第1章 緒論

人工智能（AI，Artificial Intelligence）是當(dāng)前科學(xué)技術(shù)中的一門前沿學(xué)科。作為計算機科學(xué)的一個分支，它的研究不僅涉及計算機科學(xué)，還涉及腦科學(xué)、神經(jīng)生理學(xué)、心理學(xué)、語言學(xué)、邏輯學(xué)、認(rèn)知科學(xué)、行為科學(xué)、生命科學(xué)和數(shù)學(xué)，以及信息論、控制論和系統(tǒng)論等許多科學(xué)領(lǐng)域。

1.1 人工智能的基本概念

1.1.1 人工智能的哲學(xué)思考

1. 怎樣才能說機器具有了智能

1950年，英國數(shù)學(xué)家圖靈（A.M.Turing）設(shè)計了一個實驗，來驗證計算機是否具有人的智能，即稱為“圖靈測驗（Turing Testing）”。該實驗首先讓兩個人和一臺計算機分別處于三個不同的房間，且互相看不到。其中一個人扮演訊問者，剩余兩者分別稱為主體A和主體B。實驗的目的就是通過訊問者向主體A和主體B訊問來確定哪一個房間的主體是計算機。實驗開始時，訊問者并不知道哪一個房間的主體是計算機，三者都通過鍵盤和屏幕進(jìn)行交流。訊問者可以提出任何形式的問題，而計算機可以設(shè)法隱瞞它的身份。這種測試重復(fù)多次，每次用不同的志愿者取代這兩個人。如果全部測試之后，正確識別出計算機的次數(shù)不明顯大于隨機猜測50%的次數(shù)，則認(rèn)為這臺計算機具有了智能。也就是說，如果一臺計算機的表現(xiàn)和反應(yīng)，以及相互作用，都與有意識的人類個體一樣，那么它就應(yīng)該被認(rèn)為是有意識的，即具有了智能。

2. “中國屋”思想實驗

20世紀(jì)80年代，美國哲學(xué)家塞爾（J.R.Searle）針對“圖靈測驗”，提出了“中國屋”的思想實驗（Chinese Room Experiment）進(jìn)行反駁。塞爾想象自己被鎖在一個有兩個窗口的屋子里，這兩個窗口分別是I和O，其中窗口I送入紙張，窗口O送出紙張。送入的紙張上面有很復(fù)雜的記號，用于代表一定的意義。在屋子里面有一堆翻譯手冊，可以查到每個記號所代表的意思，從而能夠獲知整個紙張所代表的意義；他然后根據(jù)其意義，可以做出正確的回答，并把這些回答再翻譯成記號；最后通過窗口O把寫有這些記號的回答送出，而原來送入的紙張仍留在屋子里。

現(xiàn)在假定這些記號就是中國字。由I窗口進(jìn)入的是問題，而送到O窗口的則是對這些問題的正確答案。這一情形就像計算機里面的設(shè)置，通過一堆操縱于符號的規(guī)則（程序）對由輸入窗口進(jìn)入的符號做出反應(yīng)，并通過輸出窗口給出某些符號。那么在通過“圖靈測驗”情況下，屋子外面說中文的人可能以為他們是在與屋子里一個懂中文的人對話。但實際上屋子里的那個人并不懂中文，只是根據(jù)符號的形式（形態(tài)）來操縱符號，機械地進(jìn)行符號轉(zhuǎn)換工作。

根據(jù)“中國屋”的思想實驗，塞爾認(rèn)為，即使計算機給出正確的答案，順利通過了圖靈測驗，計算機也沒有理解它所做的一切，因此也就不能體現(xiàn)出任何智能。這一哲學(xué)論證自提出以來，一直被認(rèn)為是對人工智能最有力的批評。

3. 人類能造出比自己聰明的機器嗎

當(dāng)前人工智能研究的期望目標(biāo)是開發(fā)出具有人類意識和能力的機器，那么它將具有與人類相似的智能，甚至可能擁有更高的智能。如果機器的智能可以短時間內(nèi)達(dá)到或超過人類，那么意義就非常重大。機器能夠達(dá)到的智能極限是無法預(yù)測的，但有一點可以肯定，那就是機器的智能一定會不同于人類的智能。機器和人一樣都是歷史進(jìn)化的產(chǎn)物，而人的發(fā)展史是為了滿足他的生理和心理需求。原則上，沒有人類特性或沒有生物特征，沒有生死的東西是沒有這種需求的。

