人工智能學(xué)習(xí)研究報告的現(xiàn)狀及其發(fā)展趨勢

1、. 淺談人工智能學(xué)習(xí)研究的現(xiàn)狀及其開展趨勢摘要：自上世紀(jì)五十年代以來，經(jīng)過了幾個階段的不斷探索和開展，人工智能在模式識別、知識工程、機器人等領(lǐng)域已經(jīng)取得重大成就，但是離真正意義上的的人類智能還相差甚遠(yuǎn)。但是進(jìn)入新世紀(jì)以來，隨著信息技術(shù)的快速進(jìn)步，與人工智能相關(guān)的技術(shù)水平也得到了相應(yīng)的提高。尤其是隨著因特網(wǎng)的普及和應(yīng)用，對人工智能的需求，變得越來越迫切，也給人工智能的研究提供了新的更加廣泛的舞臺。本文強調(diào)在當(dāng)今的網(wǎng)絡(luò)時代，作為信息技術(shù)的先導(dǎo)，人工智能學(xué)習(xí)在人工智能科學(xué)領(lǐng)域中是一個著非常值得關(guān)注的研究方向，要在學(xué)科穿插研究中實現(xiàn)人工智能學(xué)習(xí)的開展與創(chuàng)新，就要關(guān)注認(rèn)知科學(xué)、腦科學(xué)、生物智能、物理學(xué)、

2、復(fù)雜網(wǎng)絡(luò)、計算機科學(xué)與人工智能之間的穿插滲透點，尤其是重視認(rèn)知物理學(xué)的研究。自然語言是人類思維活動的載體，是人工智能學(xué)習(xí)研究知識表示無法回避的直接對象，要對語言中的概念建立起能夠定量表示的不確定性轉(zhuǎn)換模型，開展不確定性人工智能；要利用現(xiàn)實生活中復(fù)雜網(wǎng)絡(luò)的小世界模型和無尺度特性，把網(wǎng)絡(luò)拓?fù)渥鳛橹R表示的一種新方法，研究網(wǎng)絡(luò)拓?fù)涞难莼c網(wǎng)絡(luò)動力學(xué)行為，研究網(wǎng)絡(luò)化了的智能，從而適應(yīng)信息時代數(shù)據(jù)挖掘的普遍要求，迎接人工智能學(xué)習(xí)與應(yīng)用領(lǐng)域新的輝煌。前言自20世紀(jì)90年代以來，隨著全球化的形式與國際競爭的日益劇烈，對人工智能技術(shù)的研究與應(yīng)用變的越來越被人們關(guān)注，且人工智能在制造中的運用以成為實現(xiàn)制造的知識

3、化、自動化、柔性化以實現(xiàn)對市場的快速響應(yīng)的關(guān)鍵。人工智能已對現(xiàn)實社會做出了非常重大的奉獻(xiàn)，而且其作用已在各領(lǐng)域發(fā)揮得淋漓盡致，特別是在計算機領(lǐng)域，人工智能的應(yīng)用更加突出，可以說，哪里有計算機應(yīng)用，哪里就在應(yīng)用人工智能；哪里需要自動化或半自動化，哪里就在應(yīng)用人工智能的理論、方法和技術(shù)。目前，人工智能應(yīng)用的主要領(lǐng)域，也就是計算機應(yīng)用的主要領(lǐng)域。人工智能是一門研究人類智能的機理以及如何用機器模擬人的智能的學(xué)科。從后一種意義上講，人工智能又被稱為機器智能或智能模擬。人工智能是在現(xiàn)代電子計算機出現(xiàn)之后才開展起來的，它一方面成為人類智能的延長，另一方面又為探討人類智能機理提供了新的理論和研究方法。學(xué)習(xí)機制

