1. 符号人工智能

1.1. 在符号处理中，单词被当成遵循一套规则、互相关联的符号

1.2. 符号人工智能让计算机能用单词来思考

1.3. 符号人工智能是最早、最成功的人工智能形式之一

1.4. 20世纪初的时候，伯特兰·罗素、库尔特·哥德尔和大卫·希尔伯特等数学家就已经在探索数学的极限，试图弄清楚是不是所有东西都是可证明的

1.5. 悖论

1.5.1. 罗素证明数学是不完备的

1.5.1.1. 不可能把数学里的所有命题都证明出来

1.6. 逻辑是一种极为强大的表示方法

1.6.1. 逻辑里头表达的任何东西都必须是真或假，这就允许我们表达知识

1.7. 谓词逻辑是一种相对复杂和常用的逻辑

1.7.1. 甚至允许我们把一般的语句转换成一种逻辑标记（通常称为形式逻辑表达式）

1.7.2. 逻辑的力量如此强大，最早的符号人工智能先驱坚信，只需要符号逻辑就能达到真正的智能

1.7.2.1. 这种信念的根基是如下这种思想：人类智能完全就是对符号的操纵

1.8. 中文房间

1.8.1. 自己身处一个房间里

1.8.2. 时不时有张纸条从一个孔洞里被塞进来

1.8.3. 纸条上都是中文字符

1.8.4. 拿起纸条，按照中文字符，在房间里一排排的文件柜中查找对应的答案，然后仔细抄在一张新纸条上

1.8.5. 从另一个孔洞里塞出去

1.8.6. 从房间外面来看，你似乎可以提出任何问题，并收到合理的答案

1.8.6.1. 从始至终你都并不理解纸条上说了什么，因为你完全不懂中文

1.9. 遵循了一套定义每种诗歌结构的规则

1.9.1. 人工智能不知怎么地捕捉到了某种东西，能让我们沉思，诗里是不是要表达什么含义

1.9.2. 如果选用了另一些源文本和另一套规则，人工智能就会用你定义的任何风格批量造出你想要的任何主题的诗歌

1.10. 没有一种逻辑能强大到支撑整个人类知识的建构

1.10.1. 让·皮亚杰，心理学家

1.11. 人工智能没有意向性

1.11.1. 没有根据自己的理解做出决定的能力

1.11.2. 人工智能只不过在模拟智能

1.11.3. 如果计算机表现出哪怕一点意向性，那也只存在于编写程序的人或使用程序的人的脑海中，只存在于送进输入纸条和解释输出纸条的人的脑海中

1.12. 拥有真正智能的“强人工智能”可能是永远无法实现的

1.13. 符号人工智能里的许多思想，关乎以怎样的方式表示信息最好，以及怎样使用这些信息

1.14. 许多本体是基于逻辑的，可以跟自动推理系统结合起来，用于推导出新的事实

1.14.1. 新的事实又可加入知识库中；或者可用于检查已有事实的一致性

2. 搜索逻辑

2.1. 逻辑理论家

2.1.1. 1955年，纽厄尔、西蒙和肖就开发了有史以来第一个人工智能程序

2.1.1.1. 纽厄尔还创造了列表处理的概念，后来成为人工智能里一个重要的语言，叫作LISP

2.1.1.2. 程序员约翰·肖创造了链表的思想，这是一种连接数据的方法，从此广泛应用于世界各地的许多编程语言中

2.1.1.3. 纽厄尔和西蒙在卡耐基·梅隆大学创立了一间人工智能实验室，并在20世纪50和60年代在符号人工智能领域做出了许多成就

2.1.2. 1959年的版本被称为“通用问题解算器”

