自计算机或机器发明以来，它们执行各种任务的能力已经呈指数级增长。人类在计算机系统的各个工作领域、不断提高的速度以及随着时间的推移尺寸的减小方面都发展了计算机系统的功能。
计算机科学的一个分支，名为人工智能，致力于创造出像人类一样聪明的计算机或机器。
Basic Concept of Artificial Intelligence (AI)
根据人工智能之父约翰·麦卡锡的说法，它就是“制造智能机器的科学与工程，特别是智能计算机程序”。
人工智能是一种让计算机、计算机控制的机器人或软件像具有智能的人类一样思考的方法。人工智能是通过研究人脑是如何思考的，以及人类在尝试解决问题时如何学习、决定和工作的，然后将这项研究的成果作为开发智能软件和系统的基础来实现的。
在利用计算机系统功能的同时，人类的好奇心让他开始思考，“机器是否能像人类一样思考和行为？”
因此，人工智能的开发始于在机器中创造出与我们在人类中发现和重视的类似智能的意图。
The Necessity of Learning AI
正如我们所知，人工智能致力于创造出像人类一样聪明的机器。我们研究人工智能有很多原因。原因如下：
AI can learn through data
在我们的日常生活中，我们处理着大量的数据，而人脑无法追踪如此多的数据。这就是我们需要自动化事物的原因。为了进行自动化，我们需要研究人工智能，因为它可以从数据中学习，并且可以准确无误和不知疲倦地执行重复性任务。
AI can teach itself
一个系统应该自我学习是非常必要的，因为数据本身一直在变化，从这些数据中获得的知识必须不断更新。我们可以使用人工智能来实现这一目的，因为启用人工智能的系统可以自我学习。
AI can respond in real time
人工智能借助于神经网络可以更深入地分析数据。由于这种能力，人工智能可以基于实时条件思考和响应情况。
AI achieves accuracy
借助深度神经网络，人工智能可以实现巨大的准确性。人工智能有助于医学领域诊断疾病，如通过患者的 MRI 诊断癌症。
AI can organize data to get most out of it
对于使用自学习算法的系统来说，数据是一种知识产权。我们需要人工智能以一种始终提供最佳结果的方式索引和组织数据。
Understanding Intelligence
有了人工智能，就可以构建智能系统。我们需要理解智能的概念，以便我们的大脑能够构建另一个像它自己一样的智能系统。
What is Intelligence?
一个系统计算、推理、感知关系和类比、从经验中学习、存储和从记忆中检索信息、解决问题、理解复杂思想、流利地使用自然语言、分类、概括和适应新情况的能力。
Types of Intelligence
正如美国发展心理学家霍华德·加德纳所描述的，智能包括多种形式：
Sr.No |
Intelligence & Description |
Example |
1 |
Linguistic intelligence 说话、识别和使用语音学（语音声音）、语法和语义（意义）机制的能力。 |
Narrators, Orators |
2 |
Musical intelligence 创造、交流和理解声音、理解音高、节奏所产生的意义的能力。 |
Musicians, Singers, Composers |
3 |
Logical-mathematical intelligence 在没有动作或物体的情况下使用和理解关系的能力。这也是理解复杂和抽象思想的能力。 |
Mathematicians, Scientists |
4 |
Spatial intelligence 感知视觉或空间信息、改变信息和在不参考物体的情况下重新创建视觉图像、构建 3D 图像并移动和旋转它们的能力。 |
Map readers, Astronauts, Physicists |
5 |
Bodily-Kinesthetic intelligence 使用身体全部或部分来解决问题或设计产品、对精细和粗大运动技能的控制、操纵物体的能力。 |
Players, Dancers |
6 |
Intra-personal intelligence 辨别自己感觉、意图和动机的能力。 |
Gautam Buddhha |
7 |
Interpersonal intelligence 识别和辨别他人的感觉、信仰和意图的能力。 |
Mass Communicators, Interviewers |
当机器或系统至少具备其中一种或所有智能时，可以说它是人工智能。
What is Intelligence Composed Of?
