用來(lái)研究人工智能的主要物質(zhì)基礎(chǔ)以及能夠?qū)崿F(xiàn)人工智能技術(shù)平臺(tái)的機(jī)器就是計(jì)算機(jī),人工智能的發(fā)展歷史是和計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展史聯(lián)系在一起的。除了計(jì)算機(jī)科學(xué)以外,人工智能還涉及信息論、控制論、自動(dòng)化、仿生學(xué)、生物學(xué)、心理學(xué)、數(shù)理邏輯、語(yǔ)言學(xué)、醫(yī)學(xué)和哲學(xué)等多門(mén)學(xué)科。人工智能學(xué)科研究的主要內(nèi)容包括:知識(shí)表示、自動(dòng)推理和搜索方法、機(jī)器學(xué)習(xí)和知識(shí)獲取、知識(shí)處理系統(tǒng)、自然語(yǔ)言理解、計(jì)算機(jī)視覺(jué)、智能機(jī)器人、自動(dòng)程序設(shè)計(jì)等方面。
研究方法
如今沒(méi)有統(tǒng)一的原理或范式指導(dǎo)人工智能研究。許多問(wèn)題上研究者都存在爭(zhēng)論。其中幾個(gè)長(zhǎng)久以來(lái)仍沒(méi)有結(jié)論的問(wèn)題是:是否應(yīng)從心理或神經(jīng)方面模擬人工智能?或者像鳥(niǎo)類生物學(xué)對(duì)于航空工程一樣,人類生物學(xué)對(duì)于人工智能研究是沒(méi)有關(guān)系的?智能行為能否用簡(jiǎn)單的原則(如邏輯或優(yōu)化)來(lái)描述?還是必須解決大量完全無(wú)關(guān)的問(wèn)題?
智能是否可以使用**符號(hào)表達(dá),如詞和想法?還是需要“子符號(hào)”的處理?JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念,也提議人工智能應(yīng)歸類為SYNTHETIC INTELLIGENCE,[29]這個(gè)概念后來(lái)被某些非GOFAI研究者采納。
大腦模擬
主條目:控制論和計(jì)算神經(jīng)科學(xué)
20世紀(jì)40年代到50年代,許多研究者探索神經(jīng)病學(xué),信息理論及控制論之間的聯(lián)系。其中還造出一些使用電子網(wǎng)絡(luò)構(gòu)造的初步智能,如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 這些研究者還經(jīng)常在普林斯頓大學(xué)和英國(guó)的RATIO CLUB舉行技術(shù)協(xié)會(huì)會(huì)議.直到1960, 大部分人已經(jīng)放棄這個(gè)方法,盡管在80年代再次提出這些原理。
符號(hào)處理
主條目:GOFAI
當(dāng)20世紀(jì)50年代,數(shù)字計(jì)算機(jī)研制成功,研究者開(kāi)始探索人類智能是否能簡(jiǎn)化成符號(hào)處理。研究主要集中在卡內(nèi)基梅隆大學(xué), 斯坦福大學(xué)和麻省理工學(xué)院,而各自有獨(dú)立的研究風(fēng)格。JOHN HAUGELAND稱這些方法為GOFAI(出色的老式人工智能)。[33] 60年代,符號(hào)方法在小型證明程序上模擬**思考有很大的成就?;诳刂普?/a>或神經(jīng)網(wǎng)絡(luò)的方法則置于次要。[34] 60~70年代的研究者確信符號(hào)方法較終可以成功創(chuàng)造強(qiáng)人工智能的機(jī)器,同時(shí)這也是他們的目標(biāo)。
