人工智能总结汇总5篇

网友 分享 时间:

【写作参考】阿拉题库漂亮网友为您精选的“人工智能总结汇总5篇”文档资料,供您写作参考阅读之用,希望对您有所帮助,喜欢就复制下载吧!

人工智能总结【第一篇】

2016年10月,全球最大代工厂富士康“机器换人”计划加速,每年有上万机器人投入使用,其江苏昆山市的工厂已裁减6万员工。正在举行的全国两会上,一些代表委员对有着近3亿人的农民工群体未来的走向,不无担忧。他们提醒说,“机器换人”,可能会导致农民工未来的就业压力不断加大。(2017/3/10《工人日报》)

人类进入信息化时代,随之而来的将是智能化时代,或者称着机器人时代。目前“机器换人”计划加速,大量的机器人投入使用,让人们从脏、热、累、有毒有害、机械重复的工作中解放出来,将使生产效率和产品质量大大提高,同时能大幅降低生产成本,带来社会的进步。中国制造正在向中高端迈进,只有接纳机器人,才能提高企业和产品的国际竞争力。机器人时代不论你喜欢不喜欢都将如期而至。

“机器换人”来了,预示着一场工业革命已经来临,生产方式、企业管理和用工制度等都将发生一系列的变化,一些企业因为引入机器人而不得不大量裁员,一部分工人特别是农民工因此失去工作的机会,一些年龄大的农民工要想再就业就比较困难,一旦失去工作机会也将丢掉手中的饭碗。

“机器换人”来了,喜忧参半。要有忧患意识,要有危机感,紧迫感,早做安排,提前做好准备。在今年的两会上,全国人大财政经济委员会副主任委员辜胜阻给出细致的建议,要在普惠性前提下,为农民工提供一个有弹性、多层次、多选择、多模式的持续进修机制。即政府和企业要为农民工提供进修培训的机会,掌握一定的职业技能,以应对新的就业市场。

全国人大代表曹晶认为,应当从职业学校到企业打造出一条终身学习提升的通道,或出台技能津贴指导意见,督促人社部门和企业共同落实。同时,通过立法确定企业必须承担职业教育的义务。教育和培训不可能是一步到位,“授人以鱼不如授人以渔。”以终身学习适应万变的社会和就业市场。

机器人来了,政府和企业要加大职工培训的力度,职工自身也必须自我加压,积极参与学习和培训,学到一技之长,学到再就业的本领,不会因为企业裁员而失去工作的机会。机器人来了,用工总量或会减少,政府和企业还应拓宽就业渠道,增加就业岗位保就业,同时完善失业保险制度。个人也应积极主动创造劳动机会。就业是最大的民生,失去就业机会也将无法保证生活质量。机器人来了,不可以坐等,要积极应对。

人工智能总结【第二篇】

人工智能主要研究用人工方法模拟和扩展人的智能,最终实现机器智能。人工智能研究与人的思维研究密切相关。逻辑学始终是人工智能研究中的基础科学问题,它为人工智能研究提供了根本观点与方法。

1人工智能学科的诞生

12世纪末13世纪初,西班牙罗门·卢乐提出制造可解决各种问题的通用逻辑机。17世纪,英国培根在《新工具》中提出了归纳法。随后,德国莱布尼兹做出了四则运算的手摇计算器,并提出了“通用符号”和“推理计算”的思想。19世纪,英国布尔创立了布尔代数,奠定了现代形式逻辑研究的基础。德国弗雷格完善了命题逻辑,创建了一阶谓词演算系统。20世纪,哥德尔对一阶谓词完全性定理与N形式系统的不完全性定理进行了证明。在此基础上,克林对一般递归函数理论作了深入的研究,建立了演算理论。英国图灵建立了描述算法的机械性思维过程,提出了理想计算机模型(即图灵机),创立了自动机理论。这些都为1945年匈牙利冯·诺依曼提出存储程序的思想和建立通用电子数字计算机的冯·诺依曼型体系结构,以及1946年美国的莫克利和埃克特成功研制世界上第一台通用电子数学计算机ENIAC做出了开拓性的贡献。

以上经典数理逻辑的理论成果,为1956年人工智能学科的诞生奠定了坚实的逻辑基础。

现代逻辑发展动力主要来自于数学中的公理化运动。20世纪逻辑研究严重数学化,发展出来的逻辑被恰当地称为“数理逻辑”,它增强了逻辑研究的深度,使逻辑学的发展继古希腊逻辑、欧洲中世纪逻辑之后进入第三个高峰期,并且对整个现代科学特别是数学、哲学、语言学和计算机科学产生了非常重要的影响。

