1，什么是人工智能？

人工智能(AI)。它是研究和发展模拟、延伸和扩展人类智能的理论、方法、技术和应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它试图理解智能的本质，并产生一种新的智能机器，能够以类似于人类智能的方式做出反应。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。人工智能是研究和发展模拟、延伸和扩展人类智能的理论、方法、技术和应用系统的一门新技术科学。人工智能自诞生以来，理论和技术日益成熟，应用领域不断扩大，但没有统一的定义。

人工智能是对人类意识和思维的信息过程的模拟。人工智能不是人类的智能，但它可以像人一样思考，也可能超过人类的智能。但这种自思考的高级人工智能，仍然需要科学理论和工程上的突破。

人工智能是一门具有挑战性的科学，从事这项工作的人必须了解计算机知识、心理学和哲学。人工智能是一门非常广泛的科学，由不同的领域组成，如机器学习、计算机视觉等。一般来说，人工智能研究的主要目标之一是使机器能够胜任一些通常需要人类智能的复杂任务。但是不同的时代，不同的人对这个“复杂的作品”有不同的理解。

工业智能的定义可以分为两部分，即“人工”和“智能”。“人工”更容易理解，争议更小。有时候我们要考虑人类能做出什么，或者人的智力是否高到可以创造人工智能等等。但总的来说，“人工系统”是通常意义上的人工系统。

关于什么是“智能”，有很多问题。这涉及到意识、自我、心智(包括无意识_心智)等其他问题。人们普遍认为，人们知道的唯一智能是他们自己的智能。然而，我们对自身智能和人类智能的必要元素的了解非常有限，因此很难定义什么是“人工”智能。所以对人工智能的研究往往涉及到对人类智能本身的研究。关于动物或其他人工系统的其他智能，一般也被认为是与人工智能相关的研究课题。

人工智能在计算机领域越来越受到重视。它已应用于机器人、经济和政治决策、控制系统和仿真系统。

人工智能机器人

美国著名的斯坦福大学人工智能研究中心的纳尔逊教授是这样定义人工智能的:“人工智能是一门关于知识的学科——如何表达知识，如何获取和使用知识。”另一位麻省理工学院的温斯顿教授认为:“人工智能就是研究如何让计算机做过去只有人才能做的智能工作。”这些说法反映了人工智能的基本思想和内容。即人工智能是研究人类智能活动规律，构造具有一定智能的人工系统，研究如何使计算机做过去需要人类智能的工作，即如何应用计算机软硬件模拟人类的一些智能行为的基础理论、方法和技术。

人工智能是计算机科学的一个分支，自20世纪70年代以来被称为世界三大前沿技术(空间技术、能源技术、人工智能)之一。也被认为是21世纪三大前沿技术之一(基因工程、纳米科学、人工智能)。这是因为它在过去的30年中发展迅速，在许多学科中得到了广泛的应用，并取得了丰硕的成果。人工智能逐渐成为一个独立的分支，在理论和实践上自成体系。

人工智能是研究如何让计算机模拟人类的一些思维过程和智能行为(如学习、推理、思考、规划等)的学科。).主要包括计算机实现智能的原理，使计算机类似于人脑智能，使计算机实现更高层次的应用。人工智能将涉及计算机科学、心理学、哲学和语言学。可以说，几乎所有的自然科学和社会科学的学科都已经远远超出了计算机科学的范畴。人工智能和思维科学的关系是实践和理论的关系。人工智能处于思维科学的技术应用层面，是它的一个应用分支。从思维的角度来看，人工智能并不局限于逻辑思维，只有形象思维和灵感思维才能推动人工智能的突破性发展。数学往往被认为是很多学科的基础科学，数学也进入了语言和思维领域。人工智能这门学科也必须借用数学工具。数学不仅在标准逻辑和模糊数学的范围内发挥作用，而且进入人工智能的学科，会相互促进，发展更快。

