人工智能技術(shù)

人工智能技術(shù)摘要自上世紀五十年代以來，經(jīng)過了幾個階段的不斷探索和發(fā)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。但是進入新世紀以來，隨著信息技術(shù)的快速進步，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。定義人工智能(ArtificialIntelligence)，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學。人工智能是計算機科學的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術(shù)之一（空間技術(shù)、能源技術(shù)、人工智能）。也被認為是二十一世紀（基因工程、納米科學、人工智能）三大尖端技術(shù)之一。這是因為近三十年來它獲得了迅速的發(fā)展，在很多學科領(lǐng)域都獲得了廣泛應(yīng)用，并取得了豐碩的成果，人工智能已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統(tǒng)。著名的美國斯坦福大學人工智能研究中心尼爾遜教授對人工智能下了這樣一個定義：“人工智能是關(guān)于知識的學科――怎樣表示知識以及怎樣獲得知識并使用知識的科學?！倍硪粋€美國麻省理工學院的溫斯頓教授認為：“人工智能就是研究如何使計算機去做過去只有人才能做的智能工作。”這些說法反映了人工智能學科的基本思想和基本內(nèi)容。即人工智能是研究人類智能活動的規(guī)律，構(gòu)造具有一定智能的人工系統(tǒng)，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應(yīng)用計算機的軟硬件來模擬人類某些智能行為的基本理論、方法和技術(shù)。AI的開端一般認為，人工智能的思想萌芽可以追溯到德國著名數(shù)學家和哲學家萊布尼茨(Leibnitz，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“思想內(nèi)容”，用符號之間的形式關(guān)系表達“思想內(nèi)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。計算機科學的創(chuàng)始人圖靈被認為是“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(比如：“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回答來判斷哪個房間里是人、哪個房間里是計算機。圖靈認為，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)于智能標準的一個明確定義。有趣的是，盡管后來有些計算機已經(jīng)通過了圖靈實驗，但人們并不承認這些計算機是有智能的。這反映出人們對智能標準的認識更深入、對人工智能的要求更高了。幾乎在圖靈上述工作的同時，馮·諾依曼從生物學角度研究了人工智能。從生物學的觀點看，智能是進化的結(jié)果，而進化的基本條件之一是“繁殖”。為此，馮·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)學模型。馮·諾依曼的分析表明，自再生自動機的內(nèi)容結(jié)構(gòu)對于“繁殖”是充分的和必要的。他進而推測，這種結(jié)構(gòu)必定存在于活的細胞之中。五年之后，克里克和沃森關(guān)于DNA結(jié)構(gòu)的重大發(fā)現(xiàn)完全證實了馮·諾依曼的猜測：自再生自動機的幾個功能模塊均有生物學上的對應(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。馮·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)提供了重要的基礎(chǔ)。圖靈和馮·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習的開始。1956年夏天舉行的達德茅斯研討會，被認為是人工智能作為一門獨立學科正式誕生的標志。這次研討會聚集了來自數(shù)學、信息科學、心理學、神經(jīng)生理學和計算機科學等不同領(lǐng)域的領(lǐng)導者，包括Minsky，Rochester，Simon，Solonio和Mccarthy等。其中，Miusky，Mccarthy，Newell和Simon后來被認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”(ArtificialIntelligence)一詞來概括這一新的研究方向。