2逻辑学的发展

逻辑学的大体分类

逻辑学是一门研究思维形式及思维规律的科学。从17世纪德国数学家、哲学家莱布尼兹()提出数理逻辑以来,随着人工智能的一步步发展的需求,各种各样的逻辑也随之产生。逻辑学大体上可分为经典逻辑、非经典逻辑和现代逻辑。经典逻辑与模态逻辑都是二值逻辑。多值逻辑,是具有多个命题真值的逻辑,是向模糊逻辑的逼近。模糊逻辑是处理具有模糊性命题的逻辑。概率逻辑是研究基于逻辑的概率推理。

泛逻辑的基本原理

当今人工智能深入发展遇到的一个重大难题就是专家经验知识和常识的推理。现代逻辑迫切需要有一个统一可靠的,关于不精确推理的逻辑学作为它们进一步研究信息不完全情况下推理的基础理论,进而形成一种能包容一切逻辑形态和推理模式的,灵活的,开放的,自适应的逻辑学,这便是柔性逻辑学。而泛逻辑学就是研究刚性逻辑学(也即数理逻辑)和柔性逻辑学共同规律的逻辑学。

泛逻辑是从高层研究一切逻辑的一般规律,建立能包容一切逻辑形态和推理模式,并能根据需要自由伸缩变化的柔性逻辑学,刚性逻辑学将作为一个最小的内核存在其中,这就是提出泛逻辑的根本原因,也是泛逻辑的最终历史使命。

3逻辑学在人工智能学科的研究方面的应用

逻辑方法是人工智能研究中的主要形式化工具,逻辑学的研究成果不但为人工智能学科的诞生奠定了理论基础,而且它们还作为重要的成分被应用于人工智能系统中。

经典逻辑的应用

人工智能诞生后的20年间是逻辑推理占统治地位的时期。1963年,纽厄尔、西蒙等人编制的“逻辑理论机”数学定理证明程序(LT)。在此基础之上,纽厄尔和西蒙编制了通用问题求解程序(GPS),开拓了人工智能“问题求解”的一大领域。经典数理逻辑只是数学化的形式逻辑,只能满足人工智能的部分需要。

非经典逻辑的应用

(1)不确定性的推理研究

人工智能发展了用数值的方法表示和处理不确定的信息,即给系统中每个语句或公式赋一个数值,用来表示语句的不确定性或确定性。比较具有代表性的有:1976年杜达提出的主观贝叶斯模型,1978年查德提出的可能性模型,1984年邦迪提出的发生率计算模型,以及假设推理、定性推理和证据空间理论等经验性模型。

归纳逻辑是关于或然性推理的逻辑。在人工智能中,可把归纳看成是从个别到一般的推理。借助这种归纳方法和运用类比的方法,计算机就可以通过新、老问题的相似性,从相应的知识库中调用有关知识来处理新问题。

(2)不完全信息的推理研究

常识推理是一种非单调逻辑,即人们基于不完全的信息推出某些结论,当人们得到更完全的信息后,可以改变甚至收回原来的结论。非单调逻辑可处理信息不充分情况下的推理。20世纪80年代,赖特的缺省逻辑、麦卡锡的限定逻辑、麦克德莫特和多伊尔建立的NML非单调逻辑推理系统、摩尔的自认知逻辑都是具有开创性的非单调逻辑系统。常识推理也是一种可能出错的不精确的推理,即容错推理。

此外,多值逻辑和模糊逻辑也已经被引入到人工智能中来处理模糊性和不完全性信息的推理。多值逻辑的三个典型系统是克林、卢卡西维兹和波克万的三值逻辑系统。模糊逻辑的研究始于20世纪20年代卢卡西维兹的研究。1972年,扎德提出了模糊推理的关系合成原则,现有的绝大多数模糊推理方法都是关系合成规则的变形或扩充。

