研究生课程论文
(2016 -2017 学年第二学期)
题目：人工智能综述
研究生：花君林
说明
1．课程论文要有题目、作者姓名、摘要、关键词、正文及参考文献。论文题目由研究生结合课程所学内容选定；摘要500字以下；关键词3～5个；参考文献不少于10篇。
2．论文要求自己动手撰写，如发现论文是从网上下载的，或者是抄袭剽窃别人文章的，按作弊处理，本门课程考核成绩计0分。
3．课程论文用A4纸双面打印。字体全部用宋体简体，题目要求用小二号字加粗，标题行要求用小四号字加粗，正文内容要求用小四号字；经任课教师同意，课程论文可以用英文撰写，字体全部用Times New Roman，题目要求用18号字加粗；标题行要求用14号字加粗，正文内容要求用12号字；行距为2倍行距（方便教师批注）；页边距左为3cm、右为2cm、上为2.5cm、下为2.5cm；其它格式请参照学位论文要求。
4．篇幅、内容等由任课教师提出具体要求。
人工智能综述
花君林
摘要：近年来，以深度学习为核心的人工智能技术[1-4]，取得了一系列重大突破，本文将就人工智能的产业化热潮，主要研究流派及发展历史[5-6]，以深度学习为核心的成功应用[7-8]，以及存在的一些问题和今后的可能研究方向做一个介绍。关键词：人工智能；深度学习；神经网络
Summary of Artificial Intelligence
Hun Junlin
Abstract:In recent years, the artificial intelligence technology of deep learning cored on , has made a series of major breakthroughs ,This article will be on the artificial intelligence industry boom, the main research genre and development history, the depth of learning as the core of the successful application, and the existence Some questions and future possible research directions to make an introduction.
Key words: artificial intelligence; depth learning; neural network
0引言
从1956 年达特茅斯会议首次定义“人工智能”( Artificial Intelli-gence，AI) 开始，AI 研究已经历了几次历史浮沉。在一次又一次的高潮和低谷的交替中，不可否认，AI 无论是在理论还是在实践上都取得了扎实的进步，人类对于智能的理解进一步加深。[9-11]尤其是近期以深度学习( Deep Learning，DL) 为代表的AI 技术取得了突破性的进展，从而在全世界范围内又掀起了一个AI 研究热潮。与以往不同的是，这次的研究热潮同时伴随着AI 商业化浪潮，实验室成果很快就进入工业界，甚至工业界在这股热潮中也站在了学术研究的前沿，这在以往的技术发展史上是非常罕见的[12-13]。2015 年7 月，人工智能被写入《国务院关于积极推进“互联网+”行动的指导意见》; 2016 年 3 月，人工智能一词被写入“十三五”规划纲要; 2016 年 5 月，国家发展改革委员会等四部门联合下发《“互联网+”人工智能三年行动实施方案》; 李克强总理的政府工作报告中也提到了人工智能产业发展; 中国科学技术部“科技创新2030—重大项目”近期或将新增“人工智能 2. 0”，人工智能将进一步上升为国家战略。这充分可以看出我国对AI 的重视程度。2017 年，中国工程院院刊信息与电子工程学部分刊《信息与电子工程前沿( 英文) 》出版了“Ar-tificial Intelligence 2. 0”专题，潘云鹤等多位院士及专家学者对AI2. 0所涉及的大数
据智能、群体智能、跨媒体智能、混合增强智能和自主智能等进行了深度阐述。面对人工智能热潮，我们该如何理解，看待其进步? 又如何了解其功能和限制? 已经有不少书籍和论文讨论了上述问题，本文将从人工智能的产业化浪潮、学术流派和研究方法，以深度神经网络为主的AI 发展历史、近期成果和存在问题等诸多方面对人工智能做一个的介绍，希望能对读者了解AI 有所帮助。
1 人工智能商业化浪潮
20 世纪末，当以神经网络为主流的AI 研究又一次跌入低谷的时候，加拿大多伦多大学的Hinton 教授等还是坚守阵地，辛勤耕耘，并在2006 年获得了突破。2012 年他和两位学生成立“深度神经网络研究”( DNN Ｒesearch) 公司，数个月后被Google 收购，从此Hinton 教授身兼多伦多大学教授和Google研究者的双重身份。Google 随后斥资 4 亿美元收购人工智能初创的前沿人工智能企业Deep Mind。另外，Google 还收购了乌克兰面部识别技术开发商View-dle。
紧随Hinton 教授的步伐，纽约大学Yann Le Cun教授，2013 年底被聘请为Facebook 人工智能研究院的总管; 斯坦福大学吴恩达( Andrew Ng) 教授，2014年被百度聘任为首席科学家负责“百度大脑”的计划( 2017 年已经辞职) ; 斯坦福大学李飞飞教授( Fei-Fei Li) 成为谷歌云计算部门的负责人之
一。这些现象一方面说明人工智能现在受工业界的欢迎程度，同时也说明了人工智能目前的发展趋势是学术研究和企业开发的快速深度结合。
2 人工智能的主要研究学派
2. 1 结构模拟
近代科学强调“结构决定论”[14]，认为只要系统的结构清楚了，功能也就认识清楚了。最先提出来的智能模拟就是结构模拟的思路，其代表性的成果有神经元的MP 模型、多层感知器MLP 模型和人工神经网络等[15]。在机械系统的研究中非常有用的结构决定论，在智能系统的研究中却存在很多问题。结构只是硬件基础，不能完全确定系统的智能行为。正如现在对于单个神经元的生理活动机制已经研究得非常深入，但是大量的神经元连接在一起所呈现的智能行为目前的理解还是非常肤浅。作为结构模拟的主流成功方法，人工神经网络具有非常突出的优点: 1) 人工神经网络具有比较规范的结构; 2) 系统具有大量可以调节的参数，自由度大，可以实现非常多样的系统; 3) 网络具有并行处理的机制; 4) 信息分布存储，提供了优良的记忆和联想能力; 5) 系统具有很强的自适应能力和高度的容错能力。当然人工神经网络也具有很多弱点和局限性[16]: 1) 人的智能系统不仅结构复杂，而且机制深奥，不是现在的人工神经网络所能完全模拟的; 2) 人工神经网络能做到的规模和人脑相比还是太小;
3) 神经元的工作机理过度简化，难以保证系统能最终模拟人脑。另外，人工神经网络将一切智能都归为数值计算，在未能回答任何问题是否都可以形式化或者数值化这个问题之前，这种数值化计算能否完全模拟人类智能还是一个问题。
