词汇表（第3页）

目标状态：在问题解决中，目标状态描述了我们成功完成任务时希望看到的状态。

纳什均衡：博弈论里的一个核心概念，如果任意一位参与者在其他所有参与者的策略确定的情况下，其选择的策略都是最优的，那么这个组合就被定义为纳什均衡。

逆向强化学习：机器学习程序观察人类的行为，试图从观察中学习到奖励系统。

判定问题：判定问题是指答案可以用是否来回答的数学问题。例如“16的平方根是4吗？”和“7920是质数吗？”之类。艾伦·图灵解决了判定问题，即是否所有的数学判定问题都是可判定的。他指出有一些判定问题（尤其是停机问题）无法用算法来解决，这种类型的问题即是不可判定问题。

偏好偏好关系：对于所有可供选择的事物，你按照偏好程度进行排序。如果想要一个智能体代表你行事，它需要知道你的偏好，才能为你做出最佳选择。

普罗米修斯工程：20世纪80年代欧洲无人驾驶汽车技术的开创性实验。

奇点：机器智能超越人类智能的假设节点。

启发式搜索：一种利用“经验法则”来决定集中搜索方向的方法，启发式搜索是基于经验法则的，所以无法保证搜索方向一定正确。另请参见A*。

嵌入（智能体）：行为人工智能时代的一个中心思想，大意是指人工智能的进步需要开发真正嵌入某个环境中并且能够作用于该环境中的智能体，而不是脱离实体开发（专家系统通常就是这样）。

前提：在逻辑上，前提是你最初掌握的知识，你要使用逻辑推理等方式从前提中得出结论。

前因条件：专家系统的“如果……那么……”规则中，“如果”后面跟随的部分即为前因条件。例如，在规则“如果动物有**，那么该动物是哺乳动物”中，前因条件是“动物有**”。

强化学习：一种机器学习的形式，让智能体在环境中进行活动，并以奖励的形式接受对其行为的反馈。

强人工智能：强人工智能的目标是建立一个真正有思维和意识等的人工智能系统，另请参见弱人工智能和通用人工智能。没有人知道强人工智能是否能实现，以及它会是什么样子。

（神经网络中的）权重：在神经网络中，神经元之间的连接（轴突）被赋予了权重数字。权重越大，连接对神经元的影响就越大。神经网络最终归结于这些权重值，而训练神经网络的目的就是找到合适的权重值。

人工智能的黄金年代：人工智能研究的早期，大约从1956年到1975年（紧接着就是人工智能寒冬）。这一时期的主要研究集中在“分而治之”的方法上：构造能够展示智能行为组成部分的系统，希望它们在以后能够被集成为通用人工智能。

人工智能寒冬：指20世纪70年代早期，莱特希尔报告发表后的一段时间。该报告对人工智能极尽批判之事。在人工智能寒冬中，研究经费大幅削减，整个人工智能领域都遭受质疑。人工智能寒冬出现在基于知识的人工智能系统兴盛之后。

软件智能体：在软件环境中而不是像机器人那样在物理环境中存在的智能体。可以把软件智能体视为软件机器人。

弱人工智能：构造虽然没有具备人类的理解力（意识、思维、自我意识等），但是可以模拟出相应能力的程序，即为弱人工智能。另请参见强人工智能和通用人工智能。

莎莉-安妮测试：一种心理测试，目的是确定被测试者是否有心智理论能力，即对他人的欲望和信念进行推理的能力。这项研究最初是为了测试自闭症。

社会福利：“社会的总体幸福感”，社会整体状况如何，是社会福利的一种衡量方式。

设计立场：试图根据某个实体的设计意图来理解和预测它的行为。例如，时钟是用来显示时间的，所以我们可以把它显示的数字理解为时间。与物理立场和意向立场形成对比。

实体程序：人工智能程序中表示偏好的标准技术。给所有可能出现的结果附加数值表示偏好程度，称为实体程序。然后，人工智能系统试图计算行动过程，得出效用最大化的结果，即偏好程度最高的结果。另请参见预期效用和预期效用最大化。

深度学习：21世纪出现的推动机器学习研究兴起的突破性技术。其特点是使用更深层次结构、互联性更高的神经网络，以及更庞大、更精心策划的训练数据和一些新技术。

深度优先搜索：一种用于解决问题的搜索技术，在深度优先搜索中，并非逐层展开搜索树，而是沿着搜索树的一个分支向深度展开。

神经网络：一种利用“人工神经元”进行机器学习的网络构造，深度学习中的基本技术。另请参见感知器。

神经元：即神经细胞。神经元彼此相连，并通过轴突传导信息。大脑的基本信息处理单元，也是神经网络的灵感来源。

身体还是心灵问题：科学中最基本的问题之一，即大脑身体中的物理过程如何与意识体验相关联？

搜索搜索树：一种基本的人工智能问题解决技术，计算机程序试图从初始状态开始，采用有限的步骤，寻找如何转化成目标状态的方法。

算法偏见：人工智能系统在做决策的时候可能会表现出偏见。其原因可能是使用了有偏见的数据集进行训练，或者是软件设计不当。偏见可能以分配伤害或代表性伤害的形式出现。

特征：分段的数据组成，机器学习程序依赖它进行学习以做决策。

特征提取：在机器学习中，决定在一个数据集中选择哪些属性作为训练数据。

梯度下降：训练神经网络时使用到的一种技术。

通用人工智能：这是个宏伟的目标，即建立一个拥有人类所拥有的全部智能能力的人工智能系统：计划、推理、参与自然语言对话、开玩笑、讲故事、理解故事、玩游戏——所有的一切。

通用图灵机：现代计算机的原型。虽然图灵机通常只能编码一种特定的步骤或者算法，但通用图灵机可以执行任意的算法。

突触：神经元之间的“连接点”，让它们能够交流信息。

图灵测试：由艾伦·图灵提出的一种测试，用来解决机器是否能“思考”的问题。如果你与一个实体互动一段时间后，你不能分辨出它是一台机器还是一个真人，你就应该接受它具有类似人类智能的结论。它很有创意，也很有影响力，但是在人工智能测试领域，不必把它奉若圭臬。

图灵机：一种包含着解决特定数学问题的特殊步骤的机器。任何可以用计算机解决的问题都可以用图灵机解决。由艾伦·图灵发明，用来解决判定问题。另请参见通用图灵机。

（不完备的）推理：在逻辑学中，得出的结论并不是前提所能保证得出的。另请参见（完备的）推理。

（完备的）推理：如果从前提中能够正确得出结论，那么推理就是完备的。