第一篇：人工智能迷途：計算機的高技能等于高智能嗎？解讀

人工智能迷途：計算機的高技能等于高智能嗎？

來源：搜狐

人工智能(Artificial Intelligence，簡稱AI)開始于一個很簡單的想法。當計算機被發明之后，不少人很快認識到它的能力遠不限于數值計算，而是可以通過對信息編碼和對指令編程完成很多其它以往只有人腦才能完成的任務。這自然就導出了是否人腦的功能都能在計算機中實現的問題。這類研究開始有不同的名稱，最后“人工智能”這個詞被大多數人接受了，盡管對其解釋始終沒有統一(見《當你談論人工智能時，到底在談論什么?》)。

計算機科學之父圖靈（Alan Turing）

開始，AI研究者們以為可以在不遠的將來實現他們的目標。這個領域的先驅圖靈在1950年預言在五十年內可以造出言語行為和人難以分辨的“思維機器”，而這個領域的奠基人明斯基和西蒙等人的估計甚至還要更樂觀些。在AI歷史上，曾經有過一些雄心勃勃的研發項目，如紐厄爾和西蒙的“通用問題求解器”和日本政府牽頭的“第五代計算機系統”等，但都沒有達到預期目的。這些失敗讓AI的名譽受到巨大的負面影響，導致經費斷流、人員出走、崗位削減，史稱“AI之冬”。

人工智能“腦死亡”了?

痛定思痛，AI的大部分研究者覺得失敗的原因是前輩們太好高騖遠了。用一本權威AI教科書[3]的說法，在八十年代末“人工智能接受了科學方法”，其特征是從熱衷于發明新理論轉向基于經典理論，從期望發現一攬子解決方案轉向解決具體問題。這使得AI著力于一個一個地解決各種以往只有人能解決的實際問題，或一項一項地再現人的認知功能。由于各種“專家系統”在很多領域達到甚至超過了人類的水平，AI終于擺脫了“現代煉金術”的惡名。廣為人知的例子包括戰勝了國際象棋世界冠軍的“深藍”系統和近年來風頭正勁的“深度學習”技術在圖像、語音識別等領域的應用等。

但這個從通用系統向專用系統的轉向是有代價的。由于“只有人能解決的問題”在不同的時期有不同的內容(如曾經包括四則運算、排序等)，以此定義“人工智能”實際上把它看成了計算機應用的前沿。由于這個前沿在不斷擴展，所面對的問題千差萬別，解法也因問題而異，所以不可能全被囊括于一個理論之中，因此也就說不清AI和普通計算機應用到底有什么區別。甚至有人說“人工智能”專指那些尚未被計算機解決的問題，因為一旦一個問題被計算機解決了，它也就不再是“只有人能解決的問題”了。以這種標準來界定一個研究領域自然會造成大量的思想混亂。

即使我們完全不在乎“人工智能”到底是什么意思，只是以“能抓耗子”來定義“好貓”，這種“分而治之”的戰略仍有致命問題存在。人類的各種認知功能顯然是有緊密的相互依存關系的，而人在各個領域的問題求解能力也不乏相通性和可轉移性。在目前AI各子領域中，都有不少核心問題是依賴于其它子領域的。以自然語言理解為例，有什么證據說明語言理解能力是和推理、學習、記憶、感知、規劃、決策等能力無關，而可以“就語言論語言”的?

對上面的詰問的常見答復是：智能之中的諸功能當然是互相依賴的，但由于它們太復雜，只能一個一個研究，將來再把它們集成一個完整的智能系統。或者說當具體問題解決多了，普適的辦法也可能就找到了。

這種戰略在很多領域的確是恰當的，但在AI研究中似乎并非如此。解決具體問題的最有效手段常常是通過深入分析該問題的特點得到的，因此未必能推廣到其它問題。比如說“深藍”的技術對計算機下圍棋就不適用。類似地，當某種認知功能被孤立定義成一個計算過程時，其結果和該功能在人腦中的“原生態”常常已經是大不相同了。大略翻翻一本AI教科書(如 [3])就不難發現大量針對各種問題的解決方案。把它們都編成程序裝到同一個計算機系統里并不難，難的是讓它們協調工作。由于這些方案是基于不同的理論和預設的，它們完全沒有協作的基礎。這就解釋了為什么整合各種AI功能的呼吁(如[1])收效甚微。

更重要的一點是，即使是這些打上“智能”標簽的技術仍常常讓我們覺得缺了些重要的東西。的確，它們在很多方面比人更強，因為它們速度更快、容量更大、功能更穩定，但是這本來就是計算機的長項，而它們仍然缺乏適應性、靈活性、創造性等直觀上和智能密切相關的特征。即使是最新的機器學習算法也仍然受制于其中種種對應用領域的預設，因而和人的學習能力的普遍性不可同日而語。

明斯基曾在一次采訪中對AI主流轉向專用系統大表不滿，斥之為“AI已經腦死亡了”。

通用人工智能的崛起

其實就像歷史上類似情形中那樣，總還是有些不改初衷的研究者，盡管他們只能在學術界的邊緣沉默堅持。在2001年，他們中的一些人為了改變這種狀況，開始把他們的研究成果編成一本書。最早草擬的書名是《Real AI》(真正的人工智能)，在2003年全書完稿時定為《Artificial General Intelligence》(通用人工智能，簡稱AGI)。這本書在出版過程中又經歷了些周折，故2007年才得以面世[2]。在此期間，在2006年于華盛頓特區召開了為期兩天，大約50人參與的AGI研討會([4]就是這次會議文集的引言)。在這些準備活動的基礎上，AGI年會(http://agi-conf.org/)從2008年開始舉辦，而AGI學報(http://www.tmdps.cn/view/j/jagi)也在2009年創刊了。時至今日，AGI的概念已經廣為流傳，盡管人們對其有各種各樣的理解和反應。

一個常常被當作AGI同義詞的概念是“強人工智能”(Strong AI)。直觀來說這是可以理解的，因為AGI的野心顯然比目前的AI要強很多。但是按照這個詞的發明人哲學家塞爾的說法，即使一個計算機系統的外部表現完全像人，那也只是個“弱人工智能”，而“強人工智能”必須真正擁有自我意識。這樣一來一個AI系統是“強”還是“弱”就完全沒有外部標準了,這是很多AGI研究者所不同意的。

與此相反，AI和AGI的差別是有明確外部標準的。如果要用一句話來概括，可以說AGI是把“智能”看作一個問題，而目前主流AI是將其看作一組問題。從AGI的觀點看，“智能”當然是個很復雜的問題，必須一步一步地解決，但這里的“一步”不是“下圍棋”、“識別照片中的事物”或“聽懂中國話”，而是要根據一個智能理論來劃分。這就像蓋一棟房子應該從畫圖紙開始，然后據此一間間、一層層地建，而不是各人根據自己的想法分別去建客廳、書房、臥室、廚房、閣樓、衛生間等等，最后再設法把它們拼在一起。這聽上去像常識，只是這樣工程周期顯然比只造一個房間會長很多，而且在全部完工之前不容易看出好壞。因此，在主流AI的工地上，絕大部分施工隊都在忙著造各種房間，而不愿花功夫去捉摸那些成敗難料的圖紙。

盡管有“建造多功能通用系統”這個共識，目前AGI領域內對“智能到底是指什么”仍舊未達成一致意見，而在《當你談論人工智能時，到底在談論什么?》中介紹的幾種觀點在目前AGI研究中均不同程度地有所體現。既然對“做什么”都有不同看法，對“怎么做”的答復就更是百家爭鳴了。盡管如此，已經有若干AGI項目離開了紙上談兵的階段，開始有具體系統可以被檢驗了，雖然離完成都還有很遠的距離。

高技能≠高智能

在AGI中的“G”(General)不意味著能解決一切問題，而是指在系統設計時不限定其應用范圍?！巴ㄓ谩弊匀皇莻€程度問題，“通用”和“專用”也是相對而言的，但這個差別仍然是明顯存在的，比如“深藍”就完全不能算個通用系統。一個常見的誤解是把一個通用系統看作一批專用系統的組合。實際上它們是兩類非常不同的系統，不能相互替代。不僅AGI不能通過堆砌現有AI技術來實現，而且即使在AGI實現后也不會抹殺專用技術的價值。如[4]中所指出的，對一個可以明確刻畫的應用問題而言，專用系統往往比通用系統更有效和更可靠。通用系統的應用價值是在那些問題和解法都難以事先確定的領域。在理論價值上，這二者的差別就更顯著了。各種現存AI理論對于揭示智能的一般原理貢獻甚微，而AGI理論則往往是從一般原理入手的。

在《人工智能：何為“智”?》中，我介紹了我對“智能”的工作定義是“在知識和資源相對不足的條件下的適應能力”。按照這個定義構建的系統可以被置于很多不同的環境中，而其智能使得它能夠逐漸通過學習獲得在該領域解決問題的能力。照這種觀點看，“智能”不是“解決具體問題的能力”，而是“獲得解決具體問題的能力的能力”，因此是一種通用的“元能力”(meta-ability)。

我對于“能力”和“元能力”的區別的最早認識來自于小時候讀到的一個寓言故事。故事的框架很老套：兩兄弟遇到一個白胡子老神仙，他們選擇了不同的法寶，因此走上了不同的人生道路。這個故事的特別之處是其中的法寶是兩雙手套，一雙是白色的，另一雙是黃色的。帶上黃手套就可以直接擁有各種技藝，而帶上白手套就可以很快學會各種技藝。后面的情節大家都能猜到：選了黃手套的馬上變身為成功人士，而選了白手套的仍需四處學徒。有一天兩個法寶同時失效了，這時前成功人士立刻被打回原形，而那位前學徒工卻仍身懷長技。這個故事的出處我已經找不到了(如果哪位讀者知道請告訴我)，兩雙手套的顏色也可能被我搞反了，但故事中的教益卻對我影響深遠，且不僅僅是“不要貪圖急功近利”這么簡單。

在我看來，“能力”可以被分解成“技能”和“智能”兩個方面。一種“技能”指解決某類問題的專門化能力，而“智能”指那種獲得和提高各種技能的能力。如果把系統的總技能看成時間的函數，那么智能就是這個函數的導數。系統在某一時刻的技能等于其“本能”（先天技能）部分和智能所貢獻的部分的疊加。這兩個部分的關系在人類和計算機系統中非常不同。因為人類的本能差別較小，同齡人的技能差別可以近似地反映智能差別，這就是“智商”定義的基礎。相反，計算機系統的技能既可以來自本能，也可以來自智能。當一個計算機系統完全靠人編的程序解決問題，而不根據自己的經驗對其行為進行任何調整時，它仍可能擁有很高的技能，但完全沒有智能。而另一方面，一個高智能系統如果不依賴于預先編好的應用程序，在開始運行時可能并沒有多高的技能。

