人工智能的历史、现状和未来
如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。
概念与历程
了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（ArtificialIntelligence，简称AI）”这一概念，标志着人工智能学科的诞生。
人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。
人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。
三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
现状与影响
对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。
专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。
通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CBInsights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。
人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。
趋势与展望
经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？
从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。
从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。
从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。
人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。
人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。
人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。
态势与思考
当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。
差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司CompassIntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。
前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。
树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。
推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。
（作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士）
人工智能基础导学智慧树答案
知到人工智能基础导学智慧树
绪论单元测试
1、1956年达特茅斯会议上，学者们首次提出“artificialintelligence（人工智能）”这个概念时，所确定的人工智能研究方向不包括：
A:研究如何用计算机表示人类知识
B:研究智能学习的机制
C:研究人类大脑结构和智能起源
D:研究如何用计算机来模拟人类智能
答案:【研究人类大脑结构和智能起源】
2、在现阶段，下列哪项尚未成为人工智能研究的主要方向和目标：
A:研究如何用计算机模拟人类大脑的网络结构和部分功能
B:研究如何用计算机延伸和扩展人类智能
C:研究机器智能与人类智能的本质差别
D:研究如何用计算机模拟人类智能的若干功能，如会听、会看、会说
答案:【研究机器智能与人类智能的本质差别】
3、下面哪个不是人工智能的主要研究流派？
A:符号主义
B:经验主义
C:连接主义
D:模拟主义
答案:【模拟主义】
4、从人工智能研究流派来看，西蒙和纽厄尔提出的“逻辑理论家”方法用，应当属于：
A:经验主义，行为主义
B:符号主义，连接主义
C:连接主义，经验主义
