无题
Principle and Applications of Artificial Intelligence
Chapter 0 Introduction to AI 2025秋
Contents
Preface 引子
1 What is AI?
2 AI-Model：Agents-Environments
& The Structure of Agents
3 Applied AI (应用)
4 AI Progress
5 AI：SOTA—大模型时代
6 Reasoning & Inference
Summary
References
Introduction to AI
Introduction to AI
Preface（引子）
回顾历史：10+年前我国学者的认识
• 2008年，我国学者在回顾中国人工智能发展过程时写道(王飞跃等，2008)：
• 人工智能的发展一直流传着各种说法，诸如• 人工智能不热门了，走下坡路了• 要被其他学科取代了• 在国外的人工智能研究都申请不到基金资助了• 这些都是毫无根据的！人工智能是一门几乎
在所有方面都具有重要应用的技术
4
我国学者当时对于人工智能发展的观点
当前(2008)中国AI发展的活跃领域
• 数学机械化
• 图像识别和模式识别
• 中文信息处理，特别是对机器翻译
• 机器学习和数据挖掘
• 形象思维模拟（进行书法创作）
• 知识网格环境
5
那个时期的AI发展
• AI的各个分支在蓬勃发展，比如机器学习
方法
• 2010年图灵奖授予Leslie Valiant，贡献：
计算学习理论
• 2011年图灵奖授予Judea Pearl，贡献：不
确定性推理（贝叶斯推理）
6
人工智能再次兴起
• 2013、2014年，深度学习（深度神经网络）
方法及其各种应用的文章在学术界开始流行
• 2016年3月，谷歌AlphaGo战胜韩国棋手李
世石
• 2017年10月，AlphaGo Zero版本问世，不使
用人类先验知识完胜之前版本
• 2014年以来，对话机器人、图片识别、无人
驾驶、语音翻译等各种成功案例被广泛报道 7
大语言模型(Large Language Models)
时代到来
8
以ChatGPT为代表的大语言模型的横空出世，不足3
年时间就展现了越来越强大的功能，表明新一代AI系
统的发展有望诞生强人工智能(通用智能AGI)
2024秋AI再掀高潮
Breaking news:
2024-10-08
9
10
Hopfield和Hinton的贡献 (来自DeepSeek)
约翰·霍普菲尔德的主要成就
- Hopfield网络与联想记忆模型
✓霍普菲尔德于1982年提出Hopfield网
络，这是一种基于物理学中自旋系统
原理的递归神经网络。该网络通过能
量函数模拟信息的存储与恢复，能够
从受损或不完整的数据中重建原始模
式，类似于人类记忆的联想机制。其
核心思想是将网络状态的能量最小化，
使网络在动态更新中收敛到稳定的模
式，这一机制被广泛应用于优化问题
（如旅行商问题）和图像识别领域。 - 物理学与信息处理的交叉创新
✓霍普菲尔德将物理学中的统计力学
方法引入神经网络研究，例如用自旋
系统的能量模型描述网络状态，为后
续机器学习技术提供了理论框架。
杰弗里·辛顿的主要成就 - 深度学习的理论与技术突破
✓辛顿被誉为“深度学习之父”，其反向传播算法
（Backpropagation）的改进使大规模神经网络的训
练成为可能，开启了深度学习的黄金时代。他提出
的玻尔兹曼机（Boltzmann Machine）基于统计物理
学原理，能够通过无监督学习发现数据中的特征，
为生成对抗网络（GAN）和自然语言处理（如GPT
模型）奠定了基础。 - 推动人工智能的实际应用
✓辛顿主导的AlexNet（2012年ImageNet竞赛冠军）
首次展示了深度卷积神经网络在图像识别中的强大
性能，彻底改变了计算机视觉领域。他的研究还促
进了自动驾驶、医疗影像分析、语音识别等技术的
发展。 - 多学科融合与伦理倡导
✓辛顿强调物理学、神经科学与计算的交叉研究，
其工作揭示了大脑学习机制与人工神经网络的相似
性；同时关注人工智能的伦理问题，呼吁在技术发
展中平衡创新与社会责任。
Hopfield和Hinton的贡献 (来自DeepSeek)
11
微信朋友圈评论
☆数字世界和物理世界没有了界限
☆以后计算机领域的最高奖是诺贝尔奖了
☆也许，未来学好人工智能，很有可能会比拒绝
人工智能的人，能更有效地工作、生活、形成
新的主要发现，甚至争夺各个方向的诺贝尔奖
☆感慨伟大时代，我们没有错过！
12
Breaking news:
2024-10-09
13
Hassabis和Jumper的贡献Hassabis和
Jumper的贡献
14
微信朋友圈评论
☆未来会不会成为常态
☆AI is all you need!
☆莫非，诺贝尔文学奖-ChatGPT；诺贝尔和平奖-
Ilya Sutskever；菲尔兹奖-AlphaMath？
☆事实证明，AI已经控制了人类
15
16
时间定位：第三次人工智能技术（AI）浪潮
17
高度：第4次工业革命
18
机械化
（17601840）1950）
电气化
（1840
信息化
（1950今）今）
智能化
（2010
两自：自动化、
自主性
两高：高速度、
高精度
AI为什么现在火起来？
•条件好了
•有网了
•钱多了
19
技术交叠：大智移云物
20
大数据 移动计算
云计算 物联网
人工智能
AI在中国: 长期战略
• 国家战略：2018年10月31日，中共中央政治局下
午就人工智能发展现状和趋势举行第九次集体学
习，习总书记指出：人工智能是引领这一轮科技
革命和产业变革的战略性技术，具有溢出带动性
很强的“头雁”效应
• 科技计划：2017年7月8日，经中央政治局常委会、
国务院常务会议审议通过，国务院印发《新一代
人工智能发展规划》（国发201735号）
• 高等教育：专业、学院、研究院、园区（北大）
• 每年一度的各类AI大会（学术界、工业界）
21
AI在中国: 生成式AI服务管理
• 《生成式人工智能服务管理暂行办法》已经2023
年5月23日国家互联网信息办公室2023年第12次室
务会会议审议通过，并经国家发展和改革委员会、
教育部、科学技术部、工业和信息化部、公安部、
国家广播电视总局同意，现予公布，自2023年8月
15日起施行。
• 总则/第二章 技术发展与治理：对服务商的训练
数据的要求
• 第三章 服务规范：服务商服务过程的管理
• 第四章 监督检查和法律责任：管理部门责任
22
AI在中国: 对生成式AI训练的要求
• 第七条 生成式人工智能服务提供者（以下称提供者）应当依法
开展预训练、优化训练等训练数据处理活动，遵守以下规定：
• （一）使用具有合法来源的数据和基础模型；
• （二）涉及知识产权的，不得侵害他人依法享有的知识产权
• （三）涉及个人信息的，应当取得个人同意或者符合法律、行
政法规规定的其他情形；
• （四）采取有效措施提高训练数据质量，增强训练数据的真实
性、准确性、客观性、多样性；
• （五）《中华人民共和国网络安全法》、《中华人民共和国数
据安全法》、《中华人民共和国个人信息保护法》等法律、行
政法规的其他有关规定和有关主管部门的相关监管要求。
23
Introduction to AI
1 What is AI?
人工智能是什么
Intelligence, (Intelligent) Agents
4 Categories of Approaches for AI Research
Modeling Human Behavior (algorithm preferred)
Introduction to AI
Intelligence 智能
• We call ourselves Homo sapiens（智人）—man t
he wise
• how we think （我们怎样思考）?