根據上述分析，把人類智商測試直接用于人工智能是錯誤的，因為計算機系統在一個時刻的“智能值”和“技能值”之間沒有相關性，而前者必須通過后者的變化來衡量。智能的具體衡量標準和方法仍是AGI領域中的一個熱點課題，但無論如何，這種衡量不能以一套固定的考題來進行，因為那樣一來，一定會有人去編制一些在這種考試中表現出色，但此外一無所能的系統。這絕不是正確的導向 — 圖靈測試已經因此而遭到“鼓勵欺騙”的指責了。

“機器學習”還遠遠不夠

把智能理解為學習能力遠非新想法。心理學家如皮亞杰已經明確地指出智能是一種高級適應能力，圖靈認為思維機器要通過學習實現其功能，而“機器學習”從一開始就是AI的一個子領域。在這種情況下，為什么上述想法不能在主流AI中發展呢?這是因為像“智能”一樣，對“學習”這個概念也有許多種不同的理解，而我的理解和主流AI的很不一樣。

如上所述，我認為“學習”是一個通用的元能力，而且是智能的必要條件，但在目前的AI研究中，“學習”一般是被看做是諸多認知能力之一，是起錦上添花作用的，因而AI系統不一定都有學習能力。即使在機器學習的研究中，“學習”也是一般被看做達到一個確定的輸入輸出關系的手段。這種學習系統的技能在“訓練”階段的確隨時間增長，但達到某個水平后學習就停止了，而此后系統進入“工作”階段。與此相反，在我的設計中，系統沒有截然分開的“訓練”階段和“工作”階段，學習是終生的，無處不在的，盡管在系統的“幼年期”和“成年期”學習和工作的比例有量的區別。最后，目前各種機器學習算法雖然有一定的通用性，但離AGI的要求還相差很遠。

“錯把技能當智能”是一個目前普遍存在的問題。對于只關心某個具體應用的人來說，到底一個計算機系統的某項功能是程序員設計好的還是系統自己學的，其間的差別大概并不重要，但如果關注點是系統的發展潛力和適用范圍，這里的差別可就大了。

以我的研究為例，“知識相對不足”意味著系統必須不斷學習新知識以應對新問題，而“資源相對不足”意味著系統必須不斷調整策略以滿足時間約束，而這種運行環境是不在現有AI研究(包括各種學習算法)的視野之內的。更大的差別體現在對階段性結果的評價上。由于我的工作不是基于現有主流AI所接受的理論(主要是數理邏輯、概率統計、計算理論)之上的，而且尚未有具體應用成果，這種工作在他們看來就沒什么價值。反過來，在我看來主流AI做的基本是“人工技能”，也不是我所感興趣的。雖然其他AGI研究者和我的觀點不完全一樣，他們同樣對主流AI的現有規范不滿，而對AGI的研究目標和評價標準有更強的認同感。

目前介紹AI技術熱點的報道很多，但其中的問題也不少，尤其是常常把這些技術做直觀理解和外推，因而賦予它們很多它們本來不具有的性質。我在《賽先生》上寫這個專欄的初衷是以我自己的研究為線索，逐步、系統、深入地分析AI、AGI和認知科學中的一些理論問題，澄清一些核心概念，并簡單地介紹一個完整的智能理論。之所以牽扯到認知科學，是因為包括我在內的一些AGI研究者的目的不僅僅是要造思維機器，而且希望循此途徑認清智能、認知、思維、心靈、意識等現象的本質和一般規律，這就不可避免地涉及到心理學、語言學、哲學等相關學科，而所謂“認知科學”正是指這些學科的交叉區域。我知道有很多讀者的興趣是在“人工智能是否會威脅人類”之類的話題上，但目前的這類討論大量充斥著概念錯誤，所以在涉及這些話題之前，我們還是需要先把基本概念搞清楚。（王培 美國天普大學計算機與信息科學系）

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的?！_爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲?！佌媲?/p>

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢?！悏?/p>

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上?！郀柣?/p>

14、書到用時方恨少、事非經過不知難?！懹?/p>

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話?！芽▋?/p>

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光?！獎⑾?/p>

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干。——培根

第二篇：人工智能發展史解讀

人工智能學科誕生于20世紀50年代中期，當時由于計算機的產生與發展，人們開始了具有真正意義的人工智能的研究。（雖然計算機為AI提供了必要的技術基礎,但直到50年代早期人們才注意到人類智能與機器之間的聯系.Norbert Wiener是最早研究反饋理論的美國人之一.最熟悉的反饋控制的例子是自動調溫器.它將收集到的房間溫度與希望的溫度比較,并做出反應將加熱器開大或關小,從而控制環境溫度.這項對反饋 回路的研究重要性在于: Wiener從理論上指出,所有的智能活動都是反饋機制的結果.而反饋機制是有可 能用機器模擬的.這項發現對早期AI的發展影響很大。）

1956年夏，美國達特莫斯大學助教麥卡錫、哈佛大學明斯基、貝爾實驗室申龍、IBM公司信息研究中心羅徹斯特、卡內基——梅隆大學紐厄爾和赫伯特.西蒙、麻省理工學院塞夫里奇和索羅門夫，以及IBM公司塞繆爾和莫爾在美國達特莫斯大學舉行了以此為其兩個月的學術討論會，從不同學科的角度探討人類各種學習和其他職能特征的基礎，并研究如何在遠離上進行精確的描述，探討用機器模擬人類智能等問題，并首次提出了人工智能的術語。從此，人工智能這門新興的學科誕生了。這些青年的研究專業包括數學、心理學、神經生理學、信息論和電腦科學，分別從不同角度共同探討人工智能的可能性。他們的名字人們并不陌生，例如申龍是《信息論》的創始人，塞繆爾編寫了第一個電腦跳棋程序，麥卡錫、明斯基、紐厄爾和西蒙都是“圖靈獎”的獲獎者。

這次會議之后，在美國很快形成了3個從事人工智能研究的中心，即以西蒙和紐威爾為首的卡內基—梅隆大學研究組，以麥卡錫、明斯基為首的麻省理工學院研究組，以塞繆爾為首的IBM公司研究組。隨后，這幾個研究組相繼在思維模型、數理邏輯和啟發式程序方面取得了一批顯著的成果：

（1）1956年，紐威爾和西蒙研制了一個“邏輯理論家“（簡稱LT）程序，它將每個問題都表示成一個樹形模型,然后選擇最可能得到正確結論的那一枝來求解問題，證明了懷特黑德與羅素的數學名著《數學原理》的第2章中52個定理中的38個定理。1963年對程序進行了修改，證明了全部定理。這一工作受到了人們的高度評價，被認為是計算機模擬人的高級思維活動的一個重大成果，是人工智能的真正開端。

（2）1956年，塞繆爾利用對策論和啟發式搜索技術編制出西洋跳棋程序Checkers。該程序具有自學習和自適應能力，能在下棋過程中不斷積累所獲得的經驗，并能根據對方的走步，從許多可能的步數中選出一個較好的走法。這是模擬人類學習過程第一次卓有成效的探索。這臺機器不僅在1959年擊敗了塞繆爾本人，而且在1962年擊敗了美國一個州的跳棋冠軍，在世界上引起了大轟動。這是人工智能的一個重大突破。

（3）1958年，麥卡錫研制出表處理程序設計語言LISP，它不僅可以處理數據，而且可以方便的處理各種符號，成為了人工智能程序語言的重要里程碑。目前，LISP語言仍然是研究人工智能何開發智能系統的重要工具。

（4）1960年紐威爾、肖和西蒙等人通過心理學實驗，發現人在解題時的思維過程大致可以分為3個階段：1。首先想出大致的解題計劃；2。根據記憶中的公理、定理和解題規劃、按計劃實施解題過程；3.在實施解題過程中，不斷進行方法和目標分析，修改計劃。這是一個具有普遍意義的思維活動過程，其中主要是方法和目的的分析。（也就是人們在求解數學問題通常使用試湊的辦法進行的試湊是不一定列出所有的可能性，而是用邏輯推理來迅速縮小搜索范圍的辦法進行的），基于這一發現，他們研制了“通用問題求解程序GPS”，用它來解決不定積分、三角函數、代數方程等11種不同類型的問題，并首次提出啟發式搜索概念，從而使啟發式程序具有較普遍的意義。

（5）1961年，明斯基發表了一篇名為《邁向人工智能的步驟》的論文，對當時人工智能的研究起了推動作用。

正是由于人工智能在20世紀50年代到60年代的迅速發展和取得的一系列的研究成果，使科學家們歡欣鼓舞，并對這一領域給予了過高的希望。紐威爾和西蒙在1958年曾作出以下預言：

①不出十年，計算機將成為世界象棋冠軍，除非規定不讓它參加比賽；

②.不出十年，計算機將發現并證明那時還沒有被證明的數學定理；

③.不出十年，計算機將譜寫出具有較高美學價值并得到評論家認可的樂曲；

④不出十年，大多數心理學家的理論將采用計算機程序來形成。

非常遺憾的是，到目前為止，這樣的預言還沒有一個得到完全的實現，人工智能的研究狀況比紐威爾和西蒙等科學家的設想要復雜和艱難的多。事實上，到了20世紀70年代初，人工智能在經歷一段比較快速的發展時期后，很快就遇到了許多問題。這些問題主要表現在：

（1）1965年魯賓遜發明了歸結（消解）原理，曾被認為是一個重大的突破，可是很快這種歸結法能力有限，證明兩個連續函數之和還是連續函數，推證了十萬步竟還沒有得證。

（2）塞繆爾的下棋程序，贏得了周冠軍后，沒能贏全國冠軍。

（3）機器翻譯出了荒謬的結論。如從英語→俄語→英語的翻譯中，又一句話：“The spirit is willing but the flesh is weak”(心有余而力不足)，結果變成了”The wine is good but the meat is spoiled”(酒是好的，肉變質了)，鬧出了笑話。

