人工智能课题研究

机器人学又称为机器人技术或机器人工程学，主要研究机器人的控制与被专处理物体之间的属相互关系。机器人学涉及的科目很多，主要内容有运动学和动力学、系统结构、传感技术、控制技术、行动规划和应用工程等。随着工业自动化和计算机技术的发展，到六十年代机器人开始进入大量生产和实际应用阶段。尔后由于自动装备海洋开发空间探索等实际问题的需要，对机器人的智能水平提出了更高的要求。特别是危险环境，人们难以胜任的场合更迫切需要机器人，从而推动了智能机器人的研究。机器人学的研究推动了许多人工智能思想的发展，有一些技术可在人工智能研究中用来建立世界状态的模型和描述世界状态变化的过程。关于机器人动作规划生成和规划监督执行等问题的研究，推动了规划方法的发展。此外由于机器人是一个综合性的课题，除机械手和步行机构外，还要研究机器视觉触觉听觉等信感技术，以及机器人语言和智能控制软件等。可以看出这是一个设计精密机械信息传感技术人工智能方法智能控制以及生物工程等学科的综合技术。这一课题研究有利于促进各学科的相互结合，并大大推动人工智能技术的发展。

人工智能课程报告摘要：自上世纪五十年代以来，经过了几个阶段的不断探索和发展，人工智能在模式识别、知识工程、机器人等领域已经取得重大成就，但是离真正意义上的的人类智能还相差甚远。但是进入新世纪以来，随着信息技术的快速进步，与人工智能相关的技术水平也得到了相应的提高。尤其是随着因特网的普及和应用，对人工智能的需求，变得越来越迫切，也给人工智能的研究提供了新的更加广泛的舞台。本文强调在当今的网络时代，作为信息技术的先导，人工智能学习在人工智能科学领域中是一个着非常值得关注的研究方向，要在学科交叉研究中实现人工智能学习的发展与创新，就要关注认知科学、脑科学、生物智能、物理学、复杂网络、计算机科学与人工智能之间的交叉渗透点，尤其是重视认知物理学的研究。自然语言是人类思维活动的载体，是人工智能学习研究知识表示无法回避的直接对象，要对语言中的概念建立起能够定量表示的不确定性转换模型，发展不确定性人工智能；要利用现实生活中复杂网络的小世界模型和无尺度特性，把网络拓扑作为知识表示的一种新方法，研究网络拓扑的演化与网络动力学行为，研究网络化了的智能，从而适应信息时代数据挖掘的普遍要求，迎接人工智能学习与应用领域新的辉煌。概述自20世纪90年代以来，随着全球化的形式与国际竞争的日益激烈，对人工智能技术的研究与应用变的越来越被人们关注，且人工智能在制造中的运用以成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。人工智能是一门研究人类智能的机理以及如何用机器模拟人的智能的学科。从后一种意义上讲，人工智能又被称为“机器智能”或“智能模拟”。人工智能是在现代电子计算机出现之后才发展起来的，它一方面成为人类智能的延长，另一方面又为探讨人类智能机理提供了新的理论和研究方法。学习机制的研究是人工智能研究的一项核心课题。它是智能系统具有适应性与性能自完善功能的基础。学习过程具有以下特点：学习行为一般具有明显的目的性，其结果是获取知识；学习系统中结构的变化是定向的，要么由学习算法决定，要么由环境决定；学习系统是构造智能系统的中心骨架，它是全面组织与保存系统知识的场所。因此，人工智能学习研究的一个主要目的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。但是，不同的时代、不同的人对这种“复杂工作”的理解是不同的。一.人工智能学习的历史性基础和发展步伐人工智能学习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。一般认为，人工智能的思想萌芽可以追溯到德国著名数学家和哲学家莱布尼茨(Leibnitz，1646-1716)提出的"通用语言"设想。这一设想的要点是：建立一种通用的符号语言，用这个语言中的符号表达“思想内容”，用符号之间的形式关系表达“思想内容”之间的逻辑关系。于是，在“通用语言”中可以实现“思维的机械化”这一设想可以看成是对人工智能的最早描述。计算机科学的创始人图灵被认为是“人工智能之父”，他着重研究了一台计算机应满足怎样的条件才能称为是“有智能的”。1950年他提出了著名的“图灵实验”：让一个人和一台计算机分别处于两个房间里，与外界的联系仅仅通过键盘和打印机。由人类裁判员向房间里的人和计算机提问，并通过人和计算机的回答来判断哪个房间里是人、哪个房间里是计算机。图灵认为，如果“中等程度”的裁判员不能正确地区分，则这样的计算机可以称为是有智能的。“图灵实验”是关于智能标准的一个明确定义。有趣的是，尽管后来有些计算机已经通过了图灵实验，但人们并不承认这些计算机是有智能的。这反映出人们对智能标准的认识更深入、对人工智能的要求更高了。图灵和冯·诺依曼的上述工作，以及麦克考洛和匹茨对神经元网的数学模型的研究，构成了人工智能的初创阶段，这其实也是人工智能学习的开始。人工智能早期研究给人的深刻印象是博羿，与自动定理证明的研究意义不限于数学一样，搜索的研究意义也不限于博弈。根据认知心理学的信息处理学派的观点，人类思维过程的很大一部分可以抽象为从问题的初始状态经中间状态到达终止状态的过程，因此可以转化为一个搜索问题，由机器自动地完成。例如“规划”问题。设想一台机器人被要求完成一项复杂任务，该任务包含很多不同的子任务，其中某些子任务只有在另一些子任务完成之后才能进行。这时，机器人需要事先“设想”一个可行的行动方案，使得依照该方案采取行动可以顺利完成任务。“规划”即找出一个可行的行动案，可以通过以其子任务为状态、以其子任务间依赖关系为直接后继关系的状态空间中的搜索来实现。人工智能的早期研究还包括自然语言理解、计算机视觉和机器人等等。通过大量研究发现，仅仅依靠自动推理的搜索等通用问题求解手段是远远不够的。Newell和Simon等人的认知心理学研究表明，各个领域的专家之所以在其专业领域内表现出非凡的能力，主要是因为专家拥有丰富的专门知识(领域知识和经验)。70年代中期，Feigenbaum提出知识工程概念，标志着人工智能进入第二个发展时期。知识工程强调知识在问题求解中的作用；相应地，研究内容也划分为三个方面：知识获取，知识表示和知识利用。知识获取研究怎样有效地获得专家知识；知识表示研究怎样将专家知识表示成在计算机内易于存储、易于使用的形式；知识利用研究怎样利用已得到恰当表示的专家知识去解决具体领域内的问题。知识工程的主要技术手段是在早期成果的基础上发展起来的，特别是知识利用，主要依靠自动推理和搜索的技术成果。在知识表示方面，除使用早期工作中出现的逻辑表示法和过程表示法之外，还发展了在联想记忆和自然语言理解研究中提出的语义网表示法，进而引入了框架表示法，概念依赖和脚本表示法以及产生式表示法等等各种不同方法。与早期研究不同，知识工程强调实际应用。主要的应用成果是各种专家系统。专家系统的核心部件包括：(a)表达包括专家知识和其他知识的知识库。(b)利用知识解决问题的推理机。大型专家系统的开发周期往往长达10余年，其主要原因在于知识获取。领域专家虽然能够很好地解决问题，却往往说不清自己是怎么解决的，使用了哪些知识。这使得负责收集专家知识的知识工程师很难有效地完成知识获取任务。这种状况极大的激发了自动知识获取----机器学习研究的深入发展。已经得到较多研究的机器学习方法包括：归纳学习、类比学习、解释学习、强化学习和进化学习等等。机器学习的研究目标是：让机器从自己或“别人”的问题求解经验中获取相关的知识和技能，从而提高解决问题的能力。80年代以来，随着计算机网络的普及，特别是Internet的出现，各种计算机技术包括人工智能技术的广泛应用推动着人机关系的重大变化。据日美等国未来学家的预测，人机关系正在迅速地从“以人为纽带”的传统模式向“以机为纽带”的新模式转变人机关系的这一转变将引起社会生产方式和生活方式的巨大变化，同时也向人工智能乃至整个信息技术提出了新的课题。这促使人工智能进入第三个发展时期。在这个新的发展时期中，人工智能面临一系列新的应用需求。首先是需要提供强有力的技术手段，以支持分布式协同工作方式，现代生产是一种社会化大生产，来自不同专业的工作者在不同或相同的时间、地点从事着同一任务的不同子任务。这要求计算机不仅为每一项子任务提供辅助和支持，更需要为子任务之间的协调提供辅助和支持。