4. 人工智能就是模擬人類的智能嗎

人工智能有時就是模擬人類的智能，但并不總是，或者說，往往不是。一方面，我們可以通過觀察人類在解決問題時的方式來對智能有所了解；另一方面，人工智能中的大量成果不是通過研究人或動物的活動，而是通過直接研究需要智能解決的各種問題得到的。人工智能研究者可以自由地采用人類所沒有使用的方法和超出人類的計算能力。

1.1.2 人工智能的定義

人工智能這個詞看起來似乎一目了然，人制造的智能，但是要給人工智能這個科學(xué)名詞下一個準(zhǔn)確的定義卻很困難。

智能是個體有目的的行為、合理的思維以及有效的適應(yīng)環(huán)境的綜合性能力。通俗地講，智能是個體認(rèn)識客觀事物和運用知識解決問題的能力。人類個體的智能是一種綜合性能力，具體講，可以包括感知和認(rèn)識客觀事物、客觀世界以及自我的能力；通過學(xué)習(xí)取得經(jīng)驗和積累知識的能力；理解知識、運用知識及經(jīng)驗分析問題和解決問題的能力；聯(lián)想、推理、判斷和決策的能力；運用語言進(jìn)行抽象和概括的能力；發(fā)現(xiàn)、發(fā)明、創(chuàng)造和創(chuàng)新的能力；實時地、迅速地和合理地應(yīng)付復(fù)雜環(huán)境的能力；預(yù)測和洞察事物發(fā)展變化的能力等。特別指出智能是相對的、發(fā)展的，如果離開特定時間說智能是困難的、沒有意義的。

人工智能是相對于人的自然智能而言的，即通過人工的方法和技術(shù)，研制智能機器或智能系統(tǒng)來模仿、延伸和擴展人的智能，實現(xiàn)智能行為和“機器思維”活動，解決需要人類專家才能處理的問題。人工智能是人工制品（artifact）中所涉及的智能行為。其中，智能行為包括：感知（perception）、推理（reasoning）、學(xué)習(xí)（learning）、通信（communicating）和復(fù)雜環(huán)境下的動作行為（acting）。作為一門學(xué)科，人工智能研究智能行為的計算模型，研制具有感知、推理、學(xué)習(xí)、聯(lián)想和決策等思維活動的計算系統(tǒng)。從本質(zhì)上講，人工智能是研究怎樣讓計算機模仿人腦從事推理、規(guī)劃、設(shè)計、思考和學(xué)習(xí)等思維活動，解決需要人類的智能才能處理的復(fù)雜問題。簡單地講，人工智能就是由計算機來表示和執(zhí)行人類的智能活動。

1.1.3 人工智能的研究目標(biāo)

人工智能是信息描述和信息處理的復(fù)雜過程，實現(xiàn)人工智能是一項艱巨的任務(wù)。盡管如此，這門學(xué)科還是引起了許多科學(xué)和技術(shù)工作者的濃厚興趣，特別是在計算機技術(shù)飛速發(fā)展和計算機應(yīng)用日益普及的情況下，許多學(xué)者認(rèn)為實現(xiàn)人工智能的手段已經(jīng)具備，人工智能已經(jīng)開始走向?qū)嵺`。

人工智能研究的遠(yuǎn)期目標(biāo)是建立信息處理的智能理論，制造智能機器。智能機器是指能夠在各類環(huán)境中自主地或交互地執(zhí)行各種擬人任務(wù)，與人的智力相當(dāng)或相近的機器。具體地講，這就要求使計算機能夠理解人類語言，并能夠進(jìn)行學(xué)習(xí)和推理。人工智能研究的近期目標(biāo)是解決制造智能機器或智能系統(tǒng)相關(guān)原理和技術(shù)問題，以實現(xiàn)部分智能。