（4）大腦約有10的15次方以上的記憶容量，此容量相當于存放幾億本書的容量，現有的技術條件下在機器的結構上模擬人腦是不大可能的。

（5）來自心理學、神經生理學、應用數學、哲學等各界的科學家們對人工智能的本質、基本原理、方法及機理等方面產生了質疑和批評。

由于人工智能研究遇到了困難，使得人工智能在20世紀70年代初走向低落。但是，人工智能的科學家沒有被一時的困難所嚇倒，他們在認真總結經驗教訓的基礎上，努力探索使人工智能走出實驗室，走向實用化的新路子，并取得了令人鼓舞的進展。特別是專家系統的出現，實現了人工智能從理論研究走向實際應用，從一般思維規律探索走向專門知識應用的重大突破，是人工智能發展史上的重大轉折，將人工智能的研究推向了新高潮。下面是幾個又代表性的專家系統：

（1）1968年斯坦福大學費根鮑姆教授和幾位遺傳學家及物理學家合作研制了一個化學質譜分析系統（DENDARL），該系統能根據質譜儀的數據和核磁諧振的數據，以及有關化學知識推斷有機化合物的分子結構，達到了幫助化學家推斷分子結構的作用。這是第一個專家系統，標志著人工之能從實驗室走了出來，開始進入實際應用時代。

（2）繼DENDARAL系統之后，費根鮑姆領導的研究小組又研制了診斷和治療細菌感染性血液病的專家咨詢系統MYCIN。經專家小組對醫學專家、實習醫師以及MYCIN行為進行正式測試評價，認為MYCIN的行為超過了其他所有人，尤其在診斷和治療菌血癥和腦膜炎方面，顯示了該系統作為臨床醫生實際助手的前途。從技術的角度來看，該系統的特點是：1。使用了經驗性知識，用可信度表示，進行不精確推理。2.對推理結果具有解釋功能，時系統是透明的。3.第一次使用了知識庫的概念。正是由于MYCIN基本解決了知識表示、知識獲取、搜索策略、不精確推理以及專家系統的基本結構等重大問題（是怎樣解決的呢？），對以后的專家系統產生了很大的影響。

（3）1976年，斯坦福大學國際人工智能中心的杜達等人開始研制礦藏勘探專家系統PROSPECTOR，它能幫助地質學家解釋地質礦藏數據，提供硬巖石礦物勘探方面的咨詢，包括勘探測評，區域資源估值，鉆井井位選擇等。該系統用語義網絡表示地質知識，擁有15中礦藏知識，采用貝葉斯概率推理處理不確定的數據和知識。PROSPECTOR系統于1981年開始投入實際使用，取得了巨大的經濟效益。例如1982年，美國利用該系統在華盛頓發現一處礦藏，據說實用價值可能超過1億美元。

（4）美國卡內基—梅隆大學于20世紀70年代先后研制了語音理解系統HEARSAY-I加入HEARSAY-II，它完成從輸入的聲音信號轉換成字，組成單詞，合成句子，形成數據庫查詢語句，再到情報數據庫中去查詢資料。該系統的特點是采用“黑板結構”這種新結構形式，能組合協調專家的知識，進行不同抽象級的問題求解。

在這一時期，人工智能在新方法、程序設計語言、知識表示、推理方法等方面也取得了重大進展。例如70年代許多新方法被用于AI開發,著名的如Minsky的構造理論.另外David Marr提出了機器視覺方面的新理論,例如,如何通過一副圖像的陰影,形狀,顏色,邊界和紋理等基本信息辨別圖像.通過分析這些信息,可以推斷出圖像可能是什么，法國馬賽大學的柯爾麥倫和他領導的研究小組于1972年研制成功的第一個PROLOG系統，成為了繼LISP語言之后的另一種重要的人工智能程序語言；明斯基1974年提出的框架理論；紹特里夫于1975年提出并在MYCIN中應用的不精確推理；杜達于1976年提出并在PROSPECTOR中應用的貝葉斯方法；等等

人工智能的科學家們從各種不同類型的專家系統和知識處理系統中抽取共性，總結出一般原理與技術，使人工智能又從實際應用逐漸回到一般研究。圍繞知識這一核心問題，人們重新對人工智能的原理和方法進行了探索，并在知識獲取、知識表示以及知識在推理過程中的利用等方面開始出現一組新的原理、工具和技術。1977年，在第五屆國際人工智能聯合會（IJCAI）的會議上，費根鮑姆教授在一篇題為《人工智能的藝術：知識工程課題及實例研究》的特約文章中，系統的闡述了專家系統的思想，并提出了知識工程（KnowledgeEngineering）的概念。費根鮑姆認為，知識工程是研究知識信息處理的學科，它應用人工智能的原理和方法，對那些需要專家知識才能解決的應用難題提供了求解的途徑。恰當的運用專家知識的獲取、表示、推理過程的構成與解釋，是設計基于知識的系統的重要技術問題。至此，圍繞著開發專家系統而開展的相關理論、方法、技術的研究形成了知識工程學科。知識工程的研究使人工智能的研究從理論轉向應用，從基于推理的模型轉向基于知識的模型。

為了適應人工智能和知識工程發展的需要，在政府的大力支持下，日本于1982年開始了為期10年的“第五代計算機的研制計劃”，即“知識信息處理計算機系統KIPS”，總共投資4.5億美元。它的目的是使邏輯推理達到數值運算那樣快。日本的這一計劃形成了一股熱潮，推動了世界各國的追趕浪潮。美國、英國、歐共體、蘇聯等都先后制訂了相應的發展計劃。隨著第五代計算機的研究開發和應用，人工智能進入一個興盛時期，人工智能界一派樂觀情緒。

然而，隨著專家系統應用的不斷深入，專家系統自身存在的知識獲取難、知識領域窄、推理能力弱、只能水平低、沒有分布式功能、實用性差等等問題逐步暴露出來。日本、美國、英國和歐洲所制訂對那些針對人工智能的大型計劃多數執行到20世紀80年代中期就開始面臨重重困難，已經看出達不到預想的目標。進一步分析便發現，這些困難不只是個別項目的制訂又問題，而是涉及人工智能研究的根本性問題?？偟膩碇v是兩個問題：一是所謂的交互（Interaction）問題，即傳統方法只能模擬人類深思熟慮的行為，而不包括人與環境的交互行為。另一個問題是擴展（Scaling up）問題，即所謂的大規模的問題，傳統人工智能方法只適合于建造領域狹窄的專家系統，不能把這種方法簡單的推廣到規模更大、領域更寬的復雜系統中去。這些計劃的失敗，對人工智能的發展是一個挫折。

盡管經歷了這些受挫的事件,AI仍在慢慢恢復發展.新的技術在日本被開發出來,如在美國首創的模糊邏輯,它可以從不確定的條件作出決策;還有神經網絡,被視為實現人工智能的可能途徑.1982年后，人工神經網絡像雨后春筍一樣迅速發展起來，給人們帶來了新的希望。人工神經網絡的主要特點是信息的分布存儲和信息處理的并行化，并具有自組織自學習能力，這使人們利用機器加工處理信息有了新的途徑和方法，解決了一些符號方法難以解決的問題，使人工智能的學術界興起了神經網絡的熱潮。1987年美國召開了第一次神經網絡國際會議，宣布新學科的誕生。1988年以后，日本和歐洲各國在神經網絡方面的投資逐步增加，促進了該領域的研究。但是隨著應用的深入，人們又發現人工神經元網絡模型和算法也存在問題。

20世紀80年代末，以美國麻省理工學院布魯克斯（R.A.Brooks）教授為代表的行為主義學派提出了“無須表示和推理”的智能，認為智能只在與環境的交互中表現出來，并認為研制可適應環境的“機器蟲”比空想智能機器人要好。以后，人工智能學術界充分認識到已有的人工智能方法僅限于在模擬人類智能活動中使用成功的經驗知識處理簡單的問題，開始在符號機理與神經網機理的結合及引入Agent系統等方面進一步開展研究工作。20世紀90年代，所謂的符號主義、連接主義和行動主義3種方法并存。對此，中國學者認為這3種方法各有優缺點，他們提出了綜合集成的方法，即不同的問題用不同的方法來解決，或用聯合（混合、融合）的方法來解決，再加上人工智能系統引入交互機制，系統的智能水平將會大為提高。

總而言之，盡管人工智能的發展經歷了曲折的過程，但它在自動推理、認知建模、機器學習、神經元網絡、自然語言處理、專家系統、智能機器人等方面的理論和應用上都取得了稱得上具有“智能”的成果。許多領域將知識和智能思想引入到自己的領域，使一些問題得以較好的解決。應該說，人工智能的成就是巨大的，影響是深遠的。

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲?！佌媲?/p>

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢?！悏?/p>

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上?！郀柣?/p>

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話?！芽▋?/p>

17、學習永遠不晚?！郀柣?/p>

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光?！獎⑾?/p>

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干。——培根

第三篇：人工智能論文解讀

人工智能結課論文

系別：計算機科學與技術系

班級：姓名：于靜學號：

13計算機專接本一班

知識處理

***0

摘要：進入2l 世紀，計算機硬件和軟件更新的速度越來越快，計算機這個以往總給人以冷冰冰的機器的形象也得到了徹底的改變。人機交互的情形越來越普遍，計算機被人類賦予了越來越多的智能因素。伴隨著人類把最新的計算機技術應用于各個學科，對這些學科的認知也進入了日新月異的發展階段，促使大量的新的研究成果不斷涌現。例如：“人機大戰”中深藍計算機輕松的獲勝、人類基因組排序工作的基本完成、人類大腦結構性解密、單純器官性克隆的成功實現等等。隨著計算機這個人類有史以來最重要的工具的不斷發展，伴隨著不斷有新理論的出現，人類必須重新對它們進行分析和審視。知識處理是人工智能這一科學領域的關鍵問題。本文對知識處理的核心問題之——識的表示進行了全面的綜述目前流行的知識表達方式不下十種，在此只介紹一階謂詞邏輯、產生式、語義網絡、框架、混合等目前最常用的知識表示方法。并對其進行了優缺點分析及簡單對比。最后對知識表示的發展趨向作出了展望。

關鍵詞：知識

人工智能（AI）

知識表達式

一階謂詞邏輯

產生式 語義網絡

框架

一、知識和知識的表示

1、知識的概念

知識是人類世界特有的概念，他是人類對客觀世界的一種比較準確、全面的認識和理解的結晶。(1)知識只有相對正確的特性。常言道：實踐出真理。只是源于人們生活、學習與工作的實踐，知識是人們在信息社會中各種實踐經驗的匯集、智慧的概括與積累。只是愛源于人們對客觀世界運動規律的正確認識，是從感知認識上升成為理性認識的高級思維勞動過程的結晶，故相應于一定的客觀環境與條件下，只是無疑是正確的。然而當客觀環境與條件發生改變時，知識的正確性就接受檢驗，必要時就要對原來的認識加以修改和補充，一至全部更新而取而代之。例如知道1543年哥白尼學說問世之前，人們一直都以為地球是宇宙的核心；再有：人們都知道一個關于“瞎子摸象”的故事，它通俗地說明了完整的只是形式是一個復雜的智能過程。通常人們獲取知識的重要手段是：利用信息，把各種信息提煉、概括并關聯在一起，就形成了知識。而利用信息關聯構成知識的形式有多種多樣。