由于各个子任务在很大程度上可以独立地进行，子任务之间的关系必然呈现出动态变化和难以预测的特点。于是，子任务之间的协调（即对分布协同工作的支持）向人工智能乃至整个信息技术以及基础理论提出了巨大的挑战。其次，网络化推进了信息化，使原本分散孤立的数据库形成一个互连的整体，即一个共同的信息空间。尽管现有的浏览器和搜索引擎为用户在网上查找信息提供了必要的帮助，这种帮助是远远不够的，以至于“信息过载”与“信息迷失”状况日益严重。更强大的智能型信息服务工具已成为广大用户的迫切需要。另一方面，信息空间对人类的价值不仅在于单独的信息条目（比如某厂家生产出了某一新产品的信息），还远在于一大类信息中隐藏着的普遍性知识（比如某个行业供求关系的变化趋势）。于是，数据中的知识发现也成为一项迫切的研究课题。机器人始终是现代工业的迫切需求。随着机器人技术的发展，研究重点已经转向能在动态、不可预测环境中独立工作的自主机器人，以及能与其他机器人（包括人）协作的机器人。显然，这种机器人之间的合作可以看成是物理世界中的分布式协同工作，因而包括相同的理论和技术问题。由此可见，人工智能第三发展时期的突出特点是研究能够在动态、不可预测环境中自主、协调工作的计算机系统，这种系统被称为Agent。目前，正围绕着Agent的理论、Agent的体系结构和Agent语言三个方面研究，并已产生一系列重要的新思想、新理论、新方法和新技术。在这一研究中，人工智能呈现一种与软件工程、分布式计算以及通讯技术相互融合的趋势。Agent研究的应用不限于生产和工作，还深入到人们的学习和娱乐等各个方面。例如，Agent与虚拟现实相结合而产生的虚拟训练系统，可以使学生在不实际操纵飞机的情况下学飞行的基本技能；类似地，也可使顾客“享受”实战的“滋味”。我国也先后成立中国人工智能学会、中国计算机学会人工智能和模式识别专业委员会和中国自动化学会模式识别与机器智能专业委员会等学术团体，开展这方面的学术交流。此外国家还着手兴建了若干个与人工智能研究有关的国家重点实验室，这些都将促进我国人工智能的研究，为这一学科的发展作出贡献。综观人工智能学习的发展历程，可以看出它始终遵循的基本思路。首先是强调人类智能的人工实现而不是单纯的模拟，以便尽可能地为人类的实际需要服务。其次是强调多学科的交叉结合，数学、信息科学、生物学、心理学、生理学、生态学以及非线性科学等等越来越多的新生学科被融入到人工智能学习的研究之中。二.人工智能学习的主要技术及其发展趋势目前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。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。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。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。新一代的智能技术是指80年代以来迅速发展起来的以神经网络（ANN）、进化计算、模糊逻辑、Agent为主要代表的计算只能技术，其中主要具有学习进化与自组织的能力。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。最后还有一个应用领域，就是模型识别，我想它应该在知识挖掘中应用不小，因为现在工程中的获得的数据越来越多，要想人为地从这些数据中确定某一规律都不容易，更不要说在这些数据中发现新规律了，因此有必要进行数据挖掘，它的应用对于决策支持系统将有着巨大的意义。人可以思考，人工智能也需要思考，这就是推理；人可以学习，人工智能也就需要学习；人可以拥有知识，那么人工智能也就需要拥有知识。人工智能是为了模拟人类大脑的活动的，人类已经可以用许多新技术新材料代替人体的许多功能，只要模拟了人的大脑，人就可以完成人工生命的研究工作，人创造自己，这不但在科学上，而且在哲学上都具有划时代的意义。学习是指系统适应环境而产生的适应性变化，它使得系统在完成类似任务时更加有效。80年代以来，ANN的学习机制再次得到人们的重视，基于连接机制的亚符号学习又一次成为的当今学习机制研究的热点，提出了竞争学习，进化学习、加强学习等各种新的学习机制。机械式学习。它的另一个名称死记式学习能够直接体现它的特点，这是一种最简单的，最原始的学习方法，也是机器的强项，人的弱项。指导式学习。这种学习方式是由外部环境向系统提供一般性的指示或建议，系统把它们具体地转化为细节知识并送入知识库中，在学习过程中要对反复对知识进行评价，使其不断完善。归纳学习。我们看到，机器所善长的不是归纳，而是演绎，它适用于从特殊到一般，而不太适应从一般到特殊，从特殊到一般的归纳是人类所特有的，是智慧的标志。具体的归纳学习方法有许多，但它们的本质就是让计算机学会从一般中得出规律。类比学习。类比也就是通过对相似事物进行比较所进行的一种学习。它的基础是类比推理，也就是把新事物和记忆中的老事物进行比较，如果发现它们之间有些属性是相同的，那么可以（假定地）推断出它们的另外一些属性也是相同的。基于解释的学习。这是近年来兴起的一种新的学习方法。它不是通过归纳或类比进行学习，而是通过运用相关的领域知识及一个训练实例来对某一目标概念进行学习，并最终生成这个目标概念的一般描述，这个一般描述是一个可形式化表示的一般性知识。增强式学习（ReinforcementLearning）是一种基于行为方法的半监督学习。一般的学习方法分两类，一类是上文提到的基于模型的，在这种方法，智能体需要环境确切的模型，具有较高的智能，但不适合于不确定的动态环境；另一种是基于行为的方法，在这种方法中，不需要环境的确切模型，采用分层结构，高层行为可以调整和抑制低层的行为能力，但每层中都具有其自主的确定权，如[3]中的Holonic智能制造系统。增强式具有这些优点，故常用于机器人足球赛[4]、狩猎问题、甚至战争指挥中[5]，但是这些都只是理论上的研究，因为机器人足球赛的本身目的也是为了测试人工智能的可用性，且更不可能去让战争去由电脑而不是人去指挥了。使用强化学习的Agent最早是出现与遗传算法中，使用“Ethogenetics（行为遗传）”的思想，突破了人们长期以来关于一个编码串对应于组合优化问题所有策略变量的一个组合方式的传统、静态的认识，而将一个编码串看成某个智能主体(Agent)主动进行的一系列决策行为的结果。人工智能学习可能会向以下几个方面发展：模糊处理、并行化、神经网络和机器情感。目前，人工智能的推理功能已获突破，学习及联想功能正在研究之中，下一步就是模仿人类右脑的模糊处理功能和整个大脑的并行化处理功能。人工神经网络是未来人工智能应用的新领域，未来智能计算机的构成，可能就是作为主机的冯·诺依曼机与作为智能外围的人工神经网络的结合。研究表明：情感是智能的一部分，而不是与智能相分离的，因此人工智能领域的下一个突破可能在于赋予计算机情感能力。情感能力对于计算机与人的自然交往至关重要。通过以上的学习方法就是为了得到知识，通过一种方便的方法得到知识。前面已经说过了，因为机器的思考方式和人类的思考方式大有不同之处，因此让机器通过自己学习生成自己便于理解和使用的知识，也不失为机器学习的目标之一。人工智能一直处于计算机技术的前沿，人工智能研究的理论和发现在很大程度上将决定计算机技术的发展方向。由于计算机芯片的微型化已接近极限。人们越来越寄希望于全新的计算机技术能够带动人工智能的发展。目前至少有三种技术有可能引发全新的革命，它们是光子计算机、量子计算机和生物计算机。结束语许多科学家断言，机器的智慧会迅速超过阿尔伯特·爱因斯坦和斯蒂芬·霍金的智慧之和。著名物理学家斯蒂芬·霍金认为，就像人类可以凭借其高超的捣弄数字的能力来设计计算机一样，智能机器将创造出性能更好的计算机。最迟到本世纪中叶而且很可能还要快得多，计算机的智能也许就会超出人类的智能。本文对学习中的一些方法进行基本的叙述并阐述了其发展的趋势，但是在一般的学习中，使用基于行为的方法仍旧是最受人关注的；文中介绍了几种强化学习方法的变形，并对他们的运用进行了一定的叙述。在一定程度上，他们实现仿真的可行行。但是这些仿真大多都是验证性的，真正的人工智能在实际生产中的运用仍旧是一个需要研究的课题。最后，我们来总结一下，人工智能学习的各个研究领域。