文章目录：
人工智能课程的前导课程是什么？我想学人工智能，首先应该学会哪些课程？掌握哪些知识？
人工智能课程的前导课程是数学基础：高等数学、线性代数、概率论数理统计等。如需学习人工智能推荐选择【达内教育】，该机构高薪聘请讲师团队，分别来自企业一线的技术经理及总监岗位。课程取材于企业一线真实需求，实时更新，融合时下前沿技术热点。
学【人工智能】，首先学会以下课程：
1、需要算法的积累：人工神经网络，支持向量高含机，遗传算法等等算法。当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM。
2、需要掌握至少一门编程语言：算法的实现需要编程；如果深入到硬件的话，一些电类基础课必不可少。感兴趣的话点击此处，免费学习一下
想了解更返弊多有关人工智能的相关信息，推荐咨询【达内教育】。【达内教育】重磅戚世笑推出“因材施教、分级培优”创新教学模式，同一课程方向，面向不同受众群体，提供就业、培优、才高三个级别教学课程，达内“因材施教、分级培优“差异化教学模式，让每一位来达内学习的学员都能找到适合自己的课程。达内IT培训机构,试听名额限时抢购。
共推AI，共创教育的未来
教育会成为人工智能应用的先行者吗？
近日，教育部副部长杜占元指出，把办好网络教育写入党的十九大报告，意味着我国教育信息化开始了一个新时代。以“基础建设+设备配套+应用探索”为特征的教育信息化1.0时代即将被2.0时代所替换。从1.0时代走向2.0时代绝非仅仅是一个提法上的改变，而是面对新时代教育发展的新要求，教育信息化在发展理念、建设方式上的一次跃升。
教育会成为一个“品尝”AI+教育成果的市场吗？华东师范大学教授，教育部教育信息化专家组秘书长任友群指出，教育信息化2.0将更以“体验”为依归。以往的教育信息化建设更为注重的是业务、行为和流程，注重的是物与事，但教育的基础和根本是“人”，教育信息化只有以人为本、从人出发、归结于人才能真正发挥出效能。
教育领域当前较迫切需要解决的问题是传统教学与个性化因材施教之间的矛盾，而因材施教的基础是基于人工智能的学习者数据采集和分析模型构建。“基于浪潮在HPC、云计算、大数据、人工智能等领域的IaaS能力，和北京康邦科技智慧教育整体解决方案，双方将围绕教育行业应用场景，主动创新研究，形成软硬一体化的方案型产品，加快实现AI+教育在教学、科研及管理实践中的应用落地。”浪潮集团副总裁彭震说，“当前，教育应用云化的趋势非常明显，基于更精细化的场景应用以及围绕云计算、大数据、人工智能的学校信息化发展快速起步，教育对IT的需求，不再只是服务器的处理速度、存储空间这么简单，教育信息化正在从‘深’向‘宽’发展。浪潮合作伙伴生态2.0是浪潮在云计算、大数据时代的伙伴体系建设新模式，浪潮与合作伙伴之间将从原有的基于商务和销售的供应链模式，转变为基于研发和产品层面合作的价值链模式，从而实现横向扩展生态圈、垂直整合生态链。浪潮生态2.0模式已建成行业解决方案、云计算业务、主机系统和分销业务四大生态体系，未来浪潮面向教育行业客户可能不是提供产品，我们会从具体的场景中切入，与康邦这样深耕教育行业，且愿景一致的合作伙伴深度*，推出更加规模化、标准化、一体化的平台和服务。”
AI是撬动教育信息化2.0的杠杆
“教育行业信息化之路已经走了二十多年，虽不是尽善尽美，但事实上极大的促进了中国教育的发展，学校的信息化基础环境日臻完善，以人为本的端对端服务也相对普及，下一步教育的应用需求将不再局限于教室之内，而神知会不断向纵深寻找杀手级应用。”康邦科技总裁王邦文强调，面向“教育信息化2.0”升级，AI很可能是重要的推手之一。AI+教育通过解决数据采集问题，实现从数字化到智能化，不仅减少教师简单重复工作的时间，让教师更加专注对学生的个性化分析，真正提升学习的效率与质量，还能够为教学管理提供大数据辅助决策与建议，为教学及学校的科学治理提供支撑。总体来说，AI+教育让“因材施教”进一步落实，真正提升教育的质量、效率与公平问题。王邦文告诉记者：“康邦有大量教育用户的真实场景，我们双方可以基于这些真实场景形成算法，然后通过浪潮的基础设施和优化辅助平台，在比较短的时间内形成相应的方案，打造从端到端的AI+教育解决方案，提供贴近不同教育应用场景、更成熟可行地的定制化解决方案；同时，双方还将联合优质高校资源建立联合创新实验室，围绕云计算、大数据、AI等前沿技术进行联合创新，共同推进融合架构、智慧校园、人工智能等领域的方案应用；此外，浪潮和康邦还将将联合开拓教育肆滚行业市场，共同打造智慧教育灯塔客户，提升双方在业界的市场和品牌知名游雹消度。