4、的研究是人工智能研究的一項核心課題。它是智能系統(tǒng)具有適應(yīng)性與性能自完善功能的根底。學(xué)習(xí)過程具有以下特點：學(xué)習(xí)行為一般具有明顯的目的性，其結(jié)果是獲取知識；學(xué)習(xí)系統(tǒng)中構(gòu)造的變化是定向的，要么由學(xué)習(xí)算法決定，要么由環(huán)境決定；學(xué)習(xí)系統(tǒng)是構(gòu)造智能系統(tǒng)的中心骨架，它是全面組織與保存系統(tǒng)知識的場所；學(xué)習(xí)機制與知識表達(dá)方式密切相關(guān)，神經(jīng)網(wǎng)絡(luò)表示形式的知識可以用ANN算法或GA算法來獲取，也可以用加強算法來獲取。因此，人工智能學(xué)習(xí)研究的一個主要目的是使機器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。但是，不同的時代、不同的人對這種復(fù)雜工作的理解是不同的。例如繁重的科學(xué)和工程計算本來是要人腦來承當(dāng)?shù)?，現(xiàn)在電子

5、計算機不但能完成這種計算，而且能夠比人腦做得更快、更準(zhǔn)確，于是當(dāng)代人已不再把這種計算看作是需要人類智能才能完成的復(fù)雜任務(wù)?？梢姀?fù)雜工作的定義是隨著時代的開展和技術(shù)的進(jìn)步而變化的，人工智能學(xué)習(xí)這門科學(xué)的具體目標(biāo)也自然隨著時代的變化而開展。它一方面不斷獲得新的進(jìn)展，一方面又轉(zhuǎn)向更有意義、更加困難的目標(biāo)。人工智能學(xué)習(xí)的歷史性根底和開展步伐人工智能學(xué)習(xí)的開展歷史是和計算機科學(xué)與技術(shù)的開展史聯(lián)系在一起的。除了計算機科學(xué)以外，人工智能還涉及信息論、控制論、自動化、仿生學(xué)、生物學(xué)、心理學(xué)、數(shù)理邏輯、語言學(xué)、醫(yī)學(xué)和哲學(xué)等多門學(xué)科。一般認(rèn)為，人工智能的思想萌芽可以追溯到德國著名數(shù)學(xué)家和哲學(xué)家萊布尼茨(Leibn

6、itz，1646-1716)提出的通用語言設(shè)想。這一設(shè)想的要點是：建立一種通用的符號語言，用這個語言中的符號表達(dá)思想容，用符號之間的形式關(guān)系表達(dá)思想容之間的邏輯關(guān)系。于是，在通用語言中可以實現(xiàn)思維的機械化這一設(shè)想可以看成是對人工智能的最早描述。計算機科學(xué)的創(chuàng)始人圖靈被認(rèn)為是人工智能之父，他著重研究了一臺計算機應(yīng)滿足怎樣的條件才能稱為是有智能的。1950年他提出了著名的圖靈實驗：讓一個人和一臺計算機分別處于兩個房間里，與外界的聯(lián)系僅僅通過鍵盤和打印機。由人類裁判員向房間里的人和計算機提問(比方：你是機器還是人或你是男人還是女人等等)，并通過人和計算機的答復(fù)來判斷哪個房間里是人、哪個房間里是計算機

7、。圖靈認(rèn)為，如果中等程度的裁判員不能正確地區(qū)分，則這樣的計算機可以稱為是有智能的。圖靈實驗是關(guān)于智能標(biāo)準(zhǔn)的一個明確定義。有趣的是，盡管后來有些計算機已經(jīng)通過了圖靈實驗，但人們并不成認(rèn)這些計算機是有智能的。這反映出人們對智能標(biāo)準(zhǔn)的認(rèn)識更深入、對人工智能的要求更高了。幾乎在圖靈上述工作的同時，諾依曼從生物學(xué)角度研究了人工智能。從生物學(xué)的觀點看，智能是進(jìn)化的結(jié)果，而進(jìn)化的根本條件之一是繁殖。為此，諾依曼構(gòu)造了自再生自動機，這是一種有繁殖能力的數(shù)學(xué)模型。諾依曼的分析說明，自再生自動機self-reproducing automaton的容構(gòu)造對于繁殖是充分的和必要的。他進(jìn)而推測，這種構(gòu)造必定存在于活的

