人工智能AI 机器人路径问题解读（精选五篇）

第一篇：人工智能AI 机器人路径问题解读

%%人工智能 机器人路径问题 function GoodACARPP123 %% n--循环次数 %% m--蚂蚁个数 %% a--小方格象素的边长 %% s--起始点(最短路径的起始点)%% e--终止点(最短路径的目的点)%% R--路线矩阵 %% G--地形图矩阵 %% L--路径长度矩阵 %% P--选择概率向量 %% Q--信息素增强系数 %% D--问题节点矩阵 %% DD--邻接节点矩阵 %% DL--已访问的节点 %% DN--待访问的节点 %% DT--要访问的节点 %% ex--终止点横坐标 %% ey--终止点纵坐标 %% nn--问题的规模(象素个数)%% inf--无穷大(infinite)%% Tau--信息素矩阵 %% rou--信息素蒸发系数 %% Ant--蚂蚁初始位置

%% alpha--表征信息素重要程度的参数 %% beta--表征启发式因子重要程度的参数 %% Eta--启发因子矩阵(这里设为距离的倒数)%% Deltatau--信息素增量矩阵

%% Tabootk--禁忌表矩阵(存储并记录第t次循环第k只蚂蚁的已走路径)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%% clc clear all close all %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%G地形图为01矩阵%%1表示障碍物%% G=[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;

0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;

0 1 1 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;

0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;

0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;

0 1 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;

0 1 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;

0 1 1 1 0 0 1 1 1 0 1 1 1 1 0 0 0 0 0 0;

0 1 1 1 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0;

0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0;

0 0 0 0 0 0 0 1 1 0 1 1 1 1 0 0 0 0 0 0;

0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0;

0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 0;

0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 0;

0 0 1 1 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 0;

0 0 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;

0 0 0 0 0 0 1 1 1 0 1 1 0 0 0 0 0 1 1 0;

0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 0 0 1 1 0;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0];%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% gm=size(G,1);%%求矩阵G的行数%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% s=1;a=1;Q=1;

m=25;n=50;

e=gm*gm;alpha=1;

beta=7;

rou=0.3;

mint=0;mink=0;D=G2D(G);mintk=inf;Tau=ones(gm*gm,gm*gm);%%初始化信息素矩阵(认为前面的觅食活动中有残留的信息素)%% Tau=8.*Tau;%%初始化信息素矩阵(认为前面的觅食活动中有残留的信息素)%% nn=size(D,1);ex=a*(mod(e,gm)-0.5);if ex==-0.5

ex=gm-0.5;end ey=a*(gm+0.5-ceil(e/gm));ee=[ex,ey] Eta=zeros(nn);%%下面构造启发式信息矩阵%% for i=1:nn

ix=a*(mod(i,gm)-0.5);

if ix==-0.5

ix=gm-0.5;

end

iy=a*(gm+0.5-ceil(i/gm));

if i~=e

%启发式信息取为当前点至目标点(终点)直线距离的倒数%%

Eta(i)=1/((ix-ex)^2+(iy-ey)^2)^0.5;

else

Eta(i)=100;

end end R=cell(n,m);%%用细胞结构存储每次循环每只蚂蚁的爬行路线%% L=zeros(n,m);%%用矩阵存储每次循环每只蚂蚁爬行路线的总长度%% %%启动t轮蚂蚁觅食活动%%每轮派出m只蚂蚁%% for t=1:n

for k=1:m

%%第一步：状态初始化%%

w=s;%%当前节点初始化为起始点%%

Path=s;%%爬行路线向量初始化%%

pathlen=0;%%爬行路线长度初始化%%

Tabootk=ones(nn);%%禁忌表初始化%%

Tabootk(s)=0;%%已经在初始点了%%因此要排除%%

DD=D;%%邻接矩阵初始化%%

%%第二步：下一步可以前往的节点%%

DL=DD(w,:);

DLF=find(DL);

for j=1:length(DLF)

if Tabootk(DLF(j))==0

DL(DLF(j))=0;

end

end

DN=find(DL);

dnum=length(DN);%%可选节点的个数%%

%%觅食停止条件：蚂蚁未遇到食物或者陷入死胡同%%

while w~=e&&dnum>=1

%%第三步：转轮赌法选择下一步怎么走%%

P=zeros(dnum);

for i=1:dnum

P(i)=(Tau(w,DN(i))^alpha)*((Eta(DN(i)))^beta);

end

P=P/sum(P);

Pcum=cumsum(P);%%计算累计概率分布%%

DS=find(Pcum>=rand);

DT=DN(DS(1));

%%第四步：状态更新和记录%%

Path=[Path,DT];%%路径增加%%

pathlen=pathlen+DD(w,DT);%%路径长度增加%%

w=DT;%%蚂蚁移动到下一个节点%%

for ki=1:nn

if Tabootk(ki)==0

DD(w,ki)=0;

DD(ki,w)=0;

end

end

Tabootk(w)=0;%%已访问过的节点从禁忌表中删除%%

DL=DD(w,:);

DLF=find(DL);

for j=1:length(DLF)

if Tabootk(DLF(j))==0

DL(j)=0;

end

end

DN=find(DL);

dnum=length(DN);%可选节点的个数

end

%% 第五步：记下每一代每一只蚂蚁的觅食路线和路线长度

R{t,k}=Path;

if Path(end)==e

L(t,k)=pathlen;

if pathlen

mint=t;

mink=k;

mintk=pathlen;

end

else

PL(t,k)=0;

end

end

%%第六步：更新信息素%%

Deltatau=zeros(nn,nn);%%信息素更新量初始化%%

for k=1:m

if L(t,k)

Route=R{t,k};

rnum=length(Route)-1;%%跳数%%

for j=1:rnum

x=Route(j);

y=Route(j+1);

Deltatau(x,y)=Deltatau(x,y)+Q/L(t,k);

Deltatau(y,x)=Deltatau(y,x)+Q/L(t,k);

end

end

end

Tau=(1-rou).*Tau+Deltatau;%信息素挥发一部分，新增加一部分 end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%绘收敛曲线图%% Lenmin=zeros(n);for t=1:n

Lt=L(t,:);

FLt=find(Lt);

LFLt=Lt(FLt);

Lenmin(t)=min(LFLt);end figure(1)plot(Lenmin)hold on grid on xlabel('循环次数');ylabel('每次循环后路径长度');title('收敛曲线（最小路径长度与循环次数关系曲线）');%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%绘每次循环蚂蚁爬行路线图%% figure(2)gm=size(G,1);

axis([0,gm,0,gm])for i=1:gm

for j=1:gm

if G(i,j)==1

x1=j-1;y1=gm-i;

x2=j;y2=gm-i;

x3=j;y3=gm-i+1;

x4=j-1;y4=gm-i+1;

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0,0,0]);

hold on

else

x1=j-1;y1=gm-i;

x2=j;y2=gm-i;

x3=j;y3=gm-i+1;

x4=j-1;y4=gm-i+1;

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1]);

hold on

end

end end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% for t=1:n

Lt=L(t,:);

minlen=min(Lt);

FLt=find(Lt==minlen);

k=FLt(1);

Route=R{t,k};

Rx=Route;

Ry=Route;

for i=1:length(Route)

