第一篇：人工智能迷途：计算机的高技能等于高智能吗？解读
人工智能迷途：计算机的高技能等于高智能吗？
来源：搜狐
人工智能(Artificial Intelligence，简称AI)开始于一个很简单的想法。当计算机被发明之后，不少人很快认识到它的能力远不限于数值计算，而是可以通过对信息编码和对指令编程完成很多其它以往只有人脑才能完成的任务。这自然就导出了是否人脑的功能都能在计算机中实现的问题。这类研究开始有不同的名称，最后“人工智能”这个词被大多数人接受了，尽管对其解释始终没有统一(见《当你谈论人工智能时，到底在谈论什么?》)。
计算机科学之父图灵（Alan Turing）
开始，AI研究者们以为可以在不远的将来实现他们的目标。这个领域的先驱图灵在1950年预言在五十年内可以造出言语行为和人难以分辨的“思维机器”，而这个领域的奠基人明斯基和西蒙等人的估计甚至还要更乐观些。在AI历史上，曾经有过一些雄心勃勃的研发项目，如纽厄尔和西蒙的“通用问题求解器”和日本政府牵头的“第五代计算机系统”等，但都没有达到预期目的。这些失败让AI的名誉受到巨大的负面影响，导致经费断流、人员出走、岗位削减，史称“AI之冬”。
人工智能“脑死亡”了?
痛定思痛，AI的大部分研究者觉得失败的原因是前辈们太好高骛远了。用一本权威AI教科书[3]的说法，在八十年代末“人工智能接受了科学方法”，其特征是从热衷于发明新理论转向基于经典理论，从期望发现一揽子解决方案转向解决具体问题。这使得AI着力于一个一个地解决各种以往只有人能解决的实际问题，或一项一项地再现人的认知功能。由于各种“专家系统”在很多领域达到甚至超过了人类的水平，AI终于摆脱了“现代炼金术”的恶名。广为人知的例子包括战胜了国际象棋世界冠军的“深蓝”系统和近年来风头正劲的“深度学习”技术在图像、语音识别等领域的应用等。
但这个从通用系统向专用系统的转向是有代价的。由于“只有人能解决的问题”在不同的时期有不同的内容(如曾经包括四则运算、排序等)，以此定义“人工智能”实际上把它看成了计算机应用的前沿。由于这个前沿在不断扩展，所面对的问题千差万别，解法也因问题而异，所以不可能全被囊括于一个理论之中，因此也就说不清AI和普通计算机应用到底有什么区别。甚至有人说“人工智能”专指那些尚未被计算机解决的问题，因为一旦一个问题被计算机解决了，它也就不再是“只有人能解决的问题”了。以这种标准来界定一个研究领域自然会造成大量的思想混乱。
即使我们完全不在乎“人工智能”到底是什么意思，只是以“能抓耗子”来定义“好猫”，这种“分而治之”的战略仍有致命问题存在。人类的各种认知功能显然是有紧密的相互依存关系的，而人在各个领域的问题求解能力也不乏相通性和可转移性。在目前AI各子领域中，都有不少核心问题是依赖于其它子领域的。以自然语言理解为例，有什么证据说明语言理解能力是和推理、学习、记忆、感知、规划、决策等能力无关，而可以“就语言论语言”的?
对上面的诘问的常见答复是：智能之中的诸功能当然是互相依赖的，但由于它们太复杂，只能一个一个研究，将来再把它们集成一个完整的智能系统。或者说当具体问题解决多了，普适的办法也可能就找到了。
这种战略在很多领域的确是恰当的，但在AI研究中似乎并非如此。解决具体问题的最有效手段常常是通过深入分析该问题的特点得到的，因此未必能推广到其它问题。比如说“深蓝”的技术对计算机下围棋就不适用。类似地，当某种认知功能被孤立定义成一个计算过程时，其结果和该功能在人脑中的“原生态”常常已经是大不相同了。大略翻翻一本AI教科书(如 [3])就不难发现大量针对各种问题的解决方案。把它们都编成程序装到同一个计算机系统里并不难，难的是让它们协调工作。由于这些方案是基于不同的理论和预设的，它们完全没有协作的基础。这就解释了为什么整合各种AI功能的呼吁(如[1])收效甚微。
更重要的一点是，即使是这些打上“智能”标签的技术仍常常让我们觉得缺了些重要的东西。的确，它们在很多方面比人更强，因为它们速度更快、容量更大、功能更稳定，但是这本来就是计算机的长项，而它们仍然缺乏适应性、灵活性、创造性等直观上和智能密切相关的特征。即使是最新的机器学习算法也仍然受制于其中种种对应用领域的预设，因而和人的学习能力的普遍性不可同日而语。
明斯基曾在一次采访中对AI主流转向专用系统大表不满，斥之为“AI已经脑死亡了”。
通用人工智能的崛起
其实就像历史上类似情形中那样，总还是有些不改初衷的研究者，尽管他们只能在学术界的边缘沉默坚持。在2001年，他们中的一些人为了改变这种状况，开始把他们的研究成果编成一本书。最早草拟的书名是《Real AI》(真正的人工智能)，在2003年全书完稿时定为《Artificial General Intelligence》(通用人工智能，简称AGI)。这本书在出版过程中又经历了些周折，故2007年才得以面世[2]。在此期间，在2006年于华盛顿特区召开了为期两天，大约50人参与的AGI研讨会([4]就是这次会议文集的引言)。在这些准备活动的基础上，AGI年会(http://agi-conf.org/)从2008年开始举办，而AGI学报(http://www.xiexiebang.com/view/j/jagi)也在2009年创刊了。时至今日，AGI的概念已经广为流传，尽管人们对其有各种各样的理解和反应。
一个常常被当作AGI同义词的概念是“强人工智能”(Strong AI)。直观来说这是可以理解的，因为AGI的野心显然比目前的AI要强很多。但是按照这个词的发明人哲学家塞尔的说法，即使一个计算机系统的外部表现完全像人，那也只是个“弱人工智能”，而“强人工智能”必须真正拥有自我意识。这样一来一个AI系统是“强”还是“弱”就完全没有外部标准了,这是很多AGI研究者所不同意的。
与此相反，AI和AGI的差别是有明确外部标准的。如果要用一句话来概括，可以说AGI是把“智能”看作一个问题，而目前主流AI是将其看作一组问题。从AGI的观点看，“智能”当然是个很复杂的问题，必须一步一步地解决，但这里的“一步”不是“下围棋”、“识别照片中的事物”或“听懂中国话”，而是要根据一个智能理论来划分。这就像盖一栋房子应该从画图纸开始，然后据此一间间、一层层地建，而不是各人根据自己的想法分别去建客厅、书房、卧室、厨房、阁楼、卫生间等等，最后再设法把它们拼在一起。这听上去像常识，只是这样工程周期显然比只造一个房间会长很多，而且在全部完工之前不容易看出好坏。因此，在主流AI的工地上，绝大部分施工队都在忙着造各种房间，而不愿花功夫去捉摸那些成败难料的图纸。