4人工智能——当代逻辑发展的动力

现代逻辑创始于19世纪末叶和20世纪早期,其发展动力主要来自于数学中的公理化运动。21世纪逻辑发展的主要动力来自哪里?笔者认为,计算机科学和人工智能将至少是21世纪早期逻辑学发展的主要动力源泉,并将由此决定21世纪逻辑学的另一幅面貌。由于人工智能要模拟人的智能,它的难点不在于人脑所进行的各种必然性推理,而是最能体现人的智能特征的能动性、创造性思维,这种思维活动中包括学习、抉择、尝试、修正、推理诸因素。例如,选择性地搜集相关的经验证据,在不充分信息的基础上做出尝试性的判断或抉择,不断根据环境反馈调整、修正自己的行为,由此达到实践的成功。于是,逻辑学将不得不比较全面地研究人的思维活动,并着重研究人的思维中最能体现其能动性特征的各种不确定性推理,由此发展出的逻辑理论也将具有更强的可应用性。

5结语

人工智能的产生与发展和逻辑学的发展密不可分。

一方面我们试图找到一个包容一切逻辑的泛逻辑,使得形成一个完美统一的逻辑基础;另一方面,我们还要不断地争论、更新、补充新的逻辑。如果二者能够有机地结合,将推动人工智能进入一个新的阶段。概率逻辑大都是基于二值逻辑的,目前许多专家和学者又在基于其他逻辑的基础上研究概率推理,使得逻辑学尽可能满足人工智能发展的各方面的需要。就目前来说,一个新的泛逻辑理论的发展和完善需要一个比较长的时期,那何不将“百花齐放”与“一统天下”并行进行,各自发挥其优点,为人工智能的发展做出贡献。目前,许多制约人工智能发展的因素仍有待于解决,技术上的突破,还有赖于逻辑学研究上的突破。在对人工智能的研究中,我们只有重视逻辑学,努力学习与运用并不断深入挖掘其基本内容,拓宽其研究领域,才能更好地促进人工智能学科的发展。

人工智能总结【第三篇】

今天是我学习人工智能的第一堂课,也是我上大学以来第一次接触人工智能这门课,通过老师的讲解,我对人工智能有了一些简单的感性认识,我知道了人工智能从诞生,发展到今天经历一个漫长的过程,许多人为此做出了不懈的努力。我觉得这门课真的是一门富有挑战性的科学,而从事这项工作的人不仅要懂得计算机知识,还必须懂得心理学和哲学。

人工智能在很多领域得到了发展,在我们的日常生活和学习中发挥了重要的作用。如: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。利用这些机器翻译系统我们可以很方便的完成一些语言翻译工作。目前,国内的机器翻译软件有很多,富有代表性意义的当属“金山词霸”,它可以迅速的查询英文单词和词组句子翻译,重要的是它还可以提供发音功能,为用户提供了极大的方便。

通过这堂课,我明白了人工智能发展的历史和所处的地位,它始终处于计算机发展的最前沿。我相信人工智能在不久的将来将会得到更深一步的实现,会创造出一个全新的人工智能世界。

人工智能总结【第四篇】

浅谈逻辑学与人工智能

人工智能主要研究用人工方法模拟和扩展人的智能,最终实现机器智能。人工智能研究与人的思维研究密切相关。逻辑学始终是人工智能研究中的基础科学问题,它为人工智能研究提供了根本观点与方法。

1人工智能学科的诞生

12世纪末13世纪初,西班牙罗门·卢乐提出制造可解决各种问题的通用逻辑机。17世纪,英国培根在《新工具》中提出了归纳法。随后,德国莱布尼兹做出了四则运算的手摇计算器,并提出了“通用符号”和“推理计算”的思想。19世纪,英国布尔创立了布尔代数,奠定了现代形式逻辑研究的基础。德国弗雷格完善了命题逻辑,创建了一阶谓词演算系统。20世纪,哥德尔对一阶谓词完全性定理与N形式系统的不完全性定理进行了证明。在此基础上,克林对一般递归函数理论作了深入的研究,建立了演算理论。英国图灵建立了描述算法的机械性思维过程,提出了理想计算机模型(即图灵机),创立了自动机理论。这些都为1945年匈牙利冯·诺依曼提出存储程序的思想和建立通用电子数字计算机的冯·诺依曼型体系结构,以及1946年美国的莫克利和埃克特成功研制世界上第一台通用电子数学计算机ENIAC做出了开拓性的贡献。