8、細(xì)胞之中。五年之后，克里克和沃森關(guān)于DNA構(gòu)造的重大發(fā)現(xiàn)完全證實了諾依曼的猜想：自再生自動機的幾個功能模塊均有生物學(xué)上的對應(yīng)物。其中，模塊A對應(yīng)于核糖體，B對應(yīng)于RND酶和DNA聚合酶，D對應(yīng)于RNA和DNA，E對應(yīng)于阻遏控制分子和抗阻遏控制分子等。諾依曼的工作為后來人工智能中的一條研究路線(人工生命)提供了重要的根底。圖靈和諾依曼的上述工作，以及麥克考洛和匹茨對神經(jīng)元網(wǎng)的數(shù)學(xué)模型的研究，構(gòu)成了人工智能的初創(chuàng)階段，這其實也是人工智能學(xué)習(xí)的開場。1956年夏天舉行的達(dá)德茅斯研討會，被認(rèn)為是人工智能作為一門獨立學(xué)科正式誕生的標(biāo)志。這次研討會聚集了來自數(shù)學(xué)、信息科學(xué)、心理學(xué)、神經(jīng)生理學(xué)和計算機科學(xué)等

9、不同領(lǐng)域的領(lǐng)導(dǎo)者，包括Minsky，Rochester， Simon， Solonio和Mccarthy等。其中，Miusky，Mccarthy，Newell和Simon后來被認(rèn)為是美國人工智能界的四大領(lǐng)袖。與會者從不同角度搜索了使機器具有智能的途徑和方式，并決定用人工智能(Artificial Intelligence)一詞來概括這一新的研究方向。達(dá)德茅斯研討會開創(chuàng)了人工智能的第一個開展時期。在這個時期里，研究者們展開了一系列開創(chuàng)性工作，并取得了引人注目的成果。會后不久，Newell，Shaw和Simon完成了一個自動證明數(shù)學(xué)定理的計算機程序Logic Theorist (此前Martin和

10、Davis曾編制了一個算術(shù)定理的證明程序，但未發(fā)表)，證明了數(shù)學(xué)原理第二章中的38條定理，由此開創(chuàng)了人工智能中自動定理證明這一分支。1958年，美籍邏輯學(xué)家王浩在自動定理證明中取得的重要進(jìn)展。他的程序在IBM704計算機上用不到5分鐘的時間證明了數(shù)學(xué)原理中命題演算的全部220條定理。1959年，王浩的改良程序用8.4分鐘證明了上述220條定理及謂詞演算的絕大局部定理。1983年，美國數(shù)學(xué)學(xué)會將自動定理證明的第一個里程碑獎授予王浩，以表彰他的出色奉獻(xiàn)(自動定理證明的里程碑獎每25年評選一次，由此可見其份量)。受王浩工作的鼓舞，自動定理證明的研究形成一股熱潮。比方，Slagle的符號積分程序SAI

11、NT經(jīng)測試已到達(dá)了大學(xué)生的積分演算水準(zhǔn);而Mosis的SIN程序的效率比SAINT提高了約三倍，被認(rèn)為到達(dá)了專家水平。自動定理證明的理論價值和應(yīng)用圍并不局限于數(shù)學(xué)領(lǐng)域。事實上，很多問題可以轉(zhuǎn)化為定理證明問題，或者與定理證明有關(guān)?？梢哉J(rèn)為，自動定理證明的核心問題是自動推理，而推理在人的智能行為中起普遍性的重要作用?；谶@一看法，在自動定理證明的根底上進(jìn)一步研究通用問題求解，是一個值得探索的課題。從1957年開場，Newell，Shaw和Simon等人著手研究不依賴于具體領(lǐng)域的通用解題程序，稱之為GPS，它是在Logic Theorist的根底上開展起來的，雖然后來的實踐說明，GPS作為一個獨立的

