列表

这份名单来自密歇根大学工程、计算机和信息科学教授布鲁斯·马克西姆。在他 1998 年春季关于 CIS 479 ¹的讲座笔记中，调用了以下列表，

“人工智能的好问题”。

  Decomposable to easier problems
  Solution steps can be ignored or undone
  Predictable Problem Universe
  Good Solutions are obvious
  Internally consistent knowledge base (KB)
  Requires lots of knowledge or uses knowledge to constrain solutions
  Interactive

从此演变成这样。

  Decomposable to smaller or easier problems
  Solution steps can be ignored or undone
  Predictable problem universe
  Good solutions are obvious
  Uses internally consistent knowledge base
  Requires lots of knowledge or uses knowledge to constrain solutions
  Requires periodic interaction between human and computer

这是什么

他的列表从未打算将 AI 问题类别列表作为解决方法的初始分支点或“旨在加速找到令人满意的解决方案的过程的启发式技术”。

马克西姆从未将这份名单添加到他的任何学术出版物中，这是有原因的。

该列表是异构的。它包含方法、全局特征、挑战和概念方法，它们混合在一个列表中，就好像它们就像元素一样。这不是“人工智能的好问题”列表的缺点，但作为对人工智能问题特征或类别的正式陈述，它缺乏必要的严谨性。Maxim 肯定没有将其表示为“7 个 AI 问题特征”列表。

它肯定不是一个“7 个 AI 问题特征”列表。

是否有任何类别或特征列表？

没有很好的人工智能问题类别列表，因为如果一个人创造了一个，很容易想到人类大脑已经解决的数百万个问题中的一个不属于任何类别或位于两个类别的边界或更多类别。

开发一个问题特征列表是可以想象的，它可能受到 Maxim 的 Good Problems for AI 列表的启发。还可以设想制定一个初始方法清单。然后可以从第一个列表中的特征中绘制箭头，指向第二个列表中方法的最佳前景。如果处理得全面而严格，那将是一篇好文章的发表。

方法列表的初始高级特征

以下是经验丰富的 AI 架构师在选择方法之前可能会询问的问题列表，以阐明高级系统要求。

• 任务是否本质上是静态的，因为一旦运行，它可能不需要进行重大调整？如果是这种情况，那么人工智能可能在系统的设计、制造和配置（可能包括其参数的训练）中最有用。
• 如果不是，那么任务本质上是否以 20 世纪初发展起来的控制理论能够适应这种变化的方式发生变化？如果是这样，那么人工智能在采购中也可能同样有用。
• 如果不是，那么系统可能具有足够的非线性和时间复杂性，可能需要智能。那么问题就变成了这种现象是否完全可控。如果是这样，那么必须在部署后实时使用 AI 技术。

有效的建筑方法

如果将设计、制造和配置步骤隔离开来，则可以遵循相同的过程来确定 AI 可能扮演的角色，这可以递归地完成，因为将想法的整体产品化分解为诸如设计A-D 转换器，或用于计算机视觉特定阶段的卷积核大小。

与其他控制系统设计一样，借助 AI，确定可用输入和所需输出并应用基本工程概念。认为工程学科因为专家系统或人工网络而改变是错误的，至少目前是这样。

因为人工智能和控制系统工程有着共同的起源，所以控制系统工程没有发生重大变化。我们只是有额外的组件可供我们选择，还有额外的理论可用于设计、施工和质量控制。

秩、维度和拓扑

关于人工智能系统中信号、张量和消息的等级和维度，当我们接近模拟人脑的各种心理品质时，笛卡尔维度并不总是描述内部离散品质的正确概念。拓扑通常是数学的关键领域，它最正确地模拟了我们希望在系统中人工开发的人类智能的多样性。

更有趣的是，拓扑学可能是开发新型智能的关键，无论是计算机还是人脑都无法胜任。

参考

http://groups.umd.umich.edu/cis/course.des/cis479/lectures/htm.zip

7 AI 问题特征是一种启发式技术，旨在加快为人工智能问题找到令人满意的解决方案的过程。

在计算机科学、人工智能和数学优化中，启发式算法是一种旨在更快地解决问题的技术，或者在您无法使用经典方法找到精确解决方案时找到近似解决方案。

7 AI 问题技术根据可用信息对替代步骤进行排名，以帮助人们决定解决问题的最合适方法，例如传教士和食人者、河内塔、旅行推销员等

关于问题的放置和合适的算法之间是否存在普遍接受的关系。答案是确实存在普遍接受的关系。例如，想象一下尝试解决国际象棋游戏和数独游戏。

如果数独中的某个步骤出错，我们可以回溯并尝试不同的方法。但是，如果我们在下棋，走几步之后就发现了错误。我们不能简单地忽略错误和回溯。（第二个特征）

如果问题范围是可预测的，我们可以制定一个计划来生成一系列保证会导致解决方案的操作。然而，在出现不确定结果的问题时，我们必须遵循计划修订过程，因为计划在提供必要反馈的同时执行。（第三个特征）

下面是用于解决水壶问题的 7 个 AI 问题特征的示例。

图片来源 https://gtuengineeringmaterial.blogspot.com/2013/05/discuss-ai-problems-with-seven-problem_1818.html