参照人在各种活动中的功能，我们可以得到人工智能的领域也不过就是代替人的活动而已。哪个领域有人进行的智力活动，哪个领域就是人工智能学习研究的领域。人工智能学习就是为了应用机器的长处来帮助人类进行智力活动。人工智能学习研究的目的就是要模拟人类神经系统的功能。但随着技术及技术的发展，人工智能学习的方法还会有所变化也更加会引起我们的关注。参考文献[1]《人工智能简史》孙兴清华大学出版社，1990年[2]蔡自兴徐光佑《人工智能及其应用》清华大学出版社2002年1月[3]陈万求;黄一;;NBIC会聚技术的“后人类”议题[J];湖南师范大学社会科学学报;2013年04期[4]王东浩;;道德机器人:人类责任存在与缺失之间的矛盾[J];理论月刊;2013年11期[5]机器学习理论为什么实现不了强人工智能[6]王东浩;;人工智能体的道德确立与伦理困境[J];华南农业大学学报(社会科学版);2014年01期[7]熊力;媒介道德激励功能及其实践研究[D];湖南大学;2013年[8]孙志楠;;人工智能在电气自动化控制中的应用[J];现代商贸工业;2013年07期[9]宋翠萍;;浅析智能化技术在电气工程自动化中的应用[J];电源技术应用;2013年06期[10]胡琴;;电气自动检测技术的现状与发展[J];硅谷;2013年11期[11]刘惠彦;;电气自动化工程控制系统的现状及其发展趋势[J];科技创新与应用;2013年18期[12]朱金芳;;人工智能在电气工程自动化中的运用[J];化学工程与装备;2013年05期[13]潘伟航;;浅析电气自动化在日常生活中的作用和未来发展趋势[J];科技创新与应用;2013年12期[14]虞峥;;浅谈人工智能技术在电气自动化中的运用[J];电子制作;2013年05期[15]赵纲;刘刚;;有关电气控制线路设计的研究[J];电子制作;2013年02期[16]李俊平;人工智能技术的伦理问题及其对策研究[D];武汉理工大学;2013年[17]赵艳军;锰粉制备输送控制系统设计与研究[D];兰州理工大学;2012年

课题研究计划（或称开题报告)是有格式要求的。一般包括：课题名称、选e68a8462616964757a686964616f31333262353332题背景、理由、国内外成果综述、研究内容、目标、方法、步骤、预期成果等。请参考我设计的下面这个： 1、课题名称: 关于人工智能的可行性研究 2、课题的来由: 随着时代的发展，社会分工日趋复杂，并且有的工种具有一定的危险性，另一方面，随着经济水平的提高，人们产生了越来越高的生活需求，越来越多人的迫切需要从消费水平进入享受水平，人们生产的目的是为了追求更好的生活。二者之间的矛盾导致现有人力无法满足社会生产发展的需要，急切需要一种更为发达、效率更高的生产工具代替人力进行生产流程，只有这样才能最大显得的提高人们的生活质量，现代人工作的压力、紧张和心理疾病才有可能得到根本的缓解，也才有利于我们和谐社会的构建。随着计算机技术的不断发展，我们从中看到了希望。就是依托计算机技术来开发人工智能，进入生产、生活领域。 3、研究的目的及意义: 本课题研究通过探讨人工智能的原理明确开发人工智能的可行性。开发人工智能将极大地提高社会生产力，将有助于改善我们的生活质量，将有助于社会、文化、教育等改革。 4、活动计划与活动步骤：（含分工，如有可能，最好加上时间安排） （1）组长负责进行资料收集、查询、整理，完成人工智能相关文献综述； （2）两组员负责通过资料查询了解人工智能原理等相关理论知识； （3）两组员通过访谈计算机专家了解人工智能的可行性； （4）全体组员通过访谈、观察了解工厂工人工作压力情况和人们生活状况，了解人们的需要； （5）全体组员对查询和收集的资料进行整理分析，完成研究。 5、可行性分析: （1）我们课题组对计算机技术非常感兴趣，具有较好的基础，尤其是人工智能感兴趣； （2）我们联系到了计算机专业的教师和科研院所的计算机专家作为指导教师； （3）人工智能理论研究成果比较多，对我们课题的研究提供了丰富的基础性支撑； （4）我们收集到了比较多的相关资料和书籍等。 6、小组分工:（参见4） 7、研究方法：文献研究法、访谈法、观察法等。 8、预期成果：论文、研究报告、访谈调查报告 9、表达形式：幻灯展示、实验模型、口头汇报

开题报告e68a8462616964757a686964616f31333238643035是有格式要求的。课题名称、选题背景、理由、国内外成果综述、研究内容、目标、方法、步骤、预期成果等。请参考我设计的一个开题报告： 1、课题名称: 关于人工智能的可行性研究 2、课题的来由: 随着时代的发展，社会分工日趋复杂，并且有的工种具有一定的危险性，另一方面，随着经济水平的提高，人们产生了越来越高的生活需求，越来越多人的迫切需要从消费水平进入享受水平，人们生产的目的是为了追求更好的生活。二者之间的矛盾导致现有人力无法满足社会生产发展的需要，急切需要一种更为发达、效率更高的生产工具代替人力进行生产流程，只有这样才能最大显得的提高人们的生活质量，现代人工作的压力、紧张和心理疾病才有可能得到根本的缓解，也才有利于我们和谐社会的构建。随着计算机技术的不断发展，我们从中看到了希望。就是依托计算机技术来开发人工智能，进入生产、生活领域。 3、研究的目的及意义: 本课题研究通过探讨人工智能的原理明确开发人工智能的可行性。开发人工智能将极大地提高社会生产力，将有助于改善我们的生活质量，将有助于社会、文化、教育等改革。 4、活动计划与活动步骤：（含分工） （1）组长负责进行资料收集、查询、整理，完成人工智能相关文献综述； （2）两组员负责通过资料查询了解人工智能原理等相关理论知识； （3）两组员通过访谈计算机专家了解人工智能的可行性； （4）全体组员通过访谈、观察了解工厂工人工作压力情况和人们生活状况，了解人们的需要； （5）全体组员对查询和收集的资料进行整理分析，完成研究。 5、可行性分析: （1）我们课题组对计算机技术非常感兴趣，具有较好的基础，尤其是人工智能感兴趣； （2）我们联系到了计算机专业的教师和科研院所的计算机专家作为指导教师； （3）人工智能理论研究成果比较多，对我们课题的研究提供了丰富的基础性支撑； （4）我们收集到了比较多的相关资料和书籍等。 6、小组分工:（参见4） 7、研究方法：文献研究法、访谈法、观察法等。 8、预期成果：论文、研究报告、访谈调查报告 9、表达形式：幻灯展示、实验模型、口头汇报

［摘要］ 本文认为，计算机科学和人工智能将是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。至少在21世纪早期，逻辑学将重点关注下列论题：（1）如何在逻辑中处理常识推理的弗协调、非单调和容错性因素？（2）如何使机器人具有人的创造性智能，如从经验证据中建立用于指导以后行动的可错的归纳判断？（3）如何进行知识表示和知识推理，特别是基于已有的知识库以及各认知主体相互之间的知识而进行的推理？（4）如何结合各种语境因素进行自然语言理解和推理，使智能机器人能够用人的自然语言与人进行成功的交际？等等。 ［关键词］ 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。 本文所要探讨的问题是：21世纪逻辑发展的主要动力将来自何处？大致说来将如何发展？我个人的看法是：计算机科学和人工智能将至少是21世纪早期逻辑学发展的主要动力源泉，并将由此决定21世纪逻辑学的另一幅面貌。由于人工智能要模拟人的智能，它的难点不在于人脑所进行的各种必然性推理（这一点在20世纪基本上已经做到了，如用计算机去进行高难度和高强度的数学证明，“深蓝”通过高速、大量的计算去与世界冠军下棋），而是最能体现人的智能特征的能动性、创造性思维，这种思维活动中包括学习、抉择、尝试、修正、推理诸因素，例如选择性地搜集相关的经验证据，在不充分信息的基础上作出尝试性的判断或抉择，不断根据环境反馈调整、修正自己的行为，……由此达到实践的成功。于是，逻辑学将不得不比较全面地研究人的思维活动，并着重研究人的思维中最能体现其能动性特征的各种不确定性推理，由此发展出的逻辑理论也将具有更强的可应用性。 实际上，在20世纪中后期，就已经开始了现代逻辑与人工智能（记为AI）之间的相互融合和渗透。例如，哲学逻辑所研究的许多课题在理论计算机和人工智能中具有重要的应用价值。