12、求解程序，其能力是有限的，但在GPS中開展起來的技術(shù)對人工智能的開展有重要意義人工智能早期研究給人的深刻印象是博羿，1956年，Samnel研制了一個西洋跳棋程序，該程序天生下跳棋水平很低，遠(yuǎn)遠(yuǎn)不是Samuel的對手。但它有學(xué)習(xí)能力，能從棋譜中學(xué)習(xí)，也能在實踐中總結(jié)提高。經(jīng)過三年的學(xué)習(xí)，該程序與1959年打敗了Samuel;又經(jīng)過三年，打敗了美國一個州的冠軍。值得注意的是，雖然下棋至多只能算是一項體育運動，下棋的程序似乎只是一種游戲程序，但Samuel工作的意義十分重大：它同時刺激了搜索和機器學(xué)習(xí)這兩個人工智能重要領(lǐng)域的開展。與自動定理證明的研究意義不限于數(shù)學(xué)一樣，搜索的研究意義也不限于博弈。

13、根據(jù)認(rèn)知心理學(xué)的信息處理學(xué)派的觀點，人類思維過程的很大一局部可以抽象為從問題的初始狀態(tài)經(jīng)中間狀態(tài)到達(dá)終止?fàn)顟B(tài)的過程，因此可以轉(zhuǎn)化為一個搜索問題，由機器自動地完成。例如規(guī)劃問題。設(shè)想一臺機器人被要求完成一項復(fù)雜任務(wù)，該任務(wù)包含很多不同的子任務(wù)，其中*些子任務(wù)只有在另一些子任務(wù)完成之后才能進(jìn)展。這時，機器人需要事先設(shè)想一個可行的行動方案，使得依照該方案采取行動可以順利完成任務(wù)。規(guī)劃即找出一個可行的行動案，可以通過以其子任務(wù)為狀態(tài)、以其子任務(wù)間依賴關(guān)系為直接后繼關(guān)系的狀態(tài)空間中的搜索來實現(xiàn)。注：第一階段是搜索解決問題人工智能的早期研究還包括自然語言理解、計算機視覺和機器人等等。通過大量研究發(fā)現(xiàn)，僅僅

14、依靠自動推理的搜索等通用問題求解手段是遠(yuǎn)遠(yuǎn)不夠的。Newell和Simon等人的認(rèn)知心理學(xué)研究說明，各個領(lǐng)域的專家之所以在其專業(yè)領(lǐng)域表現(xiàn)出非凡的能力，主要是因為專家擁有豐富的專門知識(領(lǐng)域知識和經(jīng)歷)。70年代中期，F(xiàn)eigenbaum提出知識工程概念，標(biāo)志著人工智能進(jìn)入第二個開展時期。知識工程強調(diào)知識在問題求解中的作用；相應(yīng)地，研究容也劃分為三個方面：知識獲取，知識表示和知識利用。知識獲取是究怎樣有效地獲得專家知識；知識表示是究怎樣將專家知識表示成在計算機易于存儲、易于使用的形式；知識利用是究怎樣利用已得到恰當(dāng)表示的專家知識去解決具體領(lǐng)域的問題。知識工程的主要技術(shù)手段是在早期成果的根底上開展

15、起來的，特別是知識利用，主要依靠自動推理和搜索的技術(shù)成果。在知識表示方面，除使用早期工作中出現(xiàn)的邏輯表示法和過程表示法之外，還開展了在聯(lián)想記憶和自然語言理解研究中提出的語義網(wǎng)表示法，進(jìn)而引入了框架表示法，概念依賴和腳本表示法以及產(chǎn)生式表示法等等各種不同方法。與早期研究不同，知識工程強調(diào)實際應(yīng)用。主要的應(yīng)用成果是各種專家系統(tǒng)。專家系統(tǒng)的核心部件包括：(a)表達(dá)包括專家知識和其他知識的知識庫。(b)利用知識解決問題的推理機。大型專家系統(tǒng)的開發(fā)周期往往長達(dá)10余年，其主要原因在于知識獲取。領(lǐng)域?qū)＜译m然能夠很好地解決問題，卻往往說不清自己是怎么解決的，使用了哪些知識。這使得負(fù)責(zé)收集專家知識的知識工程師