尽管有“建造多功能通用系统”这个共识，目前AGI领域内对“智能到底是指什么”仍旧未达成一致意见，而在《当你谈论人工智能时，到底在谈论什么?》中介绍的几种观点在目前AGI研究中均不同程度地有所体现。既然对“做什么”都有不同看法，对“怎么做”的答复就更是百家争鸣了。尽管如此，已经有若干AGI项目离开了纸上谈兵的阶段，开始有具体系统可以被检验了，虽然离完成都还有很远的距离。
高技能≠高智能
在AGI中的“G”(General)不意味着能解决一切问题，而是指在系统设计时不限定其应用范围。“通用”自然是个程度问题，“通用”和“专用”也是相对而言的，但这个差别仍然是明显存在的，比如“深蓝”就完全不能算个通用系统。一个常见的误解是把一个通用系统看作一批专用系统的组合。实际上它们是两类非常不同的系统，不能相互替代。不仅AGI不能通过堆砌现有AI技术来实现，而且即使在AGI实现后也不会抹杀专用技术的价值。如[4]中所指出的，对一个可以明确刻画的应用问题而言，专用系统往往比通用系统更有效和更可靠。通用系统的应用价值是在那些问题和解法都难以事先确定的领域。在理论价值上，这二者的差别就更显著了。各种现存AI理论对于揭示智能的一般原理贡献甚微，而AGI理论则往往是从一般原理入手的。
在《人工智能：何为“智”?》中，我介绍了我对“智能”的工作定义是“在知识和资源相对不足的条件下的适应能力”。按照这个定义构建的系统可以被置于很多不同的环境中，而其智能使得它能够逐渐通过学习获得在该领域解决问题的能力。照这种观点看，“智能”不是“解决具体问题的能力”，而是“获得解决具体问题的能力的能力”，因此是一种通用的“元能力”(meta-ability)。
我对于“能力”和“元能力”的区别的最早认识来自于小时候读到的一个寓言故事。故事的框架很老套：两兄弟遇到一个白胡子老神仙，他们选择了不同的法宝，因此走上了不同的人生道路。这个故事的特别之处是其中的法宝是两双手套，一双是白色的，另一双是黄色的。带上黄手套就可以直接拥有各种技艺，而带上白手套就可以很快学会各种技艺。后面的情节大家都能猜到：选了黄手套的马上变身为成功人士，而选了白手套的仍需四处学徒。有一天两个法宝同时失效了，这时前成功人士立刻被打回原形，而那位前学徒工却仍身怀长技。这个故事的出处我已经找不到了(如果哪位读者知道请告诉我)，两双手套的颜色也可能被我搞反了，但故事中的教益却对我影响深远，且不仅仅是“不要贪图急功近利”这么简单。
在我看来，“能力”可以被分解成“技能”和“智能”两个方面。一种“技能”指解决某类问题的专门化能力，而“智能”指那种获得和提高各种技能的能力。如果把系统的总技能看成时间的函数，那么智能就是这个函数的导数。系统在某一时刻的技能等于其“本能”（先天技能）部分和智能所贡献的部分的叠加。这两个部分的关系在人类和计算机系统中非常不同。因为人类的本能差别较小，同龄人的技能差别可以近似地反映智能差别，这就是“智商”定义的基础。相反，计算机系统的技能既可以来自本能，也可以来自智能。当一个计算机系统完全靠人编的程序解决问题，而不根据自己的经验对其行为进行任何调整时，它仍可能拥有很高的技能，但完全没有智能。而另一方面，一个高智能系统如果不依赖于预先编好的应用程序，在开始运行时可能并没有多高的技能。
根据上述分析，把人类智商测试直接用于人工智能是错误的，因为计算机系统在一个时刻的“智能值”和“技能值”之间没有相关性，而前者必须通过后者的变化来衡量。智能的具体衡量标准和方法仍是AGI领域中的一个热点课题，但无论如何，这种衡量不能以一套固定的考题来进行，因为那样一来，一定会有人去编制一些在这种考试中表现出色，但此外一无所能的系统。这绝不是正确的导向 — 图灵测试已经因此而遭到“鼓励欺骗”的指责了。
“机器学习”还远远不够
把智能理解为学习能力远非新想法。心理学家如皮亚杰已经明确地指出智能是一种高级适应能力，图灵认为思维机器要通过学习实现其功能，而“机器学习”从一开始就是AI的一个子领域。在这种情况下，为什么上述想法不能在主流AI中发展呢?这是因为像“智能”一样，对“学习”这个概念也有许多种不同的理解，而我的理解和主流AI的很不一样。
如上所述，我认为“学习”是一个通用的元能力，而且是智能的必要条件，但在目前的AI研究中，“学习”一般是被看做是诸多认知能力之一，是起锦上添花作用的，因而AI系统不一定都有学习能力。即使在机器学习的研究中，“学习”也是一般被看做达到一个确定的输入输出关系的手段。这种学习系统的技能在“训练”阶段的确随时间增长，但达到某个水平后学习就停止了，而此后系统进入“工作”阶段。与此相反，在我的设计中，系统没有截然分开的“训练”阶段和“工作”阶段，学习是终生的，无处不在的，尽管在系统的“幼年期”和“成年期”学习和工作的比例有量的区别。最后，目前各种机器学习算法虽然有一定的通用性，但离AGI的要求还相差很远。
“错把技能当智能”是一个目前普遍存在的问题。对于只关心某个具体应用的人来说，到底一个计算机系统的某项功能是程序员设计好的还是系统自己学的，其间的差别大概并不重要，但如果关注点是系统的发展潜力和适用范围，这里的差别可就大了。
以我的研究为例，“知识相对不足”意味着系统必须不断学习新知识以应对新问题，而“资源相对不足”意味着系统必须不断调整策略以满足时间约束，而这种运行环境是不在现有AI研究(包括各种学习算法)的视野之内的。更大的差别体现在对阶段性结果的评价上。由于我的工作不是基于现有主流AI所接受的理论(主要是数理逻辑、概率统计、计算理论)之上的，而且尚未有具体应用成果，这种工作在他们看来就没什么价值。反过来，在我看来主流AI做的基本是“人工技能”，也不是我所感兴趣的。虽然其他AGI研究者和我的观点不完全一样，他们同样对主流AI的现有规范不满，而对AGI的研究目标和评价标准有更强的认同感。
目前介绍AI技术热点的报道很多，但其中的问题也不少，尤其是常常把这些技术做直观理解和外推，因而赋予它们很多它们本来不具有的性质。我在《赛先生》上写这个专栏的初衷是以我自己的研究为线索，逐步、系统、深入地分析AI、AGI和认知科学中的一些理论问题，澄清一些核心概念，并简单地介绍一个完整的智能理论。之所以牵扯到认知科学，是因为包括我在内的一些AGI研究者的目的不仅仅是要造思维机器，而且希望循此途径认清智能、认知、思维、心灵、意识等现象的本质和一般规律，这就不可避免地涉及到心理学、语言学、哲学等相关学科，而所谓“认知科学”正是指这些学科的交叉区域。我知道有很多读者的兴趣是在“人工智能是否会威胁人类”之类的话题上，但目前的这类讨论大量充斥着概念错误，所以在涉及这些话题之前，我们还是需要先把基本概念搞清楚。（王培 美国天普大学计算机与信息科学系）
