人工智能(AI)。它是研究和發展模擬、延伸和擴展人類智能的理論、方法、技術和應用系統的壹門新的技術科學。人工智能是計算機科學的壹個分支,它試圖理解智能的本質,並產生壹種新的智能機器,能夠以類似於人類智能的方式做出反應。該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統。人工智能是研究和發展模擬、延伸和擴展人類智能的理論、方法、技術和應用系統的壹門新技術科學。人工智能自誕生以來,理論和技術日益成熟,應用領域不斷擴大,但沒有統壹的定義。
人工智能是對人類意識和思維的信息過程的模擬。人工智能不是人類的智能,但它可以像人壹樣思考,也可能超過人類的智能。但這種自思考的高級人工智能,仍然需要科學理論和工程上的突破。
人工智能是壹門具有挑戰性的科學,從事這項工作的人必須了解計算機知識、心理學和哲學。人工智能是壹門非常廣泛的科學,由不同的領域組成,如機器學習、計算機視覺等。壹般來說,人工智能研究的主要目標之壹是使機器能夠勝任壹些通常需要人類智能的復雜任務。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。
工業智能的定義可以分為兩部分,即“人工”和“智能”。“人工”更容易理解,爭議更小。有時候我們要考慮人類能做出什麽,或者人的智力是否高到可以創造人工智能等等。但總的來說,“人工系統”是通常意義上的人工系統。
關於什麽是“智能”,有很多問題。這涉及到意識、自我、心智(包括無意識_心智)等其他問題。人們普遍認為,人們知道的唯壹智能是他們自己的智能。然而,我們對自身智能和人類智能的必要元素的了解非常有限,因此很難定義什麽是“人工”智能。所以對人工智能的研究往往涉及到對人類智能本身的研究。關於動物或其他人工系統的其他智能,壹般也被認為是與人工智能相關的研究課題。
人工智能在計算機領域越來越受到重視。它已應用於機器人、經濟和政治決策、控制系統和仿真系統。
人工智能機器人
美國著名的斯坦福大學人工智能研究中心的納爾遜教授是這樣定義人工智能的:“人工智能是壹門關於知識的學科——如何表達知識,如何獲取和使用知識。”另壹位麻省理工學院的溫斯頓教授認為:“人工智能就是研究如何讓計算機做過去只有人才能做的智能工作。”這些說法反映了人工智能的基本思想和內容。即人工智能是研究人類智能活動規律,構造具有壹定智能的人工系統,研究如何使計算機做過去需要人類智能的工作,即如何應用計算機軟硬件模擬人類的壹些智能行為的基礎理論、方法和技術。
人工智能是計算機科學的壹個分支,自20世紀70年代以來被稱為世界三大前沿技術(空間技術、能源技術、人工智能)之壹。也被認為是21世紀三大前沿技術之壹(基因工程、納米科學、人工智能)。這是因為它在過去的30年中發展迅速,在許多學科中得到了廣泛的應用,並取得了豐碩的成果。人工智能逐漸成為壹個獨立的分支,在理論和實踐上自成體系。
人工智能是研究如何讓計算機模擬人類的壹些思維過程和智能行為(如學習、推理、思考、規劃等)的學科。).主要包括計算機實現智能的原理,使計算機類似於人腦智能,使計算機實現更高層次的應用。人工智能將涉及計算機科學、心理學、哲學和語言學。可以說,幾乎所有的自然科學和社會科學的學科都已經遠遠超出了計算機科學的範疇。人工智能和思維科學的關系是實踐和理論的關系。人工智能處於思維科學的技術應用層面,是它的壹個應用分支。從思維的角度來看,人工智能並不局限於邏輯思維,只有形象思維和靈感思維才能推動人工智能的突破性發展。數學往往被認為是很多學科的基礎科學,數學也進入了語言和思維領域。人工智能這門學科也必須借用數學工具。數學不僅在標準邏輯和模糊數學的範圍內發揮作用,而且進入人工智能的學科,會相互促進,發展更快。
