习题

提示：以下的部分习题没有标准答案，旨在帮助学习者建立对智能体发展历史的系统性理解，并培养"以史为鉴"的技术洞察力。

1. 物理符号系统假说^[1]是符号主义时代的理论基石。请分析：

   • 该假说的"充分性论断"和"必要性论断"分别是什么含义？
   • 结合本章内容，说明符号主义智能体在实践中遇到的哪些问题对该假说的"充分性"提出了挑战？
   • 大语言模型驱动的智能体是否符合物理符号系统假说？

2. 专家系统MYCIN^[2]在医疗诊断领域取得了显著成功，但最终并未大规模应用于临床实践。请思考：

   提示：可以从技术、伦理、法律、用户接受度等多个角度分析

   • 除了本章提到的"知识获取瓶颈"和"脆弱性"，还有哪些因素可能阻碍了专家系统在医疗等高风险领域的应用？
   • 如果让现在的你设计一个医疗诊断智能体，你会如何设计系统来克服MYCIN的局限？
   • 在哪些垂直领域中，基于规则的专家系统至今仍然是比深度学习更好的选择？请举例说明。

3. 在2.2节中，我们实现了一个简化版的ELIZA聊天机器人。请在此基础上进行扩展实践：

   提示：这是一道动手实践题，建议实际编写代码

   • 为ELIZA添加3-5条新的规则，使其能够处理更多样化的对话场景（如谈论工作、学习、爱好等）
   • 实现一个简单的"上下文记忆"功能：让ELIZA能够记住用户在对话中提到的关键信息（如姓名、年龄、职业），并在后续对话中引用
   • 对比你扩展后的ELIZA与ChatGPT，列举至少3个维度上存在的本质差异
   • 为什么基于规则的方法在处理开放域对话时会遇到"组合爆炸"问题并且难以扩展维护？能否使用数学的方法来说明？

4. 马文·明斯基在"心智社会"理论^[7]中提出了一个革命性的观点：智能源于大量简单智能体的协作，而非单一的完美系统。

   • 在图2.6"搭建积木塔"的例子中，如果 GRASP 智能体突然失效了，整个系统会发生什么？这种去中心化架构的优势和劣势是什么？
   • 将"心智社会"理论与现在的一些多智能体系统（如CAMEL-Workforce、MetaGPT、CrewAI）进行对比，它们之间存在哪些关联和不同之处？
   • 马文·明斯基认为智能体可以是"无心"的简单过程，然而现在的大语言模型和智能体往往都拥有强大的推理能力。这是否意味着"心智社会"理论在大语言模型时代不再适用了？

5. 强化学习与监督学习是两种不同的学习范式。请分析：

   • 用AlphaGo的例子说明强化学习的"试错学习"机制是如何工作的
   • 为什么强化学习特别适合序贯决策问题？它与监督学习在数据需求上有什么本质区别？
   • 现在我们需要训练一个会玩超级马里奥游戏的智能体。如果分别使用监督学习和强化学习，各需要什么数据？哪种方法对于这个任务来说更合适？
   • 在大语言模型的训练过程中，强化学习起到了什么关键性的作用？

6. 预训练-微调范式是现代人工智能领域的重要突破。请深入思考：

   • 为什么说预训练解决了符号主义时代的"知识获取瓶颈"问题？它们在知识表示方式上有什么本质区别？
   • 预训练模型的知识绝大部分来自互联网数据，这可能带来哪些问题？如何缓解以上问题？
   • 你认为"预训练-微调"范式是否可能会被某种新范式取代？或者它会长期存在？

7. 假设你要设计一个"智能代码审查助手"，它能够自动审查代码提交（Pull Request），概括代码的实现逻辑、检查代码质量、发现潜在BUG、提出改进建议。

   • 如果在符号主义时代（1980年代）设计这个系统，你会如何实现？会遇到什么困难？
   • 如果在没有大语言模型的深度学习时代（2015年左右），你会如何实现？
   • 在当前的大语言模型和智能体的时代，你会如何设计这个智能体的架构？它应该包含哪些模块（参考图2.10）？
   • 对比这三个时代的方案，说明智能体技术的演进如何使这个任务从"几乎不可能"变为"可行"