人工智能技术在教育中应用及人工智能技术和发展趋势论文

10/29人工智能技术在教育中应用学院专业研究方向学生姓名学号任课教师姓名任课教师职称20年6 月24日人工智能技术在教育中应用摘要:

人工智能（AI）以及人工智能科学从诞生起，其研究和应用领域就与教育紧密相关。

人工智能就是研究让计算机接受教育、提高智能的科学技术。AI的研究成果又反过来应用到应用到教育过程中，促进教育的工作效率、产生新的教学模式。用人工智能技术技术支持教学(过程)的设计、互动分析与评价，进而支持教师及其教学，这已经成为一个重要趋势；本文阐述了教学设计自动化技术、、教学自动测评技术、专家系统、Agent等概念、重点关注的问题，以期为广大教育技术工作者提供一点借鉴.

关键词:人工智能;教学设计自动化;教学自动测评,专家系统，Agent技术

一、教学设计自动化技术

“教学设计自动化”（Automated

Instructional

Design或Automating

Instructional

Design，简称AID）是指有效利用计算机技术，为教学设计人员和其他教学产品开发人员在教学设计和教学产品开发过程中提供辅助、指导、咨询、帮助或决策的过程[1]。“教学设计自动化”更为贴切的提法应该是“计算机辅助的教学设计”（Computer

Aided

Instructional

Design，简称CAID）

教学设计是教育技术学最核心的内容之一，教学设计理论的发展为教育技术学的发展奠定了坚实的基础。但是，教学设计仍然是少数教学设计专家的“专利”，在广大教师中普及应用仍然有一定的距离。其原因主要有二，首先教学设计方法需要进一步完善和发展，包括教学设计的过程模式比较复杂、“通用”模式在各种教学情况下的不适应等；其次“设计”的工作量过于繁杂(如内容分析阶段的ABCD方法就是一项复杂的“机械”劳动)。因此，若能让计算机帮助教师完成一些“机械劳动”，让教师把更多的精力关注于学与教的过程和行为，具有非常重要的理论意义和现实意义。

从1984年梅瑞尔首次提出“教学设计自动化”开始，教学设计自动化吸引了很多教育技术专家、心理学家、人工智能专家和计算机专家的参与并取得了相当多的成果[1]。目前教学设计自动化的研究主要集中在5个方面[1]

[2]

[3]：

(1)提供集成写作工具。如WebCT、WebCL等各大网络教学支撑平台都集成了写作工具，充分利用网络的优势，简化了过程。(2)提供教学设计专家系统。例如，梅瑞尔等人研究与开发的ID

Expert就是基于规则的专家系统，它可以根据教学设计人员提供的信息，提出关于课程组织、内容结构、教学策略等方面的建议。(3)提供教学设计咨询服务。专家系统开辟了教学设计的新领域，但是却抑制了教学设计开发人员创造性的发挥，咨询系统更注重发挥教学设计人员的主观能动性。

(4)提供教学设计的信息管理系统。如学习研究协会（Institute

for

Research

on

Learning）开发的IDE（Instructional

Design

Environment）系统。(5)提供电子绩效支持系统（EPSS）。如AGD绩效支持系统等。另外，教学设计自动化技术一个最直接的应用是为教师提供教学设计模板。Web

Quest就是一个很好的例子，它提供了多套方便适用的教学设计模板，教学设计人员和教师只需填入相应的内容，就可生成WebQuest教学网站，大大降低了教学设计的难度。

教学设计自动化的更进一步发展要求它具备更高的“智能”，这需要积极借助自然语言理解和信息检索领域的成果。例如，我们有理由要求教学设计自动化系统能够帮助我们抽取文章中的概念以及概念之间的关系，生成一定的可视化图表，如概念图、思维导图等，并在人工校对后，生成可用的演示文稿。达成这一目标的核心技术包括信息抽取领域的实体抽取技术和关系抽取技术。

二、教学自动测评技术

教学自动测评是计算机辅助评价(Computer-

Assisted

Assessment，简称CAA)的核心内容和研究前沿之一，其基本流程是：把问题和任务通过计算机终端传给学生，学生通过计算机输入设备将问题的答案输入给计算机，计算机自动或半自动判断答案并记录分数。CAA可在诊断性、形成性和总结性等三类评价中均可得到有效应用；既可以用于学生的自我评价，也可以用于教师对学生的评价[4]。CAA系统的构成主要包括三个方面：(1)题库与组卷；(2)测试环境与自动阅卷；(3)测评数据的统计分析：负责管理测评结果，按要求生成各种报表以及对题目进行分析。

