# 第一章 Introduction & 第二章 Intelligent Agents

## 第一章 Introduction

### AI 的四種觀點

1. 像人類思考 (Think like humans)：認知模型 (Cognitive Model)
- 研究大腦內部活動，模擬人類思考方式
- 包括心理學與神經科學路線
2. 像人類行為 (Act like humans)：圖靈測試 (Turing Test)
- 機器是否能表現出類似人類的智能行為？
3. 理性思考 (Think rationally)：思維定律 (Laws of Thought)
- 亞里斯多德第一個提出的邏輯推理作為智能的基礎
- 研究理性思考的邏輯規則
- 包括數學與邏輯路線
4. 理性行為 (Act rationally)：理性代理人 (Rational Agent)
- 做出能最大化目標達成的行動，即便不需要思考（例如反射動作）
- 代理人是一個可以感知和行動的實體，即一個函數 $f: P* \to A$

## 第二章 Intelligent Agents

### Agent 定義

可以觀察環境並採取行動的任何實體都是 agent

- 透過 sensors 感知環境
- 透過 actuators 執行行動
- Agent = 架構 + 程式

理性 agent 應該選擇一個預期能夠最大化其績效指標的行動

#### 範例

- 人類：
- Sensors：眼耳鼻舌、其他感官
- Actuators：手腳、嘴巴、其他器官
- 機器人：
- Sensors：相機、麥克風等
- Actuators：馬達、伺服器等

### PEAS

PEAS 是用來描述 agent 的一種方法，包含以下四個要素：

- Performance measure（績效指標）
- Environment（環境）
- Actuators（執行器）
- Sensors（感測器）

#### 範例

設計自動駕駛計程車的 PEAS：

- Performance measure：安全、快速、守法、舒適、最大化利潤
- Environment：道路、交通規則、其他車輛
- Actuators：方向盤、油門、煞車、喇叭、燈號
- Sensors：相機、雷達、時數表、GPS、里程表、引擎感測器

醫療診斷系統的 PEAS：

- Performance measure：Healthy patient, minimize costs, lawsuits
- Environment：Patient, hospital, staff
- Actuators：Screen display (問題、測試、診斷、處方)
- Sensors：Keyboard

### 環境的類型

- Fully observable vs. Partially observable
- Agent 使否可以完全感知環境的狀態
- Fully observable：可以完全感知
- Partially observable：只能部分感知
- Deterministic vs. Stochastic
- 環境的狀態是否只由當前狀態與 agent 的行動決定
- Deterministic：確定的
- Stochastic：隨機的
- Episodic vs. Sequential
- 環境的狀態是否會影響後續的行動
- Episodic：每個行動都是獨立的
- Sequential：每個行動都會影響後續的行動
- Static vs. Dynamic
- 在 agent 做出下一個行動之前，環境是否會改變
- Static：環境不會隨著時間改變
- Dynamic：環境會隨著時間改變
- Discrete vs. Continuous
- 環境、行動的型態
- Discrete：離散的（有限的）
- Continuous：連續的（無限的）
- Single-agent vs. Multi-agent
- 不只是單純看有沒有其他 agent，而是看 agent 的行動是否會影響其他 agent 的行動
- Single-agent：只有一個 agent
- Multi-agent：有多個 agent

#### 範例

| | 西洋棋 (有計時器) | 西洋棋 (沒有計時器) | 自動駕駛 |
| :--------------: | :---------------: | :-----------------: | :------: |
| Fully observable | 是 | 是 | 否 |
| Deterministic | 是 | 是 | 否 |
| Episodic | 否 | 否 | 否 |
| Static | Semi (一半) | 是 | 否 |
| Discrete | 是 | 是 | 否 |
| Single-agent | 否 | 否 | 否 |

### 代理人類型

- Simple reflex agent：簡單反射代理人
- 只根據當前的感知做出對應的行動
- 例如：自動駕駛車輛的避障系統
- Model-based reflex agent：基於模型的反射代理人
- 加入了內部狀態，考量世界的變化
- 根據當前的感知和內部狀態做出行動
- 例如：自動駕駛車輛的導航系統
- Goal-based agent：基於目標的代理人
- 根據目標決定行動
- 例如：自動駕駛車輛的路徑規劃系統
- Utility-based agent：效用導向代理人
- 根據「最有利」的狀態選擇行動
- 例如：自動駕駛車輛的最佳路徑規劃系統
- Learning agent：學習代理人
- 可根據經驗學習與改進行為
- 例如：自動駕駛車輛的深度學習系統