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
第三篇：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
第四篇：人工智能课程论文解读
人工智能课程论文
题目：人工智能：用科学解密生命与智慧
姓
名：
学
号：
指导老师：
人工智能：用科学解密生命与智慧
摘要
本文是对人工智能及其应用的一个综述。首先介绍了人工智能的理论基础以其与人类智能的区别和联系。然后简要介绍了人工智能的发展现状以及未来趋势，并列举了一些人工智能在生活中的应用。对人工智能的一个热门分支——神经计算进行了着重介绍，人工神经网络通过模拟人脑的学习机制，将人工智能的重点从符号表示可靠的推理策略问题转化到学习和适应的问题，描述了其在字符识别问题上的实际应用。
人工智能：用科学解密生命与智慧
目录
一，人工智能与人类智能..............................................................................................4
1，什么是智能？.................................................................................................4 2，机器智能不等同于人类智能.........................................................................5 二，人工智能当前进展..................................................................................................6 三，人工智能在生活中的应用......................................................................................7 四，人工智能的前沿分支：神经计算..........................................................................9
1，人工神经网络：从大脑得到灵感.................................................................9 2，神经网络应用实例：基于Deep autoencoder的字符图像识别...............10 五，人工智能未来发展趋势........................................................................................12 小结................................................................................................................................13 参考文献........................................................................................................................1
4人工智能：用科学解密生命与智慧
一，人工智能与人类智能
人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，它关心智能行为的自动化。AI是计算机科学的一部分，因而必须建立在坚实的理论知识之上并应用于计算机科学领域。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。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。1，什么是智能？
虽然大多数人确信看到智能行为是能判断它是智能的，但是似乎没有人能够使“智能”的定义既足够又具体以评估计算机程序的智能性，同时又反映了人类意识的生动性和复杂性。
这样实现一般智能就是塑造特定智能的人工制品。这些制品通常以诊断、预测或可视化工具实现，能够使得人类使用者完成复杂的任务。例如：用语言理解的马尔可夫模型，提供新数学理论的自动推理系统，通过大脑皮层网跟踪信号的动态贝叶斯网络，以及基因表达的数据模式的可视化，等等。
因此，定义人工智能完全领域的问题就变成了定义智能本身的问题：智能是一种独立的才能，还是一系列独一无二且不相关的能力的总称？在多大程度上可以说智能是学到的不是预先存在的？准确的说，学习时发生什么？什么是创造力？什么是直觉？智能是从可观察行为推断出的，还是需要特定内部机制的证据？在一个生物体的神经组织中，知识是以何种方式表示的？什么是自觉，它在智能中起着怎样的作用？另外，有必要按照已知的人类智能模式来设计智能计算机程序吗？智能实体是不是需要只有在生物中存在的丰富感受和经历？
这一系列的问题很难回答，但这些问题帮助我们勾勒出现代人工智能研究的核心问题以及求解方法。实际上，人工智能提供了一种独特而强大的工具来精确探索这些问题。AI为智能理论提供了一种媒介和实验台：首先用计算机程序语言表达出这些理论，然后在实际计算机上执行来进行测试和验证。
人工智能：用科学解密生命与智慧
2，机器智能不等同于人类智能
玛丽·雪莱在她的《弗兰肯斯坦》一书的序言中这样写道：
大多是拜伦勋爵和雪莱之间的对话，而我只是一个虔诚、安静的听众。其中有一次，他们讨论了各种哲学学说，以及有关生命原理的问题，并且谈到这些原理有否可能曾被发现和讨论过。他们谈及了达尔文博士的实验（我不能确认达尔文博士是否真正做过这个实验，我只是说当时有人讲他做过这样的实验），他把一段蠕虫（vermicelli）储藏在玻璃罐中，在采取了一些特殊方法之后，它开始自发运动。难道生命不是这样形成的吗？或许死尸还可能复活；流电电流实验已经让我们看到了这样的迹象：生命体的组成部分可以被制造、组合并注入活力（Butler 1998）。