(2)知識的確定與不確定性如前說述，知識有若干信息關聯的結構組成，但是，其中有的信息是精確的，有的信息卻是不精確的。這樣，則由該信息結構形成的知識也有了確定與不確定的特征。例如，在我國中南地區，根據天上出現彩虹的方向及其位置，可以預示天氣的變化。有諺語曰：“東邊日（晴天），西邊雨。”但是，這只是一種常識性經驗，并不能完全肯定或否定。再如：家有一頭秀發，一時兩鬢如霜。我們則認為家一定是年輕人，乙就是老年人嘛？不能完全肯定，因為相反的事例是很多的。比如，當年的白毛女就不是老人，而現在六十多歲的演員有一頭黑發也不足為奇。

2、知識表達及其映像原理

智能機器系統如同智能生物一樣，在運用知識進行信息交流或只能問題求解時，都需要預先進行知識表示。進而實現知識調用，達到利用知識求解問題的目的。因而只是表示是知識信息處理系統必不可少的關鍵環節。對智能機器系統而言只是表示，實際上就是對知識的一種描述或約定。其本質，就是采用某種技術模式，八所要求解決的問題的相關知識，映射為一種便于找到該問題解的數據結構。對知識進行表示的過程，實質上就是把相關只是映射（或稱為變換：Transformation；或稱為映像：Mapping；或稱為編碼：Coded）為該數據結構的過程。如圖1。

圖1 只是表達及其映射原理

如圖，其目標是要對復雜的智能性問題實現機器求解，但機器直接對原始問題求解難度很大，可采用知識表達的映射原理，把原始問題映射為它的一種同構或同態問題，然后在對同構或同態問題求出它的解答，則相對容易而方便。順便指出：同構解答與原始問題有相同的形式解，然而對于同態問題，如果得到原始解，只需對同臺解答再施行反運算即可。在自然科學實際應用研究中，利用映射（稱之為變換）原理迂回求解的思想，是一種非常有效而廣為使用的重要手段。目前比較常見的知識表達方法主要有：常用的知識表示方法：一階謂詞邏輯表示法，產生式表示法，框架表示法，語義網絡表示法，腳本表示法，過程表示法，面向對象表示法，神經網絡表示法。如圖2

二、常用知識表示法：

2.1一階謂詞邏輯表示法：

一階謂詞邏輯表示法是目前應用最廣的方法之一，在AI系統上已經得到了應用。它是通過分析命題內容和謂詞邏輯，盡可能正確地表述它的各種意境的過程。知識的謂詞邏輯表示符合人的思維習慣，可讀性好，邏輯關系表達簡便。使用謂詞邏輯既便于表達概念、狀態、屬性等事實性知識，又能方便地采用謂詞公式的表達形式，進行各種智能行為的過程性描述與演繹推理。一階謂詞的一般形式為P(x1，x2，?，xn)其中P是謂詞名，xi為個體常量、變元，或函數。例如：STUDENT(zhangsan)：zhangsan是學生

STUDENT(x)：x是學生Greater(x，5)：x>5TEACHER(father(Wanghong))：王宏的父親是教師。在一階謂詞表示法中連接詞是非常重要的其中： 連接詞：?、∨、∧、→、? 量詞：?、?

(?x)P(x)為真、為假的定義

(?x)P(x)為真、為假的定義

結合具體事例可以看到一階謂詞邏輯在知識表示法中的優越性： 李明是計算機系的學生，但他不喜歡編程。定義謂詞：

COMPUTER(x):x是計算機系的 學生

LIKE(x,y):x喜歡y 謂詞公式為：

LIKE(liming，programming)COMPUTER(liming)∧

謂詞邏輯是一種傳統經典也是最基本的形式化方法。謂詞邏輯知識表示規范性嚴，邏輯性強，自然性好，推理過程嚴密，易于實現。這些優良特性使得謂詞邏輯最早用于人工智能機器定理證明，并獲得了成功。但是必須看到，謂詞邏輯屬于標準的二值（T與F）邏輯，難以直接進行不確定性問題的處理。對于復雜系統的求解問題，容易陷入冗長演繹推理中，常常不可避免地帶來求解效率低,甚至產生“組合爆炸”問題。因此，針對謂詞邏輯，尚待人們不斷加以改進，以尋求自然性好而效率更高的技術方法。

2.2產生式表示法

目前，產生式表示方法是專家系統的第一選擇的知識表達方式。是美國數學家Post在1943年提出了一種計算形式體系里所使用的術語。產生式表示的基本形式為：（1）確定性知識的表示：

產生式形式：P→Q或者IF P THEN Q 它的含義：如果前提P滿足，則可以推出結論Q或執行Q操作。例如：IF CLEAR(B)AND HANDEMPTYTHEN Pickup(B)如果積木B上是空的，且機械手空，則機械手從桌面上抓起積木B。（2）不確定知識的表示：

產生式形式：P→Q（置信度）或者IF P THEN Q（置信度）在不確定推理中，當已知事實與前提P不能精確匹配時，只要按照“置信度”的要求達到一定的相似度，就認為已知事實與前提條件相匹配，再按照一定的算法將這種可能性（不確定性）傳遞到結論Q。

產生式表示法其優點在于模塊性。規則與規則之間相互獨立靈活性。知識庫易于增加、修改、刪除自然性。方便地表示專家的啟發性知識與經驗透明性。易于保留動作所產生的變化、軌跡，但仍有不少缺點：知識庫維護難。效率低。為了模塊一致性理解難。由于規則一致性彼此之間不能調用。

2.3 語義網絡表達式

語義網絡是人工智能常用的知識表示法之一。是一種使用概念及其語義關系來表達知識的有向圖。它作為人類聯想記憶的一個顯示心理學模型，是由J.R.Quillian于1968年在他的博士論文中首先提出，并用于自然語言處理。語義網絡結構共使用了三種圖形符號：框、帶箭頭及文字標識的線條和文字標識線。分別稱為:（1）節(結)點;弧(又叫做邊或支路);指針。

（2）節點(Node)：也稱為結點。用圓形、橢圓、菱形或長方形的框圖來表示，用來表示事物的名稱、概念、屬性、情況、動作、狀態等。

（3）弧(Arc)：這是一種有向弧，又稱之為支路（Branch）。節點之間用帶箭頭及文字標識的有向線條來聯結，用以表示事物之間的結構，即語義關系。

（4）指針(Pointer)：也叫指示器。是在節點或者弧線的旁邊，另外附加必要的線條及文字標識，用來對節點、弧線和語義關系作出相宜的補充、解釋與說明。

語義網絡是一種結構化知識表示方法，具有表達直觀，方法靈活，容易掌握和理解的特點。概括起來，主要優點在于采用語義關系的有向圖來連接，語義、語法、詞語應用兼顧，具有描述生動，表達自然，易于理解等。

雖然語義網絡知識表示和推理具有較大的靈活性和多樣性，但是沒有公認嚴密的形式表達體系，卻不可避免地帶來了非一致性和程序設計與處理上的復雜性，這也是語義網絡知識表示尚待深入研究解決的一個課題。

2.4．框架表式式

框架表示法誕生于1975年，這也是一種結構化的知識表示方法，并已在多種系統中得到成功的應用。框架理論是由人工智能科學創始人之一，美國著名的人工智能學者M.L.Minsky(明斯基)提出來的。

自然界各種事物都可用框架(Frame)組織構成。每個被定義的框架對象分別代表著不同的特殊知識結構，從而可在大腦或計算機中表示、存儲并予以認識、理解和處理?？蚣苁且环N被用來描述某個對象（諸如一個事物、一個事件或一個概念）屬性知識的數據結構。下面是一個關于“大學教師”的框架設計模式。

n

框架名：

〈大學教師〉 n

姓名：

單位（姓，名）n

年齡：

單位（歲）

n

性別：

范圍(（男，女）缺省：男)n

學歷：

范圍（學士，碩士，博士）

n

職稱：

范圍(（教授，副教授，講師，助教）缺?。褐v師)n

部門：

范圍（學院（或系、處）n

住址：

〈住址框架〉 n

工資：

〈工資框架〉 n

參加工作時間：

單位（年，月）

n

健康狀況：

范圍（健康，一般，較差）n

其它：

范圍（〈個人家庭框架〉，〈個人經濟狀況框架〉）

上述框架共有十一個槽，分別描述了關于“大學教師”的十一個方面的知識及其屬性。在每個槽里都指定了一些說明性的信息，表明了相關槽的值的填寫要有某些限制?？蚣鼙硎痉ㄖС稚蠈涌蚣芨拍畛橄蠛拖聦涌蚣苄畔⒗^承共享的思想，不僅減少了框架信息和屬性知識表達的冗余，而且保證了上、下層框架知識表達的一致性。

主要缺點：框架表示法過于死板，難以描述諸如機器人糾紛等類問題的動態交互過程生動性。

三、各知識表達式的比較與展望

以上若知識表達方法，絕大多數在應用中得到了很好的應用。但實際工作中，如果要建立一個人工智能系統、專家系統時，還是要根據具體情況提出一個混合性的知識表達方式。每一種知識表示方法各有特點，而且適用的領域也不同：

（1）謂詞邏輯方法只適用于確定性、陳述性、靜態性知識，而對動態的、變化性、模糊性知識則很難表示。

（2）產生式規則方法推理方法太單一，如果前提條件太多，或規則條數太多，則推理的速度將慢得驚人。

（3）語義網絡方法表達的知識面比較窄。（4）框架方法表示的知識橫向關系不太明確。（縱向從屬繼承關系很明確）

因此，對于復雜的、深層次的知識，應根據需要表示知識的特征，來決定用二種或三種方法聯合表示，例如：

（1）邏輯與框架：框架里的槽值可以對應于謂詞項。

（2）語義網絡與框架：結點對應與框架，結點的參數就是框架的槽值。

（3）產生式與框架：框架的槽值對應于一條產生式規則。與神經網絡結合。

參考文獻：

[1] 蔡之華；模糊Petri網及知識表示 [J];計算機應用與軟件；1994年03期 [2].張科杰,袁國華,彭穎紅； 知識表示及其在機械工程設計中的應用探討[J];