人工智能与教育应用的深度融合，将打造智慧教育的生态圈和命运共同体，推动面向教育行业场景化解决方案创新能力的构建。AI+教育，我们不预测未来，我们创造未来。
深度学习是个“筐”有人看半满，有人看半空
细读马库斯后来发的这篇万字长文，可以发现，不少人对他的质疑是：你忽略了深度学习取得的成绩、你没有说深度学习有哪些好处。言外之意，你对深度学习不是“真爱”，对它的好视而不见。
而以杨立昆为代表的一派，对深度学习绝对是“真爱”。从维基百科的介绍中可以看到，正是杨立昆提出了卷积神经网络（Convolutionalneuralnetworks，简称CNNs）理论，并成为CNNs得以实现的奠基人，这一网络正是实现深度学习的机器学习模型之一。
尽管由CNNs、RNNs（循环神经网络）、DNNs（深度神经网络）等构成的深度学习模式日渐成熟，据说网络层数已经能达到100多层，但马库斯认为，它仍有目前无法规避的十大问题，例如，极度依赖数据、学习过程是个“黑箱”、还不能自适应规则变化等等。
“深度学习存在不少问题，例如深度学习是固执己见的。”清华大学教授马少平的观点与马库斯相一致。
他举例说，一辆AI驱动的无人车可能在模拟环境中撞树5万次才知道这是错误行为，而悬崖上的山羊却不需要多少试错机会，改变深度学习的输出很难，它缺乏“可调试性”。
另外，深度学习的过程如果是黑箱，会影响它的应用领域，例如诊断病症。“AI运算像在一个黑箱子里运行，创造者也无法说清其中的套路。”马少平说，AI虽然可能给出一个结论，但是人类如果无法知道它究竟是怎么推算出来的，就不敢采信。
在制造“噪音”的情况下，AI很容易判断错误。“它无法自动排除噪音，人眼看着是熊猫，AI却会误认为是长臂猿。”马少平认为，AI仍处于初级阶段，还有很多问题等待解决。
在马库斯列出的十大问题中，较要命的是较后一条，深度学习很难稳健地实现工程化。这相当于给深度学习引领AI走向强智能的可能性亮了红灯。
北京语言大学教授荀恩东解释，工程化意味着有“通行”的规则。例如对某一个问题的解决方法确定了，可以固定化，哪里需要往哪里搬。而深度学习进行问题处理时，采取类似于完成项目的方式，一个一个地解题，然而世界上有无数问题，如果很难保证机器学习系统换个新环境还能有效工作，那深度学习这项技术可能并不合适帮助AI获得通行的能力，引导和人类智能相当的强人工智能的实现。
这种对深度学习的尖锐批评，自然会让深度学习的拥趸们很不满意。他们的理由也很充分：这些问题只是现阶段的，未来不一定得不到解决。批评者看到的是深度学习这个筐半空，而支持者看到的则是半满。
人工智能的发展,主要经历哪几个阶段?
1 孕育阶段
这个阶段主要是指1956年以前。自古以来，人们就一直试图用各种机器来代替人的部分脑力劳动，以提高人们征服自然的能力，其中对人工智能的产生、发展有重大影响的主要研究成果包括：
早在公元前384-公元前322年，伟大的哲学家亚里士多德(Aristotle)就在他的名著《工具论》中提出了形式逻辑的一些主要定律，他提出的三段论至今仍是演绎推理的基本依据。
英国哲学家培根(F. Bacon)曾系统地提出了归纳法，还提出了“知识就是力量”的警句。这对于研究人类的思维过程，以及自20世纪70年代人工智能转向以知识为中心的研究都产生了重要影响。
德国数学家和哲学家莱布尼茨(G. W. Leibniz)提出了万能符号和推理计算的思想，他认为可以建立一种通用的符号语言以及在此符号语言上进行推理的演算。这一思想不仅为数理逻辑的产生和发展奠定了基础，而且是现代机器思维设计思想的萌芽。
英国逻辑学家布尔(C. Boole)致力于使思维规律形式化和实现机械化，并创立了布尔代数。他在《思维法则》一书中首次用符号语言描岩丛述了思维活动的基本推理法则。
英国数学家图灵(A. M. Turing)在1936年提出了一种理想计算机的数学模型，即图灵机，为后来电子数字计算机的问世奠定了理论基础。
美国神经生理学家麦克洛奇(W. McCulloch)与匹兹(W. Pitts)在1943年建成了一个神经网络模型(M-P模型)，开创了微观人工智能的研究领域，为后来人工神经网络的研究奠定了基础。
美国爱荷华州立大学的阿塔纳索夫(Atanasoff)教授和他的研究生贝瑞(Berry)在1937年至1941年间开发的世界上一台电子计算机“阿塔纳索夫-贝瑞计算机(Atanasoff-Berry Computer，ABC)”为人工智能的研究奠定了物质基础。需要说明的是：世界上一台计算机不是许多书上所说的由美国的莫克利和埃柯特在1946年发明。这是美国历史上一桩著名的公案。
由上面的发展过程可以看出，人工智能的产生和发展绝不是偶然的，它是科学技术发展的必然产物。
