microsoft · Zhytou · Jul 3, 2023
diff --git a/lessons/1-Intro/translations/README.zh-CN.md b/lessons/1-Intro/translations/README.zh-CN.md
@@ -0,0 +1,148 @@
+# AI简介
+
+![一图总结人工智能](../../sketchnotes/ai-intro.png)
+
+> 插图作者 [Tomomi Imura](https://twitter.com/girlie_mac)
+
+## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101)
+
+**人工智能** 是一门令人兴奋的学科，研究如何使使计算机表现智能行为，例如可以执行人类擅长的工作。
+
+起初，电脑由[Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) 发明，用于执行算法，即：对数字进行定义明确的程序运算。即使现代电脑尽管比十九世纪的原始模型先进得多，但依然遵循着受控计算的思想。因此，如果我们知道达成目标所需的确切步骤序列，就有可能编程让电脑去做某件事情。
+
+![人像照片](../images/dsh_age.png)
+
+> 照片来自[Vickie Soshnikova](http://twitter.com/vickievalerie)
+
+> ✅ 从一个人的照片中确定他/她的年龄是一项无法明确编程的任务，因为我们不知道估算年龄时，我们的脑袋是如何想出一个数字的。
+
+----
+
+然而，有些任务我们并不确切地知道如何解决。例如，通过照片确定一个人的年龄。我们不知不觉地掌握估算年龄的技能，因为我们见过许多不同年龄的人的例子，但我们不能明确地解释如何做到这一点，也不能编程让电脑去做。这正是**人工智能**（简称AI）感兴趣的任务类型。
+
+✅ 想一想电脑的人工智能可以帮你完成什么任务？诸如金融、医药和艺术等领域将会如何通过AI获益？
+
+## 狭义AI与广义AI
+
+解决特定的人类问题，例如从照片中确定一个人的年龄，属于**狭义AI**范畴。因为我们只是创建一个只能解决一项任务的系统，而不是像人类一样，可以解决各种问题。当然，开发普遍智能的电脑系统从各个角度来说都十分有趣，对于学习意识哲学的学生来说亦是如此。这类AI被称为**广义AI**，或[人工通用智能](https://en.wikipedia.org/wiki/Artificial_general_intelligence)(AGI).
+
+## 智能的定义与图灵测试
+
+**[智能](https://en.wikipedia.org/wiki/Intelligence)**一词并没有清晰的定义。人们可以说智能与**抽象思维**或者**自我意识**有关，但我们依然没有恰当地定义这个词。
+
+![一只猫](../images/photo-cat.jpg)
+
+> [照片](https://unsplash.com/photos/75715CVEJhI)作者[Amber Kipp](https://unsplash.com/@sadmax)来自Unsplash
+
+为了证明*智能*定义的模糊，请尝试回答这个问题：“猫有智慧吗？”。针对这个问题，不同的人往往会有不同的答案，因为没有一个公认的测试去验证这个说法的对错。如果你认为猫有智能，那么你可以试试让猫咪通过智商测试……
+
+✅ 想一想你会如何定义智力。会解密来获得食物的乌鸦算聪明吗？小孩子算聪明吗？
+
+----
+
+当讨论人工通用智能时，我们需要一种方法证明我们真的创造了一个真正的智能系统。 [阿兰·图灵](https://en.wikipedia.org/wiki/Alan_Turing) 提出了**[图灵测试](https://en.wikipedia.org/wiki/Turing_test)**的方法，用来判断一个系统是否智能。该测试将一个给定的系统与本质上具有智能的东西——一个真正的人类进行比较，由于自动化的对比有可能被电脑程序绕过，所以评估的过程由人类进行。在比较过程中，如果人类无法在基于文本的对话中区分真人和计算机系统，那么该系统就被认为是智能的。
+
+> 一个在圣彼得堡开发的名为[Eugene Goostman](https://en.wikipedia.org/wiki/Eugene_Goostman)的聊天机器人在2014年利用小聪明通过了图灵测试：它事先说自己是一位来自乌克兰的十三岁男孩，这为之后对话中知识和语言的欠缺找到了理由。五分钟对话后，这款聊天机器人令30%的评委相信他是人类。图灵曾经预测，在2000年就会出现通过图灵测试的机器，但是我们应该明白，这个个聊天机器人并不代表我们已成功创造了智能系统，或者系统愚弄了人类，而是机器人的创造者愚弄了人类！