2. 2 功能模拟
面对结构模拟所存在的问题，另外一类观点认为，人工智能的研究无需去理会智能的具体结构，只要能够模拟智力功能即可，这就是“功能主导论”下的功能模拟思路。实际上，功能模拟的最典型代表就是传统的人工智能，如专家系统是其最成功的应用。功能模拟也常常被称为符号主义、逻辑主义、心理学派。符号主义认为人工智能源于数理逻辑。数理逻辑在20 世纪30 年代开始应用于描述智能行为[17]，并在计算机上实现逻辑演绎系统。后来符号主义者进一步发展为启发式算法—专家系统—知识工程理论和技术。这方面的研究一开始取得了不少成绩，但是一直被批评为难以解决实际问题。直到专家系统出现，为工业、经济和社会领域带来了成功的方案，如第一个专家系统DENDRAL用于质谱仪分析有机化合物的分子结构，MYCIN[18]医疗专家系统用于抗生素药物治疗等。符号主义曾经在人工智能领域中一枝独秀，为人工智能发展做出了极大贡献，我国吴文俊院士关于几何定理机械化证明就是其中一
项非常重要的成果。[19]当然，功能模拟也具有明显的缺点: 系统的智能水平与获得的知识水平有很大的关系。而且很多知识获取困难，专家知识充满矛盾和偏面，再加上现有逻辑理论的局限性等，使得功能模拟在发展过程中也困难重重。
2. 3 行为模拟
在功能模拟和结构模拟都暴露了各自的缺陷后，20 世纪90 年代，开始出现了行为模拟的思路，即“行为表现论”。[20]该观点认为，无论采用什么样的结构和具有什么样的功能，只要系统能表现出智能行为( 在外界刺激时能够产生恰当的行为响应) ，就等于模拟了智能系统。在这个研究方法中，首先是机器感知，然后针对感知信息做模式分类，最后是对感知判断结果做出的模拟智能的行为，这也被称为感知-动作系统。这方面的典型应用是Brooks 完成的模拟六脚虫的爬行机器人等系统。[21]感知-动作系统涉及到一个重要问题: 随着任务环境的变化，系统如何能自主学习并扩充从感知到动作之间的映射知识? 这当然就是一个机器学习问题。行为模拟也具有明显的缺点: 只有那些能用行为表现的智能才能被模拟，可是很多智能过程无法用行为直接表达。
2. 4 机制模拟
结构模拟、功能模拟和行为模拟都具有先天不足，而且这 3 大方法之间
缺乏理论上的统一性。后来的研究发现，智能的生成机制才是智能系统的核心。机制模拟方法认为，无论对什么问题、环境和目标，智能系统的生成机制必然要获得“问题、约束条件、预设目标”等信息，然后提取和建立相关知识，进而在目标控制下，利用上述信息和知识演绎出求解问题的策略，并转化为相应的智能行为作用于问题，并解决问题。这可以概括为一种“信息—知识—智能转换过程”。根据这个观点，结构模拟可以认为是“信息—经验知识—经验策略转换过程”，功能模拟是“信息—规范知识—规范策略转换过程”，行为模拟可以认为是“信息—常识知识—常识策略转换过程”。因此，结构模拟、功能模拟和行为模拟三者都是平行的，而机制模拟和谐地统一了上述 3 种模拟方法，成为了一个统一的理论。[22]
在AI 发展过程中，上述多个方法各自都出现过自己的发展巅峰和低谷时期。目前的AI 热潮则源于结构模拟方法方面的突破，即由于解决了深度神经网络的训练问题，加上大数据的高性能计算平台( 云计算、GPU 等) 变成现实，使得深度神经网络的表达能力得到了充分的发挥，对AI 的发展起到了推波助澜的作用。本文将进一步以深度学习为主介绍其发展和成功案例。
3 深度学习促进的人工智能发展
深度学习提出至今，已经在各类应用上取得了巨大的进展。尤其是基于深
度学习的Alpha Go 系统一举击败韩国围棋手李世石以后，人们都对以深度学习为主的AI 研究充满了期待。事实上，现在几乎每天都可以看到AI 取得各类突破的报道。感兴趣的读者可以在网上找到各种最新的进展报道。本文将选择其中几个主要的进展进行简单介绍。[23]
深度学习在实际应用中的成功案例首推图像识别。2009 年，普林斯顿大学建立了第一个超大型图像数据库供计算机视觉研究者使用，随后在以Ima-ge Net 为基础的大型图像识别竞赛“Image Net LargeScale Visual Ｒecognition Challenge 2012 ”中，Hinton团队将深度学习应用到Image Net 图像识别问题上，正确率稳居第一，并且性能遥遥领先第二名团队。这标志着深度学习在图像识别领域大幅度超越其他技术，成为AI 技术突破点。随后以深度学习为主的图像分析处理方法层出不穷，如深度残余学习( DeepＲesidual Learning) 方法等。目前基于深度学习的图像识别功能已经超越了人类。[24]语言是人机交流的一种重要途径，攻克语音识别是AI 必须面对的问题之一。最先开始在语音识别上取得成功的深度学习方法是Hinton 等在文献中的方法，该方法用ＲBM 对神经网络进行预训练，再用深度神经网络模型( DNN) 识别语音。在Google 的一个基准测试中，单词错误率降低到12. 3%。文献用ＲNN / LSTM 等技术在音位错误率测
试中优于同期的所有其他技术。AI 在语音识别上的成功是继图像识别之后的又一个技术突破点。
除此以外，深度学习在游戏方面也取得了突破。最为世人所称道的是Alpha Go对局李世石的比赛，Alpha Go 以压倒性的胜利赢了人类顶级棋手，其中很多精妙的招式让人叹为观止。到底是深度学习算法已经像人类一样具有了创造力还是神经元参数、适当的算法结合CPU 的计算蛮力下的成功，值得人们深思。Google 的Deep Mind 团队开发的深度Q网络( DQN) 在49 种Atari 像素游戏中，29 种达到乃至超过人类职业选手的水平。
机器具有强大的计算能力、存储空间和检索速度，如果说机器在逻辑思维上能模仿并击败人类是合情合理的。那么说机器能学会艺术鉴赏，则将令人难以置信。实际上，文献中报道了深度学习已经可以分辨不同艺术作品的内容和风格，并且学会把一幅作品的艺术风格应用到其他作品中去。Google的AI 实验室成功实现让机器学习小说的叙述和文字用法，甚至句子的构造。这意味着深度学习可以量化很多人类独有的一些模糊的判决能力，有些感觉人类本身也不清楚如何解释，甚至只是停留在感觉层面，如艺术风格、文采特色以及棋类游戏中的棋面优势等。这些本来只可言传，不可意会的概念居然被机器学会了。到底是机器学习厉害，还是这些虚幻的概念后面其实有个虽然非常复杂，
但是明确可以获得的函数在支配，而深度学习只是用其蛮力去把这些函数反映到了数亿冰冷的参数中去?[25]
4 人工智能发展面临的主要问题和新的研究方向
AI 概念提出以后，迅速发展成为一门广受关注的交叉和前沿学科，在很多方面取得了丰硕成果。尤其是近来深度学习的发展，更是将AI 研究推向一个新的高潮。深度学习的成功故事每天都在上演，似乎深度学习是无所不能的。所以，人们对AI 产生浓厚兴趣，产业界首先布局，大量资本与并购的涌入并加速AI 技术与应用的结合，蔓延升温。那么，抛开商业因素，AI 在技术上是否还存在什么问题? 它今后的发展方向是什么?