2 形成阶段
这个阶段主要是指1956-1969年。1956年夏季，由当时达特茅斯大学的年轻数学助教、现任斯坦福大学教授麦卡锡(J. MeCarthy)联合哈佛大学年轻数学和神经学家、麻省理工学院教授明斯基(M. L. Minsky)，IBM公司信息研究中心负责人洛切斯特(N. Rochester)，贝尔实验室信息部数学研究员香农(C. E. Shannon)共同发起，哗枣此邀请普林斯顿大学的莫尔(T.Moore)和IBM公司的塞缪尔(A. L. Samuel)、麻省理工学院的塞尔夫里奇(O. Selfridge)和索罗莫夫(R. Solomonff)以及兰德(RAND)公司和卡内基梅隆大学的纽厄尔(A. Newell)、西蒙(H. A. Simon)等在美国达特茅斯大学召开了一次为时两个月的学术研讨会，讨论关于机器智能的问题。会上经麦卡锡提议正式采用了“人工智能”这一术语。麦卡锡因而被称为人工智能之父。这是一次具有历史意义的重要会议，它标志着人工智能作为一门新兴学科正式诞生了。此后，美国形成了多个人工智能研究组织，如纽厄尔和西蒙的Carnegie-RAND协作组，明斯基和麦卡锡的MIT研究组，塞缪尔的IBM工程研究组等。
自这次会议之后的10多年间，人工智能的研究在机器学习、定理证明、模式识别、问题求解、专家系统及人工智能语言等方面都取得了许多引人注目的成就，例如：
在机器学习方面，1957年Rosenblatt研制成功了感知机。这乱迅是一种将神经元用于识别的系统，它的学习功能引起了广泛的兴趣，推动了连接机制的研究，但人们很快发现了感知机的局限性。
在定理证明方面，美籍华人数理逻辑学家王浩于1958年在IBM-704机器上用3~5min证明了《数学原理》中有关命题演算的全部定理(220条)，并且还证明了谓词演算中150条定理的85%，1965年鲁宾逊(J. A. Robinson)提出了归结原理，为定理的机器证明作出了突破性的贡献。
在模式识别方面，1959年塞尔夫里奇推出了一个模式识别程序，1965年罗伯特(Roberts)编制出了可分辨积木构造的程序。
在问题求解方面，1960年纽厄尔等人通过心理学试验总结出了人们求解问题的思维规律，编制了通用问题求解程序(General Problem Solver，GPS)，可以用来求解11种不同类型的问题。
在专家系统方面，美国斯坦福大学的费根鲍姆(E. A. Feigenbaum)领导的研究小组自1965年开始专家系统DENDRAL的研究，1968年完成并投入使用。该专家系统能根据质谱仪的实验，通过分析推理决定化合物的分子结构，其分析能力已接近甚至超过有关化学专家的水平，在美、英等国得到了实际的应用。该专家系统的研制成功不仅为人们提供了一个实用的专家系统，而且对知识表示、存储、获取、推理及利用等技术是一次非常有益的探索，为以后专家系统的建造树立了榜样，对人工智能的发展产生了深刻的影响，其意义远远超过了系统本身在实用上所创造的价值。
在人工智能语言方面，1960年麦卡锡研制出了人工智能语言(List Processing，LISP)，成为建造专家系统的重要工具。
1969年成立的国际人工智能联合会议(International Joint Conferences On Artificial Intelligence，IJCAI)是人工智能发展史上一个重要的里程碑，它标志着人工智能这门新兴学科已经得到了世界的肯定和认可。1970年创刊的国际性人工智能杂志《Artificial Intelligence》对推动人工智能的发展，促进研究者们的交流起到了重要的作用。
3 发展阶段
这个阶段主要是指1970年以后。进入20世纪70年代，许多国家都开展了人工智能的研究，涌现了大量的研究成果。例如，1972年法国马赛大学的科麦瑞尔(A. Comerauer)提出并实现了逻辑程序设计语言PROLOG；斯坦福大学的肖特利夫(E. H. Shorliffe)等人从1972年开始研制用于诊断和治疗感染性疾病的专家系统MYCIN。
