《人工智能》学习报告

第一篇：《人工智能》学习报告

深圳大学硕士研究生课程作业—人工智能

《人工智能》学习报告

深圳大学机电与控制工程学院彭建柳

学号：0943010210

1.引言

人工智能(Artificial Intelligence，AI)，曾经有一部电影，著名导演斯蒂文•斯皮尔伯格的科幻片《人工智能》(A.I.)对许多人的头脑又一次产生了震动，引起了一些人士了解并探索人工智能领域的兴趣。人工智能对于普通人来说是那样的可望而不可及，然而它却吸引了无数研究人员为之奉献才智，从美国的麻省理工学院(MIT)、卡内基-梅隆大学(CMU)到IBM公司，再到日本的本田公司、SONY公司以及国内的清华大学、中科院等科研院所，全世界的实验室都在进行着AI技术的实验。

一直以来，关于人工智能的理论，我一直认为是科学的前沿，理解起来较为飘渺。但是，从本学期《人工智能》课程的学习中，本人较系统的接触到了关于人工智能的理论，从有限的课程中，通过老师的详细介绍和查阅人工智能方面的书籍，学习了关于人工智能几个主要方面的知识，如模糊控制、专家系统、神经网络等。下面是本人关于人工智能理论的一些基本认识。

2.人工智能的形成与发展

说到人工智能，首先先认识下自动控制理论，自动控制理论从形成到发展至今，已经经历了六十多年的历程，其主要分为三个阶段：

务和现实模型的描述、符号和环境的识别以及知识库和推理机的开发上，即智能控制的关键问题不是设计常规控制器，而是研制智能机器的模型。此外，智能控制的核心在高层控制，即组织控制。高层控制是对实际环境或过程进行组织、决策和规划，以实现问题求解。为了完成这些任务，需要采用符号信息处理、启发式程序设计、知识表示、自动推理和决策等有关技术。这些问题求解过程与人脑的思维过程有一定的相似性，即具有一定程度的“智能”。

随着人工智能和计算机技术的发展，已经有可能把自动控制和人工智能以及系统科学中一些有关学科分支(如系统工程、系统学、运筹学、信息论)结合起来，建立一种适用于复杂系统的控制理论和技术。智能控制正是在这种条件下产生的。它是自动控制技术的最新发展阶段，也是用计算机模拟人类智能进行控制的研究领域。1965年，傅京孙首先提出把人工智能的启发式推理规则用于学习控制系统。1985年，在美国首次召开了智能控制学术讨论会。1987年又在美国召开了智能控制的首届国际学术会议，标志着智能控制作为一个新的学科分支得到承认。智能控制具有交叉学科和定量与定性相结合的分析方法和特点。

3.模糊控制

在传统的控制领域里，控制系统动态模式的精确与否是影响控制优劣的最主要关键，系统动态的信息越详细，则越能达到精确控制的目的。然而，对于复杂的系统，由于变量太多，往往难以正确的描述系统的动态，于是工程师便利用各种方法来简化系统动态，以达成控制的目的，但却不尽理想。换言之，传统的控制理论对于明确系统有强而有力的控制能力，但对于过于复杂或难以精确描述的系统，则显得无能为力了。因此便尝试着以模糊数学来处理这些控制问题。通过课堂中，导师生动的讲解，以及引用到生活当中鲜活的例子，如冰箱温度的模糊控制，智能汽车的行驶路线控制等等，充分的认识到，模糊控制在当今社会的应用已经很广泛，只是理论知识的缺乏而感觉不到它们的存在。

一般控制架构包括：定义变量、模糊化、知识库、逻辑判断及反模糊化，详细如下：

(1)定义变量：也就是决定程序被观察的状况及考虑控制的动作，例如在一般控制问题上，输入变量有输出误差E与输出误差之变化率CE，而控制变量

则为下一个状态之输入U。其中E、CE、U统称为模糊变量。

(2)模糊化（fuzzify）：将输入值以适当的比例转换到论域的数值，利用口语化变量来描述测量物理量的过程，依适合的语言值（linguisitc value）求该值相对之隶属度，此口语化变量我们称之为模糊子集合（fuzzy subsets）。

(3)知识库：包括数据库（data base）与规则库（rule base）两部分，其中数据库是提供处理模糊数据之相关定义；而规则库则藉由一群语言控制规则描述控制目标和策略。

(4)逻辑判断：模仿人类下判断时的模糊概念，运用模糊逻辑和模糊推论法进行推论，而得到模糊控制讯号。此部分是模糊控制器的精髓所在。

(5)解模糊化（defuzzify）：将推论所得到的模糊值转换为明确的控制讯号，做为系统的输入值。

模糊控制很重要的一点就是模糊规则的制定，其规则制定的来源主要由专家的经验和知识、操作员的操作模式、自学习提供。模糊规则的形式则分为状态评估和目标评估两种。但都是以模糊控制为基础，达到自动控制的目的。

4.专家系统

专家系统(expert system)是人工智能应用研究最活跃和最广泛的课题之

一。运用特定领域的专门知识，通过推理来模拟通常由人类专家才能解决的各种复杂的、具体的问题，达到与专家具有同等解决问题能力的计算机智能程序系统。它能对决策的过程作出解释，并有学习功能，即能自动增长解决问题所需的知识。

