浅谈人工智能

浅谈人工智能人工智能概述人工智能（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，简称ＡＩ）是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。人工智能领域的研究是从１９５６年正式开始的，这一年在达特茅斯大学召开的会议上正式使用了“人工智能”这个术语。随后的几十年中，人们从问题求解、逻辑推理与定理证明、自然语言理解、博弈、自动程序设计、专家系统、学习以及机器人学等多个角度展开了研究，已经建立了一些具有不同程度人工智能的计算机系统，例如能够求解微分方程、设计 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 集成电路、合成人类自然语言，而进行情报检索，提供语音识别、手写体识别的多模式接口，应用于疾病诊断的专家系统以及控制太空飞行器和水下机器人更加贴近我们的生活。我们熟知的ＩＢＭ的“深蓝”在棋盘上击败了国际象棋大师卡斯帕罗夫就是比较突出的例子。９０年代以来，人工智能理论方面有了新的进展，计算机硬件突飞猛进的发展，计算机速度的不断提高、存储容量的不断扩大、价格的不断降低以及网络技术的不断发展，许多原来无法完成的工作现在已经能够实现。目前人工智能研究的３个热点是：智能接口、数据挖掘、主体及多主体系统。智能”源于拉丁语Legere,字面意思是采集(特别是果实)、收集、汇集,并由此进行选择,形成一个东西。Intelegere是从中进行选择,进而理解、领悟和认识。正如帕梅拉·麦考达克在《机器思维》中所提出的:在复杂的机械装置与智能之间存在长期的联系。从几个世纪前出现的神话般的巨钟和机械自动机开始,人们已对机器操作的复杂性与自身的某些活动进行直观联系。经过几个世纪之后,新技术已使我们所建立的机器的复杂性大为提高。1936年,24岁的英国数学家图灵提出了“自动机”理论,把研究会思维的机器和计算机的工作大大向前推进了一步,他也因此被称为“人工智能之父”。人工智能也称机器智能，它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。人工智能的研究从1956年正式开始，这一年在达特茅斯大学召开的会议上正式使用了“人工智能”(ArtificialIntelligence，AI)这个术语。从计算机应用系统的角度出发，人工智能是研究如何制造智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。如果仅从技术的角度来看，人工智能要解决的问题是如何使电脑表现智能化，使电脑能更灵活方效地为人类服务。只要电脑能够表现出与人类相似的智能行为,就算是达到了目的，而不在乎在这过程中电脑是依靠某种算法还是真正理解了。人工智能是计算机科学中涉及研究、设计和应用智能机器的—个分支，它的目标是研究怎样用电脑来模仿和执行人脑的某些智力功能，并开发相关的技术产品，建立有关的理论。因此,“人工智能”与计算机软件有密切的关系。一方面,各种人工智能应用系统都要用计算机软件去实现,另一方面,许多聪明的计算机软件也应用了人工智能的理论方法和技术。例如,专家系统软件,机器博奕软件等。但是,“人工智能”不等于“软件”,除了软件以外,还有硬件及其他自动化的通信设备。人工智能的发展历程人工智能的研究不仅与对人的思维研究直接相关，而且和许多其它学科领域关系密切。因此说到人工智能的历史，应当上溯到历史上一些伟大的科学家和思想家所作的贡献，他们为人工智能研究积累了充分的条件和基础理论。这里仅列举几位重要的代表人物。国数学家Turing(图灵)（1912-1954）,1936年提出了一种理想计算机的数学模型（图灵机），1950年提出了图灵试验，发表了"计算机与智能"的论文。当今世界上计算机科学最高荣誉奖励为"图灵奖"。美国神经生理学家McCulloch，建立了第一个神经网络数学模型。从某种意义上可以说近代人工智能的发展，首先是从人工神经网络研究开始的。但是由于某种原因，神经网络的研究一度进入低潮。详细内容参见第六章《人工神经元网络》美国数学家、计算机科学家McCarthy，人工智能的早期研究者。1956年，他和其他一些学者联合发起召开了世界上第一次人工智能学术大会，在他的提议下，会上正式决定使用人工智能这个词来概括这个研究方向。参加大会的有Minsky,Rochester,Shannon,Moore,Samuel,Selfridge,Solomonff,Simon,Newell等数学家、心理学家、神经生理学家、计算机科学家。McCarthy也被尊为"人工智能之父"。50年代初开始有了符号处理，搜索法产生。