但是，和其他新兴学科的发展一样，人工智能的发展道路也不是平坦的。例如，机器翻译的研究没有像人们较初想象的那么容易。当时人们总以为只要一部双向词典及一些词法知识就可以实现两种语言文字间的互译。后来发现机器翻译远非这么简单。实际上，由机器翻译出来的文字有时会出现十分荒谬的错误。例如，当把“眼不见，心不烦”的英语句子“Out of sight，out of mind”。翻译成俄语变成“又瞎又疯”；当把“心有余而力不足”的英语句子“The spirit is willing but the flesh is weak”翻译成俄语，然后再翻译回来时竟变成了“The wine is good but the meat is spoiled”，即“酒是好的，但肉变质了”；当把“光阴似箭”的英语句子“Time flies like an arrow”翻译成日语，然后再翻译回来的时候，竟变成了“苍蝇喜欢箭”。由于机器翻译出现的这些问题，1960年美国政府顾问委员会的一份报告裁定：“还不存在通用的科学文本机器翻译，也没有很近的实现前景。”因此，英国、美国当时中断了对大部分机器翻译项目的资助。在其他方面，如问题求解、神经网络、机器学习等，也都遇到了困难，使人工智能的研究一时陷入了困境。
人工智能研究的先驱者们认真反思，总结前一段研究的经验和教训。1977年费根鲍姆在第五届国际人工智能联合会议上提出了“知识工程”的概念，对以知识为基础的智能系统的研究与建造起到了重要的作用。大多数人接受了费根鲍姆关于以知识为中心展开人工智能研究的观点。从此，人工智能的研究又迎来了蓬勃发展的以知识为中心的新时期。
这个时期中，专家系统的研究在多种领域中取得了重大突破，各种不同功能、不同类型的专家系统如雨后春笋般地建立起来，产生了巨大的经济效益及社会效益。例如，地矿勘探专家系统PROSPECTOR拥有15种矿藏知识，能根据岩石标本及地质勘探数据对矿藏资源进行估计和预测，能对矿床分布、储藏量、品位及开采价值进行推断，制定合理的开采方案。应用该系统成功地找到了超亿美元的钼矿。专家系统MYCIN能识别51种病菌，正确地处理23种抗菌素，可协助医生诊断、治疗细菌感染性血液病，为患者提供较佳处方。该系统成功地处理了数百个病例，并通过了严格的测试，显示出了较高的医疗水平。美国DEC公司的专家系统XCON能根据用户要求确定计算机的配置。由专家做这项工作一般需要3小时，而该系统只需要0.5分钟，速度提高了360倍。DEC公司还建立了另外一些专家系统，由此产生的净收益每年超过4000万美元。信用卡认证辅助决策专家系统American Express能够防止不应有的损失，据说每年可节省2700万美元左右。
专家系统的成功，使人们越来越清楚地认识到知识是智能的基础，对人工智能的研究必须以知识为中心来进行。对知识的表示、利用及获取等的研究取得了较大的进展，特别是对不确定性知识的表示与推理取得了突破，建立了主观Bayes理论、确定性理论、证据理论等，对人工智能中模式识别、自然语言理解等领域的发展提供了支持，解决了许多理论及技术上的问题。
人工智能在博弈中的成功应用也举世瞩目。人们对博弈的研究一直抱有极大的兴趣，早在1956年人工智能刚刚作为一门学科问世时，塞缪尔就研制出了跳棋程序。这个程序能从棋谱中学习，也能从下棋实践中提高棋艺。1959年它击败了塞缪尔本人，1962年又击败了一个州的冠军。1991年8月在悉尼举行的第12届国际人工智能联合会议上，IBM公司研制的“深思”(Deep Thought)计算机系统就与澳大利亚象棋冠军约翰森(D. Johansen)举行了一场人机对抗赛，结果以1:1平局告终。1957年西蒙曾预测10年内计算机可以击败人类的世界冠军。虽然在10年内没有实现，但40年后深蓝计算机击败国际象棋棋王卡斯帕罗夫(Kasparov)，仅仅比预测迟了30年。
1996年2月10日至17日，为了纪念世界上一台电子计算机诞生50周年，美国IBM公司出巨资邀请国际象棋棋王卡斯帕罗夫与IBM公司的深蓝计算机系统进行了六局的“人机大战”。这场比赛被人们称为“人脑与电脑的世界决战”。参赛的双方分别代表了人脑和电脑的世界较高水平。当时的深蓝是一台运算速度达每秒1亿次的超级计算机。一盘，深蓝就给卡斯帕罗夫一个下马威，赢了这位世界冠军，给世界棋坛以极大的震动。但卡斯帕罗夫总结经验，稳扎稳打，在剩下的五盘中赢三盘，平两盘，较后以总比分4:2获胜。一年后，即1997年5月3日至11日，深蓝再次挑战卡斯帕罗夫。这时，深蓝是一台拥有32个处理器和强大并行计算能力的RS/6000SP/2的超级计算机，运算速度达每秒2亿次。计算机里存储了百余年来世界顶尖棋手的棋局，5月3日棋王卡斯帕罗夫首战击败深蓝，5月4日深蓝扳回一盘，之后双方战平三局。双方的决胜局于5月11日拉开了帷幕，卡斯帕罗夫在这盘比赛中仅仅走了19步便放弃了抵抗，比赛用时只有1小时多一点。这样，深蓝较终以3.5：2.5的总比分赢得这场举世瞩目的“人机大战”的胜利。深蓝的胜利表明了人工智能所达到的成就。尽管它的棋路还远非真正地对人类思维方式的模拟，但它已经向世人说明，电脑能够以人类远远不能企及的速度和准确性，实现属于人类思维的大量任务。深蓝精湛的残局战略使观战的国际象棋专家们大为惊讶。卡斯帕罗夫也表示：“这场比赛中有许多新的发现，其中之一就是计算机有时也可以走出人性化的棋步。在一定程度上，我不能不赞扬这台机器，因为它对盘势因素有着深刻的理解，我认为这是一项杰出的科学成就。”因为这场胜利，IBM的票升值为180亿美元。