以上经典数理逻辑的理论成果,为1956年人工智能学科的诞生奠定了坚实的逻辑基础。

现代逻辑发展动力主要来自于数学中的公理化运动。20世纪逻辑研究严重数学化,发展出来的逻辑被恰当地称为“数理逻辑”,它增强了逻辑研究的深度,使逻辑学的发展继古希腊逻辑、欧洲中世纪逻辑之后进入第三个高峰期,并且对整个现代科学特别是数学、哲学、语言学和计算机科学产生了非常重要的影响。

2逻辑学的发展

逻辑学的大体分类

逻辑学是一门研究思维形式及思维规律的科学。从17世纪德国数学家、哲学家莱布尼兹()提出数理逻辑以来,随着人工智能的一步步发展的需求,各种各样的逻辑也随之产生。逻辑学大体上可分为经典逻辑、非经典逻辑和现代逻辑。经典逻辑与模态逻辑都是二值逻辑。多值逻辑,是具有多个命题真值的逻辑,是向模糊逻辑的逼近。模糊逻辑是处理具有模糊性命题的逻辑。概率逻辑是研究基于逻辑的概率推理。

泛逻辑的基本原理

当今人工智能深入发展遇到的一个重大难题就是专家经验知识和常识的推理。现代逻辑迫切需要有一个统一可靠的,关于不精确推理的逻辑学作为它们进一步研究信息不完全情况下推理的基础理论,进而形成一种能包容一切逻辑形态和推理模式的,灵活的,开放的,自适应的逻辑学,这便是柔性逻辑学。而泛逻辑学就是研究刚性逻辑学(也即数理逻辑)和柔性逻辑学共同规律的逻辑学。

泛逻辑是从高层研究一切逻辑的一般规律,建立能包容一切逻辑形态和推理模式,并能根据需要自由伸缩变化的柔性逻辑学,刚性逻辑学将作为一个最小的内核存在其中,这就是提出泛逻辑的根本原因,也是泛逻辑的最终历史使命。

3逻辑学在人工智能学科的研究方面的应用

逻辑方法是人工智能研究中的主要形式化工具,逻辑学的研究成果不但为人工智能学科的诞生奠定了理论基础,而且它们还作为重要的成分被应用于人工智能系统中。

经典逻辑的应用

人工智能诞生后的20年间是逻辑推理占统治地位的时期。1963年,纽厄尔、西蒙等人编制的“逻辑理论机”数学定理证明程序(LT)。在此基础之上,纽厄尔和西蒙编制了通用问题求解程序(GPS),开拓了人工智能“问题求解”的一大领域。经典数理逻辑只是数学化的形式逻辑,只能满足人工智能的部分需要。

非经典逻辑的应用

(1)不确定性的推理研究

人工智能发展了用数值的方法表示和处理不确定的信息,即给系统中每个语句或公式赋一个数值,用来表示语句的不确定性或确定性。比较具有代表性的有:1976年杜达提出的主观贝叶斯模型,1978年查德提出的可能性模型,1984年邦迪提出的发生率计算模型,以及假设推理、定性推理和证据空间理论等经验性模型。

归纳逻辑是关于或然性推理的逻辑。在人工智能中,可把归纳看成是从个别到一般的推理。借助这种归纳方法和运用类比的方法,计算机就可以通过新、老问题的相似性,从相应的知识库中调用有关知识来处理新问题。

(2)不完全信息的推理研究

常识推理是一种非单调逻辑,即人们基于不完全的信息推出某些结论,当人们得到更完全的信息后,可以改变甚至收回原来的结论。非单调逻辑可处理信息不充分情况下的推理。20世纪80年代,赖特的缺省逻辑、麦卡锡的限定逻辑、麦克德莫特和多伊尔建立的NML非单调逻辑推理系统、摩尔的自认知逻辑都是具有开创性的非单调逻辑系统。常识推理也是一种可能出错的不精确的推理,即容错推理。

此外,多值逻辑和模糊逻辑也已经被引入到人工智能中来处理模糊性和不完全性信息的推理。多值逻辑的三个典型系统是克林、卢卡西维兹和波克万的三值逻辑系统。模糊逻辑的研究始于20世纪20年代卢卡西维兹的研究。1972年,扎德提出了模糊推理的关系合成原则,现有的绝大多数模糊推理方法都是关系合成规则的变形或扩充。

