摘要：人工智能，又简称AI，它是当今最火的一门科学，是研究使计算机来完能表现出人类智能的任务的学科。主要包括计算机实现智能的原理，制造类似于人脑的智能计算机，以及使计算机更巧妙些实现高层次的应用。人工智能科学，它起源于近代，在电气时代随着计算机科学的发展，以及生物学，脑科学等相关科学的发展，极大地推动了人工智能的发展。人工智能还涉及信息论、控制论、自动化、仿生学、生物学，数理逻辑、语言学、心理学等多门学科。导致其非常复杂，所以其研究领域也分成许多方面，从最开始的博弈论，专家系统，模式识别，神经网络，机器学习到现在大热的深度学习。其应用领域，也非常之多，比如机器翻译，语音交互，ORC，图像识别，智能驾驶等等。自从谷歌的阿尔法狗在围棋打败了人类棋手，人工智能也进入了一个新的发展阶段，如今各国，各大公司都在大力发展人工智能技术，争取在新时代把握先机，把握未来。人工智能即将在无人驾驶，机器翻译，语言交互等应用领域取得巨大成功。即使如此，人工智能现在还是处于弱人工智能阶段，人工智能还面临着许多问题和挑战。向强人工智能发展的道路上，仍然充满巨大的困难。
关键词：人工智能，机器学习，发展趋势，神经网络，图像识别、计算机视觉
目录
Abstract: Artificial intelligence, also referred to as AI, is the most popular science nowadays, and it is a discipline that studies the task of enabling computers to perform human intelligence. It mainly includes the principle of computer to realize intelligence, making intelligent computers similar to human brains, and making computers more skillfully realize high-level applications. Artificial intelligence science, which originated in modern times, has greatly promoted the development of artificial intelligence with the development of computer science, biology, brain science and other related sciences in the electrical era. AI also involves information theory, cybernetics, automation, bionics, biology, mathematical logic, linguistics, psychology and other disciplines. As a result, it is very complex, so its research field is also divided into many aspects, from the initial game theory, expert system, pattern recognition, neural network, machine learning to the hot in-depth learning. Its application fields are also very many, such as machine translation, voice interaction, ORC, image recognition, intelligent driving, etc. Since Google’s Alfa Dog defeated human chess players in Go, AI has entered a new stage of development. Now, all countries and major companies are vigorously developing AI technology to seize the opportunity and grasp the future in the new era. Artificial intelligence is about to achieve great success in unmanned driving, machine translation, language interaction and other applications. Even so, AI is still in the stage of weak AI, and AI still faces many problems and challenges. The road to strong artificial intelligence is still full of great difficulties.