D:理性主义，符号主义
答案:【理性主义，符号主义】
5、从人工智能研究流派来看，明斯基等人所推荐的“人工神经网络”方法用计算机模拟神经元及其连接，实现自主识别、判断，应当属于：
A:理性主义，符号主义
B:符号主义，连接主义
C:经验主义，行为主义
D:连接主义，经验主义
答案:【连接主义，经验主义】
6、“鸟飞派”指的是人类研究人工智能必须要完全符合智能现象的本质
A:错
B:对
答案:【错】
7、人工智能受到越来越多的关注，许多国家出台了支持人工智能发展的战略计划
A:对
B:错
答案:【对】
8、人工智能将脱离人类控制，并最终毁灭人类
A:对
B:错
答案:【错】
9、人工智能目前仅适用于特定的、专用的问题
A:对
B:错
答案:【对】
10、通用人工智能的发展正处于起步阶段
A:对
B:错
答案:【对】
第一章单元测试
1、以下组合最能全面包括所有知识表示形式的是
A:谓词逻辑、经验主义、网络权重
B:符号主义、经验主义、连接主义
C:产生式系统、特征表示、连接主义
D:符号主义、特征表示、语义向量
答案:【符号主义、经验主义、连接主义】
2、以下用谓词表示的命题错误的是
A:老王的生日在4月：birthday（老王，4月）
B:小博不在实验室：¬in(小博，实验室)
C:我爸爸喜欢吃鸡蛋并且我妈妈喜欢吃西红柿：like_eat(father(我)，鸡蛋)∨like_eat(mother(我)，西红柿)
D:大亮的老师擅长打羽毛球和网球：good_at(teacher(大亮)，羽毛球)⋀good_at(teacher(大亮)，网球)
答案:【我爸爸喜欢吃鸡蛋并且我妈妈喜欢吃西红柿：like_eat(father(我)，鸡蛋)∨like_eat(mother(我)，西红柿)】
3、哪种知识表示的样本数据的特征表示，就对应了某种知识。智能系统通过“体验”样本特征，来获取知识
A:都不是
B:连接主义
C:经验主义
D:符号主义
答案:【经验主义】
4、为了描述关于”健身房“的知识，可以从中抽象出很多要素。比如：健身房的地点、开放时间、教练、器械、团课名称、次卡价格等等，并由这些要素关联构成对健身房的整体认知，这种知识表示形式称作（ ）
A:一阶谓词
B:框架形式
C:细化形式
D:产生式
答案:【框架形式】
5、一阶谓词的功能与优点不包括：（ ）
A:可以表示不确定性知识
B:容易实现
C:对知识的表现较精确
D:表达对客观世界的陈述
答案:【可以表示不确定性知识】
6、一阶谓词逻辑式有很强的表达能力，但经常难以直接在计算中应用。
A:对
B:错
答案:【对】
7、由于蕴含式的灵活性，它能表示推理知识以及类似于“如果按住鼠标拖动，则按轨迹画出一条线”这种规则。
A:错
B:对
答案:【错】
8、产生式类型的知识表示推动了专家系统的发展，并且曾应用于机器翻译的领域。
A:错
B:对
答案:【对】
9、一阶谓词逻辑是产生式的一种特例，而产生式是框架形式的一种特例。
A:错
B:对
答案:【错】
10、最简单的命题至少由一个主语和一个谓语组成
A:错
B:对
答案:【对】
第二章单元测试
1、以下说法错误的是（ ）
A:学者们普遍认为逻辑和推理是智能思维的一种表现形式。
B:推理就是从初始证据出发，按照某种策略，不断地运用知识库中已有的知识，逐步匹配，直到推出结果为止。
C:推理的定义中提到的“知识库”是指使用一阶谓词和产生式等方式表示的知识。
D:演绎是从特殊到一般，归纳是从一般到特殊。
答案:【演绎是从特殊到一般，归纳是从一般到特殊。】
2、以下说法中正确的个数有（ ）：
a)不确定性推理基于产生式表示，确定性推理基于一阶谓词表示。
b)不确定性推理与确定性推理的不同点在于推理过程中每个环节都是不确定的。
c)推理规则的可信度取值范围为[0,1]，表示前提与结论之间的推理强度。
d)事实证据的可信度取值范围同样为[0,1]
A:3
B:2
C:1
D:4
答案:【2】
3、IF晚上两点睡觉AND失眠到三点THEN第二天睡懒觉（0.8），其中CF（晚上两点睡觉）=0.6，CF（失眠到三点）=0.3，那么CF（第二天睡懒觉）为（ ）
A:0.144
B:0.48
C:0.24
D:0.18
答案:【0.24】
4、以下关于反向演绎的说法错误的是（ ）
A:演绎是从一般到特殊；而反向推理以某个假设目标作为出发点，来展开推理。
B:但在规则量很大时，反向演绎仍然需要逐一计算规则的匹配，比较缓慢低效。
C:计算机实现自动推理最可行的方法是采用反向、演绎的方法。
D:反向演绎从待证目标出发，又称归结原理。