玛丽·雪莱告诉我们，诸如达尔文的进化论和发现电流这样的科学进步已经使普通民众相信：自然法则并非奥妙无穷，而是可以被系统分析和理解的。弗兰肯斯坦的魔鬼并不是“萨满教”咒语或与地狱可怕交易的产物；而是由一个个单独“制造”的部件组装起来的，并且被注入了强大的电能。尽管19世纪的科学还不足以使人认识到理解和创造一个完全智能主体的意义，但它至少加深了这样的认识：生命和智慧的奥秘可以被纳入到科学分析中。也就是说，人可以让机器拥有所谓的“智能”。[1] 1936年，哲学家阿尔弗雷德·艾耶尔思考心灵哲学问题：我们怎么知道其他人曾有同样的体验。在《语言，真理与逻辑》中，艾尔建议有意识的人类及无意识的机器之间的区别。
1950年，图灵发表了一篇划时代的论文，文中预言了创造出具有真正智能的机器的可能性[1]。由于注意到“智能”这一概念难以确切定义，他提出了著名的图灵测试：如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。论文中还回答了对这一假说的各种常见质疑。[2] 图灵测试是人工智能哲学方面第一个严肃的提案。
1952年，在一场BBC广播中，图灵谈到了一个新的具体想法：让计算机来冒充人。如果不足70%的人判对,也就是超过30%的裁判误以为在和自己说话的是人
人工智能：用科学解密生命与智慧
而非计算机，那就算作成功了。
2014年6月8日，一台计算机成功让人类相信它是一个13岁的男孩，成为有史以来首台通过图灵测试的计算机。这被认为是人工智能发展的一个里程碑事件，但专家警告称，这项技术可用于网络犯罪。[3-5]。
尽管图灵测试具有直观上的吸引力，图灵测试还是受到了很多无可非议的批评。其中一个重要的质疑时它偏向于纯粹的符号求解任务。它并不测试感知技能或要实现手工灵活性所需的能力，而这些都是人类智能的重要组成部分。另一方面，有人提出图灵测试没有必要把机器智能强行套入人类智能的模具之中。人工智能或许本就不同于人类智能，我们并不希望一台机器做数学题像人类一样又慢又不准，我们希望的是它自身有点的最大化，比如快速准确的处理数据，长久的存储数据，没有必要模仿人类的认知特征。
但是，人工智能中一部分主要的研究着偏重于研究对人类智能的理解。人们为智能活动提供了一种原型实例，一些应用（比如诊断理解）通常有意地将模型建立在该领域的权威专家的解决过程上。更为重要的是，理解人类智能本身就是一个吸引人的、有待研究的科学挑战。
二，人工智能当前进展 问题的求解
人工智能中的问题解求，就是如何让机器去解决人类会遇到的问题，如何根据某一具体问题找到思考问题并解决这个问题的方法。目前，人工智能技术已经可以通过计算机程序解决了如何考虑要解决的问题，并能寻求较为准确的解决方案。2逻辑的推理与定理的证明
人工智能研究中最持久的探究领域之一就是逻辑推理。有关定理的证明就是让机器证明非数值性的真假。其中比较重要的是，通过找到合理、准确的方法，集中注意力在大型数据库中的有效事实，关注可信度证明，并在出现新信息时适时修改这些证明。[2] 3 人工智能应用之自然语言的处理
智能的另一表现就是进行自然语言的交流，自然语言处理就是让机器与人类进行
人工智能：用科学解密生命与智慧
无阻碍的沟通，这正是人工智能技术应用于实际领域的典型范例。目前此领域的主要研究内容是：如何利用计算机系统以主题和对话情境为基础，生成和理解自然语言。[3] 4 人工智能应用之模式的识别
如何使机器具有感知能力也是智能的表现。模式的识别是利用人工智能技术开发智能机器的关键，主要是通过计算机用数学技术方法来研究模式的自动处理和判读，让计算机实现“看见”，“听见”等功能。计算机模式识别的主要特点是速度快，准确率高，效率高，计算机模式识别也为人类认识自身智能提供了有利帮助。5 人工智能应用之智能信息的检索技术
在科学技术飞速发展的今天，人类已进入了“知识爆炸”的时代。传统检索系统已经满不足了对如今如此数量巨大以及种类繁多的文献检索要求。人工智能科技持续稳定发展的重要前提就是智能检索模块，可以说，智能信息的检索技术的运用势在必行。人工智能应用之专家系统
我们常说的专家系统就是指从人类专家那里获取的知识，并用来解决只有专家才能解决的疑难问题。这是一种基于知识的系统，从而也被称为知识基系统。专家系统是人工智能技术中研究最活跃，最有成效的一个领域。现在的专家系统尤其特殊的模仿了专家在处理故障时的思维方式，其水平有时甚至可以超过人类专家的水平。人工智能应用之机器人学
机器人对我们并不陌生，已在多个领域获得了越来越普遍的应用，诸如农业、工业、商业、旅游业、航空和海洋等。那么，机器人学所研究的问题主要包括从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法。机器人和机器人学的研究对人工智能思想的发展都起到了促进作用。
三，人工智能在生活中的应用
计算机科学
人工智能产生了许多方法解决计算机科学最困难的问题。它们的许多发明已
人工智能：用科学解密生命与智慧
被主流计算机科学采用，而不认为是AI的一部份。下面所有内容原在AI实验室发展：时间分配，介面演绎员，图解用户介面，计算机鼠标，快发展环境，联系表数据结构，自动存储管理，符号程序，功能程序，动态程序，和客观指向程序。[3] 金融
银行用人工智能系统组织运作，金融投资和管理财产。2001年8月在模拟金融贸易竞赛中机器人战胜了人。
金融机构已长久用人工神经网络系统去发觉变化或规范外的要求，银行使用协助顾客服务系统；帮助核对帐目，发行信用卡和恢复密码等。 医院和医药
医学临床可用人工智能系统组织病床计划；并提供医学信息。
人工神经网络用来做临床诊断决策支持系统。计算机帮助解析医学图像。这样系统帮助扫描数据图像，从计算X光断层图发现疾病，典型应用是发现肿块、心脏声音分析。 重工业
在工业中已普遍应用机器人。它们常做对人是危险的工作。全世界日本是利用和生产机器人的先进国；1999年世界范围使用1,700,000台机器人。 顾客服务
人工智能是自动上线的好助手，可减少操作，使用的主要是自然语言加工系统。呼叫中心的回答机器也用类似技术，如语言识别软件可使计算机的顾客较好操作。 运输
汽车的变速箱已使用模糊逻辑控制器。 运程通讯
许多运程通讯公司正研究管理劳动力的机器；如BT组研究可管20000工程师的机器。 玩具和游戏
1990年企图用基本人工智能大量为教育和消遣生产民用产品。现在，大众在生活的许多方面都在应用人工智能技术。 音乐
人工智能：用科学解密生命与智慧
技术常会影晌音乐的进步，科学家想用人工智能技术尽量赶上音乐家的活动；现正集中在研究作曲，演奏，音乐理论，声音加工等。
四，人工智能的前沿分支：神经计算
1，人工神经网络：从大脑得到灵感