Rx(i)=a*(mod(Route(i),gm)-0.5);

if Rx(i)==-0.5

Rx(i)=gm-0.5;

end

Ry(i)=a*(gm+0.5-ceil(Route(i)/gm));

end

plot(Rx,Ry)

hold on end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%绘最优爬行路线图%% figure(3)gm=size(G,1);axis([0,gm,0,gm])for i=1:gm

for j=1:gm

if G(i,j)==1

x1=j-1;y1=gm-i;

x2=j;y2=gm-i;

x3=j;y3=gm-i+1;

x4=j-1;y4=gm-i+1;

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0,0,0]);%%向左下角画黑色矩形填充%%

hold on

else

x1=j-1;y1=gm-i;

x2=j;y2=gm-i;

x3=j;y3=gm-i+1;

x4=j-1;y4=gm-i+1;

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1]);%%向左下角画白色矩形填充%%

hold on

end

end end %%颜色矩阵[R,G,B]%%[1,1,1]为白色%%[0,0,0]为黑色%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% hold on Route=R{mint,mink};Rx=Route;Ry=Route;for i=1:length(Route)

Rx(i)=a*(mod(Route(i),gm)-0.5);

if Rx(i)==-0.5

Rx(i)=gm-0.5;

end

Ry(i)=a*(gm+0.5-ceil(Route(i)/gm));end plot(Rx,Ry)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function D=G2D(G)gm=size(G,1);D=zeros(gm*gm,gm*gm);for i=1:gm

for j=1:gm

if G(i,j)==0

for ii=1:gm

for jj=1:gm

if G(ii,jj)==0

im=abs(i-ii);jn=abs(j-jj);

if im+jn==1||(im==1&&jn==1)%%找出G(i,j)上下左右邻近点%%

D((i-1)*gm+j,(ii-1)*gm+jj)=(im+jn)^0.5;

end

end

end

end

end

end end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

读书的好处

1、行万里路，读万卷书。

2、书山有路勤为径，学海无涯苦作舟。

3、读书破万卷，下笔如有神。

4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文

5、少壮不努力，老大徒悲伤。

6、黑发不知勤学早，白首方悔读书迟。——颜真卿

7、宝剑锋从磨砺出，梅花香自苦寒来。

8、读书要三到：心到、眼到、口到

9、玉不琢、不成器，人不学、不知义。

10、一日无书，百事荒废。——陈寿

11、书是人类进步的阶梯。

12、一日不读口生，一日不写手生。

13、我扑在书上，就像饥饿的人扑在面包上。——高尔基

14、书到用时方恨少、事非经过不知难。——陆游

15、读一本好书，就如同和一个高尚的人在交谈——歌德

16、读一切好书，就是和许多高尚的人谈话。——笛卡儿

17、学习永远不晚。——高尔基

18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。——刘向

19、学而不思则惘，思而不学则殆。——孔子

20、读书给人以快乐、给人以光彩、给人以才干。——培根

第二篇：”人工智能AI“赏析

《人工智能》赏析

一、背景情况：

冲着斯匹尔伯格的大名和《人工智能》的片名而去影院的观众多半会大吃一惊。不错，《人工智能》的取名酷似斯氏的名作《外星人》，两部都属于科幻影片，片名都可以简化为短短两个字母：《人工智能》是《A.I.》，即“artificial intelligence”的缩写；《外星人》为《E.T.》，乃“extra-terrestrial”的缩写。但《人工智能》没有一股暖流涌上心头的温馨，从情节上看，它几乎是《外星人》的对立面。《外星人》中的小孩千方百计把古怪的外星人送回家；《人工智能》中的人类却把可爱的机器人小孩抛弃在森林里。原来，这是一部披着斯匹尔伯格外衣的斯坦利．库布里克作品。

（库布里克介绍：主要作品：《闪灵》、《斯巴达克思》、《巴里林登》、《全金属外壳》等。1962年的《奇爱博士》、1968年的《2001年漫游太空》及1971年的《发条桔子》合称为库布里克的“科幻电影三部曲”。其中《2001年漫游太空》进入百年电影史上十大经典。他的作品探索性很强，着重阐述哲学思想，不断探求人类的发展方向，多为警世之作，充满悲观主义色彩，是一个勇于坚持自我的有性格的导演。60年代移居英国。深居简出，1999年病逝）

库布里克和斯皮尔伯格是于1979年在伦敦相识的,库布里克当时已买下布里安．阿尔迪斯1969年发表的短篇小说《流行了一整个夏天的超级玩具》，很想把它改编成电影，但苦于无法解决大量高科技问题，便搁置了下来。又有一说是，库布里克是受了斯皮尔伯格的《E.T.》一片的启发，才想到根据阿尔迪斯的故事拍摄一部“描述一个具有人工智能的孩子极想爱他的真人‘母亲’的科幻片”，甚至还提请斯皮尔伯格执导此片。库布里克在拍摄《大开眼戒》（Eyes Wide Shut）期间曾与斯皮尔伯格讨论过《人工智能》的拍摄计划。当时预计完成《大开眼戒》后就要开拍，不料前年大师剪完《大开眼戒》的预告片后就撒手人间，结果他的好友史蒂芬．斯皮尔伯格接手，斯皮尔伯格仅用三个月就亲自写出了电影剧本，又用了三个月便拍成了影片。

人们对《人工智能》的关注，概括地说，就是两位大师的相加的结果是2（超级大师的旷世之作）还是0（由于缺乏兼容性而沦为失败之作）。影片上映之后，给出2或0答案的人不多，人们更感兴趣的是到影片中去寻找两位大师各自留下的印记。

斯皮尔伯格编剧导演的《人工智能》究竟保留了多少库布里克的原意，因为无法看到库布里克编写的剧本，只能在影片中看到一些影子。许多影评人批评斯皮尔伯格给影片设计了一个斯皮尔伯格式的结局，从而大赚观众的眼泪。不过，除去斯皮尔伯格有意使用了库布里克的电影手法外，在影片深层面上似乎还保存了库布里克那种哲学式的思考。斯皮尔伯格无疑使影片在画面上变得更为好看。但如果探究这两位导演最终会对影片影响的不同，要看这两位导演本身的差异。从某种意义上来说，库布里克是倾向于哲学层面的电影导演，斯皮尔伯格则是倾向于技术层面的导演。

看银幕上的成品，《人工智能》应该非常忠实库布里克的原意。库氏的作品向来需要“远距离”欣赏，在推出的当年，不仅普通观众反应平平，连奥斯卡评委都不太赏识；但时间越长，这些作品的生命力越加旺盛。人们惊叹它们的深刻思想性和高超艺术性，忘记了这些不朽名片在当初都属于“有争议”的作品。

斯匹尔伯格则属于那种“远近咸宜”的电影大师，他的商业片屡屡破票房记录，他的艺术片能震慑任何阶层的观众，让每个人都潸然泪下。

两个长相截然不同的父母生出来的孩子，如果长得好看，父亲那一方会认为小孩像父亲，母亲那一方会说像母亲；如果认为不好看，则自然把罪责推给对方。库布里克的崇拜者可能会不喜欢斯匹尔伯格的处理，斯氏的追随者可能会觉得影片不够亲切煽情。有矛盾是必然的，人们说库布里克是冷酷的，因为他始终在批判着人性的丑陋和灵魂的罪恶。所以，斯皮尔博格的接拍《AI》，很多人不为看好，认为会失去库布里克的原有内涵。但是斯皮尔博格此次是残酷的。他让大卫实现了愿望，却让他只快乐了一天，然后必须独自面对无穷无尽的漫长岁月！机器是无所谓的，但是人呢？