专家系统的发展已经历了3个阶段，正向第四代过渡和发展。第一代专家系统（dendral、macsyma等）以高度专业化、求解专门问题的能力强为特点。但在体系结构的完整性、可移植性等方面存在缺陷，求解问题的能力弱。第二代专家系统（mycin、casnet、prospector、hearsay等）属单学科专业型、应用型系统，其体系结构较完整，移植性方面也有所改善，而且在系统的人机接口、解释机制、知识获取技术、不确定推理技术、增强专家系统的知识表示和推理方法的启发性、通用性等方面都有所改进。第三代专家系统属多学科综合型系统，采用多种人工智能语言，综合采用各种知识表示方法和多种推理机制及控制策略，并开始运用各种知识工程语言、骨架系统及专家系统开发工具和

环境来研制大型综合专家系统。在总结前三代专家系统的设计方法和实现技术的基础上，已开始采用大型多专家协作系统、多种知识表示、综合知识库、自组织解题机制、多学科协同解题与并行推理、专家系统工具与环境、人工神经网络知识获取及学习机制等最新人工智能技术来实现具有多知识库、多主体的第四代专家系统。

对专家系统可以按不同的方法分类。通常，可以按应用领域、知识表示方法、控制策略、任务类型等分类。如按任务类型来划分，常见的有解释型、预测型、诊断型、调试型、维护型、规划型、设计型、监督型、控制型、教育型等。

简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。

5.神经网络

由于神经网络是多学科交叉的产物，各个相关的学科领域对神经网络都有各自的看法，因此，关于神经网络的定义，在科学界存在许多不同的见解。目前使用得最广泛的是T.Koholen的定义，即“神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。”

人工神经网络是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

6.小结

关于人工智能的学习，我现在所学习到的仅仅是皮毛。但对于一个刚刚接触人工智能学习的学生，了解如模糊控制、专家系统、神经网络等人工智能的知识入门尤为重要，为将来进一步学习人工智能的理论打下基础，并将理论应用于生活和工作当中，这才是学习的最终目的。

参考文献：

《人工智能控制》作者：蔡自兴，出 版 社：化学工业出版社，2005-7-1

第二篇：人工智能学习

人工智能学习-知识要点总结 [Nirvana 发表于 2005-1-2 13:32:24]

人工智能是在计算机科学、控制论、信息论、神经心理学、哲学、语言学等多种学科研究的基础上发展起来的，是一门综合性边缘学科，延伸人脑的功能，实现了脑力劳动的自动化。

1、认知科学认为智能的核心是思维，知识阙值理论认为智能行为取决于知识的数量及其一般化程度，智能就是在巨大搜索空间中迅速找到一个满意解的能力；进化理论的核心是用控制取代表示，取消概念、模型及显示表示知识，否定抽象对于智能及智能模拟的必要性，强调分结构对于智能进化的可能性与必要性。综合上述观点，认为智能是知识与智力的总和，具有如下特征：

（1）记忆与思维能力，（2）学习能力及自适应能力，（3）行为能力。

人工智能是人造智能，是一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。通过图灵测试可以判断一个系统是否具有智能和智能的水平。

人工智能研究内容：

（1）机器感知（2）机器思维（3）机器学习（4）机器行为（5）智能系统构造技术

人工智能研究途径：

（1）符号处理（2）网络连接机制（3）系统集成2、知识是智能的基础，对人工智能的研究必须以知识为中心来进行，由于对知识的表示、利用、获取等的研究取得较大进展，特别是不确定性知识表示与推理取得的突破，建立了主观Bayes理论、确定性理论、证据理论、可能性理论，对人工智能其他领域（如模式识别，自然语言理解等）的发展提供了支持。数据是信息的载体和表示，信息是数据在特定场合的具体含义，信息是数据的语义；把有关信息关联在一起所形成的信息结构叫知识。具有：相对正确性，不确定性，可表示性，可利用性等特征；按作用范围分为常识性知识，领域性知识；按作用及表示分为事实性知识，过程性知识，控制性知识。按确定性分为确定性知识，不确定性知识；按结构及表现形式分为逻辑性知识，形象性知识；从抽象的，整体的观点来划分可分为零级知识，一级知识，二级知识。知识表示方法总体上分为符号表示法，连接机制表示法；目前用得较多的知识表示方法主要有：一阶谓词逻辑表示，产生式，框架，语义网络，脚本，过程，Petrio网，面向对象表示法。选择知识表示法时，要注意以下几个方面：