人工智能的基本方法是逻辑法和搜索法。最初的搜索应用于机器翻译、机器定理证明、跳棋程序等。60年代Simon由试验得到结论：人类问题的求解是一个搜索的过程，效果与启发式函数有关。叙述了智能系统的特点：智能表示、智能推理、智能搜索。这些都是人工智能的历程碑。我国明代的科学家宋应星将他有关实用科学的书题名为《天工开物》可谓哲理深厚。用现代人的眼光来看，这涉及两种不同的物质，一种是由“鬼斧神工”自然形成的自然物质，另一种是由人的智慧开发出来的“开物”。从简单的石器工具到内燃机、电动机都代替和节约了人的体力，只有电子计算机的出现才使人感到机器也可能代替和节约人的一部分智力。人工智能，作为探讨人脑和心智原理的尖端科学和前沿性的研究，半个多世纪以来，经历了艰难曲折的发展过程，大致上可以划分为五个个发展阶段：第一阶段:50年代人工智能的兴起和冷落。人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是：重视问题求解的方法，忽视知识重要性。第二阶段:60年代末到70年代，专家系统出现，使人工智能研究出现新高潮。DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR探矿系统、Hearsay-II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议（InternationalJointConferencesonArtificialIntelligence即IJCAI）。第三阶段:80年代，随着第五代计算机的研制，人工智能得到了很大发展。日本1982年开始了“第五代计算机研制计划”，即“知识信息处理计算机系统KIPS”，其目的是使逻辑推理达到数值运算那么快。虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮。第四阶段:80年代末，神经网络飞速发展，1987年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。第五阶段:90年代，人工智能出现新的研究高潮。由于网络技术特别是国际互连网技术的发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问题求解，而且研究多个智能主体的多目标问题求解，将人工智能更面向实用。另外，由于Hopfield多层神经网络模型的提出，使人工神经网络研究与应用出现了欣欣向荣的景象。人工智能已深入到社会生活的各个领域人工智能的发展现况最近看了电影《黑客帝国》一系列，对其中的科幻生活有了很大的兴趣，不觉有了疑问：现在的世界是否会如电影中一样呢？人工智能的神话是否会发生在当前社会中的呢？在黑客帝国的世界里，程序员成为了耶稣，控制着整个世界，黑客帝国之所以成为经典，我认为，不是因为飞来飞去的超级人物，而是因为她暗自揭示了一个人与计算机世界的关系，一个发展趋势。谁知道200年以后会不会是智能机器统治了世界？人类正向信息化的时代迈进，信息化是当前时代的主旋律。信息抽象结晶为知识，知识构成智能的基础。因此，信息化到知识化再到智能化，必将成为人类社会发展的趋势。人工智能已经并且广泛而有深入的结合到科学技术的各门学科和社会的各个领域中，她的概念，方法和技术正在各行各业广泛渗透。智能是一个宽泛的概念。智能是人类具有的特征之一。然而，对于什么是人类智能（或者说智力），科学界至今还没有给出令人满意的定义。有人从生物学角度定义为“中枢神经系统的功能”，有人从心理学角度定义为“进行抽象思维的能力”，甚至有人同义反复地把它定义为“获得能力的能力”，或者不求甚解地说它“就是智力测验所测量的那种东西”。这些都不能准确的说明人工智能的确切内涵。虽然难于下定义，但人工智能的发展已经是当前信息化社会的迫切要求，同时研究人工智能也对探索人类自身智能的奥秘提供有益的帮助。所以每一次人工智能技术的进步都将带动计算机科学的大跨步前进。如果将现有的计算机技术、人工智能技术及自然科学的某些相关领域结合，并有一定的理论实践依据，计算机将拥有一个新的发展方向。当前人工智能的发展方向可以分为两种：一种受控于人类的智能机器或智能程序，人类输入指令后让其达到预期的目的；另一类，能自主推理，逻辑，判断，学习，进步的智能，而后一种而有吸引力，更增加了人工智能无穷的魅力。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。人工智能涉及到计算机科学、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，在不断的接近。他并不像很多人想象的是几个科学家的工作，而是随着社会各学科发展而默默发展的。