認(rèn)知模擬經(jīng)濟(jì)學(xué)家赫伯特·西蒙和艾倫·紐厄爾研究人類問(wèn)題解決能力和嘗試將其形式化,同時(shí)他們?yōu)槿斯ぶ悄艿幕驹泶蛳禄A(chǔ),如認(rèn)知科學(xué), 運(yùn)籌學(xué)和經(jīng)營(yíng)科學(xué)。他們的研究團(tuán)隊(duì)使用心理學(xué)實(shí)驗(yàn)的結(jié)果開(kāi)發(fā)模擬人類解決問(wèn)題方法的程序。這方法一直在卡內(nèi)基梅隆大學(xué)沿襲下來(lái),并在80年代于SOAR發(fā)展到高峰。基于邏輯不像艾倫·紐厄爾和赫伯特·西蒙,JOHN MCCARTHY認(rèn)為機(jī)器不需要模擬人類的思想,而應(yīng)嘗試找到抽象推理和解決問(wèn)題的本質(zhì),不管人們是否使用同樣的算法。他在斯坦福大學(xué)的實(shí)驗(yàn)室致力于使用形式化邏輯解決多種問(wèn)題,包括知識(shí)表示, 智能規(guī)劃和機(jī)器學(xué)習(xí). 致力于邏輯方法的還有愛(ài)丁堡大學(xué),而促成歐洲的其他地方開(kāi)發(fā)編程語(yǔ)言PROLOG和邏輯編程科學(xué).“反邏輯”斯坦福大學(xué)的研究者 (如馬文·閔斯基和西摩爾·派普特)發(fā)現(xiàn)要解決計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理的困難問(wèn)題,需要專門(mén)的方案-他們主張不存在簡(jiǎn)單和通用原理(如邏輯)能夠達(dá)到所有的智能行為。ROGER SCHANK 描述他們的“反邏輯”方法為 "SCRUFFY" .常識(shí)知識(shí)庫(kù) (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子,因?yàn)樗麄儽仨毴斯ひ淮尉帉?xiě)一個(gè)復(fù)雜的概念?;谥R(shí)大約在1970年出現(xiàn)大容量?jī)?nèi)存計(jì)算機(jī),研究者分別以三個(gè)方法開(kāi)始把知識(shí)構(gòu)造成應(yīng)用軟件。這場(chǎng)“知識(shí)革命”促成*系統(tǒng)的開(kāi)發(fā)與計(jì)劃,這是**個(gè)成功的人工智能軟件形式?!爸R(shí)革命”同時(shí)讓人們意識(shí)到許多簡(jiǎn)單的人工智能軟件可能需要大量的知識(shí)。
子符號(hào)法
80年代符號(hào)人工智能停滯不前,很多人認(rèn)為符號(hào)系統(tǒng)永遠(yuǎn)不可能模仿人類所有的認(rèn)知過(guò)程,特別是感知,機(jī)器人,機(jī)器學(xué)習(xí)和模式識(shí)別。很多研究者開(kāi)始關(guān)注子符號(hào)方法解決特定的人工智能問(wèn)題。
自下而上, 接口AGENT,嵌入環(huán)境(機(jī)器人),行為主義,新式AI機(jī)器人領(lǐng)域相關(guān)的研究者,如RODNEY BROOKS,否定符號(hào)人工智能而專注于機(jī)器人移動(dòng)和求生等基本的工程問(wèn)題。他們的工作再次關(guān)注早期控制論研究者的觀點(diǎn),同時(shí)提出了在人工智能中使用控制理論。這與認(rèn)知科學(xué)領(lǐng)域中的表征感知論點(diǎn)是一致的:較高的智能需要個(gè)體的表征(如移動(dòng),感知和形象)。計(jì)算智能80年代中DAVID RUMELHART 等再次提出神經(jīng)網(wǎng)絡(luò)和聯(lián)結(jié)主義. 這和其他的子符號(hào)方法,如模糊控制和進(jìn)化計(jì)算,都屬于計(jì)算智能學(xué)科研究范疇。