（1）充分表示领域知识（2）有利于对知识的利用（3）便于对知识的组织、维护与管理（4）便于理解和实现

3、产生式系统构成：规则库，控制系统，综合数据库。综合数据库中已知事实表示：（特性 对象 值可信度因子）控制系统的求解过程是一个不断地从规则库中选取可用规则与综合数据库中已知事实进行匹配的过程。产生式系统分类：按推理方向分为前向、后向和双向产生式系统；按表示知识的确定性可分为确定性及不确定性产生式系统；按数据库性质及结构特征进行分类为可交换的产生式系统，可分解的产生式系统，可恢复的产生式系统。框架是一种描述所论对象属性的数据结构，由槽结构组成，槽分为若干侧面。问题求解主要通过匹配和填槽实现的；产生式表示法主要用于描述事物间的因果关系，框架表示法主要用于描述事物内部结构及事物间的类属关系。语义网络是通过概念及其语义关系来表达知识的一种网络图。一个过程规则包括激发条件，演绎操作，状态转换及返回四个部分。

4、推理就是按某种策略由已知判断推出另一判断的思维过程。按从新判断推出的途径来划分，推理可分为演绎推理、归纳推理和默认推理；按所用知识确定性分为确定性推理，不确定性推理；按推出的结论是否单调地增加来划分为单调推理，非单调推理；按是否运用与问题有关的启发性知识分为启发式推理，非启发式推理；按基于方法的分为基于知识的推理，统计推理，直觉推理。推理的控制策略：推理方向，搜索策略，冲突消解策略，求解策略和限制策略。推理方向可确定推理的驱动方式：正向推理，逆向推理，混合推理及双向推理。

从一组已知为真的事实出发，直接运用经典逻辑的推理规则推出结论的过程称为自然演绎推理，基本推理规则是P规则，T规则，假言推理，拒绝式推理等：

P规则：任何步骤可引入前提A

T规则：前面步骤有一个或多个公式永真蕴涵公式S，可引入S

假言推理：P，P—>Q=> Q

拒绝式推理：P—>Q, 非Q=>非P

归结演绎推理中，空字句是不满足的，因此归结的目标是通过归结使字句集中包含空字句，从而证明原命题的不可满足性。归结式是亲本字句的逻辑结论。

不确定性推理是从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的理论的思维过程。

不确定推理的基本问题：推理方向，推理方法，控制策略，不确定性的表示和度量，不确定性匹配，不确定性传递算法，不确定性的合成。

知识的不确定性称为知识的静态强度；证据的不确定性称为动态强度

5、组合证据的不确定性算法：

最大最小方法

概率方法

有界方法

不确定性传递算法：

结论不确定性的合成：

6、主观Bayes方法：

（1）知识不确定性表示（产生式规则）：

（2）证据不确定性表示：

（3）组合证据不确定性的算法：

（4）不确定性传递算法：

（5）结论不确定性的合成算法：

7、可信度方法：（C-F模型是基于可信度表示的不确定性推理的基本方法）

在可信度推理方法中的Ｃ-F模型里，可信度CF(H,E)的含义是：CF(H,E)>0表示Ｅ的出现增加了Ｈ的可信度；CF(H,E)=0表示Ｅ的出现与Ｈ可信度无关；CF(H,E)<0表示Ｅ的出现降低了Ｈ的可信度。

（1）知识不确定性表示：

（2）证据不确定性表示：

（3）组合证据不确定性算法：

（4）不确定性传递算法：

（5）结论不确定性合成算法（推理网络）：

8、证据理论是用集合表示命题的，D是变量x所有可能取值的集合，且D中的元素是互斥的，在任一时刻x都取且只能取D中某一元素为值，则称D为x的样本空间。

信任函数与似然函数的关系：Pl(A)>=Bel(A), Bel(A)表示对A为真的信任程度，Pl(A)表示对A为非假的信任程度。Pl(A)-Bel(A)表示对Ａ不知道的程度，即既非对Ａ信任又不信任的那部分。

知识的不确定表示：IF E THEN H={h1,h2,…,hn} CF={c1,c2,…,cn}ＣＦ是可信度因子

含有模糊概念、模糊数据或带有确信程度的语句称为模糊命题。一般表示形式为：

x is A(CF)x是论域上的变量，Ａ是模糊数，ＣＦ是该模糊命题的确信程度或

相应事件发生的可能性程度。

10、人工智能解决的问题：结构不良，非结构化；盲目搜索按预定的控制策略进行搜索，在搜索过程中获得的中间信息不用来改进控制策略；启发式搜索加入了与问题有关的启发性信息，用以指导搜索朝着最有希望的方向前进，加速问题的求解过程并找到最优解。

状态空间表示法：（Ｓ，Ｆ，Ｇ）

11、专家系统就是一种在相关领域中具有专家水平解题能力的智能程序系统，它能运用领域专家多年积累的经验与专门知识，模拟人类专家的思维过程，求解需要专家才能解决的困难问题。

特征：专家知识，有效推理，获取知识能力，灵活性，透明性，交互性，复杂性

专家系统与常规计算机程序比较：＊

(1)常规程序＝数据结构＋算法，专家系统＝知识＋推理

(2)常规程序分为数据级＋程序级，专家系统数据级＋知识库级＋控制级

(3)常规程序面向数值计算和数据处理，专家系统本质上是面向符号处理的(4)常规程序处理的数据多是精确的，专家系统处理不精确，模糊知识

(5)解释功能

(6)都是程序系统

12、机器学习是要使计算机能模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善：

三个方面的研究内容：（１）学习机理研究（２）学习方法研究（３）面向任务研究

学习系统是指能够在一定程度上实现机器学习的系统，能够从某个过程或环境的未知特征中学到有关信息，并且能把学到的信息用于未来的估计、分类、决策或控制，以便改进系统的性能。在结构上主要包括：学习环境，学习机构，执行与评估机构和知识库四个部分；各种符号学习方法中推理能力最强的学习方法是机械式学习，推理能力最弱的方法是观察和发现，神经网络学习获得的知识被存储在神经元之间的连接中。