在智能领域里，最关键的问题之一，就是机器学习的问题。一旦机器有了学习的能力，谁还（敢）预测未来呢？人类的社会发展其实也是在不断积累中发展而来，人的智能也就是事实依据库+推理机制所构成了的。当所有领域的定律都能用特定的公式推理出来，黑客帝国的实现就要到来了。研究人工智能的目的，一方面是要创造出具有智能的机器，另一方面是要弄清人类智能的本质，因此，人工智能既属于工程的范畴，又属于科学的范畴。通过研究和开发人工智能，可以辅助，部分替代甚至拓宽人类的智能，使计算机更好的造福人类。人工智能是机器模拟人脑的具体表现形式，当前以智能搜索、深度学习、云操作处理等为代表的大规模联网应用已经成为信息通信技术引人瞩目的重要方向。2013年美欧相继启动的人脑研发计划，力图打造基于信息通信技术的综合性研究平台，促进人工智能、机器人和神经形态计算系统的发展，预计将助推信息通信技术乃至人类社会生产生活发生深刻的革命性变化。　　从发展脉络看，人工智能一直处于技术创新的前沿，近年来更是呈现集中爆发态势，在智能搜索、人工交互、可穿戴设备等领域得到了前所未有的重视，成为产业界力夺的前沿领域。　　一、打开搜索引擎发展新空间信息搜索是互联网流量的关键入口，也是实现信息资源与用户需求匹配的关键手段，人工智能的引入打开了搜索引擎发展的新空间。几个重要方向是：由低级算法向高级算法发展。搜索巨头美国谷歌公司每天都要进行200多项改进搜索算法的在线实验，陆续完成由关键字匹配到知识图谱、语义搜索的算法创新，正在掀起一场以数据驱动、实验评估、数理模型算法改进为轴心的大数据革命，如谷歌禽流感地图。由文本检索向语音图像检索发展。已发生的典型案例是，第一，融合了深度学习技术的搜索引擎正大幅度提升图像搜索的准确率。如谷歌街景视图通过“以图搜图”和“以图搜信息”，能够识别物体详细位置。第二，吸纳了自然语言处理和云操作处理技术的搜索引擎，可将语音指令转化为实时搜索结果。谷歌、苹果均已推出人工语音智能计算产品——GoogleNow和AppleSiri，将自然语言转换成搜索指令，简化用户输入门槛。第三，在人工智能辅助性搜索引擎可能添加意念情感元素，发展出真正意义上的神经心理学搜索引擎。谷歌正在研发能够读懂人类情感的智能搜索系统，以应用于心理辅导和心理医学领域。由互联网搜索向云物搜索演进。一方面，基于人工智能的搜索引擎技术正向物联网、信息化不断深化应用。基于标签感应和阅读技术的物联网搜索引擎——shodan，几乎能够搜索到所有与网络相连的工业控制系统，大大提升物联网的可视化应用和管理水平。另一方面，基于人工智能的搜索引擎技术和云操作处理技术不断耦合，正在推动云计算技术发生重要变革。如基于 目录 工贸企业有限空间作业目录特种设备作业人员作业种类与目录特种设备作业人员目录1类医疗器械目录高值医用耗材参考目录 索引服务系统的对象存储技术，可实现云协作条件下大型归档数据的可在线回收。　　二、加速移动互联网应用创新和产业变革　　嵌入了人工智能技术的移动终端打破了时空地理限制，激发了人机高频互动，也促使产业界开发出以人工智能技术为基础的海量互联网业务和应用。比如：　　自然语言交互已经成为互联网上成熟应用，蕴含无穷商机。自然语言交互发展已较成熟，可与视觉操控、姿态操控和手势操控等人工智能感应技术结合应用。如微软同声传译系统（GPGPU）采用基于大量历史数据训练出的神经网络，使语音识别的单词错误率降低了18%-33%。　　深度学习技术在互联网领域已经产生众多创意和新兴应用。深度学习是人工智能的最新演进，它引发了机器学习的新浪潮，加速“大数据＋深度模型”时代的来临。第一，基于深度学习的信息产品已经成为最活跃的创新领域。三星“新技术实验室”正在研发基于脑电波识别控制技术[EEG-control。]的“人脑意念控制智能设备”，将“读心应用程序”安装在脑电波识别设备中，通过与平板电脑进行脑电波扫描和交互，实现人类意念操控平板电脑。第二，深度学习融贯人脸识别的相关产品已开始用于社会公共管理。美国国土安全部(DHS)将深度学习技术用于“生物特征识别视觉监控系统”[BiometricOpticalSurveillanceSystem，简称BOSS。这是一种典型的人脸识别应用系统。]，通过在计算机和摄像机之间建立连接并对人群不断扫描，即可根据面孔自动识别和定位目标。基于深度学习的战略重要性，我国互联网企业已开始布局深度学习技术研发，百度公司基于深度学习技术的“百度翻译”、“百度叫醒”等智能终端应用软件，通过与云端协同，能够实现目标的特征演算和定义，提供日益理想的拟人化知行协助服务。　　穿戴式智能联网设备正在引领信息技术产品和信息化应用发展的新方向。