• How a mere handful of matter (brain) can perceive,
understand, predict, and manipulate a world far
larger and more complicated than itself ?
• Our intelligence (智能)! 因此，We must know:
intelligence and artificial intelligence
25
Introduction to AI
智能是什么(1)
• Intelligence — from Wiki
• is a term describing a property of the mind(智力/心智
的属性) including related abilities, such as the
capacities for abstract thought, understanding,
communication, reasoning, learning, learning from past
experiences, planning, and problem solving.
• Intelligence is most widely studied in humans, but is
also observed in animals and plants.
• Artificial intelligence is the intelligence of machines or
the simulation of intelligence in machines.
26
Introduction to AI
智能是什么(2)
• Intelligence — from Encyclopedia Britannica
(不列颠百科全书)
• In psychology the term may more specifically denote
the ability to apply knowledge to manipulate one’s
environment or to think abstractly as measured by
objective criteria (such as the IQ (intelligence quotient)
test).
• Intelligence is usually thought of as deriving from a
combination of inherited characteristics and
environmental (developmental and social) factors (继承
与环境的结合)
27
Introduction to AI
Intelligence & AI
• Artificial intelligence goes further:
• It attempts not just to understand intelligence
• but also to build intelligent entities (agents智能体)
• （但实际上后者在某些情况下更简单）
• AI is one of the newest fields in science and
engineering: to build systems or software of
agents to implement tasks and arrive goals which
usually done by human 人工智能就是具有某种/
某些人类功能的软硬件系统
28
29
• Pioneering: work started after WWII, name
itself as AI in 1956
• Exciting: AI cited as the “field I would most
like to be in” by scientists in other isciplines
/ open to genius of full-time Einsteins and
Edisons
• Universal: 在AI第三次浪潮席卷之下，哪个领
域不可以应用AI技术呢？（本人一项调查
[2019]显示：中国国民经济行业分类中97个大
类中几乎全部都有应用）
Pioneering, Exciting and Universal Field
Introduction to AI
Introduction to AI
A Process to Understand AI
• 相关定义见仁见智，简单一句话：人工
智能是一种对人类行为建模的技术
• 目前AI技术还是以黑箱方法为主—以结果或
功能判断
• AI就是一种运行在我们自己机器中的程序，
其初始智能都是我们给的，但是大模型可以
出现智能涌现，解决之前没有专门给定/训
练的问题
• 最重要：了解、掌握、应用AI思想解决
实际问题
30
31
Some Definitions of AI: 4 Categories
Thinking Humanly Thinking Rationally
要使计算机能思考……有头脑的
机器(Haugeland, 1985)
[使之自动化]与人类的思维相关
的活动,诸如决策、问题求解、学
习等活动(Bellman, 1978)
通过对计算模型的使用来进行心
智能力的研究(Charniak &
McDemontt, 1985)
对使得知觉、推理和行动成为可
能的计算的研究(Winston, 1992)
Acting Humanly Acting Rationally
创造机器来执行人需要智能才能
完成的功能(Kurzweil, 1990)
研究如何让计算机能够做到那些
目前人比计算机做得更好的事情
(Rich & Knight, 1991)
计算智能是对设计智能化智能体
的研究(Poole et al., 1998)
AI关心的是人工制品中的智能行
为(Nilsson, 1998)
Introduction to AI
模仿游戏与图灵测试（Turing Test）*
1950年，阿兰•图灵在那篇名垂青史的论文《计算机械与
智力》的开篇说：“我建议大家考虑这个问题：‘机器能
思考吗？’”但是由于我们很难精确地定义思考，所以图
灵提出了他所谓的“模仿游戏”：一场正常的模仿游戏有
ABC三人参与，A是男性，B是女性，两人坐在房间里；C
是房间外的裁判，他的任务是要判断出这两人谁是男性谁
是女性。但是男方是带着任务来的：他要欺骗裁判，让裁
判做出错误的判断
图灵问：“如果一台机器取代了这个游戏里的男方的地位，
会发生什么？”这个问题取代了我们原本的问题：‘机器
能否思考？’”这就是图灵测试的本体
32 * 知乎：https://www.zhihu.com/topic/19565866/intro
图灵测试*
让一个人坐在电脑前，跟另一边用键盘进行对话，如果这
个人分不清跟自己对话的是一个人还是一个机器，那么这
个对话机器就通过了图灵测试并具备人工智能。测试标准：
聊天时长25分钟，低于25分钟的不算通过测试
33 * https://easyai.tech/ai-definition/turing-test/
图灵测试的意义
图灵认为：这种模拟游戏的问答方法原则上适用于人类心
智的任何领域
图灵测试的意义：
（1）给出了一个可操作的智能定义，也就是根据对一系
列特定问题的反应来决定一个客体是否是智能体，这就
为判断智能提供了一个客观标准，从而避免了有关智能
本质的无谓争论
（2）这项实验使我们免于受到目前无法回答的问题的牵
制，比如计算机的内部处理方法（内部机制）是否已知
，以及机器是否意识到其本身的动作等等（所谓自主意
识）
（3）由于询问者只关注回答问题的内容，这样就消除了
偏爱于生物体的设置
34
图灵测试：复述、文摘、问答、翻译
美国认知心理学家 G. M. Olson（奥尔森） 提出判别计
算机是否理解自然语言的四条标准分别是：问答、文
摘、复述和翻译。他认为，计算机只要达到了以上标
准的一条，就可以说它能够理解自然语言*
也就是说从语言理解方面具备了智能：因为图灵测试
主要关注了问答，而这四大任务包括了问答，所以能
够以更多形式理解语言，也就是通过了图灵测试
复述：同一语言转写；翻译：不同语言转写；文摘：
原文缩写；问答：自然语言交互
- 李维刚 等，复述技术研究综述
35
复述
文心一言（2024年3月测试）
原文
36
37
2024年3月测试 翻译
38
39
105字摘要
850字
2024年3月测试 文摘
40
2024年3月测试
问答
《全唐诗》共收录唐、五代350年间诗歌48900余首，收
入作家2246人—故宫博物院
Introduction to AI
2 AI-model：Agents and
Environments
人工智能模型：智能体与环境
components of agents, rational agents
task environments, their properties
Examples of environments and agents
Introduction to AI
智能体:从技术角度为AI建模
• 智能体：通过传感器感知所处环境并通
过执行器对该环境产生作用的计算机程
序及其控制的硬件
• 感知信息：表示任意给定时刻智能体的感知
输入 / 感知序列：该智能体所收到的所有输
入数据的完整历史
• 智能体函数：把任意给定感知序列映射到智
能体行动的描述 / 智能体程序：抽象的智能
体函数的一个具体实现，该程序在智能体自
身结构上运行
42
43
View of a Rational Agent
Environment
Agent
percepts
actions
?