答案:【反向演绎从待证目标出发，又称归结原理。】
5、利用Horn子句进行推理，使用的是什么样的搜索方法（）：
A:深度优先搜索和广度优先搜索都可以
B:深度优先搜索和广度优先搜索都不是
C:广度优先搜索
D:深度优先搜索
答案:【深度优先搜索】
6、计算机如果要实现自动推理，最可行的方法就是采用反向、演绎的方法
A:对
B:错
答案:【对】
7、推理的确定性是推理的三个特性中最复杂的。
A:错
B:对
答案:【对】
8、推理之所以为推理，是因为它有确定性的特点。
A:错
B:对
答案:【错】
9、确定性推理在推理时，所有知识和证据都是确定非真即假的
A:错
B:对
答案:【对】
10、天气预报中的“明天降水概率”，是个确定的推理结论
A:错
B:对
答案:【错】
第三章单元测试
1、以下说法中正确的个数是（）：
①专家系统强调概念及其关系的表达，语义网络强调知识的推理能力。
②专家系统和语义网络的建立都比较随意，没有严格的语义支撑。
③KL_ONE语言将知识表示能力和推理计算能力相结合，表达能力和推理能力并重。
④从linked_data开始，语义web开始进入“弱语义”阶段，并采用RDF三元组形式描述知识。
A:0
B:3
C:2
D:1
答案:【3】
2、以下不属于现阶段知识图谱技术类别的是（ ）
A:应用技术
B:展示技术
C:推理技术
D:构建技术
答案:【展示技术】
3、以下关于知识图谱的说法错误的是：（）
A:知识图谱以结构化的形式，描述客观世界中存在的概念、实体和实体间的关系。
B:实体内通过关系来刻画内在属性。
C:实体之间通过它们之间的一些关系来连接，通过这种方式形成“图”。
D:知识图谱中一般每个实体都有一个ID来标识，称为标识符。
答案:【实体内通过关系来刻画内在属性。】
4、对于农夫过河的问题，农夫、狼、羊、白菜想要坐船过河。有以下条件：1.只有农夫能开船。2.船上只能放一个物品。3.没有农夫看管，狼会吃羊，羊会吃白菜。将这个例子放在状态空间中考虑，以下说法正确的是（）：
A:这个问题没有解。
B:如果说状态表示成4维向量，每个分量为0（未过河）、1值（已过河），代表农夫、狼、菜、羊的过河状态，那么（1,0,1,0）是一个合理状态。
C:将农夫、狼、羊、白菜这四个对象可以表示为：F（代表农夫）、W（代表狼）、S（代表羊）、C（代表白菜）
D:这个问题有222*2=16种合理的状态。
答案:【将农夫、狼、羊、白菜这四个对象可以表示为：F（代表农夫）、W（代表狼）、S（代表羊）、C（代表白菜）】
5、什么是实体关系学习（ ）
A:检测文本中的实体是否具有某种预定义的关系。
B:研究如何从文本中抽取事件信息并以结构化的形式呈现出来
C:发现文本中的有效实体。
D:实体识别与链接
答案:【检测文本中的实体是否具有某种预定义的关系。】
6、问答系统让计算机自动回答用户的提问，返回相关的一系列文档。
A:对
B:错
答案:【错】
7、知识问答的实现分为两步：提问分析和答案推理。
A:错
B:对
答案:【对】
8、Guha提出了RDF——一种描述资源信息的框架，后来Guha也被称作知识图谱之父。
A:错
B:对
答案:【对】
9、RDF是现代知识图谱的一个分支之一。
A:错
B:对
答案:【错】
10、Conceptnet是纯中文的知识库。
A:对
B:错
答案:【对】
第四章单元测试
1、以下关于状态空间图的说法错误的是
A:将状态和连接合在一起可以构成状态图
B:将一个复杂问题表示成多个连续的状态
C:状态空间图未必一定能画出来
D:状态之间的连接指的是衔接、转移、导致等关系
答案:【将一个复杂问题表示成多个连续的状态】
2、以下说法正确的是：
A:贪心算法又称盲目搜索
B:深度优先搜索通用性差，但是可以准确地找到较简单问题的解
C:宽度优先搜索的效率高于贪心算法
D:贪心算法搜索速度较快，但未必能找到最优解
—————————————
完整章节答案点此购买
—————————————
3、状态空间图表示方法的核心思想不包括：
A:对于任何问题，可以直接构造状态图
B:将一个复杂问题表示为若干离散状态
C:将衔接、转移、导致等关系表示为状态之间的连接
D:所有状体和连接构成状态图
4、对于博弈搜索，下列说法错误的是：（ ）
A:对于许多棋类问题，需要两个甚至多个人参与，只能使用博弈算法
B:每个角色在做出决策时，不仅要考虑到自己的立场，还要预测对手可能的反应
C:不对状态优劣进行判断，仅按照固定方式搜索
D:一个角色可以完成博弈搜索
5、关于盲目搜索策略的说法不正确的是