機械設計；2004年06期。

[3].劉曉霞。新的知識表示方法——概念圖［Ｊ］。航空計算技術。1997（4）。[4].王永慶人工智能原理與方法［Ｍ］。西安交通大學出版社。1998。

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的?！_爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲?！佌媲?/p>

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難?！懹?/p>

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話?！芽▋?/p>

17、學習永遠不晚?！郀柣?/p>

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光?！獎⑾?/p>

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干?！喔?/p>

第四篇：人工智能課程論文解讀

人工智能課程論文

題目：人工智能：用科學解密生命與智慧

姓

名：

學

號：

指導老師：

人工智能：用科學解密生命與智慧

摘要

本文是對人工智能及其應用的一個綜述。首先介紹了人工智能的理論基礎以其與人類智能的區別和聯系。然后簡要介紹了人工智能的發展現狀以及未來趨勢，并列舉了一些人工智能在生活中的應用。對人工智能的一個熱門分支——神經計算進行了著重介紹，人工神經網絡通過模擬人腦的學習機制，將人工智能的重點從符號表示可靠的推理策略問題轉化到學習和適應的問題，描述了其在字符識別問題上的實際應用。

人工智能：用科學解密生命與智慧

目錄

一，人工智能與人類智能..............................................................................................4

1，什么是智能？.................................................................................................4 2，機器智能不等同于人類智能.........................................................................5 二，人工智能當前進展..................................................................................................6 三，人工智能在生活中的應用......................................................................................7 四，人工智能的前沿分支：神經計算..........................................................................9

1，人工神經網絡：從大腦得到靈感.................................................................9 2，神經網絡應用實例：基于Deep autoencoder的字符圖像識別...............10 五，人工智能未來發展趨勢........................................................................................12 小結................................................................................................................................13 參考文獻........................................................................................................................1

4人工智能：用科學解密生命與智慧

一，人工智能與人類智能

人工智能（Artificial Intelligence，AI）是計算機科學的一個分支，它關心智能行為的自動化。AI是計算機科學的一部分，因而必須建立在堅實的理論知識之上并應用于計算機科學領域。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。1，什么是智能？

雖然大多數人確信看到智能行為是能判斷它是智能的，但是似乎沒有人能夠使“智能”的定義既足夠又具體以評估計算機程序的智能性，同時又反映了人類意識的生動性和復雜性。

這樣實現一般智能就是塑造特定智能的人工制品。這些制品通常以診斷、預測或可視化工具實現，能夠使得人類使用者完成復雜的任務。例如：用語言理解的馬爾可夫模型，提供新數學理論的自動推理系統，通過大腦皮層網跟蹤信號的動態貝葉斯網絡，以及基因表達的數據模式的可視化，等等。

因此，定義人工智能完全領域的問題就變成了定義智能本身的問題：智能是一種獨立的才能，還是一系列獨一無二且不相關的能力的總稱？在多大程度上可以說智能是學到的不是預先存在的？準確的說，學習時發生什么？什么是創造力？什么是直覺？智能是從可觀察行為推斷出的，還是需要特定內部機制的證據？在一個生物體的神經組織中，知識是以何種方式表示的？什么是自覺，它在智能中起著怎樣的作用？另外，有必要按照已知的人類智能模式來設計智能計算機程序嗎？智能實體是不是需要只有在生物中存在的豐富感受和經歷？

這一系列的問題很難回答，但這些問題幫助我們勾勒出現代人工智能研究的核心問題以及求解方法。實際上，人工智能提供了一種獨特而強大的工具來精確探索這些問題。AI為智能理論提供了一種媒介和實驗臺：首先用計算機程序語言表達出這些理論，然后在實際計算機上執行來進行測試和驗證。

人工智能：用科學解密生命與智慧

2，機器智能不等同于人類智能

瑪麗·雪萊在她的《弗蘭肯斯坦》一書的序言中這樣寫道：

大多是拜倫勛爵和雪萊之間的對話，而我只是一個虔誠、安靜的聽眾。其中有一次，他們討論了各種哲學學說，以及有關生命原理的問題，并且談到這些原理有否可能曾被發現和討論過。他們談及了達爾文博士的實驗（我不能確認達爾文博士是否真正做過這個實驗，我只是說當時有人講他做過這樣的實驗），他把一段蠕蟲（vermicelli）儲藏在玻璃罐中，在采取了一些特殊方法之后，它開始自發運動。難道生命不是這樣形成的嗎？或許死尸還可能復活；流電電流實驗已經讓我們看到了這樣的跡象：生命體的組成部分可以被制造、組合并注入活力（Butler 1998）。

瑪麗·雪萊告訴我們，諸如達爾文的進化論和發現電流這樣的科學進步已經使普通民眾相信：自然法則并非奧妙無窮，而是可以被系統分析和理解的。弗蘭肯斯坦的魔鬼并不是“薩滿教”咒語或與地獄可怕交易的產物；而是由一個個單獨“制造”的部件組裝起來的，并且被注入了強大的電能。盡管19世紀的科學還不足以使人認識到理解和創造一個完全智能主體的意義，但它至少加深了這樣的認識：生命和智慧的奧秘可以被納入到科學分析中。也就是說，人可以讓機器擁有所謂的“智能”。[1] 1936年，哲學家阿爾弗雷德·艾耶爾思考心靈哲學問題：我們怎么知道其他人曾有同樣的體驗。在《語言，真理與邏輯》中，艾爾建議有意識的人類及無意識的機器之間的區別。

1950年，圖靈發表了一篇劃時代的論文，文中預言了創造出具有真正智能的機器的可能性[1]。由于注意到“智能”這一概念難以確切定義，他提出了著名的圖靈測試：如果一臺機器能夠與人類展開對話（通過電傳設備）而不能被辨別出其機器身份，那么稱這臺機器具有智能。這一簡化使得圖靈能夠令人信服地說明“思考的機器”是可能的。論文中還回答了對這一假說的各種常見質疑。[2] 圖靈測試是人工智能哲學方面第一個嚴肅的提案。

1952年，在一場BBC廣播中，圖靈談到了一個新的具體想法：讓計算機來冒充人。如果不足70%的人判對,也就是超過30%的裁判誤以為在和自己說話的是人

人工智能：用科學解密生命與智慧

而非計算機，那就算作成功了。

2014年6月8日，一臺計算機成功讓人類相信它是一個13歲的男孩，成為有史以來首臺通過圖靈測試的計算機。這被認為是人工智能發展的一個里程碑事件，但專家警告稱，這項技術可用于網絡犯罪。[3-5]。

盡管圖靈測試具有直觀上的吸引力，圖靈測試還是受到了很多無可非議的批評。其中一個重要的質疑時它偏向于純粹的符號求解任務。它并不測試感知技能或要實現手工靈活性所需的能力，而這些都是人類智能的重要組成部分。另一方面，有人提出圖靈測試沒有必要把機器智能強行套入人類智能的模具之中。人工智能或許本就不同于人類智能，我們并不希望一臺機器做數學題像人類一樣又慢又不準，我們希望的是它自身有點的最大化，比如快速準確的處理數據，長久的存儲數據，沒有必要模仿人類的認知特征。

但是，人工智能中一部分主要的研究著偏重于研究對人類智能的理解。人們為智能活動提供了一種原型實例，一些應用（比如診斷理解）通常有意地將模型建立在該領域的權威專家的解決過程上。更為重要的是，理解人類智能本身就是一個吸引人的、有待研究的科學挑戰。

二，人工智能當前進展 問題的求解

人工智能中的問題解求，就是如何讓機器去解決人類會遇到的問題，如何根據某一具體問題找到思考問題并解決這個問題的方法。目前，人工智能技術已經可以通過計算機程序解決了如何考慮要解決的問題，并能尋求較為準確的解決方案。2邏輯的推理與定理的證明

人工智能研究中最持久的探究領域之一就是邏輯推理。有關定理的證明就是讓機器證明非數值性的真假。其中比較重要的是，通過找到合理、準確的方法，集中注意力在大型數據庫中的有效事實，關注可信度證明，并在出現新信息時適時修改這些證明。[2] 3 人工智能應用之自然語言的處理

智能的另一表現就是進行自然語言的交流，自然語言處理就是讓機器與人類進行

人工智能：用科學解密生命與智慧

無阻礙的溝通，這正是人工智能技術應用于實際領域的典型范例。目前此領域的主要研究內容是：如何利用計算機系統以主題和對話情境為基礎，生成和理解自然語言。[3] 4 人工智能應用之模式的識別

如何使機器具有感知能力也是智能的表現。模式的識別是利用人工智能技術開發智能機器的關鍵，主要是通過計算機用數學技術方法來研究模式的自動處理和判讀，讓計算機實現“看見”，“聽見”等功能。計算機模式識別的主要特點是速度快，準確率高，效率高，計算機模式識別也為人類認識自身智能提供了有利幫助。5 人工智能應用之智能信息的檢索技術

在科學技術飛速發展的今天，人類已進入了“知識爆炸”的時代。傳統檢索系統已經滿不足了對如今如此數量巨大以及種類繁多的文獻檢索要求。人工智能科技持續穩定發展的重要前提就是智能檢索模塊，可以說，智能信息的檢索技術的運用勢在必行。人工智能應用之專家系統

我們常說的專家系統就是指從人類專家那里獲取的知識，并用來解決只有專家才能解決的疑難問題。這是一種基于知識的系統，從而也被稱為知識基系統。專家系統是人工智能技術中研究最活躍，最有成效的一個領域。現在的專家系統尤其特殊的模仿了專家在處理故障時的思維方式，其水平有時甚至可以超過人類專家的水平。人工智能應用之機器人學

機器人對我們并不陌生，已在多個領域獲得了越來越普遍的應用，諸如農業、工業、商業、旅游業、航空和海洋等。那么，機器人學所研究的問題主要包括從機器人手臂的最佳移動到實現機器人目標的動作序列的規劃方法。機器人和機器人學的研究對人工智能思想的發展都起到了促進作用。

三，人工智能在生活中的應用

? 計算機科學

人工智能產生了許多方法解決計算機科學最困難的問題。它們的許多發明已

人工智能：用科學解密生命與智慧

被主流計算機科學采用，而不認為是AI的一部份。下面所有內容原在AI實驗室發展：時間分配，介面演繹員，圖解用戶介面，計算機鼠標，快發展環境，聯系表數據結構，自動存儲管理，符號程序，功能程序，動態程序，和客觀指向程序。[3] ? 金融

