CSCI3230 L01 · Part 2/5 What is AI

课程：CSCI3230 (ESTR3108) Fundamentals of Artificial Intelligence · 2026T1 本讲：L01，第 2 部分 / 共 5 部分 · 原件 L01-Introduction-2026T1.pdf（本地课件） p.24–35 定位：区分 AI、机器学习与深度学习，理解“智能”定义为何同时涉及目标、行为和学习能力。 前后：上一份 Course information · 下一份 Today’s AI

p.24 分节页。

从“表现得聪明”到智能体（p.25–27）【新】

读这一节不需要先会编程或微积分。先问一个朴素问题：一个程序做出什么行为，我们才说它“做得合适”？光看它说话像人，或给出一个复杂答案，还无法判断。

p.25 What it does is appropriate for its circumstances and its goal

这里最关键的词是环境 circumstances与目标 goal。以一个避障小车作补充类比：左边有障碍，右边没有，向右转可能合理；障碍换到右边，同一句“右转”就不合理。再把目标从“最快到终点”改成“少耗电”，即使地图不变，选择也可能改变。所以评价行为前必须说明“面对什么情况，想达到什么”。这不是智能的统一数学分数，只是理解定义的入口。

能够根据环境信息选择行动的对象叫智能体（agent）。它不一定有人的外形：棋类程序观察棋盘并落子，路线程序观察地图并选择路径，也可放在这一框架中。环境给的信息可能不完整；因此智能不等于永远猜中，而是要在任务信息与限制下讨论行为是否合理。

p.26 借Turing的表述把注意力移到从经验学习，p.27 的Dartmouth材料又提语言、抽象、概念、问题解决、自我改进。两页说的是研究愿景，不能由一段历史引文推导所有现代系统的能力。

**补充小例子：规则与学习有什么区别？**设一个玩具水果系统只有“重量”输入。人为写死“重量大于150就叫A类”，是一条规则。若给出20个有类别的旧水果，让算法选一个区分阈值，则阈值受数据影响。20和150都只是教学取数；这并不是可靠水果分类方法。两者都需要人写程序，差别在于具体预测规则的一部分是否从经验中调整。学习并不意味着系统自己发明所有目标，也不意味着只要输入很多数据就自然学好。

**停一下：**只展示小车连续十次右转成功，能否断言它面对所有道路都能合理驾驶？

**三种定义及历史表述（p.25–27）：**p.25 先用“机器表现出的智能”区别于人或动物的自然智能，再用“行为适合环境与目标”给出行为准则，最后把 AI 作为研究智能计算智能体之构造与分析的领域。三句分别回答载体、评价标准、学科对象。课件归属来源为 Wikipedia，以及 Poole 等人的 1998、2017 教材；这里引用的是课件的归属，没有声称另读教材。

p.26 将 Turing 的观点具体落在两步：机器从经验学习；允许机器改变自己的指令，可以提供这种机制。课件脚注定位为 1947 年伦敦公开演讲。p.27 的 Dartmouth 愿景包括使用语言、形成抽象和概念、解决当时由人解决的问题、自我改进四项，并将会议称为 AI 学科的诞生事件。这里“改变指令”是历史材料的表达，不是现代每一种学习算法都必须改写源码。

补充：智能体的表现取决于它知道什么

把“感知后行动”细化成一个自编情境。清洁机器人只能看到脚下是否脏，不能直接看到隔壁房间。当前观测为“干净”，不代表整间屋子都干净；它可以选择移动去获取新信息。若评价只奖励当前这一秒少耗电，原地不动可能分数高；若评价在一小时内清洁覆盖率，则移动可能更合理。于是同一个动作是否合理，至少依赖观测历史、可选动作、环境变化和评价目标。

这里区分三个词：观测是传感器给出的信息；状态是描述环境所需的变量；行动规则把手头信息映射成动作。观测可能只揭示状态的一部分。机器人在传感器噪声下选了一个事后不成功的动作，也不能仅凭一次结果断言它当时不理性；应比较它在当时已知信息下各动作的预期结果。反过来，碰巧成功也不证明规则可靠。

这段补充解释智能体定义的边界，不把机器人必须使用某种学习算法当作定义。固定规则能构成智能体；用数据更新规则才涉及后面的学习问题。

研究愿景（p.28–29）

p.28 的“共同研究一个夏天”呈现早期研究者的乐观，p.29 借Hinton的引语展示向大脑计算方式取启发的路线。要分开三件事：研究者想实现什么，选了什么路线，以及已经用什么证据做到什么。