2研究价值编辑器

具有人工智能的机器人

例如，繁重的科学和工程计算最初是由人脑承担的。现在的计算机不仅能完成这种计算，而且比人脑做得更快更准。因此，当代人不再把这种计算视为“需要人类智慧来完成的复杂任务”。可见，复杂工作的定义随着时代的发展和技术的进步而变化，人工智能的具体目标自然也随着时代的变化而发展。一方面不断取得新的进步，另一方面转向更有意义和难度的目标。

一般机器学习的数学基础是统计学，信息论，控制论。还包括其他非数学科目。这种“机器学习”高度依赖“经验”。计算机需要不断地从解决一类问题的经验中获取知识，学习策略。遇到类似问题时，他们和普通人一样，用经验知识解决问题，积累新的经验。我们可以把这种学习方式称为“持续学习”。但人类除了从经验中学习，还可以创造，也就是“跳跃学习”。这在某些情况下被称为“灵感”或“顿悟”。一直以来，计算机最难学的就是“顿悟”。或者更严格地说，计算机在学习和实践中很难学会“独立于量变的质变”，很难直接从一种性质到另一种性质，或者从一种概念到另一种概念。正因为如此，这里的“修行”和人类的修行不是一回事。人类实践的过程既包括经验，也包括创造。[1]

这是聪明的研究人员梦寐以求的。

2065 438+03 Digin数据总中心数据研究员S.C WANG开发了一种新的数据分析方法，衍生出一种研究函数性质的新方法。作者发现，新的数据分析方法为计算机社会提供了一种“创造”的方式。本质上，这种方法提供了一种相当有效的方法来模拟人的创造力。这种做法是数学赋予的，是普通人无法拥有而计算机可以拥有的“能力”。从此，计算机不仅擅长计算，而且因为擅长计算而擅长创造。计算机科学家应该断然剥夺“有创造力”的计算机过于全面的运算能力，否则计算机总有一天真的会“抓住”人类。[1]

在回顾新方法的推导过程和数学时，作者扩展了对思维和数学的理解。数学是简洁的，清晰的，可靠的，模型化的。在数学发展史上，数学大师们创造力的光辉处处闪耀。这些创意以各种数学定理或结论的形式呈现，而数学定理最大的特点就是以一些基本概念和公理为基础，以模式化的语言方式表达，信息丰富。应该说，数学是体现(至少一种)创造力模式的最简单直白的学科。[1]

3科学导论编辑

实际应用

机器视觉:机器视觉、指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、专家系统、自动规划、智能搜索、定理证明、游戏、自动编程、智能控制、机器人学、语言和图像理解、遗传编程等。

主题类别

人工智能是一门交叉学科，属于自然科学和社会科学的交叉。

涉及学科

哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不确定性理论。

研究类别

自然语言处理、知识表示、智能搜索、推理、规划、机器学习、知识获取、组合调度问题、感知问题、模式识别、逻辑编程的软计算、不精确和不确定管理、人工生命、神经网络、复杂系统、遗传算法。

意识和人工智能

人工智能本质上是对人类思维信息过程的模拟。

人类思维的模拟可以通过两种方式进行。一种是结构模拟，模仿人脑的结构机制，制造出“类脑”机器；第二种是功能模拟，暂时抛开人脑内部结构，从其功能过程进行模拟。现代电子计算机的出现，是对人脑思维功能的模拟，是人脑思维的信息过程。

弱人工智能现在发展很快，特别是2008年经济危机后，美国、日本、欧洲都希望通过机器人实现再工业化。工业机器人正以前所未有的速度发展，进一步推动了弱人工智能及相关产业的不断突破。许多必须由人来做的工作现在可以由机器人来实现。

但强人工智能暂时处于瓶颈，需要科学家和人类的努力。

4开发阶段编辑器

1956年夏天，以麦卡锡、明斯基、罗切斯特、神农为首的一批有远见的青年科学家聚在一起，研究和讨论了用机器模拟智能的一系列相关问题，并首次提出了“人工智能”一词，标志着这一新学科的正式诞生。IBM的“深蓝”计算机打败了人类世界象棋冠军，这是人工智能技术的完美表现。