4人工智能——当代逻辑发展的动力

现代逻辑创始于19世纪末叶和20世纪早期,其发展动力主要来自于数学中的公理化运动。21世纪逻辑发展的主要动力来自哪里?笔者认为,计算机科学和人工智能将至少是21世纪早期逻辑学发展的主要动力源泉,并将由此决定21世纪逻辑学的另一幅面貌。由于人工智能要模拟人的智能,它的难点不在于人脑所进行的各种必然性推理,而是最能体现人的智能特征的能动性、创造性思维,这种思维活动中包括学习、抉择、尝试、修正、推理诸因素。例如,选择性地搜集相关的经验证据,在不充分信息的基础上做出尝试性的判断或抉择,不断根据环境反馈调整、修正自己的行为,由此达到实践的成功。于是,逻辑学将不得不比较全面地研究人的思维活动,并着重研究人的思维中最能体现其能动性特征的各种不确定性推理,由此发展出的逻辑理论也将具有更强的可应用性。

5结语

人工智能的产生与发展和逻辑学的发展密不可分。

一方面我们试图找到一个包容一切逻辑的泛逻辑,使得形成一个完美统一的逻辑基础;另一方面,我们还要不断地争论、更新、补充新的逻辑。如果二者能够有机地结合,将推动人工智能进入一个新的阶段。概率逻辑大都是基于二值逻辑的,目前许多专家和学者又在基于其他逻辑的基础上研究概率推理,使得逻辑学尽可能满足人工智能发展的各方面的需要。就目前来说,一个新的泛逻辑理论的发展和完善需要一个比较长的时期,那何不将“百花齐放”与“一统天下”并行进行,各自发挥其优点,为人工智能的发展做出贡献。目前,许多制约人工智能发展的因素仍有待于解决,技术上的突破,还有赖于逻辑学研究上的突破。在对人工智能的研究中,我们只有重视逻辑学,努力学习与运用并不断深入挖掘其基本内容,拓宽其研究领域,才能更好地促进人工智能学科的发展。

人工智能总结【第五篇】

一、 研究领域

在大多数数学科中存在着几个不同的研究领域,每个领域都有着特有的感兴趣的研究课题、研究技术和术语。在人工智能中,这样的领域包括自然语言处理、自动定理证明、自动程序设计、智能检索、智能调度、机器学习、专家系统、机器人学、智能控制、模式识别、视觉系统、神经网络、agent、计算智能、问题求解、人工生命、人工智能方法、程序设计语言等。

在过去50多年里,已经建立了一些具有人工智能的计算机系统;例如,能够求解微分方程的,下棋的,设计分析集成电路的,合成人类自然语言的,检索情报的,诊断疾病以及控制控制太空飞行器、地面移动机器人和水下机器人的具有不同程度人工智能的计算机系统。人工智能是一种外向型的学科,它不但要求研究它的人懂得人工智能的知识,而且要求有比较扎实的数学基础,哲学和生物学基础,只有这样才可能让一台什么也不知道的机器模拟人的思维。因为人工智能的研究领域十分广阔,它总的来说是面向应用的,也就说什么地方有人在工作,它就可以用在什么地方,因为人工智能的最根本目的还是要模拟人类的思维。参照人在各种活动中的功能,我们可以得到人工智能的领域也不过就是代替人的活动而已。哪个领域有人进行的智力活动,哪个领域就是人工智能研究的领域。人工智能就是为了应用机器的长处来帮助人类进行智力活动。人工智能研究的目的就是要模拟人类神经系统的功能。

二、 各领域国内外研究现状(进展成果)

近年来,人工智能的研究和应用出现了许多新的领域,它们是传统人工智能的延伸和扩展。在新世纪开始的时候,这些新研究已引起人们的更密切关注。这些新领域有分布式人工智能与艾真体(agent)、计算智能与进化计算、数据挖掘与知识发现,以及人工生命等。下面逐一加以概略介绍。

1、分布式人工智能与艾真体

分布式人工智能(distributed ai,dai)是分布式计算与人工智能结合的结果。dai系统以鲁棒性作为控制系统质量的标准,并具有互操作性,即不同的异构系统在快速变化的环境中具有交换信息和协同工作的能力。