16、很難有效地完成知識獲取任務(wù)。這種狀況極大的激發(fā)了自動知識獲取-機器學(xué)習(xí)研究的深入開展。已經(jīng)得到較多研究的機器學(xué)習(xí)方法包括：歸納學(xué)習(xí)、類比學(xué)習(xí)、解釋學(xué)習(xí)、強化學(xué)習(xí)和進(jìn)化學(xué)習(xí)等等。機器學(xué)習(xí)的研究目標(biāo)是：讓機器從自己或別人的問題求解經(jīng)歷中獲取相關(guān)的知識和技能，從而提高解決問題的能力。80年代以來，隨著計算機網(wǎng)絡(luò)的普及，特別是Internet的出現(xiàn)，各種計算機技術(shù)包括人工智能技術(shù)的廣泛應(yīng)用推動著人機關(guān)系的重大變化。據(jù)日美等國未來學(xué)家的預(yù)測，人機關(guān)系正在迅速地從以人為紐帶的傳統(tǒng)模式向以機為紐帶的新模式轉(zhuǎn)變?nèi)藱C關(guān)系的這一轉(zhuǎn)變將引起社會生產(chǎn)方式和生活方式的巨大變化，同時也向人工智能乃至整個信息技術(shù)提出了新的

17、課題。這促使人工智能進(jìn)入第三個開展時期。在這個新的開展時期中，人工智能面臨一系列新的應(yīng)用需求。注：第三個階段首先是需要提供強有力的技術(shù)手段，以支持分布式協(xié)同工作方式，現(xiàn)代生產(chǎn)是一種社會化大生產(chǎn)，來自不同專業(yè)的工作者在不同或一樣的時間、地點從事著同一任務(wù)的不同子任務(wù)。這要求計算機不僅為每一項子任務(wù)提供輔助和支持，更需要為子任務(wù)之間的協(xié)調(diào)提供輔助和支持。由于各個子任務(wù)在很大程度上可以獨立地進(jìn)展，子任務(wù)之間的關(guān)系必然呈現(xiàn)出動態(tài)變化和難以預(yù)測的特點。于是，子任務(wù)之間的協(xié)調(diào)即對分布協(xié)同工作的支持向人工智能乃至整個信息技術(shù)以及根底理論提出了巨大的挑戰(zhàn)。其次，網(wǎng)絡(luò)化推進(jìn)了信息化，使原本分散孤立的數(shù)據(jù)庫形成一

18、個互連的整體，即一個共同的信息空間。盡管現(xiàn)有的瀏覽器和搜索引擎為用戶在網(wǎng)上查找信息提供了必要的幫助，這種幫助是遠(yuǎn)遠(yuǎn)不夠的，以至于信息過載與信息迷失狀況日益嚴(yán)重。更強大的智能型信息效勞工具已成為廣闊用戶的迫切需要。另一方面，信息空間對人類的價值不僅在于單獨的信息條目比方*廠家生產(chǎn)出了*一新產(chǎn)品的信息，還遠(yuǎn)在于一大類信息中隱藏著的普遍性知識比方*個行業(yè)供求關(guān)系的變化趨勢。于是，數(shù)據(jù)中的知識發(fā)現(xiàn)也成為一項迫切的研究課題。機器人始終是現(xiàn)代工業(yè)的迫切需求。隨著機器人技術(shù)的開展，研究重點已經(jīng)轉(zhuǎn)向能在動態(tài)、不可預(yù)測環(huán)境中獨立工作的自主機器人，以及能與其他機器人包括人協(xié)作的機器人注：以前的階段是通過搜索、推理

19、利用人類已經(jīng)總結(jié)的知識。顯然，這種機器人之間的合作可以看成是物理世界中的分布式協(xié)同工作，因而包括一樣的理論和技術(shù)問題。由此可見，人工智能第三開展時期的突出特點是研究能夠在動態(tài)、不可預(yù)測環(huán)境中自主、協(xié)調(diào)工作的計算機系統(tǒng)，這種系統(tǒng)被稱為Agent 。目前，正圍繞著Agent的理論、Agent的體系構(gòu)造和Agent語言三個方面展開研究，并已產(chǎn)生一系列重要的新思想、新理論、新方法和新技術(shù)。在這一研究中，人工智能呈現(xiàn)一種與軟件工程、分布式計算以及通訊技術(shù)相互融合的趨勢。Agent研究的應(yīng)用不限于生產(chǎn)和工作，還深入到人們的學(xué)習(xí)和娛樂等各個方面。例如，Agent與虛擬現(xiàn)實相結(jié)合而產(chǎn)生的虛擬訓(xùn)練系統(tǒng)，可以使學(xué)