AI从认知心理学、社会科学以及决策科学中获得了许多资源，但逻辑（包括哲学逻辑）在AI中发挥了特别突出的作用。某些原因促使哲学逻辑家去发展关于非数学推理的理论；基于几乎同样的理由，AI研究者也在进行类似的探索，这两方面的研究正在相互接近、相互借鉴，甚至在逐渐融合在一起。例如，AI特别关心下述课题： ·效率和资源有限的推理； ·感知； ·做计划和计划再认； ·关于他人的知识和信念的推理； ·各认知主体之间相互的知识； ·自然语言理解； ·知识表示； ·常识的精确处理； ·对不确定性的处理，容错推理； ·关于时间和因果性的推理； ·解释或说明；21世纪的逻辑学也应该关注这些问题，并对之进行研究。为了做到这一点，逻辑学家们有必要熟悉AI的要求及其相关进展，使其研究成果在AI中具有可应用性. 我认为，至少是21世纪早期，逻辑学将会重点关注下述几个领域，并且有可能在这些领域出现具有重大意义的成果：（1）如何在逻辑中处理常识推理中的弗协调、非单调和容错性因素？（2）如何使机器人具有人的创造性智能，如从经验证据中建立用于指导以后行动的归纳判断？（3）如何进行知识表示和知识推理，特别是基于已有的知识库以及各认知主体相互之间的知识而进行的推理？（4）如何结合各种语境因素进行自然语言理解和推理，使智能机器人能够用人的自然语言与人进行成功的交际？等等。11111

人工智能（计算机科学的一个3363373735分支）人工智能（ArtificialIntelligence），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做出反应的智能机器，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。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。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。工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND）等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。人工智能机器人著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法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，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能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。人工智能将涉及到计算机科学、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，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。2研究价值编辑具有人工智能的机器人例如繁重的科学和工程计算本来是要人脑来承担的，如今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，因此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，另一方面又转向更有意义、更加困难的目标。通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。[1]这是智能化研究者梦寐以求的东西。2013年，帝金数据普数中心数据研究员S.CWANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。[1]当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着（至少一类）创造力模式的学科。[1]3科学介绍编辑实际应用机器视觉：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。学科范畴人工智能是一门边沿学科，属于自然科学和社会科学的交叉。涉及学科哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论研究范畴自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法意识和人工智能人工智能就其本质而言，是对人的思维的信息过程的模拟。对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。弱人工智能如今不断地迅猛发展，尤其是2008年经济危机后，美日欧希望借机器人等实现再工业化，工业机器人以比以往任何时候更快的速度发展，更加带动了弱人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。而强人工智能则暂时处于瓶颈，还需要科学家们和人类的努力。4发展阶段编辑1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。例如，1997年5月，IBM公司研制的深蓝（DEEPBLUE）计算机战胜了国际象棋大师卡斯帕洛夫（KASPAROV）。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。5技术研究编辑用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，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。人工智能技术研究ARTIFICIALINTELLIGENCEANDROBOTICSRESEARCH是一本关注人工智能与机器人研究领域最新进展的国际中文期刊，由汉斯出版社发行，本刊支持思想创新、学术创新，倡导科学，繁荣学术，集学术性、思想性为一体，旨在为了给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论人工智能与机器人研究领域内不同方向问题与发展的交流平台。研究领域人工智能技术研究智能机器人模式识别与智能系统虚拟现实技术与应用系统仿真技术与应用工业过程建模与智能控制智能计算与机器博弈人工智能理论语音识别与合成机器翻译图像处理与计算机视觉计算机感知计算机神经网络知识发现与机器学习建筑智能化技术与应用人工智能其他学科研究方法如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHNHAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETICINTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。大脑模拟主条目：控制论和计算神经科学20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如W.GREYWALTER的TURTLES和JOHNSHOPKINSBEAST。这些研究者还经常在普林斯顿大学和英国的RATIOCLUB举行技术协会会议.直到1960,大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。符号处理主条目：GOFAI当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学,斯坦福大学和麻省理工学院，而各自有独立的研究风格。JOHNHAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33]60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。[34]60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学,运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHNMCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示,智能规划和机器学习.