人工智能自1956正式提出以来，50年来取得了长足的发展，已经成为一门广泛的交叉和前沿科学。一般来说，人工智能的目的是让计算机机器像人一样思考。如果你想制造一台思考机器，你必须知道什么是思考，更进一步，什么是智慧。什么样的机器是智能的？科学家制造了汽车、火车、飞机、收音机等等。它们模仿我们身体器官的功能，但它们能模仿人脑的功能吗？到目前为止，我们只知道我们皇冠上的这个东西是由数十亿个神经细胞组成的器官。我们对这个东西知之甚少，模仿它可能是世界上最难的事情。

当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具。在随后的几年里，无数科学家为了这个目标而努力。如今，人工智能不再是几个科学家的专利。世界上几乎所有大学的计算机系都在学习这门学科，学计算机的大学生也必须上这样一门课。在大家的不懈努力下，现在的电脑似乎已经变得非常智能了。比如1997年5月，IBM开发的深蓝计算机打败了国际象棋大师卡斯帕罗夫。你可能没有注意到，在一些地方，计算机帮助人们做其他原本属于人类的工作，计算机以其高速度和准确性为人类发挥作用。人工智能一直是计算机科学的前沿学科，计算机编程语言和其他计算机软件也因为人工智能的进步而存在。

5技术研究编辑

用来研究人工智能的主要物质基础和实现人工智能的技术平台的机器就是计算机，人工智能的发展史与计算机科学技术的发展史是联系在一起的。除了计算机科学，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、哲学等多个学科。人工智能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、自动编程等。

《人工智能与机器人研究》是一份国际性中文期刊，专注于人工智能和机器人研究领域的最新进展。它由汉斯出版社出版。本刊支持思想创新和学术创新，崇尚科学繁荣学术，融学术与思想于一体。它旨在为全球的科学家、学者和研究人员提供一个交流平台，传播、分享和讨论人工智能和机器人研究领域不同方向的问题和发展。

研究领域

人工智能技术研究

智能机器人

模式识别和智能系统

虚拟现实技术及应用

系统仿真技术及应用

工业过程建模与智能控制

智能计算和机器游戏

人工智能理论

语音识别和合成

机器翻译

图像处理和计算机视觉

计算机感知

计算机神经网络

知识发现和机器学习

智能建筑技术及其应用

人工智能的其他学科

研究方法

现在人工智能研究还没有一个统一的原则或范式来指导。研究人员对许多问题进行了辩论。几个长期没有定论的问题是:人工智能应该从心理上模拟还是从神经上模拟？还是人类生物学与人工智能研究无关，就像鸟类生物学与航空工程无关？智能行为可以用简单的原理来描述吗，比如逻辑或者最优化？还是要解决一大堆完全不相关的问题？

智力可以用高级符号来表达吗，比如文字和思想？还是需要处理“子符号”？约翰·豪格兰德(JOHN HAUGELAND)提出了GOFAI(优秀老式人工智能)的概念，还提出人工智能应该归为合成智能。[29]这个概念后来被一些非GOFAI的研究者采用。

大脑模拟

主要项目:控制论和计算神经科学

从20世纪40年代到50年代，许多研究者探索了神经病学、信息论和控制论之间的关系。其中也创造了一些由电子网络构建的初步智能，如海龟和W. GREY WALTER的约翰霍普金斯野兽。这些研究人员经常在普林斯顿大学和英国的比率俱乐部举行技术协会会议。直到1960，大部分人已经放弃了这种方法，虽然这些原理在80年代又被提出来了。