学习系统具有的条件能力：

(1)具有适当的学习环境

(2)具有一定学习能力

(3)能应用学到的知识求解问题

(4)能提高系统的性能

第三篇：人工智能学习论文

20107932唐雪琴

人工智能研究最新进展综述

一、研究领域

在大多数数学科中存在着几个不同的研究领域，每个领域都有着特有的感兴趣的研究课题、研究技术和术语。在人工智能中，这样的领域包括自然语言处理、自动定理证明、自动程序设计、智能检索、智能调度、机器学习、专家系统、机器人学、智能控制、模式识别、视觉系统、神经网络、agent、计算智能、问题求解、人工生命、人工智能方法、程序设计语言等。

在过去50多年里，已经建立了一些具有人工智能的计算机系统；例如，能够求解微分方程的，下棋的，设计分析集成电路的，合成人类自然语言的，检索情报的，诊断疾病以及控制控制太空飞行器、地面移动机器人和水下机器人的具有不同程度人工智能的计算机系统。人工智能是一种外向型的学科，它不但要求研究它的人懂得人工智能的知识，而且要求有比较扎实的数学基础，哲学和生物学基础，只有这样才可能让一台什么也不知道的机器模拟人的思维。因为人工智能的研究领域十分广阔，它总的来说是面向应用的，也就说什么地方有人在工作，它就可以用在什么地方，因为人工智能的最根本目的还是要模拟人类的思维。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研究的领域。人工智能就是为了应用机器的长处来帮助人类进行智力活动。人工智能研究的目的就是要模拟人类神经系统的功能。

二、各领域国内外研究现状（进展成果）近年来，人工智能的研究和应用出现了许多新的领域，它们是传统人工智能的延伸和扩展。在新世纪开始的时候，这些新研究已引起人们的更密切关注。这些新领域有分布式人工智能与艾真体（agent）、计算智能与进化计算、数据挖掘与知识发现，以及人工生命等。下面逐一加以概略介绍。

1、分布式人工智能与艾真体

分布式人工智能（Distributed AI，DAI）是分布式计算与人工智能结合的结果。DAI系统以鲁棒性作为控制系统质量的标准，并具有互操作性，即不同的异构系统在快速变化的环境中具有交换信息和协同工作的能力。

分布式人工智能的研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型。DAI中的智能并非独立存在的概念，只能在团体协作中实现，因而其主要研究问题是各艾真体间的合作与对话，包括分布式问题求解和多艾真体系统（Multiagent System，MAS）两领域。其中，分布式问题求解把一个具体的求解问题划分为多个相互合作和知识共享的模块或结点。多艾真体系统则研究各艾真体间智能行为的协调，包括规划、知识、技术和动作的协调。这两个研究领域都要研究知识、资源和控制的划分问题，但分布式问题求解往往含有一个全局的概念模型、问题和成功标准，而MAS则含有多个局部的概念模型、问题和成功标准。

MAS更能体现人类的社会智能，具有更大的灵活性和适应性，更适合开放和动

态的世界环境，因而倍受重视，已成为人工智能以至计算机科学和控制科学与工程的研究热点。当前，艾真体和MAS的研究包括理论、体系结构、语言、合作与协调、通讯和交互技术、MAS学习和应用等。MAS已在自动驾驶、机器人导航、机场管理、电力管理和信息检索等方面获得应用。

2、计算智能与进化计算

计算智能（Computing Intelligence）涉及神经计算、模糊计算、进化计算等研究领域。其中，神经计算和模糊计算已有较长的研究历史，而进化计算则是较新的研究领域。在此仅对进化计算加以说明。

进化计算（Evolutionary Computation）是指一类以达尔文进化论为依据来设计、控制和优化人工系统的技术和方法的总称，它包括遗传算法（Genetic Algorithms）、进化策略（Evolutionary Strategies）和进化规划（Evolutionary Programming）。它们遵循相同的指导思想，但彼此存在一定差别。同时，进化计算的研究关注学科的交叉和广泛的应用背景，因而引入了许多新的方法和特征，彼此间难于分类，这些都统称为进化计算方法。目前，进化计算被广泛运用于许多复杂系统的自适应控制和复杂优化问题等研究领域，如并行计算、机器学习、电路设计、神经网络、基于艾真体的仿真、元胞自动机等。

达尔文进化论是一种鲁棒的搜索和优化机制，对计算机科学，特别是对人工智能的发展产生了很大的影响。大多数生物体通过自然选择和有性生殖进行进化。自然选择决定了群体中哪些个体能够生存和繁殖，有性生殖保证了后代基因中的混合和重组。自然选择的原则是适者生存，即物竞天择，优胜劣汰。