因此，它会让期待一个优美童话的观众失望。喜欢看麻痹神经、刺激感官、过山车之旅似的好莱坞大片的观众也肯定会失望。它让按部就班套用现存审美准则的人觉得浑身不舒服。

二、本片主题（欣赏本片）

莫尼卡在儿子康复无望、企盼得到一个能交流感情的儿子的心情下，终于打开了大卫“爱的源泉”。这时，大卫那原本光滑得像木雕的脸上，闪过一丝微妙的“复活”表情，他开口叫了一声“妈妈”。

这一刹那，不仅大卫的性质变了，影片的主题也显现了。大卫只是一个会叫“妈妈”的机器人吗？他的爱只是一个程序的体现吗？人的本质究竟是什么？是有机体还是人性？当造物主要求被造者付出无条件的爱时，造物主对被造者有什么样的责任？更直接的议题是：在人和机器、真和假之间存在着一道清晰的鸿沟吗？

这个问题也就是剧一开始会议上那个工程师所问的：当我们的机器人的程序被设计为要爱人类，那么我们人类是否应该、或者有责任去以爱去回馈机器人呢？

导演并不打算急着回答这个问题。他只是把David（那个有人工智能的机器人）引到了一对夫妇的家里，以观后效。

夫妇的儿子终于被治好了。由于他的归来，David的日子渐渐不好过了。他觉得David剥夺了他应得的“爱”。他设计出了一系列的阴谋，让父母们对David产生不信任，并觉得他会对他们生命的生命安全产生威胁。在这里，我们看到了人性丑恶的一方面，嫉妒，猜忌，还有自私。我觉得母亲的对David的爱本身就是有保留的，而且是自私的。这种所谓的自私，实际上是一种欲望，一种欲求需要。当面临选择的时候，母亲义无返顾地，不加分析地，“正确”地站到儿子的一边。她的理由很简单：第一，那是她的亲生儿子；第二，David不是真正的人。可怜的David，他只不过是一个替代品，只不过是一种发泄所谓的“爱”的欲望的工具而已。从某种角度而言，David跟玩物、隐形眼镜，甚至安全套一样，“用完即弃”。因此，令人怀疑母亲早前对David的照顾是不是爱？是真爱还是假爱？

接着，影片展现了未来世界机器人悲惨生活的情景，他们只是想使用废旧零件来苟且残存，延续“生命”。但人类还是不甘心，要将他们赶尽杀绝。David也被捕获了，他遇到了“男公关”机器人。人们要将这些机器人处决，但处决的过程既残忍而又像是马戏表演。因为，人们要买票进场，而且观看屠杀的还有很多孩子。

人们极尽想象、残忍之能事，机器人们的“死法”千奇百怪。人们在这种残酷无情的毁灭中获得乐趣。这时候电影的主题被强化了：作为机器人的创造者，人类并不愿意对这些电子产品付出真爱，在人们眼里他们仅仅是玩偶，侍女，奶妈，仆人，性工具„„。无论那时候的机器人被制作的如何逼真，人类都无法将他们当作整个社会的一分子。当人们需要他们的时候他们就是我们的朋友，不需要他们的时候便可以被遗弃被破坏。看似极度发达文明的人类社会仿佛倒退到了野蛮的奴隶社会。这使我联想到了如今的克隆技术——如果人类将克隆人当成一种工具，那将是多么可怕的一件事情！

你若觉得此处观众席上的奥嘎太过残忍，不够真实，他们其实是莫尼卡一家的变异。我们如能理解莫尼卡那具有人情味的歧视行为，进一步想象那些具有灭绝性的歧视行为也就不难了。

于此同时，机器人正往“人”的概念行走，舞男乔和大卫懂得了只有属于“人类”才有的亲情和友情。而“人”却一步步走向死亡的结局。

大卫来到一幢高楼，找到了一家公司，见到了他真正的“父母亲”，即Cybertronics公司的教授。当教授前去召集员工时，大卫发现了一排排跟他长得一模一样的麦卡小孩。正如教授所说，他不是独一无二的，但他是“头一个”。此时，大卫具有了只有“人”才有的“人生观”，而且，他的“人生观”受到挑战：所有的父母都说自己的孩子是独一无

二、举世无双的，但他只是一个可以不断复制的生产线产品。“妈妈”怎么会爱他呢？他坐在窗台上思量着，绝望地跳进汪洋中。

自此，至少从另一意义上说，大卫已由机器异化成了人。他执着地追求着爱，人类的爱。

即使面对如此残酷的现实，大卫也始终没有放弃他的追求——他仍然想成为一个真正意义上的人。

2000年后，人类灭亡，外星人来到地球，虽然无法将一个机器人变为一个真正的人，却可以帮助大卫克隆出了“莫尼卡”，只是被克隆的人只能活一天，大卫终于又和“莫尼卡”在一起了„„我时常在想：这是一个怎样的结局？美好的吗？悲惨的吗？被克隆出来的莫尼卡是一个没有记忆的人。也许只有这样，莫尼卡才会把大卫当成自己的同类。而大卫也会因此而得到莫尼卡的爱，从这个角度上来说，结尾算是以喜剧收场。然而从另外一个层面上说，这样的结局无形中又陷入了一个怪圈：二者的位置被完全替换了——此时的大卫正像以前的莫尼卡，而眼前这个克隆人更如同以前的大卫只是一个替代品而已，这是不是同时意味着又一个悲剧的开始呢？影片只好将开始探讨的那个问题留给了观众，这是一个既让人深思又不得其解的结尾。

三、关于演员及表演：

在斯氏的作品中，演员都能发挥出自己的最佳状态。本片中大卫的扮演者海利．乔．奥斯蒙特和阿乔的扮演者裘德．洛尤为出色。说奥斯蒙特是有史以来最有天赋的童星一点也不夸张，一般的童星(如流行一时的秀兰．邓波尔和麦考利．考尔金)都是靠乖巧来取悦观众，而奥斯蒙特在最近这几部片中全部需要高难度的演技，绝非扮天真可以打发。怪不得好莱坞圈内人士感叹到，以前只有解数学题或下象棋的神童，如今总算出了一个会演戏的神童。不信，你看他会不会随着年龄的增长而被淘汰(大多数童星都过不了15岁这个坎)。

奥斯蒙特曾经凭借《第六感》获得过奥斯卡最佳男配角提名。作为本片的焦点，他在此片中展露出了令人赞叹的表演天赋。举一个例子就能说明：斯皮尔伯格对他说，机器人是不会眨眼的。因此，奥斯门特竟然从头到尾从未眨过眼。他做到了处处让你感到他不是真人。比如坐座位，他的身子挺得很直，不像人类有时会仰着或躺着。此外，片中的主角大卫作为一个机器人需要有一些面部上的痉挛和特殊动作，这就要求他得展现很多成年人缺乏的面部表情和特有的控制能力，而这位演技出众的小童星对这一切驾轻就熟，无可挑剔。剧情发展到大卫被莫尼卡抛弃的那一段戏时最让我感动不已。一个即将被遗弃的孩童所表现出那种精神上的脆弱，在奥斯蒙特的那段非常富有感染力的表演下显得真实可信，就连观众也为之动容，几欲落泪。

大卫在戏中非常微妙而分阶段地融合了人跟机器的特征，随着他跟人的交往越来越多，他的机器特性逐步削弱。裘德．洛的表演没有奥斯蒙特那么可圈可点，但这位英国大帅哥对喜剧的分寸感把握得非常好，演绎了一个维多利亚时代的浪漫英雄和未来猫王的综合体，谐趣而不油滑，使人物起到了绝佳的陪衬和对位作用。