符号处理

主入口:GOFAI

当数字计算机在20世纪50年代成功开发时，研究人员开始探索人类的智能是否可以简化为符号处理。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，各有自己独立的研究风格。约翰·豪格兰德将这些方法称为GOFAI(优秀的老式人工智能)。[33]20世纪60年代，符号方法在小规模证明程序上模拟高级思维取得了巨大成就。基于控制论或神经网络的方法是次要的。[34]在20世纪六七十年代，研究人员确信符号方法最终可以创造出具有强大人工智能的机器，这也是他们的目标。

认知模拟经济学家赫伯特·西蒙和艾伦·纽维尔研究人类解决问题的能力，并试图将其形式化。同时，它们为人工智能的基本原理奠定了基础，如认知科学、运筹学和管理科学。他们的研究团队使用心理学实验的结果来开发模拟人类解决问题方法的程序。这种方法从卡内基梅隆大学继承而来，并在80年代达到顶峰。与艾伦·纽维尔(allen newell)和赫伯特·西蒙(herbert simon)不同，约翰·麦卡锡(JOHN MCCARTHY)认为，机器不需要模拟人类的思想，而应该试图找到抽象推理和问题解决的本质，不管人们是否使用相同的算法。他在斯坦福大学的实验室致力于使用形式逻辑来解决许多问题，包括知识表示、智能规划和机器学习。爱丁堡大学还致力于逻辑方法，促进了欧洲其他地区程序设计语言PROLOG和逻辑程序设计科学的发展。斯坦福大学的研究人员(如马文·明斯基(marvin minsky)和西摩·派珀(Seymour Piper)发现，需要特殊的解决方案来解决计算机视觉和自然语言处理的难题——他们认为不存在简单而普遍的原则(如逻辑)。罗杰·尚克将他们的“反逻辑”方法描述为“邋遢”。常识知识库(比如DOUG LENAT的CYC)就是“邋遢”AI的一个例子，因为他们必须一次性手动编写一个复杂的概念。以知识为基础，1970左右出现了大容量记忆计算机，研究人员开始用三种方式将知识构造成应用软件。这场“知识革命”促进了专家系统的发展和规划，这是人工智能软件的第一个成功形式。“知识革命”也让人们意识到，很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无法模仿人类所有的认知过程，尤其是感知、机器人、机器学习和模式识别。许多研究者开始关注用子符号法来解决特定的人工智能问题。

自底向上、界面代理、嵌入式环境(机器人)、行为主义和新型AI机器人领域的研究人员，如RODNEY BROOKS，否认符号人工智能，专注于机器人运动和生存等基础工程问题。他们的工作再次关注了早期控制论研究者的观点，提出了控制理论在人工智能中的运用。这与认知科学领域的表征知觉论证是一致的:高等智力需要个体表征(如运动、知觉和图像)。20世纪80年代，大卫·鲁梅尔哈特(DAVID RUMELHART)再次提出了神经网络和连接主义，与模糊控制、进化计算等其他子符号方法一起，属于计算智能的研究领域。

统计方法

20世纪90年代，人工智能的研究开发了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和可验证的，它们也是人工智能成功的原因。一种通用的数学语言还允许现有学科(如数学、经济学或运筹学)之间的合作。STUART J. RUSSELL和PETER NORVIG指出，这些进步不亚于“革命”和“NEATS的成功”。一些人批评这些技术过于关注具体问题，而没有考虑强人工智能的长期目标。

积分法

智能代理范例智能代理是一个能够感知环境并采取行动实现目标的系统。最简单的智能代理是那些可以解决特定问题的程序。更复杂代理包括人类和人类组织(如公司)。这些范式允许研究人员研究单个问题，并找到有用且可验证的解决方案，而无需考虑单一方法。解决特定问题的代理可以使用任何可行的方法-一些代理使用符号方法和逻辑方法，其他的是子符号神经网络或其他新方法。Paradigm还为研究人员提供了与其他领域交流的通用语言——比如决策理论和经济学(也使用抽象主体的概念)。20世纪90年代，智能主体的范式被广泛接受。代理体系结构和认知体系结构研究人员设计了一些系统来处理多代理系统中智能代理之间的交互。一个包含符号和子符号的系统称为混合智能系统，对这个系统的研究就是人工智能系统集成。分级控制系统在反应级的子符号AI和最高级的传统符号AI之间提供了一个桥梁，同时放松了规划和世界建模的时间。罗德尼·布鲁克斯的包容架构是一个早期的层次系统计划。

