人工智能发展综述

1人工智能发展综述摘要：本文从探讨人工智能的概念出发，阐述了对“智能”的理解在研究中的地位，简要介绍了人工智能的三个阶段的发展简史、当前的研究与应用热点，并指出人工智能的进一步发展依赖于更先进的数学工具。对于人工智能的研究领域本文也做了较为详细的说明，特别介绍了将人工智能结合优化方法应用在决策过程中的研究现状，同时还对人工智能在我国的发展现状及所取得的成果做了相关的研究与分析，最后对于人工智能的未来提出了一系列的预测，并对如何应对人工智能给人类带来的挑战以及在发展人工智能时应注意的问题等提出了一些建议，对这些问题的研究有助于进一步推动人工智能的发展。希望通过这篇综述使得读者对人工智能的相关知识有个大概的了解。关键词：人工智能模式识别专家系统机器人学决策优化一、人工智能概述智能”源于拉丁语Legere,字面意思是采集(特别是果实)、收集、汇集,并由此进行选择,形成一个东西。Intelegere是从中进行选择,进而理解、领悟和认识。正如帕梅拉·麦考达克在《机器思维》中所提出的:在复杂的机械装置与智能之间存在长期的联系。从几个世纪前出现的神话般的巨钟和机械自动机开始,人们已对机器操作的复杂性与自身的某些活动进行直观联系。经过几个世纪之后,新技术已使我们所建立的机器的复杂性大为提高。1936年,24岁的英国数学家图灵提出了“自动机”理论,把研究会思维的机器和计算机的工作大大向前推进了一步,他也因此被称为“人工智能之父”。人工智能也称机器智能，它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。人工智能的研究从1956年2正式开始，这一年在达特茅斯大学召开的会议上正式使用了“人工智能”(ArtificialIntelligence，AI)这个术语。从计算机应用系统的角度出发，人工智能是研究如何制造智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。如果仅从技术的角度来看，人工智能要解决的问题是如何使电脑表现智能化，使电脑能更灵活方效地为人类服务。只要电脑能够表现出与人类相似的智能行为,就算是达到了目的，而不在乎在这过程中电脑是依靠某种算法还是真正理解了。人工智能是计算机科学中涉及研究、设计和应用智能机器的—个分支，它的目标是研究怎样用电脑来模仿和执行人脑的某些智力功能，并开发相关的技术产品，建立有关的理论。因此,“人工智能”与计算机软件有密切的关系。一方面,各种人工智能应用系统都要用计算机软件去实现,另一方面,许多聪明的计算机软件也应用了人工智能的理论方法和技术。例如,专家系统软件,机器博奕软件等。但是,“人工智能”不等于“软件”,除了软件以外,还有硬件及其他自动化的通信设备。二、人工智能的发展阶段第一阶段:50年代人工智能的兴起和冷落。人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是：重视问题求解的方法，忽视知识重要性。第二阶段:60年代末到70年代，专家系统出现，使人工智能研究出现新高潮。DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR探矿系统、Hearsay-II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议（InternationalJointConferencesonArtificialIntelligence即IJCAI）。第三阶段:80年代，随着第五代计算机的研制，人工智能得到了很大发展。日本1982年开始了“第五代计算机研制计划”，即“知识信息处理计算机系统KIPS”，其目的是使逻辑推理达到数值运算那么快。虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮。第四阶段:80年代末，神经网络飞速发展。31987年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。第五阶段:90年代，人工智能出现新的研究高潮。由于网络技术特别是国际互连网技术的发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问题求解，而且研究多个智能主体的多目标问题求解，将人工智能更面向实用。另外，由于Hopfield多层神经网络模型的提出，使人工神经网络研究与应用出现了欣欣向荣的景象。人工智能已深入到社会生活的各个领域。三、人工智能的研究领域人工智能的研究领域分支较多，从研究角度来分有三大分支：知识工程(knowledgeengineering)、模式识别(patternrecognition)与机器人学(robotoligy)。本文仅对其中的几种研究领域进行粗略的介绍。1、模式识别计算机硬件的迅速发展，计算机应用领域的不断开拓，急切地要求计算机能更有效地感知诸如声音、文字、图象、温度、震动等等信息资料，模式识别便得到迅速发展。模式(Pattern)一词的本意是指完美无缺的供模仿的一些标本。模式识别就是指识别出给定物体所模仿的标本。人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。模式识别是一个不断发展的新学科，它的理论基础和研究范围也在不断发展。随着生物医学对人类大脑的初步认识，模拟人脑构造的计算机实验即人工神经网络方法早在50年代末、60年代初就已经开始。至今，在模式识别领域，神经网络方法已经成功地用于手写字符的识别、汽车牌照的识别、指纹识别、语音识别等方面。目前模式识别学科正处于大发展的阶段，随着应用范围的不断扩大，随着计算机科学的不断进步，基于人工神经网络的模式识别技术，在90年代将有更大的发展。2、专家系统41977年费根鲍姆提出“知识工程”，把实用的人工智能称为知识工程，标志着人工智能研究进入实际应用的阶段。