Keywords: artificial intelligence, machine learning, development trend, neural network, application
第一章：关于人工智能
1.1人工智能的含义
人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。
关于什么是“智能”，就问题多多了。这涉及其他诸如意识、自我、心灵包括无意识的精神等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对
人的智能本身的研究。其他关于动物或其他人造系统的智能也普遍被认为是人工智能。
1.2人工智能简介
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考，也可能超过人的智能。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。
1.3人工智能的研究价值
例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。
通常，“机器学习”的数学基础是“统计学”“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。
1.4人工智能的发展阶段
1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。
从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经做出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。
当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。例如，1997年5月，IBM公司研制的深蓝（DEEP BLUE）计算机战胜了国际象棋大师卡斯帕洛夫（KASPAROV）。大家或许不会注意到，在一些地方计算机帮助人进行其他原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其他计算机软件都因为有了人工智能的进展而得以存在。
2019年3月4日，十三届全国人大二次会议举行新闻发布会，大会发言人张业遂表示，已将与人工智能密切相关的立法项目列入立法规划 [4] 。
《深度学习平台发展报告（2022)》认为，伴随技术、产业、政策等各方环境成熟，人工智能已经跨过技术理论积累和工具平台构建的发力储备期，开始步入以规模应用与价值释放为目标的产业赋能黄金十年。
1.5人工智能科学介绍
机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。
人工智能是一门边缘学科，属于自然科学和社会科学的交叉。
哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论
自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法
人工智能就其本质而言，是对人的思维的信息过程的模拟。
对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。
弱人工智能如今不断地迅猛发展，尤其是2008年经济危机后，美日欧希望借机器人等实现再工业化，工业机器人以比以往任何时候更快的速度发展，更加带动了弱人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。而强人工智能则暂时处于瓶颈，还需要科学家们和人类的努力。
第二章：人工智能的研究领域及其主要成果
2.1 博弈
博弈论，又称对策论，是使用严谨的数学模型研究冲突对抗条件下最优决策问题的理论。博弈思想在人工智能方面最早体现在计算机游戏方面，最早的计算机游戏（computer game）指的就是下棋， 为了设计可以和人类竞争甚至战胜人类的程序，人们便开始研究如何使得计算机可以学习人类的思维模式，具备与人类一样的博弈能力。博弈的过程包含着对问题的表示、分解、搜索和归纳这四个重要问题。计算机棋类博弈基本属于完全信息的动态博弈。也就是对弈双方不仅清楚当前的局面，了解对手以往的着数，而且了解对手接下来可能采取的着数。尽管双方可能采取的着法数以十计、百计，但毕竟还是有限的。计算机可以通过展开一棵根在上、叶在下的庞大的博弈树描述这一对弈过程。再利用自身在时间和空间上的强大能力，进行巧妙地搜索，从而找到可行解及近优解，亦即给出当前的着法。显然，计算机的搜索能力是计算机智力水平的重要体现。搜索算法是机器“思维”的核心。包括法生成，博弈树展开，各种剪枝搜索和各种启发式搜索。显而易见，搜索算法的设计和编写过程处处体现着人工智能的思想。机器博弈是既简单方便、经济实用，又丰富内涵、变化无穷的思维逻辑研究载体。个把小时就可以下一盘棋，就可以对电脑的“智能”进行测试，而且可以悔棋、重试、复盘，可以一步步地发现电脑与人脑功能的差距，从而不断提高电脑的智力水平。毫无疑问的是，机器博弈的研究可以显著推动人工智能的发展。