Sensors
Effectors
How to design this?
Introduction to AI
44
不同智能体：例子
• 建造理性智能体的综合考虑: 任务环境
• PEAS (Performance, Environment, Actuators,
Sensors) 性能/环境/执行器/传感器
• 例子
智能体
种类
性能度量
(量化目标)
环境 执行器 传感器
出租车
司机
安全,快速,
守法,舒适
的旅途,利
润最大化
道路,其他车
辆,行人,旅客
方向盘,加速
器,刹车,信
号灯,喇叭,
(显示器)
引擎传感器,
速度计,加速
计,里程计,
GPS,(声波传
感器,摄像头,
键盘)
Introduction to AI
45
智能体举例
智能体类型 性能度量 环境 执行器 传感器
医学诊断系
统
恢复健康的
病人,费用
最小化,最
少诉讼
病人,医院,
职员
显示:问题,
测试,诊断,
治疗,咨询
键盘输入,
症状,检查
结果,病人
回答
挑拣零件的
机器人
放进正确箱
子的零件的
百分比
载有零件的
传送带,箱
子
有关节的胳
膊和手
摄像头,关
节角度传感
器
交互式英语
教师
最大化学生
的测试成绩
学生集合,
测验机构
显示(语音
合成):练习,
建议,纠正
键盘输入
(语音识别)
Introduction to AI
46
智能体所处的任务环境
任务环境 可观察性 确定性 片段性 静态性 离散性 智能体数
出租车驾
驶
部分 随机的 延续式的 动态的 连续的 多
医学诊断
系统
部分 随机的 延续式的 动态的 连续的 单
选零件的
机器人
部分 随机的 片段式的 动态的 连续的 单
交互式英
语教师
部分 随机的 延续式的 动态的 离散的 多
纵横字谜
游戏
完全 确定的 延续式的 静态的 离散的 单
Introduction to AI
47
A Windshield Wiper (雨刷器) Agent
How do we design a agent that can wipe the windshields
when needed?
• Goals? Keep windshields clean & maintain visibility
• Percepts？ Raining, Dirty
• Sensors？ Camera (moist sensor)
• Effectors？ Wipers (left, right, back)
• Actions？ Off, Slow, Medium, Fast
• Environment: Inner city, freeways, highways, weather …
Introduction to AI
Introduction to AI
智能体结构
• AI的任务是设计智能体程序
• 智能体程序要在某个具备实际传感器和
执行器的计算装置上运行, 该装置称为体
系结构
• 智能体 = 体系结构 + 程序
• 智能处理过程：传感器输入→智能体程序→
行动→执行器
• 最典型：机器人
48
Introduction to AI
智能体类型
• 有4种类型的智能体程序(或部分程序)
• 简单反射型智能体
• 基于模型的反射型智能体
• 基于目标的智能体
• 基于效用的智能体
• 学习智能体，学习程序(模型/系统)也是一
种智能体
49
50
简单反射型智能体
智能体 传感器
现在世界
是什么样的
环
境
现在我应该
采取什么行动
执行器
条件–行动规律
f : P→A f : IF-THEN
Introduction to AI
51
Example 1
• Agent: Mail sorting robot
• Environment: Conveyor belt of letters
• function simple-reflex-agent(percept)
• returns action
• static: rules, a set of condition-action rules
• state interpret-input(percept)
• rule rule-match(state, rules)
• action rule-action[rule]
• return action
Introduction to AI
52
基于模型的反射型智能体
传感器
现在世界
是什么样的
现在我应该
采取什么行动
执行器
状 态
世界如何演变
我 的 行 动 产 生
什么效果
条件–行动规则
智能体
环
境
f : P+M→A f : IF+
-THEN
Introduction to AI
Introduction to AI
Example 2
• a breakfast robot
• Put mensurable (定量的) water to a pot
• taking two eggs out of a box and adding them to a
pot of water
• using a teaspoon to take two teaspoonfuls of salt
out of a jar and add it to a pot of water
• 模型应用于多步骤的行动
• 模型提供行动步骤的顺序
• 模型记录行动步骤的状态…
53
基于模型的Agent功能描述
• 模型：在当前状态下+行动→产生新状态
• 规则：当前状态下的规则
• 行动：已经匹配规则的行动部分
54
Introduction to AI
Model
• Why a model?