目前，CAA应用研究主要集中在三个方面[5]：(1)客观测试：测试题的答案从预先定义好的有限个问题答案中选择或比较，计算机对考题答案的评分不需要任何的主观因素参与，客观测试主要用于评估知识覆盖型和事实记忆型为主的课程；(2)计算机自适应测试

(CAT)：指在具有一定规模的精选试题组成的题库支持下，按照一定的规则并根据被试的反应选取试题，直到满足停止条件为止；(3)基于Internet的远程考试与评价。客观测试和计算机化自适应测试的相关的理论、方法与技术已相当成熟，能比较好地解决了知识层面的评价问题。其热点及前沿课题主要有两方面：(1)主观题的测评问题及其自动化,例如，对自由文本答案的计算机测评的研究目前已经取得很大的进展；(2)技能性非客观题的测评。

三、专家系统在教育中的应用

谓专家，一般都拥有某一特定领域的大量知识和丰富的经验。在解决问题时，专家们通常拥有一套独特的思维方式，能较圆满的解决一类难题，或向用户提出一些建设性的意见。

专家系统（Expert

System）可视为一类具有大量专门知识的计算机智能程序系统[6]。它能运用特定领域一位和众多专家提供的专门知识和经验，并采用人工智能中推理技术来求解和模拟通过由专家才能解决的各种复杂问题，达到与专家具有同等解决问题的能力。它可使专家的特长不受时间和空间的限制。因此，专家系统必须包含领域专家的大量知识，拥有类似人类专家思维的推理能力，并能用这些知识来解决实际问题。例如，一个医学专家系统就能够像真正的医学专家一样，诊断病人的疾病，判断病情的严重性，并给出相应的处方和治疗建议等。同领域和不同类型的专家系统，其体系结构和功能有一定的差异，但它们的组成基本不变。一个基本的专家系统有知识库、数据库、推理机、解释器、知识获取和用户界面六个部分组成[6]。

专家系统是人工智能研究中最重要的分支之一，它实现了人工智能从理论研究走向实践应用，从一般思维方法的探讨转入运用专门知识求解专门问题的重大突破。目前，被大多数人认可的专家系统在教育中的应用主要有两种：即将专家系统作为学习的工具和学习的对象。

专家系统作为学习的工具

专家系统作为学习的工具首先将改变现有的教育模式，勃朗逊(Robert

Branson)在美国的《教育技术》杂志上发表的题为《过去、现在和未来的教学模式》[7]一文中，描述了一个以教育技术为基础的未来教育模式，该模式是由教师、专家系统和学生三个方面所组成的。其中的专家系统是一个由知识和数据库组成的智能教学专家系统。以它作为学习的工具，为学习者提供像学科专家一样的学习支持，学生通过主动地与专家系统的交互来获取知识。同时，在这一系统中，将教师从学科事务中解放出来，使其有更多的时间和精力来协调学习者之间、学习者与专家系统之间的关系，使教师的主导作用得以充分的发挥。这一模式的实现，可以使目前的“以教师为中心”、“以课堂为中心”的教学模式从根本上有所改变。

其次，专家系统能提供智能化的决策服务，支持服务是现代远程教育系统的重要构成要素，其宗旨是创造一个优良的学习环境，使学习者方便快捷地调用各种资源，接受关于学习的全方位服务，以获得学习的成功。建立和维持一个高效灵活、强有力的支持服务子系统是有效地开发、管理和实施远程教育项目的保证，关系到现代远程教育的发展和生存。但当前远程教育中的学习支持服务并不尽人意，导学和答疑的手段都还十分落后，服务方式也受到诸多限制（如：地域、时间、人员和设施等），缺乏主动性、针对性和策略性。欲改变支持服务的被动状况，提高支持服务的质量，其有效途径之一就是引进人工智能技术，实现服务的智能化。例如在20世纪80年代初提出来的，把决策系统与人工智能相结合，尤其是与专家系统相结合的智能决策系统（Intelligence

