课时2：人工智能 —— 从“会下棋的机器”到“会思考的系统”

课时2：人工智能 —— 从“会下棋的机器”到“会思考的系统”

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可扫描博文下方二维码 “学术会议小灵通”或参考学术信息专栏：https://ais.cn/u/mmmiUz
详细免费的AI课程可在这里获取→www.lab4ai.cn

---

2.1 人工智能的“家谱”

通常我们会用一个“套娃式”的结构来介绍：

• 人工智能（AI）：任何让机器表现出“智能行为”的技术。
• 机器学习（ML）：让机器通过数据学习规律的一类 AI 方法。
• 深度学习（DL）：以多层神经网络为核心的机器学习方法。

可以用一句半玩笑的定义：AI 是目标，ML 是路径，DL 是这条路上当前最火的一种车。

2.2 人工智能的几大流派

1）符号主义（Symbolic AI）

• 代表：专家系统、逻辑推理、规划。
• 把知识表示成符号和规则（本质就是写程序 + 写规则）。
• 优点：可解释性强、逻辑严密。
• 缺点：不善于处理噪声、连续数值、复杂模式。

2）连接主义（Connectionism）

• 代表：神经网络（包括深度学习）。
• 模拟人脑神经元和突触的连接关系，以“权重矩阵”来存储知识。
• 能自动学习复杂表示，但早期受限于算力和数据，发展缓慢，直到 2010 年后爆发。

3）行为主义 / 强化学习（Behaviorism / RL）

• 代表：AlphaGo、机器人控制等。
• 通过“试错 + 奖惩”学习策略（policy）。
• 常与深度学习结合形成深度强化学习（DRL）。

深度学习在今天已经渗透到所有流派：

• 用神经网络表示价值函数/策略：强化学习
• 用神经网络提取特征，再交给符号系统推理：神经-符号混合系统

2.3 机器学习基本问题类型

• 在介绍深度学习之前，需要把任务类型说清楚（深度模型只是这些任务的一种实现方式）：

1）监督学习（Supervised Learning）

• 输入有标签：$(x,y)$
• 目标：学一个函数 $\hat{f}$，让 $\hat{f}(x)\approx y$。
• 典型任务：分类（land cover）、回归（SM、AOD）、目标检测等。

2）无监督学习（Unsupervised Learning）

• 只有输入 $x$，没有标签。
• 目标：挖掘数据内部结构（聚类、降维、密度估计等）。
• 典型任务：K-means、PCA、Autoencoder。

3）半监督 / 自监督学习

• 半监督：少量有标签 + 大量无标签。
• 自监督：从数据本身构造“伪标签”（例如遮挡一部分图像让模型预测）。
• 经常用于遥感、大气领域“标签稀缺”的情况。

4）强化学习（Reinforcement Learning）

• 有环境、有 agent，试错学习策略最大化长期奖励。

深度学习可以作为这些任务的通用函数逼近器：你可以把传统算法中的“手工特征 + 简单模型”换成“端到端神经网络”。

2.4 一个最小的机器学习例子：二分类

• 用最经典的 Logistic 回归 做二分类，看机器学习是如何使用在“AI 问题”上的。

场景示例：根据两个特征判断样本属于 A 还是 B 类

import numpy as np
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

# 1. 造一个 2D 的模拟二分类数据
X, y = make_classification(
    n_samples=300,
    n_features=2,
    n_informative=2,
    n_redundant=0,
    n_clusters_per_class=1,
    random_state=42
)

# 2. 训练 Logistic 回归
clf = LogisticRegression()
clf.fit(X, y)

y_pred = clf.predict(X)
acc = accuracy_score(y, y_pred)
print("Training accuracy:", acc)

# 3. 可视化决策边界
x_min, x_max = X[:,0].min()-1, X[:,0].max()+1
y_min, y_max = X[:,1].min()-1, X[:,1].max()+1
xx, yy = np.meshgrid(
    np.linspace(x_min, x_max, 200),
    np.linspace(y_min, y_max, 200)
)
grid = np.c_[xx.ravel(), yy.ravel()]
probs = clf.predict_proba(grid)[:, 1].reshape(xx.shape)

plt.contourf(xx, yy, probs, levels=20, alpha=0.7)
plt.scatter(X[:,0], X[:,1], c=y, edgecolor='k')
plt.title("Logistic Regression Decision Boundary")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()

这个例子说明：

• 没有用到“深度学习”，但已经是典型的机器学习。
• 它解决的是一个智能决策问题：根据特征判断类别，这就是 AI 的基本任务之一。

2.5 从“能解决任务”到“能迁移和开拓”

今天的 AI 不再满足于解决一个个孤立的任务，而是追求：

• 可迁移：在一个领域学到的知识能迁移到另一个（如 ImageNet 预训练 → 遥感、医学影像）。
• 可组合：把多个子系统组合起来解决复杂任务（感知 + 推理 + 决策）。
• 可解释 / 可可信：不仅要预测，还要知道“为什么”。

深度学习正是现在很多 AI 系统的感知核心：负责从海量原始数据中抽取“人可用、机可用”的表征（representation）。

2.6 小结

这一课你需要带走的关键词是：

• AI > ML > DL 的层级关系；
• 机器学习的几大类型；
• 深度学习在 AI 系统中更偏向于“感知和表征”这一层。

下一课我们就聚焦在“深度学习”本身：什么是神经网络？为什么要“深”？如何在 Python 里跑第一个深度模型？