分布式人工智能的研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型。dai中的智能并非独立存在的概念,只能在团体协作中实现,因而其主要研究问题是各艾真体间的合作与对话,包括分布式问题求解和多艾真体系统(multiagent system,mas)两领域。其中,分布式问题求解把一个具体的求解问题划分为多个相互合作和知识共享的模块或结点。多艾真体系统则研究各艾真体间智能行为的协调,包括规划、知识、技术和动作的协调。这两个研究领域都要研究知识、资源和控制的划分问题,但分布式问题求解往往含有一个全局的概念模型、问题和成功标准,而mas则含有多个局部的概念模型、问题和成功标准。

mas更能体现人类的社会智能,具有更大的灵活性和适应性,更适合开放和动

态的世界环境,因而倍受重视,已成为人工智能以至计算机科学和控制科学与工程的研究热点。当前,艾真体和mas的研究包括理论、体系结构、语言、合作与协调、通讯和交互技术、mas学习和应用等。mas已在自动驾驶、机器人导航、机场管理、电力管理和信息检索等方面获得应用。

2、计算智能与进化计算

计算智能(puting intelligence)涉及神经计算、模糊计算、进化计算等研究领域。其中,神经计算和模糊计算已有较长的研究历史,而进化计算则是较新的研究领域。在此仅对进化计算加以说明。

进化计算(evolutionary putation)是指一类以达尔文进化论为依据来设计、控制和优化人工系统的技术和方法的总称,它包括遗传算法(genetic algorithms)、进化策略(evolutionary strategies)和进化规划(evolutionary programming)。它们遵循相同的指导思想,但彼此存在一定差别。同时,进化计算的研究关注学科的交叉和广泛的应用背景,因而引入了许多新的方法和特征,彼此间难于分类,这些都统称为进化计算方法。目前,进化计算被广泛运用于许多复杂系统的自适应控制和复杂优化问题等研究领域,如并行计算、机器学习、电路设计、神经网络、基于艾真体的仿真、元胞自动机等。

达尔文进化论是一种鲁棒的搜索和优化机制,对计算机科学,特别是对人工智能的发展产生了很大的影响。大多数生物体通过自然选择和有性生殖进行进化。自然选择决定了群体中哪些个体能够生存和繁殖,有性生殖保证了后代基因中的混合和重组。自然选择的原则是适者生存,即物竞天择,优胜劣汰。

直到几年前,遗传算法、进化规划、进化策略三个领域的研究才开始交流,并发现它们的共同理论基础是生物进化论。因此,把这三种方法统称为进化计算,而把相应的算法称为进化算法。

3、数据挖掘与知识发现

知识获取是知识信息处理的关键问题之一。20世纪80年代人们在知识发现方面取得了一定的进展。利用样本,通过归纳学习,或者与神经计算结合起来进行知识获取已有一些试验系统。数据挖掘和知识发现是90年代初期新崛起的一个活跃的研究领域。在数据库基础上实现的知识发现系统,通过综合运用统计学、粗糙集、模糊数学、机器学习和专家系统等多种学习手段和方法,从大量的数据中提炼出抽象的知识,从而揭示出蕴涵在这些数据背后的客观世界的内在联系和本质规律,实现知识的自动获取。这是一个富有挑战性、并具有广阔应用前景的研究课题。

从数据库获取知识,即从数据中挖掘并发现知识,首先要解决被发现知识的表达问题。最好的表达方式是自然语言,因为它是人类的思维和交流语言。知识表示的最根本问题就是如何形成用自然语言表达的概念。

机器知识发现始于1974年,并在此后十年中获得一些进展。这些进展往往与专家系统的知识获取研究有关。到20世纪80年代末,数据挖掘取得突破。越来越多的研究者加入到知识发现和数据挖掘的研究行列。现在,知识发现和数据挖掘已成为人工智能研究的又一热点。

比较成功的知识发现系统有用于超级市场商品数据分析、解释和报告的

coverstory系统,用于概念性数据分析和查寻感兴趣关系的集成化系统explora,交互式大型数据库分析工具kdw,用于自动分析大规模天空观测数据的skicat系统,以及通用的数据库知识发现系统kdd等。

4、人工生命

人工生命(artificial life,alife)的概念是由美国圣菲研究所非线性研究组的兰顿(langton)于1987年提出的,旨在用计算机和精密机械等人工媒介生成或构造出能够表现自然生命系统行为特征的仿真系统或模型系统。自然生命系统行为具有自组织、自复制、自修复等特征以及形成这些特征的混沌动力学、进化和环境适应。

