人工智能的认识以及人工智能的发展
  摘要:
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作出反应的智能机器,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专家系统等。
人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括:知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉智能机器人、自动程序设计等方面。
英文摘要:
AI (Artificial Intelligence), the English abbreviation for AI. It is a research and development for simulation, extension and expansion of human intelligence theories, methods, techniques and applications of a new technical sciences. Artificial intelligence is a branch of computer science that attempts to understand the essence of intelligence , and can produce a new kind of human intelligence in a similar manner to respond to intelligent machines , the field of research including robotics , speech recognition , image recognition, natural language processing and expert systems.
Artificial intelligence is a challenging science, people engaged in this work must understand computer knowledge , psychology and philosophy. Artificial intelligence is very broad , including science, it composed by different areas , such as machine learning , computer vision , and so , in general, a major goal of artificial intelligence research is to make a number of machines capable of human intelligence usually takes to complete complex task . But different times, different people on this " complex task " understanding is different. No
w able to study artificial intelligence and the ability to achieve the main material means a machine is the computer artificial intelligence technology , artificial intelligence and computer development history is the history of the development of science and technology linked. In addition to outside of computer science , artificial intelligence also involves information theory, cybernetics , automation, bionics, biology , psychology, mathematical logic , linguistics, medicine and philosophy and many other subjects . Artificial intelligence research main contents include: knowledge representation, automated reasoning and search methods , machine learning and knowledge acquisition, knowledge processing systems, natural language understanding , computer vision, intelligent robots, automatic program design and other aspects
关键字:
智能接口技术,数据挖掘,神经网络,主体,难题,发展
正文:
计算机的诞生
人工智能学习研究的3个热点是: 智能接口、数据挖掘、主体及多主体系统。
1.智能接口技术
智能接口技术是研究如何使人们能够方便自然地与计算机交流。为了实现这一目标,要求计算机能够看懂文字、听懂语言、说话表达,甚至能够进行不同语言之间的翻译,而这些功能的实现又依赖于知识表示方法的研究。因此,智能接口技术的研究既有巨大的应用价值,又有基础的理论意义。目前,智能接口技术已经取得了显著成果,文字识别、语音识别、语音合成、图像识别、机器翻译以及自然语言理解等技术已经开始实用化。
2.数据挖掘
就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘和知识发现的研究目前已经形成了三根强大的技术支柱: 数据库、人工智能和数理统计。主要研究内容包括基础理论、发现算法、数据仓库、可视化技术、定性定量互换模型、知识表示方法、发现知识的维护和再利用、半结构化和非结构化数据中的知识发现以及网上数据挖掘等。
3.主体
是具有信念、愿望、意图、能力、选择和承诺等心智状态的实体,比对象的粒度更大,智能性更高,而且具有一定自主性。主体试图自治地、独立地完成任务,而且可以和环境交互,与其他主体通信,通过规划达到目标。多主体系统主要研究在逻辑上或物理上分离的多个主体之间进行协调智能行为,最终实现问题求解。目前对主体和多主体系统的研究主要集中在主体和多主体理论、主体的体系结构和组织、主体语言、主体之间的协作和协调、通信和交互技术、多主体学习以及多主体系统应用等方面。
4.神经网络:
神经网络也就是模拟人脑中神经元的功能,希望通过模拟人脑最基本的单位神经元功能来模拟人脑的功能。它通过一定的范例训练构成的神经网络,就象教一个小孩子一样,在训练结束后,这个神经网络就可以完成特定的功能了。它是通过范例的学习,修改了知识库和推理机的结构,达到实现人工智能的目的。
5.面临不少难题:
(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
(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。 
(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
(4)模式识别的困惑 
虽然使用计算机进行模式识别的研究与开发已取得大量成果,有的已成为产品投入实际应用,但是它的理论和方法与人的感官识别机制是全然不同的。人的识别手段、形象思维能力,是任何最先进的计算机识别系统望尘莫及的,另一方面,在现实世界中,生活并不是一项结构严密的任务,一般家畜都能轻而易举地对付,但机器不会,这并不是说它们永远不会,而是说目前不会。
 6.人工智能的发展前景 
计算机科学人工智能将是21世纪逻辑学发展的主要动力源泉,并且在很大程度上将决定21世纪逻辑学的面貌。 人工智能,常识推理,归纳逻辑,广义内涵逻辑,认知逻辑,自然语言逻辑 现代逻辑创始于19世纪末叶和20世纪早期,其发展动力主要来自于数学中的公理化运动。当时的数学家们试图即从少数公理根据明确给出的演绎规则推导出其他的数学定理,从而把整个数学构造成为一个严格的演绎大厦,然后用某种程序和方法一劳永逸地证明数学体系的可靠性。为此需要发明和锻造严格、精确、适用的逻辑工具。这是现代逻辑诞生的主要动力。由此造成的后果就是20世纪逻辑研究的严重数学化,其表现在于:一是逻辑专注于在
数学的形式化过程中提出的问题;二是逻辑采纳了数学的方法论,从事逻辑研究就意味着象数学那样用严格的形式证明去解决问题。由此发展出来的逻辑被恰当地称为“数理逻辑”,它增强了逻辑研究的深度,使逻辑学的发展继古希腊逻辑、欧洲中世纪逻辑之后进入第三个高峰期,并且对整个现代科学特别是数学、哲学、语言学和计算机科学产生了非常重要的影响。
有些科学家认为计算器可以做到人脑所能做到的一切,人工智能机器的制造只是编写程序的问题。于是,一代又一代科学家们不断尝试,从Eliza程序到“积木世界”,再到著名的“中文屋”实验。我们清楚地看到,尽管这些程序可以仿真大脑,但它们不可能具有智能。直觉告诉我,这样的传统方式不可能制造出真正的智能机器。只有研究大脑、认识智能才是最终的解决之道。

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。