+
+✅ 你有没有被聊天机器人骗过，以为你在和人类对话？它是如何令你信服的？
+
+## 实现AI的不同方法
+
+如果我们想让计算机的行为像人一样，我们需要想办法令电脑模拟我们的思维方式。因此，我们需要了解是什么让人类变得聪明。
+
+> 为了能通过编程使电脑变智能，我们需要了解自己是如何做出决策的。如果你自我反省一下，就会发现有些过程是下意识发生的——比如，我们可以不假思索地分辨猫和狗——而其他的一些过程则涉及到推理。
+
+为了解这一问题，有两种方法：
+
+自上而下的方法 （符号推理） | 自下而上的方法 （神经网络）
+---------------------------------------|-------------------------------------
+自上而下的方法是对一个人解决问题的方式进行建模。包括从人类身上获取**知识**，之后用电脑可理解的方式表达出来。我们还需要让电脑具备**推理**能力。 | 自下而上的方法模拟了人脑结构，有数量庞大的简单单元组成，称为**神经元**。每个神经元将接收的数据进行加权平均运算。我们可以向一个神经网络提供**训练数据**，以解决实际问题。
+
+还有一些其他实现智能的方法：
+
+* 一种**新兴**、**协同**或**多智能体方法**是基于这样一个事实：通过大量简单智能体的互动，可以获得复杂的智能行为。根据[进化控制论](https://en.wikipedia.org/wiki/Global_brain#Evolutionary_cybernetics)，智能可以通过相对简单、应激性的行为中*反映*出来。这一过程被称为*元系统跃迁*。
+
+* **进化法**或**遗传算法**是一个基于进化原理的优化过程。
+
+我们会在课程后期讨论这些方法，但目前我们暂时关注自上而下和自下而上这两种方法。
+
+### 自上而下的方法
+
+在**自上而下的方法**中，我们尝试对推理进行建模。因为我们在推理时思维可以逐步递进，所以我们试着将此过程铸成体系，在电脑中通过编程呈现相同的过程。这叫做**符号推理**。
+
+人脑中往往有一些规则来指导他们的决策。例如当医生诊断病人时，发烧可能代表这位病人身体有炎症，从而医生会对症下药。应用一大套规则去解决某一个具体问题时，医生就会得出最终的诊断结果。
+
+这种方法十分依赖**知识再现**和**推理**。从人类专家的脑中提取知识应该是最难的部分，因为一位医生大多数情况下并不确切知道他/她是如何得出一个特定诊断的。某些情况下，结论不是通过明确的思考而得出的，比如通过照片估算一个人的年龄时，我们并不只是靠运用知识进行判断的。
+
+### 自下而上的方法
+
+另一种方法是模拟我们大脑中最基础的单位——神经元。我们可以在电脑中构建**人工神经网络**，然后试图通过给它一些例子来教它解决问题。这个过程类似于新生儿通过观察来了解周遭环境。
+
+✅ 对婴儿的学习过程做一些研究。婴儿大脑的基本要素是什么？
+
+> | 机器学习又是什么？ |      |
+> |--------------|-----------|
+> | 人工智能中，电脑通过学习一些数据来解决问题的过程叫做**机器学习**。本课程将不讨论经典的机器学习，欲知详情可移步[机器学习入门](http://aka.ms/ml-beginners)课程。 |   ![机器学习入门](../images/ml-for-beginners.png)    |
+
+## AI简史
+
+人工智能领域开始于二十世纪中期。最初，符号推理方法盛行，也取得了不少成功实例。例如专家系统——它能够在某些领域扮演专家的角色。但人们很快发现这种方法难以拓展。从人类专家那里提取知识、在电脑中储存并且令其再现其实是一个非常复杂的任务，而且成本高昂，并不实用。这导致了七十年代所谓的[AI寒冬](https://en.wikipedia.org/wiki/AI_winter)。
+
+<img alt="Brief History of AI" src="../images/history-of-ai.png" width="70%"/>
+
+> 照片作者[Dmitry Soshnikov](http://soshnikov.com)
+
+随着时间的推移，计算成本降低、可用的数据变多，于是神经网络的方法开始在许多领域展现出与人类媲美的强大力量，比如计算机视觉和语音理解范畴。过去十年，人工智能大多被用作神经网络的同义词，因为我们听到的大多数人工智能成功都是基于神经网络的。
+
+我们可以观察到在创建象棋计算机程序方面的方法发生了变化：
+
+* 早期国际象棋程序以搜索为基础。程序估算对手下几步棋的走法，之后根据在这几种可能的走法中选择步数最少的最佳棋步。这便是属于搜索算法中的[剪枝算法](https://en.wikipedia.org/wiki/Alpha%E2%80%93beta_pruning)。