Decision

Support

System），它比传统的决策支持系统具有更有效的辅导决策作用。智能决策系统可以实现以下的一些功能：

分析和识别问题；

形成候选的决策方案（目标、规划、方法和途径等）；

构造决策问题的求解模型；多方案、多准则、多目标情况下的比较和优化；

综合分析，包括决策结构或方案对实际问题可能产生的作用和影响的分析，以及各种环境因素、变量对决策方案或结果的影响程度分析

专家系统作为学习的对象

教育部于2003年4月正式颁布普通高中课程标准（实验稿），首次在信息技术课程中设立“人工智能初步”选修模块，从而迈出了我国高中阶段开展人工智能教育的第一步。

专家系统在人工智能领域享有很高的声誉，曾被认为“是人工智能从幻想到实践，再由实践到理论的主角”。以专家系统作为学习对象，可以对学生的以下几个方面产生积极的作用：

1、培养学生问题解决方法的多样性

人们在现实生活中遇到的问题按其结构划分，大致可以分为三类：[6]]结构化问题（能用形式化或公式化方法描述和求解的问题）、非结构化问题（难用确定的形式来描述，主要根据经验来求解的一类问题）和半结构化问题（介于以上两种之间的问题）。

学生在中学阶段要求解决的大都是结构化问题。求解结构化问题主要途径是：算法＋数据结构。而专家系统最适合那些没有高效算法解决的情况，即非结构化问题和半结构化问题。解决这类问题，推理可能是寻求较好解决方法的唯一希望。因此，求解非结构化、半结构化问题的主要途径是：知识＋推理。

通过让学生借助专家系统工具建造专家系统，包括知识库的构建和推理机制的设计，可以让学生在了解专家系统的基本特征，体验、认识专家系统的知识与技术的过程中获得对非结构化、半结构化问题解决过程的了解，从而使学生了解计算机解决问题方法的多样性，培养学生的多种思维方式，达到提高信息素养的目的。

2、培养学生人际交流的能力

为成功开发一个专家系统要求领域专家、知识工程师和用户的密切配合，领域专家提供知识和求解方法，用户提供需求，知识工程师从专家那里获取知识，并将其转化到计算机上。在专家系统的教学中，可以要求学生自行构建由产生式规则组成的知识库，学生作为知识工程师或领域专家，即要能清楚地向他人表述自己意图，又要具备从别人那里获得对自己有用的信息的能力。通过这种角色扮演，有利于培养学生的人际交流的能力，提高协作意识。

3、

开发学生的元认知能力

元认知又称反省认知，即对认知的认知，是个人关于他自己的认知活动过程和结果以及与之有关的任何事项的认知，其实质是个体对自己认知活动的自我意识和自我调节[8]。斯腾伯格认为，人们对自身思维过程（分析、创造和实践性的问题解决、推理和决策制定等）了解和控制的元认知能力，相比单纯的认知能力（如知觉、记忆和思维过程）更能影响到智力[9]。而我国现行的学习目标大都以布卢姆的教育目标分类学或加涅的理论为指导，在制定学习目标时往往忽略元认知能力的培养。

由于专家系统中的知识组织和推理过程是对人类专家思维方式的一种模拟与再现，因此学生在建造知识库过程中，需要反省自己的思维过程，将原来零碎的未成型的知识概念化、形式化和条理化，从而内化为学生自己的东西。通过自己实践构建一个小型的专家系统，可以为学习者提供一个反思自身思维过程的机会，有助于学生认知水平的提高。

四、Agent技术在教育中的应用

Agent是一个具有自治能力的实体，这个实体是一个由软件支持下的系统[10]。一般以软件为多。这种软件能够在目标的驱动下采取社会交往、学习等行为对环境的变化作出主动的反应，完成特定任务。Agent的特点主要包括自主性、进化性、协作性、进化性、通信性、移动性等。

目前的网络教育课程很大程度上是把传统的教育课程搬到了网上，原有的教育体系中一些好的方面没有被继承和发扬。在网络教学中，教学方式单一，教学内容没有很好的针对性，对于学生的关心程度几乎为零。Agent技术的引入，有望较好地解决这些存在的问题。

Agent应用网络教学中以后，主要的优点有以下几个方在面：

1、

网络教育的个别化

目前的网络教育中教育的个别化只是时空上的个别化，而要教学方式和教学内容上没有发生根本变化。网络由于其自身的特点，个别化教育应是其重要的一个优点。但如果只是将课堂教学简单搬上网络，不但没有实现其个别化的特点，反而使传统课堂教学中的优点也被剥夺了。在Agent被应用以后，利用其智能性可以针对每一个教学对象的水平、学习内容、学习中遇到的难点、学习的动机等一系列的特征，采取不同的教学方式，提供不同的教学资源，做到对每一个学习者的教学资源和过程都不尽相同。学习者的Agent组成为每一个学习者的“私人教师”。

2、人性化的交互和教学方式

Agent引入后，教学系统和学习者的交互方式将发生根本的变革。基于Agent的网络课程的根本特点在于学习者的极大“关怀”。在教学的过程中学生将感到与以往完全不同的教学气氛，计算机随时地“倾听”学习者的声音，并对教学过程进行调整。