2研究價值編輯器
具有人工智能的機器人
例如,繁重的科學和工程計算最初是由人腦承擔的。現在的計算機不僅能完成這種計算,而且比人腦做得更快更準。因此,當代人不再把這種計算視為“需要人類智慧來完成的復雜任務”。可見,復雜工作的定義隨著時代的發展和技術的進步而變化,人工智能的具體目標自然也隨著時代的變化而發展。壹方面不斷取得新的進步,另壹方面轉向更有意義和難度的目標。
壹般機器學習的數學基礎是統計學,信息論,控制論。還包括其他非數學科目。這種“機器學習”高度依賴“經驗”。計算機需要不斷地從解決壹類問題的經驗中獲取知識,學習策略。遇到類似問題時,他們和普通人壹樣,用經驗知識解決問題,積累新的經驗。我們可以把這種學習方式稱為“持續學習”。但人類除了從經驗中學習,還可以創造,也就是“跳躍學習”。這在某些情況下被稱為“靈感”或“頓悟”。壹直以來,計算機最難學的就是“頓悟”。或者更嚴格地說,計算機在學習和實踐中很難學會“獨立於量變的質變”,很難直接從壹種性質到另壹種性質,或者從壹種概念到另壹種概念。正因為如此,這裏的“修行”和人類的修行不是壹回事。人類實踐的過程既包括經驗,也包括創造。[1]
這是聰明的研究人員夢寐以求的。
2065 438+03 Digin數據總中心數據研究員S.C WANG開發了壹種新的數據分析方法,衍生出壹種研究函數性質的新方法。作者發現,新的數據分析方法為計算機社會提供了壹種“創造”的方式。本質上,這種方法提供了壹種相當有效的方法來模擬人的創造力。這種做法是數學賦予的,是普通人無法擁有而計算機可以擁有的“能力”。從此,計算機不僅擅長計算,而且因為擅長計算而擅長創造。計算機科學家應該斷然剝奪“有創造力”的計算機過於全面的運算能力,否則計算機總有壹天真的會“抓住”人類。[1]
在回顧新方法的推導過程和數學時,作者擴展了對思維和數學的理解。數學是簡潔的,清晰的,可靠的,模型化的。在數學發展史上,數學大師們創造力的光輝處處閃耀。這些創意以各種數學定理或結論的形式呈現,而數學定理最大的特點就是以壹些基本概念和公理為基礎,以模式化的語言方式表達,信息豐富。應該說,數學是體現(至少壹種)創造力模式的最簡單直白的學科。[1]
3科學導論編輯
實際應用
機器視覺:機器視覺、指紋識別、人臉識別、視網膜識別、虹膜識別、掌紋識別、專家系統、自動規劃、智能搜索、定理證明、遊戲、自動編程、智能控制、機器人學、語言和圖像理解、遺傳編程等。
主題類別
人工智能是壹門交叉學科,屬於自然科學和社會科學的交叉。
涉及學科
哲學和認知科學,數學,神經生理學,心理學,計算機科學,信息論,控制論,不確定性理論。
研究類別
自然語言處理、知識表示、智能搜索、推理、規劃、機器學習、知識獲取、組合調度問題、感知問題、模式識別、邏輯編程的軟計算、不精確和不確定管理、人工生命、神經網絡、復雜系統、遺傳算法。
意識和人工智能
人工智能本質上是對人類思維信息過程的模擬。
人類思維的模擬可以通過兩種方式進行。壹種是結構模擬,模仿人腦的結構機制,制造出“類腦”機器;第二種是功能模擬,暫時拋開人腦內部結構,從其功能過程進行模擬。現代電子計算機的出現,是對人腦思維功能的模擬,是人腦思維的信息過程。
