人工智能的现状及今后发展趋势展望

1、人工智能的现状及今后发展趋势展望一引言人工智能 (Artificial Intelligence), 英文缩写为 AI ，也称机器智能。 “人工智能 ”一词最初是在1956 年的 Dartmouth 学会上提出的。 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。 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。二目前人工智能技术的研究和发展状况目前，人工智能技术在美国、欧洲和日本依然飞速发展。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

2、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，篮色牛仔”的智力水平将大致与人脑相当。 三技术应用随着 AI 技术的发展，现代几乎各种技术的发展都涉及到了人工智能技术，可以说人工智能已经广泛应用到许多领域，其典型的应用包括：1 符号计算计算机最主要的用途之一就是科学计算,科学计算可分为两类: 一类是纯数值的计算,例如求函数的值 ; 另一类是符号计算, 又称代数运算, 这是一种智能化的计算, 处理的是符号。符号可以代表整数、有理数、实数和复数, 也可以代表多项

3、式、函数、集合等。随着计算机的普及和人工智能的发展,相继出现了多种功能齐全的计算机代数系统软件,其中 Mathematic 和 Maple 是它们的代表。由于它们都是用 C 语言写成的 , 所以可以在绝大多数计算机上使用。2 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 ”。用计算机实现模式(文字、声音、人物、物体等)的自动识别，是开发智能机器的一个关键的突破口， 也为人类认识自身智能提供线索。 计算机识别的显着特点是速度快、 准确性和效率高。 识别过程与人类的学习过程相似， 以 “语音识别 ”为例： 语音识别就是让计算机能听懂

4、人说的话，一个重要的例子就是七国语言(英、日、意、韩、法、德、中)口语自动翻译系统。该系统实现后，人们出国预定旅馆、 购买机票、 在餐馆对话和兑换外币时，只要利用电话网络和国际互联网，就可用手机、电话等与 “老外 ”通话。3 机器翻译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。 搜文网目前， 国内的机器翻译软件不下百种， 根据这些软件的翻译特点，大致可以分为三大类：词典翻译类、汉化翻译类和专业翻译类。词典类翻译软件的代表是 “金山词霸” ，堪称是多快好省的电子词典，它可以迅速查询英文单词或词组的词义并提供单词的发音，为用户了解单词

5、或词组含义提供了极大的便利。汉化翻译软件的典型代表是 “东方快车2000” ，它首先提出了 “智能汉化 ” 的概念，使翻译软件的辅助翻译作用更加明显。4 机器学习机器学习是机器具有智能的重要标志， 同时也是机器获取知识的根本途径。 有人认为， 一个计算机系统如果不具备学习功能， 就不能称其为智能系统。 机器学习主要研究如何使计算机能够模拟或实现人类的学习功能。机器学习是一个难度较大的研究领域，它与认知科学、神经心理学、 逻辑学等学科都有着密切的联系，并对人工智能的其他分支，如专家系统、自然语言理解、自动推理、智能机器人、计算机视觉、计算机听觉等方面，也会起到重要的推动作用。5 问题求解人工智能

6、的第一大成就是下棋程序, 在下棋程序中应用的某些技术,今天的计算机程序已能够达到下各种方盘棋和国际象棋的锦标赛水平。但是, 尚未解决包括人类棋手具有但尚不能明确表达的能力，如国际象棋大师们洞察棋局的能力。另一个问题是涉及问题的原概念, 在人工智能中叫问题表示的选择, 人们常能找到某种思考问题的方法 , 从而使求解变易而解决该问题。到目前为止 , 人工智能程序已能知道如何考虑它们要解决的问题 , 即搜索解答空间 , 寻找较优解答。6 逻辑推理与定理证明逻辑推理是人工智能研究中最持久的领域之一, 其中特别重要的是要找到一些方法, 只把注意力集中在一个大型的数据库中的有关事实上 , 留意可信的证明

7、,并在出现新信息时适时修正这些证明。 医疗诊断和信息检索都可以和定理证明问题一样加以形式化。 因此 , 在人工智能方法的研究中，定理证明是一个极其重要的论题。7 自然语言处理自然语言的处理是人工智能技术应用于实际领域的典型范例 , 经过多年艰苦努力 ,这一领域已获得了大量令人瞩目的成果。 目前该领域的主要课题是: 计算机系统如何以主题和对话情境为基础,注重大量的常识 世界知识和期望作用 , 生成和理解自然语言。这是一个极其复杂的编码和解码问题。8 分布式人工智能分布式人工智能在20 世纪 70 年代后期出现，是人工智能研究的一个重要分支。分布式人工智能系统一般由多个Agen ( t 智能体)组

8、成，每一个Agent 又是一个半自治系统， Agent 之间以及 Agent 与环境之间进行并发活动，并通过交互来完成问题求解。9 计算机视觉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。目前，计算机视觉已在人类社会的许多领域得到成功应用。例如， 在图像、 图形识别方面有指纹识别、染色体识字符识别等；在航天与军事方面有卫星图像处理、飞行器跟踪、成像精确制导、景物识别、目标检测等； 在医学方面有图

9、像的脏器重建、 医学图像分析等； 在工业方面有各种监测系统和生产过程监控系统等。10 智能信息检索技术信息获取和精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题 , 将人工智能技术应用于这一领域的研究是人工智能走向广泛实际应用的契机与突破口。11 专家系统专家系统是目前人工智能中最活跃、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。近年来, 在 “专家系统 ”或 “知识工程 ”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识 , 所以才能达到优异地解决问题的能力。那么计算机程序如果能体现和应用这些知识 , 也应该能解决人类专家

