介绍人工智能的简史和定义，讨论知识表示这个得到很好发展的领域，介绍替代人类专家工作的专家系统，讨论如何模范人类行为的图像处理和语音分析，说明使用不同额搜索方法，专家系统和平凡系统式如何解决问题的，最后讨论在智能体中神经网络式如何模仿学习过程的。

目录

知识表示

语义网

框架

谓词逻辑

基于规则的系统

专家系统

感知

搜索

搜索方法

蛮力搜索

启发式搜索

神经网络

感知器

多层网络

人工智能是对程序系统的研究，该系统在一定程度上能模仿人类的活动，如感知、思考、学习和反应。

知识表示

如果打算用人工智能体来解决现实世界中的一些问题，那么它必须能表示知识。事实被抽象表示成数据结构后就能被存储在计算机中的程序操纵。介绍四种常见的知识表示方法：语义网、框架、谓词逻辑和基于规则的系统。

语义网

语义网用有向图表示知识。语义网用顶点代表概念，用边（用箭头表示）表示两个概念间的关系

语义网能很好定义的做重要的关系时“继承”，继承关系定义明了这样一个事实：一个类的所有属性将出现在继承测类中。

框架

框架与语义网紧密相关，在语义网中，图用来表示知识；在框架中，数据结构（记录）用来表示相同的知识。相较于语义网，框架的一个优点是程序更容易处理框架。

语义网中一个节点变成了一组框架中的一个对象，所以一个对象可以定义一个类，一个子类的一个实例。语义网中的边被翻译成“槽”（数据结构中的域）。槽的名字定义了关系的类型和构成关系的槽的值。

谓词逻辑

最通常的知识表示是谓词逻辑。谓词逻辑可以用来表示复杂的事实。

基于规则的系统

基于规则的系统使用一组规则来表示知识，这些规则能用来从已知的事实中推导出新的事实。规则表示当指定条件满足时什么为真。基于规则的数据库是一组if...then...语句，它们的形式为：

if A then B 或 A->B

其中A称为前缀，B为结论。注意在基于规则的系统中，每条规则都是独立处理的，与其他规则没有关联。一个基于规则的系统由三部分组成：解释器（或者推理机）、知识库、事实库。

专家系统

专家系统使用前面所讨论的知识表示语言，来执行通常需要人类专家才能完成的任务。一个专家系统是建立在预先定义的关于领域专家经验的知识的基础上。因此，建立专家系统的第一步就是从人类专家身上抽取知识，抽取的知识就变成上面的知识库。

为了能推导新的事实或采取动作，除了需要用知识表示语言表示的知识库外，还需要事实库。专家系统中的事实库是基于实例的。

感知

人工智能的一个目标是创建一台行为像专家的机器——专家系统。另外一个目标是创建一台行为像普通人的机器。“感知”这个词的一个意思是理解通过感官（视觉，听觉，触觉，嗅觉。味觉）接收到了什么。人工智能已经初步完成两种感知：视觉和听觉。

搜索

人工智能解决问题的一种技术是搜索，搜索可以描述成用状态（情形）集合求解问题。搜索过程开始于一个起始状体，经过中间状态，最后到达目标状态。搜索过程所使用的全部状态的集合称为搜索空间。

搜索方法

蛮力搜索

蛮力搜索有广度优先和深度优先两种，当对搜索没有任何先验的知识时，我们就使用蛮力搜索。假如从口A进入迷宫，然后从T走出，如图：

1、广度优先：从树的根开始，在走向下一层前，检查当前层中的所有节点。见下图左所示。

2、深度优先：从树的根开始做一个向前搜索，直至发现目标或达到一个死端，如果到达了死端，再回溯到最近的分支，然后在此向前搜索，知道到达目标。见下图右所示。

启发式搜索

使用启发式搜索，给每个节点赋一个称为启发值（h值）的定量值。这个定量值显示了该节点与目标节点间的相对远近。

假定难题的初始和目标状态如图所示。

搜索中我们需要考虑选中节点的下一层所有可能状态和它们的启发值。开始搜索时，列出初始节点下一层可能的状态和h值，然后从具有较小h值的节点开始继续列出其下一层可能的状态和h值，重复上面的方法直到达到一个h值为0（目标状态）的状态。

神经网络

神经网络试图使用神经模仿人脑的学习过程。

感知器

感知器是一个类似于单个生物神经元的人工神经元。它带有一组具有权重的输入，对输入求和。把结果和阈值进行比较。如果结果大于阈值，感知器触发，否则不触发。

多层网络

几个层次的感知器可以组合起来，形成多层神经网络。每一层的输出变成下一层的输入。第一层称为输入层，中间层称为隐藏层，最后一层称为输出层。输入层的节点不是神经元，它们是分配器。隐藏层的节点通常用来给上一层的输出输出加上权重的。

凡是过往，即为序章