智能模拟

机器视觉、听觉、触觉、感觉和思维模式的模拟:指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、专家系统、智能搜索、定理证明、逻辑推理、游戏、信息归纳和辩证处理。

主题类别

人工智能是一门边缘学科，属于自然科学、社会科学和技术科学的三向交叉学科。

涉及学科

哲学与认知科学、数学、神经生理学、心理学、计算机科学、信息论、控制论、不确定性、仿生学、社会结构和科学发展观。

研究类别

语言学习和处理、知识表示、智能搜索、推理、规划、机器学习、知识获取、组合调度问题、感知问题、模式识别、逻辑编程、软计算、不精确和不确定管理、人工生命、神经网络、复杂系统和遗传算法，最关键的问题是塑造和提高机器的独立创造性思维能力。

应用领域

机器翻译、智能控制、专家系统、机器人学、语言和图像理解、基因编程机器人工厂、自动编程、航天应用、庞大的信息处理、存储和管理、执行组合生物无法执行的复杂或大规模任务等等。

值得一提的是，机器翻译是人工智能的一个重要分支，也是第一个应用领域。然而，就现有的机器翻译而言，机器翻译系统的翻译质量还远未达到最终目标；机器翻译的质量是机器翻译系统成功的关键。我国数学家、语言学家周海中教授曾在《机器翻译五十年》一文中指出:要提高机器翻译的质量，首先要解决的是语言本身而不是编程问题；依靠几个程序做一个机器翻译系统，当然不可能提高机器翻译的质量；另外，在人类还没有搞清楚大脑是如何对语言进行模糊识别和逻辑判断的情况下，机器翻译也不可能达到“信达雅”的程度。

安全问题

人工智能还在研究中，但有学者认为，让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患在很多电影里也发生过。最主要的关键是是否允许机器有自主意识的产生和延续。如果机器具有自主意识，就意味着机器具有与人相同或相似的创造力、自我保护意识、情感和自发行为。

实现方法

在计算机上实现人工智能有两种不同的方式。一种是使用传统的编程技术，使系统呈现智能效果，不管使用的方法是否与人体或动物体使用的方法相同。这种方法被称为工程方法，它已经在一些领域取得了成果，如字符识别和计算机下棋。另一种是建模方法，这种方法不仅取决于效果，还要求实现方法与人类或生物有机体使用的方法相同或相似。遗传算法和人工神经网络属于后一种类型。遗传算法模拟人类或生物的遗传-进化机制，而人工神经网络模拟人类或动物大脑中神经细胞的活动。为了获得相同的智能效果，通常可以使用这两种方法。使用前一种方法，需要手动详细指定程序逻辑，如果游戏比较简单的话比较方便。如果游戏复杂，角色数量和活动空间增加，对应的逻辑会非常复杂(指数级增加)，手工编程会非常繁琐，容易出错。一旦出现错误，修改原程序，重新编译调试，最后为用户提供新版本或新补丁，都是非常麻烦的。当采用后一种方法时，程序员应该为每个角色设计一个智能系统(一个模块)来控制。这个智能系统(模块)一开始什么都不知道，就像刚出生的婴儿一样，但是它可以学习，逐渐适应环境，应对各种复杂的情况。这种系统一开始经常出错，但是可以吸取教训，下次运行可能会改正，至少不会永远出错，也不需要发布新版本或者打补丁。用这种方法实现人工智能，需要程序员有生物思维方法，入门有点难。但是一旦进门，就可以广泛使用。由于这种方法不需要在编程中指定角色的活动规则，所以在应用于复杂问题时通常更省力。