致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者(如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGERSCHANK描述他们的“反逻辑”方法为"SCRUFFY".常识知识库(如DOUGLENAT的CYC)就是"SCRUFFY"AI的例子,因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划,这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。子符号法80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。自下而上,接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEYBROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVIDRUMELHART等再次提出神经网络和联结主义.这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。统计学法90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。STUARTJ.RUSSELL和PETERNORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。集成方法智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACTAGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为混合智能系统,而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEYBROOKS的SUBSUMPTIONARCHITECTURE就是一个早期的分级系统计划。智能模拟机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。学科范畴人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。涉及学科哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。研究范畴语言的学习与处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法人类思维方式，最关键的难题还是机器的自主创造性思维能力的塑造与提升。应用领域机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。安全问题人工智能还在研究中，但有学者认为让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患也在多部电影中发生过，其主要的关键是允不允许机器拥有自主意识的产生与延续，如果使机器拥有自主意识，则意味着机器具有与人同等或类似的创造性，自我保护意识，情感和自发行为。实现方法人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERINGAPPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELINGAPPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERICALGORITHM，简称GA）和人工神经网络（ARTIFICIALNEURALNETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。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做出反应的智能机器，该领域的研究包括1、机器人2、语言识别3、图像识别4、自然语言处理和专家系统等

1.机械领域的主要应用：1.1 机械设计 机械设计实际上是一个模型的综合和分析的过程，它不仅包括大量的计算、分析、绘图等数值计算型工作；还包括拟定初始方案，选择最优方案，制定合理结构等方案设计工作。 目前， 有些企业已引入CAD/CAM 系统， 由于CAD/CAM系统对符号推理工作需要综合运用多种科学的专门知识和丰富的实践经验才能解决，这需要CAD/CAM系统具有智能性，因此，设计智能化已成为机械设计中一个很热门的研究课题之一，它把计算机从数值处理扩展到非数值处理，包括知识与经验的集成、推理和决策，力图使机械设计过程自动化，减少人类专家在设计过程中由于个人因素造成的不足。此外，与传统设计方法相比，专家系统在机械设计中有着不可比拟的优势，它不仅可以长期稳定工作、节省成本，还可以为专家知识特别是启发式知识提供存储手段和传授途径、易于继承。1.2 机械制造 在机械生产制造过程中，需要为工厂中所有的装配机器供应零件。目标可能由监控者提供，也可能由系统对当时状态做出评估而产生。智能系统怎样推断出适当的目标，然后构造试图达到目标的动作序列，这个过程通常称为规划(planning), 它是自动问题求解的特例，是人工智能研究的重要子领域。 此外，计算机集成加工系统（CIMS）和柔性加工系统（FMS）在近年来获得迅速发展。在一个复杂的加工过程中，不同条件下的多种操作是必要的。环境的不确定性以及系统软硬件的复杂性，向当代工程师们设计和实现有效的集成控制系统提出了挑战。为了把现有的Petri 网技术用于现代加工系统，需要开发一种新技术，把机器智能技术和Petri 网理论以及智能离散事件控制器连接起来。1.3 机械电子工程 在许多工程系统中，往往由于内部结构复杂，存在着对加工过程控制及故障诊断等方面的困难，一般的PID 等典型控制方法虽然能解决一些问题，但在一些场合已不能满足生产的要求，当前，典型的机电一体化产品- 数控机床、交流伺服驱动装置等正在向数字化、小型化、高精度等方向发展，为监控带来新的挑战，由于模糊神经网络控制不依赖控制对象和数学模型，具有较强的鲁棒性，是一种非线性的控制方法，在解决此类问题中有很好的优势。而专家系统主要用于复杂的机械系统，能够克服基于模型的故障诊断方法对模型的过分依赖性。1.4 机械系统故障诊断 对机械设备进行故障诊断主要是通过对设备敏感部位的信号利用传感器进行数据采集和特征提取，根据不同机械部件在不同时间和状态下具有不同的特征，来判断是否工作正常。它包含两方面的内容，即对系统运行状态进行监测和发现异常情况后对故障进行分析、诊断。在系统运行过程中，若某一时刻系统发生故障，领域专家可以凭借视觉、听觉、嗅觉、触觉或测量设备得到一些客观数据，并根据对系统结构和系统故障历史的深刻了解很快做出判断，确定故障的原因和部位。对于较为复杂的系统，这种基于专家系统的故障诊断方法尤为有效。2 人工智能在机械系统中的应用方法 应用机械系统的AI 技术传统上可以分为专家系统（ES）、人工神经网络(ANN)、模糊集理论(FST)和启发式搜索(GA)四类。2.1 专家系统（Expert System .ES） 专家系统是人工智能的主要分支之一。一个典型的专家系统由四部分组成：知识库、推理机、知识获取机制和人机界面。专家系统按其知识表达方式不同，可分为基于规则和基于框架的专家系统；按其推理方式不同可分为正向推理和逆向推理。在知识表达方面，利用产生式规则进行知识表达，一方面得有益于现有人工智能语言，另一方面，它的表达合乎人的心理逻辑，便于进行知识获取，利于人们接受，利用框架进行知识表达得到了越来越多的应用。在诊断推理方面，主要表现在对推理逻辑和推理模型的研究，在人工智能领域，存在着许多推理逻辑，在专家系统中广泛使用模糊推理逻辑降低系统复杂性，在机械系统故障诊断上能产生很好的效果。专家系统技术的研究和应用正以前所未有的速度在故障诊断、模拟仿真、自动控制、工艺编程、生产规划、产品设计等许多机械工程领域不断发展。