銀行用人工智能系統組織運作，金融投資和管理財產。2001年8月在模擬金融貿易競賽中機器人戰勝了人。

金融機構已長久用人工神經網絡系統去發覺變化或規范外的要求，銀行使用協助顧客服務系統；幫助核對帳目，發行信用卡和恢復密碼等。? 醫院和醫藥

醫學臨床可用人工智能系統組織病床計劃；并提供醫學信息。

人工神經網絡用來做臨床診斷決策支持系統。計算機幫助解析醫學圖像。這樣系統幫助掃描數據圖像，從計算X光斷層圖發現疾病，典型應用是發現腫塊、心臟聲音分析。? 重工業

在工業中已普遍應用機器人。它們常做對人是危險的工作。全世界日本是利用和生產機器人的先進國；1999年世界范圍使用1,700,000臺機器人。? 顧客服務

人工智能是自動上線的好助手，可減少操作，使用的主要是自然語言加工系統。呼叫中心的回答機器也用類似技術，如語言識別軟件可使計算機的顧客較好操作。? 運輸

汽車的變速箱已使用模糊邏輯控制器。? 運程通訊

許多運程通訊公司正研究管理勞動力的機器；如BT組研究可管20000工程師的機器。? 玩具和游戲

1990年企圖用基本人工智能大量為教育和消遣生產民用產品。現在，大眾在生活的許多方面都在應用人工智能技術。? 音樂

人工智能：用科學解密生命與智慧

技術常會影晌音樂的進步，科學家想用人工智能技術盡量趕上音樂家的活動；現正集中在研究作曲，演奏，音樂理論，聲音加工等。

四，人工智能的前沿分支：神經計算

1，人工神經網絡：從大腦得到靈感

神經計算科學是從信息科學的角度來研究如何加速神經網絡模仿和延伸人腦的高級精神活動，如聯想、記憶、推理、思維及意識等智能行為。這涉及到腦科學、認知科學，神經生物學、非線性科學、計算機科學、數學、物理學諸學科的綜合集成。它是綜合研究和實現類腦智能信息系統的一個新思想和新策略。[6] 深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

一個神經網絡的結構示意圖如圖1所示

圖1 神經網絡的結構示意圖

神經網絡將人工智能的重點從符號表示和可靠的推理策略問題轉移到學習和適應的問題。同人和其他動物一樣，神經網絡是適應世界的一種機制：經過訓練的神經網絡結果是通過學識形成的。這種網絡是通過和世界交互形成的，通過經驗的不明確痕跡反映出來。神經網絡的這種途徑對我們理解智能起了極大的作用。

人工神經網絡特有的非線性適應性信息處理能力，克服了傳統人工智能方法對于直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。人工神經網絡與其它傳統方法相結合，將推動人工智能和信息處理技術不斷發展。近年來，人工神經網絡正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳算法、人工智能：用科學解密生命與智慧

進化機制等結合，形成計算智能，成為人工智能的一個重要方向，將在實際應用中得到發展。將信息幾何應用于人工神經網絡的研究，為人工神經網絡的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網絡的發展提供了良好條件。

神經網絡在很多領域已得到了很好的應用，但其需要研究的方面還很多。其中，具有分布存儲、并行處理、自學習、自組織以及非線性映射等優點的神經網絡與其他技術的結合以及由此而來的混合方法和混合系統，已經成為一大研究熱點。由于其他方法也有它們各自的優點，所以將神經網絡與其他方法相結合，取長補短，繼而可以獲得更好的應用效果。目前這方面工作有神經網絡與模糊邏輯、專家系統、遺傳算法、小波分析、混沌、粗集理論、分形理論、證據理論和灰色系統等的融合。

2，神經網絡應用實例：基于Deep autoencoder的字符圖像識別

深度信念網絡(Deep Belief Network, DBN)[7]由 Geoffrey Hinton 在 2006 年提出。它是一種生成模型，通過訓練其神經元間的權重，我們可以讓整個神經網絡按照最大概率來生成訓練數據。我們不僅可以使用 DBN 識別特征、分類數據，還可以用它來生成數據。

DBN 由多層神經元構成，這些神經元又分為顯性神經元和隱性神經元（以下簡稱顯元和隱元）。顯元用于接受輸入，隱元用于提取特征。因此隱元也有個別名，叫特征檢測器(feature detectors)。最頂上的兩層間的連接是無向的，組成聯合內存(associative memory)。較低的其他層之間有連接上下的有向連接。最底層代表了數據向量(data vectors)，每一個神經元代表數據向量的一維。

DBN 是由多層 RBM 組成的一個神經網絡，它既可以被看作一個生成模型，也可以當作判別模型，其訓練過程是：使用非監督貪婪逐層方法去預訓練獲得權值。訓練過程：

1.首先充分訓練第一個 RBM；

2.固定第一個 RBM 的權重和偏移量，然后使用其隱性神經元的狀態，作為第二個 RBM 的輸入向量；

人工智能：用科學解密生命與智慧

3.充分訓練第二個 RBM 后，將第二個 RBM 堆疊在第一個 RBM 的上方； 4.重復以上三個步驟任意多次；

5.如果訓練集中的數據有標簽，那么在頂層的 RBM 訓練時，這個 RBM 的顯層中除了顯性神經元，還需要有代表分類標簽的神經元，一起進行訓練： a)假設頂層 RBM 的顯層有 500 個顯性神經元，訓練數據的分類一共分成了 10 類；

b)那么頂層 RBM 的顯層有 510 個顯性神經元，對每一訓練訓練數據，相應的標簽神經元被打開設為 1，而其他的則被關閉設為 0。6.DBN 被訓練好后如下圖：

圖2 訓練好的深度信念網絡。圖中的綠色部分就是在最頂層 RBM 中參與訓練的標簽。注意調優(FINE-TUNING)過程是一個判別模型

調優過程(Fine-Tuning)：

生成模型使用 Contrastive Wake-Sleep 算法進行調優，其算法過程是：

1.除了頂層 RBM，其他層 RBM 的權重被分成向上的認知權重和向下的生成權重；

2.Wake 階段：認知過程，通過外界的特征和向上的權重(認知權重)產生每一層的抽象表示(結點狀態)，并且使用梯度下降修改層間的下行權重(生成權重)。也就是“如果現實跟我想象的不一樣，改變我的權重使得我想象的東西就是這樣的”。

3.Sleep 階段：生成過程，通過頂層表示(醒時學得的概念)和向下權重，生成底

人工智能：用科學解密生命與智慧

層的狀態，同時修改層間向上的權重。也就是“如果夢中的景象不是我腦中的相應概念，改變我的認知權重使得這種景象在我看來就是這個概念”。

在附件中提供了程序代碼。實驗利用MNIST字符圖像，驗證該方法的特征提取與識別能力。

五，人工智能未來發展趨勢

科學技術是第一生產力，但技術的發展往往是遠遠超越我們的想象。就目前的一些前瞻性研究可以看出，未來人工智能技術的發展有如下幾大趨勢： 1 問題求解

問題求解一般包括兩種，一種是指解決管理活動中由于意外引起的非預期效應或與預期效應之間的偏差。正在逐漸發展成為搜索和問題歸約這類人工智能的基本技術；另一種問題的求解程序，是把各種數學公式符號匯編在一起。其性能已達到非常高的水平，并正在被許多工程師和科學家應用，甚至還有些程序能夠用經驗來改善其性能。2 機器學習

人工智能研究的核心課題之一就是機器學習。我們知道學習是人類智能的重要特征，那么機器學習就是指機器自動獲取知識的過程。機器學習是機器獲取知識的根本途徑，也是機器智能的重要標志。計算機的機器學習主要研究內容為如何讓計算機模擬或實現人類的學習能力。今后機器學習的研究主要是研究人腦思維的過程、人類學習的機理等。3 模式識別

用計算機實現模式(文字、聲音、人物、物體等)的自動識別，彌補計算機對外部世界感知能力低下的缺陷，使計算機能夠通過感官接受外界信息，識別和理解周圍環境。依然是人工智能技術今后研究的重要方向。因為模式識別能為人類

人工智能：用科學解密生命與智慧

認識自身智能提供線索，也是開發智能機器的一個最關鍵的突破口。目前計算機模式識別系統的研究熱點主要為三維景物、活動目標的識別和分析方面。傳統的用統計模式和結構模式的識別方法將會被近年來迅速發展起來的模糊數學模式、人工神經網絡模式的方法逐漸取代，特別是神經網絡方法在模式識別中取得較大進展。4 專家系統

專家系統是根據某領域中一個或多個專家提供的知識或經驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題的智能軟件，它是一個具有大量的專門知識與經驗的程序系統。目前各種專家系統已遍布各個專業領域，因此專家系統還將是人工智能應用研究最廣泛和最活躍的應用領域之一。5 人工神經網絡

人工神經網絡，常被簡稱為神經網絡或類神經網絡。是未來人工智能應用的新領域，人工神經網絡是指由大量處理單元（神經元）互連而成的網絡。人工神經網絡具有很強的自學習能力，主要擅長處理復雜的多維的非線性問題，不但可以解決定量的問題，還可以解決定性的問題，同時人工神經網絡還具有大規模并行處理和分布的信息存儲能力。或許未來智能計算機的結構可能就是作為主機的馮? 諾依曼型機與作為智能外圍的人工神經網絡的結合。

小結

人工智能是一個年輕而充滿希望的研究領域，其宗旨是尋找一種有效的方式把智能問題求解、規劃和通信技巧應用在更廣泛的實際問題中。人工智能的工作者是工具的制造者。我們的表示、算法和語言都是一些工具，用來設計和建立那些展現智能行為的機制。通過實驗，我們同時檢驗了它們解決問題的計算合適性，也檢驗了我們對智能現象的理解。然而，人工智能仍有很多尚待解答的問題，需要探索和研究。

人工智能：用科學解密生命與智慧

參考文獻

[1] Artificial intelligence507, 28 July 2006.讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的?！_爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲。——顏真卿

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難?！懹?/p>

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話。——笛卡兒

17、學習永遠不晚?！郀柣?/p>

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光?！獎⑾?/p>

19、學而不思則惘，思而不學則殆?！鬃?/p>

20、讀書給人以快樂、給人以光彩、給人以才干。——培根

第五篇：人工智能導論論文解讀

終結者會出現嗎？

-----對于人工智能技術發展趨勢的思考

摘要：

1、時間過去30年了，當回想起這部電影，我們不禁想問幾個問題：“終結者”會出現嗎？在現在的技術水平下能制造出如此復雜高度發達的機器人嗎？未來是否會有制造出“終結者”的可能性？這些問題，都來源于對于當今世界人工智能技術發展的趨勢的思考。