4 人工智能的学派
根据前面的论述，我们知道要理解人工智能就要研究如何在一般的意义上定义知识，可惜的是，准确定义知识也是个十分复杂的事情。严格来说，人们较早使用的知识定义是柏拉图在《泰阿泰德篇》中给出的，即“被证实的、真的和被相信的陈述”(Justified true belief，简称JTB条件)。
然而，这个延续了两千多年的定义在1963年被哲学家盖梯尔否定了。盖梯尔提出了一个著名的悖论(简称“盖梯尔悖论”)。该悖论说明柏拉图给出的知识定文存在严重缺陷。虽然后来人们给出了很多知识的替代定义，但直到现在仍然没有定论。
但关于知识，至少有一点是明确的，那就是知识的基本单位是概念。精通掌握任何一门知识，必须从这门知识的基本概念开始学习。而知识自身也是一个概念。因此，如何定义一个概念，对于人工智能具有非常重要的意义。给出一个定义看似简单，实际上是非常难的，因为经常会涉及自指的性质(自指：词性的转化——由谓词性转化为体词性，语义则保持不变)。一旦涉及自指，就会出现非常多的问题，很多的语义悖论都出于概念自指。
自指与转指这一对概念较早出自朱德熙先生的《自指与转指》(《方言》1983年一期，《朱德熙文集》第三卷)。陆俭明先生在《八十年代中国语法研究》中(第98页)说：“自指和转指的区别在于，自指单纯是词性的转化－由谓词性转化为体词性，语义则保持不变；转指则不仅词性转化，语义也发生变化，尤指行为动作或性质本身转化为指与行为动作或性质相关的事物。”
举例：
①教书的来了(“教书的”是转指，转指教书的“人”)；教书的时候要认真(“教书的”语义没变，是自指)。
②Unplug一词的原意为“不使用(电源)插座”，是自指；常用来转指为不使用电子乐器的唱歌。
③colored在表示having colour(着色)时是自指。colored在表示有色人种时，就是转指。
④rich，富有的，是自指。the rich，富人，是转指。
知识本身也是一个概念。据此，人工智能的问题就变成了如下三个问题：一、如何定义(或者表示)一个概念、如何学习一个概念、如何应用一个概念。因此对概念进行深人研究就非常必要了。
那么，如何定义一个概念呢？简单起见，这里先讨论较为简单的经典概念。经典概念的定义由三部分组成：一部分是概念的符号表示，即概念的名称，说明这个概念叫什么，简称概念名；第二部分是概念的内涵表示，由命题来表示，命题就是能判断真假的陈述句。第三部分是概念的外延表示，由经典集合来表示，用来说明与概念对应的实际对象是哪些。
举一个常见经典概念的例子——素数(prime number)，其内涵表示是一个命题，即只能够被1和自身整除的自然数。
概念有什么作用呢？或者说概念定义的各个组成部分有什么作用呢？经典概念定义的三部分各有作用，且彼此不能互相代替。具体来说，概念有三个作用或功能，要掌握一个概念，必须清楚其三个功能。
一个功能是概念的指物功能，即指向客观世界的对象，表示客观世界的对象的可观测性。对象的可观测性是指对象对于人或者仪器的知觉感知特性，不依赖于人的主观感受。举一个《阿Q正传》里的例子：那赵家的狗，何以看我两眼呢？句子中“赵家的狗”应该是指现实世界当中的一条真正的狗。但概念的指物功能有时不一定能够实现，有些概念其设想存在的对象在现实世界并不存在，例如“鬼”。
第二个功能是指心功能，即指向人心智世界里的对象，代表心智世界里的对象表示。鲁迅有一篇著名的文章《论丧家的资本家的乏走狗》，显然，这个“狗”不是现实世界的狗，只是他心智世界中的狗，即心里的狗(在客观世界，梁实秋先生显然无论如何不是狗)。概念的指心功能一定存在。如果对于某一个人，一个概念的指心功能没有实现，则该词对于该人不可见，简单地说，该人不理解该概念。
较后一个功能是指名功能，即指向认知世界或者符号世界表示对象的符号名称，这些符号名称组成各种语言。较著名的例子是乔姆斯基的“colorless green ideas sleep furiously”，这句话翻译过来是“无色的绿色思想在狂怒地休息”。这句话没有什么意思，但是完全符合语法，纯粹是在语义符号世界里，即仅仅指向符号世界而已。当然也有另外，“鸳鸯两字怎生书”指的就是“鸳鸯”这两个字组成的名字。一般情形下，概念的指名功能依赖于不同的语言系统或者符号系统，由人类所创造，属于认知世界。同一个概念在不同的符号系统里，概念名不一定相同，如汉语称“雨”，英语称“rain”。
