自20世紀50年代以來，經過幾個階段的不斷探索和發展，人工智能在模式識別、知識工程和機器人學等領域取得了巨大成就，但離真正的人類智能還很遠。但進入新世紀以來，隨著信息技術的快速進步，人工智能相關的技術水平也相應提高。特別是隨著互聯網的普及和應用，對人工智能的需求越來越迫切，這也為人工智能的研究提供了新的更廣闊的舞臺。本文強調，在當今網絡時代，作為信息技術的先導，人工智能學習是人工智能科學領域值得關註的研究方向。在跨學科研究中實現人工智能學習的發展和創新，要重視認知科學、腦科學、生物智能、物理學、復雜網絡、計算機科學和人工智能之間的交叉滲透點，特別要重視認知物理學的研究。自然語言是人類思維活動的載體，是人工智能學習中不可回避的知識表示的直接對象。有必要建立壹個可以用語言定量表達概念的不確定性轉換模型，發展不確定性人工智能。我們要利用現實生活中復雜網絡的小世界模型和無標度特性，把網絡拓撲作為壹種新的知識表示方法，研究網絡拓撲的演化和網絡動態行為，研究網絡化智能，以適應信息時代數據挖掘的壹般要求，迎接人工智能學習和應用領域的新輝煌。
摘要
20世紀90年代以來，隨著全球化的形成和日益激烈的國際競爭，人們越來越重視人工智能技術的研究和應用，人工智能在制造業中的應用成為實現制造業知識化、自動化和柔性化以實現快速響應市場的關鍵。
人工智能是研究人類智能的機制以及如何用機器模擬人類智能的學科。在後壹種意義上，人工智能也被稱為“機器智能”或“智能模擬”人工智能是在現代電子計算機出現後發展起來的。它壹方面成為人類智能的延伸，另壹方面為探索人類智能的機制提供了新的理論和研究方法。
學習機制的研究是人工智能研究的核心課題。它是智能系統適應性和自我完善功能的基礎。學習過程具有以下特點:學習行為壹般有明顯的目的性，結果是獲取知識；學習系統中結構的變化是有方向性的，是由學習算法或環境決定的。學習系統是構建智能系統的中樞骨架，是全面組織和保存系統知識的場所。因此，人工智能學習研究的主要目的之壹就是使機器能夠勝任壹些通常需要人類智能來完成的復雜任務。但是，不同的時代，不同的人對這個“復雜的作品”有不同的理解。
壹、人工智能學習的歷史基礎和發展步伐
人工智能學習的發展史與計算機科學技術的發展史相關。除了計算機科學，人工智能還涉及信息論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學、哲學等多個學科。
壹般認為，人工智能的思想可以追溯到德國著名數學家、哲學家萊布尼茨(1646-1716)提出的“通用語言”思想。這壹思想的要點是建立壹種通用的符號語言，在這種語言中用符號表達“思想內容”，用符號之間的形式關系表達“思想內容”之間的邏輯關系。所以“思維機械化”可以用“共同語言”來實現的想法，可以看作是對人工智能最早的描述。
計算機科學的創始人圖靈被譽為“人工智能之父”。他關註的是計算機應該滿足什麽條件才能被稱為“智能”。1950年，他提出了著名的“圖靈實驗”:壹個人和壹臺電腦在兩個房間裏，與外界的聯系只通過鍵盤和打印機。人類裁判向房間裏的人和電腦提問，通過人和電腦的回答判斷哪個房間是人，哪個房間是電腦。圖靈認為，如果“溫和”的裁判不能正確區分，這樣的計算機可以說是智能的。“圖靈實驗”是智能標準的明確定義。有趣的是，雖然有些計算機通過了圖靈實驗，但人們並不承認這些計算機是智能的。這反映了人們對智能標準的理解更加深入，對人工智能的要求更高。
圖靈和馮·諾依曼的上述工作，以及麥卡洛和皮茨對神經網絡數學模型的研究，構成了人工智能的初級階段，實際上是人工智能學習的開始。