弱人工智能現在發展很快,特別是2008年經濟危機後,美國、日本、歐洲都希望通過機器人實現再工業化。工業機器人正以前所未有的速度發展,進壹步推動了弱人工智能及相關產業的不斷突破。許多必須由人來做的工作現在可以由機器人來實現。
但強人工智能暫時處於瓶頸,需要科學家和人類的努力。
4開發階段編輯器
1956年夏天,以麥克阿瑟、明斯基、羅切斯特、神農為首的壹批有遠見的青年科學家聚在壹起,研究和討論了用機器模擬智能的壹系列相關問題,並首次提出了“人工智能”壹詞,標誌著這壹新學科的正式誕生。IBM的“深藍”計算機打敗了人類世界象棋冠軍,這是人工智能技術的完美表現。
人工智能自1956正式提出以來,50年來取得了長足的發展,已經成為壹門廣泛的交叉和前沿科學。壹般來說,人工智能的目的是讓計算機機器像人壹樣思考。如果妳想制造壹臺思考機器,妳必須知道什麽是思考,更進壹步,什麽是智慧。什麽樣的機器是智能的?科學家制造了汽車、火車、飛機、收音機等等。它們模仿我們身體器官的功能,但它們能模仿人腦的功能嗎?到目前為止,我們只知道我們皇冠上的這個東西是由數十億個神經細胞組成的器官。我們對這個東西知之甚少,模仿它可能是世界上最難的事情。
當計算機出現後,人類開始真正有了壹個可以模擬人類思維的工具。在隨後的幾年裏,無數科學家為了這個目標而努力。如今,人工智能不再是幾個科學家的專利。世界上幾乎所有大學的計算機系都在學習這門學科,學計算機的大學生也必須上這樣壹門課。在大家的不懈努力下,現在的電腦似乎已經變得非常智能了。比如1997年5月,IBM開發的深藍計算機打敗了國際象棋大師卡斯帕羅夫。妳可能沒有註意到,在壹些地方,計算機幫助人們做其他原本屬於人類的工作,計算機以其高速度和準確性為人類發揮作用。人工智能壹直是計算機科學的前沿學科,計算機編程語言和其他計算機軟件也因為人工智能的進步而存在。
5技術研究編輯
用來研究人工智能的主要物質基礎和實現人工智能的技術平臺的機器就是計算機,人工智能的發展史與計算機科學技術的發展史是聯系在壹起的。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。人工智能研究的主要內容包括:知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動編程等。
《人工智能與機器人研究》是壹份國際性中文期刊,專註於人工智能和機器人研究領域的最新進展。它由漢斯出版社出版。本刊支持思想創新和學術創新,崇尚科學繁榮學術,融學術與思想於壹體。它旨在為全球的科學家、學者和研究人員提供壹個交流平臺,傳播、分享和討論人工智能和機器人研究領域不同方向的問題和發展。
研究領域
人工智能技術研究
智能機器人
模式識別和智能系統
虛擬現實技術及應用
系統仿真技術及應用
工業過程建模與智能控制
智能計算和機器遊戲
人工智能理論
語音識別和合成
機器翻譯
圖像處理和計算機視覺
計算機感知
計算機神經網絡
知識發現和機器學習
智能建築技術及其應用
人工智能的其他學科
研究方法
現在人工智能研究還沒有壹個統壹的原則或範式來指導。研究人員對許多問題進行了辯論。幾個長期沒有定論的問題是:人工智能應該從心理上模擬還是從神經上模擬?還是人類生物學與人工智能研究無關,就像鳥類生物學與航空工程無關?智能行為可以用簡單的原理來描述嗎,比如邏輯或者最優化?還是要解決壹大堆完全不相關的問題?