随着研究工作的不断深入，一些新的技术方法和先进制造技术正融入机械工程专家系统技术的研究和应用中，不仅使知识表示、知识库构建、知识获取和推理模式等关键技术的研究取得了一定成果，还出现了一些集成式的新型专家系统，如神经网络专家系统、模糊专家系统、基于Internet 的专家系统、CAD 专家系统、CAPP 专家系统等。他们综合利用了专家系统启发性、透明性、灵活性以及具有处理不确定知识能力的特点，使机械工程专家系统的应用领域不断拓宽。2.2 人工神经网络（artificial neural network. ANN） 人工神经网络是模拟的生物激励系统，将一系列输入通过神经网络产生输出。这里输出、输入都是标准化的量，输出是输入的非线性函数，其值可由连接各神经元的权重改变，以获得期望的输出值，即所谓的训练过程。基于数值计算方法的神经网络，将已有数据和已知系统模式作样本，通过学习获得两者的映射关系，实现了对人类经验思维的模拟。 由于神经网络具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能，使其在工程实际存在着大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测及诊断中发挥着较大作用。 在机械系统的应用方式有：从模式识别角度应用神经网络作为分类器进行故障诊断；从预测角度应用神经网络作为动态预测模型进行故障预测；利用神经网络极强的非线性动态跟踪能力进行基于结构映射的故障诊断；从知识处理角度建立基于神经网络的诊断专家系统等。目前，为提高神经网络在实用中的学习和诊断性能，主要从神经网络模型本身改进和模块化模型诊断策略两方面开展研究；同时，与模糊逻辑的结合研究也是一个研究热点。2.3 模糊集理论（Fuzzy Sets Theory. FSN） 人的认知世界包含大量的不确定之时，需要对所获信息进行一定的模糊化处理，以减少问题的复杂度。1965 年Zadeh 创立的模糊集理论是处理不确定性的一种很好的方法。模糊逻辑可认为是多值逻辑的扩展，能够完成传统数学方法难以做到的近似推理。目前基于多类电量测试信息模糊融合的模拟电路故障诊断方法已经提出。基于K故障节点诊断法和最小标准差法的元件故障隶属函数构造方法,以及基于可测点电压与不同测试频率下电路增益的模糊信息融合诊断算法也已阐述。分别利用此两类测试信息及K 故障诊断法和最小标准差法,对电路进行初步诊断,再运用模糊变换及故障定位规则, 得到融合的故障诊断结果。模拟实验结果表明,所提方法大大提高了机械系统故障定位的准确率。2.4 启发式搜索（Heuristic Search. HS） 遗传算法（Genetic Algorithms ,GA）和模拟退火（Simulated Annealing ,SA）算法是近年来逐渐兴起的两种启发式搜索，通过随机产生新的解并保留其中较好的结果，并避免陷入局部最小，以求得全局最优解或近似最优解。GA是由数字串的集合表示优化问题的解，通过遗传算子，即选择、杂交和变异的操作对数字串寻优。SA 在已知解的邻近区产生新的解，并逐渐缩小邻近区域的大小，直到逼近全局的最优解。两种方法都可以用来求解任意目标函数和约束的最优化问题。 在交流伺服系统中采用遗传算法的模糊神经网络控制较之传统的PID 控制方式具有响应速度快、误差小、无震荡、伺服性能强等优点，仿真结果表明，将遗传算法融入模糊神经网络控制器来控制交流伺服系统，其系统的响应超调量明显减少，具有较好的抗干扰性、伺服性。3 人工智能在机械系统中的发展趋势 人工智能中的四种主要工具， 即ES、ANN、FST 和GA，虽然在机械领域有不同程度的应用，但各自都存在一些局限：ES 存在知识获取的“瓶颈”、知识难以维护、应用面窄、诊断能力弱等问题。ANN 在外推时误差较大、系统结构变化时ANN 的组成结构也要变化、难以实现基于结构化知识的逻辑推理、缺乏解释能力等。FST 存在可维护性问题。GA 在依据的信息发生畸变时，难以保证可靠性等。 目前，缺少一种普遍有效的方法应用于机械系统的各个领域。混合智能，即综合多种智能技术用以设计、控制、监测机械系统成为新的发展趋势。结合的方式主要有基于规则的专家系统与神经网络相结合，CBR 与基于规则系统和神经网络的结合，模糊逻辑、神经网络与专家系统的结合等。其中模糊逻辑、神经网络与专家系统结合的诊断模型是最具发展前景的，也是目前人工智能领域的研究热点之一。混合智能在机械系统的应用中有如下发展趋势：由基于规则的系统到混合模型的系统，由领域专家提供知识到机器学习、由非实时诊断到实时诊断、由单一推理控制到混合推理控制策略等。4 人工智能在机械系统中的应用实例 智能技术在机械领域已经有了许多成功的应用。在工程中，典型的专家系统有帮助工程师发现结构分析问题的分析策略的SACON 系统；帮助识别和排除机车故障的DELTA 系统；帮助操作人员检测和处理核反应堆事故的REACTOR 系统。 在故障诊断方面,1967 年在美国航天局（NASA）倡导下，由美国海军研究室（ONR）主持美国机械故障预防小组（MFPG），积极从事故障诊断技术研究和开发。目前各种类型的故障诊断和维修专家系统已用于美国F- 15 战斗机、B- 1B 轰炸机、海军舰艇、陆军军械装置等现役装备的故障诊断和维修中。在我国，华中理工大学研制了用于汽轮机组工况监测和故障诊断的智能系统DEST；哈尔滨工业大学和上海发电设备成套设计研究所联合研制了汽轮发电机组故障诊断专家系统MMMD- ；清华大学研制了用于锅炉设备故障诊断的专家系统等等。 在电路和数字电子设备方面，MIT 研制用于模拟电路操作并演绎出故障可能原因的EI 系统；美国海军人工智能中心开发了用于诊断电子设备故障的IN- ATE 系统;波音航空公司研制了诊断微波模拟接口MSI 的IMA 系统；意大利米兰工业大学研制用于汽车启动器电路故障诊断的系统。 2006 年初，上海交通大学机电控制研究所、上海市农业机械研究所成功研制了适用于我国数字农业特点的两种主要智能型农业机械：中、小型收割机智能测产系统及其配套软件；智能变量施肥、播种机及其配套软件。虽然相关的应用实例还有很多，但它们大都处于实验室或小范围试验状态，限于成本、技术等问题，不能得到普及应用，这将成为智能技术在机械领域应用的“瓶颈”。引用： http://teardown.eefocus.com/xuweitao/blog/08-01/141923_aa9c4.html

去百度文库，查看完整内容>内容来自用户:柏华林人工智能四川省重点实验室开放基金项目申报书项目类别｜一般项目｜□基础研6430究项目｜□应用研究项目｜重点项目｜□基础研究项目｜□应用研究项目｜项目名称：｜基于工业检测机器人测控系统的研究｜起止时间：｜2013年10月至2015年10月｜承担单位：｜四川理工学院机械工程学院｜项目负责人：｜黄丹平｜联系电话（手机）：｜13698250797｜学科门类：｜测控｜学科情况：｜填报日期：｜2013年5月16日｜人工智能四川省重点实验室制填报说明1、申报书适用于人工智能四川省重点实验室资助自然科学研究项目；2、封面“项目类别”只能选填一种，在该项目类别前□中画“√”；3、申报书填写要求用A4纸计算机打印。一式三份统一报送人工智能四川省重点实验室；4、未尽事宜，可另附材料说明。一、目的意义和国内外研究现状分析工业机器人诞生20世纪60年代,在20世纪90年代得到迅速发展,是最先产业化的机器人技术.它是综合了计算机、控制论、机构学、信息和传感技术、人工智能 、仿生学等多学科而形成的高新技术,是当代研究十分活跃、应用日益广泛的领域。它的出现是为了适应制造业规模化生产，解决单调、重复的体力劳动和提高生产质量而代替人工作业。｜我国的机器人研究开发工作始于 20 世纪 70 年代初，到现在已经历了 40 年的历 程 。 前 10 年处于研究单位自行开展研究工作状态 ， 发