-
Reasoning
-
Learning
-
Problem Solving
-
Perception
-
Linguistic Intelligence
Reasoning
这套流程使我们能够为判断、决策和预测提供依据。主要有两类：
Inductive Reasoning |
Deductive Reasoning |
进行具体观察以形成概括的陈述。 |
从概括的陈述开始，并检验可能性以得出具体、合乎逻辑的结论。 |
即使陈述中所有前提条件都为真，归纳推理也允许结论为假。 |
如果某事对某类事物普遍适用，那么它对该类事物的所有成员也适用。 |
Example - “妮塔是一名老师。妮塔很用功。因此，所有老师都很用功。” |
Example - “所有 60 岁以上的女性都是祖母。沙利尼 65 岁。因此，沙利尼是一位祖母。” |
Learning − l
人类、特定动物物种和人工智能系统都具有学习能力。学习归类如下：
Auditory Learning
通过聆听和听觉学习。例如，学生聆听录制的音频讲座。
Episodic Learning
通过记住自己目睹或经历过的事件序列进行学习。这是线性和有序的。
Motor Learning
通过精准地控制肌肉活动学习。例如，拾取物体、写作等。
Observational Learning
通过观察和模仿他人进行学习。例如，孩子尝试通过模仿他们的父母进行学习。
Perceptual Learning
学习识别自己之前见过的刺激。例如，识别和分类对象和情境。
Relational Learning
涉及在关系属性而非绝对属性的基础上学会区分不同刺激。例如，在上次用一汤匙盐烹饪土豆时，菜做咸了。这次烹饪时加“少许”盐。
-
Spatial Learning − 它通过视觉刺激（例如图像、颜色、地图等）学习。例如，一个人可以在实际遵循道路之前在大脑中创建路线图。
-
Stimulus-Response Learning − 当出现特定刺激时，它学会执行特定行为。例如，一条狗在听到门铃声时会竖起耳朵。
Problem Solving
这是一个过程，在其中通过沿着一条道路试图从当前情况中找到期望的解决方案，这条道路被已知或未知的障碍物阻挡。
解决问题还包括 decision making ，这是从多个备选方案中选择最合适的备选方案以达到期望目标的过程。
Perception
感知假设 sensing 。在人类中，感知借助于感觉器官。在人工智能领域，感知机制以一种有意义的方式将传感器获取的数据放在一起。
Linguistic Intelligence
这是使用、理解、说和写语言和文字的能力。它在人际交流中很重要。
What’s Involved in AI
人工智能是一个广泛的研究领域。该研究领域有助于找到解决现实世界问题的方案。
Machine Learning
它是人工智能中最流行的领域之一。该领域的基本概念是让机器从数据中学习，就像人类能够从自己的经验中学习一样。它包含学习模型，根据这些模型可以在未知数据上做出预测。
Logic
这是另一个重要的研究领域，其中使用数学逻辑来执行计算机程序。它包含执行模式匹配、语义分析等的规则和事实。
Searching
该研究领域主要用于国际象棋、井字棋等游戏。在搜索整个搜索空间后，搜索算法给出最优解。
Artificial neural networks
这是一个高效计算系统的网络，其核心主题借鉴了生物神经网络的类比。人工神经网络可用于机器人技术、语音识别、语音处理等。
Genetic Algorithm
遗传算法有助于借助多个程序解决问题。结果将基于选择最合适的结果。
Knowledge Representation
借助该研究领域，我们能够以机器可以理解的方式表示事实。知识表示得越有效，系统就会越智能。
Application of AI
Gaming
人工智能在国际象棋、扑克、井字棋等战略游戏中起着至关重要的作用，机器可以基于启发式知识想到大量的可能位置。
Natural Language Processing
Expert Systems
某些应用程序集成了机器、软件和特殊信息，以提供推理和建议。它们向用户提供解释和建议。
Vision Systems
-
间谍飞机拍摄照片，用于找出空间信息或区域的地图。
-
医生使用临床专家系统来诊断患者。
-
警方使用电脑软件，可以通过法医绘制的画像识别罪犯的面孔。
Speech Recognition
一些智能系统能够在与人交谈时以句子及其意义的方式听到并理解语言。它可以处理不同的口音、俚语、背景噪音、因感冒导致的人类声音的变化等。
Handwriting Recognition
手写识别软件可以读取纸上用笔书写的文本，或屏幕上用触控笔书写的文本。它可以识别字母形状并将其转换成可编辑的文本。
Intelligent Robots
机器人能够执行人类给定的任务。它们有传感器来检测来自真实世界中的物理数据，例如光、热、温度、运动、声音、颠簸和压力。它们有高效的处理器、多个传感器和巨大的存储器，可以表现出智能。此外，它们能够从错误中学习，并且可以适应新的环境。
Cognitive Modeling: Simulating Human Thinking Procedure
认知建模基本上是计算机科学中涉及研究和模拟人类思考过程的研究领域。人工智能的主要任务是让机器像人类一样思考。人类思考过程最重要的特点是解决问题。这就是为什么或多或少认知建模试图理解人类如何解决问题。在此之后，该模型可用于各种 AI 应用程序，例如机器学习、机器人、自然语言处理等。以下为人脑不同思维层次的图表 −
Agent & Environment
在本部分中，我们将重点关注代理和环境，以及它们如何帮助实现人工智能。
Agent
代理是可以通过传感器感知其环境并通过效应器对环境采取行动的任何事物。
-
一个 human agent 具有传感器，例如眼睛、耳朵、鼻子、舌头和皮肤，以及其他器官，例如手、腿、嘴巴，用于效应器。
-
一个 robotic agent 用摄像头和红外测距仪替换传感器，以及各种电机和驱动器用于效应器。
-
一个 software agent 将编码的位串作为其程序和操作。
Environment
有些程序完全在 artificial environment 中运行，仅限于键盘输入、数据库、计算机文件系统和屏幕上的字符输出。
相比之下，一些软件代理（软件机器人或软机器人）存在于丰富、无限的软机器人域中。模拟器具有 very detailed, complex environment 。软件代理需要从一系列动作中实时做出选择。软机器人旨在扫描客户的在线偏好，向客户展示有趣的产品，既适用于 real 环境，又适用于 artificial 环境。
