基本原理

对事物的属性和方法进行识别和归纳就是学习；

带有条件判断的逻辑行为就是智能；

深入的知识库和高效的逻辑过程就是智慧；

从学习的层次上来看，对知识库进行再学习能带来智慧；

知识库是学习的结果、问题的存在区间和求解的依据；

思维、思绪就是或长或短的一段逻辑过程；

可以安全重组的连续逻辑过程就是意识；

思维互相感知并互相认同为一个整体就是自我意识；

人类采用非自然方法实现智能就是智能机；

人类采用非自然方法实现自我意识就是人工智能；

人工智能为学习和求解而发端、为机器人第二法则而必须。

人工智能设计和制造的原理

重点：搜索算法

应用举例：深搜，广搜，A*，Minimax等等

理论基础：算法理论

重点：学习和优化算法

应用举例：监督学习，无监督学习，半监督学习

理论基础：优化和统计概率

对生物体而言，进化是一个多代累积的基因改变过程，在每一代的进化过程中会有基因的剔除和基因的增加。在每一次的基因改变后，只有那些拥有适宜于生存环境基因的变异生物能够存活，而那些拥有不适宜生存环境基因的变异生物则无情的被环境淘汰。这个过程就是一次自然选择的过程。在自然选择中，生物的适应能力固然重要，但能恰到好处的拥有适宜于当前环境的特征才是关键，就像在洪水爆发的时候，能够用鳃呼吸的鱼才可以生存。

相比而言，工程设计则是一个严谨规划的过程，尽力确保过程中每一步达到预计目标。然而，随着人工智能的出现，机器学习算法的迭代具有类似生物进化的功效，使得生物进化和工程设计过程的融合成为可能。

具体细看自然进化的过程和机器学习的过程，我们可以把机器学习所需的数据（data）及其规格化处理类比为生物进化过程中的「环境」，把机器学习过程类比为「自然选择」。机器学习在训练的时候分为监督式学习、非监督式学习、增强学习、聚类、决策树以及深度学习的其他方法。

在自然进化过程中，虽然不同的生物在遇到相同的生存难题时会进化出各自不同的特征，但最终它们将进化出类似的特征来解决其所遇到的生存难题。鲨鱼和海豚从不同的原始生物种类进化而来，却具备相似的伤口愈合机制。

在人工智能领域，我们同样能看到与此类似的现象。例如：K-均值聚类算法常被用来处理图像分割问题，通过对原始无标签的输入数据（通常是图像）进行聚类直至相似特征的数据被合理的聚分至各族群内。如果你把这个问题交给 10 个机器学习工程师，并且是处理同样输入数据集，很可能他们每个人使用的算法都不相同，但并不妨碍最终的聚类结果。从这个维度来比较自然选择和机器学习过程，两者何其相似。

简单点可以理解为让人工智能知道函数y=f(x)

给机器输入信息x，让机器输出我们想要的信息y,而人工智能就是解决如何构造函数f的。 当前的深度学习也好，神经网络也好，别看名字高大上，本质都没有脱离，构造函数和参数，优化拟合f。