人工智能(Artificial Intelligence) ，英文缩写为AI。它是3433656138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做出反应的智能机器，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。[编辑本段]【人工和智能】 人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或着人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。 关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（consciousness）、自我（self）、思维（mind）（包括无意识的思维（unconscious_mind）等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。 人工智能目前在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。[编辑本段]【人工智能的定义】 著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法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，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。 人工智能（Artificial Intelligence，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。人工智能将涉及到计算机科学、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，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。[编辑本段]【实际应用】 机器视觉:指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统,智能搜索，定理证明，博弈，自动程序设计，还有航天应用等。[编辑本段]【学科范畴】 人工智能是一门边沿学科，属于自然科学和社会科学的交叉。[编辑本段]【涉及学科】 哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，[编辑本段]【研究范畴】 自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法[编辑本段]【应用领域】 智能控制，机器人学，语言和图像理解，遗传编程[编辑本段]【意识和人工智能的区别】 人工智能就其本质而言，是对人的思维的信息过程的模拟。 对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。 人工智能不是人的智能，更不会超过人的智能。 “机器思维”同人类思维的本质区别： 1.人工智能纯系无意识的机械的物理的过程，人类智能主要是生理和心理的过程。 2.人工智能没有社会性。 3.人工智能没有人类的意识所特有的能动的创造能力。 4.两者总是人脑的思维在前，电脑的功能在后。[编辑本段]【强人工智能和弱人工智能】 人工智能的一个比较流行的定义，也是该领域较早的定义，是由约翰·麦卡锡（John McCarthy|）在1956年的达特矛斯会议（Dartmouth Conference）上提出的：人工智能就是要让机器的行为看起来就象是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能性。总体来讲，目前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。 强人工智能 强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类： 类人的人工智能，即机器的思考和推理就像人的思维一样。 非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。 弱人工智能 弱人工智能观点认为不可能制造出能真正地推理（Reasoning）和解决问题（Problem_solving）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。 主流科研集中在弱人工智能上，并且一般认为这一研究领域已经取得可观的成就。强人工智能的研究则出于停滞不前的状态下。 对强人工智能的哲学争论 “强人工智能”一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的，其定义为： “强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）这是指使计算机从事智能的活动。在这里智能的涵义是多义的、不确定的，象下面所提到的就是其中的例子。利用计算机解决问题时，必须知道明确的程序。可是，人即使在不清楚程序时，根据发现（heu- ristic）法而设法巧妙地解决了问题的情况是不少的。如识别书写的文字、图形、声音等，所谓认识模型就是一例。再有，能力因学习而得到的提高和归纳推理、依据类推而进行的推理等，也是其例。此外，解决的程序虽然是清楚的，但是实行起来需要很长时间，对于这样的问题，人能在很短的时间内找出相当好的解决方法，如竞技的比赛等就是其例。还有，计算机在没有给予充分的合乎逻辑的正确信息时，就不能理解它的意义，而人在仅是被给予不充分、不正确的信息的情况下，根据适当的补充信息，也能抓住它的意义。自然语言就是例子。用计算机处理自然语言，称为自然语言处理。 关于强人工智能的争论不同于更广义的一元论和二元论（alism）的争论。其争论要点是：如果一台机器的唯一工作原理就是对编码数据进行转换，那么这台机器是不是有思维的？希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是对数据进行转换，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。 也有哲学家持不同的观点。Daniel C. Dennett 在其著作 Consciousness Explained 里认为，人也不过是一台有灵魂的机器而已，为什么我们认为人可以有智能而普通机器就不能呢？他认为像上述的数据转换机器是有可能有思维和意识的。 有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如Simon Blackburn在其哲学入门教材 Think 里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她／他仅仅是看起来是智能的。基于这个论点，既然弱人工智能认为可以令机器看起来像是智能的，那就不能完全否定这机器是真的有智能的。Blackburn 认为这是一个主观认定的问题。 需要要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在百多年前是被认为很需要智能的。[编辑本段]【人工智能简史】 人工智能的传说可以追溯到古埃及，但随着1941年以来电子计算机的发展，技术已最终可以创造出机器智能，“人工智能”(Artificial Intelligence)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，在它还不长的历史中，人工智能的发展比预想的要慢，但一直在前进，从40年前出现到现在，已经出现了许多AI程序，并且它们也影响到了其它 技术的发展。 计算机时代 1941年的一项发明使信息存储和处理的各个方面都发生了革命.这项同时在美国和德国出现的 发明就是电子计算机.第一台计算机要占用几间装空调的大房间,对程序员来说是场恶梦:仅仅为运行一 个程序就要设置成千的线路.1949年改进后的能存储程序的计算机使得输入程序变得简单些,而且计算机 理论的发展产生了计算机科学,并最终促使了人工智能的出现.计算机这个用电子方式处理数据的发明, 为人工智能的可能实现提供了一种媒介. AI的开端 虽然计算机为AI提供了必要的技术基础,但直到50年代早期人们才注意到人类智能与机器之间 的联系. Norbert Wiener是最早研究反馈理论的美国人之一.最熟悉的反馈控制的例子是自动调温器.