当前，基于人工智能技术的穿戴式智能联网设备已成为各方竞争的新热点，苹果公司智能手表（iWatch）、谷歌眼镜（GoogleGlass）、加拿大ThalmicLabs公司MYO臂环、盛大果壳智能手表、百度眼镜等，都是引发业界关注的穿戴式智能联网设备。最新趋势是，穿戴式智能联网设备正在向体育、生物、医疗等领域进行应用延伸。谷歌摩托罗拉研发的电子药片吞服后利用胃酸发电，产生体内信号，从而使人体变成密码，用于生物识别和身份验证。　　无人驾驶和智能机器人正在成为产业研发热点，依托移动互联网将其应用场景广泛渗透、延伸至传统产业领域。无人驾驶技术方面，亚马逊公司正在研发用于派送包裹的无人飞行器[这些无人飞行器被亚马逊称之为“电脑导航八轴飞行器（octocopters）”。]。机器人技术方面，谷歌在全球范围已经收购8家科技公司，正在研发用于市场营销、工业制造等领域的智能机器人；苏黎世ABBGroup、德国KukaAG等机器人生产厂商以及我国台湾台达电子、富士康等信息技术企业正在研发、生产并试验以低于人力成本提供服务的低端机器人以及有视力、触觉甚至学习能力的高端人形机器人。　　三、人脑科学有望助推人工智能达到最佳理想状态　　迄今为止的人工智能都只是利用机器来模拟人脑进行简单的运算和处理。与简单的人工智能相同步，模拟人脑进行复杂、高级运算的人脑研发活动始终未曾止步，美欧人脑科研计划（统称“人脑计划”）为这一技术努力描绘了一份崭新的演进路线图。2013年1月28日，欧盟委员会宣布，“人脑工程项目（HBP）”被选入欧盟“未来新兴旗舰技术项目（FET）”，成为欧盟第七框架科研计划（FP7）中信息通信技术（ICT）研究子计划的重要组成部分。2013年4月2日，美国总统奥巴马正式宣布了“运用先进创新型神经技术的大脑研究计划（BRAIN）”[又称“大脑活动图谱项目”。]，由美国国家卫生研究院、国防高级研究计划局及国家科学基金会等单位组织实施。美欧人脑计划的共同目的，是打造基于信息通信技术的综合性研究平台，采用计算机模拟法绘制详细的人脑模型，促进人工智能、机器人和神经形态计算系统的发展，预计将引发人工智能实现由低级别人脑模拟向高级别人脑模拟的飞跃，从而助推人工智能实现终极理想和目标。===功能===人工智能现在已经能实现很多功能了，比如:语音识别——李开复博士当年做的工作奠定了很多当今识别系统的基础。这里忍不住说一下，Siri本身的技术并没有特别大的亮点，真正nb的是它的模式（语音识别直接与搜索引擎结合在一起，产品体验做得好。而且关键是这样的模式能采集到更多数据，使得系统的精度越来越高）自然语言理解——目前看到的最强的结果应该是IBMWatson。但其实我们现在用的搜索引擎、中文输入法、机器翻译（虽然其实还不怎么work）都和自然语言理解相关。这块儿不是我的专业，请@段维斯同学补充。数据挖掘——随着近年数据量的疯狂增长，数据挖掘也有了长足进步。最具有代表性的是前几年著名的Netflixchallenge（Netflix公司公开了自己的用户评分数据，让研究者根据这些数据对用户没看过的电影预测评分，谁先比现有系统好10%，谁就能赢100万美元）最后这一比赛成绩较好的队伍，并非是单一的某个特别nb的算法能给出精确的结果，而是把大量刻画了不同方面的模型混合在一起，进行最终的预测。计算机视觉——目前越来越多的领域跟视觉有关。大家可能一开始想到的都是自动驾驶。虽然大家都在说googleX的无人车，但实际上现在无论是商业上，还是技术整合上最成功的算法是MobileEye的辅助驾驶系统。这个公司也是目前computervision领域最挣钱的公司。从实现新功能方面说，视觉的发展的趋势主要有两方面，A)集成更多的模块，从问题的各种不同方面，解决同一个问题（比如MobileEye，就同时使用了数十种方法，放到一起最终作出决策）B)使用新的信息，解决一个原来很难的问题。这方面最好的例子是M$的Kinect，这个产品最让人拍案叫绝的就是那个红外pattern投影仪。===理论基础===这里说的是数学理论，是为实现功能解决问题而存在的。与人类的智能的联系在下一节说。从这个角度，我们已经有了很多强有力的数学工具，从高斯时代的最小二乘法，到现在比较火的凸优化，其实我们解决绝大多数智能问题的套路，都可以从某种意义上转换成一个优化问题。真正限制我们解这个优化问题的困难有以下三个：计算复杂度——能保证完美解的算法大都是NP-hard的。如何能让一个系统在当前的硬件下“跑起来”，就需要在很多细节取巧，这是很多learningpaper的核心冲突。模型假设——所有模型都要基于一些假设，比如说，无人车会假设周围的汽车加速度有一个上限（至少不会瞬间移动吧，否则怎么闪避）绝大多数假设都不能保证绝对正确，我们只是制定那些在大多数时候合理的假设，然后基于这些假设建模（比如，在语音识别里，我们是否要假设存在背景噪声呢？