在過去十年中，人工智能（AI）取得了顯著突破，尤其是在深度學習和基礎模型（foundation models）領域——這類模型屬于次符號（sub-symbolic）機器學習方法，依賴于擁有數百億參數的深度神經網絡。由于這類模型的可解釋性和可理解性非常有限，它們通常被稱為“黑箱”模型。這項技術在提升交互能力、感知能力以及自然語言處理方面發揮了關鍵作用，有時甚至超越了人類的表現。因此，一些研究者開始將AI等同于深度學習和基礎模型。然而，我認為這是一個重大的誤解。 AI的內涵遠不止于次符號機器學習；它還包括符號化（即人類可理解的）建模、搜索算法和推理技術——這些都是超越機器學習、體現人類智能的重要方面，同時也可以結合機器學習，以提升算法性能與模型準確性。 規劃（planning）與行動（acting）是人類與生俱來的能力。即使是年幼的兒童，也會自然地進行規劃和行動，從環境中學習其行為的后果，并在成長過程中不斷精進這些能力。而機器在規劃與行動方面尚未達到人類水平，尤其是在將其與學習過程相結合方面仍有很大提升空間，這也為自主智能系統的進步留下了廣闊的發展余地。 本書在“規劃、行動與學習”研究領域中是一個重要的里程碑，探討了如何有效地將這些智能特征融合與集成，以提升智能系統的整體性能。作者Malik Ghallab、Dana Nau 和 Paolo Traverso 是三位在國際學術界享有極高聲譽的杰出科學家與研究者。本書是他們在該領域撰寫的第三本著作：第一本聚焦于規劃，第二本則探討了行動與規劃之間的交互，而這第三本則更進一步，系統地涵蓋了行動、規劃與學習三者的結合。 書中討論了諸如確定性狀態轉換（Deterministic State-Transitions）、分層任務網絡（Hierarchical Task Networks）、概率模型、不確定性模型、分層細化模型（Hierarchical-Refinement）以及時間建模（Temporal Models）等內容，同時也涉及機器人運動與操作（Robotic Motion and Manipulation）。此外，書中還探討了大語言模型（Large Language Models）的新興能力及其在該領域的應用，這一主題正處于次符號AI與符號AI交匯的前沿。 本書不僅是該研究領域科學家的重要參考資料，也可作為研究生課程的教科書，清晰、全面且結構嚴謹地梳理了領域建模、計劃生成與執行，以及如何將學習過程融入上述各個環節的技術與算法。我毫不懷疑，這本書將會被我在課程中推薦，并作為個人的重要參考資料使用。 對于一個智能體而言，實現智能行為依賴于三項基本的認知功能：行動（acting）、規劃（planning）和學習（learning）。本書的主題正是如何實現這三種功能的自動化與集成。本書是我們前兩本著作《自動規劃》[409] 以及《規劃與行動的結合》[410] 的延續，涵蓋了自這些書出版以來在該領域取得的一系列研究進展。 本書涵蓋了多種模型、方法與算法——包括確定性、概率性、分層結構、非確定性、時間性與空間性等類型——并探討了如何將這些模型應用于行動、規劃與學習的過程。關于這些主題的已有文獻龐雜且分散于多個相互割裂的研究領域，不可能在一本書中面面俱到。因此，我們在內容選擇上堅持以“行動、規劃與學習的集成為核心目標”這一主線來組織材料。 全書共包含24章。第1章為引言，其余章節分為八個部分。前七個部分聚焦于不同的表示模型，每一部分均包括關于該模型下的行動、規劃與學習的相關章節： * 第一部分 使用“經典的”確定性狀態轉換模型，基于狀態變量進行建模。本章中的若干核心概念貫穿全書始終。 * 第二部分 在第一部分的狀態轉換模型基礎上，引入了分層任務網絡（HTN）。 * 第三、四部分 對第一部分的狀態轉換模型進行擴展，分別引入了概率性和非確定性。 * 第五部分 描述了一種分層細化（hierarchical refinement）方法，它結合了第二部分中的HTN概念與第三部分中的概率模型。 * 第六部分 使用chronicle表示法對時間與并發進行建模。 * 第七部分 引入了機器人運動與操作模型，并探討了其與更抽象任務的結合。