根据波普尔的三个世界理论，认知世界、物理世界与心理世界虽然相关，但各不相同。因此，一个概念的三个功能虽然彼此相关，也各不相同。更重要的是，人类文明发展至今，这三个功能不断发展，彼此都越来越复杂，但概念的三个功能并没有改变。
在现实生活中，如果你要了解一个概念，就需要知道这个概念的三个功能：要知道概念的名字，也要知道概念所指的对象(可能是物理世界)。更要在自己的心智世界里具有该概念的形象(或者图像)。如果只有一个，那是不行的。
知道了概念的三个功能之后，就可以理解人工智能的三个学派以及各学派之间的关系。
人工智能也是一个概念，而要使一个概念成为现实，自然要实现概念的三个功能。人工智能的三个学派关注于如何才能让机器具有人工智能，并根据概念的不同功能给出了不同的研究路线。专注于实现AI指名功能的人工智能学派成为符号主义，专注于实现AI指心功能的人工智能学派称为连接主义，专注于实现AI指物功能的人工智能学派成为行为主义。
1. 符号主义
符号主义的代表人物是Simon与Newell，他们提出了物理符号系统假设，即只要在符号计算上实现了相应的功能，那么在现实世界就实现了对应的功能，这是智能的充分必要条件。因此，符号主义认为，只要在机器上是正确的，现实世界就是正确的。说得更通俗一点，指名对了，指物自然正确。
在哲学上，关于物理符号系统假设也有一个著名的思想实验——本章1.1.3节中提到的图灵测试。图灵测试要解决的问题就是如何判断一台机器是否具有智能。
图灵测试将智能的表现完全限定在指名功能里。但马少平教授的故事已经说明，只在指名功能里实现了概念的功能，并不能说明一定实现了概念的指物功能。实际上，根据指名与指物的不同，哲学家约翰·塞尔勒专门设计了一个思想实验用来批判图灵测试，这就是著名的中文屋实验。
中文屋实验明确说明，即使符号主义成功了，这全是符号的计算跟现实世界也不一定搭界，即完全实现指名功能也不见得具有智能。这是哲学上对符号主义的一个正式批评，明确指出了按照符号主义实现的人工智能不等同于人的智能。
虽然如此，符号主义在人工智能研究中依然扮演了重要角色，其早期工作的主要成就体现在机器证明和知识表示上。在机器证明方面，早期Simon与Newell做出了重要的贡献，王浩、吴文俊等华人也得出了很重要的结果。机器证明以后，符号主义较重要的成就是专家系统和知识工程，较著名的学者就是Feigenbaum。如果认为沿着这条路就可以实现全部智能，显然存在问题。日本第五代智能机就是沿着知识工程这条路走的，其后来的失败在现在看来是完全合乎逻辑的。
实现符号主义面临的观实挑成主要有三个。一个是概念的组合爆炸问题。每个人掌握的基本概念大约有5万个，其形成的组合概念却是无穷的。因为常识难以穷尽，推理步骤可以无穷。第二个是命题的组合悖论问题。两个都是合理的命题，合起来就变成了没法判断真假的句子了，比如著名的柯里悖论(Curry’s Paradox)(1942)。第三个也是较难的问题，即经典概念在实际生活当中是很难得到的，知识也难以提取。上述三个问题成了符号主义发展的瓶颈。
2. 连接主义
连接主义认为大脑是一切智能的基础，主要关注于大脑神经元及其连接机制，试图发现大脑的结构及其处理信息的机制、揭示人类智能的本质机理，进而在机器上实现相应的模拟。前面已经指出知识是智能的基础，而概念是知识的基本单元，因此连接主义实际上主要关注于概念的心智表示以及如何在计算机上实现其心智表示，这对应着概念的指心功能。2016年发表在Nature上的一篇学术论文揭示了大脑语义地图的存在性，文章指出概念都可以在每个脑区找到对应的表示区，确确实实概念的心智表示是存在的。因此，连接主义也有其坚实的物理基础。
连接主义学派的早期代表人物有麦克洛克、皮茨、霍普菲尔德等。按照这条路，连接主义认为可以实现完全的人工智能。对此，哲学家普特南设计了著名的“缸中之脑实验”，可以看作是对连接主义的一个哲学批判。
缸中之脑实验描述如下：一个人(可以假设是你自己)被邪恶科学家进行了手术，脑被切下来并放在存有营养液的缸中。脑的神经末梢被连接在计算机上，同时计算机按照程序向脑传递信息。对于这个人来说，人、物体、天空都存在，神经感觉等都可以输入，这个大脑还可以被输入、截取记忆，比如截取掉大脑手术的记忆，然后输入他可能经历的各种环境、日常生活，甚至可以被输入代码，“感觉”到自己正在阅读这一段有趣而荒唐的文字。
缸中之脑实验说明即使连接主义实现了，指心没有问题，但指物依然存在严重问题。因此，连接主义实现的人工智能也不等同于人的智能。
