-
人工智能
(计算机科学的一个分支)
编辑
人工智能是
计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,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。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类
智慧的“容器”。
人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机,人工智能的发展历史是和计算机
科学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。人工智能学科研究的主要内容包括:
知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、
自然语言理解、
计算机视觉、
智能机器人、
自动程序设计等方面。
研究方法
如今没有统一的原理或
范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是:是否应从
心理或
神经方面模拟人工智能?或者像鸟类生物学对于
航空工程一样,人类生物学对于人工智能研究是没有关系的?智能行为能否用简单的原则(如
逻辑或
优化)来描述?还是必须解决大量完全无关的问题?
智能是否可以使用高级符号表达,如词和想法?还是需要“子符号”的处理?JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念,也提议人工智能应归类为SYNTHETIC INTELLIGENCE,[29]这个概念后来被某些非GOFAI研究者采纳。
大脑模拟
20世纪40年代到50年代,许多研究者探索
神经病学,
信息理论及
控制论之间的联系。其中还造出一些使用电子网络构造的初步智能,如W. GREY WALTER的
TURTLES和JOHNS HOPKINS BEAST。 这些研究者还经常在
普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960, 大部分人已经放弃这个方法,尽管在80年代再次提出这些原理。
符号处理
主条目:
GOFAI
当20世纪50年代,数字计算机研制成功,研究者开始探索人类智能是否能简化成符号处理。研究主要集中在
卡内基梅隆大学,
斯坦福大学和
麻省理工学院,而各自有独立的研究风格。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 60年代,符号方法在小型证明程序上模拟高级思考有很大的成就。基于
控制论或
神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造
强人工智能的机器,同时这也是他们的目标。
认知模拟经济学家
赫伯特·西蒙和
艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化,同时他们为人工智能的基本原理打下基础,如
认知科学,
运筹学和经营科学。他们的研究团队使用
心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在
卡内基梅隆大学沿袭下来,并在80年代于SOAR发展到高峰。基于逻辑不像
艾伦·纽厄尔和
赫伯特·西蒙,
JOHN MCCARTHY认为机器不需要模拟人类的思想,而应尝试找到抽象推理和解决问题的本质,不管人们是否使用同样的算法。他在
斯坦福大学的实验室致力于使用形式化逻辑解决多种问题,包括
知识表示, 智能规划和
机器学习. 致力于逻辑方法的还有
爱丁堡大学,而促成欧洲的其他地方开发编程语言
PROLOG和
逻辑编程科学.“反逻辑”
斯坦福大学的研究者 (如
马文·闵斯基和
西摩尔·派普特)发现要解决
计算机视觉和
自然语言处理的困难问题,需要专门的方案-他们主张不存在简单和通用原理(如逻辑)能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 "SCRUFFY" .常识知识库 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子,因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机,研究者分别以三个方法开始把
知识构造成应用软件。这场“知识革命”促成
专家系统的开发与计划,这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。
子符号法
80年代符号人工智能停滞不前,很多人认为符号系统永远不可能模仿人类所有的认知过程,特别是感知,机器人,机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。
自下而上, 接口AGENT,嵌入环境(机器人),
