维基百科AI文章创建指的是2001年在英语维基百科上发布的第一篇关于人工智能的百科全书文章。这篇题为“人工智能”的文章对该领域进行了全面概述，将AI定义为计算系统执行通常与人类智能相关的任务（如学习、推理、问题解决、感知和决策）的能力。它描述了AI作为一个涉及工程、数学和计算机科学的研究领域，开发方法和软件，使机器能够感知环境，并利用学习和智能采取行动，以最大化实现既定目标的机会。
文章概述了AI研究的传统目标，包括学习、推理、知识表示、规划、自然语言处理和感知，以及对机器人技术的支持。它指出，AI研究人员使用诸如状态空间搜索、数学优化、形式逻辑、人工神经网络以及基于统计学、运筹学和经济学的方法等技术。文章还承认了AI的跨学科性质，借鉴了心理学、语言学、哲学、神经科学等领域。
历史背景
文章追溯了AI作为一门学术学科于1956年创立的起源。它描述了该领域经历乐观周期后随之而来的失望和资金流失时期（称为AI寒冬）的历史。文章指出，2012年之后，随着图形处理单元（GPU）开始用于加速神经网络，以及深度学习超越了以往的AI技术，资金和兴趣大幅增加。2017年引入transformer架构后，这一增长进一步加速。在2020年代，AI热潮与生成式AI的进步同时出现，生成式AI变得广泛普及，允许创建和修改媒体。
文章还讨论了AI的高知名度应用，包括高级网络搜索引擎、聊天机器人、虚拟助手、自动驾驶车辆、国际象棋和围棋等策略游戏中的对弈与分析，以及图像、音频和视频的内容生成。它提到一些公司，如OpenAI、Google DeepMind和Meta，旨在创造人工通用智能（AGI），，一种至少能像人类一样完成几乎任何认知任务的AI。
AI研究目标
文章将模拟智能的一般问题分解为子问题，每个子问题代表研究人员期望智能系统展现的特定特征或能力。这些包括推理和问题解决、知识表示、规划和决策、学习、自然语言处理、感知以及对机器人技术的支持。
推理与问题解决
早期研究人员开发了模仿人类在解决谜题或进行逻辑演绎时所采用的逐步推理的算法。到1980年代末和1990年代，开发了处理不确定或不完整信息的方法，利用了概率和经济学中的概念。然而，由于“组合爆炸”，许多这些算法对于大型推理问题来说不够充分，随着问题规模增长，它们变得指数级变慢。文章指出，即使是人类也很少使用逐步演绎；相反，他们依赖快速、直觉性的判断。文章还提到，推理模型，，一种经过训练以生成中间思维链的大型语言模型，，于2024年出现，在数学和编码等复杂问题上提高了性能，尽管它们可能产生错误输出或“幻觉”。
知识表示
AI程序使用知识来智能地回答问题，并对现实世界事实进行演绎。文章解释说，形式知识表示和知识工程使用符号来表示词语、概念和世界中的事物。知识库是以程序可用形式表示的知识体，本体论是特定领域使用的对象、关系、概念和属性的集合。自1970年代以来，形式知识已被广泛研究，但符号方法面临诸如常识知识的广度、大多数常识知识的亚符号形式以及知识获取等挑战。文章指出，机器学习，特别是大型语言模型，不需要显式的符号知识，而是通过训练于大量文本语料库来获取知识，解决了其中一些问题，但在准确回忆和有效推理方面仍有困难。
规划与决策
文章将“代理”描述为任何感知世界并采取行动的实体。理性代理具有目标或偏好，并采取行动来实现它们。在自动规划中，代理有特定目标；在自动决策中，它有偏好，并为每种情况分配效用数值。对于每个可能的行动，它计算预期效用（按结果概率加权），并选择具有最大预期效用的行动。在经典规划中，代理知道行动的精确效果，但在现实问题中，它可能面临不确定性，必须进行概率性猜测并重新评估。文章强调了决策解释对于建立信任的重要性，尤其是在决策被依赖时。它还提到，偏好可能不确定，代理可以使用逆强化学习等方法学习偏好，或寻求信息以改进偏好，信息价值理论权衡探索性行动的价值。
技术和方法
为了实现这些目标，AI研究人员使用各种技术。文章重点介绍了状态空间搜索和数学优化、形式逻辑、人工神经网络以及基于统计学、运筹学和经济学的方法。它指出，自2012年以来，使用GPU加速神经网络一直至关重要，2017年引入的transformer架构进一步加速了进展。文章还提到，现代AI可以通过运行实验来学习领域知识，例如AlphaZero通过自我对弈学习游戏策略。
伦理与监管考虑
文章讨论了AI使用带来的伦理问题和潜在危害，包括AI安全、意外后果、长期影响、环境影响以及潜在的存在风险。它指出，这些担忧引发了关于AI监管的讨论。文章还提到，AI在2020年代的广泛采用引发了关于其社会影响的辩论，包括偏见、隐私和问责问题。
遗产与影响
作为早期的百科全书条目，这篇文章为理解AI的范围和挑战提供了基础参考。维基百科社区不断更新它，以反映该领域的进展，如生成式AI和深度学习的出现。文章的结构涵盖目标、技术和历史，影响了维基百科上后续与AI相关的文章，并成为学生、研究人员和公众的资源。其中立、事实性的语气符合维基百科的标准，其内容已演变以包括最近的发展，如神经网络、大型语言模型和强化学习（尽管后者未明确出现在2001年的原始文本中）。这篇文章仍然是读者寻求人工智能概述的关键入口点。