直到几年前，遗传算法、进化规划、进化策略三个领域的研究才开始交流，并发现它们的共同理论基础是生物进化论。因此，把这三种方法统称为进化计算，而把相应的算法称为进化算法。

3、数据挖掘与知识发现

知识获取是知识信息处理的关键问题之一。20世纪80年代人们在知识发现方面取得了一定的进展。利用样本，通过归纳学习，或者与神经计算结合起来进行知识获取已有一些试验系统。数据挖掘和知识发现是90年代初期新崛起的一个活跃的研究领域。在数据库基础上实现的知识发现系统，通过综合运用统计学、粗糙集、模糊数学、机器学习和专家系统等多种学习手段和方法，从大量的数据中提炼出抽象的知识，从而揭示出蕴涵在这些数据背后的客观世界的内在联系和本质规律，实现知识的自动获取。这是一个富有挑战性、并具有广阔应用前景的研究课题。

从数据库获取知识，即从数据中挖掘并发现知识，首先要解决被发现知识的表达问题。最好的表达方式是自然语言，因为它是人类的思维和交流语言。知识表示的最根本问题就是如何形成用自然语言表达的概念。

机器知识发现始于1974年，并在此后十年中获得一些进展。这些进展往往与专家系统的知识获取研究有关。到20世纪80年代末，数据挖掘取得突破。越来越多的研究者加入到知识发现和数据挖掘的研究行列。现在，知识发现和数据挖掘已成为人工智能研究的又一热点。

比较成功的知识发现系统有用于超级市场商品数据分析、解释和报告的CoverStory系统，用于概念性数据分析和查寻感兴趣关系的集成化系统EXPLORA，交互式大型数据库分析工具KDW，用于自动分析大规模天空观测数据的SKICAT系统，以及通用的数据库知识发现系统KDD等。

4、人工生命

人工生命（Artificial Life，ALife）的概念是由美国圣菲研究所非线性研究组的兰顿（Langton）于1987年提出的，旨在用计算机和精密机械等人工媒介生成或构造出能够表现自然生命系统行为特征的仿真系统或模型系统。自然生命系统行为具有自组织、自复制、自修复等特征以及形成这些特征的混沌动力学、进化和环境适应。

人工生命所研究的人造系统能够演示具有自然生命系统特征的行为，在“生命之所能”（life as it could be）的广阔范围内深入研究“生命之所知”（life as we know it）的实质。只有从“生命之所能”的广泛内容来考察生命，才能真正理解生物的本质。人工生命与生命的形式化基础有关。生物学从问题的顶层开始，把器官、组织、细胞、细胞膜，直到分子，以探索生命的奥秘和机理。人工生命则从问题的底层开始，把器官作为简单机构的宏观群体来考察，自底向上进行综合，把简单的由规则支配的对象构成更大的集合，并在交互作用中研究非线性系统的类似生命的全局动力学特性。

人工生命的理论和方法有别于传统人工智能和神经网络的理论和方法。人工生命把生命现象所体现的自适应机理通过计算机进行仿真，对相关非线性对象进行更真实的动态描述和动态特征研究。

人工生命学科的研究内容包括生命现象的仿生系统、人工建模与仿真、进化动力学、人工生命的计算理论、进化与学习综合系统以及人工生命的应用等。比较典型的人工生命研究有计算机病毒、计算机进程、进化机器人、自催化网络、细胞自动机、人工核苷酸和人工脑等。

三、学了人工智能课程的收获

（1）了解人工智能的概念和人工智能的发展，了解国际人工智能的主要流派和路线，了解国内人工智能研究的基本情况，熟悉人工智能的研究领域。

（2）较详细地论述知识表示的各种主要方法。重点掌握了状态空间法、问题归约法和谓词逻辑法，熟悉语义网络法，了解知识表示的其他方法，如框架法、剧本法、过程法等。

（3）掌握了盲目搜索和启发式搜索的基本原理和算法，特别是宽度优先搜索、深度优先搜索、等代价搜索、启发式搜索、有序搜索、A*算法等。了解博弈树搜索、遗传算法和模拟退火算法的基本方法。

（4）掌握了消解原理、规则演绎系统和产生式系统的技术、了解不确定性推理、非单调推理的概念。

（5）概括性地了解了人工智能的主要应用领域，如专家系统、机器学习、规划系统、自然语言理解和智能控制等。

（6）基本了解人工智能程序设计的语言和工具。

四、对人工智能研究的展望

对现代社会的影响有多大？工业领域，尤其是制造业，已成功地使用了人工智能技术，包括智能设计、虚拟制造、在线分析、智能调度、仿真和规划等。金融业，股票商利用智能系统辅助其分析，判断和决策；应用卡欺诈检测系统业已得到普遍应用。人工智能还渗透到人们的日常生活，CAD，CAM，CAI，CAP，CIMS等一系列智能产品给大家带来了极大的方便，它还改变了传统的通信方式，语音拨号，手写短信的智能手机越来越人性化。