A:深度优先搜索首先考虑同级的状态，宽度优先搜索首先考虑纵深探索
B:贪婪搜索的搜索速度非常快
C:贪婪搜索总是做出在当前看来最好的选择
D:深度优先和宽度优先搜索的适应性强，但效率往往不高。
6、深度优先搜索会首先考虑纵深搜索，然后回溯上一层
A:对
B:错
7、贪婪搜索每一步都会选择使当前步骤获利最大的下一步
A:对
B:错
8、通用搜索可以考虑当前节点到终止节点的最优路线
A:对
B:错
9、启发式搜索策略可以同时考虑到初始节点到当前节点与当前节点到终止节点的优劣
A:错
B:对
10、贪婪搜索策略首先考虑纵深探索
A:错
B:对
第五章单元测试
1、下列说法不正确的是（）
A:进化智能和群体智能是从自然界适者生存的客观规律中获得启发
B:“进化智能”和“群体智能”分别从时间和空间的角度上来研究物种的适者生存
C:图灵的观点认为“物种的适者生存”显然不是智能活动
D:自动图谱、自动推理、搜索技术都是模拟“单一”智能体的智能活动
2、下列关于群体智能和进化智能的说法不正确的是
A:进化智能的思想来自新达尔文主义
B:群体智能具有个体行为复杂、具有智能特征，群体行为简单的特点
C:蚂蚁、蜜蜂、候鸟、微生物都具有群体智能
D:使用计算机模拟进化智能的过程中将限制条件抽象为“环境”
3、下列说法正确的是
A:进化算法的思想来源——新达尔文主义是由达尔文独自提出的
B:遗传算法中的环境设计需要保证最优解对应的个体具有最强的适应能力
C:遗传算法是典型的群体智能算法，而蚁群算法是典型的进化智能算法
D:遗传算法中的环境设计有固定的标准，与具体问题无关
4、下列关于遗传算法的说法不正确的是
A:遗传算法与状态空间搜索法都将状态表示为“向量”
B:突变概率较小时，物种的适应性比较稳定，优秀的突变能够在短时间内迅速提高整个种群的适应性
C:提升种群数量能够提高求解速度和稳定性
D:单纯提高突变概率，能够稳定地取得很好的结果
5、新达尔文主义认为的生物进化，不包括哪个过程
A:竞争
B:选择
C:突变
D:模拟
6、进化智能算法的目标，就是用计算机来模拟进化过程，从而求解问题
A:对
B:错
7、突变保证了生物体在不断变化的环境中具有适应能力
A:错
B:对
8、遗传算法的主要思路，核心就是如何模拟生物进化过程
A:对
B:错
9、进化智能指的是空间维度上的说法
A:对
B:错
10、模拟物种“适者生存”的能力，不属于人工智能的研究范畴
A:对
B:错
第六章单元测试
1、下列说法中正确的说法个数是（ ）
机器学习的过程中首先需要收集样本数据，并且抽象表现出来。
机器学习中的样本数据可以是人工判断的经验条目数据
有监督学习中不需要所有训练样本都有明确的“答案”
无监督学习和有监督学习需要选取合适的参数来尽可能地靠近目标
A:1
B:3
C:2
D:0
2、下列关于有监督学习的说法不正确的是
A:支持向量机模型中距离平面最近的几个样本对平面的选择影响最大
B:K近邻算法中K值的选择对分类的结果影响不大
C:模型测试阶段的测试数据集不能与训练数据集有交集
D:决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用
3、下列关于弱监督学习的说法不正确的是
A:弱监督学习等价于半监督学习
B:半监督学习通过学习有标记的数据，逐渐扩展无标注的数据
C:弱监督学习只对部分的样本引入标注知识
D:迁移学习的核心思想是将利用在任务A上获得的经验去解决相似的任务B
4、下列关于强化学习的说法正确的是
A:强化学习的概念是从Alphago战胜李世石之后才提出的
B:强化学习属于无监督学习的一种，不需要有监督信息
C:强化学习和有监督学习的过程相似，是“开环”的过程
D:在强化学习中，计算机通过不断与环境交互并通过环境反馈来逐渐适应环境
5、关于决策树，说法有误的是：
A:规则归纳问题，适合用决策树来表示
B:决策树算法是无监督学习
C:如果根据一个属性做判断，样本仍然有若干种情况，则该属性不应该出现在决策早期
D:属性在决策树中的位置不同，决策树的效率是不同的
6、聚类算法属于无监督学习
A:错
B:对
7、机器学习就是有监督学习
A:对
B:错
8、任务A与任务B具有某种相似性，利用任务A的学习经验，解决任务B，即迁移学习
A:对
B:错
9、机器学习分为有监督和无监督等
A:对
B:错
10、有监督学习的最大问题：标注数据稀缺、昂贵
A:错
B:对
第七章单元测试
1、神经网络是由一个神经元构成的
A:对
B:错
2、隐含层，是指其中神经元的状态在输出端无法直接观测