達德茅斯研討會開創(chuàng)了人工智能的第一個發(fā)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)學定理的計算機程序LogicTheorist(此前Martin和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，美籍邏輯學家王浩在自動定理證明中取得的重要進展。他的程序在IBM704計算機上用不到5分鐘的時間證明了《數(shù)學原理》中“命題演算”的全部220條定理。1959年，王浩的改進程序用8.4分鐘證明了上述220條定理及謂詞演算的絕大部分定理。1983年，美國數(shù)學學會將自動定理證明的第一個“里程碑獎”授予王浩，以表彰他的杰出貢獻(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。比如，Slagle的符號積分程序SAINT經(jīng)測試已達到了大學生的積分演算水準;而Mosis的SIN程序的效率比SAINT提高了約三倍，被認為達到了專家水平。自動定理證明的理論價值和應(yīng)用范圍并不局限于數(shù)學領(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，在自動定理證明的基礎(chǔ)上進一步研究通用問題求解，是一個值得探索的課題。從1957年開始，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LogicTheorist的基礎(chǔ)上發(fā)展起來的，雖然后來的實踐表明，GPS作為一個獨立的求解程序，其能力是有限的，但在GPS中發(fā)展起來的技術(shù)對人工智能的發(fā)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，遠遠不是Samuel的對手。但它有學習能力，能從棋譜中學習，也能在實踐中總結(jié)提高。經(jīng)過三年的“學習”，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“機器學習”這兩個人工智能重要領(lǐng)域的發(fā)展。與自動定理證明的研究意義不限于數(shù)學一樣，搜索的研究意義也不限于博弈。根據(jù)認知心理學的信息處理學派的觀點，人類思維過程的很大一部分可以抽象為從問題的初始狀態(tài)經(jīng)中間狀態(tài)到達終止狀態(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)，其中某些子任務(wù)只有在另一些子任務(wù)完成之后才能進行。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)?！耙?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)。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)，僅僅依靠自動推理的搜索等通用問題求解手段是遠遠不夠的。Newell和Simon等人的認知心理學研究表明，各個領(lǐng)域的專家之所以在其專業(yè)領(lǐng)域內(nèi)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)驗)。70年代中期，F(xiàn)eigenbaum提出知識工程概念，標志著人工智能進入第二個發(fā)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，研究內(nèi)容也劃分為三個方面：知識獲取，知識表示和知識利用。知識獲取研究怎樣有效地獲得專家知識；知識表示研究怎樣將專家知識表示成在計算機內(nèi)易于存儲、易于使用的形式；知識利用研究怎樣利用已得到恰當表示的專家知識去解決具體領(lǐng)域內(nèi)的問題。知識工程的主要技術(shù)手段是在早期成果的基礎(chǔ)上發(fā)展起來的，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，還發(fā)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。這使得負責收集專家知識的知識工程師很難有效地完成知識獲取任務(wù)。知識獲取----機器學習研究的深入發(fā)展。已經(jīng)得到較多研究的機器學習方法包括：歸納學習、類比學習、解釋學習、強化學習和進化學習等等。機器學習的研究目標是：讓機器從自己或“別人”的問題求解經(jīng)驗中獲取相關(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)提出了新的課題。