目錄
第一部分 人工智能總論
第1章 人工智能簡介 3
1.1 人工智能的科學思想起源 3
1.2 人工智能的數(shù)理邏輯原理 5
1.3 人工智能的計算原理 6
1.4 圖靈對機器智能的研究 8
1.5 人工智能研究的興起 9
1.6 符號主義人工智能 9
1.7 連接主義人工智能 10
1.8 行為主義人工智能 11
1.9 人工智能的數(shù)學、物理挑戰(zhàn) 12
1.10 人工智能的重大科學挑戰(zhàn) 12
1.10.1 數(shù)學、物理對象的可分性 12
1.10.2 信息世界對象的不可分性 13
1.10.3 信息世界對象的可定義性問題 14
1.10.4 人學習的基本問題 14
1.10.5 自我意識的基本問題 15
1.10.6 博弈/謀算的基本科學問題 16
1.10.7 本節(jié)小結 16
1.11 信息科學重大挑戰(zhàn)性問題 16
1.11.1 經(jīng)典信息論 16
1.11.2 生成策略 18
1.11.3 解碼策略 19
1.11.4 信息的模型 19
1.11.5 信息基本定律 20
1.11.6 信息科學的定義 20
1.11.7 信息的數(shù)學理論 21
1.12 信息科學原理 21
1.13 本章小結 22
參考文獻 23
第二部分 邏輯推理人工智能與計算人工智能
第2章 符號主義人工智能 27
2.1 命題知識表示與推理 27
2.1.1 命題邏輯 27
2.1.2 命題推理問題 29
2.1.3 命題可滿足性求解方法 30
2.1.4 模型計數(shù) 31
2.1.5 知識編譯 32
2.2 自動定理證明 33
2.2.1 自動定理證明的起源、發(fā)展與現(xiàn)狀 33
2.2.2 Herbrand定理 35
2.2.3 合一與匹配 36
2.2.4 歸結原理 37
2.2.5 歸結原理的改進策略 39
2.2.6 等詞推理 40
2.2.7 幾何定理證明和數(shù)學機械化 42
2.2.8 定理證明器競賽和著名定理證明器 42
2.3 約束可滿足性求解 43
2.4 基于模型的診斷 45
2.4.1 MBD問題 46
2.4.2 國內外總體研究現(xiàn)狀 47
2.5 神經(jīng)符號系統(tǒng) 48
2.5.1 神經(jīng)符號系統(tǒng)的背景 48
2.5.2 神經(jīng)符號系統(tǒng)研究現(xiàn)狀 49
2.5.3 神經(jīng)符號系統(tǒng)的挑戰(zhàn)及未來研究方向 51
參考文獻 53
第3章 大數(shù)據(jù)算法與可信計算理論 62
3.1 大數(shù)據(jù)算法計算模型 62
3.1.1 亞線性時間算法 63
3.1.2 亞線性空間算法 63
3.1.3 動態(tài)圖算法 64
3.1.4 大規(guī)模并行計算 65
3.1.5 數(shù)據(jù)降維 65
3.2 滿足可信需求的算法 65
3.2.1 魯棒性 66
3.2.2 公平公正 66
3.2.3 隱私保護 67
第4章 難解問題的智能算法 68
4.1 難解問題圖學習方法求解 70
4.1.1 路徑規(guī)劃問題 72
4.1.2 最大割問題 74
4.1.3 作業(yè)調度問題 75
4.1.4 其他難解問題 76
4.2 難解問題強化學習求解 76
4.2.1 基于無模型的強化學習方法 77
4.2.2 基于有模型的強化學習方法 79
4.3 總結與展望 80
參考文獻 83
第三部分 神經(jīng)網(wǎng)絡人工智能與生物人工智能
第5章 神經(jīng)網(wǎng)絡的數(shù)學原理 89
5.1 神經(jīng)網(wǎng)絡的背景及意義 89
5.1.1 神經(jīng)網(wǎng)絡的發(fā)展歷史 89
5.1.2 神經(jīng)網(wǎng)絡對人工智能發(fā)展的作用 90
5.1.3 神經(jīng)網(wǎng)絡給人工智能帶來的挑戰(zhàn) 91
5.2 神經(jīng)網(wǎng)絡的數(shù)學原理的內涵 92
5.2.1 研究意義 92
5.2.2 分析視角 92
5.2.3 基本框架 94
5.2.4 研究趨勢 95
5.3 神經(jīng)網(wǎng)絡的傳統(tǒng)理論 95
5.3.1 表達能力 95
5.3.2 泛化能力 96
5.3.3 優(yōu)化能力 96
5.4 前沿發(fā)展 96
5.4.1 對自適應優(yōu)化器的分析 96
5.4.2 基于神經(jīng)網(wǎng)絡結構的優(yōu)化分析 97
5.4.3 優(yōu)化器的隱式正則分析 97
5.4.4 神經(jīng)網(wǎng)絡的精確泛化估計 97