**补充直觉：**人造飞机受飞行动物启发，但不必拍翅膀；同样，受大脑启发并不要求复制每个神经元的生物细节。这个类比只帮助区分“启发”与“等同”，不证明任何具体神经网络理论。后面讲神经网络时，我们研究的是可计算的模型和训练规则，而不是把“像大脑”当作有效性的证明。

因此看到名人引文，可以记住它在回答“为什么探索这条路”；若要回答“模型为什么这样更新参数”，仍需后面明确的数学推导。历史愿景不能替代算法论证。

不同能力与应用愿景（p.30–31）

p.30 用System 1/System 2区分快速直觉与缓慢、有步骤的推理；p.31 列教育、连接人群、科学数学、艺术等用途。这两页的问题不同：前页问“处理过程是什么样”，后页问“拿去做什么”。

**补充例子：**看见熟悉的交通标志立即认出来，接近快速模式识别的直觉；规划一条同时绕过封路、满足到达时间的路线，则需保留中间选择并检查约束。这只是解释课件的概念对比，不是在给大脑活动或所有AI算法作严格二分。

同一教育系统可能既识别学生答案中的符号，也逐步检查推导；因此“教育”不是某一种独占的算法。反过来，同一种图像识别模型可服务交通、医疗或科学研究。能力与用途是两条轴，不能混成一棵分类树。

课件中的演讲截图记录当时的研究判断，不能用于断言2026年某个产品只会快思考或已经具备人类式慢思考。本篇不据历史截图推测最新产品能力。

表（p.30，图片内容）：Bengio 演讲截图中的完整对照。

截图中的 current/future 属于该演讲当时的判断。图中驾车者的两种情景配合《Thinking, Fast and Slow》书封，帮助对比熟练反应与主动推理，并没有给两类认知的数学判别器。

**p.31 的用途清单：**教育包括个性化教育、辅导、语言学习；连接人群包括翻译、远程临场、AR/VR；科学数学包括生物/基因组学/神经科学、无序系统物理与大规模模拟、化学/材料/储能；艺术包括音乐与视觉艺术创作辅助。底部“AI 将影响人类活动各方面”是 LeCun 截图中的愿景表述，不是本篇用数据独立证成的预测。

专用能力、通用能力与包含关系（p.32–33）【新】

先把两组容易混的词拆开。ANI/AGI问任务范围；AI/ML/DL问方法范围。一组是在问“能做多广”，另一组是在问“怎样构造能力”。

p.32 描述AGI为能够理解或学习人类能完成的任何智力任务的智能体能力。专用系统则面向较窄任务，例如识别某类医学图像。一个系统在某个任务超过人，并不能单凭这个结果推出它能学习所有其他任务；就像会下围棋并不自动证明会翻译。

p.33 把机器学习（ML）列为AI的一个分支，通过训练数据建立模型来预测；深度学习（DL）属于机器学习，通常涉及深层神经网络。这是包含关系：

AI：智能计算的广泛研究范围
└─ ML：其中通过数据学习模型的方法
   └─ DL：其中以深层神经网络为核心的一类方法

这是依据p.33重述的文字示意，不代表各区域面积占比。包含关系只允许从小范围推出大范围：“是DL”可推出“属于ML”；“属于AI”不能反过来推出“一定使用DL”。

**补充例子：**人为写好规则的迷宫搜索可属于AI，却不必先从数据训练。用历史成交记录拟合一条直线，是ML例子，却不需要深层神经网络。用深层网络识别图像属于DL，也同时属于ML与AI。这三个例子帮助理解集合，不是在比较谁必然更好。

“without being explicitly programmed”说的是不逐条手写所有具体预测规则，不是无人设计程序：数据选什么、模型结构怎样、训练目标是什么，都可能是人为决定。模型越“深”也不意味着越“通用”；深度是模型结构特点，通用是能力覆盖范围。

停一下：“这个模型是深度学习，所以它必然比线性回归适合只有十条记录的问题”，这句话从哪里跳了一步？

补充 · 规则、学习与智能体是不同的分类轴（通识讲解；演示数据不属于原题）。

一台恒温器可以“观察温度—开关暖气”，满足简化的感知与行动循环；但如果阈值永远由人写死，它并没有从样本调整规则。反过来，一个离线垃圾邮件分类器会从标注邮件学习，却不因此具有跨任务的通用智能。“是不是智能体”“是否使用机器学习”“是否通用”是在问三件事，不能用一个是或否同时作答。