這促使人工智能進入第三個發(fā)展時期。在這個新的發(fā)展時期中，人工智能面臨一系列新的應(yīng)用需求。代生產(chǎn)是一種社會化大生產(chǎn)，來自不同專業(yè)的工作者在不同或相同的時間、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行，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)以及基礎(chǔ)理論提出了巨大的挑戰(zhàn)。其次，網(wǎng)絡(luò)化推進了信息化，使原本分散孤立的數(shù)據(jù)庫形成一個互連的整體，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，這種幫助是遠遠不夠的，以至于“信息過載”與“信息迷失”狀況日益嚴重。更強大的智能型信息服務(wù)工具已成為廣大用戶的迫切需要。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（比如某廠家生產(chǎn)出了某一新產(chǎn)品的信息），還遠在于一大類信息中隱藏著的普遍性知識（比如某個行業(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)的發(fā)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。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，因而包括相同的理論和技術(shù)問題。由此可見，人工智能第三發(fā)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的體系結(jié)構(gòu)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，還深入到人們的學習和娛樂等各個方面。例如，Agent與虛擬現(xiàn)實相結(jié)合而產(chǎn)生的虛擬訓練系統(tǒng)，可以使學生在不實際操縱飛機的情況下學飛行的基本技能；類似地，也可使顧客“享受”實戰(zhàn)的“滋味”。我國也先后成立中國人工智能學會、中國計算機學會人工智能和模式識別專業(yè)委員會和中國自動化學會模式識別與機器智能專業(yè)委員會等學術(shù)團體，開展這方面的學術(shù)交流。此外國家還著手興建了若干個與人工智能研究有關(guān)的國家重點實驗室，這些都將促進我國人工智能的研究，為這一學科的發(fā)展作出貢獻。綜觀人工智能學習的發(fā)展歷程，可以看出它始終遵循的基本思路。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服務(wù)。其次是強調(diào)多學科的交叉結(jié)合，數(shù)學、信息科學、生物學、心理學、生理學、生態(tài)學以及非線性科學等等越來越多的新生學科被融入到人工智能學習的研究之中。實際應(yīng)用機器視覺:指紋識別，人臉識別，視網(wǎng)膜識別，虹膜識別，掌紋識別，專家系統(tǒng),智能搜索，定理證明，博弈，自動程序設(shè)計，還有航天應(yīng)用等。學科范疇人工智能是一門邊沿學科，屬于自然科學和社會科學的交叉。涉及學科哲學和認知科學，數(shù)學，神經(jīng)生理學，心理學，計算機科學，信息論，控制論，不定性論，仿生學，研究范疇自然語言處理，知識表現(xiàn)，智能搜索，推理，規(guī)劃，機器學習，知識獲取，組合調(diào)度問題，感知問題，模式識別，邏輯程序設(shè)計，軟計算，不精確和不確定的管理，人工生命，神經(jīng)網(wǎng)絡(luò)，復(fù)雜系統(tǒng)，遺傳算法人類思維方式應(yīng)用領(lǐng)域智能控制，機器人學，語言和圖像理解，遺傳編程機器人工廠安全問題目前人工智能還在研究中，但有學者認為讓計算機擁有智商是很危險的，它可能會反抗人類。這種隱患也在多部電影中發(fā)生過。發(fā)展歷程人工智能的發(fā)展也并不是一帆風順的，人工智能的研究經(jīng)歷了以下幾個階段:孕育階段:古希臘的Aristotle（亞里士多德）（前384-322），給出了形式邏輯的基本規(guī)律。英國的哲學家、自然科學家Bacon（培根）（1561-1626），系統(tǒng)地給出了歸納法?！爸R就是力量”德國數(shù)學家、哲學家Leibnitz（布萊尼茲）（1646-1716）。提出了關(guān)于數(shù)理邏輯的思想，把形式邏輯符號化，從而能對人的思維進行運算和推理。做出了能做四則運算的手搖計算機英國數(shù)學家、邏輯學家Boole（布爾）（1815-1864）實現(xiàn)了布萊尼茨的思維符號化和數(shù)學化的思想,提出了一種嶄新的代數(shù)系統(tǒng)——布爾代數(shù)。