現(xiàn)實生活中有很多人工智能的事例，如洗衣機的模糊控制功能，模仿人的感覺、思維，通過傳感器判斷衣物重量、布質(zhì)和狀態(tài)，決定洗衣粉量、水位和洗滌方式/時間。

1.2 人工智能的發(fā)展簡史

人工智能學(xué)科誕生至今已有近50年的歷史，這期間人工智能的發(fā)展既取得過很多重大的成果，也遭受過巨大的挫折。

1. 第一階段——孕育期（1956年以前）

人工智能不僅與對人思維的研究直接相關(guān)，而且與許多其他學(xué)科領(lǐng)域關(guān)系密切。因此說到人工智能的歷史，應(yīng)當(dāng)上溯到歷史上一些偉大的科學(xué)家和思想家所做的貢獻(xiàn)，他們?yōu)槿斯ぶ悄艿难芯糠e累了充分的條件和基礎(chǔ)理論。

公元前，古希臘哲學(xué)家亞里士多德（Aristotle）建立了第一個演繹推理的公理系統(tǒng)，創(chuàng)立了古典形式邏輯。他在其著作《工具論》中，給出了形式邏輯的一些基本規(guī)律，如矛盾律、排中律，并且實際上已經(jīng)提到了同一律和充足理由律，其中的“三段論”至今仍是演繹推理的基本依據(jù)。

17世紀(jì)，英國哲學(xué)家和自然科學(xué)家培根（F.Bacon）系統(tǒng)地提出了古典歸納推理，使之與Aristotle的演繹推理成為相輔相成的思維法則。此外，他強調(diào)了知識的重要作用，其思想對于研究人類思維過程，以及自20世紀(jì)70年代人工智能轉(zhuǎn)向以知識為中心的研究都產(chǎn)生了重要的影響。

17世紀(jì)，德國數(shù)學(xué)家萊布尼茨（G.W.Leibniz）提出了數(shù)理邏輯的基本思想，即把形式邏輯符號化，以此基礎(chǔ)建立一種邏輯演算，從而實現(xiàn)對人的思維進(jìn)行運算和推理。

1642年，法國物理學(xué)家和數(shù)學(xué)家帕斯卡（B.Pascal）發(fā)明了世界上第一臺會演算的機械加法機。Leibniz于1673年在這臺加法機的基礎(chǔ)上發(fā)展并制成了可進(jìn)行四則運算的計算器。

1832年，英國數(shù)學(xué)家巴比奇（C.Babbage）制成可用來計算簡單數(shù)學(xué)表的差分機，并提出分析機（能自動完成各種類型數(shù)字計算）的設(shè)計思想。

19世紀(jì)中葉，英國數(shù)學(xué)家布爾（G.Boole）初步實現(xiàn)了Leibniz的數(shù)理邏輯思想。他提出了一種嶄新的代數(shù)系統(tǒng)——布爾代數(shù)，用符號語言描述了思維活動的基本推理法則，從而建立并發(fā)展了命題邏輯。

1879年，德國邏輯學(xué)家費雷治（G.Frege）提出用機械推理的符號表示系統(tǒng)，發(fā)明了謂詞邏輯。

1930年，奧地利數(shù)學(xué)家歌德爾（K.Godel）證明了一階謂詞的完備性定理。1931 年，他又證明了兩條不完備性定理：第一條是，任何包含初等數(shù)論的形式系統(tǒng)，如果它是無矛盾的，那么一定是不完備的；第二條是，如果某個形式系統(tǒng)是無矛盾的，那么這種無矛盾性一定不能在本系統(tǒng)中得到證明。其研究成果的意義在于提出了人的思維形式化和機械化的某些極限，在理論上證明了有些事情是做不到的，即形式邏輯分析不能用來解決認(rèn)識中所有出現(xiàn)的矛盾。

1936年，英國數(shù)學(xué)家Turing提出了一種理想計算機的數(shù)學(xué)模型（圖靈機），這為電子計算機的構(gòu)建提供了理論根據(jù)。在1950年，他還提出了著名的“圖靈測驗”，給智能的標(biāo)準(zhǔn)提供了明確的定義。