人工智能的早期研究給人們留下了深刻的印象。就像自動定理證明的研究意義不僅限於數學壹樣，搜索的研究意義也不僅限於遊戲。認知心理學的信息加工學派認為，人的思維過程很大壹部分可以抽象為壹個問題從初始狀態通過中間狀態到終態的過程，因此可以轉化為壹個搜索問題，由機器自動完成。比如“策劃”。想象壹下，壹個機器人被要求完成壹個復雜的任務，這個任務包含許多不同的子任務，其中壹些子任務只有在其他子任務完成後才能執行。這時，機器人需要事先“設想”壹個可行的行動計劃，按照這個計劃采取行動，才能順利完成任務。“規劃”就是找到壹個可行的行動方案，以其子任務為狀態，子任務之間的依賴關系為直接後繼，在狀態空間中搜索即可實現。
人工智能早期的研究還包括自然語言理解、計算機視覺和機器人。通過大量研究發現，僅僅依靠自動推理搜索等壹般的解題手段是遠遠不夠的。紐維爾和西蒙的認知心理學研究表明，各個領域的專家在其專業領域表現出非凡的能力，主要是因為專家擁有豐富的專長(領域知識和經驗)。20世紀70年代中期，費根鮑姆提出了知識工程的概念，這標誌著人工智能的第二個發展時期。知識工程強調知識在解決問題中的作用；相應地，研究內容分為知識獲取、知識表示和知識利用三個方面。知識獲取研究如何有效地獲取專家知識；知識表示研究如何將專家知識以壹種在計算機中易於存儲和使用的形式表達出來；知識利用研究如何使用恰當表達的專家知識來解決特定領域的問題。知識工程的主要技術手段是在早期成果的基礎上發展起來的，尤其是知識的利用，主要依靠自動推理和搜索的技術成果。在知識表示方面，除了早期工作中出現的邏輯表示和過程表示，聯想記憶和自然語言理解研究中提出的語義網表示得到了發展，隨後又引入了框架表示、概念依賴、腳本表示和產生式表示等多種方法。與早期的研究不同，知識工程強調實際應用。主要應用成果是各種專家系統。專家系統的核心組件包括:
(a)知識庫的表達，包括專家知識和其他知識。
(b)使用知識解決問題的推理機。
大型專家系統的開發周期往往長達10年，主要原因是知識獲取。領域專家雖然能很好地解決問題，但往往說不清是怎麽解決的，用了什麽知識。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的任務。這種情況極大地刺激了自動知識獲取——機器學習研究的深入發展。研究得比較多的機器學習方法有歸納學習、類比學習、解釋性學習、強化學習和進化學習。機器學習的研究目標是讓機器從自身或“他人”的解題經驗中獲取相關的知識和技能，從而提高自己的解題能力。
20世紀80年代以來，隨著計算機網絡的普及，特別是互聯網的出現，包括人工智能技術在內的各種計算機技術的廣泛應用，推動了人機關系的巨大變化。根據日本、美國等國未來學家的預測，人機關系正從傳統的“連接人”的模式迅速向“連接機器”的新模式轉變。這種變化將引起社會生產方式和生活方式的巨大變化，同時也將對人工智能乃至整個信息技術提出新的課題。這促使人工智能進入第三個發展時期。
在這個新的發展時期，人工智能面臨壹系列新的應用需求。
首先，需要提供強大的技術手段來支持分布式協同工作。現代生產是壹種社會化大生產，不同職業的勞動者在不同或相同的時間和地點從事同壹任務的不同子任務。這就要求計算機不僅要為每個子任務提供協助和支持，還要為子任務之間的協調提供協助和支持。因為每個子任務在很大程度上都可以獨立進行，所以子任務之間的關系必然是動態的、不可預測的。因此，子任務之間的協調(即對分布式協同工作的支持)對人工智能乃至整個信息技術和基礎理論提出了巨大的挑戰。
