可以区分三个问题:输入和目标怎样表示?模型为什么有能力表达这个关系?训练与验证提供了哪些超出偶然关联的证据?线性层、激活与损失函数分别承担表示变换、非线性表达和目标度量的作用。
复习要点
- 用机器人任务区分感知、表示、规划、学习与控制。
- 解释图灵测试与中文房间分别关注什么。
- 写出两层仿射变换的合并式,说明为什么需要非线性。
- 解释“高维问题难求解”和“高维没有规律”的区别。
- 选择一个课堂应用,给出可检验的能力指标。