+* 在对局的后期，搜索算法的效果很好，因为可能的落子位置不多。然而棋局开盘时的搜索空间巨大，算法可以通过学习人类棋手的比赛来改进。随后的实验采用了[案例式推理](https://en.wikipedia.org/wiki/Case-based_reasoning)算法，程序会在知识库中搜索与当前棋局非常类似的案例。
+* 可以打败人类棋手的现代程序基于神经网络和[强化学习](https://en.wikipedia.org/wiki/Reinforcement_learning)，程序可以通过长时间与自己对弈，从自己的错误中学习——这和人类学习下棋是极其相似的。但是电脑程序可以在短时间内大量对局，学习的更快。
+
+✅ 调查一下AI还玩过哪些游戏。
+
+同样，我们也可以看到创造“可对话程序”（可能通过图灵测试）的方法转变:
+
+* 早期的[Eliza](https://en.wikipedia.org/wiki/ELIZA)程序基于非常简单的语法规则，可以将输入的句子重新表述为一个问题。
+* 现代的语音助理如Cortana、Siri或者Google助手都是混合系统。它们使用神经网络将语音转换为文本，并识别我们的意图，之后采用推理或显式的算法执行所需操作。
+* 在未来，我们期望一种完全基于神经网络模型来处理对话。最近的生成式预训练模型（GPT）和[图灵自然语言生成模型](https://turing.microsoft.com/)系列的神经网络在这方面取得了巨大成功。
+
+<img alt="the Turing test's evolution" src="../images/turing-test-evol.png" width="70%"/>
+
+> 图片作者Dmitry Soshnikov，[照片](https://unsplash.com/photos/r8LmVbUKgns)作者[Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto)，Unsplash
+
+## 近期的AI研究
+
+神经网络的研究大爆发始于2010年左右，各种公共数据集开始变得可用。一个包含了大约1400万张含有注释图片的庞大数据集[ImageNet](https://en.wikipedia.org/wiki/ImageNet)，诞生了[ImageNet大规模视觉识别挑战赛](https://image-net.org/challenges/LSVRC/).
+
+![ILSVRC准确度](../images/ilsvrc.gif)
+
+> 图片作者[Dmitry Soshnikov](http://soshnikov.com)
+
+[卷积神经网络](../4-ComputerVision/07-ConvNets/README.md)于2012年首次用于图像分类功能，大大降低了分类误差（误差由近30%降低至16.4%）。 2015年，微软研究院的ResNet架构[达到了人类准确度水平](https://doi.org/10.1109/ICCV.2015.123).
+
+从那时起，神经网络在许多任务中表现出色：
+
+----
+
+年份 | 可达人类水平的应用领域
+-----|--------
+2015 | [图像分类](https://doi.org/10.1109/ICCV.2015.123)
+2016 | [对话语音识别](https://arxiv.org/abs/1610.05256)
+2018 | [自动机器翻译](https://arxiv.org/abs/1803.05567) (Chinese-to-English)
+2020 | [生成图片说明](https://arxiv.org/abs/2009.13682)
+
+过去几年里，我们见证了大型语言模型诸如BERT和GPT-3的出色成绩。这主要是因为有大量的文本数据可用来训练模型，使模型理解文本的结构与意义。我们还可以预训练语言模型，使其用于某些专门任务。我们稍后会学习更多[自然语言处理](../5-NLP/README.md)的内容。
+
+## 🚀 小挑战
+
+浏览一下互联网，找出你认为AI最能发挥效能的领域？地图应用？语音转文字应用？还是电脑游戏？研究一下这些系统是如何建立的。
+
+## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201)
+
+## 复习与自学
+
+可以通过学习[课程](https://github.com/microsoft/ML-For-Beginners/tree/main/1-Introduction/2-history-of-ML)回顾人工智能和机器学习的历史。从本课顶部的漫画选取一个话题并进行更深入的研究，了解该话题演变的文化背景。
+
+**作业**: [聊聊游戏](assignment.md)