A:对
B:错
3、v对于一个样本，如果当前权重能够正确判断其类型，就减小当前权重
A:对
B:错
4、对于一个样本，如果当前权重能够正确判断其类型，就提高其比例
A:对
B:错
5、神经元在输入端接受来自多个信号源的输入信息
A:错
B:对
6、以下关于FNN和错误反向传播（BP）算法的说法错误的是：
A:BP算法对多层网络训练时使用的sigmoid激活函数存在“梯度弥散”问题
B:BP算法的核心是对隐含层神经元误差E的估计
C:BP算法是从输入层开始，逐层计算δ信号调整自身权重，并且将δ信号传向后一层
D:BP算法的出现解决了多层神经网络权重调整困难的问题
7、以下说法中，不属于感知器和FNN模型的相同点的是：
A:二者都有输入、激活和输出
B:二者都是由多个神经元组成的多层神经网络
C:输入信号向后传递的过程中，都是加权和的计算
D:二者学习的关键都是神经元的损失计算
8、以下关于前馈神经网络（FNN）的说法正确的是：
A:在FNN中，输入信号的传递方向是明确的，并不存在反向信号传递
B:一个标准的前馈神经网络只有一个输入层和一个输出层
C:FNN的输出结果只能是向量
D:FNN的同层神经元之间存在连接
9、以下关于感知器模型的说法错误的是：
A:感知器的信号处理分为四个部分：输入、汇总、激活、输出
B:汇总后的输入信号如果高于阈值，则产生“激活”信号，否则仍基本维持原有水平
C:在输入端，神经元只接受来自一个信号源的输入信息
D:输入为实例的特征向量，由激活函数计算输出，输出为1、-1两个值
10、以下关于感知器的说法错误的是：
A:感知器模型中的激活函数是二值函数时，损失函数是可导的
B:感知器模型的关键，就是通过调整权重使一类样本可以激活神经元，而另一类则不会
C:重调整采用“奖惩分明”策略，即对于能够准确判断样本类型的权重，提高当前权重比例，反之则降低当前权重比例
D:一层感知器只能针对线性可分的数据集分类，无法解决异或（XOR）问题
11、生成式模型模拟概率分布时，常用“后验分布”。
A:错
B:对
12、用生成式模型根据少量样本来估计整个类型的概率特征是很困难的
A:错
B:对
13、判别式模型对问题本质缺乏了解，无法从个例中抽象出整体概念
A:错
B:对
14、生成对抗网络结合了生成模型和判别模型
A:错
B:对
15、图像分类属于生成对抗模型的应用的是
A:对
B:错
第八章单元测试
1、计算机视觉、语音处理的研究内容都属于“感知智能”
A:对
B:错
2、长期来看，人工智能的核心方法论都是“用计算机模拟学习能力和智能特征”
A:对
B:错
3、AlphaGo框架在搜索过程引入了随机决策，可以通过蒙特卡洛搜索多次重复搜索取得最优
A:错
B:对
4、一个计算机模型即可囊括物体识别、距离估计、动态物体轨迹判断等功能来实现视觉辅助的自动驾驶系统
A:对
B:错
5、AlphaGo行棋过程中，对于n中可能的走法，随机选取一些走法实施蒙特卡洛树搜索
A:对
B:错
6、以下关于计算机视觉研究的说法正确的是：
A:深度学习仍需要专家提供知识，再通过神经网络堆叠结构，实现特征表征
B:特征匹配中常见的特征包括颜色特征、纹理特征、形状轮廓特征
C:要让计算机理解图像，一定先要恢复物体的三维结构
D:马尔理论是一个自上而下的理论
7、以下关于人工智能的说法错误的是：
A:人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学
B:人工智能的每个发展时期，都有比较明确的主流方法和里程碑式的应用成果
C:人工智能发展的核心方法论一直在随着时间变化，研究问题都不具有持续性
D:人工智能学科的发展与实际应用紧密结合，是“商用-需求-技术”三者的闭环
8、不属于计算机视觉的范畴的是：
A:以及目前工业界的热门话题，自动驾驶
B:Windows10的“刷脸”登陆系统
C:停车场和道路上的车牌识别
D:声纹识别
9、关于AlphaGo说法错误的是
A:AlphaGo在实现中也使用了大量人工设定的围棋知识
B:借用了深度学习的超强表示能力、蒙特拉洛树的概率优化能力
C:不属于博弈
D:本质上解决问题的思路与A*搜索是类似的
10、属于AlphaGo的成就：
A:提出了深度学习
B:AlphaGo的成功归功于深度学习
C:提出了一套全新的搜索求最优解的方法论
D:蒙特拉洛树搜索优于AlphaGo的方法
来源：智慧树答案网
本文链接：https://www.zhihuishutiku.com/post/429.html