深度学习技术和早年的多层神经网络相比，理论上的突破其实不大。深度学习现存一个根本的缺陷，就是缺乏完善的理论支撑，对于其结果缺乏解释，包括网络的设计、参数的设置和取得的效果。寻找理论上的深入解释，是深度学习发展必须解决的一个重要问题。
目前深度学习一般需要大数据支持，但并不是所有的应用都具备大数据条件的。结合传统知识表达和数据驱动知识学习，可以解决很多迫切的现实问题。这也是今后发展的一个重要方向。[26]
还有，深度学习在训练网络中需要大量有标记的数据去学习输入和输出的
映射关系，这样获得的模型往往无法将其泛化到与训练时不同条件的数据集上。而现实应用中，我们遇到的数据集常常会包含很多新场景，许多数据是模型在训练过程中没出现过的，因此学习得到的模型可能无法很好地预测结果。将学习得到的知识迁移到新的条件和环境的能力通常被称为迁移学习，这是今后一个重要的研究方向。如果我们将迁移学习做到极限，仅仅从少数几个甚至零个样本中学习( 如一次和零次学习) ，将能解决更多实际问题。执行一次和零次学习的模型是机器学习中最难的问题之一，可这对我们人类而言却不是那么困难的。这是AI 发展一个值得深入研究的问题。
另外有一个非常值得进一步思考的问题: 是否非得要采用深度神经网络进行学习? 如果所考虑问题的数据和目标之间的函数关系比较简单，那么我们完全可以用浅度的网络进行建模学习。但是如果这个函数的确比较复杂，是否一定要用深度网络呢?针对这个问题，南京大学周志华教授等提出一种基于树的方法，叫“深度森林”[27]，来挑战深度学习。在设置可类比的情况下，深度森林取得了和深度神经网络相当甚至更好的结果，而且更容易训练，小数据也能运行。更重要的是相比深度神经网络，基于树的方法不会存在那么困难的理论分析问题。他们的方法为在许多任务中使用深度神经网络之外的方法打开了一扇门。[28]
5 结论
到目前为止，人工智能的研究依然还处于初级阶段，距离最终的目标还有很长的路要走。深度学习方法取得了巨大的进展，但是没有坚实的理论基础，无法实现对系统和性能的透彻理解和预测。[29]还有很多的问题摆在我们面前，如迁移学习、小样本学习、增强学习等，这些都是人工智能研究急需解决的问题。虽然人工智能在很多方面已经赶超人类，但是本质上离真正的智能还是有很大的距离，这也是我们进一步期待和努力的方向。[30]
参考文献
[1] 李蕾,王小捷. 机器智能[M]. 北京: 清华大学出版社,2016
[2] 顾险峰. 人工智能的历史回顾和发展现状[J].自然杂志,2016,38(3) : 157-166
[3] Hinton G,Osindero S,Teh Y W.A fast learning algorithmfor deep belief nets[J]. Neural Computation,2006,18(7) : 1527-1554
[4] Hinton G, Salakhutdinov R R. Reducing thedimensionality of data with neural networks[J]. Science,2006,313(5786) : 504-507
[5] 钟义信.高等人工智能原理: 观念?方法?模型?理论[M].北京: 科学出版社,2014
[6] Mc Culloch W S,Pitts W.A logical calculus of the ideasimmanent in nervous activity [J]. Bulletin ofMathematical Biology,1990,52(1/2): 99-115
[7] Rosenblatt F. The perceptron: A probabilistic model forinformation storage and organization in the brain[J].Psy-chological Review,1958,65(6) : 386-408
[8] Haykin S.Neural networks: A comprehensive foundation[M].Upper Saddle River,NJ: Prentice Hall,2004
[9] Lindsay R K,Buchanan B G,Feigenbaum E A,et al.DENDRAL: A case study of the first expert system forscientific hypothesis formation[J]. ArtificialIntelligence,1993,61(2): 209-261
[10] Shortliffe E H.Mycin: A rule-based computer program foradvising physicians regarding antimicrobial therapy selec-tion[D].Stanford: Stanford University,1975
[11] Brooks R A.Intelligence without representation[J].Artifi-cial Intelligence,1991,47(1/2/3): 139-159
[12] Rumelhart D E,Hinton G,Williams R J.Learning internalrepresentations by error propagation[J].Readings in Cog-nitive Science,1988,1: 399-421
[13] Rumelhart D E,Hinton G,Williams R J.Learning repre-sentations by back-propagating errors[J]. Nature,1986,323(6088): 533-536
[14] Hornik K.Approximation capabilities of multilayer feed-forward networks [J]. Neural Networks,1991,4(2): 251-257
[15] Csji B C.Approximation with artificial neural networks[D].Budapest,Hungary: Faculty of Sciences,Etvs LorndUniversity,2001
[16] Le Cun Y,Boser B,Denker J S,et al.Backpropagation ap-plied to handwritten zip code recognition [J]. NeuralComputation,1989,1(4): 541-551
[17] Le Cun Y,Bottou L,Bengio Y,et al. Gradient-basedlearning applied to document recognition[J].Proceedingsof IEEE,1998,86(11): 2278-2324
[18] Hochreiter S. The vanishing gradient problem duringlearning recurrent neural nets and problem solutions[J].International Journal of Uncertainty,Fuzziness andKnowledge-Based
Systems,1998,6(2): 107-116
[19] Vapnik V.The nature of statistical learning theory[M].New York: Springer,1999
[20] Glorot X,Bordes A,Bengio Y.Deep sparse rectifier net-works[J]. Journal of Machine Learning Research,2011(15): 315-323
[21] 孙志军,薛磊,许阳明,等. 深度学习研究综述[J]. 计算机应用研究,2012,29(8):2806–2810.
[22] 林妙真. 基于深度学习的人脸识别研究[D]. 大连:大连理工大学,2013. [7] 朱明,武妍.基于深度网络的图像处理研究[J].电子技术与软件工程,2014(5):101-102
[23] 蒋宗礼.人工神经网络导论[M].北京:高等教育出版社,2001
[24] 郭丽丽,丁世飞.深度学习研究进展[J].计算机科学,2015,5:28-33.
[25] 焦夏,张世波. 基于移动学习的成人深度学习模式研究[J].中国教育信息化,2012,(19):82-85.