1943年，美國神經(jīng)生理學(xué)家麥卡洛（W.McCulloch）和數(shù)理邏輯學(xué)家匹茨（W.Pitts）提出了第一個神經(jīng)元的數(shù)學(xué)模型（M-P模型），開創(chuàng)了神經(jīng)科學(xué)研究的新時代。

1945年，美籍匈牙利數(shù)學(xué)家馮·諾伊曼（J.V.Neumann）提出了以二進(jìn)制和程序存儲控制為核心的通用電子數(shù)字計算機體系結(jié)構(gòu)原理，奠定了現(xiàn)代電子計算機體系結(jié)構(gòu)的基礎(chǔ)。

1946年，美國數(shù)學(xué)家莫克利（J.W.Mauchly）和埃克特（J.P.Eckert）研制成功了世界上第一臺通用電子數(shù)字計算機ENIAC（Electronic Numerical Integrator And Calculator）。

1949年，加拿大心理學(xué)家赫布（D.O.Hebb）提出了關(guān)于神經(jīng)元連接強度的Hebb規(guī)則，即當(dāng)相互連接的兩個神經(jīng)元都處于興奮狀態(tài)時，它們的連接強度將增強。Hebb學(xué)習(xí)規(guī)則為人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究奠定了基礎(chǔ)。

2. 第二階段——人工智能基礎(chǔ)技術(shù)的研究和形成（1956—1970年）

1956年夏，美國的達(dá)特茅斯（Dartmouth）大學(xué)的麥卡錫（J.McCarthy）、哈佛大學(xué)的明斯基（M.Minsky）、IBM公司的羅徹斯特（N.Lochester）和貝爾實驗室的香農(nóng)（E.Shannon）四人共同發(fā)起，邀請 IBM 公司的摩爾（T.More）和塞繆爾（A.Samuel）、麻省理工學(xué)院的塞弗里奇（O.Selfridge）和門羅索夫（R.Solomonff）、卡內(nèi)基 -梅隆大學(xué)的西蒙（H.Simon）和紐厄爾（A.Newell）等人參加學(xué)術(shù)討論班，在一起共同學(xué)習(xí)和探討用機器模擬智能的各種問題。Minsky構(gòu)建的第一個神經(jīng)元網(wǎng)絡(luò)模擬器SNARC（Stochastic Neural-Analog Reinforcement Computer）、McCarthy的α-β搜索法，以及Simon和Newell的邏輯理論家程序（Logic Theorist）成為在這次研討會上的三個亮點。經(jīng)McCarthy提議，決定使用“人工智能”一詞來概括這個研究方向。這次具有歷史意義的會議標(biāo)志著人工智能這個學(xué)科的正式誕生，McCarthy也由此被稱為“人工智能之父”。

1956年，Newell和Simon等人編寫的程序Logic Theorist證明了羅素（B.Russell）和懷特海（A.N.Whitehead）的數(shù)學(xué)名著《數(shù)學(xué)原理》中第二章的三十八條定理，又于1963年證明了該章中的全部五十二條定理。他們的成果使人工智能研究走上以計算機程序來模擬人類思維的道路，第一次把求解方法和問題的領(lǐng)域知識分離開。在相同的研究途徑下，Selfridge編制了字符識別程序、Samuel研制了跳棋程序。Samuel的跳棋程序具有學(xué)習(xí)功能，在1959 和1962 年分別打敗了Samuel本人和美國一個州的跳棋冠軍。

1957年，Simon、Newell和肖（J.C.Shaw）合作開發(fā)了表處理語言IPL（Information Processing Language），這是歷史上第一個人工智能程序設(shè)計語言。該程序設(shè)計語言的基本元素是符號，并首次引入了表處理方法。同年，羅森勃拉特（F.Rosenblatt）提出著名的感知機（Perceptron）模型，試圖模擬人腦感知能力和學(xué)習(xí)能力。該模型是第一個完整的人工神經(jīng)網(wǎng)絡(luò)，也是第一次將人工神經(jīng)網(wǎng)絡(luò)研究付諸于工程實現(xiàn)。