5.4.5 表示所需參數(shù)量下界 97
5.5 未來展望 98
5.5.1 設計適用不同場景的安全性度量 98
5.5.2 構建以安全為中心的神經(jīng)網(wǎng)絡理論 98
5.5.3 發(fā)展可信可控的神經(jīng)網(wǎng)絡模型 99
第6章 神經(jīng)網(wǎng)絡的計算原理 100
6.1 經(jīng)典神經(jīng)網(wǎng)絡的計算原理 100
6.1.1 表示學習 100
6.1.2 前饋神經(jīng)網(wǎng)絡 103
6.1.3 神經(jīng)網(wǎng)絡訓練 105
6.2 面向序列數(shù)據(jù)的神經(jīng)網(wǎng)絡 108
6.2.1 循環(huán)神經(jīng)網(wǎng)絡 109
6.2.2 轉換器 111
6.2.3 時序卷積神經(jīng)網(wǎng)絡 115
6.3 圖神經(jīng)網(wǎng)絡 116
6.3.1 圖表示學習 116
6.3.2 圖神經(jīng)網(wǎng)絡的基礎原理 118
6.3.3 圖神經(jīng)網(wǎng)絡前沿 120
參考文獻 132
第四部分 數(shù)學人工智能與物理人工智能
第7章 人工智能的博弈理論 139
7.1 均衡計算 139
7.1.1 納什均衡 140
7.1.2 納什均衡的存在性 141
7.1.3 納什均衡的計算 143
7.1.4 納什均衡的計算復雜性 147
7.2 人工智能中的合作博弈 149
7.2.1 合作博弈 150
7.2.2 合作博弈的表示和算法 154
7.2.3 合作博弈在多智能體系統(tǒng)中的應用 155
7.2.4 結論 157
7.3 本章小結 157
參考文獻 157
第8章 量子人工智能 160
8.1 概述 160
8.2 量子學習方法介紹 160
8.2.1 HHL算法 160
8.2.2 量子奇異值變換 162
8.2.3 量子吉布斯采樣 163
8.2.4 變分量子電路 165
8.3 量子學習應用場景 169
8.3.1 傳統(tǒng)機器學習問題的量子化 170
8.3.2 量子無監(jiān)督學習 174
8.3.3 量子有監(jiān)督學習 177
8.3.4 量子強化學習 180
8.3.5 量子層析 184
參考文獻 184
第五部分 信息主義人工智能：層譜抽象認知模型人工智能
第9章 信息定律與信息模型 195
9.1 信息科學的研究對象 195
9.2 物理世界對象基本定律 195
9.3 信息性質/知識的定義 196
9.4 現(xiàn)實世界對象的物理性質與信息性質 197
9.5 策略 197
9.6 信息的模型 198
9.7 學習的數(shù)學實質 198
9.8 知識是信息在某一個模型下的解釋 199
9.9 抽象 200
9.10 層譜抽象 200
9.11 科學范式定律 202
9.11.1 物理對象科學范式定律 202
9.11.2 信息世界的科學范式定律 202
9.12 個體定律 202
9.12.1 個體定律Ⅰ 203
9.12.2 個體定律Ⅱ 203
9.12.3 個體定律Ⅲ 203
9.12.4 個體定律Ⅳ 204
9.13 信息定律 204
9.13.1 信息定律Ⅰ 204
9.13.2 信息定律Ⅱ 204
9.13.3 信息定律Ⅲ 204
9.14 運動定律 205
9.14.1 運動定律Ⅰ 205
9.14.2 運動定律Ⅱ 205
9.14.3 運動定律Ⅲ 205
9.15 競爭定律 205
9.15.1 競爭定律Ⅰ 205
9.15.2 競爭定律Ⅱ 206
9.15.3 競爭定律Ⅲ 206
9.16 認知模型定律 206
9.17 觀察定律 206
9.17.1 觀察定律Ⅰ 206
9.17.2 觀察定律Ⅱ 207
9.18 知識表示定律 207
9.19 知識定律 208
9.19.1 知識二元律 208
9.19.2 知識三元律 208
9.19.3 知識四元律 208
9.20 規(guī)律的定義 209
9.21 創(chuàng)造策略 209
9.22 學習的可解釋性原理 210
9.23 自我意識定律 210
9.23.1 自我意識定律Ⅰ 210
9.23.2 自我意識定律Ⅱ 210
9.24 系統(tǒng)定律 210
9.24.1 系統(tǒng)定律Ⅰ 210
9.24.2 系統(tǒng)定律Ⅱ 210
9.24.3 系統(tǒng)定律Ⅲ 211
9.24.4 系統(tǒng)定律Ⅳ 211
9.25 本章小結 211
第10章 信息演算理論 212
10.1 信息系統(tǒng)的數(shù)學表示 212
10.2 一維結構熵 214
10.3 信息系統(tǒng)的編碼樹 214
