前言

20世纪70年代末、80年代初，人工智能进入了第二次浪潮，其中代表性的工作是1976年兰德尔·戴维斯（Randall Davis）构建和维护的大规模的知识库，1980年德鲁·麦狄蒙（Drew McDermott）和乔恩·多伊尔（Jon Doyle）提出的非单调逻辑，以及后期出现的机器人系统。

1980年，汉斯·贝利纳（Hans Berliner）打造的计算机战胜双陆棋世界冠军成为标志性事件。随后，基于行为的机器人学在罗德尼·布鲁克斯（Rodney Brooks）和萨顿（R. Sutton）等人的推动下快速发展，成为人工智能一个重要的发展分支。这其中格瑞·特索罗（Gerry Tesauro）等人打造的自我学习双陆棋程序又为后来的增强学习的发展奠定了基础。

机器学习算法方面，这个时期可谓是百花齐放，百家争鸣。Geoffrey Hinton等人提出的多层感知机，解决了Perceptron存在的不能做非线性分类的问题；Judea Pearl倡导的概率方法和贝叶斯网络为后来的因果推断奠定基础；以及机器学习方法在机器视觉等方向取得快速发展。

3.1知识表示（Knowledge Representation）

1975年，马文·明斯基(Marvin Minsky)在论文《知识表示的框架》(A Framework for Representing Knowledge)中提出框架理论，用于人工智能中的“知识表示”。

明斯基框架不是一种单纯的理论。除了数据结构上有单纯的一面外，在概念上是相当复杂的。针对的是人们在理解事物情景或某一事件时的心理学模型。它将框架看作是知识的基本单位，将一组有关的框架连接起来整合成框架系统。系统中不同框架可用有共同节点，系统的行为由系统的子框架的具体功能来实现。推理过程由子框架的协调来完成。框架理论类似于人工智能中的面向对象化程序设计。它的成功之处是它利用框架这种结构将知识有机的整合起来，使其有一种特定的结构约束。同时保持了结构的相对独立性、封闭性。

明斯基的框架理论体现出来的模块化思想和基于事例的认知推理为其理论增添了永恒的魅力，这也是认知哲学家关注它的一个重要原因。作为认知可计算主义核心代表的明斯基将心智与计算机类比，把认知过程理解为信息加工过程，把一切智能系统理解为物理符号系统。虽然这样做使人们能从环境到心智，又从心智到到环境的信息流中来分析问题，使心智问题研究具有实验上的严格性。但是机械性的缺陷也非常明显。

同时，框架跟软件工程领域面向对象语言中的“类”相似，只是两者的基本设计目标不同。

3.2启发式搜索（Heristic Search）

Douglas Lenat（道格拉斯·布鲁斯·勒纳特）（生于1950年）是德克萨斯州奥斯汀市Cycorp公司的首席执行官，一直是人工智能领域的杰出研究者。他从事过机器学习（与他的AM和Eurisko程序）、知识表示、黑板系统和“本体工程”（在MCC和Cycorp的Cyc程序）。他还从事军事模拟，并发表了一篇对传统随机突变达尔文学说的批判，这是基于他对尤里斯科的经验。列纳特是AAAI的最初成员之一。

在宾夕法尼亚大学，勒纳特获得数学和物理学士学位，并于1972年获得应用数学硕士学位。1976年，他从斯坦福大学获得博士学位，并发表论文《数学中发现的人工智能方法——启发式搜索》。

该文章描述了一个名为“AM”的程序，它模拟了初等数学研究的一个方面：在大量启发式规则的指导下开发新概念数学被认为是一种智能行为，而不是一种成品。本地启发式通过一个议程机制、系统要执行的任务的全局列表以及每个任务合理的原因进行通信。一个单独的任务可以指导AM定义一个新的概念，或者探索一个现有概念的某个方面，或者检查一些经验数据的规律性等。程序从议程中反复选择具有最佳支持理由的任务，然后执行它。每个概念都是一个活跃的、结构化的知识模块。最初提供了一百个非常不完整的模，每个模对应于一个基本的集合论概念（如并集）。这提供了一个明确但巨大的“空间”，AM开始探索。AM扩展了它的知识库，最终重新发现了数百个常见的概念和定理。

3.3大规模知识库构建与维护（Large Scale Knowledge-Base Construction）

1976年，Randall Davis在斯坦福大学获得人工智能博士学位，并发表文章 Applications of Meta Level Knowledge to the Construction, Maintenance and Use of Large Knowledge Bases，此文提出：使用集成的面向对象模型是提高知识库（KB）开发、维护和使用的完整性的解决方案。共享对象增加了模型之间的跟踪能力，增强了半自动开发和维护功能。而抽象模型是在知识库构造过程中创建的，推理则是在模型初始化过程中执行的。

Randall Davis在基于知识的系统和人机交互领域做出了开创性的贡献，发表了大约100多篇文章，并在多个系统的开发中发挥了核心作用。他和他的研究小组通过创建能够理解用户图像、手势和交谈的软件，开发先进的工具，并与计算机进行自然的多模式交互。

3.4计算机视觉（Computer Vision）

视觉计算理论（computational theory of vision）是在20世纪70年代由马尔（David Marr）提出的概念，他在1982发表代表作《视觉计算理论》。他的工作同时对认知科学（CognitiveScience）也产生了很深远的影响。

David Marr生于1945年1月19日，早年就读于剑桥大学三一学院，获得数学硕士、神经生理学博士学位，同时还受过神经解剖学、心理学、生物化学等方面的严格训练。他在英国曾从事新皮层、海马，特别是小脑方面的理论研究。