2.2 专家系统
专家系统是一种具有大量专门知识和经验的智能程序系统，它能运用领域专家多年积累的经验和专门知识，模拟领域专家的思维过程，解决该领域中需要专家才能解决的复杂问题。专家系统是目前人工智能中最活跃，最有成效的一个研究领域，它是一种基于知识的系统，它从人类专家那里获得知识，并用来解决只有专家才能解决困难问题辅助教学系统。人工智能专家系统常由知识库、是推理机等构成。推理机主要决定哪些规则满足事实或目标，并授予规则优先级，然后执行最高优先级规定来进行逻辑推理。知识获取机为用户建立的一个知识自动输入的确定方法。匹配模块是该人工智能专家系统的核心部分，匹配功能。
2.3 模式识别
广义地说，存在于时间和空间中可观察的事物，如果我们可以区别他们是否相同
或者是否相似，都可以称之为模式。但需要注意的是，模式并不是指向事物本身，而是我们从事物获得的信息。因此，模式往往表现为具有时间或空间分布的信息。人们为了掌握客观事物，按事物相似的程度组成类别。模式识别的作用和目的就在于面对某一具体事物时将其正确地归入某一类别。模式识别系统有两个过程组成，即设计和实现。设计是指用一定数量的样本（训练集或学习集）进行分类器的设计。实现是指用所涉及的分类器对待识别的样本进行分类决策。基于统计方法的模式识别系统主要由4个部分组成：数据获取，预处理，特征提取和选择，分类决策，如下图所示
概括地说，模式识别中的最基本的问题是解决模式的分类。较全面地看，是研究模式的描述、分析、分类、理解和综合。更高层次的模式识别应该还包括对模式的学习、判断、自适应、自寻优和自动发现规律等。所以，模式识别在某种意义上和人工智能中的“学习”“概念形成”相近。模式识别与及其智能的结合将开辟广阔的应用前景。
2.4 神经网络
2.4.1神经网络是一种计算模型，由大量的节点（或神经元）直接相互关联而构成；每个节点（除输入节点外）代表一种特定的输出函数（或者认为是运算），称为激励函数；每两个节点的连接都代表该信号在传输中所占的比重（即认为该节点的“记忆值”被传递下去的比重)，称为权重；网络的输出由于激励函数和权重的不同而不同，是对于某种函数的逼近或是对映射关系的近似描述。
2.4.2 众所周知，人类大脑的组织结构和运行机制有其绝妙的特点，从模仿人脑智能的角度出发，来探寻新的信息表示、储存和处理方式，设计全新的计算机处理结构模型，构建一种更接近人类智能的信息处理系统来解决实际工程和科学研究领域中难以解决的问题，一定能够极大推动科研进步，这些促成了人工神经网络（ANN）的出现。简单的说，ANN是模仿人脑工作方式而设计的一种机器，它可用电子或光电元件实现，还可以用软件在计算机上进行仿真模拟，甚至最新的研究成果显示人类已经使用DNA在试管中制造出了首个人造神经网络（这个相互作用的分子组成的电路能像人脑一样，基于不完整的模式进行回）；人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。
2.5 自然语言处理
即（Natural Language Processing，NLP）是AI的一个领域，旨在让计算机理解和使用人类语言，从而执行有用的任务。自然语言处理又划分为两个部分：自然语言理解（Natural Language Understanding，NLU）和自然语言生成（Natural Language Generation，NLG）。
NLP的这一部分旨在理解和分析人类语言，重点关注对文本数据的理解，通过对其进行处理来提取相关信息。NLU提供直接的人机交互，并执行和语言理解相关的任务。NLU涵盖了AI面对的最困难的挑战，即文本解读。NLU所面对的主要挑战是理解对话。NLP使用一组方法来生成、处理和理解语言，利用函数来理解文本的含义。
NLG是生成包含意义和结构的短语、句子和段落的过程，是NLP的一个不负责理解文本的领域。为了生成自然语言，NLG的方法需要利用相关数据。NLG由以下3个部分构成。
生成器：负责根据给定的意图，选择与上下文相关的文本。
表示的组件和层级：为生成的文本赋予结构。
应用：从对话中保存相关数据，从而遵循逻辑。
生成的文本必须使用一种人类可读的格式。NLG的优点是可以提高数据的可访问性，还可以用来快速生成报告摘要。
机器学习（Machine Learning）是一门涉及统计学、系统辨识、逼近理论、神经
网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。
2.7 主要研究成果
1996年2月10～17日， GARRY KASPAROV以4：2战胜“深蓝” （DEEP BLUE）。
1997年5月3～11日， GARRY KASPAROV以2.5：3.5输于改进后的“深蓝”。
2003年2月GARRY KASPAROV 3:3战平 “小深”（DEEP JUNIOR）。
2003年11月GARRY KASPAROV 2:2战平 “X3D德国人” （X3D-FRITZ）。