行为主义,新式AI机器人领域相关的研究者,如RODNEY BROOKS,否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点,同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动,感知和形象)。计算智能80年代中DAVID RUMELHART 等再次提出
神经网络和
联结主义. 这和其他的子符号方法,如模糊控制和进化计算,都属于计算智能学科研究范畴。
统计学法
90年代,人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法,即这些方法的结果是可测量的和可验证的,同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作(如数学,经济或运筹学)。STUART J. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题,而没有考虑长远的强人工智能目标。
集成方法
智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织(如
公司)。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案,而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法,一些则是子符号
神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如
决策论和经济学(也使用ABSTRACT AGENTS的概念)。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为
混合智能系统 ,而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁,同时放宽了规划和世界建模的时间。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。
美国
⒈ MASSACHUSETTS INSTITUTE OF TECHNOLOGY
麻省理工学院
⒉ STANFORD UNIVERSITY
斯坦福大学(CA)
⒊ CARNEGIE MELLON UNIVERSITY
卡内基美隆大学(PA)
⒋ UNIVERSITY OF CALIFORNIA-BERKELEY
加州大学伯克利分校
⒌ UNIVERSITY OF WASHINGTON
华盛顿大学
⒍ UNIVERSITY OF TEXAS-AUSTIN
德克萨斯大学奥斯汀分校
⒎ UNIVERSITY OF PENNSYLVANIA
宾夕法尼亚大学
⒏ UNIVERSITY OF ILLINOIS-URBANA-CHAMPAIGN 伊利诺伊大学厄本那—香槟分校
⒐ UNIVERSITY OF MARYLAND-COLLEGE PARK
马里兰大学帕克分校
⒑ CORNELL UNIVERSITY 康奈尔大学 (NY)
⒒ UNIVERSITY OF MASSACHUSETTS-AMHERST
马萨诸塞大学AMHERST校区
⒓ GEORGIA INSTITUTE OF TECHNOLOGY
佐治亚理工学院
UNIVERSITY OF MICHIGAN-ANN ARBOR 密西根大学-安娜堡分校
⒕ UNIVERSITY OF SOUTHERN CALIFORNIA
南加州大学
⒖ COLUMBIA UNIVERSITY
哥伦比亚大学(NY)
UNIVERSITY OF CALIFORNIA-LOS ANGELES
加州大学洛杉矶分校
⒘ BROWN UNIVERSITY
布朗大学(RI)
⒙ YALE UNIVERSITY
耶鲁大学(CT)
⒚ UNIVERSITY OF CALIFORNIA-SAN DIEGO
加利福尼亚大学圣地亚哥分校
⒛ UNIVERSITY OF WISCONSIN-MADISON
威斯康星大学麦迪逊分校
中国
1、
中国科学院自动化研究所
2、
清华大学
3、
北京大学
4、
南京理工大学
5、
北京科技大学
6、
中国科学技术大学
7、
吉林大学
8、
哈尔滨工业大学
9、
北京邮电大学
10、
北京理工大学
11、厦门大学人工智能研究所
12、西安交通大学智能车研究所
13、中南大学智能系统与智能软件研究所
14、西安电子科技大学智能所
15、华中科技大学图像与人工智能研究所
16、
重庆邮电大学
17、
武汉工程大学
《
视读人工智能》:机器真的可以思考吗?人的思维只是一个复杂的计算机程序吗?本书着眼于人工智能这个有史以来最为棘手的科学问题之一,集中探讨了其背后的一些主要话题。人工智能不仅仅是一个虚构的概念。人类对智能机体结构半个世纪的研究表明:机器可以打败人类最伟大的棋手,类人机器人可以走路并且能和人类进行互动。尽管早就有宣言称智能机器指目可待,但此方面的进展却缓慢而艰难。意识和环境是困扰研究的两大难题。我们到底应该怎样去制造智能机器呢?它应该像大脑一样运转?它是否需要躯体?从图灵影响深远的奠基性研究到机器人和新人工智能的飞跃,本书图文并茂的将人工智能在过去半个世纪的发展清晰的呈现在读者面前。