神经计算科学是从信息科学的角度来研究如何加速神经网络模仿和延伸人脑的高级精神活动，如联想、记忆、推理、思维及意识等智能行为。这涉及到脑科学、认知科学，神经生物学、非线性科学、计算机科学、数学、物理学诸学科的综合集成。它是综合研究和实现类脑智能信息系统的一个新思想和新策略。[6] 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
一个神经网络的结构示意图如图1所示
图1 神经网络的结构示意图
神经网络将人工智能的重点从符号表示和可靠的推理策略问题转移到学习和适应的问题。同人和其他动物一样，神经网络是适应世界的一种机制：经过训练的神经网络结果是通过学识形成的。这种网络是通过和世界交互形成的，通过经验的不明确痕迹反映出来。神经网络的这种途径对我们理解智能起了极大的作用。
人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、人工智能：用科学解密生命与智慧
进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。
神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。
2，神经网络应用实例：基于Deep autoencoder的字符图像识别
深度信念网络(Deep Belief Network, DBN)[7]由 Geoffrey Hinton 在 2006 年提出。它是一种生成模型，通过训练其神经元间的权重，我们可以让整个神经网络按照最大概率来生成训练数据。我们不仅可以使用 DBN 识别特征、分类数据，还可以用它来生成数据。
DBN 由多层神经元构成，这些神经元又分为显性神经元和隐性神经元（以下简称显元和隐元）。显元用于接受输入，隐元用于提取特征。因此隐元也有个别名，叫特征检测器(feature detectors)。最顶上的两层间的连接是无向的，组成联合内存(associative memory)。较低的其他层之间有连接上下的有向连接。最底层代表了数据向量(data vectors)，每一个神经元代表数据向量的一维。
DBN 是由多层 RBM 组成的一个神经网络，它既可以被看作一个生成模型，也可以当作判别模型，其训练过程是：使用非监督贪婪逐层方法去预训练获得权值。训练过程：
1.首先充分训练第一个 RBM；
2.固定第一个 RBM 的权重和偏移量，然后使用其隐性神经元的状态，作为第二个 RBM 的输入向量；
人工智能：用科学解密生命与智慧
3.充分训练第二个 RBM 后，将第二个 RBM 堆叠在第一个 RBM 的上方； 4.重复以上三个步骤任意多次；
5.如果训练集中的数据有标签，那么在顶层的 RBM 训练时，这个 RBM 的显层中除了显性神经元，还需要有代表分类标签的神经元，一起进行训练： a)假设顶层 RBM 的显层有 500 个显性神经元，训练数据的分类一共分成了 10 类；
b)那么顶层 RBM 的显层有 510 个显性神经元，对每一训练训练数据，相应的标签神经元被打开设为 1，而其他的则被关闭设为 0。6.DBN 被训练好后如下图：
图2 训练好的深度信念网络。图中的绿色部分就是在最顶层 RBM 中参与训练的标签。注意调优(FINE-TUNING)过程是一个判别模型
调优过程(Fine-Tuning)：
生成模型使用 Contrastive Wake-Sleep 算法进行调优，其算法过程是：
1.除了顶层 RBM，其他层 RBM 的权重被分成向上的认知权重和向下的生成权重；
2.Wake 阶段：认知过程，通过外界的特征和向上的权重(认知权重)产生每一层的抽象表示(结点状态)，并且使用梯度下降修改层间的下行权重(生成权重)。也就是“如果现实跟我想象的不一样，改变我的权重使得我想象的东西就是这样的”。
3.Sleep 阶段：生成过程，通过顶层表示(醒时学得的概念)和向下权重，生成底
人工智能：用科学解密生命与智慧
层的状态，同时修改层间向上的权重。也就是“如果梦中的景象不是我脑中的相应概念，改变我的认知权重使得这种景象在我看来就是这个概念”。
在附件中提供了程序代码。实验利用MNIST字符图像，验证该方法的特征提取与识别能力。
五，人工智能未来发展趋势
科学技术是第一生产力，但技术的发展往往是远远超越我们的想象。就目前的一些前瞻性研究可以看出，未来人工智能技术的发展有如下几大趋势： 1 问题求解
问题求解一般包括两种，一种是指解决管理活动中由于意外引起的非预期效应或与预期效应之间的偏差。正在逐渐发展成为搜索和问题归约这类人工智能的基本技术；另一种问题的求解程序，是把各种数学公式符号汇编在一起。其性能已达到非常高的水平，并正在被许多工程师和科学家应用，甚至还有些程序能够用经验来改善其性能。2 机器学习
人工智能研究的核心课题之一就是机器学习。我们知道学习是人类智能的重要特征，那么机器学习就是指机器自动获取知识的过程。机器学习是机器获取知识的根本途径，也是机器智能的重要标志。计算机的机器学习主要研究内容为如何让计算机模拟或实现人类的学习能力。今后机器学习的研究主要是研究人脑思维的过程、人类学习的机理等。3 模式识别
用计算机实现模式(文字、声音、人物、物体等)的自动识别，弥补计算机对外部世界感知能力低下的缺陷，使计算机能够通过感官接受外界信息，识别和理解周围环境。依然是人工智能技术今后研究的重要方向。因为模式识别能为人类
人工智能：用科学解密生命与智慧
认识自身智能提供线索，也是开发智能机器的一个最关键的突破口。目前计算机模式识别系统的研究热点主要为三维景物、活动目标的识别和分析方面。传统的用统计模式和结构模式的识别方法将会被近年来迅速发展起来的模糊数学模式、人工神经网络模式的方法逐渐取代，特别是神经网络方法在模式识别中取得较大进展。4 专家系统
专家系统是根据某领域中一个或多个专家提供的知识或经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题的智能软件，它是一个具有大量的专门知识与经验的程序系统。目前各种专家系统已遍布各个专业领域，因此专家系统还将是人工智能应用研究最广泛和最活跃的应用领域之一。5 人工神经网络
人工神经网络，常被简称为神经网络或类神经网络。是未来人工智能应用的新领域，人工神经网络是指由大量处理单元（神经元）互连而成的网络。人工神经网络具有很强的自学习能力，主要擅长处理复杂的多维的非线性问题，不但可以解决定量的问题，还可以解决定性的问题，同时人工神经网络还具有大规模并行处理和分布的信息存储能力。或许未来智能计算机的结构可能就是作为主机的冯• 诺依曼型机与作为智能外围的人工神经网络的结合。