1974年访问美国，并应M.Minsky教授之请，留在麻省理工学院开展知觉和记忆方面的研究工作。他从计算机科学的观点出发，集数学、心理物理学、神经生理学于一体，首创人的视觉计算理论，使视觉研究的面貌为之一新。

他的理论由他创建的一个以博士研究生为主体的研究小组继承、丰富和发展，并由其学生归纳总结为一本计算机视觉领域著作：Vision: A computational investigation into the human representation and processing of visual information，于他后发表。

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成更适合人眼观察或进行仪器检测的图像。学习和运算能让机器能够更好的理解图片环境，并且建立具有真正智能的视觉系统。当下环境中存在着大量的图片和视频内容，这些内容亟需学者们理解并在其中找出模式，来揭示那些我们以前不曾注意过的细节。 

3.5电脑击败世界双陆棋冠军（Computer beats world Backgammon champion）

1979年 7 月，一款名为 BKG 9.8 的计算机程序在蒙特卡洛举行的世界西洋双陆棋锦标赛中夺得冠军。这款程序的发明者是匹兹堡卡内基梅隆大学的计算机科学教授 Hans Berliner(汉斯·柏林格)，它在卡内基梅隆的一台大型计算机上运行，并通过卫星连接到蒙特卡洛的一个机器人上。 这个名为 Gammonoid 的机器人胸前有一个西洋棋显示屏，可以显示它自己，以及其意大利对手 Luigi Villa 的动作。Luigi Villa 在短时间内击败了所有人类挑战者，赢得了与 Gammonoid 对弈的权利。竞赛的奖励是五千美元，Gammonoid 最终以 7:1 赢得了比赛。

全世界都知道了：BKG9.8于1979年击败了西洋双陆棋世界冠军。

3.6专家系统（Expert System）

专家系统产生于六十年代中期，以Bruce G Buchanan在1968年发表的文章《 启发式DENDRAL:一个在有机化学中生成解释性假说的程序》为始。在美国国家航空航天局要求下，斯坦福大学成功研制了DENRAL专家系统，该系统具有非常丰富的化学知识，可根据质谱数据帮助化学家推断分子结构。这个系统的完成标志着专家系统的诞生。在此之后, 麻省理工学院开始研制MACSYMA系统，现经过不断扩充, 它能求解600多种数学问题。虽然它只有不到三十年的历史，但其发展速度相当惊人，它的应用几乎已渗透到自然界的各个领域。

专家系统定义为：使用人类专家推理的计算机模型来处理现实世界中需要专家作出解释的复杂问题，并得出与专家相同的结论。简专家系统可视作“知识库(knowledge base)”和“推理机(inference machine)” 的结合。它同自然语言理解、机器人学并列为人工智能的三大研究方向，并且是人工智能中最活跃的分支。

3.7贝叶斯网络（Baysian Network）

朱迪亚·珀尔(Judea Pearl)，以色列裔美国计算机科学家和哲学家，以倡导人工智能的概率方法和发展贝叶斯网络而闻名（。他还因发展了一种基于结构模型的因果和反事实推理理论而受到赞誉。2011年，计算机械协会授予Judea Pearl图灵奖，原因为——“通过发展概率和因果推理微积分对人工智能做出了根本性贡献”。

贝叶斯网络(Bayesian network)，又称信念网络(Belief Network)，或有向无环图模型(directed acyclic graphical model)，是一种概率图模型，于1985年由Judea Pearl首先提出。它是一种模拟人类推理过程中因果关系的不确定性处理模型，其网络拓朴结构是一个有向无环图(DAG)。

贝叶斯网络的有向无环图中的节点表示随机变量{ X1,X2,...,Xn}{X1,X2,...,Xn}

它们可以是可观察到的变量，或隐变量、未知参数等。认为有因果关系（或非条件独立）的变量或命题则用箭头来连接。若两个节点间以一个单箭头连接在一起，表示其中一个节点是“因(parents)”，另一个是“果(children)”，两节点就会产生一个条件概率值。

简言之，把某个研究系统中涉及的随机变量，根据是否条件独立绘制在一个有向图中，就形成了贝叶斯网络。其主要用来描述随机变量之间的条件依赖，用圈表示随机变量(random variables)，用箭头表示条件依赖(conditional dependencies)。

此外，对于任意的随机变量，其联合概率可由各自的局部条件概率分布相乘而得出：P(x1,...,xk)=P(xk|x1,...,xk−1)...P(x2|x1)P(x1)

3.8基于行为的机器人（Behavior-based robotitcs）

1986年，Brooks发表论文《移动机器人鲁棒分层控制系统》，标志着基于行为的机器人学的创立。文章介绍了一种新的移动机器人控制体系结构。为了让机器人在不断提高的能力水平上操作，建立了多层次的控制系统。层由异步模块组成，这些模块通过低带宽信道进行通信。每个模块都是一个相当简单的计算机实例。较高级别的层可以通过抑制其输出来容纳较低级别的角色。但是，随着更高级别的添加，较低级别继续发挥作用。其结果是一个鲁棒和灵活的机器人控制系统。该系统已用于控制移动机器人在无限制的实验室区域和计算机机房中漫游。最终，它的目标是控制一个在我们实验室的办公区域徘徊的机器人，用一个内置的手臂来完成简单的任务，绘制出周围环境的地图。

基于行为的机器人学的理论提出了与基于符号的人工智能完全不同的有关智能的观点和结构,主要是实现以下二个观念上的转变：第一，智能不是符号化的模型；第二，智能不是由输入得到输出的计算过程。

2023年Openai的ChatGPT 4.0火爆出圈，这么好的东西却不对中国用户（包括港澳台）开放。我们希望通过自己的内容、技术和服务，些许的抹平差异，让中国用户，也能更方便、更便宜的了解和使用到全球最强大的对话式AI大模型。