10.4 在一個層譜抽象策略下的結構熵 215
10.5 信息系統(tǒng)的結構熵 215
10.6 結構熵極小化原理 216
10.7 解碼信息 217
10.8 層譜抽象策略的壓縮信息 217
10.9 壓縮/解碼原理 218
10.10 層譜抽象解碼原理 219
10.11 層譜抽象可定義性 219
10.12 層譜抽象的結構熵 220
10.13 基于結構熵的推理演算 220
10.14 基于解碼信息的推理 222
10.15 推理的數(shù)學理論 223
10.16 信息生成原理 223
10.17 解碼信息原理 224
10.18 本章小結 225
參考文獻 225
第11章 （觀察）學習的數(shù)學理論 226
11.1 先驗認知模型 227
11.2 觀察的數(shù)學實質 227
11.3 學習的數(shù)學定義 228
11.4 人的先驗分析方法 229
11.5 學習的主體與客體 229
11.6 學習的目的與目標 229
11.7 知識的定義 230
11.8 規(guī)律的定義 230
11.9 學習過程表示：層譜抽象 231
11.10 學習的數(shù)學模型 231
11.11 創(chuàng)造策略的理解與實現(xiàn) 233
11.12 局部觀察學習 234
11.13 全局觀察學習 235
11.14 學習模型中的生成策略與生成原理 236
11.15 學習模型中的解碼策略與解碼原理 236
11.16 知識樹 237
11.17 知識的一致性準則 237
11.18 知識的度量 238
11.19 知識演算推理 238
11.20 學習的極限 240
11.21 學習的數(shù)學理論總結 241
第12章 自我意識的數(shù)學理論 243
12.1 自我意識體的先驗感知模型 244
12.2 自我意識體的可定義性 246
12.3 自我意識體五維認知 247
12.4 自我意識的數(shù)學實質 248
12.5 生命定律 249
12.5.1 生命定律Ⅰ 249
12.5.2 生命定律Ⅱ 250
12.5.3 生命定律Ⅲ 250
12.6 自我意識體的基本性質 250
12.7 自我意識論斷 251
12.8 領土/領地意識 251
12.9 自我意識學習 252
12.10 自我意識體的層譜抽象認知 252
12.11 自我意識體的認知熵 254
12.12 自我意識體的認知信息 254
12.13 自我意識體的內結構熵 255
12.14 自我意識體的外結構熵 255
12.15 自我意識體的外解碼信息 255
12.16 自我意識體的層譜抽象感知 256
12.17 自我意識理論總結 257
第13章 博弈/謀算理論 258
13.1 博弈的基本定義 258
13.2 競爭定律 259
13.2.1 競爭定律Ⅰ 259
13.2.2 競爭定律Ⅱ 259
13.2.3 競爭定律Ⅲ 260
13.2.4 競爭定律Ⅳ 260
13.2.5 競爭定律Ⅴ 260
13.3 現(xiàn)實世界博弈的可能結局 260
13.4 博弈的系統(tǒng)原理 261
13.5 現(xiàn)實世界博弈的基本規(guī)律 262
13.6 孫子模型 262
13.7 孫子兵法的核心科學思想：謀算 265
13.8 博弈中的學習 266
13.9 博弈中的自我意識學習 269
13.10 力量的系統(tǒng)生成原理 269
13.11 威脅度量 270
13.12 必勝策略原理 271
13.13 博弈策略的信息科學原理 271
13.14 博弈策略的數(shù)理原理 272
13.15 博弈設計原理 272
13.16 博弈的收益原理 273
13.17 博弈系統(tǒng)中玩家的定義 274
13.18 博弈中學習與自我意識學習的正確性與可解釋性 275
13.19 博弈結局的層譜抽象定義 275
13.20 博弈獲勝的主客觀一致性準則 278
13.21 博弈中的謀算策略 279
13.22 博弈/謀算理論總結 280
參考文獻 280
第14章 人工智能的信息模型 281
14.1 智能的定義（非形式化） 281
14.1.1 智能定律Ⅰ 281
14.1.2 智能定律Ⅱ 281
14.1.3 智能定律Ⅲ 281
14.2 人類智能模型 282
14.3 人類智能的信息科學原理 283
14.4 人工智能的科學原理 283
14.5 人工智能模型 284
14.6 智能的數(shù)學定義：智能論題 284
第15章 信息時代科學雙引擎與信息時代重大科學問題 286
15.1 數(shù)學中的三個基本問題 286
15.2 物理中的兩個基本問題 287
15.3 生命科學的三個基本問題 288
15.4 信息時代的科學雙引擎 289
參考文獻 289