20、生在不實際操縱飛機的情況下學(xué)飛行的根本技能；類似地，也可使顧客享受實戰(zhàn)的滋味。綜觀人工智能學(xué)習(xí)的開展歷程，可以看出它始終遵循的根本思路。首先是強調(diào)人類智能的人工實現(xiàn)而不是單純的模擬，以便盡可能地為人類的實際需要效勞。其次是強調(diào)多學(xué)科的穿插結(jié)合，數(shù)學(xué)、信息科學(xué)、生物學(xué)、心理學(xué)、生理學(xué)、生態(tài)學(xué)以及非線性科學(xué)等等越來越多的新生學(xué)科被融入到人工智能學(xué)習(xí)的研究之中。二.人工智能學(xué)習(xí)的研究途徑和主要流派從國際圍來看，人工智能的研究途徑主要有三條。第一，生理學(xué)途徑，采用仿生學(xué)的方法，模擬動物和人的感官以及大腦的構(gòu)造和機能，制成神經(jīng)元模型和腦模型；第二，心理學(xué)途徑，應(yīng)用實驗心理學(xué)方法，總結(jié)人們思維活動的規(guī)律，

21、用電子計算機進(jìn)展心理模擬；第三，工程技術(shù)途徑，研究怎樣用電子計算機從功能上模擬人的智能行為。目前，第三種研究方法開展較快。它也從前兩種方法中吸收新的思想，依靠新的啟示擴大自己的成果。傳統(tǒng)人工智能是符號主義，它以Newell和Simon提出的物理符號系統(tǒng)假設(shè)為根底。物理符號系統(tǒng)是由一組符號實體組成，它們都是物理模式，可在符號構(gòu)造的實體中作為組成成分出現(xiàn)，可通過各種操作生成其它符號構(gòu)造。物理符號系統(tǒng)假設(shè)認(rèn)為：物理符號系統(tǒng)是智能行為的充分和必要條件。主要工作是通用問題求解程序General Problem Solver, GPS：通過抽象，將一個現(xiàn)實系統(tǒng)變成一個符號系統(tǒng)，基于此符號系統(tǒng)，使用動態(tài)搜索

22、方法求解問題。連接主義學(xué)派是從人的大腦神經(jīng)系統(tǒng)構(gòu)造出發(fā)，研究非程序的、適應(yīng)性的、大腦風(fēng)格的信息處理的本質(zhì)和能力，研究大量簡單的神經(jīng)元的集團(tuán)信息處理能力及其動態(tài)行為。人們也稱之為神經(jīng)計算。研究重點是側(cè)重于模擬和實現(xiàn)人的認(rèn)識過程中的感覺、知覺過程、形象思維、分布式記憶和自學(xué)習(xí)、自組織過程。三.人工智能學(xué)習(xí)的主要技術(shù)及其開展趨勢目前人工智能學(xué)習(xí)研究的3個熱點是：智能接口、數(shù)據(jù)挖掘、主體及多主體系統(tǒng)。1、智能接口技術(shù)是研究如何使人們能夠方便自然地與計算機交流。為了實現(xiàn)這一目標(biāo)，要求計算機能夠看懂文字、聽懂語言、說話表達(dá)，甚至能夠進(jìn)展不同語言之間的翻譯，而這些功能的實現(xiàn)又依賴于知識表示方法的研究。因此，