他开发出了第一个“专家系统”(expertsystems)，认为“专家系统是一种智能的计算机程序，它运用知识和推理步骤来解决只有专家才能解决的复杂问题”。专家系统是指利用研究领域的专业知识进行推论，在解决专业的高级问题方面具有和专家相同能力的解决系统，属于人工智能的应用领域。目前，这一领域发展较快，应用也较广，已开发出不少有实际价值的专家系统．与传统的计算机程序相比，专家系统是以知识为中心，注重知识本身而不是确定的算法．专家系统所要解决的是复杂而专门的问题，对这些问题人们还没有精确的描述和严格的分析，因而一般没有解法，而且经常要在不确定或不精确的信息基础上做出判断，需要专家的理论知识和实际经验。标准的计算机程序能精确地区分出每一任务应该如何完成，而专家系统则是告诉计算机做什么，而不区分出如何完成，这是两者最大的区别。另外，专家系统突出了知识的价值，大大减少了知识传授和应用的代价，使专家的知识迅速变成社会的财富。再者，专家系统采用的是人工智能的原理和技术，如符号表示、符号推理、启发式搜索等等，与一般的数据处理系统不同。专家系统在各个领域的应用已经产生了很可观的经济效益，这从另一方面促进了对专家系统的理论和技术方面的研究。3、自然语言处理NLP(NaturalLanguageProcessing)自然语言处理是人工智能的早期研究领域之一，也是一个极为重要的领域，主要包括人机对话和机器翻译两大任务，是一门融语言学、计算机科学、数学于一体的科学。由于以乔姆斯基为代表的新一代语言学派的贡献和计算机技术的发展，自然语言理解正在变得越来越热门．有很多理由值得人们去研究如何使计算机程序能以某种方式使用自然语言的问题。NLP已经编写出能够从内部数据库回答用英语提出的问题的程序，这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。有些程序甚至能够在一定程度上翻译从话筒输入的口头指令(而不是从键盘打入计算机的指令)。目前语言处理研究的主要课题是：在翻译句子时，以主题和对话情况为基础，注意大量的一般常识--世界知识和期望作用的重要性。人工智能在语言翻译与语音理解程序方面已经取得的成就，发展为人类自然语言处理的新概念。4、机器人学5人工智能研究日益受到重视的另一个分支是机器人学，其中包括对操作机器人装置程序的研究。这个领域所研究的问题，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，无所不包。机器人和机器人学的研究促进了许多人工智能思想的发展。它所导致的一些技术可用来模拟世界的状态，用来描述从一种世界状态转变为另一种世界状态的过程。它对于怎样产生动作序列的规划以及怎样监督这些规划的执行有了一种较好的理解。复杂的机器人控制问题迫使我们发展一些方法，先在抽象和忽略细节的高层进行规划，然后再逐步在细节越来越重要的低层进行规划。在本书中，我们经常应用一些机器人问题求解的例子来说明一些重要的思想。智能机器人的研究和应用体现出广泛的学科交叉，涉及众多的课题，如机器人体系结构、机构、控制、智能、视觉、触觉、力觉、听觉、机器人装配、恶劣环境下的机器人以及机器人语言等。机器人已在各种工业、农业、商业、旅游业、空中和海洋以及国防等领域获得越来越普遍的应用。四、人工智能在优化决策中的应用数学模型特别是优化模型,一直是决策支持的重要手段。优化模型有良好的结构化形式,优化方法的重点是发现有效的解模方法。但是在决策过程中还有许多非模型活动,例如决策问题的识别,求解结果的分析和评估等,这些问题的解决需要用到人们的经验特别是该领域专家的知识。因此我们很容易地看到,纯粹的优化方法只能支持决策过程中一个重要的阶段。而另一方面,人们开发了许多模仿人类推理活动的人工智能方法,因此,自然就会想到用这些人工智能方法去支持决策过程中的非模型活动。怎样把人中智能的方法结合纯优化方法运用在决策中一直是人们感兴趣的问题。当然,由于优化方法和人工智能方法两者在数据结构和算法语言上存在巨大的差异,要实现它们的无缝结合还存在很大的困难,这需要人们发展新技术去克服。武汉理工大学的聂规划等在2000年使用一个概念框架来表示一个决策过程,针对决策过程不同阶段的特点,结合人工智能和优化方法对之提供决策支持,最终实现决策的科学化。这个概念框架将一个决策过程分为不同的几个阶段，即问题的认知、模型的设计、模型的求解、求解结果的评估以及最后应用五个阶段。(1)在问题的认知这一阶段,迄今为止还没有任何自动化的决策支持,因为考察客观世界,认知一个决策问题并描述出它的轮廓是一种非结构化的活动,需要向组织输入大量内部和外部的信息。更深一步讲,怎样导出一个决策的推理过程是很难进行表述的。6因此在这个阶段,计算机提供的支持只能停留在管理信息系统层次上。(2)模型的设计阶段,这个阶段包括模型的建立和模型的选择两方面的内容,在这个阶段,可以尝试人工智能与优化方法的结合,模型设计的输出通常是一个或更多的优化模型,模型是由决策变量、约束条件和目标函数所构成。传统的非计算机支持的建模工作是非常艰巨的。在此可以考虑用基于范例的推理方法来进行建模工作。这种方法的思想是通过从源范例库中检索先前已存在的模型来建立所需的模型,即是找到与目标范例相匹配的源范例,对之稍加修改后便可得到所需的模型。这是人工智能方面的一项技术,它是基于建模专家用相似的方法进行建模的假设上。在这个框架结构中,设计阶段还包含模型选择和排序。（3)模型的求解阶段,对那些纯粹的定量模型,一般都有较为成的模型求解方法,因此只须调用相应的求解程序即可。而对那些定量与定性相结合的模型,可以考虑把人工智能和优化方法结合起来对模型进行求解,优化方法求解定量问题,定性问题由人工智能方法解决。(4)求解结果的评估与应用,得到求解结果后,我们要对其合理性与实用性进行评估与检测,如果能够通过,则对求解结果稍加修改后便可投入实际应用;否则