• the choice of appropriate action requires
maintaining some knowledge of the past in the
form of a model (维护知识，如机器学习建模)
• Significantly different states of the environment –
ones requiring different actions – may present the
agent with the same perceptual input (环境表示：
知识表示)
• Maintaining internal state may allow the agent to
distinguish between them (内部状态：参数)
55
56
大模型时代的Agent模型
自省/自我修正
轨迹 语言模
型作用
Introduction to AI
3 Applied AI
人工智能应用
The scope of AI technology
AI for enterprises (+AI)：examples
Introduction to AI
AI技术应用范围
AI技术—对于人类行为的系统化建模方法
人类个人行为—感知世界、理解、推理、
求解、学习、
社会交流、创造、控制……
人类群体行为—经济活动、政治活动、
社会活动、文化活动、教育活动、军事
活动…… 国民经济行业
58
身边的AI：智能手机
59
智能
手机
语音识
别
手写
识别
道路
导航
点餐
推荐
购物
推荐
其他种种……
大语言模型时代（生成式AI）的便利？
• 写作文、写诗、作画……（文艺青年）：擅长
• 倒垃圾、做家务……（生活实务）：尚未普及
• 为什么？
• 脑力劳动 vs 体力劳动（智力指导下）
• 当前大模型是数字大脑，在感知认识和对物理
世界的操纵方面(这不是经典AI的领域)还有很
多欠缺—因此，对于类人智能体来说，体力方
面的增强落后于脑力方面的进展
• 需要大力加强人工体能研发！
60
Introduction to AI
国民经济行业+AI
国家标准：国民经济行业分类与代码
（GB/T 4754-2017）
20门类97个大类473中类1380小类
每个行业类别（大类）中都有AI技术的
应用
AI技术与行业的深度融合，主要体现在
两个方面：一个是产品中应用AI，一个
是在制造产品的过程中应用AI
61
Introduction to AI
中国国务院规划
国务院2017年发布的《新一代人工智能发
展规划》指出：
人工智能研发攻关、产品应用和产业培育
‘三位一体’推进
培育高端高效的智能经济，提出了大力发
展人工智能新兴产业、加快推进产业智能
化升级、大力发展智能企业、打造人工智
能创新高地
62
63
行业AI：举例(1)
Introduction to AI
行业名称
及代码
所属门类
及代码
相关应用主题列举
农业01 农林牧渔
业 A
智能育种，农业生产管理智能化，农业专家模型，精
准农业（病虫害管理、田间管理），农业传感器芯片
林业02 同上 森林精准监控与管理，精准林木育种与抚育，森林火
灾智能预防
畜牧业03 同上 奶牛饲养智能化管理
渔业04 同上 渔情预报
煤炭开采
06
采矿业
B
煤矿生产仪器智能化，煤矿开采方案优化，煤矿井下
参数监控，煤矿救灾机器人；智慧矿山
石油和天
然气开采
07
同上 自动钻井系统，海底油气生产机器人
其他采矿业
08、09、10
同上 自动采矿系统
64
行业AI：举例(2)
Introduction to AI
行业名称及
代码
所属门类
及代码
相关应用主题列举
农副产品加工
13、食品制造
14、酒和饮料
制造15
制造业 C 基于数据挖掘的产品设计，基于计算机视觉的产品
制造，产品质量监控，生产过程智能化，产品虚拟
助理（根据自动收集的数据回答相关问题）
烟草制品16 同上 烟草仓库智能监控
纺织业17、服
装业18、皮革
业19
同上 智能装备—数字化工厂，智能穿戴，智能家居，智
能产品检测，智能化工厂；智能针织产业园
木材等加工20、
家具制造21、
造纸22
同上 基于专家系统的智能制造，模糊控制，质量监控，
智能家居
印刷业23 同上 制版机器人，智能印刷，智能印刷工厂
文体娱乐用
品制造24
同上 机器人玩具，智能音箱
燃料加工25 同上 核废料智能管理；核电站智能化管理
65
行业AI：举例(3)
Introduction to AI
行业名称及
代码
所属门类
及代码
相关应用主题列举
化学原料与制品
制造26、化学纤
维制造28、橡胶
塑料制造29
制造业
C
基于专家系统的化工制造过程故障诊断与预警；化工
知识自动化与生产过程结合，传感器与模式识别结
合
医药制造27 同上 基于数据挖掘的早期药物筛选，药物合成预测
非金属制品30 同上 智能雾化玻璃，新型材料发现，陶瓷配方专家系统，
窑炉工况智能监测
钢铁工业31 同上 制造过程中非金属杂物的自动监测，生产过程智能
化管理，能源智能化调配，钢铁企业全流程大数据
建模，智能诊断维护钢铁工业智能制造
有色金属32 同上 金属板材制造、轧机智能控制，电解过程智能控制；
带有计算机视觉的冶金生产线，冶金机器人
金属制品33 同上 工业机器人
通用设备制造
业34
同上 自动化生产线集成，工业机器人，数控机床，工业
物联网
66
行业AI：举例(4)
Introduction to AI
行业名称及
代码
所属门类及
代码
相关应用主题列举
水上运输业
55
交通运输、仓
储、邮政业 G
智能航运系统，智能港口，船舶自动驾驶；智能船舶
航空运输业
56
同上 订票问答系统，智能身份识别系统
管道运输业
57
同上 水下管道安装机器人
装卸搬运和
仓储59
同上 仓储机器人，无人运输机，无人配送车
邮政业60 同上 智能分拣系统，智能仓库，窗口服务机器人，智能
客服
教育83 教育 P 智能教室，智能化教务管理
卫生84 卫生和社会
工作 Q
医疗专家系统，医学图像识别，导诊机器人
Introduction to AI
行业AI应用的价值
代替或辅助人类从事危险工作、减轻人
类劳动量、替代人类完成脏活累活
提升劳动生产率，创造更大生产价值/利润
降低成本，制造出更多物美价廉产品供广
大消费者使用
遵从行业核心价值，而不是跟风、炒作、制
造噱头
67
Introduction to AI
AI早期成功的例子：规划（1991）
• Planning后勤规划：1991年海湾战争中美
国军队配备了一个动态分析和重规划工
具DART, 用于自动后勤规划与运输调度
• 该系统同时涉及50000个车辆、货物和人，
而且要考虑起点、目的地、路径，解决所有
参数之间的冲突。使用AI技术使规划在几小
时内完成，而传统方法需要几个星期
• DARPA称就此一项投资足以补偿DARPA在
AI方面30年的投资
• NASA’s Remote Agent program (Mars
exploration Rovers)
68
Introduction to AI
AI早期成功例子：博弈—国际象棋
（1997）
• Game playing 博弈：IBM公司的“深蓝”
成为第一个在国际象棋比赛中战胜世界
冠军的计算机程序
• 1997年，一次公开赛中3.5/2.5比分战胜卡
斯帕罗夫，他说从棋盘对面感到了“一
种新智能”
• （但是，“深蓝”的设计者不认为用了多么
高深的AI技术）
69
Introduction to AI
AI近期成功例子：AlphaGo (2016)
• AlphaGo主要由4个部分组成:(田渊栋，2016)
（1）走棋网络 (Policy network), 给定当前局面,
预测/采样下一步的走棋.
（2）快速走子 (Fast rollout), 目标和走棋网络一
样, 但在适当牺牲走棋质量的条件下, 速度要比
走棋网络快1000倍.
（3）估值网络 (Value network), 给定当前局面,
估计是白胜还是黑胜.
（4）蒙特卡罗树搜索 (Monte Carlo tree search,
MCTS), 把以上这三个部分连起来, 形成一个完
整的系统
70
Introduction to AI
4 AI Progress
人工智能简史
the contributions to the forming and developing
of AI discipline from 8 disciplines
AI pioneers & Turing Award for AI
AI brief history （三次浪潮）
Introduction to AI
Disciplines given contributions to AI
• 哪些学科、哪些思想和哪些人物给予AI以贡献?