1958年，美籍邏輯學(xué)家王浩在自動定理證明中取得重要的進(jìn)展。他的程序在IBM-704計算機上用不到5分鐘的時間證明了《數(shù)學(xué)原理》中“命題演算”的全部220條定理。1959年，王浩的改進(jìn)程序用8.4 分鐘證明了上述220 條定理及謂詞演算的絕大部分定理。在這一年， Minsky和McCarthy在麻省理工學(xué)院創(chuàng)建世界上第一個人工智能實驗室。

1959年，Mccarthy開發(fā)出了著名表處理語言LISP（List Processor）。LISP語言是函數(shù)式符號處理語言，其程序由一些函數(shù)子程序組成。LISP語言自發(fā)明以來廣泛用于數(shù)學(xué)中符號微積分計算、定理證明、謂詞演算、博弈論等領(lǐng)域。同年，IBM公司的格倫特爾（H.Gelernter）研制出平面幾何證明程序。

1960年，Simon、Newell和Shaw又一次合作開發(fā)了通用問題求解系統(tǒng)GPS（General Problem Solver）。GPS是根據(jù)人在解題中的共同思維規(guī)律編制而成的，可解11 種不同類型的問題，從而使啟發(fā)式程序有了更普遍的意義。

1962年，美國工程師威德羅（B.Windrow）和霍夫（E.Hoff）提出了自適應(yīng)線性單元ADA-LINE（Adaptive linear element）。它可用于自適應(yīng)濾波、預(yù)測和模式識別，從而掀起了人工神經(jīng)網(wǎng)絡(luò)研究的第一次高潮。

1965年，羅伯特（L.G.Roberts）編制了可以分辨積木構(gòu)造的程序，開創(chuàng)了計算機視覺的新領(lǐng)域。同年，美國數(shù)理邏輯學(xué)家魯賓遜（J.A.Robinson）提出了與傳統(tǒng)演繹法完全不同的消解法（也稱歸結(jié)原理），掀起了研究計算機定理證明的又一高潮。

1968年，美國斯坦福大學(xué)教授費根鮑姆（E.Feigenbaum）主持開發(fā)出世界上第一個化學(xué)分析專家系統(tǒng) DENDRAL，開創(chuàng)了以知識為基礎(chǔ)的專家咨詢系統(tǒng)研究領(lǐng)域。同年，奎廉（J.R.Quillian）提出了語義網(wǎng)絡(luò)的知識表示方法，試圖解決記憶的心理學(xué)模型，后來Simon等人將語義網(wǎng)絡(luò)應(yīng)用于自然語言理解方面取得了很大的成效。

1969年，Minsky出版了《感知機》一書，該書對感知機進(jìn)行了深入分析，并且從數(shù)學(xué)上證明了這種簡單人工神經(jīng)元網(wǎng)絡(luò)功能的局限性，即感知機只能解決一階謂詞邏輯問題，不能解決高階謂詞問題。同時，還發(fā)現(xiàn)有許多模式是不能用單層網(wǎng)絡(luò)訓(xùn)練的，而多層網(wǎng)絡(luò)是否可行還很值得懷疑。因此，人工神經(jīng)網(wǎng)絡(luò)的研究由此進(jìn)入低潮時期，而專家系統(tǒng)的研究進(jìn)入高潮。

3. 第三階段——發(fā)展和實用化階段（1971—1980年）

人工智能開始從理論走向?qū)嵺`，解決了一些實際問題，同時也很快就發(fā)現(xiàn)了一些問題，如消解法費時、下棋贏不了全國冠軍、機器翻譯一團糟等。此時，以Feigenbaum為首的一批年輕科學(xué)家改變了人工智能研究的戰(zhàn)略思想，開展了以知識為基礎(chǔ)的專家咨詢系統(tǒng)的研究與應(yīng)用。

在20世紀(jì)70年代有不少專家系統(tǒng)被研制開發(fā)，如麻省理工學(xué)院研制的符號數(shù)學(xué)專家系統(tǒng)MACSYMA和自然語言理解系統(tǒng)SHRDLU，診斷和治療青光眼病的專家系統(tǒng)CASNET，診斷內(nèi)科疾病的專家系統(tǒng)INTERNIST，腎臟病專家咨詢系統(tǒng)PIP，DEC公司開發(fā)的診斷系統(tǒng)VAX，卡內(nèi)基-梅隆大學(xué)開發(fā)的計算機配置專家系統(tǒng)XCON（RI）和XSEL。