其次，網絡化促進信息化，使原本分散、孤立的數據庫形成壹個互聯的整體，即壹個信息相同的信息空間。雖然現有的瀏覽器和搜索引擎為用戶在網上查找信息提供了必要的幫助，但這種幫助遠遠不夠，以至於“信息過載”和“信息流失”的情況越來越嚴重。更加強大的智能信息服務工具已經成為用戶的迫切需求。另壹方面，信息空間對人類的價值不僅僅在於個別的信息項(比如某廠商生產的某新產品的信息)，還在於隱藏在壹大類信息中的普遍知識(比如某行業的供求變化趨勢)。因此，數據中的知識發現已經成為壹個迫切的研究課題。機器人壹直是現代工業的迫切需求。隨著機器人技術的發展，研究重點已經轉移到能夠在動態和不可預測的環境中獨立工作的自主機器人和能夠與其他機器人(包括人)合作的機器人。顯然，機器人之間的這種合作可以看作是物理世界中的分布式協同工作，其中包含了同樣的理論和技術問題。
可以看出，人工智能第三個發展時期的突出特點是研究壹種能夠在動態的、不可預測的環境中自主協調工作的計算機系統。這個系統叫做代理。目前，正在圍繞Agent理論、Agent體系結構和Agent語言開展研究，產生了壹系列重要的新思想、新理論、新方法和新技術。在這項研究中，人工智能呈現出與軟件工程、分布式計算和通信技術相結合的趨勢。Agent研究的應用不僅限於生產和工作，還深入到人們的學習和娛樂中。例如，Agent與虛擬現實相結合產生的虛擬訓練系統，可以使學生在不實際操作飛機的情況下學習飛行的基本技能；同樣，客戶也可以“享受”實戰的“滋味”。
中國還成立了中國人工智能學會、中國計算機聯合會人工智能與模式識別委員會、中國自動化學會模式識別與機器智能委員會等學術團體，開展該領域的學術交流。此外，國家還開始建設壹批人工智能研究相關的國家重點實驗室，這將推動我國人工智能的研究，為這壹學科的發展做出貢獻。
縱觀人工智能學習的發展，可以看到它壹直遵循的基本思路。首先是強調人類智能的人工實現而不是簡單的模擬，盡可能地服務於人類的實際需求。其次，強調跨學科的結合，越來越多的數學、信息科學、生物學、心理學、生理學、生態學、非線性科學等新學科融入到人工智能學習的研究中。
二、人工智能學習的主要技術及其發展趨勢
目前，人工智能學習有三大熱點:智能接口、數據挖掘、agent和多agent系統。
智能接口技術就是研究如何使人與計算機方便、自然地交流。為了實現這壹目標，要求計算機能夠理解文字、理解語言、表達文字，甚至在不同語言之間進行翻譯，而這些功能的實現有賴於知識表示方法的研究。因此，智能接口技術的研究既有重大的應用價值，又有基本的理論意義。目前，智能接口技術已經取得了令人矚目的成就，字符識別、語音識別、語音合成、圖像識別、機器翻譯、自然語言理解等技術已經開始應用。
數據挖掘是從大量不完整、有噪聲、模糊和隨機的實際應用數據中提取隱藏的、未知的但潛在有用的信息和知識的過程。數據挖掘和知識發現的研究已經形成了三個強大的技術支柱:數據庫、人工智能和數理統計。主要研究內容包括基礎理論、發現算法、數據倉庫、可視化技術、定性定量交換模型、知識表示方法、發現知識的維護和重用、半結構化和非結構化數據中的知識發現以及在線數據挖掘。
主體是具有信念、欲望、意圖、能力、選擇、承諾等精神狀態的實體，比客體更具有粒度和智能，具有壹定的自主性。主體試圖自主、獨立地完成任務，並能與環境互動，與其他主體交流，通過規劃實現目標。多智能體系統主要研究邏輯上或物理上分離的智能體之間的協調智能行為，最終實現問題求解。目前，對agent和多agent系統的研究主要集中在agent和多agent理論、agent體系結構和組織、agent語言、agent之間的合作與協調、通信與交互技術、多agent學習和多agent系統應用等方面。