最后，第八部分包含兩章，討論了一些盡管不屬于本書核心關注點但仍非常重要的主題：大語言模型以及感知、監控與目標推理（goal reasoning）。
如何使用本書
本書既可作為科學研究與工程實踐中的信息參考來源，也可作為研究生層次的教材使用。大多數章節的參考文獻被集中放在章節末尾的討論部分；多數討論部分后還附有習題。我們將提供配套的幻燈片與其他輔助材料，供讀者在線獲取[^1]。 在書中的偽代碼中，所有變量默認為局部變量，除非明確聲明為全局變量。我們假設讀者已具備本科階段計算機科學課程中算法與數據結構的基本知識。附錄中補充了一些超出該背景范圍的數學與技術內容。 除了對當前技術狀態進行系統性的整合外，本書還包含了大量全新的內容，這些內容大多經過詳盡的闡述，以便于教學使用。其中部分章節提出的新方法尚未被實現或實證評估，旨在激發未來進一步的研究探索。 讀者可以根據自身的需求與背景知識，選擇不同的閱讀路徑來學習本書。圖1給出了各章節之間的依賴關系，希望能幫助讀者與授課教師合理規劃本書的學習路徑，獲得最大收益。
付費5元查看完整內容
相關內容
如何使人工智能具備通用智能，以及這種技術對社會的意義。 人工智能無處不在。你每天接觸的越來越多的系統和服務都基于人工智能技術。盡管一些非常新的人工智能系統在某種程度上是通用的，但大多數人工智能仍然是狹窄特定的；也就是說，它只能在特定的上下文中執行單一任務。例如，拼寫檢查器無法進行數學運算，而世界上最優秀的國際象棋程序也無法玩俄羅斯方塊。人類智能則不同。我們能夠解決各種任務，包括那些我們以前沒有見過的任務。在《人工通用智能》一書中，朱利安·托戈利烏斯探討了開發更通用人工智能的技術方法，并詢問通用人工智能對人類文明的意義。 托戈利烏斯首先舉例說明在某些方面表現超人類的狹窄人工智能。有趣的是，已經有超過半個世紀的人工智能系統在某種意義上是超人類的。接著，他通過心理學、動物行為學和計算機科學的定義討論擁有通用智能意味著什么。然后，他探索了開發更通用人工智能的兩大主要技術方法：通過自我監督學習的基礎模型，以及在虛擬環境中進行開放式學習。書的最后幾章探討了超越嚴格技術方面的潛在人工通用智能。這里討論的問題包括這種通用人工智能是否會具備意識、是否會對人類構成風險，以及它可能如何改變社會。
關于作者
朱利安·托戈利烏斯是紐約大學計算機科學與工程系的副教授，也是游戲人工智能初創公司modl.ai的聯合創始人。
付費5元查看完整內容
這本書提供了關于移動邊緣計算（MEC）的全面而獨立的知識，這是在下一代無線通信和計算網絡中實現智能化的一個非常有前景的技術。隨著超越5G/6G和物聯網的快速發展，越來越多的智能設備被部署在網絡的邊緣。由于數據量巨大和傳輸距離長，中心化的計算機制導致高延遲和網絡擁塞。通過將計算和存儲資源靠近用戶，MEC可以顯著提高性能，表現在低延遲、減少通信開銷和高質量的用戶體驗上。此外，在邊緣設備上處理數據將增強系統安全性和數據隱私。
這本書由于廣泛覆蓋了MEC的原理和應用，因此易于交叉參考。它涵蓋了MEC的基礎知識、關鍵主題和未來方向。它還詳細介紹了MEC中通信、計算和緩存的設計和實現。書中首先介紹了MEC的基本概念、關鍵技術和網絡架構。然后，我們展示了MEC的廣泛應用，包括邊緣緩存、6G網絡、車聯網和無人機。在最后一部分，我們介紹了MEC遇到區塊鏈、人工智能和分布式機器學習（例如，聯邦學習）時的新機遇。我們還確定了MEC在大流行、工業物聯網和災害管理中的新興應用。