第一階段:50年代人工智能的興起和冷落人工智能概念首次提出后，相繼出現(xiàn)了一批顯著的成果，如機器定理證明、跳棋程序、通用問題s求解程序LISP表處理語言等。但由于消解法推理能力的有限，以及機器翻譯等的失敗，使人工智能走入了低谷。這一階段的特點是：重視問題求解的方法，忽視知識重要性。第二階段:60年代末到70年代，專家系統(tǒng)出現(xiàn)，使人工智能研究出現(xiàn)新高潮DENDRAL化學質(zhì)譜分析系統(tǒng)、MYCIN疾病診斷和治療系統(tǒng)、PROSPECTIOR探礦系統(tǒng)、Hearsay-II語音理解系統(tǒng)等專家系統(tǒng)的研究和開發(fā)，將人工智能引向了實用化。并且，1969年成立了國際人工智能聯(lián)合會議（InternationalJointConferencesonArtificialIntelligence即IJCAI）。第三階段:80年代，隨著第五代計算機的研制，人工智能得到了很大發(fā)展日本1982年開始了“第五代計算機研制計劃”，即“知識信息處理計算機系統(tǒng)KIPS”，其目的是使邏輯推理達到數(shù)值運算那么快。雖然此計劃最終失敗，但它的開展形成了一股研究人工智能的熱潮。第四階段:80年代末，神經(jīng)網(wǎng)絡(luò)飛速發(fā)展1987年，美國召開第一次神經(jīng)網(wǎng)絡(luò)國際會議，宣告了這一新學科的誕生。此后，各國在神經(jīng)網(wǎng)絡(luò)方面的投資逐漸增加，神經(jīng)網(wǎng)絡(luò)迅速發(fā)展起來。第五階段:90年代，人工智能出現(xiàn)新的研究高潮由于網(wǎng)絡(luò)技術(shù)特別是國際互連網(wǎng)技術(shù)的發(fā)展，人工智能開始由單個智能主體研究轉(zhuǎn)向基于網(wǎng)絡(luò)環(huán)境下的分布式人工智能研究。不僅研究基于同一目標的分布式問題求解，而且研究多個智能主體的多目標問題求解，將人工智能更面向?qū)嵱谩Ａ硗?，由于Hopfield多層神經(jīng)網(wǎng)絡(luò)模型的提出，使人工神經(jīng)網(wǎng)絡(luò)研究與應(yīng)用出現(xiàn)了欣欣向榮的景象。人工智能已深入到社會生活的各個領(lǐng)域。三大學派20世紀80年代到本世紀初人工智能研究形成了三大學派：隨著人工神經(jīng)網(wǎng)絡(luò)的再度興起和布魯克（R.A.Brooks）的機器蟲的出現(xiàn)，人工智能研究形成了符號主義、連接主義和行為主義三大學派。符號主義學派是指基于符號運算的人工智能學派，他們認為知識可以用符號來表示，認知可以通過符號運算來實現(xiàn)。例如，專家系統(tǒng)等。連接主義學派是指神經(jīng)網(wǎng)絡(luò)學派，在神經(jīng)網(wǎng)絡(luò)方面，繼魯梅爾哈特研制出BP網(wǎng)絡(luò)之后，1987年，首屆國際人工神經(jīng)網(wǎng)絡(luò)學術(shù)大會在美國的圣迭戈（San-Diego）舉行，掀起了人工神經(jīng)網(wǎng)絡(luò)的第二次高潮。之后，隨著模糊邏輯和進化計算的逐步成熟，又形成了“計算智能”這個統(tǒng)一的學科范疇。行為主義學派是指進化主義學派，在行為模擬方面，麻省理工學院的布魯克教授1991年研制成功了能在未知的動態(tài)環(huán)境中漫游的有6條腿的機器蟲。三大學派的綜合集成隨著研究和應(yīng)用的深入，人們又逐步認識到，三個學派各有所長，各有所短，應(yīng)相互結(jié)合、取長補短，綜合集成。人工智能的基本方法人工智能的基本方法有以下幾種：1、啟發(fā)式搜索：人們解決問題的基本方法是方案--試驗法，對各種可能的方案進行試驗，直至找到正確的方案。搜索策略有盲目搜索、啟發(fā)式搜索之分。盲目搜索是對可能方案進行順序的試驗；啟發(fā)式搜索是依照經(jīng)驗或某種啟發(fā)式信息，摒棄希望不大的搜索方向。啟發(fā)式搜索大大加快搜索過程，使得人們處理問題效率得到提高。2、規(guī)劃：人們待解決的問題一般可以分解轉(zhuǎn)化為若干小問題，對于每個小問題還可以進行分解。由于解決小問題的搜索大為減少，使得原問題的復(fù)雜度降低，問題的解決得到簡化。規(guī)劃要依靠啟發(fā)式信息，成功與否，很大程度上決定于啟發(fā)信息的可靠程度。