它 将收集到的房间温度与希望的温度比较,并做出反应将加热器开大或关小,从而控制环境温度.这项对反馈 回路的研究重要性在于: Wiener从理论上指出,所有的智能活动都是反馈机制的结果.而反馈机制是有可 能用机器模拟的.这项发现对早期AI的发展影响很大. 1955年末,Newell和Simon做了一个名为"逻辑专家"(Logic Theorist)的程序.这个程序被许多人 认为是第一个AI程序.它将每个问题都表示成一个树形模型,然后选择最可能得到正确结论的那一枝来求解 问题."逻辑专家"对公众和AI研究领域产生的影响使它成为AI发展中一个重要的里程碑.1956年,被认为是 人工智能之父的John McCarthy组织了一次学会,将许多对机器智能感兴趣的专家学者聚集在一起进行了一 个月的讨论.他请他们到 Vermont参加 " Dartmouth人工智能夏季研究会".从那时起,这个领域被命名为 "人工智能".虽然 Dartmouth学会不是非常成功,但它确实集中了AI的创立者们,并为以后的AI研究奠定了基础. Dartmouth会议后的7年中,AI研究开始快速发展.虽然这个领域还没明确定义,会议中的一些思想 已被重新考虑和使用了. Carnegie Mellon大学和MIT开始组建AI研究中心.研究面临新的挑战: 下一步需 要建立能够更有效解决问题的系统,例如在"逻辑专家"中减少搜索;还有就是建立可以自我学习的系统. 1957年一个新程序,"通用解题机"(GPS)的第一个版本进行了测试.这个程序是由制作"逻辑专家" 的同一个组开发的.GPS扩展了Wiener的反馈原理,可以解决很多常识问题.两年以后,IBM成立了一个AI研 究组.Herbert Gelerneter花3年时间制作了一个解几何定理的程序. 当越来越多的程序涌现时,McCarthy正忙于一个AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP语言. LISP到今天还在用."LISP"的意思是"表处理"(LISt Processing),它很快就为大多数AI开发者采纳. 1963年MIT从美国政府得到一笔220万美元的资助,用于研究机器辅助识别.这笔资助来自国防部 高级研究计划署(ARPA),已保证美国在技术进步上领先于苏联.这个计划吸引了来自全世界的计算机科学家, 加快了AI研究的发展步伐. 大量的程序 以后几年出现了大量程序.其中一个著名的叫"SHRDLU"."SHRDLU"是"微型世界"项目的一部分,包括 在微型世界(例如只有有限数量的几何形体)中的研究与编程.在MIT由Marvin Minsky领导的研究人员发现, 面对小规模的对象,计算机程序可以解决空间和逻辑问题.其它如在60年代末出现的"STUDENT"可以解决代数 问题,"SIR"可以理解简单的英语句子.这些程序的结果对处理语言理解和逻辑有所帮助. 70年代另一个进展是专家系统.专家系统可以预测在一定条件下某种解的概率.由于当时计算机已 有巨大容量,专家系统有可能从数据中得出规律.专家系统的市场应用很广.十年间,专家系统被用于股市预 测,帮助医生诊断疾病,以及指示矿工确定矿藏位置等.这一切都因为专家系统存储规律和信息的能力而成为可能. 70年代许多新方法被用于AI开发,著名的如Minsky的构造理论.另外David Marr提出了机器视觉方 面的新理论,例如,如何通过一副图像的阴影,形状,颜色,边界和纹理等基本信息辨别图像.通过分析这些信 息,可以推断出图像可能是什么.同时期另一项成果是PROLOGE语言,于1972年提出. 80年代期间,AI前进更为迅速,并地进入商业领域.1986年,美国AI相关软硬件销售高达4.25亿 美元.专家系统因其效用尤受需求.象数字电气公司这样的公司用XCON专家系统为VAX大型机编程.杜邦,通用 汽车公司和波音公司也大量依赖专家系统.为满足计算机专家的需要,一些生产专家系统辅助制作软件的公 司,如Teknowledge和Intellicorp成立了。为了查找和改正现有专家系统中的错误,又有另外一些专家系统被设计出来. 从实验室到日常生活 人们开始感受到计算机和人工智能技术的影响.计算机技术不再只属于实验室中的一小群研究人员. 个人电脑和众多技术杂志使计算机技术展现在人们面前.有了象美国人工智能协会这样的基金会.因为AI开发 的需要,还出现了一阵研究人员进入私人公司的热潮。150多所像DEC(它雇了700多员工从事AI研究)这样的公司共花了10亿美元在内部的AI开发组上. 其它一些AI领域也在80年代进入市场.其中一项就是机器视觉. Minsky和Marr的成果现在用到了生产线上的相机和计算机中,进行质量控制.尽管还很简陋,这些系统已能够通过黑白区别分辨出物件形状的不同.到1985年美国有一百多个公司生产机器视觉系统,销售额共达8千万美元. 但80年代对AI工业来说也不全是好年景.86-87年对AI系统的需求下降,业界损失了近5亿美元.象 Teknowledge和Intellicorp两家共损失超过6百万美元,大约占利润的三分之一巨大的损失迫使许多研究领 导者削减经费.另一个另人失望的是国防部高级研究计划署支持的所谓"智能卡车".这个项目目的是研制一种能完成许多战地任务的机器人。由于项目缺陷和成功无望,Pentagon停止了项目的经费. 尽管经历了这些受挫的事件,AI仍在慢慢恢复发展.新的技术在日本被开发出来,如在美国首创的模糊逻辑,它可以从不确定的条件作出决策;还有神经网络,被视为实现人工智能的可能途径.总之,80年代AI被引入了市场,并显示出实用价值.可以确信,它将是通向21世纪之匙. 人工智能技术接受检验 在"沙漠风暴"行动中军方的智能设备经受了战争的检验.人工智能技术被用于导弹系统和预警显示以 及其它先进武器.AI技术也进入了家庭.智能电脑的增加吸引了公众兴趣;一些面向苹果机和IBM兼容机的应用 软件例如语音和文字识别已可买到;使用模糊逻辑,AI技术简化了摄像设备.对人工智能相关技术更大的需求促 使新的进步不断出现.人工智能已经并且将继续不可避免地改变我们的生活. 人工智能专业机构 美国 1. Massachusetts Institute of Technology 麻省理工学院 2. Stanford University 斯坦福大学 (CA) 3. Carnegie Mellon University 卡内基美隆大学 (PA) 4. University of California-Berkeley 加州大学伯克利分校 5. University of Washington 华盛顿大学 6. University of Texas-Austin 德克萨斯大学奥斯汀分校 7. University of Pennsylvania 宾夕法尼亚大学 8. University of Illinois-Urbana-Champaign 伊利诺伊大学厄本那—香槟分校 9. University of Maryland-College Park 马里兰大学帕克分校 10. Cornell University 康乃尔大学 (NY) 11. University of Massachusetts-Amherst 马萨诸塞大学Amherst校区 12. Georgia Institute of Technology 佐治亚理工学院 University of Michigan-Ann Arbor 密西根大学-安娜堡分校 14. University of Southern California 南加州大学 15. Columbia University 哥伦比亚大学 (NY) University of California-Los Angeles 加州大学-洛杉矶分校 17. Brown University 布朗大学 (RI) 18. Yale University 耶鲁大学 (CT) 19. University of California-San Diego 加利福尼亚大学圣地亚哥分校 20. University of Wisconsin-Madison 威斯康星大学麦迪逊分校 中国 1、北京大学 2、清华大学 3、哈尔滨工业大学 4、厦门大学人工智能研究所 5、中国AI创业研发俱乐部