采用 $模式识别引擎，分支有2D识别引擎 ，3D识别引擎，驻波识别引擎以及多维识别引擎。
2D识别引擎已推出指纹识别，人像识别 ，文字识别，图像识别 ，车牌识别；驻波识别引擎已推出语音识别。
自动驾驶（OSO系统）
印钞工厂（￥流水线）
猎鹰系统（YOD绘图）
以知识本身为处理对象，研究如何运用人工智能和软件技术，设计、构造和维护知识系统
专家系统
计算机视觉和图像处理
机器翻译和自然语言理解
数据挖掘和知识发现
第三章：人工智能的应用
3.1 机器翻译
机器翻译是利用计算机把一种自然语言转变成另一种自然语言的过程，用以完成这一过程的软件系统叫做机器翻译系统。几十年来，国内外许多专家、学者为机器翻译的研究付出了大量的心血和汗水。虽然至今还没有一个实用、全面、高质量的自动翻译系统出现，不过也取得了很大的进展，特别是作为人们的辅助翻译工具，机器翻译已经得到大多数人的认可。目前，国内的机器翻译软件不下百种，根据这
些软件的翻译特点，大致可以分为三大类：词典翻译类、汉化翻译类和专业翻译类。词典类翻译软件代表是“金山词霸”了，堪称是多快好省的电子词典，它可以迅速查询英文单词或词组的词义，并提供单词的发音，为用户了解单词或词组含义提供了极大的便利。
3.2 语言交互
语音交互是一种高效的交互方式，是人以自然语音或机器合成语音同计算机进
行交互的综合性技术，结合了语言学、心理学、工程和计算机技术等领域的知识。
语音交互不仅要对语音识别和语音合成进行研究，还要对人在语音通道下的交互机理、行为方式等进行研究。语音交互过程包括四部分：语音采集、语音识别、语义理解和语音合成。语音采集完成音频的录入、采样及编码；语音识别完成语音信息到机器可识别的文本信息的转化；语义理解根据语音识别转换后的文本字符或命令完成相应的操作；语音合成完成文本信息到声音信息的转换。作为人类沟通和获取信息最自然便捷的手段，语音交互比其他交互方式具备更多优势，能为人机交互带来根本性变革，是大数据和认知计算时代未来发展的制高点，具有广阔的发展前景和应用前景。
3.3 计算机视觉
计算机视觉是一门用计算机实现或模拟人类视觉功能的新兴学科，其主要研究目标是使计算机具有通过二维图像认知三维环境信息的能力，这种能力不仅包括对三维环境中物体形状、位置、姿态、运动等几何信息的感知，而且还包括对这些信息的描述、存储、识别与理解。目前，计算机视觉已在人类社会的许多领域得到成功应用。
例如，在图像、图形识别方面有指纹识别、染色体识字符识别等；在航天与军事方面有卫星图像处理、飞行器跟踪、成像精确制导、景物识别、目标检测等；在医学方面有图像的脏器重建、医学图像分析等；在工业方面有各种监测系统和生产过程监控系统等。
3.4 生物特征识别
生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证
的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。
注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。
识别过程采用与注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取，然后将提取的特征与存储的特征进行比对分析，完成识别。从应用任务看，生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库中确定待识别人身份的过程，是一对多的问题；确认是指将待识别人信息与存储库中特定单人信息进行比对，确定身份的过程，是一对一的问题。
生物特征识别技术涉及的内容十分广泛，包括指纹、掌纹、人脸、虹膜、指静
脉、声纹、步态等多种生物特征，其识别过程涉及到图像处理、计算机视觉、语音识别、机器学习等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。
第四章：人工智能面临的困难
4.1 计算机博弈的困难
博弈是自然界的一种普遍现象，它表现在对自然界事物的对策或智力竞争上。博
弈不仅存在于下棋之中,而且存在于政治、经济、军事和生物的斗智和竞争之中。尽管西洋跳棋和国际象棋的计算机程序已经达到了相当高的水平,然而计算机博弈依然面临着巨大的困难。
这主要表现在以下两个方面的问题：其一是组合爆炸问题,状态空间法是人工智能中基本的形式化方法。若用博弈树来表示状态空间,对于几种常见的棋类,其状态空间都大得惊人,例如,西洋跳棋为10的40次方,国际象棋为10的120次方,围棋则是10的700次方。如此巨大的状态空间,现有计算机是很难忍受的。其二是现在的博弈程序往往是针对二人对弈、棋局公开、有确定走步的一类棋类进行研制的。而对于多人对弈、随机性的博弈这类问题,至少目前计算机还是难以模拟实现的。
4.2 机器翻译所面临的问题
在计算机诞生的初期,有人提出了用计算机实现自动翻译的设想。目前机器翻译
所面临的问题仍然是1964年语言学家黑列尔所说的构成句子的单词和歧义性问题。