[26] 潘庆玉. 导向深度学习的游戏沉浸式教学模式[J].当代教育科学,2009,(10):20-24.
[27] 蒋梦娇,邹霞. 基于MOOCs环境的深度学习研究[J].软件导刊(教育技术),2014,(07):37-39.
[28] 陈意. 基于移动学习的深度学习研究[J].江苏广播电视大学学报,2011,(01):24-26.
[29] 王照亮. 基于Web的3D教育游戏的研究与设计[D].宁波大学,2011.
[30] 张浩,吴秀娟,王静.深度学习的目标与评价体系构建[J]. 中国电化教育,2014,(07):51-55.
人工智能算法综述 人工智能算法大概包括五大搜索技术，包括一些早期的搜索技术或用于解决比较简单问题的搜索原理和一些比较新的能够求解比较复杂问题的搜索原理，如遗传算法和模拟退火算法等。 1、盲目搜索 盲目搜索又叫做无信息搜索，一般只适用于求解比较简单的问题。包括图搜索策略，宽度优先搜索和深度优先搜素。 1、图搜索（GRAPH SERCH）策略是一种在图中寻找路径的方法。在有关图的表示方法中，节点对应于状态，而连线对应于操作符。 2、如果搜素是以接近其实节点的程度依次扩展节点的，那么这种搜素就叫做宽度优先搜素（breadth-first search 。 3、深度优先搜索属于图算法的一种,英文缩写为DFS即Depth First Search.其过程简要来说是对每一个可能的分支路径深入到不能再深入为止,而且每个节点只能访问一次。 二、启发式搜索 盲目搜索的不足之处是效率低，耗费过多的时间和空间。启发信息是进行搜索技术所需要的一些有关具体问题的特性的信息。利用启发信息的搜索方法叫做启发式搜索方法。 启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。 3、博弈树搜索 诸如下棋、打牌、竞技、战争等一类竞争性智能活动称为博弈。博弈有很多种，我们讨论最简单的"二人零和、全信息、非偶然"博弈，其特征如下： (1 对垒的MAX、MIN双方轮流采取行动，博弈的结果只有三种情况：MAX方胜，MIN方败；MIN方胜，MAX方败；和局。 (2 在对垒过程中，任何一方都了解当前的格局及过去的历史。
科技广场２００７．１２３０
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。 ３研究热点 ＡＩ研究出现了新的高潮，这一方面是因为在人工智能理论方面有了新的进展，另一方面也是因为计算机硬件突飞猛进的发展。随着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三个热点是： 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）主体系统是具有信念、愿望、意图、能力、选择、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。多主体系统试图 用主体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、机器人以及智能机械等领域。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实际应用 人工智能是在计算机科学、控制论、信息论、心 理学、语言学等多种学科相互渗透的基础发展起来 的一门新兴边缘学科，主要研究用机器（主要是计 算机）来模仿和实现人类的智能行为，经过几十年 的发展，人工智能应用在不少领域得到发展，在我 们的日常生活和学习当中也有许多地方得到应用。 本文就符号计算、模式识别、专家系统、机器翻译 等方面的应用作简单介绍，籍此使读者对我们身边 的人工智能应用有一个感性的认识。 （１）符号计算 计算机最主要的用途之一就是科学计算，科学计 算可分为两类： 一类是纯数值的计算，例如求函数的 值，方程的数值解，比如天气预报、油藏模拟、航天 等领域； 另一类是符号计算，又称代数运算，这是一 种智能化的计算，处理的是符号。符号可以代表整 数、有理数、实数和复数，也可以代表多项式，函数， 集合等。随着计算机的普及和人工智能的发展，相继 出现了多种功能齐全的计算机代数系统软件，其中 Ｍａｔｈｅｍａｔｉｃａ和Ｍａｐｌｅ是它们的代表，由于它们都是 用Ｃ语言写成的，所以可以在绝大多数计算机上使 用。 （２）模式识别 模式识别就是通过计算机用数学技术方法来研 究模式的自动处理和判读。这里，我们把环境与客体 统称为“模式”，随着计算机技术的发展，人类有可 能研究复杂的信息处理过程。用计算机实现模式 （文字、声音、人物、物体等）的自动识别，是开发 智能机器的一个最关键的突破口，也为人类认识自 身智能提供线索。计算机识别的显著特点是速度快、 准确性和效率高。识别过程与人类的学习过程相似。 以“语音识别”为例： 语音识别就是让计算机 能听懂人说的话，一个重要的例子就是七国语言（英、日、意、韩、法、德、中）口语自动翻译系统。 该系统实现后，人们出国预定旅馆、购买机票、在 人 工 智 能 发 展 综 述 ２３１
人工智能 “人工智能”(Artificial Intelligence)简称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，是计算机科学的一个分支。是计算机科学技术的前沿科技领域。 人工智能虽然是计算机科学的一个分支，但它的研究却不仅涉及到计算机科学，而且还涉及到脑科学、神经生理学、心理学、语言学、逻辑学、认知(思维)科学、行为科学和数学以及信息论、控制论和系统论等许多学科领域。因此，人工智能实际上是一门综合性的交叉学科和边缘学科。 在世界各地对人工智能的研究很早就开始了。但对人工智能的真正实现要从计算机的诞生开始算起，这时人类才有可能以机器实现人类的智能。AI这个英文单词最早是在1956年的一次会议上提出的，在此以后．因为一些科学家的努力使它得以发展。但人工智能的进展并不像我们期待的那样迅速，因为人工智能的基本理论还不完整．我们还不能从本质上解释我们的大脑为什么能够思考，这种思考来自于什么，这种思考为什么得以产生等一系列问题。但经过这几十年的发展，人工智能正在以它巨大的力量影响着人们的生活[1]。 一、人工智能涉及的技术或方法的基本功能、特点与适用对象 目前，人工智能的研究是与具体领域相结合进行的。基本上有如下领域[2]： 1)问题求解 人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题归约这样的人工智能基本技术。今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和工程师所应用。有些程序甚至还能够用经验来改善其性能。 2)逻辑推理与定理证明 逻辑推理是人工智能研究中最持久的子领域之一。其中特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。为此不仅需要有根据假设进行演绎的能力，而