尽管如此，连接主义仍是目前较为大众所知的一条AI实现路线。在围棋上，采用了深度学习技术的AlphaGo战胜了李世石，之后又战胜了柯洁。在机器翻译上，深度学习技术已经超过了人的翻译水平。在语音识别和图像识别上，深度学习也已经达到了实用水准。客观地说，深度学习的研究成就已经取得了工业级的进展。
但是，这并不意味着连接主义就可以实现人的智能。更重要的是，即使要实现完全的连接主义，也面临极大的挑战。到现在为止，人们并不清楚人脑表示概念的机制，也不清楚人脑中概念的具体表示形式表示方式和组合方式等。现在的神经网络与深度学习实际上与人脑的真正机制距离尚远。
3. 行为主义
行为主义假设智能取决于感知和行动，不需要知识、表示和推理，只需要将智能行为表现出来就好，即只要能实现指物功能就可以认为具有智能了。这一学派的早期代表作是Brooks的六足爬行机器人。
对此，哲学家普特南也设计了一个思想实验，可以看作是对行为主义的哲学批判，这就是“完美伪装者和斯巴达人”。完美伪装者可以根据外在的需求进行完美的表演，需要哭的时候可以哭得让人撕心裂肺，需要笑的时候可以笑得让人兴高采烈，但是其内心可能始终冷静如常。斯巴达人则相反，无论其内心是激动万分还是心冷似铁，其外在总是一副泰山崩于前而色不变的表情。完美伪装者和斯巴达人的外在表现都与内心没有联系，这样的智能如何从外在行为进行测试？因此，行为主义路线实现的人工智能也不等同于人的智能。
对于行为主义路线，其面临的较大实现困难可以用莫拉维克悖论来说明。所谓莫拉维克悖论，是指对计算机来说困难的问题是简单的、简单的问题是困难的，较难以复制的反而是人类技能中那些无意识的技能。目前，模拟人类的行动技能面临很大挑战。比如，在网上看到波士顿动力公司人形机器人可以做高难度的后空翻动作，大狗机器人可以在任何地形负重前行，其行动能力似乎非常强。但是这些机器人都有一个大的缺点一能耗过高、噪音过大。大狗机器人原是美国军方订购的产品，但因为大狗机器人开动时的声音在十里之外都能听到，大大提高了其成为一个活靶子的可能性，使其在战场上几乎没有实用价值，美国军方较终放弃了采购。
网红机器人索菲亚为什么挨骂？
如果你去问关注AI领域的朋友，2018有什么大新闻没有？他可能和你说，“杨勒丘恩在推特上开骂了！爆粗口怒喷索菲亚是狗屎！清华计算机系的教授马少平、南大的中国计算机学会人工智能专委主任周志华也在微博上diss这玩意儿就是个塑料壳呢！”然后就开始说起外星话一般的技术分析……
等等，这到底是怎么回事？
杨勒丘恩发推，管索菲亚叫“狗屎”“波将金AI”“奥兹国巫师AI”。图片来源：推特
相关人物都是谁？
引领计算机学院派指名道姓地痛批一个商业机器人的“带头老杨”是谁？他是Facebook的AI研究部门主管，在卷积神经网络方面贡献很大。你的手机和电脑能认出图片里是小猫咪还是盖浇饭，老杨居功甚伟。一句话，他的确是AI界的领军人物。
老杨骂的这个索菲亚又是何方神圣？她（是的，“她”）是个网红机器人，2017年10月份得到了阿联酋授予的公民身份，理论上来说，这让索菲亚成了世界上一个“有人权”的机器人。
让我们把时间拨到过去，人工智能索菲亚在2015年启动，一直籍籍无名到2016年3月，一次上电视访谈就引发了轰动——有一波“震惊！人工智能竟声称要毁灭人类！”的新闻，就是索菲亚在访谈中爆出来的惊人之语。一炮而红的索菲亚抓住了机会，全球到处上节目为自己造势，在Youtube开频道宣称自己“觉醒”了，在美国脱口秀里和主持人谈笑风生，笑着说猜拳胜利是迈向统治人类的一步，在后来的访谈里又收起了称霸天下的野心，期望起爱与家庭。这个机器人甚至还登上了时尚杂志ELLE的封面，纽约时报、英国卫报和央视新闻都采访过她，可以说是一颗冉冉上升的明星。
索菲亚登上ELLE封面，可以算是机器人的时尚高峰了。图片来源：ELLE
到了2017年，这位媒体宠儿再接再厉，接了更多媒体访谈不说，还在联合国接受了副秘书长的访谈，较终在媒体的瞩目中登上阿联酋科技大会讲台，嘲讽埃隆马斯克（Elon Musk），接受公民身份，走向机器人生的巅峰。
从谷歌搜索趋势来看，索菲亚及其母公司汉森机器人一共火过四次：A．机器人启动；B.声称毁灭人类；C.毁灭人类的二次传播；D.联合国讲话嘲讽钢铁侠成为沙特公民。图片来源：google
那么问题毁亩就来了，为什么老杨会骂这个给业界引来众多关注的机器人是“狗屎”呢？
名不副实的AI
理由可能和我们在网购投诉的原因一样——描述与实物不符。
在媒体上，索菲亚素来都以“就像活人的AI”为招牌。吃瓜群众之所以对这个机器人口吐莲花对答如流惊讶不已，也是基于这个认识。但内行人却不这么认为。杨勒丘恩大骂说，索菲亚之于AI就像变戏法之于真魔法，称她是“奥兹国巫师AI”，指责索菲亚团队躲在幕后操作，让观众产生自己在和一个自主AI交流的幻觉。
