Tutorial 1: 什么是人工智能
人工智能的定义
人工智能（Artificial Intelligence, AI）是一个让机器展现出”智能”行为的研究领域。
但什么是”智能”呢？不同的人有不同的理解：
定义方式 |
关注点 |
代表观点 |
|---|---|---|
像人一样思考 |
模拟人类思维过程 |
认知科学方法 |
像人一样行动 |
通过图灵测试 |
行为主义方法 |
理性地思考 |
逻辑推理 |
逻辑主义方法 |
理性地行动 |
最优决策 |
理性智能体方法 |
《人工智能：现代方法》采用的是 理性智能体 的定义：
AI 是研究如何构建能够在环境中采取行动以最大化预期效用的智能体。
通俗理解
想象你在教一个机器人下棋：
像人一样思考: 让机器人像人类棋手一样”直觉”地下棋
像人一样行动: 让机器人下出的棋看起来像人下的
理性地思考: 让机器人分析所有可能的走法
理性地行动: 让机器人选择获胜概率最高的走法
人工智能简史
1950s - AI 诞生
├── 1950: 图灵提出"图灵测试"
├── 1956: 达特茅斯会议，"人工智能"一词诞生
└── 1957: 感知机（Perceptron）发明
1960s-1970s - 早期探索
├── 专家系统兴起
├── 知识表示研究
└── 第一次 AI 寒冬（1974-1980）
1980s - 专家系统时代
├── 商业专家系统应用
└── 第二次 AI 寒冬（1987-1993）
1990s-2000s - 机器学习兴起
├── 统计学习方法
├── 支持向量机（SVM）
└── 深蓝战胜卡斯帕罗夫（1997）
2010s - 深度学习革命
├── 2012: AlexNet 赢得 ImageNet
├── 2016: AlphaGo 战胜李世石
└── 2017: Transformer 架构诞生
2020s - 大模型时代
├── 2020: GPT-3 发布
├── 2022: ChatGPT 引爆全球
└── 2023+: AI Agent 兴起
AI 的主要流派
1. 符号主义（Symbolicism）
核心思想: 智能 = 符号操作 + 逻辑推理
# 符号主义示例：简单的逻辑推理
# 知识库
knowledge = {
"苏格拉底是人",
"所有人都会死"
}
# 推理规则
def reason(knowledge):
if "苏格拉底是人" in knowledge and "所有人都会死" in knowledge:
return "苏格拉底会死"
return None
conclusion = reason(knowledge)
print(conclusion) # 苏格拉底会死
优点: 可解释、可推理
缺点: 难以处理不确定性、知识获取困难
2. 连接主义（Connectionism）
核心思想: 智能来自大量简单单元的连接
import torch
import torch.nn as nn
# 连接主义示例：简单神经网络
class SimpleNN(nn.Module):
def __init__(self):
super().__init__()
self.layer1 = nn.Linear(10, 5) # 10个输入，5个神经元
self.layer2 = nn.Linear(5, 1) # 5个输入，1个输出
self.relu = nn.ReLU()
def forward(self, x):
x = self.relu(self.layer1(x))
x = self.layer2(x)
return x
# 神经网络通过大量"连接"学习模式
model = SimpleNN()
print(f"参数数量: {sum(p.numel() for p in model.parameters())}")
优点: 能学习复杂模式、处理非结构化数据
缺点: 黑箱、需要大量数据
3. 行为主义（Behaviorism）
核心思想: 智能 = 感知 + 行动（不需要内部表示）
# 行为主义示例：简单的反应式智能体
class ReactiveAgent:
def perceive_and_act(self, sensor_input):
"""直接从感知到行动，没有内部状态"""
if sensor_input == "obstacle_ahead":
return "turn_left"
elif sensor_input == "goal_visible":
return "move_forward"
else:
return "explore"
agent = ReactiveAgent()
print(agent.perceive_and_act("obstacle_ahead")) # turn_left
优点: 简单、快速响应
缺点: 难以处理复杂任务
AI 的主要研究领域
人工智能
├── 机器学习 (Machine Learning)
│ ├── 监督学习
│ ├── 无监督学习
│ └── 强化学习
│
├── 深度学习 (Deep Learning)
│ ├── 卷积神经网络 (CNN)
│ ├── 循环神经网络 (RNN)
│ └── Transformer
│
├── 自然语言处理 (NLP)
│ ├── 文本分类
│ ├── 机器翻译
│ └── 对话系统
│
├── 计算机视觉 (CV)
│ ├── 图像分类
│ ├── 目标检测
│ └── 图像生成
│
├── 知识表示与推理
│ ├── 知识图谱
│ └── 逻辑推理
│
└── 智能体与多智能体系统
├── 规划
└── 博弈论
动手实践：你的第一个 AI 程序
让我们用 PyTorch 实现一个简单的”学习”程序：
import torch
# 问题：学习函数 y = 2x + 1
# 1. 准备数据
x = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
y = torch.tensor([[3.0], [5.0], [7.0], [9.0]]) # y = 2x + 1
# 2. 定义模型（一个简单的线性模型）
model = torch.nn.Linear(1, 1) # 1个输入，1个输出
# 3. 定义损失函数和优化器
criterion = torch.nn.MSELoss() # 均方误差
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# 4. 训练
print("开始学习...")
for epoch in range(1000):
# 前向传播
predictions = model(x)
loss = criterion(predictions, y)
# 反向传播
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (epoch + 1) % 200 == 0:
print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")
# 5. 测试
print("\n学习结果:")
print(f"学到的参数: w = {model.weight.item():.2f}, b = {model.bias.item():.2f}")
print(f"真实参数: w = 2.00, b = 1.00")
# 预测新数据
test_x = torch.tensor([[5.0]])
prediction = model(test_x)
print(f"\n预测 x=5 时: y = {prediction.item():.2f} (真实值: 11)")
运行结果:
开始学习...
Epoch 200, Loss: 0.0234
Epoch 400, Loss: 0.0012
Epoch 600, Loss: 0.0001
Epoch 800, Loss: 0.0000
Epoch 1000, Loss: 0.0000
学习结果:
学到的参数: w = 2.00, b = 1.00
真实参数: w = 2.00, b = 1.00
预测 x=5 时: y = 11.00 (真实值: 11)
这就是机器学习的本质：从数据中自动发现规律。
AI 的能力边界
AI 擅长什么？
✅ 模式识别（图像、语音、文本）
✅ 大规模数据处理
✅ 特定领域的优化决策
✅ 重复性任务自动化
AI 不擅长什么？
❌ 常识推理
❌ 因果理解
❌ 创造性思维（真正的创新）
❌ 情感理解和社交智能
❌ 小样本学习
关键概念总结
概念 |
解释 |
类比 |
|---|---|---|
人工智能 |
让机器展现智能行为 |
教机器’思考’ |
机器学习 |
从数据中学习规律 |
从经验中学习 |
深度学习 |
使用深层神经网络 |
模拟大脑结构 |
智能体 |
能感知环境并采取行动的系统 |
机器人 |
训练 |
用数据调整模型参数 |
练习 |
推理 |
用训练好的模型做预测 |
考试 |
下一步
在下一个教程中，我们将学习智能体（Agent）的概念，这是理解现代 AI 系统的基础。