人工智能研究方法的文献综述 1、前言 本文综述了人工智能的主要研究方法，并对各方法进行分析和总结，并阐述了目前人工智能研究方法日趋多样化的研究现状。 2、主题 研究方法，对一个问题的研究方法从根本上说分为两种：其一，对要解决的问题扩展到他所隶属的领域，对该领域做一广泛了解，研究该领域从而实现对该领域的研究，讲究广度，从对该领域的广泛研究收缩到问题本身；其二，把研究的问题特殊化，提炼出要研究问题的典型子问题或实例，从一个更具体的问题出发，做深刻的分析，研究透彻该问题，再一般化扩展到要解决的问题，讲究研究深度，从更具体的问题入手研究扩展到问题本身。 人工智能的研究方法主要可以分为三类：一、结构模拟，神经计算，就是根据人脑的生理结构和工作机理，实现计算机的智能，即人工智能。结构模拟法也就是基于人脑的生理模型，采用数值计算的方法，从微观上来模拟人脑，实现机器智能。采用结构模拟，运用神经网络和神经计算的方法研究人工智能者，被称为生理学派、连接主义。二、功能模拟，符号推演，就是在当前数字计算机上，对人脑从功能上进行模拟，实现人工智能。功能模拟法就是以人脑的心理模型，将问题或知识表示成某种逻辑网络，采用符号推演的方法，实现搜索、推理、学习等功能，从宏观上来模拟人脑的思维，实现机器智能。以功能模拟和符号推演研究人工智能者，被称为心理学派、逻辑学派、符号主义。三、行为模拟，控制进化，就是模拟人在控制过程中的智能活动和行为特性。以行为模拟方法研究人工智能者，被称为行为主义、进化主义、控制论学派。 人工智能的研究方法，已从“一枝独秀”的符号主义发展到多学派的“百花争艳”，除了上面提到的三种方法，又提出了“群体模拟，仿生计算”“博采广鉴，自然计算”“原理分析，数学建模”等方法。人工智能的目标是理解包括人在内的自然智能系统及行为，而这样的系统在实在世界中是以分层进化的方式形成了一个谱系，而智能作为系统的整体属性，其表现形式又具有多样性，人工智能的谱系及其多样性的行为注定了研究的具体目标和对象的多样性。人工智能与前沿技术的结合，使人工智能的研究日趋多样化。 3、总结 人工智能的研究方法会随着技术的进步而不断丰富，很多新名词还会被提出，但研究的目的基本不变，日趋多样化的研究方法追根溯源也就是研究问题的两种方法的演变。对人工智能中尚未解决的众多问题，运用基本的研究问题的方法，结合先进的技术，不断实现智能化。人工智能与前沿技术密切联系，人工智能的研究方法必然日趋多样化。 4、参考文献 （1）人工智能技术导论廉师友西安电子科技大学出版社2007.8 （2）人工智能研究方法及途径熊才权2005年第三期 （3）人工智能学派及其在理论、方法上的观点蔡自兴1995.5 （4）人工智能研究的主要学派及特点黄伟聂东陈英俊2001第三期 （5）人工智能研究对思维学的方法论启示尹鑫苏国辉2002.10第四期
人工智能算法综述人工智能算法大概包括五大搜索技术，包括一些早期的搜索技术或用于解决比较简单问题的搜索原理和一些比较新的能够求解比较复杂问题的搜索原理，如遗传算法和模拟退火算法等。 1、盲目搜索 盲目搜索又叫做无信息搜索，一般只适用于求解比较简单的问题。包括图搜索策略，宽度优先搜索和深度优先搜素。 1、图搜索(GRAPH SERCH)策略是一种在图中寻找路径的方法。在有关图的表示方法中，节点对应于状态，而连线对应于操作符。 2、如果搜素是以接近其实节点的程度依次扩展节点的，那么这种搜素就叫做宽度优先搜素( breadth-first search。 3、深度优先搜索属于图算法的一种，英文缩写为DFS即Depth First Search其过程 简要来说是对每一个可能的分支路径深入到不能再深入为止,而且每个节点只能访问一次。 二、启发式搜索 盲目搜索的不足之处是效率低，耗费过多的时间和空间。启发信息是进行搜索技术所需要的一些有关具体问题的特性的信息。利用启发信息的搜索方法叫做启发式搜索方法。 启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。 3、博弈树搜索 诸如下棋、打牌、竞技、战争等一类竞争性智能活动称为博弈。博弈有很多种，我们讨论最简单的"二人零和、全信息、非偶然" 博弈，其特征如下： (1对垒的MAX MIN双方轮流采取行动，博弈的结果只有三种情况：MA)方胜，MIN方败；MIN方胜，MAX方败；和局。 (2 在对垒过程中，任何一方都了解当前的格局及过去的历史。 (3 任何一方在采取行动前都要根据当前的实际情况，进行得失分析，选取对自 已为最有利而对对方最为不利的对策，不存在掷骰子之类的"碰运气"因素即双方都是很理智地决定自己的行动。 在博弈过程中，任何一方都希望自己取得胜利。因此，当某一方当前有多个行
人工智能的发展及未来畅想 最近看了电影《黑客帝国》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，而是因为其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。她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。 目前，人工智能的研究是与具体领域相结合进行的。基本上有如下领域。 一、专家系统：专家系统是依靠人类专家已有的知识建立起来的知识系统，目前专家系统是人工智能研究中开展较早、最活跃、成效最多的领域，广泛应用于医疗诊断、地质勘探、石油化工、军事、文化教育等各方面。它是在特定的领域内具有相应的知识和经验的程序系统，它应用人工智能技术、模拟人类专家解决问题时的思维过程，来求解领域内的各种问题，达到或接近专家的水平。 二、机器学习：机器学习的研究，主要在以下三个方面进行：一是研究人类学习的机理、人脑思维的过程；和机器学习的方法；以及建立针对具体任务的学习系统。机器学习的研究
２０１０年４月电脑学习第２期 人工智能综述 卢妙娜。王润 摘要：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的学科．主要包括计算机实现的智能的原理、制造套似于人脑智能的计算机。使计算机能实现更高层次的应用。 关键词：人工智能计算机知识 中图分类号：ＴＰｌ８文献标识码：Ａ文章编号：１００２－２４２２（２０１０）０２－０００３－０２ ＡｎＯｖｅｒｖｉｅｗｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ ＬｕＭｈ蚰ａＷａｎｇＲｕｎ Ａｂｓｔｒａｃｔ：Ｋｅｙｗｏｒｄ：＂ＡｒｔｉｆｉｃｉａｌＩｍｅＵｉｇｅｎｃｏ。ｉｓｔｈｅｓｕｂｊｅｃｔｔｈａｔｓｔｕｄｉｅｓｈｏｗｔｏｕ∞ｃｏｍｐｕｔｅｒｓｔｏｆｉｍｕｌａｔｅｈｕｍａｎｔｈｏｕｇｈｔｓａｎｄｂｅｈａｖｉｏｒｓ，ｗｈｉｃｈｉｎｃｌｕｄｅｓｔｈｅｒｅａｌｉｚａｔｉｏｎｐｒｉｎｃｉｐｌｅｓｏｆｃｏｍｐｕｔｅｒｉｎｔｅｌｌｉｇｅｎｃｅ，ｐｒｏｄｕｃｉｎｇｃｏｍｐｕｔｅｒｓｓ蛐ｔｏｈｕｍａｎｉｎｔｅｌｌｉｇｅｎｃｅ， ａｎｄａｐｐｌｙｉｎｇｃｏｍｐｕｔｅｒｓｉｎｔｈｅｐｎｗｔｉｅｅｏｎａｈｉｇｈｅｒｌｅｖｅｌ． ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅＣｏｍｐｕｔｅｒＫｎｏｗｌｅｄｇｅ １计算机与智能 熟知的棋王卡斯帕罗夫与ＩＢＭ公司的“深蓝”计算机系统进行了六局“人机大战”，结果“深蓝”以３．５比２．５的总比分获胜。比赛给人们留下了深刻的思考：下棋要求选手要有很强的思维能力、记忆能力、丰富的下棋经验，还得及时作出反映，否则一着出错满盘皆输，这显然是个“智能”问题。尽管开发“深蓝”计算机的ＩＢＭ专家认为离智能计算机还相差甚远，但以每秒２１０８步棋的并行的计算速度，实现了人类智力的计算机上的部分模拟。 从字面上看，“人工智能”就是用人工的方法在计算机上实现人的智能，或者说是人们使计算机具有类似于人的智能。 ２智能与知识 在２０世纪７０年代以后，许多国家都相继开展了人工智能的研究，由于当时对实现机器智能理解得过于容易和片面，认为只要一些推理的定律加上强大的计算机就能有专家的水平和超人的能力。这样虽然也获得一定成果，但问题也跟着出现了，例如机器翻译当时人们往往认为只要用一部双向词典及词法知识，就能实现两种语言文字的互译， 其实完全不是这么一回事。例如，把英语句子“Ｔｉｍｅｆｌｉｅｓｌｉｋ明脚ｗ”（光阴似箭）翻译成日语，然后再译回英语，竟然成为“苍蝇喜欢箭”。在其它方面也都遇到这样或者那样的困难。这时，本来对人工智能抱怀疑态度的人提出诸多苛刻的指责，人工智能的研究一度进入了低潮。 然而人们继续探索，认识到人的智能表现在人能学习知识，有了知识，能了解、运用已有的知识。智能的核心是思维，人的一切智慧或智能都来自大脑思维活动，人类的一切知识都是人们思维的产物。要让计算机“聪明”起来，首先要解决计算机如何学会知识，以及如何运用知识的问题。人工智能研究的开展应当改变为以知识为中心来进行。此后，以专家知识为基础开发的专家系统在许多领域里获得成功，例如地矿勘探专家系统拥有１５种矿藏知识，能根据岩石标本及地质勘探数据对矿产资源进行估计和预测，能对矿床分布、储藏量、开采价值等进行推断，制定合理的开采方案，成功地找到了超亿美元的钼矿，显示出较高的水平。 专家系统的成功，充分表明知识是智能的基础，人工智能的研究必须以知识为中心来进行．由于知识的表示、利用、获取等研究都取得较大的进展。因而，人工智能的研究已解决了许多理论和技术上的问题。 ３人工智能研究的目标 １９５０年英国数学家图灵发表的“计算机与智能”论文中提出著名的“图灵测试”，让人和机器分别位于两个房间，只可通话，不能互相看见。通过对话，如果人的一方不能区分对方是人还是机器，那么就可以认为那台机器达到了 模式识别与人工智能，１９９９，１２（２）：２４１—２４４．【Ｊ】．北京：计算机学报，２０００，２３（７）：７６３－７６７． 【５】王爱民，沈兰荪．图像分割研究综述【Ｊ】．北京：测控技术，２０００，１９］ＧＫｕｎｔｉｍａｄ，ＨＳＢａｎｇａｎａｔｈ?Ｐｅｒｆｅｃｔｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｕｓｉｎｇ１９（５）；ｌ一５．ＰＣＮＮ［Ｊ］?ＩＥＥＥ Ｔｒａｎｓ，ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，Ｍａｙｌ９９９，１０（３）：５９ｌ一 ‘Ｏ叠 【６】罗希平，田捷?诸葛婴，等?图像分割方法综述?合肥：模式识【ｌｏｉ意Ｙｉｄｅ，ＤａｉＲ０ｌａｎ，ｕｕ蛐ｅｔａｌ．ＩｌＩＩａ铲∞ｇｒｎｅｎｔａｔｉ仰０ｆｅ－ 别与人工智能，１９９９，１２（３）：３００—３１２? ｍｂｒｙｏｎｊｃ讪阻ｔｃｅｌｌｕｓｉＩｌｌ；ＰｌＩｌ辩一ｃｏｕｐｌｅｄ ＮｅＩ二ｌＮｅｈｒ。ｒｋ８Ｃ一【７】钱志柏．基于模糊聚类和ＰＣＮＮ的图像分割新算法研究【Ｄ】．ｈｉｎｅ∞ＳｃｉｅｎｃｅＢｕｕｃｔｉｏｎ，２００２，４７（０２）：１６７—１７２．（ＳＣｌ）兰州：兰州大学研究生论文，２００４：６．【１１】ＫｅｎｎｅｔｈＲＣａｓｔｌｅｍａｎ．数字图像处理【Ｍ】．北京：电子工业出【８１王月兰，曾迎生．信息融合技术在彩色图像分割方法中的应用版社，１９９８． 收稿日期：２０１０一Ｏｌ—ｌｌ ?卢妙娜韩山师范学院外语系高教研究助理研究员（广东，潮州５２１０４１）。 ?３。 万方数据
人工智能的形成及其发展现状分析 冯海东 （长江大学管理学院荆州434023） 摘要：人工智能的历史并不久远，故将从人工智能的出现、形成、发展现 状及前景几个方面对其进行分析，总结其发展过程中所出现的问题，以及发展现状中的不足之处，分析其今后的发展方向。 关键词：人工智能，发展过程，现状分析，前景。 一．引言 人工智能最早是在1936年被英国的科学家图灵提出，并不为多数人所认知。 当时，他编写了一个下象棋的程序，这就是最早期的人工智能的应用。也有著名的“图灵测试”，这也是最初判断是否是人工智能的方案,因此，图灵被尊称为“人工智能之父”。人工智能从产生到发展经历了一个起伏跌宕的过程，直到目前为止，人工智能的应用技术也不是很成熟，而且存在相当的缺陷。 通过搜集的资料，将详细的介绍人工智能这个领域的具体情况，剖析其面临的挑战和未来的前景。 二．人工智能的发展历程 1. 1956年前的孕育期 (1) 从公元前伟大的哲学家亚里斯多德(Aristotle)到16世纪英国哲学家培根(F. Bacon)，他们提出的形式逻辑的三段论、归纳法以及“知识就是力量”的警句，都对人类思维过程的研究产生了重要影响。 （2）17世纪德国数学家莱布尼兹(G..Leibniz)提出了万能符号和推理计算思想，为数理逻辑的产生和发展奠定了基础，播下了现代机器思维设计思想的种子。而19世纪的英国逻辑学家布尔（G. Boole）创立的布尔代数，实现了用符号语言描述人类思维活动的基本推理法则。 （3） 20世纪30年代迅速发展的数学逻辑和关于计算的新思想，使人们在计算机出现之前，就建立了计算与智能关系的概念。被誉为人工智能之父的英国天才的数学家图灵（A. Tur-ing）在1936年提出了一种理想计算机的数学模型，即图灵机之后,1946年就由美国数学家莫克利（J. Mauchly）和埃柯特（J. Echert）研制出了世界上第一台数字计算机，它为人工智能的研究奠定了不可缺少的物质基础。1950年图灵又发表了“计算机与智能”的论文，提出了著名的“图灵测试”，形象地指出什么是人工智能以及机器具有智能的标准，对人工智能的发展产生了极其深远的影响。 （4） 1934年美国神经生理学家麦克洛奇(W. McCulloch) 和匹兹(W. Pitts )建立了第一个神经网络模型，为以后的人工神经网络研究奠定了基础。 2. 1956年至1969年的诞生发育期 (1)1956年夏季，麻省理工学院（MIT)的麦卡锡（J．McCarthy）、明斯基（M. Minshy）、塞尔夫里奇（O. Selfridge)与索罗门夫(R. Solomonff)、 IBM的洛
人工智能及其发展 ***** 201000445 模式识别与智能系统 （***科技大学信息工程学院） 摘要：人工智能是20世纪计算机科学发展的重大成就，在许多领域有着广泛的应用。本文从人工智能的概念出发 , 首先介绍了人工智能研究的历史与现状 , 并分析了人工智能与具体领域相结合形成的不同学科领域 , 阐述了人工智能主要的应用领域 , 并从哲学的角度对人工智能能否超过人的智能这个问题进行了分析 , 最后介绍了人工智能未来的发展趋势及潜力。 