3、强大的自我进化功能

Agent本身的进化功能在引入到教育中以后，其潜力将得到最大程度的发挥。在对每一个学生建立在一个属于自己的Agent以后，整个Agent组处在不停的进化过程中，通过与学习者的交互，对学习者的了解日趋深入，使整个的Agent组越来越适合学习者。资源的数量和资源的质量（从某种意义上是指对学习者的适当应性）。

4、对网络资源的有效利用

目前，Internet的资源极大丰富，但是资源的存在方式却是一种无序的、杂乱的状态，只能算是一种信息（information）或者数据（data），而学习者需要的是一种知识（knowledge）。要把这些信息和数据转换成为有用的知识点是一个庞大而复杂的工具。因此在目前的状况下，很多的学习者在利用网络资源的时候，是被“溺水”而不是有效地利用了网络资源。在基于Agent的网络教学体系中，资源Agent将主动地为学习者完成这一过程，网络的信息（information）和数据(data)将变成学习者所需的知识（knowledge）.

５、讨论协作学习智能化

传统的网络教学中，学习者的交流和协办作者的交流和协作者是静态的，网络环境只是提供了一个交流的场所。而在基于Agent的网络教学系统中，讨论板块对讨论的问题有总结提炼，并能根据讨论的情况组织专题性的讨论，引导学生作更深入的研究和探讨，发挥协作式学习的优越性。

６、改善学习模式，培养学习者的各种能力，有益于素质教育的开展

学习者可以提出自己的问题，或者根据已有的问，在学习系统的协助下受逐步求解，甚至可以对领域内的某一问题作深入的研究探讨。基于Agent的网络学习体系将的提供开放的环境、详尽的资源，而不是呆板的学习模式，学习者可以自主地选择学习者重点、学习者的方式。在学习过程中，自身的问题得到逐步的解决，同时解决问题的各种能力出得到提高。

基于Agent的网络课程出有其不足之外，主要是在实现方面有较高的技术要求和资金投入。但随着Agent软件方法可重用性的可扩展性的提高，在不同的课程中只要改变专业知识模块，而整体的框架可重复利用，并加以扩展。相对于现在的一次性课件，从长远的角度来看，投入出并不高。在技术性方面，目前已经有不少的商用系统投入使用，效果良好。在教育领域，United

States

Army

War

College

已完成人工智能课程的学习Agent,并投入使用。

以上所谈及的几项技术是当前人工智能技术在教育中的热点技术，尽管一些技术还不够完善和成熟，但是它们已经对当前的教育产生了深远的影响，它改变了教师的角色、开发了新的教学模式、极大提高了学生学习效果；随着人工智能技术的进一步发展和深入，这种影响将会更加持久和深远。

参考文献：

[1]

马宁,余胜泉.简述教学设计自动化研究[DB/OL]./articledigest16/jianshu.htm.

[2]

Merrill,

M.

David.An

Integrated

Model

for

Automating

Instructional

Design

and

Delivery[A].

Michael

Spector,

Martha

C.

Polson

&Daniel

J.

Muraida.Automating

Instructional

Design:

Concepts

and

Issues[C].

Englewood

Cliffs,

NJ:

Educational

Technology

Publications,

1993.

147-190.

[3]

Kasowitz,

Abby.

Tools

for

Automating

Instructional

Design[DB/OL].

/1999-1/tools.html

.

[4]

黄荣怀，刘黄玲子，李向荣.

计算机辅助评价的发展趋势[J].

电化教育研究，2002,(5):15-21.

[5]

黄荣怀

关于教育技术学领域中的若干关键技术

/html/20051018_198.html

[6]

王万森编著.

人工智能原理及其应用.

北京：电子工业出版社.

2000.9

[7]

李慧迎

章伟民

专家系统及其在教育中的应用

7/lunwen/dianziban/200501/021924.htm

[8]

张剑平.

关于人工智能教育的思考[J]

电化教育研究.

2003.1，24——28

[9]

朱永祥.

小学生元认知技能培养实验研究报告[J].

教育研究.