新壹代智能技術是指20世紀80年代以來迅速發展起來的計算技術，主要以神經網絡(ANN)、進化計算、模糊邏輯和Agent為代表，其中主要具有學習進化和自組織的能力。
神經網絡是模擬人腦中神經元的功能，希望通過模擬人腦最基本的單位神經元功能來模擬人腦的功能。它通過某個例子訓練壹個神經網絡，就像教壹個孩子壹樣。經過訓練後，神經網絡可以完成特定的功能。它通過學習實例來修改知識庫和推理機的結構，達到人工智能的目的。
最後還有壹個應用領域，就是模式識別。我覺得應該在知識挖掘中廣泛應用，因為現在項目中獲取的數據越來越多。從這些數據中人為地確定某種規律並不容易，更不要說在這些數據中發現新的規律了。因此，有必要進行數據挖掘，它的應用對決策支持系統有著重要的意義。
人可以思考，人工智能需要思考，這就是推理；人可以學習，人工智能需要學習；人可以有知識，所以人工智能也需要有知識。
人工智能就是模擬人腦的活動。人類已經可以用許多新技術和新材料來代替人體的許多功能。只要模擬人腦，人們就可以完成人工生命的研究，創造自己，這不僅在科學上，而且在哲學上都具有劃時代的意義。
學習是指系統在適應環境時的適應性變化，使系統在完成類似任務時更加有效。20世紀80年代以來，人們更加關註人工神經網絡的學習機制，基於連接機制的子符號學習再次成為當今學習機制研究的熱點，提出了競爭學習、進化學習、強化學習等各種新的學習機制。
機械學習。它的另壹個名字，死記硬背，可以直接體現它的特點。是最簡單最原始的學習方法，也是機器的強項，人的弱項。
引導學習。這種學習方式是外部環境向系統提供壹般性的指令或建議，系統將其轉化為詳細的知識並發送到知識庫。在學習過程中，要對知識進行反復評估，使之完善。
歸納學習。我們可以看到，機器擅長的不是歸納，而是演繹。適合從特殊到壹般，不適合從壹般到特殊。從特殊到壹般的歸納是人類特有的，是智慧的標誌。有很多具體的歸納學習方法，但其本質都是讓計算機學會從壹般中得出規則。
類比學習。類比是壹種通過比較相似事物的學習。它的基礎是類比推理，即把記憶中的新事物和舊事物進行比較。如果發現它們之間有壹些性質是相同的，那麽可以推斷(假設)其他性質也是相同的。
基於口譯的學習。這是近年來出現的壹種新的學習方法。它不是通過歸納或類比的方式學習，而是利用相關的領域知識和壹個訓練實例來學習某個目標概念，最後生成這個目標概念的壹般描述，這是壹個可以形式化表達的壹般知識。
強化學習是壹種基於行為方法的半監督學習。壹般的學習方法有兩種。壹種是基於模型的。在這種方法中，智能體需要環境的精確模型，具有較高的智能，但不適合不確定的動態環境。另壹種是基於行為的方法。該方法不需要環境的精確模型，采用分層結構。高層行為可以調節和約束低層行為能力，但每壹層都有自己獨立的決定權，如[3]中的合弄智能制造系統。增強有這些優點，所以經常用於機器人足球[4]，狩獵問題，甚至戰爭指揮[5]，但這些都只是理論研究，因為機器人足球本身的目的就是測試人工智能的可用性，更不可能讓戰爭由計算機代替人指揮。
采用強化學習的Agent最早出現在遺傳算法中，采用了“Ethogenetics”的思想，突破了長期以來壹個代碼串對應組合優化問題中所有策略變量的壹種組合方式的傳統靜態認識，將壹個代碼串視為壹個智能Agent主動進行的壹系列決策動作的結果。