這本書的目的是提供MEC的基本概念，探索與新興技術集成的MEC的有前景的應用場景，并給出MEC可能的未來發展方向的見解。為了更好地理解，本書還介紹了在不同場景中MEC模型和應用的幾個用例。主要讀者包括高年級本科生、研究生、教育工作者、科學家、研究人員、工程師、創新者和研究策略師。這本書主要為無線網絡和邊緣智能領域的學術界和工業界的學者和研究人員設計。主修計算機科學、電子和通信的學生也將從這本書中受益。這本書的內容對從事MEC研究的高年級本科生、研究生和教師也有用。
付費5元查看完整內容
在過去的十年中，人工智能（AI）作為一種通用工具，已在全球范圍內成為一種顛覆性的力量。通過利用人工神經網絡的力量，深度學習框架現在能夠從數百種語言翻譯文本，為每個人提供實時導航，識別病理醫學圖像，以及在社會的所有領域啟用許多其他應用。然而，AI系統提供的巨大創新潛力和技術進步的機會，也帶來了尚未完全探索，更不用說完全理解的危險和風險。我們可以強調AI系統改善醫療保健的機會，特別是在大流行病時期，提供自動化的移動性，支持環境保護，保護我們的安全，以及支持人類福利的其他方式。然而，我們必須不忽視AI系統可能對個人和社會構成的風險；例如通過傳播偏見，破壞政治討論，或者通過開發自主武器。這意味著，迫切需要對AI系統進行負責任的治理。這本手冊應該成為詳細闡述負責任AI可能成為的相關特性，以及我們如何在地區、國家和國際層面實現和實施它們的基礎。因此，這本手冊的目標是解決一些AI所提出的最緊迫的哲學、倫理、法律和社會挑戰。但是，繪制AI系統的不確定性、利益和風險，特別是對于不同部門，并評估相關的倫理和法律規則，需要來自計算機科學、機器人技術、數學建模，以及來自不同大洲的作者對法律、哲學和倫理進行的跨學科和跨學科的規范性分析的廣泛專業知識。因此，這本手冊的作者從許多不同的角度探討了負責任AI的技術和概念基礎以及規范性方面。
這本手冊由八部分組成，首先從負責任AI的基礎開始（第一部分），然后是當前和未來的AI治理方法（第二部分），這些方法不僅限于歐洲和美國的方法。作者們進一步分析了責任制度（第三部分），并在負責任的數據治理方法被更詳細地審查之前（第五部分），闡明了AI系統中的公平性和非歧視的核心問題（第四部分）。第六部分和第七部分的作者們討論了AI系統特定領域的合理治理方法：這些系統可以是包括金融服務在內的公司治理以及包括神經技術在內的醫療保健領域的重要部分。第八部分的作者們特別處理了一些特別棘手和具有挑戰性的問題，如AI在安全應用和武裝沖突中的使用。
付費5元查看完整內容
決策智能（DI）多年來一直被廣泛認為是頂尖的技術趨勢，Gartner的報告顯示，超過三分之一的大型組織正在采用它。有人甚至說，DI是AI發展的下一個階段。目前，許多軟件供應商提供DI解決方案，因為它們幫助組織實施基于證據或數據驅動的決策策略。
然而，到目前為止，關于組織如何正式化決策并將其與數據整合的實用指南還很少。 通過這本書，作者L. Y. Pratt和N. E. Malcolm填補了這一空白。他們提出了一種分步方法，將技術整合到決策中，搭建從行動到期望結果的橋梁，重點關注在決策制定過程中起顧問作用、與人類保持交互的系統。 這本手冊解決了三個普遍存在的數據驅動決策問題：
- 決策者如何使用數據和技術來確保達到期望的結果？
- 技術團隊如何與決策者有效溝通，以最大限度地提高他們在數據和技術上的投資回報？
- 組織的決策者如何評估并隨著時間的推移改進他們的決策？