23、智能接口技術(shù)的研究既有巨大的應(yīng)用價值，又有根底的理論意義。目前，智能接口技術(shù)已經(jīng)取得了顯著成果，文字識別、語音識別、語音合成、圖像識別、機器翻譯以及自然語言理解等技術(shù)已經(jīng)開場實用化。2、數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應(yīng)用數(shù)據(jù)中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的研究目前已經(jīng)形成了三根強大的技術(shù)支柱：數(shù)據(jù)庫、人工智能和數(shù)理統(tǒng)計。主要研究容包括根底理論、發(fā)現(xiàn)算法、數(shù)據(jù)倉庫、可視化技術(shù)、定性定量互換模型、知識表示方法、發(fā)現(xiàn)知識的維護(hù)和再利用、半構(gòu)造化和非構(gòu)造化數(shù)據(jù)中的知識發(fā)現(xiàn)以及網(wǎng)上數(shù)據(jù)挖掘等。主體是具有信念、愿望、

24、意圖、能力、選擇和承諾等心智狀態(tài)的實體，比對象的粒度更大，智能性更高，而且具有一定自主性。主體試圖自治地、獨立地完成任務(wù)，而且可以和環(huán)境交互，與其他主體通信，通過規(guī)劃到達(dá)目標(biāo)。多主體系統(tǒng)主要研究在邏輯上或物理上別離的多個主體之間進(jìn)展協(xié)調(diào)智能行為，最終實現(xiàn)問題求解。目前對主體和多主體系統(tǒng)的研究主要集中在主體和多主體理論、主體的體系構(gòu)造和組織、主體語言、主體之間的協(xié)作和協(xié)調(diào)、通信和交互技術(shù)、多主體學(xué)習(xí)以及多主體系統(tǒng)應(yīng)用等方面。新一代的智能技術(shù)是指80年代以來迅速開展起來的以神經(jīng)網(wǎng)絡(luò)ANN、進(jìn)化計算、模糊邏輯、Agent為主要代表的計算只能技術(shù)，其中主要具有學(xué)習(xí)進(jìn)化與自組織的能力。3、神經(jīng)網(wǎng)絡(luò)也就是

25、模擬人腦最根本的單位神經(jīng)元功能來模擬人腦的功能。它通過一定的例訓(xùn)練構(gòu)成的神經(jīng)網(wǎng)絡(luò)，就象教一個小孩子一樣，在訓(xùn)練完畢后，這個神經(jīng)網(wǎng)絡(luò)就可以完成特定的功能了。它是通過例的學(xué)習(xí)，修改了知識庫和推理機的構(gòu)造，到達(dá)實現(xiàn)人工智能的目的。4、最后還有一個應(yīng)用領(lǐng)域，就是模型識別，我想它應(yīng)該在知識挖掘中應(yīng)用不小，因為現(xiàn)在工程中的獲得的數(shù)據(jù)越來越多，要想人為地從這些數(shù)據(jù)中確定*一規(guī)律都不容易，更不要說在這些數(shù)據(jù)中發(fā)現(xiàn)新規(guī)律了，因此有必要進(jìn)展數(shù)據(jù)挖掘，它的應(yīng)用對于決策支持系統(tǒng)將有著巨大的意義。人可以思考，人工智能也需要思考，這就是推理；人可以學(xué)習(xí)，人工智能也就需要學(xué)習(xí)；人可以擁有知識，則人工智能也就需要擁有知識。人

26、工智能是為了模擬人類大腦的活動的，人類已經(jīng)可以用許多新技術(shù)新材料代替人體的許多功能，只要模擬了人的大腦，人就可以完成人工生命的研究工作，人創(chuàng)造自己，這不但在科學(xué)上，而且在哲學(xué)上都具有劃時代的意義。學(xué)習(xí)是指系統(tǒng)適應(yīng)環(huán)境而產(chǎn)生的適應(yīng)性變化，它使得系統(tǒng)在完成類似任務(wù)時更加有效。80年代以來，ANN的學(xué)習(xí)機制再次得到人們的重視，基于連接機制的亞符號學(xué)習(xí)又一次成為的當(dāng)今學(xué)習(xí)機制研究的熱點，提出了競爭學(xué)習(xí)，進(jìn)化學(xué)習(xí)、加強學(xué)習(xí)等各種新的學(xué)習(xí)機制。機械式學(xué)習(xí)。它的另一個名稱死記式學(xué)習(xí)能夠直接表達(dá)它的特點，這是一種最簡單的，最原始的學(xué)習(xí)方法，也是機器的強項，人的弱項。指導(dǎo)式學(xué)習(xí)。這種學(xué)習(xí)方式是由外部環(huán)境向系統(tǒng)提