如果有背景噪声，这个噪声应该符合什么特点呢？这时候无论你怎么定 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 ，总能找出“反例”）数据基础——任何学习过程都需要数据的支持，无论是人类学说话学写字，还是计算机学习汽车驾驶。但是就数据采集本身来说，成功的案例并不多。大概这个世界上最强的数据采集就是google了吧。每次你搜索一个关键词，然后点进去，google就自动 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 了你的行为，然后以此数据来训练自己的算法。人工智能前景人工智能是人造的智能,是计算机科学、逻辑学、认知科学交叉形成的一门科学。其基本目标就是使机器表现出类似人类的智慧,使机器具有类似人类的智能行为,使机器思维(MakingMachine󰀁Think󰀁)。关于人工智能,科学界存在各种各样的认识和看法,这些看法可以归纳为:技术观、模拟观、建模观、理论观。技术观将人工智能视为一门技术。技术观追求人工智能的工程目标,即智能机的实现。技术观只注重智能机的外部功能,不关心智能机的工作过程。技术观认为,只要机器能做那些原来需要人的智能才能完成的工作,机器便具有了智能。模拟观着眼于计算机程序复现人脑在完成同一任务时的内部状态和过程,强调必须先了解人脑的活动机制,才能通过模拟使机器表现出智能。建模观希望基于数学模型的理论和方法,建立人脑的模型。建模观认为,通过对人脑输入输出信号的观察,即对人脑外部行为的观察,可以建立人脑的数学模型,这种模型与人脑在外部行为上的相似性将使机器表现出智能。理论观注重理解形成或产生智能的规律和原理。理论观追求人工智能的科学目标,即Winston所阐述的人工智能的中心目标,试图建立使智能的实现成为可能的原理。人类有关󰀁用机器模拟人类智能󰀁的思想可以追溯到很远,甚至可以追溯到公元前四世纪的亚里士多德时代。然而,作为一门学科,可以说,人工智能诞生于1956年Dartmouth夏季会议。人工智能在20世纪经历了四个发展阶段:五十年代是神经网络时代,六十年代是弱方法时代,七十年代是知识工程时代,八十和九十年代是知识工业时代。1948年Wiener发表了󰀁控制论󰀁。Wiener将机器与生物的控制和通讯机制进行类比,抽象出共同特征,形成控制论这门独立的新学科。Wiener指出:󰀁就其控制行为而言,所有的人工系统都模仿生物系统,但没有任何一种生物系统模仿人工系统。󰀁Wiener的思想及其控制论引发了科学界对生物控制机能、生物通讯机能、生物信息处理机能和生物智能进行模拟的科学研究热情。特别是Wiener关于生物神经系统及其信息处理机制的观点,引起了人们对生物神经系统进行仿真研究的兴趣。Wiener在其󰀁控制论󰀁中指出:󰀁能够做计算系统所做工作的人和动物的神经系统,它们的工作单元动作起来就像继电器。这个事实值得我们注意,这些工作单元就是所谓的神经元或神经细胞。󰀁在这一思想的影响下,五十年代兴起了基于开关网的神经系统模拟研究,其中较为成功和较有影响的是对青蛙视神经的模拟。Simon和Newell称,用计算机程序实现的人对弱结构化问题的求解搜索方法为弱方法,其󰀁弱󰀁的含义为:求解的问题为弱结构化问题,求解问题的过程具有试探性,所得的问题的解是非最优的。对于弱结构化问题,由于知识的不完备性,人只能运用试验、试探和搜索的方法,在巨大的问题空间中,运用非完备的知识、经验和启发性的知识,寻求可行的问题求解途径,做计划、设计和决策,获取问题的可行解,而非最优解。Simon和Newell的󰀁弱方法󰀁强调问题求解方法的重要性,注重对人脑思维过程的模拟和仿真,却忽视了对知识的研究。人求解问题的过程是一个基于知识,应用知识的过程。一个知识贫乏的大脑,不可能有多少智能,这就是󰀁弱方法󰀁为什么只能用于一些简单的和游戏性质的智力求解问题的原因。七十年代,鉴于󰀁弱方法󰀁存在的问题,人工智能研究领域出现了知识工程学派。知识工程学派认为,没有知识,就没有智能;要使计算机表现出智能,必须给予它知识。使人工智能由弱方法的研究转向知识工程研究的是DENDRAL项目。这项研究工作是Feigen-baum1965年到斯坦福大学后不久开始的。六十年代末七十年代初,第一个专家系统问世以来,有影响的专家系统有:DENDRAL,世界上第一个专家系统,帮助化学家解释和设计化学结构式;MYCIN,世界上最有影响的专家系统,帮助医生诊断抗菌性感染病,并推荐治疗 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 。专家系统的成就使人们看到了知识工程的前景。