在第一章中，我們向您介紹DI。我們簡要介紹DI的歷史，并從多個角度解釋它的好處。如果您想快速開始學習DI的流程，可以跳過第一章。其余章節圍繞九個DI流程進行組織，這些流程在圖P-3中進行了總結。
第二章讓你開始學習決策制定。它涵蓋了創建初始決策目標陳述和構建決策設計的過程，包括識別可用的行動和期望的結果。第三章涉及到決策設計，你將在這里創建你的初始CDD。在第四章，你將研究可以支持你的決策的技術和數據資產，這被稱為決策資產調查。現在是時候把所有東西匯集起來，做出你能做的最好的決策。這是決策模擬，涵蓋在第五章。在你根據你的決策采取行動之前，你會想要評估風險、敏感性和不確定性。這是決策評估，是第六章的主題。現在是時候采取你選擇的行動了。在這本書中，我們不會告訴你一旦做出選擇該如何行動——我們認為你在這方面已經很擅長了。但是在第七章，我們將描述決策監測：你如何可以使用你的DI資產來監控你的行動（KPIs、中間過程、結果等）在現實中的效果，以便你可以在事情偏離軌道時迅速調整。
最后，第八章涵蓋了決策模型被使用后你需要做的事情。在決策成果保留中，你要確保盡可能多的決策制定努力可以被重復使用。在決策回顧過程中，你將評估并改進你的決策制定過程，以備下次使用。 //www.oreilly.com/library/view/the-decision-intelligence/9781098139643/
付費5元查看完整內容
學習解決順序決策任務是困難的。人類花了數年時間，基本上以一種隨機的方式探索環境，直到他們能夠推理，解決困難的任務，并與他人合作實現一個共同的目標。人工智能智能體在這方面和人類很像。強化學習(RL)是一種眾所周知的通過與環境的交互來訓練自主智能體的技術。遺憾的是，學習過程具有很高的樣本復雜性來推斷一個有效的驅動策略，特別是當多個智能體同時在環境中驅動時。
然而，以前的知識可以用來加速學習和解決更難的任務。同樣，人類通過關聯不同的任務來構建技能并重用它們，RL代理可能會重用來自先前解決的任務的知識，以及來自與環境中其他智能體的知識交換的知識。事實上，目前RL解決的幾乎所有最具挑戰性的任務都依賴于嵌入的知識重用技術，如模仿學習、從演示中學習和課程學習。
本書概述了多agent RL中關于知識重用的文獻。作者為重用知識定義了最先進的解決方案的統一分類，提供了該領域最近進展的全面討論。在這本書中，讀者將發現關于知識在多智能體順序決策任務中重用的許多方法的全面討論，以及在哪些場景中每種方法更有效。作者還提供了他們對該地區目前低垂的發展成果的看法，以及仍然開放的大問題，可能導致突破性的發展。最后，本書為想要加入這一領域或利用這些技術的研究人員提供了資源，包括會議、期刊和實現工具的列表。
這本書將對廣大讀者有用;并有望促進社區間的新對話和該地區的新發展。
//www.morganclaypool.com/doi/10.2200/S01091ED1V01Y202104AIM049
付費5元查看完整內容
強化學習是人工智能中一個強大的工具，其中虛擬或物理代理學習優化他們的決策，以實現長期目標。在某些情況下，這種機器學習方法可以節省程序員的時間，超越現有的控制器，達到超人的性能，并不斷適應不斷變化的條件。這本書認為，這些成功表明強化學習可以成功地應用于許多不同的情況，包括機器人控制、股票交易、供應鏈優化和工廠控制。
然而，強化學習傳統上僅限于虛擬環境或模擬環境中的應用，在這些環境中已經提供了設置。此外，實驗可以完成幾乎無限次的嘗試無風險。在許多現實生活任務中，使用強化學習并不像(1)數據沒有正確的形式;(2)數據稀缺，(3)自動化在現實世界中有局限性。
因此，這本書是寫來幫助學者，領域專家，和數據愛好者一樣理解的基本原則，應用強化學習到現實世界的問題。這是通過將重點放在使用實際示例和將標準數據建模為所需的正確形式，然后應用基本智能體的過程來實現的。為了進一步幫助讀者獲得對這些方法的深入和接地氣的理解，本書展示了完整的手工計算示例，以及如何用代碼以更自動化的方式實現這一點。