智力可以用高級符號來表達嗎,比如文字和思想?還是需要處理“子符號”?約翰·豪格蘭德(JOHN HAUGELAND)提出了GOFAI(優秀老式人工智能)的概念,還提出人工智能應該歸為合成智能。[29]這個概念後來被壹些非GOFAI的研究者采用。
大腦模擬
主要項目:控制論和計算神經科學
從20世紀40年代到50年代,許多研究者探索了神經病學、信息論和控制論之間的關系。其中也創造了壹些由電子網絡構建的初步智能,如海龜和W. GREY WALTER的約翰霍普金斯野獸。這些研究人員經常在普林斯頓大學和英國的比率俱樂部召開技術協會會議。直到1960,大部分人已經放棄了這種方法,雖然這些原理在80年代又被提出來了。
符號處理
主入口:GOFAI
當數字計算機在20世紀50年代成功開發時,研究人員開始探索人類的智能是否可以簡化為符號處理。研究主要集中在卡內基梅隆大學、斯坦福大學和麻省理工學院,各有自己獨立的研究風格。約翰·豪格蘭德將這些方法稱為GOFAI(優秀的老式人工智能)。[33]20世紀60年代,符號方法在小規模證明程序上模擬高級思維取得了巨大成就。基於控制論或神經網絡的方法是次要的。[34]在20世紀六七十年代,研究人員確信符號方法最終可以創造出具有強大人工智能的機器,這也是他們的目標。
認知模擬經濟學家赫伯特·西蒙和艾倫·紐維爾研究人類解決問題的能力,並試圖將其形式化。同時,它們為人工智能的基本原理奠定了基礎,如認知科學、運籌學和管理科學。他們的研究團隊使用心理學實驗的結果來開發模擬人類解決問題方法的程序。這種方法從卡內基梅隆大學繼承而來,並在80年代達到頂峰。與艾倫·紐維爾(allen newell)和赫伯特·西蒙(herbert simon)不同,約翰·麥卡錫(JOHN MCCARTHY)認為,機器不需要模擬人類的思想,而應該試圖找到抽象推理和問題解決的本質,不管人們是否使用相同的算法。他在斯坦福大學的實驗室致力於使用形式邏輯來解決許多問題,包括知識表示、智能規劃和機器學習。愛丁堡大學還致力於邏輯方法,促進了歐洲其他地區程序設計語言PROLOG和邏輯程序設計科學的發展。斯坦福大學的研究人員(如馬文·明斯基(marvin minsky)和西摩·派珀(Seymour Piper)發現,需要特殊的解決方案來解決計算機視覺和自然語言處理的難題——他們認為不存在簡單而普遍的原則(如邏輯)。羅傑·尚克將他們的“反邏輯”方法描述為“邋遢”。常識知識庫(比如DOUG LENAT的CYC)就是“邋遢”AI的壹個例子,因為他們必須壹次性手動編寫壹個復雜的概念。以知識為基礎,1970左右出現了大容量記憶計算機,研究人員開始用三種方式將知識構造成應用軟件。這場“知識革命”促進了專家系統的發展和規劃,這是人工智能軟件的第壹個成功形式。“知識革命”也讓人們意識到,很多簡單的人工智能軟件可能需要大量的知識。
子符號法
80年代,符號人工智能停滯不前。許多人認為符號系統不可能模仿人類所有的認知過程,尤其是感知、機器人、機器學習和模式識別。許多研究者開始關註用子符號法來解決特定的人工智能問題。
自底向上、界面代理、嵌入式環境(機器人)、行為主義和新型AI機器人領域的研究者,如RODNEY BROOKS,否認符號人工智能,專註於機器人運動和生存等基礎工程問題。他們的工作再次關註了早期控制論研究者的觀點,提出了控制理論在人工智能中的運用。這與認知科學領域的表征知覺論證是壹致的:高等智力需要個體表征(如運動、知覺和圖像)。20世紀80年代,大衛·魯梅爾哈特(DAVID RUMELHART)再次提出了神經網絡和連接主義,與模糊控制、進化計算等其他子符號方法壹起,屬於計算智能的研究領域。
統計方法
20世紀90年代,人工智能的研究開發了復雜的數學工具來解決特定的分支問題。這些工具是真正的科學方法,即這些方法的結果是可測量和可驗證的,它們也是人工智能成功的原因。* * *使用的數學語言也允許現有學科的合作(如數學、經濟學或運籌學)。STUART J. RUSSELL和PETER NORVIG指出,這些進步不亞於“革命”和“NEATS的成功”。壹些人批評這些技術過於關註具體問題,而沒有考慮強人工智能的長期目標。
積分法