判断时先写系统实际做的动作，再问规则从哪里来：人工指定、从数据拟合，还是二者组合。最后限制能力范围：在固定标签中选一个，与能迁移到任意任务相距很远。它在一种任务上超过人类，只能支持那个任务和评价条件下的结论。

**p.32 的专用应用完整列表：**计算机视觉、自然语言处理、医疗、自动驾驶、智能机器人、超高频交易、音乐/艺术创作。它们用来展示任务范围；列表中的省略号表示开放集合，不表示这七类穷尽全部 AI。

历史线索与发展条件（p.34–35）

p.34 1956: Dartmouth meeting: “Artificial Intelligence” adopted

p.34 将早期探索、乐观时期、知识系统、统计方法与深度学习发展串起来。先抓住每一阶段“主要依靠什么”，再记时间，会比孤立背年份更有意义。知识系统强调显式表达的知识或规则；统计方法强调从数据估计规律；神经网络提供可学习的表示。这里只是路线概览，机制会在后续学习。

p.35 的高峰与低谷是定性历史示意，旁列计算、互联网、数据与方法等发展条件。曲线高度不是一套可读取精确值的性能量表，更不能把某个高峰理解成“那年所有问题已经解决”。

**补充因果拆解：**数据提供经验，算力使较大规模的计算可行，算法决定怎样利用二者。更多数据但标签不适合任务，或更多算力却优化错误目标，都不自动改善最终效果。因此这三个因素互相配合，但不能用其中一个取代全部解释。

历史研究路线并非一代彻底消灭上一代。一个实际系统可以用网络感知环境，再用搜索找路线。旧方法能否继续有用，要看它解决哪一部分问题，而不是只按提出年份排队。历史练习见附录 A1，只说明旧题的定位，不保证当期考试重复。

p.34 的时间线逐项保留：

**图（p.35）：AI 发展曲线。**元素：横轴标 1956、1960、1970、1980、1990、2000、2010、2018，纵轴 Hotspot；紫色曲线依次标 early spring、early winter、early autumn、chilly winter、revitalization、flourishing。第一阶段列神经元模型、Turing test；第二阶段列专家系统、浅层学习；第三阶段列深度学习、大数据、云计算。图内还列机械定理证明、跳棋；机器翻译与定理证明未达目标；医疗/化工/地质专家系统、BP、Boltzmann machine、Hopfield network；计算资源不足与发展放缓；互联网、IBM Deep Blue；SVM(1995)、CNN(1998)、Boosting(1999)；DBN、DBM、Deep CNN、RNN、DRL、AL、PL 等标签。

看什么：曲线把乐观、受挫、再发展画在同一时间轴上，知识系统应用与后来的数据算力条件贯穿其中。底部“Only Artificial, No Intelligence”和“AI 2.0”是该图的修辞/分期，不是可用来判定某系统是否智能的定义。缩写 AL、PL 在此图未展开，不能仅靠这页断定其唯一含义。

本讲核心考点

• AI、ML、DL 的包含方向（p.33，C 级）。
• ANI 与 AGI 按任务范围区分（p.32，C 级）。
• Dartmouth 年份 1956（p.34，A 级：2025 官方节选 Part II Q1）。

附录

A1 作业/往年题演练（非讲义内容）：Dartmouth 年份

题面（Final-Exam-CSCI3230-Record-2025T1-官方节选.pdf · Part II Q1 · PDF p.2；扫描件，视觉读取）

p.2 1. (2%) In which year was the Dartmouth Conference held, an event commonly recognized as marking the origin of artificial intelligence?

回到正文：历史线索与发展条件

来源与证据

• 本篇按本学期阅读版 PDF 核对；正文页码均为去除动画中间页后的 PDF 页号。 原始 PDF 90 页，阅读版 75 页；逐页映射（本地资料）、清洗核验（本地资料）。

• 原件：L01-Introduction-2026T1.pdf（本地课件），p.24–35；均为当前 PDF 页号。

• 证据边界：本次重写核对本篇所列原课件；本篇历史题另视觉核对2025 CSCI官方节选PDF p.2 Part II Q1。 往年题仅作历史练习，不代表2026T1考核承诺。

• 往年卷仅证明相应年份考过；2024 卷及 2025 节选未公开的选择题不作推断。