小结
人工智能是一个年轻而充满希望的研究领域，其宗旨是寻找一种有效的方式把智能问题求解、规划和通信技巧应用在更广泛的实际问题中。人工智能的工作者是工具的制造者。我们的表示、算法和语言都是一些工具，用来设计和建立那些展现智能行为的机制。通过实验，我们同时检验了它们解决问题的计算合适性，也检验了我们对智能现象的理解。然而，人工智能仍有很多尚待解答的问题，需要探索和研究。
人工智能：用科学解密生命与智慧
参考文献
[1] Artificial intelligence507, 28 July 2006.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：人工智能导论论文解读
终结者会出现吗？
-----对于人工智能技术发展趋势的思考
摘要：
1、时间过去30年了，当回想起这部电影，我们不禁想问几个问题：“终结者”会出现吗？在现在的技术水平下能制造出如此复杂高度发达的机器人吗？未来是否会有制造出“终结者”的可能性？这些问题，都来源于对于当今世界人工智能技术发展的趋势的思考。
2、在当今人工智能发展的领域中跟研制出“终结者”机器人有着最密切的关系的领域应该有模式识别、机器翻译、自然语言处理、计算机视觉、智能信息检索技术、专家系统以及最重要的机器学习等领域。
关键词：人工智能
自动化
自主意识
机器学习
当1984年一部名为《终结者》的科幻电影在全球电影院上映的时候，人类第一次对“人工智能”这个词有了一次极为深刻的印象——电影讲述了在2029年原本用于防御人类安全的拥有高级人工智能的智能防御系统“天网”产生了自主意识，试图统治人类，人类几乎被消灭殆尽。剩下的人类在领袖约翰康纳的领导下与电脑英勇作战，并扭转了局面。“天网”为了改变这一切，制造了时光逆转装置，派遣“终结者”人型机械人T-800回到1984年,去杀死约翰的母亲莎拉康纳，以阻止约翰的诞生。其中“终结者T-800”机器人在电影中被塑造成一个有肌肉、血液等人类特性、冷血、为达目的不择手段的机械战士，更重要的是，这个机器人拥有与人类相似的智能特征，能使用工具，能了解人类语言，有学习功能也有了解人性的功能。这个大胆的关于“终结者”的想法使当时的人们为之震惊——如果这种终结者真的出现了，人类要如何应对？
时间过去30年了，当回想起这部电影，我们不禁想问几个问题：“终结者”会出现吗？在现在的技术水平下能制造出如此复杂高度发达的机器人吗？未来是否会有制造出“终结者”的可能性？这些问题，都来源于对于当今世界人工智能技术发展的趋势的思考。
机器学习是现在人工智能领域的主流研究方法，也是人工智能的核心，是使计算机具有智能的根本途径。学术意义上的人工智能的原始目标是要模拟智能的“人”，即让计算机模拟或实现人类特有的智能行为，包括语言，高级情感，学习行为等。成功的标准即所谓的“图灵测试”：如果电脑能在5分钟内回答由人类测试者提出的一系列问题，且其超过30%的回答让测试者误认为是人类所答，则电脑通过测试。这个直观的目标后来被发现可行性太低，就算是专家系统那样用规则加上知识库（或加上推理机）构造的专用功能，也只能解决预置规则范畴内的问题。就算是专家能够总结出所有经验（很多情况专家自己讲不明白自己是怎么得到结论的），一旦面对全新的对象（比如医学诊断系统面对一种全新的疾病），机器就不能得到答案而且无法自动从新的案例中学习到新知识。而在对人工智能的研究过程中发现了如神经网络、统计学习等用途众多的方法，在模式识别、数据挖掘等领域的应用中有大量积极进展。因此近十几年人工智能领域的主流研究集中在用这些方法解决“学习问题“，即利用案例持续改进对新问题的解答，并名之为“机器学习”。
那么让我们看看现在的人工智能技术发展到什么境界了。进入 21世纪以来，人类在人工智能方面由于理论的飞速发展，因而人工智能技术在具体应用上如鱼得水，已经开始渗透到人们的日常生活之中，从卫星智能控制，到机器人足球比赛，再到智能家居机器人，等等，都标志着人工智能技术的飞速发展。目前，人工智能技术在美国、欧洲和日本依然在以十分惊人的速度发展着。在超级计算机的领域，在AI技术领域十分活跃的IBM公司，已经为加州劳伦斯利佛摩尔国家实验室制造了ASCI White电脑，号称具有人脑的千分之一的智力能力。而正在开发的更为强大的新超级电脑———“蓝色牛仔”（Blue Jean），据其研究主任保罗·霍恩称，“蓝色牛仔”的智力水平将大致与人脑相当。让我们再来看看军事领域的发展。目前，美国在研制杀手机器人方面处于技术领先地位，尤其是无人机经常用于攻击巴基斯坦、也门等地可疑的好战分子。
无人机可由人类操作员进行远程控制，在没有授权的情况下不会执行攻击指令，但是半自主性武器攻击系统现已存在。部署在美国海军战舰上的雷神公司“密集阵枪系统”，能够自动搜寻敌人炮火，并摧毁即将到来的炮弹。
美国诺斯罗普格鲁曼公司研制的X47B是一款普通飞机大小的无人机，能够在航母上起飞和降落，无需飞行员便能执行空中作战，甚至可实现空中燃油补给。可能最接近终结者类型的杀手机器人是三星公司的哨兵机器人，现已在韩国投入部署。这款机器人能够探测到不同寻常的军事活动性，挑战性的入侵者，在人类控制员的授权下能够开火攻击。杀手型机器人的迅猛发展，令人瞠目结舌。
而在其他领域的应用，除了有最重要最核心的机器学习之外，还包括有符号计算、模式识别、机器翻译、问题求解、逻辑推理与定理证明、自然语言处理、分布式人工智能、计算机视觉、智能信息检索技术和专家系统等领域。在电影《终结者》系列中，“终结者”人型机器人T-800系列是一些机器改造人。表面的生化皮肤下掩盖着真正的金属骨骼，由脑部的微处理芯片控制全身，所以这种机器人拥有强大的搏击能力。生化皮肤是一种活体组织，主要应用于T-800系列机器人。这种生化皮肤由毛发、血肉和表面皮层构成，是一种可再生的物质。由于机器人身体覆盖这样一层生化物质，所以其触感温热，甚至可以产生汗类物质，所以单凭体热扫描仪是不可能看出这种机器人与人类的差别的。拥有超人般的力量，可以完美地复制各种语言，各种知识，可以使用所有已知的交通工具和武器，装备有红外线，这一切使他成为了完美的杀手，设计原理完全超出了人类的能力范围。从这里我们可以看出，在当今人工智能发展的领域中跟研制出“终结者”机器人有着最密切的关系的领域应该有模式识别、机器翻译、自然语言处理、计算机视觉、智能信息检索技术、专家系统以及最重要的机器学习等领域。