統(tǒng)計(jì)學(xué)法
90年代,人工智能研究發(fā)展出復(fù)雜的數(shù)學(xué)工具來(lái)解決特定的分支問(wèn)題。這些工具是真正的科學(xué)方法,即這些方法的結(jié)果是可測(cè)量的和可驗(yàn)證的,同時(shí)也是人工智能成功的原因。共用的數(shù)學(xué)語(yǔ)言也允許已有學(xué)科的合作(如數(shù)學(xué),經(jīng)濟(jì)或運(yùn)籌學(xué))。STUART J. RUSSELL和PETER NORVIG指出這些進(jìn)步不亞于“革命”和“NEATS的成功”。有人批評(píng)這些技術(shù)太專注于特定的問(wèn)題,而沒(méi)有考慮長(zhǎng)遠(yuǎn)的強(qiáng)人工智能目標(biāo)。
集成方法
智能AGENT范式智能AGENT是一個(gè)會(huì)感知環(huán)境并作出行動(dòng)以達(dá)致目標(biāo)的系統(tǒng)。較簡(jiǎn)單的智能AGENT是那些可以解決特定問(wèn)題的程序。較復(fù)雜的AGENT包括人類和人類組織(如公司)。這些范式可以讓研究者研究單獨(dú)的問(wèn)題和找出有用且可驗(yàn)證的方案,而不需考慮單一的方法。一個(gè)解決特定問(wèn)題的AGENT可以使用任何可行的方法-一些AGENT用符號(hào)方法和邏輯方法,一些則是子符號(hào)神經(jīng)網(wǎng)絡(luò)或其他新的方法。范式同時(shí)也給研究者提供一個(gè)與其他領(lǐng)域溝通的共同語(yǔ)言--如決策論和經(jīng)濟(jì)學(xué)(也使用ABSTRACT AGENTS的概念)。90年代智能AGENT范式被廣泛接受。AGENT體系結(jié)構(gòu)和認(rèn)知體系結(jié)構(gòu)研究者設(shè)計(jì)出一些系統(tǒng)來(lái)處理多ANGENT系統(tǒng)中智能AGENT之間的相互作用。一個(gè)系統(tǒng)中包含符號(hào)和子符號(hào)部分的系統(tǒng)稱為混合智能系統(tǒng) ,而對(duì)這種系統(tǒng)的研究則是人工智能系統(tǒng)集成。分級(jí)控制系統(tǒng)則給反應(yīng)級(jí)別的子符號(hào)AI 和較**別的傳統(tǒng)符號(hào)AI提供橋梁,同時(shí)放寬了規(guī)劃和世界建模的時(shí)間。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一個(gè)早期的分級(jí)系統(tǒng)計(jì)劃。
智能模擬
機(jī)器視、聽(tīng)、觸、感覺(jué)及思維方式的模擬:指紋識(shí)別,人臉識(shí)別,視網(wǎng)膜識(shí)別,虹膜識(shí)別,掌紋識(shí)別,*系統(tǒng),智能搜索,定理證明,邏輯推理,博弈,信息感應(yīng)與辨證處理。
學(xué)科范疇
人工智能是一門(mén)邊沿學(xué)科,屬于自然科學(xué)、社會(huì)科學(xué)、技術(shù)科學(xué)三向交叉學(xué)科。
涉及學(xué)科
哲學(xué)和認(rèn)知科學(xué),數(shù)學(xué),神經(jīng)生理學(xué),心理學(xué),計(jì)算機(jī)科學(xué),信息論,控制論,不定性論,仿生學(xué),社會(huì)結(jié)構(gòu)學(xué)與科學(xué)發(fā)展觀。
研究范疇