3、知識的表達技術(shù)：知識在計算機內(nèi)的表達方式是用計算機模擬人類智能必須解決的重要問題。問題解決的關(guān)鍵是如何把各類知識進行編碼、存儲；如何快速尋找需要的知識；如何對知識進行運算、推理；如何對知識進行更新、修改。人工智能的研究領(lǐng)域隨著AI技術(shù)的發(fā)展，現(xiàn)代幾乎各種技術(shù)的發(fā)展都涉及到了人工智能技術(shù)，可以說人工智能已經(jīng)廣泛應(yīng)用到許多領(lǐng)域，其典型的研究包括：1符號計算計算機最主要的用途之一就是科學計算,科學計算可分為兩類:一類是純數(shù)值的計算,例如求函數(shù)的值;另一類是符號計算,又稱代數(shù)運算,這是一種智能化的計算,處理的是符號。符號可以代表整數(shù)、有理數(shù)、實數(shù)和復(fù)數(shù),也可以代表多項式、函數(shù)、集合等。隨著計算機的普及和人工智能的發(fā)展,相繼出現(xiàn)了多種功能齊全的計算機代數(shù)系統(tǒng)軟件,其中Mathematic和Maple是它們的代表。由于它們都是用C語言寫成的,所以可以在絕大多數(shù)計算機上使用。2模式識別模式識別就是通過計算機用數(shù)學技術(shù)方法來研究模式的自動處理和判讀。這里,我們把環(huán)境與客體統(tǒng)稱為“模式”。用計算機實現(xiàn)模式（文字、聲音、人物、物體等）的自動識別，是開發(fā)智能機器的一個關(guān)鍵的突破口，也為人類認識自身智能提供線索。計算機識別的顯著特點是速度快、準確性和效率高。識別過程與人類的學習過程相似，以“語音識別”為例：語音識別就是讓計算機能聽懂人說的話，一個重要的例子就是七國語言（英、日、意、韓、法、德、中）口語自動翻譯系統(tǒng)。該系統(tǒng)實現(xiàn)后，人們出國預(yù)定旅館、購買機票、在餐館對話和兌換外幣時，只要利用電話網(wǎng)絡(luò)和國際互聯(lián)網(wǎng)，就可用手機、電話等與“老外”通話。3機器翻譯機器翻譯是利用計算機把一種自然語言轉(zhuǎn)變成另一種自然語言的過程，用以完成這一過程的軟件系統(tǒng)叫做機器翻譯系統(tǒng)。目前，國內(nèi)的機器翻譯軟件不下百種，根據(jù)這些軟件的翻譯特點，大致可以分為三大類：詞典翻譯類、漢化翻譯類和專業(yè)翻譯類。詞典類翻譯軟件的代表是“金山詞霸”，堪稱是多快好省的電子詞典，它可以迅速查詢英文單詞或詞組的詞義并提供單詞的發(fā)音，為用戶了解單詞或詞組含義提供了極大的便利。漢化翻譯軟件的典型代表是“東方快車2000”，它首先提出了“智能漢化”的概念，使翻譯軟件的輔助翻譯作用更加明顯。4機器學習機器學習是機器具有智能的重要標志，同時也是機器獲取知識的根本途徑。有人認為，一個計算機系統(tǒng)如果不具備學習功能，就不能稱其為智能系統(tǒng)。機器學習主要研究如何使計算機能夠模擬或?qū)崿F(xiàn)人類的學習功能。機器學習是一個難度較大的研究領(lǐng)域，它與認知科學、神經(jīng)心理學、邏輯學等學科都有著密切的聯(lián)系，并對人工智能的其他分支，如專家系統(tǒng)、自然語言理解、自動推理、智能機器人、計算機視覺、計算機聽覺等方面，也會起到重要的推動作用。5問題求解人工智能的第一大成就是下棋程序,在下棋程序中應(yīng)用的某些技術(shù),今天的計算機程序已能夠達到下各種方盤棋和國際象棋的錦標賽水平。但是,尚未解決包括人類棋手具有但尚不能明確表達的能力，如國際象棋大師們洞察棋局的能力。另一個問題是涉及問題的原概念,在人工智能中叫問題表示的選擇,人們常能找到某種思考問題的方法,從而使求解變易而解決該問題。到目前為止,人工智能程序已能知道如何考慮它們要解決的問題,即搜索解答空間,尋找較優(yōu)解答。6邏輯推理與定理證明邏輯推理是人工智能研究中最持久的領(lǐng)域之一,其中特別重要的是要找到一些方法,只把注意力集中在一個大型的數(shù)據(jù)庫中的有關(guān)事實上,留意可信的證明,并在出現(xiàn)新信息時適時修正這些證明。醫(yī)療診斷和信息檢索都可以和定理證明問題一樣加以形式化。因此,在人工智能方法的研究中，定理證明是一個極其重要的論題。7自然語言處理自然語言的處理是人工智能技術(shù)應(yīng)用于實際領(lǐng)域的典型范例,經(jīng)過多年艱苦努力,這一領(lǐng)域已獲得了大量令人矚目的成果。目前該領(lǐng)域的主要課題是:計算機系統(tǒng)如何以主題和對話情境為基礎(chǔ),注重大量的常識———世界知識和期望作用,生成和理解自然語言。這是一個極其復(fù)雜的編碼和解碼問題。8分布式人工智能分布式人工智能在20世紀70年代后期出現(xiàn)，是人工智能研究的一個重要分支。分布式人工智能系統(tǒng)一般由多個Agent（智能體）組成，每一個Agent又是一個半自治系統(tǒng)，Agent之間以及Agent與環(huán)境之間進行并發(fā)活動，并通過交互來完成問題求解。