人工智能还影响了你们的文化和娱乐生活，引发人们更深层次的精神和哲学层面的思考，从施瓦辛格主演的《终结者》系列，到基努.里维斯主演的《黑客帝国》系列以及斯皮尔伯格导演的《人工智能》，都有意无意的提出了同样的问题：我们应该如何看待人工智能？如何看待具有智能的机器？会不会有一天机器的智能将超过人的智能？问题的答案也许千差万别，我个人认为上述担心不太可能成为现实，因为我们理解人工智能并不是让它取代人类智能，而是让它模拟人类智能，从而更好地为人类服务。

当前人工智能技术发展迅速，新思想，新理论，新技术不断涌现，如模糊技术，模糊--神经网络，遗传算法，进化程序设计，混沌理论，人工生命，计算智能等。以Agent概念为基础的分布式人工智能正在异军突起，特别是对于软件的开发，“面向Agent技术”将是继“面向对象技术”后的又一突破。从万维网到人工智能的研究正在如火如荼的开展。

五、对课程的建议

（1）能够结合现在最新研究成果着重讲解重点知识，以及讲述在一些研究成果中人工智能那些知识被应用。

（2）多推荐一些过于人工智能方面的电影，如：《终结者》系列、《黑客帝国》

系列、《人工智能》等，从而增加同学对这门课程学习的兴趣。

（3）条件允许的话，可以安排一些实验课程，让同学们自己制作一些简单的作品，增强同学对人工智能的兴趣，加强同学之间的学习。

（4）课堂上多讲解一些人工智能在各个领域方面的应用，以及着重阐述一些

新的和正在研究的人工智能方法与技术，让同学们可以了解近期发展起来的方法和技术，在讲解时最好多举例，再结合原理进行讲解，更助于同学们对人工智能的理解。

第四篇：人工智能的发展及预测学习报告

人工智能的发展及预测学习报告

姓名

人工智能（Aritificial Intelligence，AI）是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。

一、实现人工智能的方法----机器学习

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。

机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。

这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。

随着时间的推进，学习算法的发展改变了一切。

二、实现机器学习的技术—深度学习

人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。

例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。即使是这个例子，也算是比较超前了。直到前不久，神经网络也还是为人工智能圈所淡忘。其实在人工智能出现的早期，神经网络就已经存在了，但神经网络对于“智能”的贡献微乎其微。主要问题是，即使是最基本的神经网络，也需要大量的运算。神经网络算法的运算需求难以得到满足。

不过，还是有一些虔诚的研究团队，以多伦多大学的Geoffrey Hinton为代表，坚持研究，实现了以超算为目标的并行算法的运行与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效。我们回过头来看这个停止标志识别的例子。神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。

只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样子等等。

吴教授的突破在于，把这些神经网络从基础上显著地增大了。层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”就是说神经网络中众多的层。

现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。

三、人工智能的发展历程

上图是人工智能的发展史，短短的70年间，人工智能的发展取得了巨大的成功，并不断细化。从机器学习开始飞速进步，再到深度学习驱动人工智能蓬勃发展，以至于造成了前所未有的巨大影响。

1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。

过去几年，尤其是2015年以来，人工智能开始大爆发。很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。这些方向的进步为包括谷歌、微软、facebook等国际互联网巨头和包括百度、阿里、腾讯等国内人工智能发展的第一梯队带来了巨大的潜在市场价值。

四、人工智能与人类智能较量（从Alpha Go理解预测）以前人们说围棋AI十年内打不过职业棋手，于是

1、AlphaGo Fan赢了樊麾；

2、AlphaGo Lee赢了人类李世石；

3、AlphaGo Lee有各种漏洞，于是AlphaGo Master连赢60局，围棋峰会毫无悬念打出3-0，还留下一堆“神”谱；

4、AlphaGo Zero自我强化学习3天终结了AlphaGo Lee；

这次AlphaZero的出世，意义不止在于研究棋类游戏；它表明深度神经网络还有大量的潜力有待挖掘，尤其是与之类似的对抗增强的网络模型。

但是，AlphaZero的强化学习训练耗费了海量的硬件资源，暗示着想要实现更强的人工智能还需要更多的计算力。有句话说“有多少人工就有多少智能”，所以这次的AlphaZero短期带来的最大影响，可能是AI的各个研究领域要开始发展硬件了。

我认为人工智能发展始终围绕着人类的发展，所谓“较量”或许终究是人与人的较量、人与未来的较量，人与落后的较量。我们应保持乐观积极的发展态度，给人工智能以摧残的未来，同时，警惕技术触及伦理与道德和法律的底线，我们的明天终会更加美好！

参考资料：

[1]《机器学习》-周志华 [2]《人工智能》-李开复

第五篇：《人工智能》阅读报告

《人工智能》阅读报告之

姓名：

学号：

班级：

指导教师：

历史、现状与未来

2014/4/6

我并不是通过看书而是通过一部由斯皮尔伯格执导的科幻电影——《AI》接触到人工智能这个概念的。虽然这只是一部2001年的电影，距今已有13年之久，但是它对我的启迪是长久的。电影剧情在此不做探究，只是它展示给我们的未来让我对人工智能非常好奇，所以我通过图书馆和网络搜集阅读了一些材料，争取对人工智能的历史和现状有较深入的理解，并对其未来进行合理展望。