歧义性问题一直是自然语言理解(NLU)中的一大难关。同样一个句子在不同的场合使用,其含义的差异是司空见惯的。因此,要消除歧义性就要对原文的每一个句子及其上下文进行分析理解,寻找导致歧义的词和词组在上下文中的准确意义。然而,计算机却往往孤立地将句子作为理解单位。另外,即使对原文有了一定的理解,理解的意义如何有效地在计算机里表示出来也存在问题。目前的NLU系统几乎不能随着时间的增长而增强理解力,系统的理解大都局限于表层上,没有深层的推敲,没有学习,没有记忆,更没有归纳。导致这种结果的原因是计算机本身结构和研究方法的问题。现在NLU的研究方法很不成熟,大多数研究局限在语言这一单独的领域,而没有对人们是如何理解语言这个问题做深入有效的探讨。
4.3自动定理证明和GPS的局限
自动定理证明的代表性工作是1965年鲁宾逊提出的归结原理。
归结原理虽然简单易行,但它所采用的方法是演绎,而这种形式上的演绎与人类自然演绎推理方法是截然不同的。基于归结原理演绎推理要求把逻辑公式转化为子句集合,从而丧失了其固有的逻辑蕴含语义。前面曾提到过的GPS是企图实现一种不依赖于领域知识求解人工智能问题的通用方法。GPS想摆脱对问题内部表达形式的依赖,但是问题的内部表达形式的合理性是与领域知识密切相关的。
不管是用一阶谓词逻辑进行定理证明的归结原理,还是求解人工智能问题的通用方法GPS,都可以从中分析出表达能力的局限性,而这种局限性使得它们缩小了其自身的应用范围。
第五章：人工智能的发展趋势
章前语：技术的发展总是超乎人们的想象，要准确地预测人工智能的未来是不可能的。但是，从目前的一些前瞻性研究可以看出，未来人工智能可能会向以下几个方面发展:语言，图像，社交等等。
5.1 自动推理
自动推理是人工智能最经典的研究分支,其基本理论是人工智能其它分支的共同
基础。一直以来自动推理都是人工智能研究的最热门内容之一,其中知识系统的动态演化特征及可行性推理的研究是最新的热点,很有可能取得大的突破。
5.2 语言运用
自然语言处理是AI技术应用于实际领域的典型范例,经过A I研究人员的艰苦努
力,这一领域已获得了大量令人瞩目的理论与应用成果。
许多产品已经进入了众多领域。智能信息检索技术在Internet技术的影响下,近年来迅猛发展,已经成为了AI的一个独立研究分支。
由于信息获取与精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题,将A I技术应用于这一领域的研究是人工智能走向应用的契机与突破口。从近年的人工智能发展来看,这方面的研究已取得了可喜的进展。
5.3 机器学习
机器学习的研究取得长足的发展。许多新的学习方法相继问世并获得了成功的应
用,如增强学习算法、reinforcement learning等。也应看到,现有的方法处理在线学习方面尚不够有效,寻求一种新的方法,以解决移动机器人、自主agent、智能信息存取等研究中的在线学习问题是研究人员共同关心的问题,相信不久会在这些方面取得突破。
5.4 技术交融
人工智能技术与生物技术、电子技术结合研究生物电子体。
生物电子体是生物细胞与电脑微芯片有效协作的共存体,可以实现部分或全部生物的智能,既研究把模拟生物体的电脑微芯片植入生物体,与生物体形成协作共存体,又研究从生物体中提取出细胞组织与模拟生物体的微芯片接合为协作共存体。麻省理工大学贝尔实验室和神经信息学研究所的科学家们已经成功实现了将模拟人类神经系统的电脑微芯片植入大脑,对人体神经进行了有效修复 。日本东京大学的
Shimoyama 教授领导的课题组研究蟑螂的控制技术,即把蟑螂头上的探须和翅膀切除,插入电极和微处理器以及红外传感器,通过遥控信号产生电刺激,使蟑螂向特定方向前进。美国纽约州立大学通过在老鼠体内植入微控制器,成功实现对老鼠的转弯、前进、爬树和跳跃等动作的人工制导，试想研究生物电子体,有效控制爬行动物的行为,使其为人类服务,可能比研究救援机器人花费的时间和资源更少一些。此外,研究生物脑的基本功能构建人工脑,进而实现人工智能是一个长期而复杂的课题,生物脑的许多功能对人类仍是一个十分深奥的谜。然而,通过智能技术与生物技术、电子技术相结合,研究实现生物细胞组织与电脑微芯片接合为协作共存体,以达到利用脑细胞功能构建生
物智能,即生物电子体,将是实现人工真智能研究历程中的一个重要阶段。
人工智能术与脑科学、信息处理技术结合研究大脑信息处理模型
大脑信息处理模型的研究即从信息处理切入,结合脑科学研究大脑对信息流的获
取、存储、联想(提取) 、回忆(反馈)等处理逻辑,以及脑神经细胞的工作原理,并为之建模。1999 年日本京都先进电讯研究所成功研究了机器猫,该机器猫的脑部主要采用了人工神经网络技术, 包含约3 770万个人造神经细胞,尽管数量比人脑的1 000 亿相比差之甚远,但其智能超过了昆虫。
2002 年“人工大脑之父”雨果在比利时研制了能让机器人拥有数百个行为能力的人工大脑。2008 年雨果在中国厦门大学研究中国的第一个人工大脑,用基因算法设计神经网络,即生产大脑,CBM 大脑制造机器可以在几秒钟内进化为一个神经网络,处理将近一亿个神经元,其计算能力相当于一万台个人电脑。雨果致力于研究制造像人一样思考的智能机器人。尽管已有研究成果证明了智能机器人已经不再是科幻,但是目前仍没有一个智力达到三岁儿童,视力可以与老鼠相比的机器人。