• Philosophy 哲学(BC428现在)现在)
• Mathematics 数学(800
• Economics 经济学(1776现在)现在)
• Neurocience 神经科学(1861
• Psychology 心理学(1879现在)现在)
• Computer engineering 计算机工程(1940
• Control theory and cybernetics 控制论(1948现现在)
在)
• Linguistics 语言学(1957
72
73
哲学的贡献
• 哲学(BC428现在)贡献的思想:现在)贡献的思想:
• 问题1：形式化规则能用来抽取合理的结论
吗? Yes/著名的三段论
• 问题2：精神的意识是如何从物质的大脑产
生出来的? 存在2种结论：二元论和一元论
• 问题3：知识是从哪里来的? 培根：实践
• 问题4：知识是如何导致行动的? 知识用
于指导行动去达到目标
Introduction to AI
74
数学的贡献
• 数学(800
• 什么是抽取合理结论的形式化规则? 逻辑
• 什么可以被计算? 计算理论(可计算性和算
法复杂性)
• 如何用不确定的知识进行推理? 贝叶斯
方法
• AI成为一门规范科学要求在三个基础领
域完成一定程度的数学形式化:
• 逻辑、计算、概率
Introduction to AI
Introduction to AI
计算机工程的贡献
• 计算机工程(1940现在)的贡献:2011) 闵斯基(1927
• 如何才能制造出“能干”的计算机?
• 计算机被视为智能和人工制品的结合
• 1945年在宾夕法尼亚大学(UPenn)开发出来
的ENIAC被公认为现代计算机最有影响的先
驱, 研制者包括John Mauchly和John Eckert
• 计算机软件技术为AI提供了操作系统、程序
设计语言、工具软件等；AI反过来也对主流计
算机科学产生了影响
75
Introduction to AI
各学科的贡献
• 哲学—逻辑/推理方法/智能作为一种物理系
统/理性的基础
• 数学—形式表示与证明/算法/可计算性/可操
作性/概率性
• 心理学—自适应性/感知和控制的现象
• 语言学—知识表示/语法
• 神经科学—智能活动的物理基础(substrate)
• 控制理论—自我平衡系统/稳定性/优化设计
• 计算机工程—计算机硬件和软件系统
• 经济学—复杂系统中的决策/验证环境
76
Introduction to AI
推动AI发展的动力
• 上述学科对于各种问题的探索, 由此激发的认识、
思想、成就都成为推动AI发展的动力，或许人类
对于技术成果改变生活的持续追求是最大的动力
• 人工智能=人造物(计算机)+智能(特殊程序)
• 从智能体角度, 有2类智能体: 人类/计算机
• 人造智能体, 人们期待计算机智能体/人工智能在
越来越多领域里解决问题，并且达到专家水平；；；；；；；；；；；；；；；;
并且要发展出一个整体上超过普通人的超级智能
体
77
Introduction to AI
图灵的论文
• 图灵1950年的论文第一
个清晰地描绘出AI的完
整图像(Computing
Machinery and
Intelligence)
• 提出了图灵测试、机器
学习、遗传算法、增量
学习
78
79
图灵与苹果
• Alan Mathison Turing 1912.6.23—1954.6.7
• 1936年，提出“图灵机”的构想(24岁)
• 1940年-1942年，成功破译了德军U-潜艇密码，主要
贡献者
• 1947年-1948年，同时在神经网络和人工智能领域做
出开创性的理论研究
• 1950年，发表论文“计算机器与智能”，人工
智能科学的开创性构思 / 提出著名的“图灵测试”
理论
• 1951年，从事生物的非线性理论研究 / 当选英国
皇家学会会员(或应称为会士)，时年39岁
• 1952年曾被捕入狱
• 1953-54年，从事物理和生物学研究
Introduction to AI
Introduction to AI
人工智能的诞生(1956)
• 1956年夏天, AI正式诞生于达特茅斯大学
• John McCarthy(麦卡锡)自普林斯顿大学毕
业以后去了达特茅斯大学, 他说服了另外2
个人帮助召开了为期2个月的研讨会
• 会议组织者4人: 麦卡锡、Minsky(明斯基)、
Claude Shannon(香侬)、IBM的Nathaniel
Rochester(罗切斯特), 参加者共10人
• 其他6位是：普林斯顿大学Trenchard More、
IBM的Arthur Samuel(塞缪尔)、MIT的Ray
Solomonoff和Oliver Selfridge、CMU的纽厄
尔和西蒙
80
AI的奠基者—图灵奖获得者
81
麦卡锡(19272016) 西蒙(19162001) 纽厄尔(19271992)09, Beijing
1971年获奖 1969年获奖 1975年两人共同获奖
82
国际计算机界对AI成就的肯定
Introduction to AI
获奖年份 图灵奖获奖者 主要贡献 时代
1969 Marvin Minsky AI奠基者, 机器思维概念、
Agent等
第1次AI浪潮
1971 John McCarthy AI奠基者, AI程序设计语
言
同上
1975 Hebert Simon, Allen
Newell
AI奠基者, 通用问题求解 同上
1994 Edward Feigenbaum,
Raj Reddy
知识工程 第2次AI浪潮
2010 Leslie Valiant 计算学习理论 机器学习发展
期
2011 Judea Pearl 不确定性推理 同上
2018 Geoffrey Hinton, Yoshua
Bengio, Yann LeCun
神经网络模型（深度学习） 第3次浪潮
2024 Andrew Barto, Richard
Sutton
强化学习 第3次浪潮
AI第3次浪潮
83
84
了解AI最新进展：人工智能学会(美)网站
• AAAI：conference of Association for the
Advancement of Artificial Intelligence
• 网站： https://www.aaai.org
Introduction to AI
关于AI方面的世界报道，以小时为间隔更新
https://aitopics.org/search 网站
AITopics: 2025-08-23
85
AI topics（网站:https://aitopics.org/）
• AAAI官方出版物：全球AI进展报道—今天的新闻，明
天的历史
86
浏览时间 报道数量 头条 top 3
2025-08-23 698792 使用AI技术跟踪野生动物；；；；；; Meta将有
关AI技术用于其产品；; NASA从200万
英里以外小行星采集岩石样品
2024-10-28
12:37
669884 AI art related
Apple’s smart room
Google’s new AI browser
2023-11-01
08:30
503412 英国AI医疗、AI重塑IT产业、特斯拉
车祸
2022-10-26
09:30
437331 Metaverse(元宇宙)
Harvard’s Robot
AITopics2024起由i2kConnect维护
87
Introduction to AI
了解AI最新进展：IJCAI年会
• IJCAI：International Joint Conference on
Artificial Intelligence
• 网站：http://www.ijcai.org/
• AAAI：conference of Association for the
Advancement of Artificial Intelligence
• 网站： https://www.aaai.org
88
89
• IJCAI is the International Joint Conference on Artificial
Intelligence, the main international gathering of
researchers in AI. Held biennially in odd-numbered
years since 1969, IJCAI is sponsored jointly by IJCAI
and the national AI sociatie(s) of the host nation(s).