9計算機視覺計算機視覺是一門用計算機實現(xiàn)或模擬人類視覺功能的新興學科，其主要研究目標是使計算機具有通過二維圖像認知三維環(huán)境信息的能力，這種能力不僅包括對三維環(huán)境中物體形狀、位置、姿態(tài)、運動等幾何信息的感知，而且還包括對這些信息的描述、存儲、識別與理解。目前，計算機視覺已在人類社會的許多領(lǐng)域得到成功應(yīng)用。例如，在圖像、圖形識別方面有指紋識別、染色體識字符識別等；在航天與軍事方面有衛(wèi)星圖像處理、飛行器跟蹤、成像精確制導、景物識別、目標檢測等；在醫(yī)學方面有圖像的臟器重建、醫(yī)學圖像分析等；在工業(yè)方面有各種監(jiān)測系統(tǒng)和生產(chǎn)過程監(jiān)控系統(tǒng)等。10智能信息檢索技術(shù)信息獲取和精化技術(shù)已成為當代計算機科學與技術(shù)研究中迫切需要研究的課題,將人工智能技術(shù)應(yīng)用于這一領(lǐng)域的研究是人工智能走向廣泛實際應(yīng)用的契機與突破口。11專家系統(tǒng)專家系統(tǒng)是目前人工智能中最活躍、最有成效的一個研究領(lǐng)域,它是一種具有特定領(lǐng)域內(nèi)大量知識與經(jīng)驗的程序系統(tǒng)。近年來,在“專家系統(tǒng)”或“知識工程”的研究中已出現(xiàn)了成功和有效應(yīng)用人工智能技術(shù)的趨勢。人類專家由于具有豐富的知識,所以才能達到優(yōu)異地解決問題的能力。那么計算機程序如果能體現(xiàn)和應(yīng)用這些知識,也應(yīng)該能解決人類專家所解決的問題,而且能幫助人類專家發(fā)現(xiàn)推理過程中出現(xiàn)的差錯,現(xiàn)在這一點已被證實。如在礦物勘測、化學分析、規(guī)劃和醫(yī)學診斷方面,專家系統(tǒng)已經(jīng)達到了人類專家的水平。人工智能的應(yīng)用領(lǐng)域人工智能的應(yīng)用領(lǐng)域

1.在管理系統(tǒng)中的應(yīng)用

(1)人工智能應(yīng)用于企業(yè)管理的意義主要不在于提高效率,而是用計算機實現(xiàn)人們非常需要做,但工業(yè)工程信息技術(shù)是靠人工卻做不了或是很難做到的事情。在《談?wù)勅斯ぶ悄茉谄髽I(yè)管理中的應(yīng)用》一文中劉玉然指出把人工智能應(yīng)用于企業(yè)管理中,以數(shù)據(jù)管理和處理為中心,圍繞企業(yè)的核心業(yè)務(wù)和主導流程建立若干個主題數(shù)據(jù)庫,而所有的應(yīng)用系統(tǒng)應(yīng)該圍繞主題數(shù)據(jù)庫來建立和運行。換句話說,就是將企業(yè)各部門的數(shù)據(jù)進行統(tǒng)一集成管理,搭建人工智能的應(yīng)用平臺,使之成為企業(yè)管理與決策中的關(guān)鍵因子。2.在工程領(lǐng)域的應(yīng)用

(1)醫(yī)學專家系統(tǒng)是人工智能和專家系統(tǒng)理論和技術(shù)在醫(yī)學領(lǐng)域的重要應(yīng)用,具有極大的科研和應(yīng)用價值,它可以幫助醫(yī)生解決復(fù)雜的醫(yī)學問題,作為醫(yī)生診斷、治療的輔助工具。事實上,早在1982年,美國匹茲堡大學的Miller就發(fā)表了著名的作為內(nèi)科醫(yī)生咨詢的Internist2Ⅰ內(nèi)科計算機輔助診斷系統(tǒng)的研究成果,由此,掀起了醫(yī)學智能系統(tǒng)開發(fā)與應(yīng)用的高潮。目前,醫(yī)學智能系統(tǒng)已通過其在醫(yī)學影像方面的重要作用,從而應(yīng)用于內(nèi)科、骨科等多個醫(yī)學領(lǐng)域中,并在不斷發(fā)展完善中。

(2)地質(zhì)勘探、石油化工等領(lǐng)域是人工智能的主要作用發(fā)揮領(lǐng)地。1978年美國斯坦福國際研究所就研發(fā)制成礦藏勘探和評價專家系統(tǒng)“PROSPECTOR”,該系統(tǒng)于勘探評價、區(qū)域資源估值和鉆井井位選擇等,是工業(yè)領(lǐng)域的首個人工智能專系統(tǒng),其發(fā)現(xiàn)了一個鉬礦沉積,價值超過1億美元。3.在技術(shù)研究中的應(yīng)用(1)在超聲無損檢測(NDT)與無損評價(NDE)領(lǐng)域中,目前主要廣泛采用專家系統(tǒng)方法對超聲損傷(UT)中缺陷的性質(zhì)、形狀和大小進行判斷和歸類;專家運用超聲無損檢測儀器,以其高精度的運算、控制和邏輯判斷力代替大量人的體力與腦力勞動,減少了任務(wù)因素造成的無擦,提高了檢測的可靠性,實現(xiàn)了超聲檢測和評價的自動化、智能化。(2)人工智能在電子技術(shù)領(lǐng)域的應(yīng)用可謂由來已久。