人工生命所研究的人造系统能够演示具有自然生命系统特征的行为,在“生命之所能”(life as it could be)的广阔范围内深入研究“生命之所知”(life as we know it)的实质。只有从“生命之所能”的广泛内容来考察生命,才能真正理解生物的本质。人工生命与生命的形式化基础有关。生物学从问题的顶层开始,把器官、组织、细胞、细胞膜,直到分子,以探索生命的奥秘和机理。人工生命则从问题的底层开始,把器官作为简单机构的宏观群体来考察,自底向上进行综合,把简单的由规则支配的对象构成更大的集合,并在交互作用中研究非线性系统的类似生命的全局动力学特性。

人工生命的理论和方法有别于传统人工智能和神经网络的理论和方法。人工生命把生命现象所体现的自适应机理通过计算机进行仿真,对相关非线性对象进行更真实的动态描述和动态特征研究。

人工生命学科的研究内容包括生命现象的仿生系统、人工建模与仿真、进化动力学、人工生命的计算理论、进化与学习综合系统以及人工生命的应用等。比较典型的人工生命研究有计算机病毒、计算机进程、进化机器人、自催化网络、细胞自动机、人工核苷酸和人工脑等。

三、 学了人工智能课程的收获

(1)了解人工智能的概念和人工智能的发展,了解国际人工智能的主要流派和路线,了解国内人工智能研究的基本情况,熟悉人工智能的研究领域。

(2)较详细地论述知识表示的各种主要方法。重点掌握了状态空间法、问题归约法和谓词逻辑法,熟悉语义网络法,了解知识表示的其他方法,如框架法、剧本法、过程法等。

(3)掌握了盲目搜索和启发式搜索的基本原理和算法,特别是宽度优先搜索、深度优先搜索、等代价搜索、启发式搜索、有序搜索、a*算法等。了解博弈树搜索、遗传算法和模拟退火算法的基本方法。

(4)掌握了消解原理、规则演绎系统和产生式系统的技术、了解不确定性推理、非单调推理的概念。

(5)概括性地了解了人工智能的主要应用领域,如专家系统、机器学习、规划系统、自然语言理解和智能控制等。

(6)基本了解人工智能程序设计的语言和工具。

四、 对人工智能研究的展望

对现代社会的影响有多大?工业领域,尤其是制造业,已成功地使用了人工智能技术,包括智能设计、虚拟制造、在线分析、智能调度、仿真和规划等。金融业,股票商利用智能系统辅助其分析,判断和决策;应用卡欺诈检测系统业已得到普遍应用。人工智能还渗透到人们的日常生活,cad,cam,cai,cap,cims等一系列智能产品给大家带来了极大的方便,它还改变了传统的通信方式,语音拨号,手写短信的智能手机越来越人性化。

人工智能还影响了你们的文化和娱乐生活,引发人们更深层次的精神和哲学层面的思考,从施瓦辛格主演的《终结者》系列,到基努.里维斯主演的《黑客帝国》系列以及斯皮尔伯格导演的《人工智能》,都有意无意的提出了同样的问题:我们应该如何看待人工智能?如何看待具有智能的机器?会不会有一天机器的智能将超过人的智能?问题的答案也许千差万别,我个人认为上述担心不太可能成为现实,因为我们理解人工智能并不是让它取代人类智能,而是让它模拟人类智能,从而更好地为人类服务。

当前人工智能技术发展迅速,新思想,新理论,新技术不断涌现,如模糊技术,模糊--神经网络,遗传算法,进化程序设计,混沌理论,人工生命,计算智能等。以agent概念为基础的分布式人工智能正在异军突起,特别是对于软件的开发,“面向agent技术”将是继“面向对象技术”后的又一突破。从万维网到人工智能的研究正在如火如荼的开展。

五、 对课程的建议

(1) 能够结合现在最新研究成果着重讲解重点知识,以及讲述在一些研究成

果中人工智能那些知识被应用。

(2) 多推荐一些过于人工智能方面的电影,如:《终结者》系列、《黑客帝国》

系列、《人工智能》等,从而增加同学对这门课程学习的兴趣。

(3) 条件允许的话,可以安排一些实验课程,让同学们自己制作一些简单的

作品,增强同学对人工智能的兴趣,加强同学之间的学习。

(4) 课堂上多讲解一些人工智能在各个领域方面的应用,以及着重阐述一些

新的和正在研究的人工智能方法与技术,让同学们可以了解近期发展起来的方法和技术,在讲解时最好多举例,再结合原理进行讲解,更助于同学们对人工智能的理解。

70 966508
");