2000.6

[10]

吴战杰，秦健Agent技术及其在网络教育中的应用研究

/articledigest20/jishu.htm

[11]

刘大有,杨鲲,陈建中.Agent研究现状与发展趋势[J].软件学报,2000,11,(2).人工智能技术和发展趋势

摘要：人工智能，简称AI，它是当今最火的一门科学，是研究使计算机来完成能表现出人类智能的任务的学科。主要包括计算机实现智能的原理，制造类似于人脑的智能计算机，以及使计算机更巧妙些实现高层次的应用。人工智能一直是人们所追求的，所向往的一门科学，它起源于近代，在电气时代随着计算机科学的发展，以及生物学，脑科学等相关科学的发展，极大的推动了人工智能的发展。人工智能还涉及信息论、控制论、自动化、仿生学、生物学,数理逻辑、语言学、等多门学科。导致其非常复杂，所以其研究领域也分成许多方面，从最开始的博弈论，专家系统，模式识别，神经网络，机器学习到现在大热的深度学习。其应用领域，也非常之多，比如机器翻译，语音交互，ORC,图像识别，智能驾驶等等。自从谷歌的阿法狗在围棋打败了人类棋手，人工智能也进入了一个新的发展阶段，如今各国，各大公司都在大力发展人工智能技术，争取在新时代把握先机，把握未来。人工智能即将在无人驾驶，机器翻译，语言交互等应用领域取得巨大成功。即使如此，人工智能现在还是处于弱人工智能阶段，人工智能还面临着许多问题和挑战。向强人工智能发展的道路上，仍然充满巨大的困难。关键词：人工智能，机器学习，发展趋势，神经网络，运用

人工智能人工和智能含义人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识、自我、心灵（包括无意识的精神等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。人工智能的简介使机器具有自主能动能力这一愿望，从古希腊甚至古埃及的神话传说开始就一直延续至今：亚里士多德（公元前384-322年）的一个著名演绎推理——三段论代表着他对人工智能的哲学思想探索步伐；中世纪神秘主义者RamonLlull构建了世界上第一部可以“回答”问题的机器；近代“人工智能”（ArtificialIntelligence）这个概念的提出最早是在1956年Dartmouth学会，当时数字计算机研制成果显著，对编写有原始推理思想的程序有质的帮助；今天的各国在智能研究领域都有了重大发展，波士顿动力公司研制的大狗机器人bigdog。广义来讲，人工智能就是人造物的智能行为。人工智能的发展往往依靠计算机科学和认知科学的发展，在不同的发展阶段，对于人工智能有不同的理解，其概念也随之拓展。人工智能是计算机科学的一个分支，是研究使计算机来完成能表现出人类智能的任务的学科。主要包括计算机实现智能的原理，制造类似于人脑的智能计算机，以及使计算机更巧妙些实现高层次的应用。它涉及到计算机科学，心理学，哲学和语言学学科。总的目标是增强人的智能进而我们需要了解什么是智能。智能是一种能够认识客观事物和运用知识解决问题的综合能力。智能的四个特征：具有感知能力，具有记忆和思维能力，具有学习和自适应的能力，具有行为能力。智能是客观世界中解决实际问题的能力，这种能力就是各个科学领域中的“知识”，以及交叉学科的灵活应用。因而，还可以认为，人工智能的研究目标是使机器模仿人的行为计算机模仿人脑的推理，学习，思考和规划等思维活动。概括而言，人工智能是研究如何让计算机做现阶段只有人才能做好的事情。因为“智能”是关于解决问题能力的知识，所以从使用观点看，人工智能是关于知识的科学，它包含三个怎样，即怎样表示知识，怎样获取知识，怎样使用知识。人工智能发展的历史人工人工智能学习的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。一般认为，人工智能的思想萌芽可以追溯到德国著名数学家和哲学家莱布尼茨(Leibnitz，1646-1716)提出的"通用语言"设想。这一设想的要点是：建立一种通用的符号语言，用这个语言中的符号表达“思想内容”，用符号之间的形式关系表达“思想内容”之间的逻辑关系。于是，在“通用语言”中可以实现“思维的机械化”这一设想可以看成是对人工智能的最早描述。但随着1941年以来电子计算机的发展，技术已最终可以创造出机器智能，“人工智能”(ArtificialIntelligence)一词最初是在1956年Dartmouth学会上提出的，从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展，在它还不长的历史中，人工智能的发展比预想的要慢，但一直在前进，从40年前出现到现在，已经出现了许多AI程序，并且它们也影响到了其它技术的发展。

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。NorbertWiener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。

70年代另一个进展是专家系统。专家系统可以预测在一定条件下某种解的概率。由于当时计算机已有巨大容量，专家系统有可能从数据中得出规律。专家系统的市场应用很广。十年间，专家系统被用于股市预测，帮助医生诊断疾病，以及指示矿工确定矿藏位置等。这一切都因为专家系统存储规律和信息的能力而成为可能。