四、关于本片特技与科幻色彩：

如果你是以一部纯科幻片的角度来欣赏这部电影作品，势必会让你心灰意冷。通常在观众的眼里，一部优秀的科幻电影往往是电脑特技的展示会。但在此片中能够看到的特技镜头确实寥寥无几。大名鼎鼎的工业光魔公司(ILM)大概把所有精力全部集中在了那个玩具熊身上了吧。不难发现，在继《辛德勒的名单》、《拯救大兵瑞恩》以后，善于拍摄科幻电影的斯皮尔伯格在这部戏里降低了娱乐成分较高的电脑特技，从服装上就能看出，当时服装想做出未来的样子，但斯氏说不要离现实太远。因此，斯氏是力图让这部带有科幻色彩的《A.I》向一部有思想性的艺术电影靠齐，也从侧面反映了今日这位伟大导演在创作理念上的某种变化。

OTHERS：

(无眠的颤抖？)永恒的是爱，渴求倒未必。若是人类怎么会有爱着某人的使命，怎么会有被造出来的目的，而david是有使命烧在他的“灵魂”上的。这一定的执拗让我不是很适应。

人类是很复杂的，机器的目的才是纯粹。这一点对我来说，是两者的鸿沟之一。

david应该去寻找为什么自己会爱着那个人，即使找不到原因，却依然没有办法割舍掉自己的思念。这才是他能够反思自己被如何创造出来的自觉性，才是他真正开始思考自己存在的自主性，而不是毫无自觉地皈依所谓程序的命令。

如果david仅仅是一个人类回忆的容器，那么他就终究只是一个投影仪，谈不到他自身的存在。片子这两股劲对我来说，有那么一些拧着。。

(常在豆瓣走，脾气也变抖~)看完才知道不是什么科幻片，与人类相比，David是干瘪的，他干瘪得只剩下爱的执着，而人类实在聪明太多，聪明到不能用纯粹去沟通交流。在智能机器人面前，我为人类汗颜。而关于未来机械发展，不是科技没准备好，而是伦理没准备好。

所以当后来monica感受到david对儿子martin的生命威胁时，她再也顾不上对david仅存的一点儿怜惜，像扔垃圾一样把果断的把david遗弃了。或许，在以后的日子里，想到这件事情，monica心里也会留有一丝隐痛，但她一定会安慰自己：他不过是机器人而已。

这就是在影片一开始的那场关于道德的争论。关于结果，在david和monica的故事中默默的告诉了我们，机器永远忠诚的爱着人，但人却没有相应的责任去回报这种爱。

第三篇：人工智能AI老师介绍

人工智能将让数千万老师下岗？

真正的人工智能在教育领域的落地，不仅仅是对学生的用户行为进行分析，更重要在于，减轻老师工作量，解放家长的时间和精力。

当前中国师生比例严重偏低，一个老师带着几十名学生，有的甚至上百名，要做到有针对性的个性化教育，几乎是不可能的事。

而在家庭教育方面，我所认识的邻居，朋友，很多都是全职妈妈，几乎把所有时间都花在了照顾孩子的事情之上，其中辅导孩子学习，又占据了大部分时间，孩子放学回来，或者周末，基本上全程陪着孩子写作业。这还是有条件的家庭，而且还是少数，绝大部分家庭，父母忙于工作，是没有时间辅导孩子学习的，有的父母，虽然有时间辅导，但自身知识问题，已经达不到辅导孩子学习的水平了；而有的家长，有时间，有知识能力，但没有精力，或者没有耐心辅导，这个问题也非常普遍。

谷鸟智能目前在做的事，是研发AI老师--谷鸟老师，利用人工智能技术，降低老师工作量，解放家长时间精力，让每个家庭、每个孩子都拥有自己的专属老师。

谷鸟智能认为，谷鸟老师仅仅是对学生进行服务，还远远无法满足当前教育需求。如果把谷鸟老师进行延伸并升级为面向家庭、学校的产品，从而整合为一套端对端的解决方案，为家长或者老师提供教学解决方案，提供学习路径、数据采集、标注等一整套服务，无疑会更快地促进AI技术在教育领域的应用。

真正的人工智能在教育领域的落地应用，不是简单地利用数据统计分析技术来统计分析下学生的成绩、错题，而是在于是否降低老师工作量、是否解放家长精力、是否让学生得到更多的个性化辅导服务。现在很多在线教育公司都在炫耀自己是人工智能在线教育，而实际上主要还是在线视频教学，只是对外披了一层人工智能技术的外衣，利用IT技术统计下学生成绩和作业数据, 这些统计分析技术在10几年前都已经应用了。

人工智能在教育领域的落地应用，一定是减轻老师工作，解放家长的同时，学生得到更多的个性化指导服务。

谷鸟老师

谷鸟老师最核心功能是，象真人老师一样去指导学生学习。传统的在线教育，要么是给学生一个事先录制好的视频，要么是真人在线直播讲课，前者谈不上对学生的个性化辅导教学，后者则要么是大班在线教学，和学校一样，要么就是学费高昂的一对一教学。

谷鸟老师当前版本为1.0版本，适合6-12岁学生，特别是幼升小孩子。

1.在线田字格字帖练字

app在线生成田字格字帖，支持笔顺，完全免费。汉字为小学一二年级必须掌握的1000多汉字，孩子学会后，具备基本的阅读能力，能够自己阅读简单的绘本图书。

被小学低年级语文课本作为生字词的展示方式。小学时期，特别是低年级阶段，是学习汉字书写的关键时期，使用本系统生成田字格字帖，让低年级小学生逐渐将汉字写规范，养成正确的汉字笔顺书写习惯，给以后的语文学习和汉字书写打下坚实的基础。

其次，田字格便于笔画练习。初学文字书写者都要从基本笔画的书写开始学习。在田字格中方便练习笔画书写。横中线与竖中线是书写者最基本参照线。例如书写顿笔之后走向不同的三种撇：平撇、斜撇与竖撇，根据这三种撇与竖中线构成的不同夹角来区分这三种撇。平撇末端的出锋处，即与横中线基本平行；斜撇的轨迹，与横中线或竖中线构成不同的角度，而起笔从竖中线开始，与竖中线的夹角在30度到50度左右；竖撇的练习，也可以将竖中线作为基准线，即从起笔至开始变竖为撇的线段都写在竖中线上，“先竖后撇”中的“撇”段的写法与斜撇基本一致。除此之外，横、竖与其他由单笔构成的复合笔画都可以在田字格中找到相应的参照线或参照点，只要解决好定位问题，笔画在田字格中的书写也就很顺利了。

2.朗读句子

App通过语音智能技术朗读句子给孩子听，孩子听后再自己跟着朗读，app自动判断是否朗读正确。App中的句子均为日常用语，孩子容易听懂容易记住，基本上跟读1，2次就记住了。通过此功能，节省了家长很多朗读时间。

按国家语文能力新纲要的主旨，语言教育应是听、说、读、写、观察、表演、思维、想象、操作等行为的综合培养，因此在语文活动时教师应抓住各种契机，增强语感，积累词汇，为学生说得好、说的妙打下坚实的基础。