對于對強化學習作為解決方案感興趣但不精通的決策者，本書在介紹和案例研究部分包括簡單的、非技術的例子。這些提供了強化學習的背景，以及在實踐中應用它的挑戰和風險。具體來說，這些部分闡述了強化學習和其他機器學習方法的區別，以及知名公司如何成功地使用這種方法解決他們的問題。
//www.morganclaypool.com/doi/abs/10.2200/S01170ED1V01Y202202AIM052
付費5元查看完整內容
人工智能和因果推理闡述了人工智能(AI)和因果推理之間關系的最新發展。盡管人工智能取得了重大進展，但我們仍然面臨著人工智能發展中的一個巨大挑戰，即理解智能背后的機制，包括推理、計劃和想象。理解、遷移和概括是提高智能的主要原則。因果推理是理解的一個關鍵組成部分。因果推理包括干預、領域轉移學習、時間結構和反事實思維等概念，是理解因果關系和推理的主要概念。不幸的是，這些因果關系的重要組成部分經常被機器學習忽略，這導致了深度學習的一些失敗。人工智能和因果推理包括:(1)將人工智能技術作為因果分析的主要工具;(2)將因果概念和因果分析方法應用于解決人工智能問題。這本書的目的是填補人工智能和現代因果分析之間的空白，進一步促進人工智能革命。這本書是理想的研究生和研究人員在人工智能，數據科學，因果推理，統計，基因組學，生物信息學和精準醫學。
//www.routledge.com/Artificial-Intelligence-and-Causal-Inference/Xiong/p/book/9780367859404
涵蓋三種類型的神經網絡，制定深度學習作為最優控制問題。 * 非線性中介的深度學習與工具變量因果分析。 * 因果網絡的構建是一個連續優化問題。 * Transformer和注意力用于圖的編碼解碼。RL用于推斷大型因果網絡。 * 使用VAE、GAN、神經微分方程、回歸神經網絡(RNN)和RL來估計反事實的結果。 * 網絡干擾下基于人工智能的個體化治療效果估計方法。
付費5元查看完整內容
終身機器學習
·
終身機器學習(LL)是一種先進的機器學習(ML)范式，它不斷學習，積累過去學到的知識，并使用/適應它來幫助未來的學習和問題解決。在這個過程中，學習者變得越來越有知識，學習能力也越來越強。這種持續不斷的學習能力是人類智力的特征之一。然而，目前占主導地位的ML范式是孤立學習的:給定一個訓練數據集，它只在數據集上運行ML算法來生成模型。它不試圖保留所學的知識，并在以后的學習中使用。雖然這種主要基于數據驅動優化的孤立ML范式已經非常成功，但它需要大量的訓練示例，并且只適用于封閉環境中定義明確的狹窄任務。相比之下,我們人類學習有效地與幾個例子,在動態和開放的世界self-supervised方式或環境因為我們的學習也非常知識:知識學習在過去幫助我們學習新事物沒有數據或努力和適應新的/看不見的情況下。這種自我至上(或自我意識)的學習也使我們能夠在工作中，在與他人的互動中，在沒有外部監督的情況下，與現實世界的環境進行學習。LL的目標是實現所有這些能力。諸如聊天機器人、無人駕駛汽車或任何與人類/物理環境交互的人工智能系統都需要這些功能，因為它們需要應對動態和開放的環境，這讓它們別無選擇，只能不斷學習新東西，以便更好地工作。如果沒有LL能力，AI系統就不能被認為是真正智能的，也就是說，LL是智能或AGI(人工一般智能)所必需的。(見我的終身學習研究頁面)。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191