电影名叫《A.I》，即Artificial Intelligence的首字母缩写，而这也正是学术上的人工智能的英文名。人工智能的一个比较流行的定义，也是该领域较早的定义，是由当时麻省理工学院的麦卡锡在1956年的达特茅斯会议上提出的：“人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样”。这次会议可以看作人工智能的发端。自此以后，新思想、新理论、新技术不断涌现，至今尚无统一定义。经过这些年的发展，人工智能有了很多成果，前途一片光明。下面是详细介绍。

首先是人工智能的历史。1956年夏季，以麦卡锡、明斯基、罗彻斯特和香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。

关于人工智能之父的说法，有人认为是冯·诺依曼，有人认为是图灵，这都有一定的道理。图灵提出过著名的图灵测试，这是评价机器智能行为最好且唯一的方法。另外，他还写过这方面的论文，如《机器会思考吗？》。然而比较公认的人工智能之父还是约翰·麦卡锡，不幸的是，他于最近去世了。麦卡锡是LISP语言的发明者，曾因人工智能方面的巨大贡献获得过图灵奖。

人工智能在于1956年正式提出后，取得了显著进步。20世纪50至70年代之间，人工智能有几个标志性的事件。1956年，塞缪尔发明了跳棋程序，于1962年击败了美国的一个州的跳棋冠军。1968年，斯坦福大学的费根鲍姆等人研制了DENDRAL，被认为是专家系统的萌芽。1976年，“四色定理”得到证明。到了80年代，神经网络快速发展。另外，人工智能被引入了市场，并显示出了使用价值。如智能机器人，机器翻译及斯坦福大学的SRI地质勘探专家系统等。

到了90年代，可以说进入了相对稳定阶段。这个期间最著名的事件莫过于蓝色巨人IBM的超级计算机“深蓝”击败国际象棋世界冠军卡斯帕罗夫了。这是人工智能的一个标志性事件，可以说是人工智能领域最广为人知的事件了。这一事件显示了人工智能的强大能力，使人们对人工智能的未来充满了期望。

进入21世纪，对人工智能的研究又深入了一部。比如谷歌等公司推出的机器翻译，微软退出的语音助手Cortana，都是当今人工智能的最新成果。今年微软build大会就进行了实时翻译，表名语音识别工作有了很大进展。最近很出名的便是IBM公司的超级计算机“沃森”了。2011年2月17日，沃森在美国智力竞猜节目《危险边缘》中击败人类。与之前的深蓝不同的是，沃森可以理解人类语言，然后进行推理。

以上是人工智能的基本发展历程，下面主要介绍当前人工智能的发展情况。人工智能主要应用于人工神经网络、自然语言理解、智能机器人、图像识别和专家系统等方面。当前这些主要研究领域都取得了长足进步。

人工神经网络是我重点关注的的一个方面。从它出现以来，就给人们带来很多惊喜。根据一个简化的统计，人脑由百亿条神经组成，每条神经平均连结到其它几千条神经。通过这种连结方式，神经可以收发不同数量的能量。神经的一个非常重要的功能是它们对能量的接受并不是立即做出响应，而是将它们累加起来，当这个累加的总和达到某个临界阈值时，它们将它们自己的那部分能量发送给其它的神经。大脑通过调节这些连结的数目和强度进行学习。尽管这是个生物行为的简化描述，但同样可以充分有力地被看作是神经网络的模型。

阈值逻辑单元（Threshold Logic Unit，TLU）是理解神经网络的第一步。TLU 是一个对象，它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。如下图所示：

比如一个求解语言种类的感知器学习模型如下：

有一种培训规则叫做delta规则。感知器培训规则是基于这样一种思路：权系数的调整是由目标和输出的差分方程表达式决定。而delta规则是基于梯度降落这样一种思路。

反向传播算法同样来源于梯度降落原理，在权系数调整分析中的唯一不同是涉及t(p,n)与 y(p,n)的差分。如下图所示：

自然语言理解方面，目前很多公司都在做。比较出名的事件是IBM的超级计算机“沃森”。2011年2月14日至16日的3天比赛中，沃森凭借超强的运算速度和强大的人工智能算法战胜了美国最受欢迎的智力竞猜电视节目《危险边缘》历史上两位最为成功的选手肯·詹宁斯和布拉德·鲁特，这是机器挑战人类智能的又一成功例子。对计算机沃森来说参与智力竞赛节目最重要的难题是解析人类的语言，尤其是在充满暗示和恶作剧的游戏里，沃森需要识别人类语言中微妙的含义，分辨讽刺口吻、谜语、构词断句、诗篇线索等等这些逻辑和线索。然后才是对题目进行分解，快速搜索自己的内存资料，寻找到最佳答案。沃森能学习人类思维分辨人类语言口气，可选择忽略不擅长的题目，它可以可估算节目剩余奖金和自我信心，主动选择是否继续回答问题，已经取得了很大的进步。然而即使这样，它也没能突破图灵测试。它只能处理文字符号，并不能真正理解它们的含义。所以它很难理解人类交流中的微妙含义，甚至出现了爆粗口的尴尬局面。