隨著網(wǎng)絡(luò)的迅速發(fā)展,網(wǎng)絡(luò)技術(shù)的安全是我們關(guān)心的重點,因此我們必須在傳統(tǒng)技術(shù)的基礎(chǔ)上進行網(wǎng)絡(luò)安全技術(shù)的改進和變更,大力發(fā)展數(shù)據(jù)挖掘技術(shù)、人工免疫技術(shù)等高效的AI技術(shù),開發(fā)更高級AI通用和專用語言,和應(yīng)用環(huán)境以及開發(fā)專用機器,而與人工智能技術(shù)則為我們提供了可能性。人工智能與機電一體化系統(tǒng)的統(tǒng)一 近幾十年來，人工智能得到了長足的發(fā)展，譬如，IBM公司制造的深藍計算機運用人工智能于1997年5月，戰(zhàn)勝了國際象棋冠軍卡斯帕洛夫。人工智能用于機電一體化是機電一體化發(fā)展的方向之一。這種智能主要通過控制技術(shù)加以設(shè)計和實現(xiàn)，即由機電一體化系統(tǒng)中的控制系統(tǒng)來具體實現(xiàn)。專家系統(tǒng)、模糊邏輯、神經(jīng)網(wǎng)絡(luò)控制、學習控制和分層遞階是目前人工智能研究主要的幾個領(lǐng)域，它們各自發(fā)展，又相互滲透，走向結(jié)合。其中，前三個領(lǐng)域是目前機電一體系統(tǒng)實現(xiàn)智能化的較成熟的領(lǐng)域。一，自從第一個專家系統(tǒng)于1968年問世以來，經(jīng)過30多年的發(fā)展，專家系統(tǒng)已經(jīng)成為人工智能應(yīng)用最活躍的領(lǐng)域。已經(jīng)從最初的應(yīng)用于醫(yī)療、科技等領(lǐng)域，向財政、金融、保險、商業(yè)和法律方向擴展，下面就與機電一體化有關(guān)的應(yīng)用予以探討。1、在裝配制造業(yè)的應(yīng)用：產(chǎn)品的生產(chǎn)，總是用零件來構(gòu)造的，將不同的零件一起裝配成一種新產(chǎn)品，叫做配里任務(wù)。專家系統(tǒng)應(yīng)用于裝配制造方面可以取得可觀的經(jīng)濟效益。比如，DEC公司的專家系統(tǒng)XCON，是應(yīng)用于計算機配置的第一個專家系統(tǒng)，現(xiàn)在每年為DEC公司盈利1、5億美元2、在設(shè)備故障診斷中的應(yīng)用：專家系統(tǒng)用于設(shè)備故障診斷，特別是針對大型的結(jié)構(gòu)、復(fù)雜的故障診斷，可以盡快找到故障，大大縮短檢修時間，有很多成功的例子，比如美國西屋電氣公司研制的GEN一AID專家系統(tǒng)，已經(jīng)成功地應(yīng)用于診斷汽輪發(fā)動機的故障。IBM公司也曾經(jīng)為其IBMATPC機配備了一個專家系統(tǒng)，用來精確定位系統(tǒng)故障。3、在控制方面的應(yīng)用：專家系統(tǒng)可以在機電一體化設(shè)備控制方面發(fā)揮作用，在伺服控制、數(shù)控機床、加工中心以及其它控制領(lǐng)域，已取得了進展。在這方面成功的例子如AT&T公司為控制機械手，研制出在單個芯片上實現(xiàn)的專家系統(tǒng)。最早的芯片包括16條規(guī)則的ROM，控制器以及處理數(shù)據(jù)與規(guī)則的推理機。采用2。5um線寬的CMOS工作，最初只使用了芯片面積的四分之一，改用1。5um線寬后可容納256條規(guī)則，建立規(guī)則時采用模糊邏輯，執(zhí)行速度可達到80000LISP，比常規(guī)專家系統(tǒng)快1000倍。盡管大型專家系統(tǒng)的造價是很昂貴的，但其經(jīng)濟效益大，通常一年之內(nèi)可收回成本。因此，專家系統(tǒng)在機電一體化中的應(yīng)用前景十分廣闊。二，屬于模糊概念的全體對象稱為模糊集合。例如，說“XX是青年人。”這個青年就是模糊集合?；谀：匣A(chǔ)之上的邏輯與控制稱為模糊邏輯與控制。它可用較少的代價傳遞足夠的信息，并能對復(fù)雜事物做出高效率的判斷和處理。模糊控制對某些參數(shù)變化不敏感。由于模糊控制器的決定往往要根據(jù)十幾條甚至數(shù)十條規(guī)則才能做出，如果由于傳感器或元器件出故障而導致某些規(guī)則失誤，其它規(guī)則可起補償作用，從而使輸出保持連續(xù)平滑。所以，模糊控制較適用于一些要求魯棒性能好的機電一體化系統(tǒng)中。三，人工神經(jīng)網(wǎng)絡(luò)能模擬人類大量腦細胞的高度連接，當有輸人信號將神經(jīng)元激活時，經(jīng)過神經(jīng)回路產(chǎn)生輸出。神經(jīng)網(wǎng)絡(luò)具有學習能力和聯(lián)想記憶，它經(jīng)過學習能在輸人信號后產(chǎn)生預(yù)期的輸出。如果某一信息回路沒學習過，它也能得出合理的輸出。