关键词：人工智能；机器人；专家系统；模式识别；计算机科学；发展方向 Artificial Intelligence and its development ***** ,2010000445 ,Pattern Recognition and Intelligent Systems (School of Information Engineering,Southwest University of Science) Abstrac t:AI is the major achievements in the development of computer of the 20th century,and it has been widely applied in many fields. In this paper ,based on the concepts of artificial intelligence, we firstly introduce the history and current situation of artificial intelligence research and analyse artificial intelligence combined with specific areas in different disciplines,then,we describe the main application areas of artifical intelligence,and from the view of a philosophical point,we analyse whether Artifical intelligence can exceed human intelligence.Finally,we introduce the trend of the future development of artificial intelligence and its potential. 1 引言 人工智能(Artificial Intelligence, AI)是20世纪50年代中期兴起的一门新兴边缘科学，它既是计算机科学的一个分支，又是计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学、哲学等多种学科相互渗透而发展起来的综合性学科。人工智能又称为智能模拟，是用计算机系统模仿人类的感知、思维、推理等思维活动。 1.1人工智能的定义 顾名思义,人工智能就是人造智能, 其英文表示是“Artificial Intelligence”, 简称AI。“人工智能”一词目前是指用计算机模拟或实现的智能, 因此人工智能又称机器智能。当然, 这只是对人工智能的字面解释或一般解释。关于人工智能的科学定义, 学术界目前还没有统一的认识。是一门综合了计算机科学、生理学、哲学的交叉学科。“人工智能”一词最初是在1956年美国计算机协会组织的达特莫斯(Dartmouth)学会上提出的。自那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。由于智能概念的不确定，人工智能的概念一直没有一个统一的标准。著名的美国斯坦福大学人工智能研究中心尼尔逊
人工智能发展综述 摘要:概要的阐述下人工智能的概念、发展历史、当前研究热点和实际应用以及未来的发展趋势。 关键词:人工智能; 前景; 发展综述 人工智能(Artificial Intelligence)自1956 年正式问世以来的五十年间已经取得了长足的进展,由于其应用的极其广泛性及存在的巨大研究开发潜力, 吸引了越来越多的科技工作者投入人工智能的研究中去。尤其是八十年代以来出现了世界范围的开发新技术的高潮，许多发达国家的高科技计划的重要内容是计算机技术,而尤以人工智能为其基本重要组成部分。人工智能成为国际公认的当代高技术的核心部分之一。 1什么是人工智能 美国斯坦福大学人工智能研究中心尼尔逊教授给人工智能下了这样一个定义:人工智能是关于知识的学科, 是怎样表示知识以及怎样获得知识并使用知识的科学。从人工智能所实现的功能来定义是智能机器所执行的通常与人类智能有关的功能,如判断、推理、证明、识别学习和问题求解等思维活动。这些反映了人工智能学科的基本思想和基本内容, 即人工智能是研究人类智能活动的规律。若是从实用观点来看,人工智能是一门知识工程学:以知识为对象,研究知识的获取、知识的表示方法和知识的使用。 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。人工智能就是计算机科学中涉及研究、设计和应用智能机器的—个分支，人工智能的目标就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。 2 人工智能历史 当然，人工智能的发展也并不是一帆风顺的，人工智能的研究经历了以下几
人工智能技术课程综述 1 人工智能的定义与发展 1.1 人工智能的定义 40多年来，人工智能获得了很大的发展，已引起了众多学科和不同专业背景学者们的日益重视，成为一门广泛的交叉和前言学科。进十年来，现代计算机的发展已能够存储及其大量的信息，进行快速信息处理，软件功能和硬件实现军取得长足进步，使人工智能获得进一步的应用。 人工智能（Artificial Intelligence），英文缩写为AI。目前的“人工智能”一词是指用计算机模拟或实现的一种智能。同时人工智能又是一个学科名称，作为一个学科，人工智能研究的如何使机器（计算机）具有智能的科学和技术，特别是自然智能如何在计算机上实现或再现的科学技术。从科学的角度讲，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、自然语言处理和专家系统等。 “人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。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。例如繁重的科学和工程计算本来是要人脑来承担的，现在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，因之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，一方面又转向更有意义、更加困难的目标。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。 1.2 人工智能的研究发展 对于人工智能的发展来说，20世纪30年代和40年代的智能界，发现了两件最重要的事：数理逻辑和关于计算的新思想。而人工智能的总体发展阶段大致可以分为以下五大阶段： 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。
题目人工智能的争论与现状学院电子工程学院 专业智能科学与技术 学生姓名 教师姓名
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。但是在人工智能的发展过程中，它也引起了人们关于人工智能理论、方法以及技术路线等争论。尽管如此，人工智能对人类未来的发展，还是会有深远的的意义。 关键字：人工智能；发展现状；未来展望
1.引言 人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。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。例如繁重的科学和工程计算本来是要人脑来承担的，现在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，因之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，一方面又转向更有意义、更加困难的目标。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。 2.人工智能的争论 随着人工智能的发展，计算机科学界以及外界对人工智能的发展持有不同的看法。但总体来说，对于人工智能的争论主要有以下几点： 2.1对人工智能理论的争论 2.1.1符号主义： 符号主义认为人的认知基元是符号，而且认知过程即符号操作过程。它认为人是一个物理符号系统，计算机也是一个物理符号系统，因此，我们就能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。也就是