家长平时在家里要流出时间让孩子多多读，多背，多积累。通过朗读感悟语言；通过朗读，熟读成诵，积累语言，丰富词汇；通过朗读，练得口齿伶俐，提高口语表达能力。

3.唐诗朗读

App上孩子可以朗诵唐诗，唐诗均采自2017年部编教材小学语文，总共135首。孩子开始不会朗读，可以点击app上的“播放”按钮，听读完后，再自己朗读。朗读评分算法，除了发音准确外，还把朗读声音大小也列入评分因素，鼓励孩子大声朗读。

教育部统一组织新编的义务教育道德与法治、语文、历史教材。其中，语文教材的一个重大变化就是大幅增加古诗文篇目，以落实中华优秀传统文化教育。

4.口才演讲

口才对于一个人来说，非常重要，这点大家都知道。如果从小锻炼孩子的演讲、解说、辩论、主持等能力便可以增强孩子的自信心，提高孩子的心理素质，对孩子的前途将产生非常大的影响。

为此，app基于人工智能技术，提供了孩子口才演讲能力训练功能。目前系统经过人工智能训练的演讲模板为自我介绍，特别适合于6-12岁小孩的自我介绍训练。

谷鸟老师最终的目的是要用人工智能技术代替老师吗？

谷鸟老师主要解决的问题是，以AI老师为角色，安排、辅导孩子每天的学习，减轻老师的工作量，同时提升学生获得的个性化指导教育服务，尽可能减少家长的参与，最大限度释放家长时间和精力。所以说，谷鸟老师并不是要用人工智能技术替代老师这一角色，人工智能毕竟是机器模仿人工的信息技术，从全局角度而言，它永远只是辅助人类，替人类分担某部分工作。比如说在语音类，英语口语，谷鸟老师将来，将可以代替真人老师，实现和学生的口语练习，承担陪练角色。

谷鸟老师当前已经实现了针对6-12岁孩子的语文学习辅导功能，未来拓展到幼升小能力准备，包括英语口语、奥数、语文阅读、作文，以及国学等。将来，谷鸟老师也将更多地深耕教育垂直细分领域，比如职业学校中旅游酒店专业，学生需要掌握一定的英语口语，谷鸟老师就可以扮演外籍客人，和学生进行导游或者酒店接待中的英语场景练习了。

第四篇：人工智能发展史解读

人工智能学科诞生于20世纪50年代中期，当时由于计算机的产生与发展，人们开始了具有真正意义的人工智能的研究。（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。）

1956年夏，美国达特莫斯大学助教麦卡锡、哈佛大学明斯基、贝尔实验室申龙、IBM公司信息研究中心罗彻斯特、卡内基——梅隆大学纽厄尔和赫伯特.西蒙、麻省理工学院塞夫里奇和索罗门夫，以及IBM公司塞缪尔和莫尔在美国达特莫斯大学举行了以此为其两个月的学术讨论会，从不同学科的角度探讨人类各种学习和其他职能特征的基础，并研究如何在远离上进行精确的描述，探讨用机器模拟人类智能等问题，并首次提出了人工智能的术语。从此，人工智能这门新兴的学科诞生了。这些青年的研究专业包括数学、心理学、神经生理学、信息论和电脑科学，分别从不同角度共同探讨人工智能的可能性。他们的名字人们并不陌生，例如申龙是《信息论》的创始人，塞缪尔编写了第一个电脑跳棋程序，麦卡锡、明斯基、纽厄尔和西蒙都是“图灵奖”的获奖者。

这次会议之后，在美国很快形成了3个从事人工智能研究的中心，即以西蒙和纽威尔为首的卡内基—梅隆大学研究组，以麦卡锡、明斯基为首的麻省理工学院研究组，以塞缪尔为首的IBM公司研究组。随后，这几个研究组相继在思维模型、数理逻辑和启发式程序方面取得了一批显著的成果：

（1）1956年，纽威尔和西蒙研制了一个“逻辑理论家“（简称LT）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，证明了怀特黑德与罗素的数学名著《数学原理》的第2章中52个定理中的38个定理。1963年对程序进行了修改，证明了全部定理。这一工作受到了人们的高度评价，被认为是计算机模拟人的高级思维活动的一个重大成果，是人工智能的真正开端。

（2）1956年，塞缪尔利用对策论和启发式搜索技术编制出西洋跳棋程序Checkers。该程序具有自学习和自适应能力，能在下棋过程中不断积累所获得的经验，并能根据对方的走步，从许多可能的步数中选出一个较好的走法。这是模拟人类学习过程第一次卓有成效的探索。这台机器不仅在1959年击败了塞缪尔本人，而且在1962年击败了美国一个州的跳棋冠军，在世界上引起了大轰动。这是人工智能的一个重大突破。

（3）1958年，麦卡锡研制出表处理程序设计语言LISP，它不仅可以处理数据，而且可以方便的处理各种符号，成为了人工智能程序语言的重要里程碑。目前，LISP语言仍然是研究人工智能何开发智能系统的重要工具。

（4）1960年纽威尔、肖和西蒙等人通过心理学实验，发现人在解题时的思维过程大致可以分为3个阶段：1。首先想出大致的解题计划；2。根据记忆中的公理、定理和解题规划、按计划实施解题过程；3.在实施解题过程中，不断进行方法和目标分析，修改计划。这是一个具有普遍意义的思维活动过程，其中主要是方法和目的的分析。（也就是人们在求解数学问题通常使用试凑的办法进行的试凑是不一定列出所有的可能性，而是用逻辑推理来迅速缩小搜索范围的办法进行的），基于这一发现，他们研制了“通用问题求解程序GPS”，用它来解决不定积分、三角函数、代数方程等11种不同类型的问题，并首次提出启发式搜索概念，从而使启发式程序具有较普遍的意义。

（5）1961年，明斯基发表了一篇名为《迈向人工智能的步骤》的论文，对当时人工智能的研究起了推动作用。

正是由于人工智能在20世纪50年代到60年代的迅速发展和取得的一系列的研究成果，使科学家们欢欣鼓舞，并对这一领域给予了过高的希望。纽威尔和西蒙在1958年曾作出以下预言：

①不出十年，计算机将成为世界象棋冠军，除非规定不让它参加比赛；

②.不出十年，计算机将发现并证明那时还没有被证明的数学定理；

③.不出十年，计算机将谱写出具有较高美学价值并得到评论家认可的乐曲；

④不出十年，大多数心理学家的理论将采用计算机程序来形成。

非常遗憾的是，到目前为止，这样的预言还没有一个得到完全的实现，人工智能的研究状况比纽威尔和西蒙等科学家的设想要复杂和艰难的多。事实上，到了20世纪70年代初，人工智能在经历一段比较快速的发展时期后，很快就遇到了许多问题。这些问题主要表现在：

（1）1965年鲁宾逊发明了归结（消解）原理，曾被认为是一个重大的突破，可是很快这种归结法能力有限，证明两个连续函数之和还是连续函数，推证了十万步竟还没有得证。

（2）塞缪尔的下棋程序，赢得了周冠军后，没能赢全国冠军。

（3）机器翻译出了荒谬的结论。如从英语→俄语→英语的翻译中，又一句话：“The spirit is willing but the flesh is weak”(心有余而力不足)，结果变成了”The wine is good but the meat is spoiled”(酒是好的，肉变质了)，闹出了笑话。