2.1.3. 把知识（符号的集合）和操纵符号的方法隔离开

2.1.4. 操纵符号的是一种叫作解算器的软件，这种软件使用搜索方法来寻找正确答案

2.2. 搜索与符号表示相结合，就成了人工智能的标准方法

2.3. 浩渺无际的搜索空间迅速成为基于搜索的符号人工智能的最大制约

2.3.1. 人们发明了许多巧妙的算法来剪除看起来没什么希望的枝干，或者把一个问题划分成多个子问题

2.3.2. 一旦减小空间，需要做的搜索就变少了

2.4. 搜索空间（选项的组合数）仍然是一个巨大的困难

2.4.1. 可能的选择空间大到了难解的地步（也就是在有实际意义的时间限制内根本搜索不完）

2.5. 如果每个人工智能专注于一个特定主题，就更有可能成功

2.5.1. 这种人工智能后来被称作专家系统

2.5.2. 这种目标明确的系统至今仍然应用于医疗诊断、汽车工程师支持系统、欺诈检测系统，以及推销员所用的互动脚本

2.6. 随着互联网的发展，收集整理大量的事实变得越来越容易

2.6.1. 通用人工智能领域有几个大项目都在试图把尽量多的知识综合起来，让人工智能在多个不同的领域能帮得上我们

2.6.2. Cyc，几十年来持续不断地把常识性的事实和关系编织成一个巨大的知识库

2.7. “万维网”应该成为所有概念连接而成的“全球图”（巨型全球知识图）

2.7.1. 如果整个“万维网”真的变成“全球图”，那么人工智能就能够用全世界的知识来搜索、演绎和推理

2.7.2. 每天上线的巨量数据，多数都采用人工智能难以识别的格式

2.7.3. 越来越多的公司把互联网作为它们生意的一部分，也会产生庞大的数据量

2.8. 我们别无选择，没有人能完全处理这种天量的数据

2.8.1. 我们唯一的希望是用人工智能来协助我们

3. 犯错

3.1. 我们并不靠遵循规则来学会走路。我们靠直接尝试，靠反复跌倒来学习走路

3.1.1. 理查德·布兰森

3.2. “步行卡车”是通用电气于1965年开发的一种机器人

3.2.1. 这台巨大的机器原本用来在崎岖地面上运载设备

3.2.2. 不过它的运动并不受计算机控制

3.2.3. 它需要一个熟练的人类操作员手脚并用来控制它的四条金属腿

3.3. “摇摇”(Shakey)

3.3.1. 1972年最尖端的机器人

3.3.2. 让机器人可以被部署到从太空探索到工厂自动化的各种任务当中

3.3.3. 人工智能让机器人能够自己在世界（虽然仍旧是个很干净的环境）里导航，做出各种动作

3.4. 在人工智能研究里，直截了当而符合逻辑的思维方式开始受到挑战：我们需要处理凌乱环境的方法

3.4.1. 整洁派

3.4.1.1. 喜欢设计精密并且能从数学上得到证明的方法

3.4.2. 混乱派

3.4.2.1. 宣称这类方法最多只能用于人造的积木世界

3.5. 《大象不下象棋》

3.5.1. iRobot公司创始人、Roomba扫地机器人的发明者罗德尼·布鲁克斯在开创性的文章

3.5.2. 总结了他的批判意见

3.5.2.1. 机器人不应当在内部建立一个由符号组成的模型，靠操纵和搜索这些符号来做出计划，并根据这种计划来决定自己的行为

3.5.2.2. 要造出实用的机器人，我们应该先创建基于现实世界的人工智能

3.6. 让现实世界直接影响机器人的行为，不需要通过任何符号

3.6.1. 我们应当直接把感知连接到行动上

3.6.2. 直接把感知与行为连接，一旦需要就能发挥作用的、运行绝快的轻量级控制模块，现在已成为实用机器人学的基石

3.7. 人工智能和机器人是很聪明，不过它们都通不过一项最简单的测试

3.7.1. 没有一个人工智能机器人能在你家里稳稳当当地走来走去，却不撞着什么东西，也不跌倒

3.8. 在不可预测的环境里控制机器人至今仍是我们面临的最大挑战之一，这里头有许多因素

3.8.1. 在杂乱的环境里，更多的效应器意味着越发混乱且无法预测的控制问题，更多的传感器意味着汹涌而来的大量数据需要处理和理解

3.8.2. 又有严格的时间限制

3.8.2.1. 如果你需要很长时间才能算出一条肢体在哪里，或把那条肢体放错了地方，那你还没反应过来就已经倒在地上了

3.8.3. 多数带腿的机器人至今还是会一而再，再而三地跌倒

4. 包容体系结构

4.1. 机器人的行为由一系列简单模块控制，每个模块一旦发现自己有更紧急的需求，就可以打断其他模块

4.2. 可能有一个模块负责让机器人驶向目标，另一个模块负责躲避障碍

4.3. 第一个模块通常优先级较高，除非有意料之外的物体挡住了去路，触发第二个模块采取闪避动作

4.4. 有限状态机来代表这些行为

4.4.1. 有限状态机是一种常见的机器人“大脑”