但80年代对AI工业来说也不全是好年景。86-87年对AI系统的需求下降，业界损失了近5亿美元。象Teknowledge和Intellicorp两家共损失超过6百万美元，大约占利润的三分之一巨大的损失迫使许多研究领导者削减经费。另一个另人失望的是国防部高级研究计划署支持的所谓"智能卡车"。这个项目目的是研制一种能完成许多战地任务的机器人。由于项目缺陷和成功无望，Pentagon停止了项目的经费。

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。总之，80年代AI被引入了市场，并显示出实用价值。可以确信，它将是通向21世纪之匙。人工智能技术接受检验在"沙漠风暴"行动中军方的智能设备经受了战争的检验。人工智能技术被用于导弹系统和预警显示以及其它先进武器。AI技术也进入了家庭。智能电脑的增加吸引了公众兴趣;一些面向苹果机和IBM兼容机的应用软件例如语音和文字识别已可买到;使用模糊逻辑，AI技术简化了摄像设备。对人工智能相关技术更大的需求促使新的进步不断出现。人工智能已经并且将继续不可避免地改变我们的生活。研究的现状为了将人工智能的理论研究成果应用于实际，人们发明了多种方法。目前大部分的人工智能应用系统是在冯•诺依曼结构的通用数字计算机或通用算机上运行求得结果。这种用软件实现的方法灵活性强但速度较慢。目前人工智能的研究方向已经被分成几个子领域，研究人员希望一个人工智能系统应该具有某些特定能力，以下将这些能力列出并说明。演绎、推理和解决问题早期的人工智能研究人员直接模仿人类进行逐步的推理，就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。到了1980和1990年，利用机率和经济学上的概念，人工智能研究还发展了非常成功的方法处理不确定或不完整的资讯。对于困难的问题，有可能需要大量的运算资源，也就是发生了“可能组合爆增”：当问题超过一定的规模时，电脑会需要天文数量级的记忆体或是运算时间。寻找更有效的算法是优先的人工智能研究项目。人类解决问题的模式通常是用最快捷，直观的判断，而不是有意识的，一步一步的推导，早期人工智能研究通常使用逐步推导的方式。人工智能研究已经于这种“次表征性的”解决问题方法取得进展：实体化的代理人研究强调感知运动的重要性。神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。多元智能大多数研究人员希望他们的研究最终将被纳入一个具有多元智能(称为强人工智能)，结合以上所有的技能并且超越大部分人类的能力。有些人认为为了达成以上目标，可能需要拟人化的特性，如人工意识或人工大脑。上述许多问题被认为是人工智能完整性：为了解决其中一个问题，你必须解决全部的问题。即使一个简单和特定的任务，如机器翻译，要求机器按照作者的论点(推理)，知道什么是被人谈论(知识)，忠实地再现作者的意图(情感计算)。因此，机器翻译被认为是具有人工智能完整性：它可能需要强人工智能工，就像是人类一样。规划智能Agent必须能够制定目标和实现这些目标。他们需要一种方法来建立一个可预测的世界模型(将整个世界状态用数学模型表现出来，并能预测它们的行为将如何改变这个世界)，这样就可以选择功效最大（或“值”）的行为。在传统的规划问题中，智能Agent被假定它是世界中为一具有影响力的，所以它要做出什么行为是已经确定的。但是，如果事实并非如此，它必须定期检查世界模型的状态是否和自己的预测相符合。如果不符合，它必须改变它的计划。因此智能代理必须具有在不确定结果的状态下推理的能力。在多Agent中，多Agent规划采用合作和竞争去完成一定的目标，使用演化算法和群体智慧可以达成一个整体的突现行为目标。知觉机器感知是指能够使用传感器所输入的资料(如照相机，麦克风，声纳以及其他的特殊传感器)然后推断世界的状态。计算机视觉能够分析影像输入。另外还有语音识别、人脸辨识和物体辨识。社交情感和社交技能对于一个智慧代理人是很重要的。首先，通过了解他们的动机和情感状态，代理人能够预测别人的行动(这涉及要素博弈论、决策理论以及能够塑造人的情感和情绪感知能力检测)。此外，为了良好的人机互动，智慧代理人也需要表现出情绪来。至少它必须出现礼貌地和人类打交道。至少，它本身应该有正常的情绪。创造力一个人工智能的子领域，代表了理论(从哲学和心理学的角度)和实际(通过特定的实现产生的系统的输出是可以考虑的创意，或系统识别和评估创造力)所定义的创造力。相关领域研究的包括了人工知觉和人工想象。