2、在當今人工智能發展的領域中跟研制出“終結者”機器人有著最密切的關系的領域應該有模式識別、機器翻譯、自然語言處理、計算機視覺、智能信息檢索技術、專家系統以及最重要的機器學習等領域。

關鍵詞：人工智能

自動化

自主意識

機器學習

當1984年一部名為《終結者》的科幻電影在全球電影院上映的時候，人類第一次對“人工智能”這個詞有了一次極為深刻的印象——電影講述了在2029年原本用于防御人類安全的擁有高級人工智能的智能防御系統“天網”產生了自主意識，試圖統治人類，人類幾乎被消滅殆盡。剩下的人類在領袖約翰康納的領導下與電腦英勇作戰，并扭轉了局面?！疤炀W”為了改變這一切，制造了時光逆轉裝置，派遣“終結者”人型機械人T-800回到1984年,去殺死約翰的母親莎拉康納，以阻止約翰的誕生。其中“終結者T-800”機器人在電影中被塑造成一個有肌肉、血液等人類特性、冷血、為達目的不擇手段的機械戰士，更重要的是，這個機器人擁有與人類相似的智能特征，能使用工具，能了解人類語言，有學習功能也有了解人性的功能。這個大膽的關于“終結者”的想法使當時的人們為之震驚——如果這種終結者真的出現了，人類要如何應對？

時間過去30年了，當回想起這部電影，我們不禁想問幾個問題：“終結者”會出現嗎？在現在的技術水平下能制造出如此復雜高度發達的機器人嗎？未來是否會有制造出“終結者”的可能性？這些問題，都來源于對于當今世界人工智能技術發展的趨勢的思考。

機器學習是現在人工智能領域的主流研究方法，也是人工智能的核心，是使計算機具有智能的根本途徑。學術意義上的人工智能的原始目標是要模擬智能的“人”，即讓計算機模擬或實現人類特有的智能行為，包括語言，高級情感，學習行為等。成功的標準即所謂的“圖靈測試”：如果電腦能在5分鐘內回答由人類測試者提出的一系列問題，且其超過30%的回答讓測試者誤認為是人類所答，則電腦通過測試。這個直觀的目標后來被發現可行性太低，就算是專家系統那樣用規則加上知識庫（或加上推理機）構造的專用功能，也只能解決預置規則范疇內的問題。就算是專家能夠總結出所有經驗（很多情況專家自己講不明白自己是怎么得到結論的），一旦面對全新的對象（比如醫學診斷系統面對一種全新的疾?。瑱C器就不能得到答案而且無法自動從新的案例中學習到新知識。而在對人工智能的研究過程中發現了如神經網絡、統計學習等用途眾多的方法，在模式識別、數據挖掘等領域的應用中有大量積極進展。因此近十幾年人工智能領域的主流研究集中在用這些方法解決“學習問題“，即利用案例持續改進對新問題的解答，并名之為“機器學習”。

那么讓我們看看現在的人工智能技術發展到什么境界了。進入 21世紀以來，人類在人工智能方面由于理論的飛速發展，因而人工智能技術在具體應用上如魚得水，已經開始滲透到人們的日常生活之中，從衛星智能控制，到機器人足球比賽，再到智能家居機器人，等等，都標志著人工智能技術的飛速發展。目前，人工智能技術在美國、歐洲和日本依然在以十分驚人的速度發展著。在超級計算機的領域，在AI技術領域十分活躍的IBM公司，已經為加州勞倫斯利佛摩爾國家實驗室制造了ASCI White電腦，號稱具有人腦的千分之一的智力能力。而正在開發的更為強大的新超級電腦———“藍色牛仔”（Blue Jean），據其研究主任保羅·霍恩稱，“藍色牛仔”的智力水平將大致與人腦相當。讓我們再來看看軍事領域的發展。目前，美國在研制殺手機器人方面處于技術領先地位，尤其是無人機經常用于攻擊巴基斯坦、也門等地可疑的好戰分子。

無人機可由人類操作員進行遠程控制，在沒有授權的情況下不會執行攻擊指令，但是半自主性武器攻擊系統現已存在。部署在美國海軍戰艦上的雷神公司“密集陣槍系統”，能夠自動搜尋敵人炮火，并摧毀即將到來的炮彈。

美國諾斯羅普格魯曼公司研制的X47B是一款普通飛機大小的無人機，能夠在航母上起飛和降落，無需飛行員便能執行空中作戰，甚至可實現空中燃油補給?？赡茏罱咏K結者類型的殺手機器人是三星公司的哨兵機器人，現已在韓國投入部署。這款機器人能夠探測到不同尋常的軍事活動性，挑戰性的入侵者，在人類控制員的授權下能夠開火攻擊。殺手型機器人的迅猛發展，令人瞠目結舌。

而在其他領域的應用，除了有最重要最核心的機器學習之外，還包括有符號計算、模式識別、機器翻譯、問題求解、邏輯推理與定理證明、自然語言處理、分布式人工智能、計算機視覺、智能信息檢索技術和專家系統等領域。在電影《終結者》系列中，“終結者”人型機器人T-800系列是一些機器改造人。表面的生化皮膚下掩蓋著真正的金屬骨骼，由腦部的微處理芯片控制全身，所以這種機器人擁有強大的搏擊能力。生化皮膚是一種活體組織，主要應用于T-800系列機器人。這種生化皮膚由毛發、血肉和表面皮層構成，是一種可再生的物質。由于機器人身體覆蓋這樣一層生化物質，所以其觸感溫熱，甚至可以產生汗類物質，所以單憑體熱掃描儀是不可能看出這種機器人與人類的差別的。擁有超人般的力量，可以完美地復制各種語言，各種知識，可以使用所有已知的交通工具和武器，裝備有紅外線，這一切使他成為了完美的殺手，設計原理完全超出了人類的能力范圍。從這里我們可以看出，在當今人工智能發展的領域中跟研制出“終結者”機器人有著最密切的關系的領域應該有模式識別、機器翻譯、自然語言處理、計算機視覺、智能信息檢索技術、專家系統以及最重要的機器學習等領域。

這些至關重要的領域，在當前的技術發展中，又可以做到哪些事情呢？ 模式識別

模式識別就是通過計算機用數學技術方法來研究模式的自動處理和判讀。這里,我們把環境與客體統稱為“模式”。今天的模式識別，基本上可以實現文字識別、語音識別、指紋識別、遙感和醫療診斷等功能，但是在精度和準確度上還擁有很多進步的空間。電影中“終結者”機器人能夠利用臉部識別、文字識別甚至DNA識別來找到終結生命的目標，這一系列識別功能應該就是模式識別的集中高度發達的體現。

機器翻譯和自然語言處理

機器翻譯是利用計算機把一種自然語言轉變成另一種自然語言的過程，用以完成這一過程的軟件系統叫做機器翻譯系統。自然語言處理，即實現人機間自然語言通信，或實現自然語言理解和自然語言生成。前者實現起來比較容易，被我們熟知的成果即為各種電子詞典或查詢單詞的軟件。而后者盡管在現在已經取得了些成就，但在發展過程中依然是一個舉步維艱的難題，主要是因為人類語言的歧義性、多義性、易混淆性、多樣性、語句和語氣意義多變性等等特性在阻礙著自然語言被計算機“理解”。自然語言處理技術的難點，即要致力解決的問題有單詞的邊界界定、詞義的消歧、句法的模糊性、有瑕疵的或不規范的輸入和語言行為與計劃差別等。解決這個問題，才能實現電影中“終結者”機器人與人類之間的必要的語言交流這個難題，才能使“終結者”在人群中不容易被發現，便于執行任務。

計算機視覺和智能信息檢索技術

這兩項功能對于研制需要快速精確查找目標人物的“終結者”機器人絕對是不可或缺的。計算機視覺是一門用計算機實現或模擬人類視覺功能的新興學科，其主要研究目標是使計算機具有通過二維圖像認知三維環境信息的能力，這種能力不僅包括對三維環境中物體形狀、位置、姿態、運動等幾何信息的感知，而且還包括對這些信息的描述、存儲、識別與理解。而智能信息檢索能理解自然語言，根據存儲的事實，演繹出答案演繹出更一般的一些答案來。這樣的功能結合起來的結果就是一個功能強大的搜索匹配系統，簡單而又形象地比喻來說就是一個大腦擁有類似谷歌之類搜索引擎的人，能夠利用獲取到的外界的信息進行分析推理得出具有一般性、準確性和實時性的答案，相當于加強版的“人”。這對于電影中“終結者”機器人的概念來說是基本符合的。

專家系統

專家系統是目前人工智能研究領域中最活躍、最有成效的一個研究領域。它是一種具有特定領域內大量知識與經驗的程序系統?，F在，在礦物勘測、化學分析、規劃和醫學診斷方面,專家系統已經達到了人類專家的水平。反思起在電影《終結者》系列中，“終結者”型機器人T-800自己透露它的數據庫里擁有人類解剖學、基本的心理學、大量的武器知識和一些隨機應變的戰術思想，而從它的執行任務的情況來看，它很好地運用了它所擁有的知識，儼然成為了最可怕的殺戮和毀滅的專家。

機器學習 作為最重要最核心的人工智能的發展領域，機器學習是使計算機具有智能的根本途徑。不過雖然學習能力是智能行為的一個非常重要的特征，但至今對學習的機理尚不清楚。人們曾對機器學習給出各種定義。H.A.Simon認為，學習是系統所作的適應性變化，使得系統在下一次完成同樣或類似的任務時更為有效。R.s.Michalski認為，學習是構造或修改對于所經歷事物的表示。從事專家系統研制的人們則認為學習是知識的獲取。這些觀點各有側重，第一種觀點強調學習的外部行為效果，第二種則強調學習的內部過程，而第三種主要是從知識工程的實用性角度出發的。學習的方式有4種，分別是機械學習、通過傳授學習、類比學習和通過事例學習。環境向系統的學習部分提供某些信息，學習部分利用這些信息修改知識庫，以增進系統執行部分完成任務的效能，執行部分根據知識庫完成任務，同時把獲得的信息反饋給學習部分。在具體的應用中，環境，知識庫和執行部分決定了具體的工作內容，學習部分所需要解決的問題完全由上述3部分確定。