当谈到“和人一样的人工智能”的时候，映入你脑海概念会是什么？计算器“归归归归归归零”如果按得有节奏枣罩也能唱起歌来，算智能吗？预先编好了脚本，你输入关键词就会触发相应回复的自动客服，算智能吗？一千个人心里可能有一千个“真正的人工智能”，但我们的底线可能差不多，这个AI得靠自己的“思考”来解决现实中的问题。索菲亚做到了吗？
似乎没有。纤岩森在已经功成名就的去年年底，索菲亚接受BBC的一次访谈时脱下了“人工智能”的外衣，承认自己使用预先录好的脚本来应答。从索菲亚所在汉森机器人公司的首席科学家本戈泽尔（Ben Goertzel）在2017年末的叙述来看，索菲亚主要还是聊天机器人，“智能”水平可能不及Siri这位一直被我们骂成人工智障的前辈，索菲亚也不理解自己说出来的话，访谈中妙语连珠的段子是预先准备好的。
索菲亚与汉森机器人公司的首席科学家本戈泽尔（右）。图片来源：SingularityNET
而面对老杨带起的这波批评，戈泽尔也不甘示弱，提出了三点反击：一是“我可从来没说过索菲亚像人一样啊！”，技术上这话没错，“索菲亚基本上是活的”（basically alive）这话是汉森机器人公司创立者大卫汉森（David Hanson）带着索菲亚上电视时说的；二是“老杨你们Facebook拿着人工智能收集用户信息，还帮俄国人选了川普当总统呢！”；三是“技术圈的那些人妒嫉我们红，批评我们是因为没人注意他们的研究”——现在知道学院派为啥不高兴了吧。
汉森（右）曾经声称索菲亚“基本是活的”。图片来源：Denis Balibouse /Reuters
索菲亚是个骗局吗？
那，索菲亚是彻头彻尾的骗子么？
这得看你对骗子的定义了，这个机器人还是有些智能算法和高科技在里面的。但索菲亚能从一众人形聊天乃至性服务机器人里脱颖而出，靠的可不仅仅是工程技术上的优越性，而是背后团队对媒体和观众的把握。
名叫“和谐”( Harmony)的性服务机器人，没有索菲亚红……图片来源：culturehook.com
对我们这些不懂得计算机科学的老百姓来说，影视作品给了我们很多关于“人工智能的崛起意味着什么？”的猜测，而索菲亚的初登场就是较令人震惊的那种——和《终结者》里的天网一样毁灭人类，这个猎奇答案成了她网红路上的一块基石，然后索菲亚就和其他有血有肉的网红一样，迎着观众的口味一路蹿升。直到现在，大众才知道索菲亚不明白自己说的是什么，台词可能是预先准备好的——你觉得这是个电影一般戏剧化的巧合呢，还是精心准备的“节目效果”呢？
写到这里，想起了前阵去一家大学的实验室访问研究人工智能的教授，我聊起过去在媒体看到的成像算法新成果如何如何厉害，相比之下医生手里用的工具又多么落后，教授当场给我来了个“不是”“没有”“别瞎想啊”的否认三连，然后解释道：媒体为了吸引眼球，肯定倾向于拿实验室里能做出来的较佳表现来报道，我们看电视也倾向于记得较劲爆的内容对吧？但技术发展是有自己规律的，光较佳成绩很高是不够的呀，工程上得保证较差成绩也能用，这样才能保证到医生手里的工具可靠，不是么？一来二去等验证完得好多年，看上去肯定落后于较新的实验室较佳成绩。
媒体上的世界与现实中的世界，所存在的鸿沟也许就源于此。
怎么评价索菲亚呢？也许还是要回到老杨给出的的评价——“波将金AI”。
18世纪，俄国有个大臣格里高利波将金（Grigory Potemkin）干了件永载史册的事情。1787年，俄国女皇叶卡捷琳娜二世要带着一群外国大使沿第聂伯河巡视国土。为了让沿途看上去人壮村富、盛世风光，波将金派人在河边建起了神级面子工程——可移动村庄。每当女皇和大使的驳船抵达，就会看到美丽的村庄和波将金手下装扮成的农民。到了晚上，女皇和大使休息时，这些村庄和人则被移到下游迅速重建，随后就再次展现在贵人们眼前。后人于是把类似的面子工程称为“波将金村”。
索菲亚也是如此，这个机器人在媒体上给出的“较好一面”，多是出自事先准备好的粉饰。索菲亚之所以看上去是个通才，是因为她在不同情况下，运行的是不同的程序，比如说，在联合国演讲，运行的就是预先编好的脚本；跟记者对谈，运行的就是聊天程序；还有些时候，索菲亚运行的是戈泽尔的OpenCog人工智能软件系统。
索菲亚不是所谓的“强人工智能”，戈泽尔承认这一点，同时也辩解说，其他人也没做出强人工智能。
但有一点是确定的，机器人的智能仍然在快速提升中。终有一日，真正的强人工智能会出现。能理解隐喻的它们，没准会用“索菲亚”来替代“波将金村”。（编辑：游识猷）
度玩小站 https://www.feisul.cn/ai/2435.html 转载需授权！