专家系统解决实际问题的能力展现了智能系统的商用价值,由此,智能产业在八十年代初期开始形成。智能产业指智能应用系统和智能计算机构成的产业。尽管全球的智能产业在1981年只有1亿美元,但人们仍然乐观地预测,二十一世纪初,全球的智能产业将超过2500亿美元。面对人工智能的大好发展形势,Machlup等人在知识工程概念的基础上,提出了一个更具感召力的概念:知识工业。人工智能的研究并不像人们一开始所期望的那样一帆风顺,成果辉煌。五十年代,神经网络随Perceptron被否定而沉寂。六十年代,游戏性质的弱方法没有大的作为。七十年代,专家系统受到了来自许多方面的怀疑和批评。八十年代,日本人雄心勃勃的第五代计算机计划以彻底的失败而告终。人工智能从诞生那天起就承受着来自多方面的批评和攻击。人工智能过分乐观的预言大多未能实现。尽管人工智能的发展未能跟上人们对它的期望,但它的确在不断地进步。人工智能取得的成就足以让人们相信,机器正变得越来越聪明。以人们今天的想象力,很难想象出,人工智能能走多远,未来的机器能有多聪明,类似DeepBlue战胜Kasparov之类的事情在Chess之外的其它领域是否还会发生。人,没有理由说,机器不能思维,更没有理由否定人工智能。最近几年,人工神经网络技术和遗传算法的应用取得了很大的成功。广泛应用于工业、军事等各个领域。人工神经网络技术在20世纪70到80年代取得了重大进展,其成果大量应用于系统的识别,建模和控制。比如,关于建模,神经网络通过对输入输出样本的学习,不断地调整网络的权值和阈值,使网络实现给定的输入输出映射关系,并具有一定的学习和泛化能力。以研究直升机在偏航方向上的动力学特性和建立动力学模型为例,可将直升机偏航方向上的输入和输出数据作为学习样本,对神经网络进行训练,从而得到直升机在偏航方向上的神经网络预测模型。在这个模型的基础上,可以进一步设计出直升机的偏航方向控制器。众所周知,在很多场合要求对数字进行准确识别。例如最常见的邮电系统中的自动分信设备,就涉及到邮政编码的识别。这六位数都标示在信封的六个方框中,如何利用一种快速有效的智能方法或技术正确地进行识别是急待解决的问题。神经网络具有并行处理和大规模平行计算能力,既是高度非线性动力学系统,又是自适应组织系统,可以用来描述认知、决策及控制的智能行为。它的中心问题是智能的认知和模拟,能高度逼近非线性系统并对不确定问题具有自适应能力,因而利用神经网络有望解决这一问题。遗传算法(GA)是1975年美国密执安大学J.H.Holland教授提出的,是一种基于达尔文生物进化思想的优化算法,与其它优化算法相比,GA具有更好的通用性,较强的鲁棒性和智能性,使其广泛地应用于各个领域。遗传算法是一种基于自然选择和自然遗传的全局优化算法。它采用从自然界选择、遗传操作中抽象出来的几个算子,对参数编码的字符串进行遗传操作,每一个字符串对应于一个可行解。这种遗传操作是对多个可行解组成的群体进行的,故在进化过程中可以并行地对解空间的不同区域进行搜索,可使搜索趋于全局最优解而不会陷于局部极小解。正是由于这种内在的优良特性,GA可广泛应用于各种优化问题。对于动态环境中移动机器人的局部路径规划问题,遗传算法具有很大潜力。移动机器人是能够在道路和野外连续、实时地自主运动的智能机器人是一种集环境感知,动态决策与规划,行为控制与执行等多项功能于一体的高智能化机器系统。移动机器人的动态行为是,机器视觉获取前方的路面环境及障碍物信息,然后用智能系统产生最优化路径,并用智能路径跟踪控制方法使移动机器人沿规划路径行走。类似传统方法不能解决的这类问题,遗传算法表现出很大的优越性。人工智能目前面临的困难和瓶颈本世纪以来，随着互联网大数据的兴起，信息的爆炸式增长，深度学习等机器学习算法在互联网领域的广泛应用，人工智能再次进入快速发展的时期。与此同时，不同领域的科学家，企业家如物理学家霍金，微软创始人比尔盖茨等人，纷纷对人工智能的未来表达了担心，提出人工智能的快速发展可能对人类本身产生威胁，由于这些科学家，企业家具有很强的影响力，人工智能威胁论因此得到广泛传播。在人工智能威胁论热度日益高涨的情况下，人工智能领域科学家对人工智能威胁论也提出了反驳意见。这其中就包括Facebook人工智能实验室主任，NYU计算机科学教授YannLeCun，百度首席科学家，斯坦福大学计算机科学系和电子工程系副教授吴恩达，中国科学院自动化所教授，人工智能领域专家王飞跃等应该说人工智能威胁论引发争论背后，本质上是人工智能的智力发展水平能不能定量评测的问题。对于这个问题，前人研究者已经做出大量工作。例如1950年，图灵提出了著名的图灵实验，采用提问和人类裁判的方法，判断一台计算机是否具有同人相当的智力。