（4）大脑约有10的15次方以上的记忆容量，此容量相当于存放几亿本书的容量，现有的技术条件下在机器的结构上模拟人脑是不大可能的。

（5）来自心理学、神经生理学、应用数学、哲学等各界的科学家们对人工智能的本质、基本原理、方法及机理等方面产生了质疑和批评。

由于人工智能研究遇到了困难，使得人工智能在20世纪70年代初走向低落。但是，人工智能的科学家没有被一时的困难所吓倒，他们在认真总结经验教训的基础上，努力探索使人工智能走出实验室，走向实用化的新路子，并取得了令人鼓舞的进展。特别是专家系统的出现，实现了人工智能从理论研究走向实际应用，从一般思维规律探索走向专门知识应用的重大突破，是人工智能发展史上的重大转折，将人工智能的研究推向了新高潮。下面是几个又代表性的专家系统：

（1）1968年斯坦福大学费根鲍姆教授和几位遗传学家及物理学家合作研制了一个化学质谱分析系统（DENDARL），该系统能根据质谱仪的数据和核磁谐振的数据，以及有关化学知识推断有机化合物的分子结构，达到了帮助化学家推断分子结构的作用。这是第一个专家系统，标志着人工之能从实验室走了出来，开始进入实际应用时代。

（2）继DENDARAL系统之后，费根鲍姆领导的研究小组又研制了诊断和治疗细菌感染性血液病的专家咨询系统MYCIN。经专家小组对医学专家、实习医师以及MYCIN行为进行正式测试评价，认为MYCIN的行为超过了其他所有人，尤其在诊断和治疗菌血症和脑膜炎方面，显示了该系统作为临床医生实际助手的前途。从技术的角度来看，该系统的特点是：1。使用了经验性知识，用可信度表示，进行不精确推理。2.对推理结果具有解释功能，时系统是透明的。3.第一次使用了知识库的概念。正是由于MYCIN基本解决了知识表示、知识获取、搜索策略、不精确推理以及专家系统的基本结构等重大问题（是怎样解决的呢？），对以后的专家系统产生了很大的影响。

（3）1976年，斯坦福大学国际人工智能中心的杜达等人开始研制矿藏勘探专家系统PROSPECTOR，它能帮助地质学家解释地质矿藏数据，提供硬岩石矿物勘探方面的咨询，包括勘探测评，区域资源估值，钻井井位选择等。该系统用语义网络表示地质知识，拥有15中矿藏知识，采用贝叶斯概率推理处理不确定的数据和知识。PROSPECTOR系统于1981年开始投入实际使用，取得了巨大的经济效益。例如1982年，美国利用该系统在华盛顿发现一处矿藏，据说实用价值可能超过1亿美元。

（4）美国卡内基—梅隆大学于20世纪70年代先后研制了语音理解系统HEARSAY-I加入HEARSAY-II，它完成从输入的声音信号转换成字，组成单词，合成句子，形成数据库查询语句，再到情报数据库中去查询资料。该系统的特点是采用“黑板结构”这种新结构形式，能组合协调专家的知识，进行不同抽象级的问题求解。

在这一时期，人工智能在新方法、程序设计语言、知识表示、推理方法等方面也取得了重大进展。例如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，法国马赛大学的柯尔麦伦和他领导的研究小组于1972年研制成功的第一个PROLOG系统，成为了继LISP语言之后的另一种重要的人工智能程序语言；明斯基1974年提出的框架理论；绍特里夫于1975年提出并在MYCIN中应用的不精确推理；杜达于1976年提出并在PROSPECTOR中应用的贝叶斯方法；等等

人工智能的科学家们从各种不同类型的专家系统和知识处理系统中抽取共性，总结出一般原理与技术，使人工智能又从实际应用逐渐回到一般研究。围绕知识这一核心问题，人们重新对人工智能的原理和方法进行了探索，并在知识获取、知识表示以及知识在推理过程中的利用等方面开始出现一组新的原理、工具和技术。1977年，在第五届国际人工智能联合会（IJCAI）的会议上，费根鲍姆教授在一篇题为《人工智能的艺术：知识工程课题及实例研究》的特约文章中，系统的阐述了专家系统的思想，并提出了知识工程（KnowledgeEngineering）的概念。费根鲍姆认为，知识工程是研究知识信息处理的学科，它应用人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供了求解的途径。恰当的运用专家知识的获取、表示、推理过程的构成与解释，是设计基于知识的系统的重要技术问题。至此，围绕着开发专家系统而开展的相关理论、方法、技术的研究形成了知识工程学科。知识工程的研究使人工智能的研究从理论转向应用，从基于推理的模型转向基于知识的模型。

为了适应人工智能和知识工程发展的需要，在政府的大力支持下，日本于1982年开始了为期10年的“第五代计算机的研制计划”，即“知识信息处理计算机系统KIPS”，总共投资4.5亿美元。它的目的是使逻辑推理达到数值运算那样快。日本的这一计划形成了一股热潮，推动了世界各国的追赶浪潮。美国、英国、欧共体、苏联等都先后制订了相应的发展计划。随着第五代计算机的研究开发和应用，人工智能进入一个兴盛时期，人工智能界一派乐观情绪。

然而，随着专家系统应用的不断深入，专家系统自身存在的知识获取难、知识领域窄、推理能力弱、只能水平低、没有分布式功能、实用性差等等问题逐步暴露出来。日本、美国、英国和欧洲所制订对那些针对人工智能的大型计划多数执行到20世纪80年代中期就开始面临重重困难，已经看出达不到预想的目标。进一步分析便发现，这些困难不只是个别项目的制订又问题，而是涉及人工智能研究的根本性问题。总的来讲是两个问题：一是所谓的交互（Interaction）问题，即传统方法只能模拟人类深思熟虑的行为，而不包括人与环境的交互行为。另一个问题是扩展（Scaling up）问题，即所谓的大规模的问题，传统人工智能方法只适合于建造领域狭窄的专家系统，不能把这种方法简单的推广到规模更大、领域更宽的复杂系统中去。这些计划的失败，对人工智能的发展是一个挫折。

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.1982年后，人工神经网络像雨后春笋一样迅速发展起来，给人们带来了新的希望。人工神经网络的主要特点是信息的分布存储和信息处理的并行化，并具有自组织自学习能力，这使人们利用机器加工处理信息有了新的途径和方法，解决了一些符号方法难以解决的问题，使人工智能的学术界兴起了神经网络的热潮。1987年美国召开了第一次神经网络国际会议，宣布新学科的诞生。1988年以后，日本和欧洲各国在神经网络方面的投资逐步增加，促进了该领域的研究。但是随着应用的深入，人们又发现人工神经元网络模型和算法也存在问题。

20世纪80年代末，以美国麻省理工学院布鲁克斯（R.A.Brooks）教授为代表的行为主义学派提出了“无须表示和推理”的智能，认为智能只在与环境的交互中表现出来，并认为研制可适应环境的“机器虫”比空想智能机器人要好。以后，人工智能学术界充分认识到已有的人工智能方法仅限于在模拟人类智能活动中使用成功的经验知识处理简单的问题，开始在符号机理与神经网机理的结合及引入Agent系统等方面进一步开展研究工作。20世纪90年代，所谓的符号主义、连接主义和行动主义3种方法并存。对此，中国学者认为这3种方法各有优缺点，他们提出了综合集成的方法，即不同的问题用不同的方法来解决，或用联合（混合、融合）的方法来解决，再加上人工智能系统引入交互机制，系统的智能水平将会大为提高。

