1.1　人工智能、控制论和机器人学的基础知识

人工智能一般认为是有智能行为的可计算智能体的综合和分析。智能体可以是一台机器，也可以是任何可执行操作的计算实体。人工智能的科学目标是理解在自然或人工系统中促进智能行为的原理，具有以下主要的功能：

●自然和人工智能体的分析。

●制定或测试假设，以构建智能体。

●设计、建立、试验执行智能任务的计算系统。

例：一个数字通信接收机就是一个智能体，通过处理接收的波形来确定传输的数字信号的假设（比方说，H0和H1）。这并不奇怪，自从20世纪80年代以来，工程师使用（计算机）处理器或数字信号处理器实现了通信接收机，数字信号处理器是一种专用的高性能处理器，其处理能力甚至可以达到每秒百万条指令（MIPS）或每秒浮点运算次数（FLOPS）。

例：触摸面板作为人机界面的计算机智能体在很多情况下都很常见，例如图1.1中的航空公司值机和银行业中的ATM机。

图1.1　负责航空公司值机的计算机智能体

例：用机器人来缓解对人类劳动力的需求被认为是极具潜力的应用，例如智能制造。图1.2展示的是摘取草莓的机器人。

图1.2　摘取草莓的机器人被认为挽救了农业，http://www.wbur.org/npr/592857197/robots-are-trying-to-pick-strawberries-so-far-theyre-not-very-good-at-it

在1945年由冯·诺依曼架构引发人类第一台存储程序的计算机问世之前，人工智能的概念就被提出了，具有讽刺意味的是，这要归功于战争技术的需要。在第二次世界大战期间，人工智能的根源就以不同的方式被培育，但其目的是提供技术优势以赢得战争。其中，最著名的先驱可能是艾伦·图灵（1912—1954）和诺伯特·维纳（1894—1964）。

艾伦·图灵创造了著名的图灵机计算模型，据信该模型解码了复杂的Enigma密码机。此外，图灵测试被广泛用于测试可计算的机器是否具有人工智能。

例：图灵测试由一个模仿游戏组成，游戏中包含两个角色，询问者和证人，询问者可以问证人任何问题。如果询问者不能区分证人和人，则证人必定是智能的。最初的测试是通过文本界面这种人机界面进行的。今天，如果你想从数字图书馆下载一篇论文或从电子邮件通知中下载一份银行对账单，我们将使用遵循图灵测试原理的图像测试来确保你不是一个穷举尝试的机器人。如图1.3所示的这种测试在现代网络安全中发挥着根本性作用。

图1.3　“我不是机器人”字母测试例子（左）和使用图像来测试的谷歌的验证码服务系统reCAPTCHA（右）

除了对平稳随机信号进行最优滤波的维纳滤波器外，维纳还创立了控制论。根据他在1948年的最初定义，该理论处理动物中和机器中的控制与交流。最先进的控制论可以被视为与机器人技术密切相关的任何系统的自动化和控制。回到第二次世界大战，德国的弹道导弹V-1和更成熟的V-2被认为是第一种成功运用的军事机器人。自动控制作为控制论的中心出现。在电子计算机发明之后，计算迅速地融合控制和通信成了控制论，在技术发展过程中，自动化和人机交互仍然令人高度关注。

维纳认为，第一次工业革命由于机械设备竞争而使人类手臂（体力）贬值。第二次工业革命使人类大脑（脑力）贬值，至少在一些更简单、更灵活的路线决策方面是如此。制造业中的装配线就是一个很好的例子。人们普遍认为，电脑的引入，尤其是个人电脑以及互联网的引入，引发了第三次工业革命，取代了许多简单的专业任务，例如Excel这样的电子表格，极大地简化了计算和会计工作。当将人工智能引入技术解决方案中时，许多人认为将会发生第四次工业革命（即工业4.0），这将在第10章中稍稍提及。

普林斯顿大学博士约翰·麦卡锡在搬到斯坦福大学后，定居在达特茅斯学院。麦卡锡说服明斯基、克劳德·香农和纳撒尼尔·罗切斯特把对自动机理论、神经网络和智能研究感兴趣的美国研究人员聚集在一起，于1956年夏天在达特茅斯召开了为期两个月的研讨会。这被视为人工智能的正式诞生。经过多年的发展，罗素和诺维格在Artificial Intelligence：A Modern Approach一书中指出了人工智能的四种类型：

●类人思考：像人一样思考

●类人行动：像人一样行动

●理性思考：合理地思考

●理性行动：合理地行动

在机器人、工业4.0、智能制造和自动系统/机器的应用场景下，本书中我们主要关注“理性行动”，一般不包括语义计算和智能。

要充分理解机器人和人工智能的知识，需要涉及数学方面的三个分支：

逻辑：算法这个词和概念来自9世纪的一位波斯数学家。从布尔开始，到19世纪后期，数学家一直在努力将一般的数学推理形式化为逻辑演绎。

计算：哥德尔不完全性定理的知识意味着一些函数不能用算法来表示，也就是说，是不可计算的。这激发了艾伦·图灵试图去精确描述哪些函数是可计算的（即能够被计算），并指出图灵机能够计算任何可计算的函数。然后，可解性（tractability）产生了更大的影响。如果解决问题实例所需的时间随着实例的大小呈指数增长，这样的问题称为难解的（untractable）。NP完全性理论提供了一种识别难解问题的方法。

概率和统计：人工智能，尤其是机器人，必须处理认知和决策中的不确定性，而概率建模在这方面变得非常有用。假设检验与估计是统计问题的主要范畴，它为推理的决策、统计感知、交流、控制和计算奠定了基础。