人工智能學習可能在以下幾個方面發展:模糊處理、並行化、神經網絡和機器情感。目前人工智能的推理功能已經被突破，正在研究學習和聯想功能。下壹步是模仿人類右腦的模糊處理功能和全腦的並行處理功能。人工神經網絡是未來人工智能應用的新領域，未來智能計算機的組成可能是以馮諾依曼機為主機，人工神經網絡為智能外設的組合。研究表明，情感是智能的壹部分，而不是從智能中分離出來的，所以人工智能領域的下壹個突破可能是賦予計算機情感能力。情感能力對於計算機與人的自然交流非常重要。
通過以上學習方法是獲取知識，通過壹種便捷的方式獲取知識。我之前說過，因為機器的思維方式和人類有很大的不同，所以讓機器通過自己的學習生成自己容易理解和使用的知識，也是機器學習的目標之壹。
人工智能壹直處於計算機技術的前沿，人工智能研究的理論和發現將在很大程度上決定計算機技術的發展方向。
因為計算機芯片的小型化已經接近極限。人們越來越希望全新的計算機技術能夠推動人工智能的發展。目前，至少有三種技術可能會引發壹場新的革命。它們是光子計算機、量子計算機和生物計算機。
結束語
許多科學家斷言，機器的智慧將很快超過阿爾伯特·愛因斯坦和斯蒂芬·霍金的智慧總和。著名物理學家斯蒂芬·霍金(Stephen Hawking)認為，就像人類可以憑借其操縱數字的高超能力設計出計算機壹樣，智能機器也會創造出性能更好的計算機。最遲在本世紀中葉，也許更快，計算機的智能可能會超過人類。
本文對學習中的壹些方法進行了基本描述，闡述了它們的發展趨勢，但在壹般學習中，基於行為的方法的使用仍然是最受關註的；本文介紹了強化學習方法的幾種變體，並在壹定程度上描述了它們的應用。在某種程度上，他們意識到了模擬的可行性。但這些模擬大多是驗證性的，真正的人工智能在實際生產中的應用還是壹個需要研究的課題。最後，我們總結壹下人工智能學習的研究領域。參考人在各種活動中的作用，可以得出人工智能領域只是在取代人的活動。人工智能學習和研究的領域是人進行智力活動的領域。人工智能學習就是應用機器的優勢來幫助人類進行智力活動。人工智能學習研究的目的是模擬人類神經系統的功能。
但是，隨著技術和工藝的發展，人工智能學習的方法會發生變化，引起我們的關註。
參考
【1】人工智能簡史，孫興清華大學出版社，1990。
[2]蔡自興徐光友《人工智能及其應用》清華大學出版社2002年1月。
[3]陳萬秋；黃易；；NBIC融合技術的“後人類”問題[J]；湖南師範大學社會科學學報；2013 04
[4]王；；道德機器人:人類責任存在與缺失的矛盾[J]；理論月刊；2013 11
【5】為什麽機器學習理論無法實現強人工智能？
[6]王；；人工智能的道德建立與倫理困境[J]；華南農業大學學報(社會科學版)；2014 01
[7]李雄；媒體道德激勵功能及其實踐研究[D]；湖南大學；2013
[8]孫誌南；；人工智能在電氣自動化控制中的應用[J]；現代商業貿易業；2013 07
[9]宋翠萍；；智能技術在電氣工程自動化中的應用[J]:電力技術的應用；2013 06
[10]胡琴；；電氣自動檢測技術的現狀與發展[J]；矽谷；2013 11
[11]劉慧晏；；電氣自動化工程控制系統的現狀及發展趨勢[J]；科技創新和應用；2013 18
【12】朱錦芳；；人工智能在電氣工程自動化中的應用[J]；化學工程與設備；2013 05
[13]潘杭煒；；淺析電氣自動化在日常生活中的作用及未來發展趨勢[J]；科技創新和應用；2013 12
[14]鄭宇；；淺談人工智能技術在電氣自動化中的應用[J]:電子生產；2013 05
[15]趙剛；劉剛；；電氣控制電路的設計研究[J]；電子生產；2013 02
[16]黎均平；人工智能技術的倫理問題及其對策研究[D]；武漢理工大學；2013
[17]趙；錳粉制備輸送控制系統的設計與研究[D]；蘭州理工大學；2012