《
人工智能的未来》:诠释了智能的内涵,阐述了大脑工作的原理,并告诉我们如何才能制造出真正意义上的智能机器——这样的智能机器将不再仅仅是对人类大脑的简单模仿,它们的智能在许多方面会远远超过人脑。霍金斯认为,从人工智能到神经网络,早先复制人类智能的努力无一成功,究其原因,都是由于人们并未真正了解智能的内涵和人类大脑。所谓智能,就是人脑比较过去、预测未来的能力。大脑不是计算机,不会亦步亦趋、按部就班的根据输入产生输出。大脑是一个庞大的记忆系统,它储存着在某种程度上反映世界真实结构的经验,能够记忆事件的前后顺序及其相互关系,并依据记忆做出预测。形成智能、感觉、创造力以及知觉等基础的,就是大脑的记忆-预测系统……
《
人工智能哲学》:人工智能哲学是伴随现代信息理论和计算机技术发展起来的一个哲学分支。本书收集了人工智能研究领域学者的十五篇代表性论文,这些论文为计算机科学的发展和人工智能哲学的建立作出了开创性的贡献。这些文章总结了人工智能发展的历程,该学科发展的趋势,以及人工智能中的重要课题。在这些划时代的著作中,包括有:现代计算机理论之父
艾伦·图灵的“计算机与智能”;
美国哲学家塞尔的“心灵,大脑与程序”;J·E·欣顿等人的“分布式表述”,以及本书编者、英国人工智能学者M·A·博登的“逃出中文屋”。
《
人工智能:一种现代的方法》:本书以详尽和丰富的资料,从理性
智能体的角度,全面阐述了人工智能领域的核心内容,并深入介绍了各个主要的研究方向,是一本难得的综合性教材。全书分为八大部分:第一部分"人工智能",第二部分"问题求解",第三部分"知识与推理",第四部分"规划",第五部分"不确定知识与推理",第六部分"学习",第七部分"通讯、感知与行动",第八部分"结论"。本书既详细介绍了大量的基本概念、思想和算法,也描述了各研究方向最前沿的进展,同时收集整理了详实的历史文献与事件。因此本书适合于不同层次和领域的研究人员及学生,可以作为信息领域和相关领域的高等院校本科生和研究生的教材或教学辅导书目,也可以作为相关领域的科研与工程技术人员的参考书。
对强人工智能的哲学争论
“
强人工智能”一词最初是
约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的,其定义为:
“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具;相反,只要运行适当的程序,
计算机本身就是有思维的。”(J SEARLE IN MINDS BRAINS AND PROGRAMS. THE BEHAVIORAL AND BRAIN SCIENCES,VOL. 3,1980)这是指使计算机从事智能的活动。在这里智能的涵义是多义的、不确定的,像下面所提到的就是其中的例子。利用计算机解决问题时,必须知道明确的程序。可是,人即使在不清楚程序时,根据发现(HEU- RISTIC)法而设法巧妙的解决了问题的情况是不少的。如识别书写的文字、图形、声音等,所谓认识模型就是一例。再有,能力因学习而得到的提高和归纳推理、依据类推而进行的推理等,也是其例。此外,解决的程序虽然是清楚的,但是实行起来需要很长时间,对于这样的问题,人能在很短的时间内找出相当好的解决方法,如竞技的比赛等就是其例。还有,计算机在没有给予充分的合乎逻辑的正确信息时,就不能理解它的意义,而人在仅是被给予不充分、不正确的信息的情况下,根据适当的补充信息,也能抓住它的意义。自然语言就是例子。用计算机处理自然语言,称为自然语言处理。
关于强人工智能的争论不同于更广义的
一元论和
二元论(DUALISM)的争论。其争论要点是:如果一台机器的唯一工作原理就是对
编码数据进行转换,那么这台机器是不是有思维的?希尔勒认为这是不可能的。他举了个中文房间的例子来说明,如果机器仅仅是对数据进行转换,而数据本身是对某些事情的一种编码表现,那么在不理解这一编码和这实际事情之间的对应关系的前提下,机器不可能对其处理的数据有任何理解。基于这一论点,希尔勒认为即使有机器通过了
图灵测试,也不一定说明机器就真的像人一样有思维和意识。
也有
哲学家持不同的观点。DANIEL C. DENNETT 在其著作 CONSCIOUSNESS EXPLAINED 里认为,人也不过是一台有灵魂的机器而已,为什么我们认为人可以有智能而普通机器就不能呢?他认为像上述的数据转换机器是有可能有思维和意识的。
有的哲学家认为如果弱人工智能是可实现的,那么强人工智能也是可实现的。比如SIMON BLACKBURN在其哲学入门教材 THINK 里说道,一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的,还是说她/他仅仅是看起来是智能的。基于这个论点,既然弱人工智能认为可以令机器看起来像是智能的,那就不能完全否定这机器是真的有智能的。BLACKBURN 认为这是一个主观认定的问题。
需要要指出的是,弱人工智能并非和强人工智能完全对立,也就是说,即使强人工智能是可能的,弱人工智能仍然是有意义的。至少,今日的计算机能做的事,像算术运算等,在百多年前是被认为很需要智能的。