第二节 人工智能基础

人工智能（Artificial Intelligence，AI）是指计算机像人一样拥有智能能力，是一个融合计算机科学、统计学、机器学习、计算机视觉、神经学、哲学和社会科学的前沿综合学科，可以代替人类实现识别、认知、分析和决策等多种功能。

一、计算机科学（Computer Science）

1.数据结构和算法（Data Structure&Algorithm）

程序=算法+数据结构

该公式由N.沃思（Niklaus Wirth）教授提出。其中指出两个问题：

（1）算法决定如何构造和组织数据（算法→数据结构）；

（2）算法的选择依赖于作为基础的数据结构（数据结构→算法）。

实际上，人工智能是计算机科学的一个分支。在计算机科学中，数据结构（Data Structure）是计算机中存储、组织数据的方式。它不仅可以存储数据，还支持访问和处理数据的操作。数据元素间抽象化的相互关系被称为逻辑结构，依赖于计算机语言来实现。而同一种逻辑结构又可采用不同的存储方法，这又需要考虑算法的失控要求。算法是为求解一个问题需要遵循的、被清楚指定的简单指令的集合。人工智能的本质就是将复杂的逻辑关系转化为算法问题，从而提高机器对海量数据的训练能力，进一步提升其精准度。

如果算法实现得不理想，或是数据结构效率低都将会占用大量的计算资源，面对现实生活中的海量数据，程序很容易终止运行。所以，优秀的数据结构和算法能让程序保持平稳运行，对人工智能来说更是核心所在。

2.分布式系统（Distributed System）

分布式系统是组件之间通过网络消息的传递来完成通信和协调工作的系统，而整个硬件或是软件组件都是分布于网络计算机之上的。简单来说，分布式系统的部署需要建立在联网的计算机之上，这样组件之间的消息传递才能有效地进行。

对于分布式系统来说，关键点在于分布式计算（Computation）和分布式存储（Storage）。系统实际上就是将任务分发到了各个计算机节点上，即分片（Partition）。对于计算而言，系统将大量计算的工程数据分区成小块，由各个节点分别进行计算，最后将上传的结果统一合并得出最终值。而MapReduce模型就是一种成熟的分布式计算框架。对于存储更为简单，就是将数据分散存储于多台独立的设备之上，再也不是集中式的存储方式。

如图3.1所示，一个分布式系统有三个基础需求：一致性（C:Consistency）、可用性（A:Availability）、分区容错性（P:Partition Tolerance）。这三者无法同时满足，最多只能同时满足其中两项，这就是经典的CAP理论。对于需求的选择如表3.1所示。

图3.1

表3.1 CAP选择说明表

3.计算理论（Theory of Computation）

计算理论属于数学的一个分支，利用计算机将计算以数学的方式抽象化，即计算模型。其中最为出名的模型是图灵机，也被称为数学逻辑机，图灵机开启了人工智能时代的大门。而计算理论本质上就是解决“什么能够被计算，实施计算又需要占用多少资源”的问题。其中，递归论可以用来检验多种理论计算模型中哪个计算问题是可解的，而计算复杂性理论则被用来解决不同目的的计算问题与空间消耗问题。

密码学（Cryptology）应用正是基于这样的计算理论。密码技术本身是对传送的数据进行加解密，同时还能用于认证，进行数字签名，以及解决在分布式计算中产生的来源于内部和外部的攻击的所有信息安全问题等。而密码学又分为密码编码学（Cryptography）和密码分析学（Cryptanalysis）两个分支。其中密码编码学是密码体制的设计学，即把原始消息转换成不可理解的消息，同时又可将其恢复到原消息的方法；密码分析学则是在未知密钥的情况下从密文中推演出明文或密钥全部或部分信息的技术，但也可形成对密码体制的攻击。

4.编码理论（Coding Theory）

编码理论是由信息论之父——克劳德·香农（Claude Elwood Shannon）创建的。他对“信息”“通信”“解码编码”等诸多概念给出了数学框架，并正式将“熵”这一概念引入到信息论中，编码理论也因此被逐渐应用开来。

编码理论是对编码以及它们适用的特定应用性质的研究。编码（Code）被用于数据压缩、密码学、向前纠错等项目，近期也被用于网络编码。研究编码的目的在于设计出更高效、可靠的数据传输方法。编码理论需要考虑三个问题：“如何用最少的预言表述出尽可能多的信息”，“如何使编码和解码过程尽可能简单”，“当编码后的信息出现偏差，解码后得到的信息能否不受干扰”。前两个问题主要检验编码的效率，而第三个问题主要是基于编码系统的稳定性。

在信息传播中会涉及编码解码的过程，如图3.2（信息传播六部曲）所示，首先需要对接收到的信息源进行编码即调制处理，并通过信息通道来传递编