4.5. 给感知器和效应器连上更多的有限状态机，再依据感知器的状态来提升一些效应器的优先级，就成了一个“包容体系结构”

4.5.1. 可以造就运行速度极快的轻量级人工智能

4.5.2. 这种机器人比以前的机器人使用的计算量更少，能做到的事情却更多

4.5.3. 通过不计其数的项目和公司演示了这种方法的有效性，开创了许多不同类型的机器人

4.6. 1997年在火星表面探索了几个星期的“旅居者号”火星探测车，用的也是这种行为控制方法

4.6.1. “旅居者号”是火星拓荒者计划部署在火星上的一个可移动机器人

4.6.2. 是第一个能够在另一颗行星表面上漫游探索的机器人

4.6.3. 20世纪90年代的技术比今天简单得多

4.6.3.1. 其处理器速率只有2兆赫（只有今天计算机的千分之一）

4.6.3.2. 内存也只有64K（相当于今天计算机的万分之一）

4.6.3.3. 没有可充电的电池，一旦原有的电池耗尽，就只有白天能活动，靠太阳能板来驱动

4.6.4. 离地球如此遥远，控制会有20分钟的延迟

4.6.4.1. 意味着机器人必须要有自主控制能力，以免在延迟中掉下悬崖或撞上石头

4.6.4.2. “旅居者号”搭载的包容体系结构让它能够导航、检测到危险因素并主动避让

4.7. 包容体系结构从一堆混乱的有限状态机简化成行为树

4.7.1. 要表达同样概念，行为树是个更优雅的方法

4.8. 游戏产业就采用行为树来驱动“虚拟机器人”

4.8.1. 它们是在游戏里挑战我们的外星人、怪物和其他非玩家角色

4.8.2. 到了2019年，有三分之二的游戏是用最大的两个游戏引擎Unity和Unreal制作的，而这两个引擎用的都是行为树方法

4.9. 在现在以及可预见的将来，最有效的机器都不会是人形的

4.9.1. 机器的形态只需完美适配它们的职责

4.10. 开发能控制机器人（无论其外观）的人工智能，仍然是热门的研究领域

5. 无人驾驶

5.1. 特斯拉、Waymo、优步、通用汽车、福特、大众、丰田、本田、沃尔沃和宝马

5.1.1. 重金注入这项技术

5.1.2. 到了2019年，有40多家公司都在开发各自的无人驾驶车辆

5.2. 无人驾驶车辆凸显了把机器人引入社会将会面临的众多困境

5.2.1. 如果你的车撞坏了另一辆车，但并不是你在开车，是应该怪你呢，还是由人工智能司机的生产商来负责？

5.2.2. 如果一辆全自动出租车撞伤或撞死了人，那受害者肯定是不能起诉车里的乘客的

5.2.3. 推广这样一种把驾驶技能自动化的技术，会让我们自己渐渐失去这一技能，人类司机的开车技术会变得更差而不是更好，也许马路会变得更不安全

5.3. 我们要问的关键问题，并不是无人驾驶汽车什么时候能准备好上路，而是哪些道路能做好准备迎接无人驾驶汽车

5.3.1. 尼克·奥利弗，爱丁堡大学商学院教授(2018)

5.3.2. 对律师队伍的需求，社会上将会有很多棘手的新官司要打

5.3.3. 建筑行业会出现许多新工作来确保道路基础设施适合无人驾驶车辆的行驶

5.3.4. 需要更多的人来建造和维修这些比以前复杂得多的车辆

5.3.5. 出租车或者货车司机可能会减少

5.4. 虽然人工智能和机器人看起来很吓人，但这也只不过是一种新技术而已，而人类不断地创造新技术已经有几千年了

5.4.1. 每一次创造新技术，都可能让一些不幸依赖老技术的工作消失

5.4.2. 每一次创新都可能催生全新的产业

5.4.3. 工厂可能不需要那么多工人来组装产品了，但需要更多的人来生产、维护和编码机器人

5.5. 有分析表明，采用机器人技术越快的国家，短期和中期的经济增长就越快，创造新工作的速度也越快

5.6. 再过几十年，无人监督的人工智能才能在不可控环境里表现得足够安全，让我们放心把生命托付给它们

5.7. 机器人总会到来，但我们应该怎样接受自己的造物，取决于我们自己