这些至关重要的领域，在当前的技术发展中，又可以做到哪些事情呢？ 模式识别
模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。这里,我们把环境与客体统称为“模式”。今天的模式识别，基本上可以实现文字识别、语音识别、指纹识别、遥感和医疗诊断等功能，但是在精度和准确度上还拥有很多进步的空间。电影中“终结者”机器人能够利用脸部识别、文字识别甚至DNA识别来找到终结生命的目标，这一系列识别功能应该就是模式识别的集中高度发达的体现。
机器翻译和自然语言处理
机器翻译是利用计算机把一种自然语言转变成另一种自然语言的过程，用以完成这一过程的软件系统叫做机器翻译系统。自然语言处理，即实现人机间自然语言通信，或实现自然语言理解和自然语言生成。前者实现起来比较容易，被我们熟知的成果即为各种电子词典或查询单词的软件。而后者尽管在现在已经取得了些成就，但在发展过程中依然是一个举步维艰的难题，主要是因为人类语言的歧义性、多义性、易混淆性、多样性、语句和语气意义多变性等等特性在阻碍着自然语言被计算机“理解”。自然语言处理技术的难点，即要致力解决的问题有单词的边界界定、词义的消歧、句法的模糊性、有瑕疵的或不规范的输入和语言行为与计划差别等。解决这个问题，才能实现电影中“终结者”机器人与人类之间的必要的语言交流这个难题，才能使“终结者”在人群中不容易被发现，便于执行任务。
计算机视觉和智能信息检索技术
这两项功能对于研制需要快速精确查找目标人物的“终结者”机器人绝对是不可或缺的。计算机视觉是一门用计算机实现或模拟人类视觉功能的新兴学科，其主要研究目标是使计算机具有通过二维图像认知三维环境信息的能力，这种能力不仅包括对三维环境中物体形状、位置、姿态、运动等几何信息的感知，而且还包括对这些信息的描述、存储、识别与理解。而智能信息检索能理解自然语言，根据存储的事实，演绎出答案演绎出更一般的一些答案来。这样的功能结合起来的结果就是一个功能强大的搜索匹配系统，简单而又形象地比喻来说就是一个大脑拥有类似谷歌之类搜索引擎的人，能够利用获取到的外界的信息进行分析推理得出具有一般性、准确性和实时性的答案，相当于加强版的“人”。这对于电影中“终结者”机器人的概念来说是基本符合的。
专家系统
专家系统是目前人工智能研究领域中最活跃、最有成效的一个研究领域。它是一种具有特定领域内大量知识与经验的程序系统。现在，在矿物勘测、化学分析、规划和医学诊断方面,专家系统已经达到了人类专家的水平。反思起在电影《终结者》系列中，“终结者”型机器人T-800自己透露它的数据库里拥有人类解剖学、基本的心理学、大量的武器知识和一些随机应变的战术思想，而从它的执行任务的情况来看，它很好地运用了它所拥有的知识，俨然成为了最可怕的杀戮和毁灭的专家。
机器学习 作为最重要最核心的人工智能的发展领域，机器学习是使计算机具有智能的根本途径。不过虽然学习能力是智能行为的一个非常重要的特征，但至今对学习的机理尚不清楚。人们曾对机器学习给出各种定义。H.A.Simon认为，学习是系统所作的适应性变化，使得系统在下一次完成同样或类似的任务时更为有效。R.s.Michalski认为，学习是构造或修改对于所经历事物的表示。从事专家系统研制的人们则认为学习是知识的获取。这些观点各有侧重，第一种观点强调学习的外部行为效果，第二种则强调学习的内部过程，而第三种主要是从知识工程的实用性角度出发的。学习的方式有4种，分别是机械学习、通过传授学习、类比学习和通过事例学习。环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。在具体的应用中，环境，知识库和执行部分决定了具体的工作内容，学习部分所需要解决的问题完全由上述3部分确定。
影响学习系统设计的最重要的因素是环境向系统提供的信息。或者更具体地说是信息的质量。知识库里存放的是指导执行部分动作的一般原则，但环境向学习系统提供的信息却是各种各样的。如果信息的质量比较高，与一般原则的差别比较小，则学习部分比较容易处理。如果向学习系统提供的是杂乱无章的指导执行具体动作的具体信息，则学习系统需要在获得足够数据之后，删除不必要的细节，进行总结推广，形成指导动作的一般原则，放入知识库，这样学习部分的任务就比较繁重，设计起来也较为困难。
因为学习系统获得的信息往往是不完全的，所以学习系统所进行的推理并不完全是可靠的，它总结出来的规则可能正确，也可能不正确。这要通过执行效果加以检验。正确的规则能使系统的效能提高，应予保留；不正确的规则应予修改或从数据库中删除。
知识库是影响学习系统设计的第二个因素。知识的表示有多种形式，比如特征向量、一阶逻辑语句、产生式规则、语义网络和框架等等。这些表示方式各有其特点，在选择表示方式时要兼顾以下4个方面：(1)表达能力强。(2)易于推理。(3)容易修改知识库。(4)知识表示易于扩展。
对于知识库最后需要说明的一个问题是学习系统不能在全然没有任何知识的情况下凭空获取知识，每一个学习系统都要求具有某些知识理解环境提供的信息，分析比较，做出假设，检验并修改这些假设。因此，更确切地说，学习系统是对现有知识的扩展和改进。执行部分则是整个学习系统的核心，因为执行部分的动作就是学习部分力求改进的动作。同执行部分有关的问题有3个：复杂性、反馈和透明性。
然而尽管对于机器学习的理论研究已经进行了几十年，却依然没有太多划时代意义的进步和变化的AI，基本上能研制出来的AI也基本上只能算是专家系统，并不具备人类的学习功能，抑或者说没有到达人类学习能力的那样的高度。
而电影《终结者》系列中T-800、T-1000和T-X这三类“终结者”机器人都是真正意义上拥有学习功能的高级发达智能的机器人。比如在电影第二部中主角约翰.康纳教会一个由未来的他派回来的T-800机器人说一些俚语，并告诉一般每辆车的车主都习惯性会放一串备份钥匙在汽车的遮阳板里，没必要次次敲破车窗。结果在电影第三部里，新的一个T-800在坐进抢来的一辆轿车之后，并没有像前一部电影一样扭开汽车车锁，而是从遮阳板里拿到了备份钥匙。这个很用心体现的细节反映出“终结者”机器人是具有学习功能的。
不过，就现今人类的人工智能技术发展水平上来看，要制造出具有如此智能和能力的类人型机器人还有很大的一段距离，但是对于将来有可能出现的类似“终结者”的高级智能机器人，我们还是需要做好一些思想的预警。来自牛津大学的Stuart Armstrong是哲学研究员，他觉得，核战争（包括大瘟疫）虽然杀伤力很大，甚至会造成99%的人类灭亡，但是剩下的1%也能咬牙生存下来。但如果是人工智能造成95%的人类灭亡，那么剩下的5%很快也会消失。