总而言之，尽管人工智能的发展经历了曲折的过程，但它在自动推理、认知建模、机器学习、神经元网络、自然语言处理、专家系统、智能机器人等方面的理论和应用上都取得了称得上具有“智能”的成果。许多领域将知识和智能思想引入到自己的领域，使一些问题得以较好的解决。应该说，人工智能的成就是巨大的，影响是深远的。

读书的好处

1、行万里路，读万卷书。

2、书山有路勤为径，学海无涯苦作舟。

3、读书破万卷，下笔如有神。

4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文

5、少壮不努力，老大徒悲伤。

6、黑发不知勤学早，白首方悔读书迟。——颜真卿

7、宝剑锋从磨砺出，梅花香自苦寒来。

8、读书要三到：心到、眼到、口到

9、玉不琢、不成器，人不学、不知义。

10、一日无书，百事荒废。——陈寿

11、书是人类进步的阶梯。

12、一日不读口生，一日不写手生。

13、我扑在书上，就像饥饿的人扑在面包上。——高尔基

14、书到用时方恨少、事非经过不知难。——陆游

15、读一本好书，就如同和一个高尚的人在交谈——歌德

16、读一切好书，就是和许多高尚的人谈话。——笛卡儿

17、学习永远不晚。——高尔基

18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。——刘向

19、学而不思则惘，思而不学则殆。——孔子

20、读书给人以快乐、给人以光彩、给人以才干。——培根

第五篇：人工智能论文解读

人工智能结课论文

系别：计算机科学与技术系

班级：姓名：于静学号：

13计算机专接本一班

知识处理

***0

摘要：进入2l 世纪，计算机硬件和软件更新的速度越来越快，计算机这个以往总给人以冷冰冰的机器的形象也得到了彻底的改变。人机交互的情形越来越普遍，计算机被人类赋予了越来越多的智能因素。伴随着人类把最新的计算机技术应用于各个学科，对这些学科的认知也进入了日新月异的发展阶段，促使大量的新的研究成果不断涌现。例如：“人机大战”中深蓝计算机轻松的获胜、人类基因组排序工作的基本完成、人类大脑结构性解密、单纯器官性克隆的成功实现等等。随着计算机这个人类有史以来最重要的工具的不断发展，伴随着不断有新理论的出现，人类必须重新对它们进行分析和审视。知识处理是人工智能这一科学领域的关键问题。本文对知识处理的核心问题之——识的表示进行了全面的综述目前流行的知识表达方式不下十种，在此只介绍一阶谓词逻辑、产生式、语义网络、框架、混合等目前最常用的知识表示方法。并对其进行了优缺点分析及简单对比。最后对知识表示的发展趋向作出了展望。

关键词：知识

人工智能（AI）

知识表达式

一阶谓词逻辑

产生式 语义网络

框架

一、知识和知识的表示

1、知识的概念

知识是人类世界特有的概念，他是人类对客观世界的一种比较准确、全面的认识和理解的结晶。(1)知识只有相对正确的特性。常言道：实践出真理。只是源于人们生活、学习与工作的实践，知识是人们在信息社会中各种实践经验的汇集、智慧的概括与积累。只是爱源于人们对客观世界运动规律的正确认识，是从感知认识上升成为理性认识的高级思维劳动过程的结晶，故相应于一定的客观环境与条件下，只是无疑是正确的。然而当客观环境与条件发生改变时，知识的正确性就接受检验，必要时就要对原来的认识加以修改和补充，一至全部更新而取而代之。例如知道1543年哥白尼学说问世之前，人们一直都以为地球是宇宙的核心；再有：人们都知道一个关于“瞎子摸象”的故事，它通俗地说明了完整的只是形式是一个复杂的智能过程。通常人们获取知识的重要手段是：利用信息，把各种信息提炼、概括并关联在一起，就形成了知识。而利用信息关联构成知识的形式有多种多样。

(2)知识的确定与不确定性如前说述，知识有若干信息关联的结构组成，但是，其中有的信息是精确的，有的信息却是不精确的。这样，则由该信息结构形成的知识也有了确定与不确定的特征。例如，在我国中南地区，根据天上出现彩虹的方向及其位置，可以预示天气的变化。有谚语曰：“东边日（晴天），西边雨。”但是，这只是一种常识性经验，并不能完全肯定或否定。再如：家有一头秀发，一时两鬓如霜。我们则认为家一定是年轻人，乙就是老年人嘛？不能完全肯定，因为相反的事例是很多的。比如，当年的白毛女就不是老人，而现在六十多岁的演员有一头黑发也不足为奇。

2、知识表达及其映像原理

智能机器系统如同智能生物一样，在运用知识进行信息交流或只能问题求解时，都需要预先进行知识表示。进而实现知识调用，达到利用知识求解问题的目的。因而只是表示是知识信息处理系统必不可少的关键环节。对智能机器系统而言只是表示，实际上就是对知识的一种描述或约定。其本质，就是采用某种技术模式，八所要求解决的问题的相关知识，映射为一种便于找到该问题解的数据结构。对知识进行表示的过程，实质上就是把相关只是映射（或称为变换：Transformation；或称为映像：Mapping；或称为编码：Coded）为该数据结构的过程。如图1。

图1 只是表达及其映射原理

如图，其目标是要对复杂的智能性问题实现机器求解，但机器直接对原始问题求解难度很大，可采用知识表达的映射原理，把原始问题映射为它的一种同构或同态问题，然后在对同构或同态问题求出它的解答，则相对容易而方便。顺便指出：同构解答与原始问题有相同的形式解，然而对于同态问题，如果得到原始解，只需对同台解答再施行反运算即可。在自然科学实际应用研究中，利用映射（称之为变换）原理迂回求解的思想，是一种非常有效而广为使用的重要手段。目前比较常见的知识表达方法主要有：常用的知识表示方法：一阶谓词逻辑表示法，产生式表示法，框架表示法，语义网络表示法，脚本表示法，过程表示法，面向对象表示法，神经网络表示法。如图2

二、常用知识表示法：

2.1一阶谓词逻辑表示法：

一阶谓词逻辑表示法是目前应用最广的方法之一，在AI系统上已经得到了应用。它是通过分析命题内容和谓词逻辑，尽可能正确地表述它的各种意境的过程。知识的谓词逻辑表示符合人的思维习惯，可读性好，逻辑关系表达简便。使用谓词逻辑既便于表达概念、状态、属性等事实性知识，又能方便地采用谓词公式的表达形式，进行各种智能行为的过程性描述与演绎推理。一阶谓词的一般形式为P(x1，x2，„，xn)其中P是谓词名，xi为个体常量、变元，或函数。例如：STUDENT(zhangsan)：zhangsan是学生

STUDENT(x)：x是学生Greater(x，5)：x>5TEACHER(father(Wanghong))：王宏的父亲是教师。在一阶谓词表示法中连接词是非常重要的其中： 连接词：¬、∨、∧、→、↔ 量词：∀、∃

(∀x)P(x)为真、为假的定义

(∃x)P(x)为真、为假的定义

结合具体事例可以看到一阶谓词逻辑在知识表示法中的优越性： 李明是计算机系的学生，但他不喜欢编程。定义谓词：

COMPUTER(x):x是计算机系的 学生

LIKE(x,y):x喜欢y 谓词公式为：

LIKE(liming，programming)COMPUTER(liming)∧

谓词逻辑是一种传统经典也是最基本的形式化方法。谓词逻辑知识表示规范性严，逻辑性强，自然性好，推理过程严密，易于实现。这些优良特性使得谓词逻辑最早用于人工智能机器定理证明，并获得了成功。但是必须看到，谓词逻辑属于标准的二值（T与F）逻辑，难以直接进行不确定性问题的处理。对于复杂系统的求解问题，容易陷入冗长演绎推理中，常常不可避免地带来求解效率低,甚至产生“组合爆炸”问题。因此，针对谓词逻辑，尚待人们不断加以改进，以寻求自然性好而效率更高的技术方法。