除了自然语言理解，智能机器人的研究也十分火热。纪录片《漫游火星》中介绍了两个智能车——机遇号和勇气号，都属于智能机器人范畴。2010年上海世博会上展出了很多这方面的最新成果。比如，会拉小提琴的日本机器人和“海宝”机器人，美国最受欢迎的机器人吸尘器Roomba等。日本本田公司研制的仿人机器人ASIMO，是目前全球唯一具备人类双足行走能力的类人型机器人。阿西莫(ASIMO，Advanced Step Innovative Mobility)即高级步行创新移动机器人。从2000年发展至今，除具备了行走功能与各种人类肢体动作之外，更具备了人工智能，可以预先设定动作，还能依据人类的声音、手势等指令，来从事相应动作。此外，他还具备了基本的记忆与辨识能力。在智能机器人这方面，日本的研究成果是很多的，中国科研人员还要多加努力，迎头赶上。

图像识别是人工智能的重要领域，也是目前研究比较集中的领域之一。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。扫描条形码、二维码只是简单的应用，现在已经有些厂商推出直接扫描图片获取信息的技术了。亚马逊的Flow早在一年前就已经可以通过图片识别搜索商品，eBay也在尝试在自己的应用中加入图像识别的功能。目前，Pounce已经与Staples、Target、Ace等零售商合作，支持顾客利用手机扫描印刷广告上的商品图片，然后即时跳转到电商移动网站下单。这样移动平台就可以与电子商务无缝对接了，从而显现出了巨大的商机。

除了上面介绍的几个研究方面，专家系统也在不断发展。专家系统是依靠人类专家已有的知识建立起来的知识系统，是一种具有特定领域内大量知识与经验的程序系统。它应用人工智能技术、模拟人类专家求解问题的思维过程求解领域内的各种问题，其水平可以达到甚至超过人类专家的水平。专家系统可分为解释型、预测型、诊断型、设计型、监视型和控制型等类型，各自应用于不同的领域。比如控制型专家系统的代表为YES/MVS（帮助监控和控制MVS操作系统的专家系统），监视型专家系统代表为森林火警监视、REACTOR（帮助操作人员检测和处理核反应堆事故的专家系统）。

当然人工智能作为一个跨越多平台、多学科的新兴技术，研究领域不止以上介绍的这些，并且新的技术和概念仍在不断发展。那么，人工智能究竟能发展到什么程度呢？人工智能的终极目标是用机器代替人的脑力劳动，可以说到时候机器要比人类聪明多了。那么这一目标能否达到？若真正实现了，又有什么因素会使人担忧呢？下面我就人工智能的未来做一下展望。

我对人工智能的未来充满信心。在IT发展的不同阶段，都引起了或大或小的革命。人工智能是一个新事物，前途不可限量。想当初比尔盖茨靠着PC的蓬勃发展而起家，现在的人工智能所带给我们的机遇不亚于此。随着人工智能的发展，很多新产品会进入市场。如果抓住这一机遇，将智能机器放到每个家庭，那必定会造就一个商业帝国。

另一方面，美国的很多科幻电影都有对人工智能未来的探讨，而且基本上都充满担忧。不止《A.I》，《终结者》和《黑客帝国》等电影也对人工智能的未来进行了探讨。《A.I》中人类终于在2000多年后消失，被机器代替；《终结者》中的机器更是残忍地杀害人类，与人类展开抗争；《黑客帝国》中的只能机器则完全统治了原本属于人类的世界。

从电影回归现实，人类对人工智能的看法如何呢？目前的人工智能还没有进入大规模实际应用阶段，很多技术还不成熟，所以人工智能目前看起来还没有那么“智能”，因而人们对它还没有多少忧虑。若干年以后，人工智能高度发达，取代了人的工作，集自然语言理解、模式识别、图像识别、高精度计算等能力于一身，就出现了所谓的“新人类”——真正意义上的智能机器人。它们具备了思想和意识，它们具备了创新能力，最令人不安的是，它们不想一直受人类驱使，它们要反抗。

总结来说，人工智能的发展有着广阔的前景。我很关心的是人工神经网络，因为未来智能机器的发展向人看齐，要模仿人脑的工作机理。人工神经网络相当于智能机器的大脑，把它发展完善，再配合自然语言理解、模式设别和专家系统等技术，才能开发出真正意义上的智能机器。这样一来，人类千百年来的脑力劳动能够得以解放，科技高速发展，新的革命就会到来。

另一方面，技术的发展大多会伴随着滥用。如同当今原子弹令地球处在达摩克利斯之剑下面一样，被寄予厚望的二十一世纪三大尖端技术之一的人工智能可能有过之而不及。人工智能有着广阔的前景，是未来人类生产发展的主要推动力之一，同时隐忧也如影随形。话说回来，当前的人工智能虽然已经经过了半个多世纪的发展，但是还有漫长崎岖的道路要走。人类对科技的追求是狂热的，但是一定要进行必要的约束，这样才能使人类在享受高科技带来的福利的同时远离它们带来的危害。