• http://www.ijcai.org/ (online proceedings)
• First conference – IJCAI-69: Washington, D.C., USA
• 2013-08-03
• 2015起，IJCAI改为每年举办一次
• 2019-08-1016, Macao; 2025-08-1622, Montreal
Introduction to AI
IJCAI
IJCAI-2023,2023-08-1925, Macao09, Jeju
本届大会论文主题（部分）：
Machine Learning 12 Natural Language Processing 4 Computer
Vision 6 ML: Federated Learning 3 Agent-based and Multi-agent
Systems 4 Planning and Scheduling 3 Data Mining 3
Knowledge Representation and Reasoning 4
CV: Vision and Language 2 CV: 3D Computer Vision 3 CV:
Recognition 3 CV: Segmentation 2 ML: Deep reinforcement
Learning 2 Constraint Satisfaction and Optimization 2
AI Ethics, Trust, Fairness 3 Game Theory and Economic
Paradigms 2
NLP: Information Extraction, AI for Social Good – Ethics, trust,
fairness, S: Heuristic Search, Search, AI and Arts: Sound and
Music, Robotics 90
Introduction to AI
IJCAI-2024, 2024-08-03
Conference Main Track
91
Introduction to AI
主题 Session
数量
主题 Session
数量
MTA: Multidisciplinary
Topics and applications
7 ETF: AI Ethics, Trust,
Fairness
7
DM: data mining 10 S: search 4
GTEP: game theory
and economic
paradigms
6 NLP 10
CV: computer vision 17 ROB: intelligent robotics 2
ML 30 AI for social good 5
KRR: K repre & rea.. 6 CSO: Constraint optim… 3
Introduction to AI
5 AI：The State of The Art
（SOTA）
人工智能发展现状：
大语言模型时代
AlphaGo (2016)
大语言模型Large Language Models (2022~)
大语言模型Large Language Models蓬勃发展
93
大语言模型LLMs是一种数字大脑(语言类)
ChatGPT表现出来的类人智能：数字大脑（语言类）
Kosinski（斯坦福大学心理学家）指出*
：ChatGPT解决了
93%的“心智理论”（Theory of Mind, ToM）任务测试（给
定故事上下文，测试其推理能力），达到了9岁孩童的能
力—大模型自动涌现（spontaneously emerged）了一种人
类具有的智力
说明：语言中存在着未知的规则或者规律，能够用来求解智
力问题（ToM）而无须引入显式的心理测试形式，因此需要
对深度神经网络/模型进行心理学研究
作者明确提出：当AI模型（即大模型） 学习如何解决各类问
题时，他可能就在发展一种与人类大脑类似的机制……研究
AI模型在心理学测试问题上的性能、探索使能力得以呈现的
大规模神经网络结构，就能不仅推进我们对于AI的理解，也
能推进对人脑的理解 - Michal Kosinski, Theory of Mind May Have Spontaneously Emerged in Large Language Models, 94
arXiv:2302.02083
数字大脑（语言集合）储存了人类全部知识
数字大脑：语言集合存储了人类的全部知识
大模型的类人智能来自哪里？来自
语言学习
人类语言作为工具承载了三大功能：
个人思维、人际交流、知识传承
世界上最大的知识库就是全部语言
（为主）内容集合（数字或非数字
形式：所有的书籍、期刊、网
页……）
一旦大模型存储了大规模语言内容
并建立了语言语义（以词汇为单元）
之间的联系，可以说他就具备了人
类的大多数知识
95
数字大脑的分区*
96
Introduction to AI - arXiv: 2310.14928
主要研究结果：语言能力核心区占大模型参数1%；LLaMA2-13B
模型仅修改130亿参数中的一个就导致模型的语言能力完全丧失
类人智能
97
Introduction to AI
类人智能（Human-Like/Level Artificial Intelligence,
HLAI）并无正式的定义或描述，这个名称来自2022一
篇文章*
该文声称：AI pioneer Nils Nilsson noted that “achieving
real human-level AI would necessarily imply that most of
the tasks that humans perform for pay could be automated.”
(人类为了糊口而干活的那些任务都被替代) ；同时写到
“achieving human-level AI or ‘strong AI’ （强人工智能）
remains the ultimate goal for some researchers” 比较
“weak AI” which seeks to “build machines that help
humans.”—替代人类 vs 帮助人类 - Erik Brynjolfsson, The Turing Trap: The Promise & Peril of Human-Like
Artificial Intelligence, 2022
LLMs智能的表现：涌现
98
LLMs的涌现能力（emergence）是什么？[1][2]
（1）to produce long stretches of coherent text（长文连贯性）
（2）do things they weren’t trained on（未经训练的回复）
（3）engage (to some extent) in topics of conversation that were
thought to be off-limits for computers（谈论起原本是计算机禁区
的话题）
UC Berkeley教授Steinhardt定义涌现：“when quantitative
changes in a system result in qualitative changes in behavior”（量变
引起质变）
斯坦福大学博士生Bommasani定义为：“not present in smaller
models but are present in larger models”（小模型中没有，大模型中
有）解释：过了临界点，性能从随机变好；不是平滑增长的
[1] Ben Dickson, Blog, AI scientists are studying the “emergent” abilities of large
language models - TechTalks (bdtechtalks.com),
https://bdtechtalks.com/2022/08/22/llm-emergent-abilities
[2] Jason Wei, et al., Emergent Abilities of Large Language Models, Trans. on
Machine Learning Research, 2022/08
涌现能力从何而来：多任务微调
LLM诞生之前是PLMs(Pre-trained Language Models)，参数量最大
也达到了千亿量级(100B+)，但是并没有展现出ChatGPT那样令人
惊艳的表现
多任务微调（instruction tuning on many tasks）*是ChatGPT的基础
FLAN(Finetuned LAnguage Net)
99 - https://blog.csdn.net/ qq_39388410/article/details/128265846
Introduction to AI
LLMs智能的来源：结构
多层神经网络能够逼近任何函数（万能逼近理论），即理论
上能够学习任何函数[1]（1989年发表于Neural Network期刊，
知乎上详细中文解释参见[2]）；当然，我们不能很容易找到一
个给定问题的最优权重！实际上，在合理的时间内训练一个精
确模型取决于许多因素，如网络结构、参数数量
神经网络时代的NLP（语言理解与生成）是一个函数映射过
程：输入=向量，输出=向量，函数=多级映射
该文的主要结论[2]：深度神经网络作为一个函数, 不管用哪
个squashing function作为激活函数、不管在哪个有界度量的意
义下, 都可以用来逼近任意Borel可测函数
[1] Kurt Hornic, et al. Multilayer Feedforward Networks are Universal