人工神經(jīng)網(wǎng)絡(luò)在機電一體化系統(tǒng)應(yīng)用中有明顯進展，與專家系統(tǒng)、模糊邏輯結(jié)合起來是重點的發(fā)展方向。用于機電一體化系統(tǒng)中的現(xiàn)場總線LONWORKS，其核心技術(shù)就是采用神經(jīng)元芯片。這種芯片內(nèi)部裝有3個微處理器:MAC處理器完成介質(zhì)訪問控制;網(wǎng)絡(luò)處理器完成ISO/OSI參考模型的3一6層網(wǎng)絡(luò)協(xié)議;應(yīng)用處理器完成用戶現(xiàn)場控制應(yīng)用。它們之間通過公用存儲器傳遞數(shù)據(jù)。該神經(jīng)元芯片還具有多種I/O和時間計算器等。一個小小的神經(jīng)元芯片，不僅具有強大的通信功能，還集控制和數(shù)據(jù)于一體。在某些情況下，此芯片再配以其它一些器件，就可承擔集散控制系統(tǒng)中一個獨立控制單元的任務(wù)?？傊?，專家系統(tǒng)、模糊邏輯與人工神經(jīng)網(wǎng)絡(luò)三者，不僅各自發(fā)揮其獨特的作用還日益走上綜合集成形成全新的技術(shù)，進一步提高機電一體化系統(tǒng)的智能化水平，并不斷擴展其應(yīng)用水平。目前人工智能發(fā)展中所面臨的難題人工智能(AI)學科自1956年誕生至今已走過50多個年頭,就研究解釋和模擬人類智能、智能行為及其規(guī)律這一總目標來說,已經(jīng)邁出了可喜的一步,某些領(lǐng)域已取得了相當?shù)倪M展。但從整個發(fā)展的過程來看,人工智能發(fā)展曲折,而且還面臨不少難題，主要有以下幾個方面：1計算機博弈的困難博弈是自然界的一種普遍現(xiàn)象，它表現(xiàn)在對自然界事物的對策或智力競爭上。博弈不僅存在于下棋之中,而且存在于政治、經(jīng)濟、軍事和生物的斗智和競爭之中。盡管西洋跳棋和國際象棋的計算機程序已經(jīng)達到了相當高的水平,然而計算機博弈依然面臨著巨大的困難。這主要表現(xiàn)在以下兩個方面的問題：其一是組合爆炸問題,狀態(tài)空間法是人工智能中基本的形式化方法。若用博弈樹來表示狀態(tài)空間,對于幾種常見的棋類,其狀態(tài)空間都大得驚人,例如,西洋跳棋為10的40次方,國際象棋為10的120次方,圍棋則是10的700次方。如此巨大的狀態(tài)空間,現(xiàn)有計算機是很難忍受的。其二是現(xiàn)在的博弈程序往往是針對二人對弈、棋局公開、有確定走步的一類棋類進行研制的。而對于多人對弈、隨機性的博弈這類問題,至少目前計算機還是難以模擬實現(xiàn)的。2機器翻譯所面臨的問題在計算機誕生的初期,有人提出了用計算機實現(xiàn)自動翻譯的設(shè)想。目前機器翻譯所面臨的問題仍然是1964年語言學家黑列爾所說的構(gòu)成句子的單詞和歧義性問題。歧義性問題一直是自然語言理解(NLU)中的一大難關(guān)。同樣一個句子在不同的場合使用,其含義的差異是司空見慣的。因此,要消除歧義性就要對原文的每一個句子及其上下文進行分析理解,尋找導致歧義的詞和詞組在上下文中的準確意義。然而,計算機卻往往孤立地將句子作為理解單位。另外,即使對原文有了一定的理解,理解的意義如何有效地在計算機里表示出來也存在問題。目前的NLU系統(tǒng)幾乎不能隨著時間的增長而增強理解力,系統(tǒng)的理解大都局限于表層上,沒有深層的推敲,沒有學習,沒有記憶,更沒有歸納。導致這種結(jié)果的原因是計算機本身結(jié)構(gòu)和研究方法的問題?，F(xiàn)在NLU的研究方法很不成熟,大多數(shù)研究局限在語言這一單獨的領(lǐng)域,而沒有對人們是如何理解語言這個問題做深入有效的探討。3自動定理證明和GPS的局限自動定理證明的代表性工作是1965年魯賓遜提出的歸結(jié)原理。歸結(jié)原理雖然簡單易行,但它所采用的方法是演繹,而這種形式上的演繹與人類自然演繹推理方法是截然不同的。基于歸結(jié)原理演繹推理要求把邏輯公式轉(zhuǎn)化為子句集合,從而喪失了其固有的邏輯蘊含語義。GPS是企圖實現(xiàn)一種不依賴于領(lǐng)域知識求解人工智能問題的通用方法。GPS想擺脫對問題內(nèi)部表達形式的依賴,但是問題的內(nèi)部表達形式的合理性是與領(lǐng)域知識密切相關(guān)的。不管是用一階謂詞邏輯進行定理證明的歸結(jié)原理,還是求解人工智能問題的通用方法GPS,都可以從中分析出表達能力的局限性,而這種局限性使得它們縮小了其自身的應(yīng)用范圍。4模式識別的困惑雖然使用計算機進行模式識別的研究與開發(fā)已取得大量成果,有的已成為產(chǎn)品投入實際應(yīng)用,但是它的理論和方法與人的感官識別機制是全然不同的。人的識別手段、形象思維能力,是任何最先進的計算機識別系統(tǒng)望塵莫及的,另一方