27、供一般性的指示或建議，系統(tǒng)把它們具體地轉(zhuǎn)化為細(xì)節(jié)知識并送入知識庫中，在學(xué)習(xí)過程中要對反復(fù)對知識進(jìn)展評價，使其不斷完善。歸納學(xué)習(xí)。我們看到，機器所善長的不是歸納，而是演繹，它適用于從特殊到一般，而不太適應(yīng)從一般到特殊，從特殊到一般的歸納是人類所特有的，是智慧的標(biāo)志。具體的歸納學(xué)習(xí)方法有許多，但它們的本質(zhì)就是讓計算機學(xué)會從一般中得出規(guī)律。類比學(xué)習(xí)。類比也就是通過對相似事物進(jìn)展比擬所進(jìn)展的一種學(xué)習(xí)。它的根底是類比推理，也就是把新事物和記憶中的老事物進(jìn)展比擬，如果發(fā)現(xiàn)它們之間有些屬性是一樣的，則可以假定地推斷出它們的另外一些屬性也是一樣的。基于解釋的學(xué)習(xí)。這是近年來興起的一種新的學(xué)習(xí)方法。它不是通過歸

28、納或類比進(jìn)展學(xué)習(xí)，而是通過運用相關(guān)的領(lǐng)域知識及一個訓(xùn)練實例來對*一目標(biāo)概念進(jìn)展學(xué)習(xí)，并最終生成這個目標(biāo)概念的一般描述，這個一般描述是一個可形式化表示的一般性知識。增強式學(xué)習(xí)Reinforcement Learning：是一種基于行為方法的半監(jiān)視學(xué)習(xí)。一般的學(xué)習(xí)方法分兩類，一類是上文提到的基于模型的，在這種方法，智能體需要環(huán)境確切的模型，具有較高的智能，但不適合于不確定的動態(tài)環(huán)境；另一種是基于行為的方法，在這種方法中，不需要環(huán)境確實切模型，采用分層構(gòu)造，高層行為可以調(diào)整和抑制低層的行為能力，但每層中都具有其自主確實定權(quán)，如3中的Holonic智能制造系統(tǒng)。增強式具有這些優(yōu)點，故常用于機器人足球賽

29、4、狩獵問題、甚至戰(zhàn)爭指揮中5，但是這些都只是理論上的研究，因為機器人足球賽的本身目的也是為了測試人工智能的可用性，且更不可能去讓戰(zhàn)爭去由電腦而不是人去指揮了。使用強化學(xué)習(xí)的Agent最早是出現(xiàn)與遺傳算法中，使用Ethogenetics行為遺傳的思想，突破了人們長期以來關(guān)于一個編碼串對應(yīng)于組合優(yōu)化問題所有策略變量的一個組合方式的傳統(tǒng)、靜態(tài)的認(rèn)識，而將一個編碼串看成*個智能主體(Agent)主動進(jìn)展的一系列決策行為的結(jié)果。人工智能學(xué)習(xí)可能會向以下幾個方面開展：模糊處理、并行化、神經(jīng)網(wǎng)絡(luò)和機器情感。目前，人工智能的推理功能已獲突破，學(xué)習(xí)及聯(lián)想功能正在研究之中，下一步就是模仿人類右腦的模糊處理功能和整個大腦的并行化處理功能。人工神經(jīng)網(wǎng)絡(luò)是未來人工智能應(yīng)用的新領(lǐng)域，未來智能計算機的構(gòu)成，可能就是作為主機的諾依曼機與作為智能外圍的人工神經(jīng)網(wǎng)絡(luò)的結(jié)合。研究說明：