語(yǔ)言的學(xué)習(xí)與處理,知識(shí)表現(xiàn),智能搜索,推理,規(guī)劃,機(jī)器學(xué)習(xí),知識(shí)獲取,組合調(diào)度問(wèn)題,感知問(wèn)題,模式識(shí)別,邏輯程序設(shè)計(jì),軟計(jì)算,不精確和不確定的管理,人工生命,神經(jīng)網(wǎng)絡(luò),復(fù)雜系統(tǒng),遺傳算法人類思維方式,較關(guān)鍵的難題還是機(jī)器的自主創(chuàng)造性思維能力的塑造與提升。
安全問(wèn)題
人工智能還在研究中,但有學(xué)者認(rèn)為讓計(jì)算機(jī)擁有智商是很危險(xiǎn)的,它可能會(huì)反抗人類。這種隱患也在多部電影中發(fā)生過(guò),其主要的關(guān)鍵是允不允許機(jī)器擁有自主意識(shí)的產(chǎn)生與延續(xù),如果使機(jī)器擁有自主意識(shí),則意味著機(jī)器具有與人同等或類似的創(chuàng)造性,自我保護(hù)意識(shí),情感和自發(fā)行為。
實(shí)現(xiàn)方法
人工智能在計(jì)算機(jī)上實(shí)現(xiàn)時(shí)有2種不同的方式。一種是采用傳統(tǒng)的編程技術(shù),使系統(tǒng)呈現(xiàn)智能的效果,而不考慮所用方法是否與人或動(dòng)物機(jī)體所用的方法相同。這種方法叫工程學(xué)方法(ENGINEERING APPROACH),它已在一些領(lǐng)域內(nèi)作出了成果,如文字識(shí)別、電腦下棋等。另一種是模擬法(MODELING APPROACH),它不僅要看效果,還要求實(shí)現(xiàn)方法也和人類或生物機(jī)體所用的方法相同或相類似。遺傳算法(GENERIC ALGORITHM,簡(jiǎn)稱GA)和人工神經(jīng)網(wǎng)絡(luò)(ARTIFICIAL NEURAL NETWORK,簡(jiǎn)稱ANN)均屬后一類型。遺傳算法模擬人類或生物的遺傳-進(jìn)化機(jī)制,人工神經(jīng)網(wǎng)絡(luò)則是模擬人類或動(dòng)物大腦中神經(jīng)細(xì)胞的活動(dòng)方式。為了得到相同智能效果,兩種方式通常都可使用。采用**種方法,需要人工詳細(xì)規(guī)定程序邏輯,如果游戲簡(jiǎn)單,還是方便的。如果游戲復(fù)雜,角色數(shù)量和活動(dòng)空間增加,相應(yīng)的邏輯就會(huì)很復(fù)雜(按指數(shù)式增長(zhǎng)),人工編程就非常繁瑣,容易出錯(cuò)。而一旦出錯(cuò),就必須修改原程序,重新編譯、調(diào)試,最后為用戶提供一個(gè)新的版本或提供一個(gè)新補(bǔ)丁,非常麻煩。采用后一種方法時(shí),編程者要為每一角色設(shè)計(jì)一個(gè)智能系統(tǒng)(一個(gè)模塊)來(lái)進(jìn)行控制,這個(gè)智能系統(tǒng)(模塊)開(kāi)始什么也不懂,就像初生嬰兒那樣,但它能夠?qū)W習(xí),能漸漸地適應(yīng)環(huán)境,應(yīng)付各種復(fù)雜情況。這種系統(tǒng)開(kāi)始也常犯錯(cuò)誤,但它能吸取教訓(xùn),下一次運(yùn)行時(shí)就可能改正,至少不會(huì)永遠(yuǎn)錯(cuò)下去,用不到發(fā)布新版本或打補(bǔ)丁。利用這種方法來(lái)實(shí)現(xiàn)人工智能,要求編程者具有生物學(xué)的思考方法,入門(mén)難度大一點(diǎn)。但一旦入了門(mén),就可得到廣泛應(yīng)用。由于這種方法編程時(shí)無(wú)須對(duì)角色的活動(dòng)規(guī)律做詳細(xì)規(guī)定,應(yīng)用于復(fù)雜問(wèn)題,通常會(huì)比**種方法較省力。
湖南千翔科技有限公司專注于AI,品牌服裝折扣鏈,電子商務(wù)等