体现形式和研究领域博弈博弈论，又称对策论，是使用严谨的数学模型研究冲突对抗条件下最优决策问题的理论。博弈思想在人工智能方面最早体现在计算机游戏方面，最早的计算机游戏（computergame）指的就是下棋,为了设计可以和人类竞争甚至战胜人类的程序，人们便开始研究如何使得计算机可以学习人类的思维模式，具备与人类一样的博弈能力。博弈的过程包含着对问题的表示、分解、搜索和归纳这四个重要问题。计算机棋类博弈基本属于完全信息的动态博弈。也就是对弈双方不仅清楚当前的局面，了解对手以往的着数，而且了解对手接下来可能采取的着数。尽管双方可能采取的着法数以十计、百计，但毕竟还是有限的。计算机可以通过展开一颗根在上、叶在下的庞大的博弈树描述这一对弈过程。再利用自身在时间和空间上的强大能力，进行巧妙的搜索，从而找到可行解及近优解，亦即给出当前的着法。显然，计算机的搜索能力是计算机智力水平的重要体现。搜索算法是机器“思维”的核心。包括着法生成，博弈树展开，各种剪枝搜索和各种启发式搜索。显而易见，搜索算法的设计和编写过程处处体现着人工智能的思想。机器博弈是既简单方便、经济实用，又丰富内涵、变化无穷的思维逻辑研究载体。个把小时就可以下一盘棋，就可以对电脑的“智能”进行测试，而且可以悔棋、重试、复盘，可以一步步地发现电脑与人脑功能的差距，从而不断提高电脑的智力水平。毫无疑问的是，机器博弈的研究可以显著推动人工智能的发展。专家系统专家系统是一种具有大量专门知识和经验的智能程序系统，它能运用领域专家多年积累的经验和专门知识，模拟领域专家的思维过程，解决该领域中需要专家才能解决的复杂问题。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，它是一种基于知识的系统，它从人类专家那里获得知识，并用来解决只有专家才能解决困难问题辅助教学系统。人工智能专家系统常由知识库、是推理机等构成。推理机主要决定哪些规则满足事实或目标，并授予规则优先级，然后执行最高优先级规则来进行逻辑推理。知识获取机为用户建立的一个知识自动输入的确定方法。匹配模块是该人工智能专家系统的核心部分，匹配功能模式识别广义地说，存在于时间和空间中可观察的事物，如果我们可以区别他们是否相同或者是否相似，都可以称之为模式。但需要注意的是，模式并不是指向事物本身，而是我们从事物获得的信息。因此，模式往往表现为具有时间或空间分布的信息。人们为了掌握客观事物，按事物相似的程度组成类别。模式识别的作用和目的就在于面对某一具体事物时将其正确的归入某一类别。模式识别系统有两个过程组成，即设计和实现。设计是指用一定数量的样本（训练集或学习集）进行分类器的设计。实现是指用所涉及的分类器对待识别的样本进行分类决策。基于统计方法的模式识别系统主要由4个部分组成：数据获取，预处理，特征提取和选择，分类决策，如下图所示概括地说，模式识别中的最基本的问题是解决模式的分类。较全面的看，是研究模式的描述、分析、分类、理解和综合。更高层次的模式识别应该还包括对模式的学习、判断、自适应、自寻优和自动发现规律等。所以，模式识别在某种意义上和人工智能中的“学习”“概念形成”相近。模式识别与及其职能的结合将开辟广阔的应用前景。神经网络众所周知，人类大脑的组织结构和运行机制有其绝妙的特点，从模仿人脑智能的角度出发，来探寻新的信息表示、储存和处理方式，设计全新的计算机处理结构模型，构建一种更接近人类智能的信息处理系统来解决实际工程和科学研究领域中难以解决的问题，一定能够极大推动科研进步，这些促成了人工神经网络（ANN）的出现。简单的说，ANN是模仿人脑工作方式而设计的一种机器，它可用电子或光电元件实现，还可以用软件在计算机上进行仿真模拟，甚至最新的研究成果显示人类已经使用DNA在试管中制造出了首个人造神经网络（这个相互作用的分子组成的电路能像人脑一样，基于不完整的模式进行回）；人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。自然语言自然语言理解一直是智能领域研究的重要课题之一，因为自然语言本身具有独特的魅力，其一，如果计算机能够理解自然语言，那么人机交互将变得前所未有的畅通，那将是对计算机技术的重大突破，其二，创造和使用自然语言是人类几千年智慧的结晶，研究自然语言更有助于解开人工智能的奥秘。对自然语言的理解，有以下四条准则：问答、文摘生成、释义、翻译。与之对应就可以得到，自然语言理解的处理过程为：语言形式化描述、处理算法设计、处理算法实现和评估。其中语言形式化描述就是通过对自然语言自身规律进行研究，进而采用数学的方法将其描述出来，以便于计算机处理，也可认为是对自然语言进行数学建模。处理的算法设计就是将数学形式化描述的语言变换为计算机可操作、控制的对象。处理算法实现和评估就是通过程序设计语言(如C语言)将算法实现出来，并对其性能和功能进行评估。机器学习机器学习（MachineLearning）是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。人工智能的应用人工智能应用非常广泛，我们现在的生活许多方面都设计到了人工智能，下面就介绍一些领域的运用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。几十年来，国内外许多专家、学者为机器翻译的研究付出了大量的心血和汗水。