2.2产生式表示法

目前，产生式表示方法是专家系统的第一选择的知识表达方式。是美国数学家Post在1943年提出了一种计算形式体系里所使用的术语。产生式表示的基本形式为：（1）确定性知识的表示：

产生式形式：P→Q或者IF P THEN Q 它的含义：如果前提P满足，则可以推出结论Q或执行Q操作。例如：IF CLEAR(B)AND HANDEMPTYTHEN Pickup(B)如果积木B上是空的，且机械手空，则机械手从桌面上抓起积木B。（2）不确定知识的表示：

产生式形式：P→Q（置信度）或者IF P THEN Q（置信度）在不确定推理中，当已知事实与前提P不能精确匹配时，只要按照“置信度”的要求达到一定的相似度，就认为已知事实与前提条件相匹配，再按照一定的算法将这种可能性（不确定性）传递到结论Q。

产生式表示法其优点在于模块性。规则与规则之间相互独立灵活性。知识库易于增加、修改、删除自然性。方便地表示专家的启发性知识与经验透明性。易于保留动作所产生的变化、轨迹，但仍有不少缺点：知识库维护难。效率低。为了模块一致性理解难。由于规则一致性彼此之间不能调用。

2.3 语义网络表达式

语义网络是人工智能常用的知识表示法之一。是一种使用概念及其语义关系来表达知识的有向图。它作为人类联想记忆的一个显示心理学模型，是由J.R.Quillian于1968年在他的博士论文中首先提出，并用于自然语言处理。语义网络结构共使用了三种图形符号：框、带箭头及文字标识的线条和文字标识线。分别称为:（1）节(结)点;弧(又叫做边或支路);指针。

（2）节点(Node)：也称为结点。用圆形、椭圆、菱形或长方形的框图来表示，用来表示事物的名称、概念、属性、情况、动作、状态等。

（3）弧(Arc)：这是一种有向弧，又称之为支路（Branch）。节点之间用带箭头及文字标识的有向线条来联结，用以表示事物之间的结构，即语义关系。

（4）指针(Pointer)：也叫指示器。是在节点或者弧线的旁边，另外附加必要的线条及文字标识，用来对节点、弧线和语义关系作出相宜的补充、解释与说明。

语义网络是一种结构化知识表示方法，具有表达直观，方法灵活，容易掌握和理解的特点。概括起来，主要优点在于采用语义关系的有向图来连接，语义、语法、词语应用兼顾，具有描述生动，表达自然，易于理解等。

虽然语义网络知识表示和推理具有较大的灵活性和多样性，但是没有公认严密的形式表达体系，却不可避免地带来了非一致性和程序设计与处理上的复杂性，这也是语义网络知识表示尚待深入研究解决的一个课题。

2.4．框架表式式

框架表示法诞生于1975年，这也是一种结构化的知识表示方法，并已在多种系统中得到成功的应用。框架理论是由人工智能科学创始人之一，美国著名的人工智能学者M.L.Minsky(明斯基)提出来的。

自然界各种事物都可用框架(Frame)组织构成。每个被定义的框架对象分别代表着不同的特殊知识结构，从而可在大脑或计算机中表示、存储并予以认识、理解和处理。框架是一种被用来描述某个对象（诸如一个事物、一个事件或一个概念）属性知识的数据结构。下面是一个关于“大学教师”的框架设计模式。

n

框架名：

〈大学教师〉 n

姓名：

单位（姓，名）n

年龄：

单位（岁）

n

性别：

范围(（男，女）缺省：男)n

学历：

范围（学士，硕士，博士）

n

职称：

范围(（教授，副教授，讲师，助教）缺省：讲师)n

部门：

范围（学院（或系、处）n

住址：

〈住址框架〉 n

工资：

〈工资框架〉 n

参加工作时间：

单位（年，月）

n

健康状况：

范围（健康，一般，较差）n

其它：

范围（〈个人家庭框架〉，〈个人经济状况框架〉）

上述框架共有十一个槽，分别描述了关于“大学教师”的十一个方面的知识及其属性。在每个槽里都指定了一些说明性的信息，表明了相关槽的值的填写要有某些限制。框架表示法支持上层框架概念抽象和下层框架信息继承共享的思想，不仅减少了框架信息和属性知识表达的冗余，而且保证了上、下层框架知识表达的一致性。

主要缺点：框架表示法过于死板，难以描述诸如机器人纠纷等类问题的动态交互过程生动性。

三、各知识表达式的比较与展望

以上若知识表达方法，绝大多数在应用中得到了很好的应用。但实际工作中，如果要建立一个人工智能系统、专家系统时，还是要根据具体情况提出一个混合性的知识表达方式。每一种知识表示方法各有特点，而且适用的领域也不同：

（1）谓词逻辑方法只适用于确定性、陈述性、静态性知识，而对动态的、变化性、模糊性知识则很难表示。

（2）产生式规则方法推理方法太单一，如果前提条件太多，或规则条数太多，则推理的速度将慢得惊人。

（3）语义网络方法表达的知识面比较窄。（4）框架方法表示的知识横向关系不太明确。（纵向从属继承关系很明确）

因此，对于复杂的、深层次的知识，应根据需要表示知识的特征，来决定用二种或三种方法联合表示，例如：

（1）逻辑与框架：框架里的槽值可以对应于谓词项。

（2）语义网络与框架：结点对应与框架，结点的参数就是框架的槽值。

（3）产生式与框架：框架的槽值对应于一条产生式规则。与神经网络结合。

参考文献：

[1] 蔡之华；模糊Petri网及知识表示 [J];计算机应用与软件；1994年03期 [2].张科杰,袁国华,彭颖红； 知识表示及其在机械工程设计中的应用探讨[J];

机械设计；2004年06期。

[3].刘晓霞。新的知识表示方法——概念图［Ｊ］。航空计算技术。1997（4）。[4].王永庆人工智能原理与方法［Ｍ］。西安交通大学出版社。1998。

读书的好处

1、行万里路，读万卷书。

2、书山有路勤为径，学海无涯苦作舟。

3、读书破万卷，下笔如有神。

4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文

5、少壮不努力，老大徒悲伤。

6、黑发不知勤学早，白首方悔读书迟。——颜真卿

7、宝剑锋从磨砺出，梅花香自苦寒来。

8、读书要三到：心到、眼到、口到

9、玉不琢、不成器，人不学、不知义。

10、一日无书，百事荒废。——陈寿

11、书是人类进步的阶梯。

12、一日不读口生，一日不写手生。

13、我扑在书上，就像饥饿的人扑在面包上。——高尔基

14、书到用时方恨少、事非经过不知难。——陆游

15、读一本好书，就如同和一个高尚的人在交谈——歌德

16、读一切好书，就是和许多高尚的人谈话。——笛卡儿

17、学习永远不晚。——高尔基

18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。——刘向

19、学而不思则惘，思而不学则殆。——孔子

20、读书给人以快乐、给人以光彩、给人以才干。——培根