美国杰夫•霍金斯认为真正认识人类大脑是开发智能机器的必由之路。他认为所谓智能,就是人脑比较过去、预测未来的能力,大脑不是计算机,不会亦步亦趋、按部就班地根据输入产生输出,大脑是个庞大的记忆系统,真正了解智能的内涵和人类大脑,构建大脑的记忆-预测系统模型才能制造真正的智能因此,揭示大脑的奥秘,对大脑获取信息、存储信息、提取信息、反馈信息等一系列过程进行建模,将为人工大脑的研究提供新的机遇,也将是人工智能发展的一个新挑战。
人工智能与网络技术、软件技术结合研究网络智能软件,
智能主体是智能互联网中的生灵,它是一种智能的软件实体,能够在智能互联网中
自由遨游,为用户提供各种智能服务。所谓网络智能软件是面向智能主体的研究方法所设计、开发的软件。网络智能软件技术是网络技术、人工智能技术、软件工程技术的结合。
软件设计与开发经历了从面向对象到面向服务的转化,进入80 年代以来,尽管软
件工程研究与实践取得了可喜的成就,软件技术水平有了长足的进展,但是软件生产水平依然远远落后于硬件生产水平的发展速度。从20 世纪90 年代中后期开始,基于Agent 的研究逐渐影响到软件体系结构及智能系统的设计,并被认为是克服软件危机的重要突破口。它与现存的开发方法相比,存在一些优越性,特别是在软件系统中,Agent 是现实世界的高水平的抽象。Shoham深入研究了面向Agent 的编程方法,简称AOP ,他认为AOP是对OOP 方法的延伸和扩展。在AOP 方法中,允许每个Agent 拥有涉及环境和其他Agent 的知识和信念,允许这些模块具有能力和做出承诺等,一个计算由这些Agent 之间的相互告知、请求、谈判、帮助等组成。本世纪初,面向Agent开发的软件陆续出现,如基于Agent 的实时道路交通导航系统模型、面向Agent 的巡航导弹武器控制系统、多Agent 敏捷调度系统、CoABS 主体(Agent ) 网格系统、主体网格智能平台A Gr IPTA 等。
许多Agent 系统试图用Agent 来模拟人的理性行为,主要应用在对现实世界和社
会的模拟、机器人和智能机械等领域。而在现实世界中生存、工作的智能主体,要面对的是一个不断变化的环境。在这样的环境中,智能主体不仅要保持对紧急情况的及时反应,还要使用一定的策略对中短期的行为作出规划,进而通过对世界和其它智能主体的建模分析来预测未来的状态,以及通过通讯语言实现和其他智能主体的协作或协商。
家庭机器人可以和人成为朋友,陪人聊天,也可以帮助人们看家、清洁地板、照顾
孩子等做一些家庭琐事,把人们从繁琐家务劳动中解脱出来,成为人们生活的友好助手,人们不仅可以近距离地传达指令给家庭机器人,指挥其完成某些工作,还可以对其进行远程遥控。
现阶段家用机器人仍然受到技术的限制,目前普遍使用激光技术计算距离,使用雷
达技术保持平衡,使用红外线摄像技术探测热能识别人的存在。无论人、动物还是灯都是一处热源,机器人无法分辨。
家庭机器人俨然已成为21 世纪智能科学研究的重要领域之一,然而结合通讯技术、控制技术研究全智能的可远程操作的家庭机器人也必然成为智能科学发展的又一挑战。
参考文献
- 亨利·布莱顿，霍华德·塞林那.视读人工智能[M].安徽文艺出版社,2007
- 雷·库兹韦尔.人工智能的未来[M].浙江人民出版社,2016
- 玛格丽特·A·博登.人工智能哲学[M].上海译文出版社，2006
- 罗素，诺维格.人工智能：一种现代的方法（第三版）[M].清华大学出版社，2013
- 张新生.https://baike.baidu.com/item/人工智能/9180?fromModule=lemma_search-box,2022-12-10
- 人异步社区邮区
.https://blog.csdn.net/epubit17/article/details/118310361?ops_request_misc=&request_id=&biz_id=102&utm_term=自然语言&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3-118310361.142^v68^control,201^v4^add_ask,213^v2^t3_esquery_v3&spm=1018.2226.3001.4187,2021-06-28
- 星空网络
.https://blog.csdn.net/qq_36890572/article/details/82716696?ops_request_misc=&request_id=&biz_id=102&utm_term=神经网络是什么&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-82716696.142^v68^control,201^v4^add_ask,213^v2^t3_esquery_v3&spm=1018.2226.3001.4187,2018-09-15
完成时间：2022-12-19
文章出处登录后可见！