虽然至今还没有一个实用、全面、高质量的自动翻译系统出现，不过也取得了很大的进展，特别是作为人们的辅助翻译工具，机器翻译已经得到大多数人的认可。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。词典类翻译软件代表是“金山词霸”了，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，为用户了解单词或词组含义提供了极大的便利。语言交互语音交互是一种高效的交互方式，是人以自然语音或机器合成语音同计算机进行交互的综合性技术，结合了语言学、心理学、工程和计算机技术等领域的知识。语音交互不仅要对语音识别和语音合成进行研究，还要对人在语音通道下的交互机理、行为方式等进行研究。语音交互过程包括四部分：语音采集、语音识别、语义理解和语音合成。语音采集完成音频的录入、采样及编码；语音识别完成语音信息到机器可识别的文本信息的转化；语义理解根据语音识别转换后的文本字符或命令完成相应的操作；语音合成完成文本信息到声音信息的转换。作为人类沟通和获取信息最自然便捷的手段，语音交互比其他交互方式具备更多优势，能为人机交互带来根本性变革，是大数据和认知计算时代未来发展的制高点，具有广阔的发展前景和应用前景。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生物特征识别生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。识别过程采用与注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取，然后将提取的特征与存储的特征进行比对分析，完成识别。从应用任务看，生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库中确定待识别人身份的过程，是一对多的问题；确认是指将待识别人信息与存储库中特定单人信息进行比对，确定身份的过程，是一对一的问题。生物特征识别技术涉及的内容十分广泛，包括指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征，其识别过程涉及到图像处理、计算机视觉、语音识别、机器学习等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。下面将对指纹识别、人脸识别、虹膜识别、指静脉识别、声纹识别以及步态识别等技术进行介绍。人工智能面临的困难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,至少目前计算机还是难以模拟实现的。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。自动定理证明和GPS的局限自动定理证明和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。人工智能的发展趋势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:语言，图像，社交等等。自动推理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研究是最新的热点,很有可能取得大的突破语言运用自然语言处理是AI技术应用于实际领域的典型范例,经过AI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技术的影响下,近年来迅猛发展,已经成为了AI的一个独立研究分支。由于信息获取与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AI技术应用于这一领域的研究是人工智能走向应用的契机与突破口。从近年的人工智能发展来看,这方面的研究已取得了可喜的进展。机器学习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、reinforcementlearning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。人工智能的未来与挑战人工智能研究的主要目标,就是希望用现代科学技术的手段来扩展人类智能系统的能力[3],那么人工智能未来的发展方向有哪些更值得关注的呢?本文从四方面进行了阐述:人工智能技术与生物技术、电子技术结合研究生物电子体,与脑科学、信息处理技术结合研究大脑信息处理模型,与网络技术、软件技术结合研究网络智能软件,与通讯技术、控制技术结合研究家庭机器人生物电子生物电子体是生物细胞与电脑微芯片有效协作的共存体,可以实现部分或全部生物的智能,既研究把模拟生物体的电脑微芯片植入生物体,与生物体形成协作共存体,又研究从生物体中提取出细胞组织与模拟生物体的微芯片接合为协作共存体。麻省理工大学贝尔实验室和神经信息学研究所的科学家们已经成功实现了将模拟人类神经系统的电脑微芯片植入大脑,对人体神经进行了有效修复[4]。日本东京大学的Shimoyama教授领导的课题组研究蟑螂的控制技术,即把蟑螂头上的探须和翅膀切除,插入电极和微处理器以及红外传感器,通过遥控信号产生电刺激,使蟑螂向特定方向前进。美国纽约州立大学通过在老鼠体内植入微控制器,成功实现对老鼠的转弯、前进、爬树和跳跃等动作的人工制导，试想研究生物电子体,有效控制爬行动物的行为,使其为人