2015年3月StuartGeman，DonaldGeman等研究在NationalAcadSciences发表论文“VisualTuringtestforcomputervisionsystems”，提出的视觉图灵测试“VisualTuringtest”，目的是测试计算机能否能像人类那样描述一张图片。除此之外，2015年1月，在德克萨斯州召开的美国人工智能大会（AAAI-15)上，学者专门组织了研讨会（BeyondTuringTest)，对图灵测试进行深入的讨论，并对智能的评测标准提出了新的建议。总体上，这些测试还存在分析范围单一，或无法定量分析的问题。我们首先看一下图灵测试。一。图灵测试的先天不足测试人工智能系统是否具有智能最著名的方法是”图灵测试“。1950年，图灵发表论文《ComputingMachineryandIntelligence》提出了“机器思维”的概念[27,28]，提出一位测试者在与被测试者相互隔离不能进行直接交流的情况下，通过信息传输，和被测试者进行一系列的问答，在经过一段时间后，测试者如果无法根据获取的信息判断对方是人还是计算机系统，那么就可以认为这个系统具有同人类相当的智力能力，也就是说这台计算机是有思维能力的，这就是著名的“图灵测试”(TuringTesting)。图灵在论文中这样定义图灵测试：“我们称下面这个问题为“模仿游戏”。游戏参与者包括一个男人，一个女人，以及一个任意性别的询问者。询问者与另两个人待在不同的房间里，并通过打字的方式与他们交流，以确保询问者不能通过声音和笔迹区分二者。两位被询问者分别用X和Y表示，询问者事先只知道X和Y中有且仅有一位女性，而询问的目标是正确分辨X和Y中哪一位是女性。另一方面，两位被询问者X和Y的目标都是试图让询问者认为自己是女性。也就是说，男性被询问者需要把自己伪装成女性，而女性被询问者需要努力自证。现在我们问：如果我们把“模仿游戏”中的男性被询问者换成计算机，结果会怎样？相比人类男性，计算机能否使询问者更容易产生误判？”。图灵测试并没有定义智能的范畴，而只能作为一个人工智能的充分条件，关于这一点，图灵在论文中写道：“机器能否拥有智能，为了回答这个问题我们应该首先定义‘机器’和‘智能’。一种可能性是根据大多数普通人的日常理解去定义这两个概念，但这样做是危险的。在这里我并不打算定义这两个概念，可能有人会说这项测试对机器而言过于严格——毕竟人类也无法反过来成功伪装成机器，这只需检查算术的速度和正确度即可辨别。难道被认为拥有智能的机器就不能表现出和人类不同的行为么？这是一个很有力的反对意见，但至少不管怎样，假如我们有能力制造出一个可以成功通过测试的机器的话，也就无需为这个反对意见烦恼了。”人工智能超越人类智慧面临的四个困难图灵测试与人工智能的关系可以用集合的概念进行阐述，如上图所示。从图中可以看到“所有人类行为”对应的集合“和所有智能行为”对应的集合有交集但又互有不同。虽然“在全部智能行为”中有部分能力是人类靠自身力量无法完全实现，但人类可以被认为是有智能标准体，因此，能达到“人类水平”的部分—也就是两个集合交集的那个部分—就应该被认作是“拥有智能”的特征。而且，人类的所有行为并不总是和智能相关。图灵测试要求机器全面模拟“所有人类行为”，其中既包括人类“智能”的部分，也包括人类的“非智能”行为，由此可得出结论通过图灵测试是“拥有智能”的一个有效的充分条件，而非必要条件或充要条件。【以上内容引用微软研究院】作为最被广泛应用的人工智能测试方法，图灵测试经常用来检验机器是否具备人的智能，但总体看，图灵测试的方法受人为因素干扰太多，严重依赖于裁判者和被测试者的主观判断，因此往往有人在没有得到严格验证的情况下宣称其程序通过图灵测试，例如2014年6月英国雷丁大学客座教授凯文•沃维克宣称一款名为“尤金•古特曼(EugeneGoostman)”的计算机软件通过了测试[30]，但是测试结果充满争议，例如机器人只要能够通过30%的评判标准即可被判定通过图灵测试，另外这个计算机软件通过扮演一名年仅13岁，且第二外语为英语的男孩让参与测试的裁判大幅度降低了测试难度。中国科学院自动化所研究员王飞跃在“关于人工智能九个问题”中也对图灵测试存在的问题进行了讨论，他的意见主要有以下两点：（1）第一点是人类的智能并不是一个单一的对象，而是有多个类别组成，同样人工智能对应也是多类别组成。图灵测试究竟测试的那些类别并不明确，从实践上看，目前图灵测试仅仅局限在语言智能等特定小领域里，不具备代表性。（2）图灵测试并不是考官对一台计算机测试后就可以宣布其是否拥有智能，图灵测试的本意是指一个广义的人类做个为整体的考官，其测试的时间段也不是具体的一段时间而是广义的时间段，即所有的人类在所有时间都分辨不出人与机器之后，才算其人类智能与人工智能等价。