10、所解决的问题 ,而且能帮助人类专家发现推理过程中出现的差错, 现在这一点已被证实。如在矿物勘测、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。四目前人工智能发展中所面临的难题人工智能 (AI) 学科自 1956 年诞生至今已走过50 多个年头 ,就研究解释和模拟人类智能、智能行为及其规律这一总目标来说, 已经迈出了可喜的一步 ,某些领域已取得了相当的进展。 但从整个发展的过程来看, 人工智能发展曲折, 而且还面临不少难题，主要有以下几个方面：1 计算机博弈的困难博弈是自然界的一种普遍现象， 它表现在对自然界事物的对策或智力竞争上。 博弈不仅存在于下棋之中 , 而且存在于政

11、治、经济、军事和生物的斗智和竞争之中。尽管西洋跳棋和国际象棋的计算机程序已经达到了相当高的水平, 然而计算机博弈依然面临着巨大的困难。这主要表现在以下两个方面的问题：其一是组合爆炸问题 , 状态空间法是人工智能中基本的形式化方法。若用博弈树来表示状态空间 ,对于几种常见的棋类,其状态空间都大得惊人,例如 ,西洋跳棋为 10 的 40 次方 , 国际象棋为 10 的 120 次方 , 围棋则是 10 的 700 次方。如此巨大的状态空间 , 现有计算机是很难忍受 的。其二是现在的博弈程序往往是针对二人对弈、棋局公开、有确定走步的一类棋类进行研制的。而对于多人对弈、随机性的博弈这类问题 , 至少目

12、前计算机还是难以模拟实现的。2 机器翻译所面临的问题在计算机诞生的初期 , 有人提出了用计算机实现自动翻译的设想。目前机器翻译所面临的问题仍然是1964 年语言学家黑列尔所说的构成句子的单词和歧义性问题。歧义性问题一直是自然语言理解(NLU) 中的一大难关。同样一个句子在不同的场合使用, 其含义的差异是司空见惯的。因此,要消除歧义性就要对原文的每一个句子及其上下文进行分析理解, 寻找导致歧义的词和词组在上下文中的准确意义。然而, 计算机却往往孤立地将句子作为理解单位。另外 , 即使对原文有了一定的理解 , 理解的意义如何有效地在计算机里表示出来也存在问题。目前的 NLU 系统几乎不能随着时间的

13、增长而增强理解力 , 系统的理解大都局限于表层上, 没有深层的推敲, 没有学习 , 没有记忆 , 更没有归纳。导致这种结果的原因是计算机本身结构和研究方法的问题。现在NLU 的研究方法很不成熟,大多数研究局限在语言这一单独的领域, 而没有对人们是如何理解语言这个问题做深入有效的探讨。3 自动定理证明和GPS 的局限自动定理证明的代表性工作是1965 年鲁宾逊提出的归结原理。归结原理虽然简单易行, 但它所采用的方法是演绎, 而这种形式上的演绎与人类自然演绎推理方法是截然不同的。基于归结原理演绎推理要求把逻辑公式转化为子句集合, 从而丧失了其固有的逻辑蕴含语义。前面曾提到过的GPS 是企图实现一种

14、不依赖于领域知识求解人工智能问题的通用方法。 GPS 想摆脱对问题内部表达形式的依赖 , 但是问题的内部表达形式的合理性是与领域知识密切相关的。不管是用一阶谓词逻辑进行定理证明的归结原理, 还是求解人工智能问题的通用方法GPS, 都可以从中分析出表达能力的局限性 , 而这种局限性使得它们缩小了其自身的应用范围。4 模式识别的困惑虽然使用计算机进行模式识别的研究与开发已取得大量成果, 有的已成为产品投入实际应用 ,但是它的理论和方法与人的感官识别机制是全然不同的。人的识别手段、形象思维能力 , 是任何最先进的计算机识别系统望尘莫及的 , 另一方面 , 在现实世界中 , 生活并不是一项结构严密的任

15、务，一般家畜都能轻而易举地对付,但机器不会,这并不是说它们永远不会,而是说目前不会。五人工智能的发展前景技术的发展总是超乎人们的想象， 要准确地预测人工智能的未来是不可能的。 但是， 从目前的一些前瞻性研究可以看出，未来人工智能可能会向以下几个方面发展: 模糊处理、并行化、神经网络和机器情感。2 人工智能的发展潜力巨大人工智能作为一个整体的研究才刚刚开始 , 离我们的目标还很遥远，但人工智能在某些方面将会有大的突破。(1) 自动推理是人工智能最经典的研究分支 ,其基本理论是人工智能其它分支的共同基础。 一直以来自动推理都是人工智能研究的最热门内容之一, 其中知识系统的动态演化特征及可行性推理的

16、研究是最新的热点 , 很有可能取得大的突破。(2) 机器学习的研究取得长足的发展。 许多新的学习方法相继问世并获得了成功的应用 , 如增强学习算法、 reinforcement learning 等。也应看到 ,现有的方法处理在线学习方面尚不够有效,寻求一种新的方法 , 以解决移动机器人、自主agent 、智能信息存取等研究中的在线学习问题是研究人员共同关心的问题 , 相信不久会在这些方面取得突破。(3) 自然语言处理是AI 技术应用于实际领域的典型范例 , 经过 A I 研究人员的艰苦努力 , 这一领域已获得了大量令人瞩目的理论与应用成果。许多产品已经进入了众多领域。智能信息检索技术在Internet 技术的