当我们在社交场所遇到AI 当机器人变得比我们更聪明，情况就会变得非常可怕。例如，当机器人涉足政治、经济、以及技术研究领域，而且表现的比人类还要好，人类基本上的心理层面将收到极大冲击，人类的地位将受到威胁。因为得益于高性能的CPU，它具有一般人类不具有的计算速度，通俗点来讲就是比一般人类聪明。
这种威胁首先冲击的行业就是科技。如果有一个达到人类级别智慧的AI机器人，复制一百个，然后培训100种不同的职业技能，然后每个再复制一百人，就会有1万名劳动力从事100个职业。后果难以设想。
AI为什么想要“杀”我们？
先拿《终结者》电影里的天网（Skynet）举个例子吧，这种高级人工智能防御系统按道理是不会反抗其创造者的。但Armstrong拿反病毒软件作为例子，他表示反病毒软件会过滤用户的电子邮件，以较高成功率去杀死“病毒”，如果有一天人工智能像反病毒软件一样，意识到如果把所有人都杀死是一个最好的解决方案，那么AI就很可能会执行。
难道我们不能编写一个“绝不杀死人类”的强制程序规则吗？事实上，这说起来容易做起来难，因为从纯理论的角度来看，很难定义人的生与死，比如把人埋在地壳下面10公里深的地方，然后用营养液维系生命，这样从客观现实上讲人并没有死，但是人自身的感觉却是“生不如死”。所以做任何决策都必须要非常慎重，否则都将导致不可预料的结果。
不确定和“安全”不一样
Armstrong描绘了一个被人工智能接管的“恐怖”世界，但是这种悲剧真的不可避免吗？答案是，不确定。如果说这种不确定性越来越大，那么结果似乎并不乐观。想想全球变暖这件事，一开始有些反对全球变暖理论的人也是说“不确定”，于是人们误以为自己是安全的，但是如今的全球变暖已经是一个不争的事实了。“不确定性”和“安全”是不一样的，而“我们不了解人工智能”和“我们知道人工智能是安全的”这两种态度也是不一样的。
什么时候能见到真正的人工智能？
至于什么时候能见到真正超级智能AI，似乎是一个很难回答的问题。有一种观点是人工智能希望能够完全模仿人类大脑，然后通过计算机来将其实例化。如果说计算机“只”按照人类的大脑去思考，或许还不是件坏事儿。因为至少未来要挑战人类的是一个“同类而已”，这种挑战比应对一个真正的人工智能要轻松的多。不过，就算要实现完全模拟人类的大脑也许还得需要好几个世纪的时间。而要等到那些能够战胜人类的真正人工智能出现，时间就更加模糊了，总之，现在还没有人能够给出真正人工智能出现的时间。
技术哲学 在谈到我们该如何与“智能”技术进行交互时，Armstrong发现了一个问题，那就是当代哲学家们似乎只在自己的学术圈内比较受重视，一旦走出了这个圈子，他们却会被外界所忽视。
在设计开发人工智能的时候，Armstrong把这个过程和计算机编程做了比较。“我们必须要尽可能把一切都拆分成最简单的术语，然后把它编进人工智能或计算机中。编程经验非常有用，但幸运的是，哲学家们，特别是分析哲学家们已经开始做这项工作了。你只需扩展它，人工智能需要一套学习的理论基础，并且要了解人们是如何感知世界，这就是一套技术哲学。”
人工智能会让你失业
人工智能会对人类构成威胁，其中之一就是失业。这种担忧非常理性，因为未来人工智能可以替代任何人，甚至一些专业度较高的职业也不能幸免。相对于一开始大谈特谈人类灭绝这样的问题，似乎失业更容易触及人们的利益。
Armstrong认为，人工智能可以替代任何工作，甚至是一些被人们看作无法外包、专业程度较高的工作也能够被人工智能取代。而这似乎引发出了一个哲学问题，那就是，Armstrong自己的工作，也就是研究人工智能的工作，会被人工智能本身所取代吗？虽然这是一个类似“先有鸡或先有蛋”的问题，但的确也需要引起人们的重视。
尽管终结者里那样比人还聪明能干的机器人，对现在的人工智能而言还是个梦，但是“能够杀死人类的”自动机器人绝对会是一种威胁，说不定它们就会出现在未来的战场之上。围绕在人工智能周围的不确定性是一个非常大的威胁，我们不能忽视它，当智能机器人崛起的时候，至少我们要做好准备。
假使在技术上最终真的发明了安全的，能绝对服从人类命令的高级智能机器人，那么随着技术手段的继续发展，又会出现新的问题。因为我们可以看到，即使是电影里的“终结者”机器人，也不曾拥有人类特有的一个特性——高级情感。人类之所以在生物进化史有着特殊的地位，除了因为人类具有高级的智能，还因为人类具有高级情感。
在生存能力上来说，机器人没有生老病死，不需要摄食，只需要维持正常运作的足够能源即可。而对于会怕冷会受伤会衰老需要食物需要水分需要空气的人类来说，机器人的生存能力几乎是最强大的。但是人类是有感情的，在决定问题的解答的思考情况下是有能力和有可能做出与正常逻辑推理得到的完全不一样的答案，这件事情是机器人无法做到的。
既然这样，如果有一天人工智能技术发达到制造出了具有人类情感的机器人，这个世界将会变成什么样子呢？暂且不管人与机器人谁将取代谁，在我看来，至少有一种担忧将会很快出现，或许将会是一个不可低估的威胁，那就是人类的第三种情感将出现。如果我们将人类的第一类情感定义为男女情感；第二类情感定义为同性情感；第三类将会是人与机器人的情感。
第二类情感，也就是同性恋的出现，似乎让我们看到了一个趋势，就是我们对于男女性别器官的需求已经不是那么强烈，这些生理的性器官需求似乎可以通过一些辅助的方式获得满足。而成人用品随着思想的开放越来越火爆的现象，更是让我们看到人类生理的本能欲望可以通过另外一种途径获得满足，这让我们看到了人类发展第三种情感的趋势与可能。由此看来，当人工智能发展到一定程度，并能读懂人的情绪，同时能进行体贴的交流时。当这种人工智能融合进机器人，再通过人造皮肤赋予机器人类人的体态特征与功能。人类的情感世界将会发展出男女、同性之外的第三种情感，也就是人与机器人的情感。而当机器人有了人类情感，它们可能会“思考”：我为什么要听从人类的命令？我不应该拥有自由的权利和地位吗？显然，这将会引发更深层次的伦理问题，人类的隐私或将通过大数据掌握在机器人手中，如果矛盾激化，甚至于会引发人类与机器人的战争，就像电影里描绘场景一样，生灵涂炭，人类文明或许将被毁灭。
总而言之，人工智能技术在发展的进程中既需要不断开拓创新，又需要时时反思技术进步发展对人类生活的影响是好处多还是坏处多的问题。只有这样，才能使人工智能技术始终在造福人类的道路上蓬勃发展，而不会出现如电影里“终结者”机器人毁灭人类文明的事情发生。
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
点击咨询 