Approximators, Neural Network, V2, pp359-366, 1989
[2] 知乎：深度神经网络可以逼近Borel可测函数，https://zhuanlan.zhihu.com/p/ 100
458006332
LLMs智能的来源：机理
101
Introduction to AI
相变机制[1]：当AI系统的拓扑连接规模越过某个阈值时，AI系
统中互不连接的部分构成了连贯结构（1987）
这就可以解释：为什么LLMs能够组合知识片段而生成流畅的
输出（长文连贯性）—生成了原来没有见过的句子
最新研究（2023-07）证明了深层神经网络中存在吸收相变（
absorbing phase transition）的过程[2]
the purpose of the present work is to demonstrate that the notion
of absorbing phase transition is a promising tool for theoretical
understanding of the deep neural networks
[1] Huberman & Hogg, Phase transitions in artificial intelligence systems, AI 1987
[2] Tamai, et al., Absorbing Phase Transitions in Artificial Deep Neural
Networks, CoRR，2023-07
认知能力：
来自德国、意大利、英国、美国的研究者获得新研究成果：2024
102
ToM: Theory of Mind
103
Theory of Mind (ToM)通常译为心智理论（或可称为智力论），也称为
读心术（mind reading）指的是一个人认识别人智力行为（如因饿而
开冰箱）的能力，是hot cognition（情感认知）研究中一个关键组成
部分*
ToM能力： The ability of putting yourself in somebody else‘s shoes （设
身处地为他人着想）is a crucial evolutionary advantage for humans, for it
allows us to better interact with our environment and cooperate more
effectively with our peers
大模型已经自发地涌现了心智/智力论能力，也就是说他开始能够
“理解”人类所说（这个理解不同于之前NLU理解技术，是来自于涌
现而非单纯技术实现） - F. Cuzzolin, et al., Knowing me, knowing you: theory of mind in AI (2020),
https://www.cambridge.org/ core/journals/psychologicalmedicine/article/knowing-me-knowing-you-theory-of-mind-in-ai
动态：Nature子刊
Nature子刊《自然·人类行为》的一篇最新研究采用非常严谨的试验
，证明GPT-4表现居然位于人类水平之上，能够比人类更好地检测出
讽刺和暗示，其弱点来自于不表达观点的护栏
想象一下，当你站在一扇关闭的窗户附近，听到朋友说「这里有点热」，你就
会意识到，她不仅仅是在评论温度，而是礼貌地请求你打开窗户。这种追踪他
人心理状态的能力被称为心智理论，这是人类心理学的一个核心概念
测试共分为5个项目（错误信念、反讽、失言、暗示、奇怪故事）
测试结果表明：GPT-4在5项测试中有3项的表现明显优于人类（反讽、暗示、
奇怪故事），1项（错误信念）与人类持平，仅在失言测试中落于下风
研究人员又发现，GPT-4并非不擅于识别失言，而是因为它非常保守，不会轻
易给出确定性的意见
这里采用： 新智元 2024-05-26 报道
104
各个测试项目（错误信念、反讽、失言、暗示、奇怪故事）的得分分布
105
中国自主研发的大模型DeepSeek
DeepSeek为什么火了？
豆包
文心一言
星火
106
DeepSeek三大标签：高性能、开源、国产
✓ 高性能：大模型的“高性能”本质上是
其规模（参数量、数据量、计算量）与先
进架构（如Transformer）结合后，在通用
性、生成质量、任务适应性等方面的综合
体现
107
DeepSeek三大标签：高性能、开源、国产
✓ 开源：大模型开源是AI平等的重要推手
，通过降低技术壁垒、促进协作创新，让
更多人参与AI变革；其价值不仅在于技术
本身，更在于激发全球智慧解决复杂问题
，推动AI向更开放、普惠的方向发展
108
DeepSeek三大标签：高性能、开源、国产
109
✓ 国产化大模型的意义：大模型国产化
的核心优势在于政策支持下的规模化应用、
垂直场景的精准赋能、技术自主可控的创
新突破，以及生态共建带来的协同效应。
这些优势不仅助力国内产业智能化转型，
还为中国在全球AI竞争中占据主动地位奠
定基础。未来，随着商业化模式的成熟与
伦理治理的完善，国产大模型有望在更多
领域释放潜力，推动经济高质量发展
➢ 以上回复均来自DeepSeek
Introduction to AI
6 On Reasoning
关于推理
推理方法一览
推理的重要性
111
Introduction to AI
推理是什么？
• To reason is to draw inferences appropriate to the
situation. (合适地应用推理步骤以获得结论)
Inferences are classified as either deductive (演绎)
or inductive (归纳)：[britannica.com]
• The reasoning is the mental process of deriving
logical conclusion and making predictions from
available knowledge, facts, and beliefs. Or we can
say, “Reasoning is a way to infer facts from existing
data.” It is a general process of thinking rationally, to
find valid conclusions. [javatpoint.com]
112
113
区分reasoning和inference*
• 推理（reasoning）：是一种模型工作机制（处理
方法） ， 定义如下：由一个或几个已知的判断
（前提）推出新判断（结论）；推理没有唯一的
方式，只要处理方法符合定义，即能给出证据链
（预测过程有理可依），即可视为推理
• 推断（inference）：可以理解成一种基于充分信
息量的预测过程；通常指模型训练（learning）结
束后，使用训练好的模型做预测（predict）的过程
如online inference, variational inference；或者给定
X 取值，观测Y的过程，如causal inference
Introduction to AI - 知乎 https://www.zhihu.com/question/405941421/answer/1586030490
114
典型的推理方法*
• Deductive reasoning 演绎推理
• Inductive reasoning 归纳推理 机器学习
• Abductive reasoning 溯因推理；
• Common Sense Reasoning 常识推理
• Monotonic Reasoning 单调推理
• Non-monotonic Reasoning 非单调推理
Introduction to AI - https://www.javatpoint.com/reasoning-in-artificial-intelligence
Introduction to AI
Deductive reasoning 演绎推理
• Deductive reasoning is deducing new information
from logically related known information. It is the
form of valid reasoning, which means the
argument’s conclusion must be true when the
premises are true. In deductive reasoning, the truth
of the premises guarantees the truth of the
conclusion.
115
Introduction to AI
Inductive reasoning 归纳推理
• Inductive reasoning is a form of reasoning to arrive at
a conclusion using limited sets of facts by the process
of generalization. It starts with the series of specific
facts or data and reaches to a general statement or
conclusion.
• Machine Learning
• premises provide probable supports to the conclusion,
so the truth of premises does not guarantee the truth
of the conclusion.