龙源期刊网 https://www.doczj.com/doc/e89152655.html, 国外人工智能教学应用研究综述 作者：郭炯荣乾郝建江 来源：《电化教育研究》2020年第02期 [摘; ;要] 人工智能技术在教育教学中的应用日渐丰富，国内关于人机协同的研究多偏向于宏观理论探索，实践研究较少。鉴于此，研究以近三年三本具有国际影响力的期刊中人工智能教学应用相关文献为样本，以人工智能局部替代教学、赋能教学为焦点，分析国外人工智能教学应用研究现状。从中可以看出，当前国外研究者在探索认知特征、学习本质和教育规律的基础上，关注将机器学习、逻辑推理、自然语言理解等人工智能技术嵌入各类教学、学习、决策等工具、系统、平台中，支持构建体验学习情境、规范学习行为、评估学业水平和能力结构、制定个性化学习路径和内容等研究，旨在通过人机协同优化教学方式与路径，为学习者提供个性化学习服务。这些研究成果对开发人工智能教学产品、理解学习的本质、探索教学规律等提供了方法指导和可供借鉴的研究范式，但也存在人工智能教学应用研究狭窄化、碎片化、微观化等问题，后期还需从宏观、中观层面开展人工智能与教学的关系研究、人工智能教学应用关键技术研究、人工智能赋能教师的理论基础研究、人工智能与教学融合形态研究、人机协同背景下的教师人工智能教学应用素养研究等。 [关键词] 人工智能; 教学应用; 人机协作; 研究综述; 替代教师; 赋能教师 [中图分类号] G434; ; ; ; ; ; [文獻标志码] A 一、引; ;言 人工智能（Artificial Intelligence，AI）在教育教学中的应用越来越受到重视，大量基于 AI的教育教学工具应用在不同的场景中，逐步被教育者和学习者接纳。研究者也开始对其在教学过程中引发的变革进行积极探讨。国内学者从人工智能对教师职业的再造、人工智能教师在未来教育教学中代替人类所承担的角色、智能时代的教师工具、人工智能时代教师角色与思维的转变等方面进行了研究。主流观点认为，人工智能在可预见的未来并不会完全替代教师，但未来将会是教师与人工智能协作共存的教育新生态[1-4]。但此类研究多偏向于理论探讨、宏观分析，结合案例的教学实证研究较少。国外人工智能教育研究起步早，且更加注重实证研究，可为国内人工智能教学应用的研究与实践提供借鉴。本研究从国外文献入手，选取在国际教育技术领域影响力较大的三本期刊（Computers & Education、International Journal of Artificial Intelligence in Education、Journal of Educational Technology and Society）作为文献来源，从人机协作的视角关注近三年与人工智能教学应用相关的研究。 二、人工智能教学应用研究概述 （一）人工智能教学研究的发展
人工智能技术及其发展趋势 1.关于专用人工智能与通用人工智能，下列表述不当的是（）。（分） A.人工智能的近期进展主要集中在专用智能领域 B.专用人工智能形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能 C.通用人工智能可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题 D.真正意义上完备的人工智能系统应该是一个专用的智能系统 我的答案：D√答对 2.（）是通过建立人工神经网络，用层次化机制来表示客观世界，并解释所获取的知识，例如图像、声音和文本。（分） A.深度学习 B.机器学习 C.人机交互 D.智能芯片 我的答案：A√答对 3.下列选项中，不属于生物特征识别技术的是（）。（分） A.步态识别 B.声纹识别 C.文本识别 D.虹膜识别 我的答案：C√答对 4.（）是自然语言处理的重要应用，也可以说是最基础的应用。（分） A.文本识别 B.机器翻译
C.文本分类 D.问答系统 我的答案：C√答对 1.一般说来，人工智能技术包括（）。（分）） A.深度学习、机器学习 B.计算机视觉、自然语言处理 C.人机交互、生物信息技术、智能芯片 D.虚拟现实/增强现实、机器人技术 我的答案：ABCD√答对 2.指纹识别是通过（）等物理传感器获取指纹图像，经过数据处理进行分析判别。（分）） A.光 B.电 C.力 D.热 我的答案：ABCD√答对 1.机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。（分） 我的答案：正确√答对 2.卷积神经网络是一种常用来处理具有网格结构拓扑数据的神经网络，如处理时序数据和图像数据等，广泛应用于人脸识别、物品识别等领域。（分） 我的答案：正确√答对 3.人工智能是科学交叉的结果，它由不同领域多学科综合发展而来。（分） 我的答案：正确√答对
人工智能 “人工智能”( )简称。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，是计算机科学的一个分支。是计算机科学技术的前沿科技领域。 人工智能虽然是计算机科学的一个分支，但它的研究却不仅涉及到计算机科学，而且还涉及到脑科学、神经生理学、心理学、语言学、逻辑学、认知(思维)科学、行为科学和数学以及信息论、控制论和系统论等许多学科领域。因此，人工智能实际上是一门综合性的交叉学科和边缘学科。 在世界各地对人工智能的研究很早就开始了。但对人工智能的真正实现要从计算机的诞生开始算起，这时人类才有可能以机器实现人类的智能。这个英文单词最早是在年的一次会议上提出的，在此以后．因为一些科学家的努力使它得以发展。但人工智能的进展并不像我们期待的那样迅速，因为人工智能的基本理论还不完整．我们还不能从本质上解释我们的大脑为什么能够思考，这种思考来自于什么，这种思考为什么得以产生等一系列问题。但经过这几十年的发展，人工智能正在以它巨大的力量影响着人们的生活[]。 一、人工智能涉及的技术或方法的基本功能、特点与适用对象 目前，人工智能的研究是与具体领域相结合进行的。基本上有如下领域[]： ) 问题求解 人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题归约这样的人工智能基本技术。今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和施工全过程管理人员所应用。有些程序甚至还能够用经验来改善其性能。 ) 逻辑推理与定理证明 逻辑推理是人工智能研究中最持久的子领域之一。其中特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。 ) 理解自然语言 ( )自然语言处理也是人工智能的早期研究领域之一，已经编写出能够从内部数据库回答用英语提出的问题的程序。这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。有些程序甚至能够在一定程度上