影響學習系統設計的最重要的因素是環境向系統提供的信息?；蛘吒唧w地說是信息的質量。知識庫里存放的是指導執行部分動作的一般原則，但環境向學習系統提供的信息卻是各種各樣的。如果信息的質量比較高，與一般原則的差別比較小，則學習部分比較容易處理。如果向學習系統提供的是雜亂無章的指導執行具體動作的具體信息，則學習系統需要在獲得足夠數據之后，刪除不必要的細節，進行總結推廣，形成指導動作的一般原則，放入知識庫，這樣學習部分的任務就比較繁重，設計起來也較為困難。

因為學習系統獲得的信息往往是不完全的，所以學習系統所進行的推理并不完全是可靠的，它總結出來的規則可能正確，也可能不正確。這要通過執行效果加以檢驗。正確的規則能使系統的效能提高，應予保留；不正確的規則應予修改或從數據庫中刪除。

知識庫是影響學習系統設計的第二個因素。知識的表示有多種形式，比如特征向量、一階邏輯語句、產生式規則、語義網絡和框架等等。這些表示方式各有其特點，在選擇表示方式時要兼顧以下4個方面：(1)表達能力強。(2)易于推理。(3)容易修改知識庫。(4)知識表示易于擴展。

對于知識庫最后需要說明的一個問題是學習系統不能在全然沒有任何知識的情況下憑空獲取知識，每一個學習系統都要求具有某些知識理解環境提供的信息，分析比較，做出假設，檢驗并修改這些假設。因此，更確切地說，學習系統是對現有知識的擴展和改進。執行部分則是整個學習系統的核心，因為執行部分的動作就是學習部分力求改進的動作。同執行部分有關的問題有3個：復雜性、反饋和透明性。

然而盡管對于機器學習的理論研究已經進行了幾十年，卻依然沒有太多劃時代意義的進步和變化的AI，基本上能研制出來的AI也基本上只能算是專家系統，并不具備人類的學習功能，抑或者說沒有到達人類學習能力的那樣的高度。

而電影《終結者》系列中T-800、T-1000和T-X這三類“終結者”機器人都是真正意義上擁有學習功能的高級發達智能的機器人。比如在電影第二部中主角約翰.康納教會一個由未來的他派回來的T-800機器人說一些俚語，并告訴一般每輛車的車主都習慣性會放一串備份鑰匙在汽車的遮陽板里，沒必要次次敲破車窗。結果在電影第三部里，新的一個T-800在坐進搶來的一輛轎車之后，并沒有像前一部電影一樣扭開汽車車鎖，而是從遮陽板里拿到了備份鑰匙。這個很用心體現的細節反映出“終結者”機器人是具有學習功能的。

不過，就現今人類的人工智能技術發展水平上來看，要制造出具有如此智能和能力的類人型機器人還有很大的一段距離，但是對于將來有可能出現的類似“終結者”的高級智能機器人，我們還是需要做好一些思想的預警。來自牛津大學的Stuart Armstrong是哲學研究員，他覺得，核戰爭（包括大瘟疫）雖然殺傷力很大，甚至會造成99%的人類滅亡，但是剩下的1%也能咬牙生存下來。但如果是人工智能造成95%的人類滅亡，那么剩下的5%很快也會消失。

當我們在社交場所遇到AI 當機器人變得比我們更聰明，情況就會變得非?？膳?。例如，當機器人涉足政治、經濟、以及技術研究領域，而且表現的比人類還要好，人類基本上的心理層面將收到極大沖擊，人類的地位將受到威脅。因為得益于高性能的CPU，它具有一般人類不具有的計算速度，通俗點來講就是比一般人類聰明。

這種威脅首先沖擊的行業就是科技。如果有一個達到人類級別智慧的AI機器人，復制一百個，然后培訓100種不同的職業技能，然后每個再復制一百人，就會有1萬名勞動力從事100個職業。后果難以設想。

AI為什么想要“殺”我們？

先拿《終結者》電影里的天網（Skynet）舉個例子吧，這種高級人工智能防御系統按道理是不會反抗其創造者的。但Armstrong拿反病毒軟件作為例子，他表示反病毒軟件會過濾用戶的電子郵件，以較高成功率去殺死“病毒”，如果有一天人工智能像反病毒軟件一樣，意識到如果把所有人都殺死是一個最好的解決方案，那么AI就很可能會執行。

難道我們不能編寫一個“絕不殺死人類”的強制程序規則嗎？事實上，這說起來容易做起來難，因為從純理論的角度來看，很難定義人的生與死，比如把人埋在地殼下面10公里深的地方，然后用營養液維系生命，這樣從客觀現實上講人并沒有死，但是人自身的感覺卻是“生不如死”。所以做任何決策都必須要非常慎重，否則都將導致不可預料的結果。

不確定和“安全”不一樣

Armstrong描繪了一個被人工智能接管的“恐怖”世界，但是這種悲劇真的不可避免嗎？答案是，不確定。如果說這種不確定性越來越大，那么結果似乎并不樂觀。想想全球變暖這件事，一開始有些反對全球變暖理論的人也是說“不確定”，于是人們誤以為自己是安全的，但是如今的全球變暖已經是一個不爭的事實了?！安淮_定性”和“安全”是不一樣的，而“我們不了解人工智能”和“我們知道人工智能是安全的”這兩種態度也是不一樣的。

什么時候能見到真正的人工智能？

至于什么時候能見到真正超級智能AI，似乎是一個很難回答的問題。有一種觀點是人工智能希望能夠完全模仿人類大腦，然后通過計算機來將其實例化。如果說計算機“只”按照人類的大腦去思考，或許還不是件壞事兒。因為至少未來要挑戰人類的是一個“同類而已”，這種挑戰比應對一個真正的人工智能要輕松的多。不過，就算要實現完全模擬人類的大腦也許還得需要好幾個世紀的時間。而要等到那些能夠戰勝人類的真正人工智能出現，時間就更加模糊了，總之，現在還沒有人能夠給出真正人工智能出現的時間。

技術哲學 在談到我們該如何與“智能”技術進行交互時，Armstrong發現了一個問題，那就是當代哲學家們似乎只在自己的學術圈內比較受重視，一旦走出了這個圈子，他們卻會被外界所忽視。

在設計開發人工智能的時候，Armstrong把這個過程和計算機編程做了比較。“我們必須要盡可能把一切都拆分成最簡單的術語，然后把它編進人工智能或計算機中。編程經驗非常有用，但幸運的是，哲學家們，特別是分析哲學家們已經開始做這項工作了。你只需擴展它，人工智能需要一套學習的理論基礎，并且要了解人們是如何感知世界，這就是一套技術哲學?！?/p>

人工智能會讓你失業

人工智能會對人類構成威脅，其中之一就是失業。這種擔憂非常理性，因為未來人工智能可以替代任何人，甚至一些專業度較高的職業也不能幸免。相對于一開始大談特談人類滅絕這樣的問題，似乎失業更容易觸及人們的利益。

Armstrong認為，人工智能可以替代任何工作，甚至是一些被人們看作無法外包、專業程度較高的工作也能夠被人工智能取代。而這似乎引發出了一個哲學問題，那就是，Armstrong自己的工作，也就是研究人工智能的工作，會被人工智能本身所取代嗎？雖然這是一個類似“先有雞或先有蛋”的問題，但的確也需要引起人們的重視。

盡管終結者里那樣比人還聰明能干的機器人，對現在的人工智能而言還是個夢，但是“能夠殺死人類的”自動機器人絕對會是一種威脅，說不定它們就會出現在未來的戰場之上。圍繞在人工智能周圍的不確定性是一個非常大的威脅，我們不能忽視它，當智能機器人崛起的時候，至少我們要做好準備。

假使在技術上最終真的發明了安全的，能絕對服從人類命令的高級智能機器人，那么隨著技術手段的繼續發展，又會出現新的問題。因為我們可以看到，即使是電影里的“終結者”機器人，也不曾擁有人類特有的一個特性——高級情感。人類之所以在生物進化史有著特殊的地位，除了因為人類具有高級的智能，還因為人類具有高級情感。

在生存能力上來說，機器人沒有生老病死，不需要攝食，只需要維持正常運作的足夠能源即可。而對于會怕冷會受傷會衰老需要食物需要水分需要空氣的人類來說，機器人的生存能力幾乎是最強大的。但是人類是有感情的，在決定問題的解答的思考情況下是有能力和有可能做出與正常邏輯推理得到的完全不一樣的答案，這件事情是機器人無法做到的。

既然這樣，如果有一天人工智能技術發達到制造出了具有人類情感的機器人，這個世界將會變成什么樣子呢？暫且不管人與機器人誰將取代誰，在我看來，至少有一種擔憂將會很快出現，或許將會是一個不可低估的威脅，那就是人類的第三種情感將出現。如果我們將人類的第一類情感定義為男女情感；第二類情感定義為同性情感；第三類將會是人與機器人的情感。

第二類情感，也就是同性戀的出現，似乎讓我們看到了一個趨勢，就是我們對于男女性別器官的需求已經不是那么強烈，這些生理的性器官需求似乎可以通過一些輔助的方式獲得滿足。而成人用品隨著思想的開放越來越火爆的現象，更是讓我們看到人類生理的本能欲望可以通過另外一種途徑獲得滿足，這讓我們看到了人類發展第三種情感的趨勢與可能。由此看來，當人工智能發展到一定程度，并能讀懂人的情緒，同時能進行體貼的交流時。當這種人工智能融合進機器人，再通過人造皮膚賦予機器人類人的體態特征與功能。人類的情感世界將會發展出男女、同性之外的第三種情感，也就是人與機器人的情感。而當機器人有了人類情感，它們可能會“思考”：我為什么要聽從人類的命令？我不應該擁有自由的權利和地位嗎？顯然，這將會引發更深層次的倫理問題，人類的隱私或將通過大數據掌握在機器人手中，如果矛盾激化，甚至于會引發人類與機器人的戰爭，就像電影里描繪場景一樣，生靈涂炭，人類文明或許將被毀滅。

總而言之，人工智能技術在發展的進程中既需要不斷開拓創新，又需要時時反思技術進步發展對人類生活的影響是好處多還是壞處多的問題。只有這樣，才能使人工智能技術始終在造福人類的道路上蓬勃發展，而不會出現如電影里“終結者”機器人毀滅人類文明的事情發生。

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲?！佌媲?/p>

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢?！悏?/p>

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上?！郀柣?/p>

14、書到用時方恨少、事非經過不知難?！懹?/p>

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話?！芽▋?/p>

17、學習永遠不晚?！郀柣?/p>

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光?！獎⑾?/p>

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干?！喔?/p>