智能代理範例智能代理是壹個能夠感知環境並采取行動實現目標的系統。最簡單的智能代理是那些可以解決特定問題的程序。更復雜代理包括人類和人類組織(如公司)。這些範式允許研究人員研究單個問題,並找到有用且可驗證的解決方案,而無需考慮單壹方法。解決特定問題的代理可以使用任何可行的方法-壹些代理使用符號方法和邏輯方法,其他的是子符號神經網絡或其他新方法。Paradigm還為研究人員提供了與其他領域交流的通用語言——比如決策理論和經濟學(也使用抽象主體的概念)。20世紀90年代,智能主體的範式被廣泛接受。代理體系結構和認知體系結構研究人員設計了壹些系統來處理多代理系統中智能代理之間的交互。壹個包含符號和子符號的系統稱為混合智能系統,對這個系統的研究就是人工智能系統集成。分級控制系統在反應級的子符號AI和最高級的傳統符號AI之間提供了壹個橋梁,同時放松了規劃和世界建模的時間。羅德尼·布魯克斯的包容架構是壹個早期的層次系統計劃。
智能模擬
機器視覺、聽覺、觸覺、感覺和思維模式的模擬:指紋識別、人臉識別、視網膜識別、虹膜識別、掌紋識別、專家系統、智能搜索、定理證明、邏輯推理、遊戲、信息歸納和辯證處理。
主題類別
人工智能是壹門邊緣學科,屬於自然科學、社會科學和技術科學的三向交叉學科。
涉及學科
哲學與認知科學、數學、神經生理學、心理學、計算機科學、信息論、控制論、不確定性、仿生學、社會結構和科學發展觀。
研究類別
語言學習和處理、知識表示、智能搜索、推理、規劃、機器學習、知識獲取、組合調度問題、感知問題、模式識別、邏輯編程、軟計算、不精確和不確定管理、人工生命、神經網絡、復雜系統和遺傳算法,最關鍵的問題是塑造和提高機器的獨立創造性思維能力。
應用領域
機器翻譯、智能控制、專家系統、機器人學、語言和圖像理解、基因編程機器人工廠、自動編程、航天應用、龐大的信息處理、存儲和管理、執行組合生物無法執行的復雜或大規模任務等等。
值得壹提的是,機器翻譯是人工智能的壹個重要分支,也是第壹個應用領域。然而,就現有的機器翻譯而言,機器翻譯系統的翻譯質量還遠未達到最終目標;機器翻譯的質量是機器翻譯系統成功的關鍵。我國數學家、語言學家周海中教授曾在《機器翻譯五十年》壹文中指出:要提高機器翻譯的質量,首先要解決的是語言本身而不是編程問題;依靠幾個程序做壹個機器翻譯系統,當然不可能提高機器翻譯的質量;另外,在人類還沒有搞清楚大腦是如何對語言進行模糊識別和邏輯判斷的情況下,機器翻譯也不可能達到“信達雅”的程度。
安全問題
人工智能還在研究中,但有學者認為,讓計算機擁有智商是很危險的,它可能會反抗人類。這種隱患在很多電影裏也發生過。最主要的關鍵是是否允許機器有自主意識的產生和延續。如果機器具有自主意識,就意味著機器具有與人相同或相似的創造力、自我保護意識、情感和自發行為。
實現方法
在計算機上實現人工智能有兩種不同的方式。壹種是使用傳統的編程技術,使系統呈現智能效果,不管使用的方法是否與人體或動物體使用的方法相同。這種方法被稱為工程方法,它已經在壹些領域取得了成果,如字符識別和計算機下棋。另壹種是建模方法,這種方法不僅取決於效果,還要求實現方法與人類或生物有機體使用的方法相同或相似。遺傳算法和人工神經網絡屬於後壹種類型。遺傳算法模擬人類或生物的遺傳-進化機制,而人工神經網絡模擬人類或動物大腦中神經細胞的活動。為了獲得相同的智能效果,通常可以使用這兩種方法。使用前壹種方法,需要手動詳細指定程序邏輯,如果遊戲比較簡單的話比較方便。如果遊戲復雜,角色數量和活動空間增加,對應的邏輯會非常復雜(指數級增加),手工編程會非常繁瑣,容易出錯。壹旦出現錯誤,修改原程序,重新編譯調試,最後為用戶提供新版本或新補丁,都是非常麻煩的。當采用後壹種方法時,程序員應該為每個角色設計壹個智能系統(壹個模塊)來控制。這個智能系統(模塊)壹開始什麽都不知道,就像剛出生的嬰兒壹樣,但是它可以學習,逐漸適應環境,應對各種復雜的情況。這種系統壹開始經常出錯,但是可以吸取教訓,下次運行可能會改正,至少不會永遠出錯,也不需要發布新版本或者打補丁。用這種方法實現人工智能,需要程序員有生物思維方法,入門有點難。但是壹旦進門,就可以廣泛使用。由於這種方法不需要在編程中指定角色的活動規則,所以在應用於復雜問題時通常更省力。