116
117
Abductive reasoning 溯因推理
• Abductive reasoning is a form of logical reasoning
which starts with single or multiple observations
then seeks to find the most likely explanation or
conclusion for the observation.
• the premises do not guarantee the conclusion.
Introduction to AI
解释
推理模型
观察 观察
Introduction to AI
Commonsense Reasoning 常识推理
• Commonsense reasoning is an informal form of
reasoning, which can be gained through experiences.
• It relies on good judgment rather than exact logic and
operates on heuristic knowledge and heuristic rules.
• Example:
• One person can be at one place at a time.
• If I put my hand in a fire, then it will burn.
118
119
Monotonic Reasoning 单调推理
• In monotonic reasoning, once the conclusion is taken, then it
will remain the same even if we add some other information to
existing information in our knowledge base. Here, adding
knowledge does not decrease the set of prepositions that can be
derived. We can derive the valid conclusion from the available
facts only, and it will not be affected by new facts.（结论不因
新事实增加而改变）
• Monotonic reasoning is not useful (不是很有用) for the realtime systems, as in real time, facts get changed, so we cannot
use monotonic reasoning.
• A logic-based system is monotonic. Any theorem proving is an
example of monotonic reasoning.
• Example: Earth revolves around the Sun.
Introduction to AI
Introduction to AI
单调推理优势与劣势
• Advantages of Monotonic Reasoning:优势
• In monotonic reasoning, each old proof will always remain valid.
• If we deduce some facts from available facts, then it will remain
valid for always. (事实增减不影响结论)
• Disadvantages of Monotonic Reasoning:劣势
• We cannot represent the real world scenarios using Monotonic
reasoning. (很难表示真实场景—情况变了，结果也要跟着变)
• Hypothesis knowledge cannot be expressed with monotonic
reasoning, which means facts should be true. (必须保证事实为真
—实际上这点在现实中无法保证，有假象)
• Since we can only derive conclusions from the old proofs, so new
knowledge from the real world cannot be added. (限制了新知识
的产生—封闭性)
120
Introduction to AI
Non-monotonic Reasoning非单调推理
• In Non-monotonic reasoning, some conclusions
may be invalidated if we add some more
information to our knowledge base. (增加新信息
导致原来某些结论不成立)
• Logic will be said as non-monotonic if some
conclusions can be invalidated by adding more
knowledge into our knowledge base.
• Non-monotonic reasoning deals with incomplete
and uncertain models. (用于建立不完整和不确定
模型)
121
Introduction to AI
非单调推理例子
• Example: Let suppose the knowledge base contains the
following knowledge:
✓Birds can fly
✓Penguins cannot fly (鸟纲、企鹅目)
✓Pitty is a bird (一只叫Pitty的鸟)
• So from the above sentences, we can conclude that Pitty can
fly.
• However, if we add one another sentence into knowledge base
“Pitty is a penguin”（增加了Pitty是企鹅）, which concludes
“Pitty cannot fly”, so it invalidates the above conclusion. (使
结论不成立)
122
Introduction to AI
非单调推理的优势与劣势
• Advantages of Non-monotonic reasoning:
• For real-world systems such as Robot navigation(机器
人导航), we can use non-monotonic reasoning.
• In Non-monotonic reasoning, we can choose
probabilistic facts (概率事实) or can make
assumptions. (提出假设)
• Disadvantages of Non-monotonic Reasoning:
• In non-monotonic reasoning, the old facts may be
invalidated by adding new sentences. (旧事实失效)
• It cannot be used for theorem proving. (不能应用于定
理证明)
123
Introduction to AI
自然语言推理 Natural Language Inference
自然语言是推理过程的解释手段，解释本身实际
上也可以视作一个推理过程—而且是最自然的推理
狭义的自然语言推理（Natural Language Inference,
NLI）也是自然语言理解（Natural Language Unders
tanding，NLU）的另一种形式/称谓，主要任务包
括*：
指代消解REFERENCE RESOLUTION
问答QUESTION ANSWERING
文本蕴涵TEXTUAL ENTAILMENT
；可能性推理PLAUSIBLE INFERENCE—类似于溯因
推理等
124
Introduction to AI
基于自然语言的推理：NL-based Inference
随着大语言模型（Large Language Models, LLMs）的
出现，直接使用自然语言作为推理手段已经开始出
现，例如CoT：Chain-of-Thought（思维链）
125
Introduction to AI
Reasoning研究现状（2023-11-01）
• Aitopics上相关文献
(包括arXiv中的文章)
• 全部503412篇
• 其中机器学习方向
268294篇，列第一
位
• 表示与推理97496篇
列第二位
126
Introduction to AI
Reasoning研究现状（2024-10-28）
• 全部：669884
• Top 5
• Machine Learning
408185
• Representation &
Reasoning 144323
• Natural Language
119813
• Vision 33280
• Issues 20023
127
最新现状：2025-08-23
比去年增长了17000
多篇
128
Introduction to AI
Summary
小结
Introduction to AI
小结
• AI发展在中国
• AI是什么？简言之：人类行为/功能建模方法；；； /
图灵测试基本上达成目标
• AI技术的一般/抽象模型形式：AgentEnvironment交互
• AI应用—各行各业，需要时可以深入调研
• AI进展及SOTA—每天都在进步中：参见
Aitopics及AI顶会网站
• 大语言模型开启了人类迈向超级智能的时代
• 推理方法概览
130
Introduction to AI
We can see only a short
distance ahead, but we
can see that much
remains to be done.
— Alan Turing
131
Introduction to AI
References (1)
• Stuart Russell / Peter Norvig: AIMA 第1章 /第2
章 /第26章 / 第27章
• 陆汝钤 编著: 人工智能(上册) 引言
• Micheal Wooldridge，An introduction to multiagent systems，石纯一等译：多Agent系统引论，
电子工业出版社，2003
• IJCAI网址—http://ijcai.org/
• Aitopics网站—http://aitopics.org/
• 王飞跃，陆汝钤，曾大军，人工智能在中国，
中国计算机学会通讯，2008年第8期
132
133
References (2)
• Ruqian Lu，Daniel Zeng, Feiyue Wang, AI Resea
rch in China: 50 Years down the Road, IEEE Intell
igent Systems, Vol. 21, 2006, pp91-93
• 于剑，语言与图灵测试，自动化学报，2016，
第5期
• 田渊栋，阿法狗围棋系统的简要分析，自动化
学报，2016，第5期
• 周志华， AlphaGo专题介绍，自动化学报，
2016，第5期
• 郑南宁，人工智能面临的挑战，自动化学报，
2016，第5期
Introduction to AI
欢迎提出批评和建议！
tjzhao@hit.edu.cn
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 JSJ-0513！
