课外知识：人工智能简明入门学习指南

最近研究AI理论，发现一篇Marcus Hutter关于入门学习AI技术提出的建议的文章。感觉很有启发，特翻译成中文与诸位童鞋共同分享。为了避免翻译时引入的歧义、错误，特别保留了英文原文，供大家对比着查阅。谢谢。

随着人工智能在我们生活中的影响不断增大，给我们的生活带来了越来越多的便利。很多同学开始喜欢并想进入“人工智能”领域一试身手。以下是澳大利亚国立大学的Marcus Hutter关于入门学习人工智能的一些建议。

一、关于通用人工智能模型（AIXI）

首先，要了解AI基础知识和建模的一般性原理及建议，请参见《通用人工智能——基于概率算法的序贯决策》(Universal Artificial Intelligence——Sequential Decisions based on Algorithmic Probability)【国内暂时没这书 -_-!】；

其次，基于“序贯决策”（Sequential decision theory）和“索洛莫诺夫通用（一般性）归纳”（Solomonoff’s theory of universal induction）理论，澳大利亚国立大学的Marcus Hutter提出了AIXI模型，该模型的具体知识，请参见Marcus Hutter的论文《UNIVERSAL ALGORITHMIC INTELLIGENCE A mathematical top→down approach》；

事实证明，目前的技术水平下AIXI模型的理论意义大于实际技术实现意义。因为AIXI模型的计算复杂度是δ（4）。就是说不仅这个模型是不可计算的，而且它的不可计算等级为4（一般的停机问题为δ（1））！也即是说目前只能采用可计算的模型来尽可能趋近AIXI模型的效果，目前热门的deepmind，就是这个方法的先行者（deepmind的创始人是marcus hutter的博士）。

虽然AIXI模型目前暂时无法实际实现，但是作为理论学习的指导是很有意义的，它通过这一个模型（公式），就可以概括深度学习、SVM、传统逻辑、强化学习等各种理论。

AIXI模型的公式如下：

如果你对下文中“更多参考资料”的数量、种类、内容复杂度等方面有困惑，我建议你可以先翻阅Richard S. Sutton和 Andrew G. Barto编著的《强化学习》（Reinforcement Learning）。

在学习它之前不需要具备什么背景知识。该书深入浅出的描述了一些关键思想，开放性问题，以及这个领域的大量应用示例。不要对这本“如此简单”的书感到惊讶，它主要讲解AI相关的基本知识和概念，而不是证明其在实际实现时的正确性。如果它里面详细讲解在实践中如何实现功能或者证明其理论的正确性，这会使本书非常晦涩难懂和不易学习。

学习了《强化学习》，对“人工智能”概念有了一定感性认识后就可以开始翻阅另一本由Stuart Russell和Peter Norvig编写的人工智能专著《人工智能——一种现代的方法（第3版）》（去x宝购物平台上随便一搜就可以买到），它为“通用人工智能”提供了更为全面的讲解和概括。最后，当你对“人工智能”有了基本了解并且具备一定理论知识基础后，可以进一步学习由Li和Vitanyi 编著的关于算法信息论论文《柯尔莫戈洛夫复杂性》，它对“算法信息论”进行了极好的论述和证明。

当你通过上述学习已经具备一些基本的“决策理论”和“算法信息论”背景知识后，那么你或许会对进一步深入研究“通用人工智能（Artificial General Intelligence/Universal Artificial Intelligence，AGI/UAI）”理论产生浓厚兴趣。