从上述讨论可以看出，图灵实验只对人工智能系统是否具有人类智能回答“是”或“否”，并不对人工智能系统的发展水平进行定量分析，而且测试的智能或智力种类还过于单一；在测试方法上存在漏洞，容易被测试者找到漏洞从而产生作弊行为，从上述存在的问题看，图灵实验目前还无法承担定量分析智能系统智力发展水平的需求。二，解决人工智能威胁论争论的四个困难总体看，目前包括图灵测试在内的各种方案中还存在无法定量分析人工智能发展水平的问题，只能定性的判断一个人工智能系统是否和人一样拥有同等水平的智力。但这个系统和人类智慧进行对比，高低程度如何，发展速度与人类智慧发展速度比率如何，上述中研究没有涉及到可具体执行的思路和方案。我们认为这些问题长时间存在，主要与下面提到的四点困难有关。（1）第一个困难是没有统一的模型和测试方法对不同的人工智能系统进行测试。人工智能无论从理论研究还是从应用实践都存在众多分支和发展方向。在理论上人工智能分为三大学派，如符号主义(Symbolicism)或计算机学派(Computerism)；连结主义或生理学派(Physiologism)；行为主义(Actionism)或控制论学派(Cyberneticsism)等。在应用实践上，人工智能可以应用的方向包括符号计算、模式识别、机器翻译、机器学习、问题求解、逻辑推理与定理证明、自然语言处理、分布式人工智能、计算机视觉、智能信息检索、专家系统等等。人工智能超越人类智慧面临的四个困难每种具体的人工智能系统往往只具备一个或若干上述提到的功能。例如IBM的深蓝强于计算能力，在国际象棋方面可以与人类对手一决高下；沃森系统拥有庞大知识库系统，因此可以在常识问答比赛中击败人类选手。因为没有统一的模型可以涵盖这些人工智能系统，就无法形成统一的测试方法进行测试和比较。如图1.2所示，人工智能系统A在计算能力上得分为100，人工智能系统B在计算机视觉识别上得分为80，人工智能系统C在机器翻译测试得分为90分，我们仍然无法得出结论A的智力能力高于C，C的智力能力高于B的结论。（2）第二个困难是没有统一的模型和测试方法，能够同时对人工智能系统和人类进行测试，这也是当前人工智能威胁论产生最重要的原因之一。因为没有人工智能系统和人类智能水平统一的测量方法，人工智能威胁论宣扬者往往将计算机或软件系统表现强大的领域作为标准，例如计算能力，历史，地理等常识的掌握能力等，而忽略诸如图像识别能力，创新创造的能力，发现规律的能力等，对于这个原因产生的问题，人工智能威胁论反驳者往往无法拿出定量的数字结果进行反驳。目前虽然针对人类智力能力的评测方法已经非常成熟，但过去100多年的发展和改进过程中，这些方法并没有考虑到人工智能系统的特点和发展水平，因此很难将人类的智商测试方法拿来测试人工智能系统。例如目前绝大多数人工智能系统就无法完成图1.3所示题目，因为测试者需要首先识别图像中的问题，并与图中的各个图形特征关联起来。做不到这一点，回答问题就无法进行下去。人工智能超越人类智慧面临的四个困难图1.4所示的人类智商测试的题目需要测试者运用铅笔，钢笔等工具绘制图形。用手操作物体完成任务，解决问题是人类普通的能力[11]，但对大多数人工智能系统因为没有相应输出系统或操控设备，于是无法完成图1.4所示的测试。人智能超越人类智慧面临的四个困难（3）第三个困难是人工智能系统没有形成智力发展水平测试的标准输入输出接口。例如如图灵测试的问题问答，IBM深蓝与国际象棋大师的比赛，沃森系统与人类选手进行知识比赛等时，研究人员就需要研发不同的输入输入接口以满足测试需求。对于更多人工智能系统，在设计时往往由于只考虑到满足工作需求，而没有设计和开发与测试系统进行完整交互的能力，如图1.5所示。这个问题如果没有得到解决，对于发展新的统一的人工智能测试也将带来困难。人工智能超越人类智慧面临的四个困难(4)第四个困难是没有关于人工智能智力发展水平的历史测试统计数据。由于针对人工智能系统一直没有产生定量分析方法，这个问题在今天依然存在。因为历史数据的缺失，研究者就无法绘制类似图1.6所示的人工智能系统智力水平的发展示意图，也无法将人工智能系统与人类智力发展水平进行比较。因此很难定量的对未来发展趋势进行预测。上文我们提到Facebook人工智能实验室主任YannLeCun在反驳人工智能威胁论时虽然给出了相关发展趋势图，但因为不是通过历史数据预测得来，因此说服力大打折扣。不可否认计算机现在已经融入整个人类社会正如纸张对人类不可缺少一般，计算机对于信息时代的每一个人类都算是不可割舍的。而计算机科学——这个专门研究计算机类科学技术的学科就显得无比重要。而我们正在大学中学习计算机，是符合时代大潮的，我们随着对专业学习的深化，正处在对计算机科学分支科学的选择阶段，无论是选什么，都是需要努力学习的