接著上次的人工智能入門后，今天我們一起繼續(xù)來探討AI。說到AI呢，像大家都比較熟悉的“深藍”和“AlphaGo”是兩個避不開的AI系統(tǒng)肋僧，其實簡單的來講，“深藍”主要利用的是alpha-beta pruning 算法（alpha-beta 剪枝算法）持舆，和強大的硬件系統(tǒng)色瘩，包括特殊設(shè)計的芯片和并行計算系統(tǒng)伪窖，在國際象棋的比賽中逸寓，每次可以計算2億個位置的可能性，擊敗了當時的世界冠軍覆山，名噪一時竹伸。但現(xiàn)在“深藍”已經(jīng)被放在了博物館。AlphaGo除了先進的硬件系統(tǒng)之外簇宽，利用了蒙特卡洛樹算法和深度學(xué)習(xí)勋篓，擊敗了當時排名世界第一的我國選手柯潔。當此為止魏割，棋類游戲的AI系統(tǒng)的設(shè)計告一段落譬嚣。
除了棋類應(yīng)用之外，AI的其他應(yīng)用非常廣泛钞它，包括像拜银，自然語言處理殊鞭，包括翻譯尼桶，問答，居家機器人泵督，演講識別和演講者情緒的變化趾盐，股票市場的預(yù)測和交易小腊，醫(yī)學(xué)圖像處理等。從最基礎(chǔ)的開始秩冈，我們一起來看一下一種非常簡單的AI機制---Agent, 通常被翻譯為“代理”。在計算機領(lǐng)域漩仙，Agent 指那些在特定的環(huán)境可以執(zhí)行特定任務(wù)的實體。想要具有這樣的功能队他，Agent必須有感知系統(tǒng)卷仑，可以執(zhí)行一定的動作锡凝，并且是具有目的性的，而不是隨意的垢啼。從簡單的說起窜锯，Stimulus -response agent (姑且理解為：實時反應(yīng)機器人)，這樣的一類設(shè)計是基于機器人所接受到的狀態(tài)來做出反應(yīng)芭析。后面我們會考慮利用一些規(guī)則锚扎，神經(jīng)網(wǎng)絡(luò)或者遺傳算法來控制這樣的agent。
后面我們基于一個繞著墻壁邊緣行走的機器人來一步步認識agent,實際上很多大學(xué)的人工智能課程都參考UC Berkeley 的pacman 設(shè)計,具體參考：http://ai.berkeley.edu/project_overview.html 馁启。假設(shè)我們要設(shè)計這樣一個機器人驾孔，如果處在內(nèi)部物體的邊緣就逆時針繞著走；如果處在外部墻壁邊緣惯疙，就順時針繞著墻壁走翠勉。由圖也可以看到，作為這樣的一個agent霉颠，這個機器人要8個sensor（感應(yīng)器）对碌，來感知這8個位置是否被占了。機器人相應(yīng)的可以往四個方向走蒿偎，東南西北朽们。我們的任務(wù)是要設(shè)計一套方法克伊，根據(jù)感應(yīng)器感知到的周圍的環(huán)境，做出不同的反應(yīng)來华坦。通常這樣的一套方法分兩個部分愿吹，機器人Perception process (感知的過程) 和 action process ( 實施行動) 的部分。
Perception
比較簡單的惜姐，每一個空格的狀態(tài)可以作為一個變量輸入犁跪，這樣8個方向總共占8位，也就是說sensor感知到的信息被整理成8個bit歹袁，1代表這個位置被占坷衍，0表示為空。
這樣的話条舔，其實總共有2的8次方種不同的狀態(tài)枫耳，但這樣考慮會有一些復(fù)雜，不妨這樣考慮：
當左面的空格和左上方的空格都被占用孟抗，并且正上方和右上方的空格都是空的時候迁杨，往北走，這一點無論對于順時針繞著外墻壁還是逆時針繞著內(nèi)部物體凄硼，都是行得通的铅协。
這樣，不妨把左面摊沉，左上方的兩個空格歸并為x4, 上方和右上方的兩個空格歸并為x1, 右方和右下方歸并為x2, 下方和左下方歸并為x3狐史，當其中的某一個空格為1（被占用的時候），這個狀態(tài)就為1说墨。
舉個例子骏全，右上方的空格為1，右方和右下方都是空尼斧，那么需要往右走姜贡。這種情形可能出現(xiàn)在機器人繞著內(nèi)部物體逆時針行走到左下方的時候，需要往右行走突颊。
這個步驟是非常關(guān)鍵的一步鲁豪，算是人力尋找特征這樣一個過程潘悼。
Action
我們規(guī)定：x1到x4都是空的時候治唤，往北（上）走。其余情況：
X4 = 1船惨， x1= 0, 北走；X3 = 1粱锐， x4= 0, 西走；
X2 = 1铐然， x3= 0, 南走恶座；X1 = 1， x2= 0, 東走自点；
好脉让，這次大概這些溅潜，略微枯燥一點，后面一起探討Threshold Logic Unit（閾值邏輯單元） 的使用碴开，這將是神經(jīng)網(wǎng)絡(luò)的開始博秫。