1972年，肖特利夫（E.H.Shortliffe）等人開發(fā)了醫(yī)學(xué)診斷專家系統(tǒng)MYCIN，該系統(tǒng)使用了產(chǎn)生式系統(tǒng)的概念框架，并以實現(xiàn)方法簡單、有效而著稱。同年，吳茲（W.Woods）研制成功了自然語言理解系統(tǒng)LUNAR，該系統(tǒng)用于查詢月球地質(zhì)數(shù)據(jù)，回答用戶的問題，是第一個用英語與機器對話的人機接口系統(tǒng)。

1973年，法國馬賽大學(xué)教授考爾麥勞厄（A.Colmerauer）的研究小組實現(xiàn)了英國倫敦大學(xué)學(xué)生柯瓦連斯基（R.Kowaiski）提出的邏輯式程序設(shè)計語言PROLOG（Programming in Logic）。

1974年，沃博斯（P.J.Werbos）在其博士論文中提出在感知機的基礎(chǔ)上加入隱含層的學(xué)習(xí)算法，有效解決了多層網(wǎng)絡(luò)中隱含節(jié)點的學(xué)習(xí)問題。

1975年，Minsky創(chuàng)立了框架理論（Frame Theory），該理論的核心是以框架的形式來表示知識。同年，美國密執(zhí)根大學(xué)教授霍蘭德（J.H.Holland）提出了遺傳算法（GA，Genetic Algorithm），該算法用于處理多變量、非線性、不確定，甚至混沌的大搜索空間的有約束的優(yōu)化問題。

1976年7月，美國的阿佩爾（K.Appel）等用三臺大型計算機，用1200小時的時間，證明了四色定理。

1977年，F(xiàn)eigenbaum在第五屆國際智能聯(lián)合會議上提出“知識工程”的概念，人工智能的研究從以基于推理為主的模型轉(zhuǎn)向以基于知識為主的模型。同年，休維特（C.Hewitt）在研究Concurrent Actor Model時就首次提出了具有自組織性、反應(yīng)機制和同步執(zhí)行能力的軟件模型，這就是最初的軟件Agent思想。同年，我國的吳文俊院士給出了一類平面幾何問題的機械化證明理論，在計算機上證明了一大批平面幾何定理。

1979年，鮑勃羅夫（D.G.Boborow）采用基于框架的設(shè)計，實現(xiàn)了 KRL 語言（Knowledge Representation Language）。

4. 第四階段——知識工程與專家系統(tǒng)（1980年至今）

20世紀(jì)80年代，人工智能發(fā)展達(dá)到了階段性的頂峰。1987年和1989年的世界大會均有6～7千人參加，硬件公司有上千家，LISP硬件和LISP機形成產(chǎn)品。同時，在專家系統(tǒng)及其工具越來越商品化的過程中，國際軟件市場上形成了一門旨在生產(chǎn)和加工知識的新產(chǎn)業(yè)——知識產(chǎn)業(yè)。

1982年日本開始了“第五代計算機研制計劃”，即“知識信息處理計算機系統(tǒng)KIPS”，其目的是使邏輯推理達(dá)到數(shù)值運算那么快。雖然此計劃最終失敗，但它的開展形成了一股研究人工智能的熱潮。

美國物理學(xué)家霍普菲爾德（J.J.Hopfield）于1982年、1984年在美國科學(xué)院院刊發(fā)表的兩篇文章，有力地推動了人工神經(jīng)網(wǎng)絡(luò)的研究，引起了研究人工神經(jīng)網(wǎng)絡(luò)的又一次熱潮。1982年，他提出了一個新的人工神經(jīng)網(wǎng)絡(luò)模型——Hopfield網(wǎng)絡(luò)模型。他在這種網(wǎng)絡(luò)模型的研究中，首次引入了網(wǎng)絡(luò)能量函數(shù)的概念，并給出了網(wǎng)絡(luò)穩(wěn)定性的判定依據(jù)。1984年，他又提出了網(wǎng)絡(luò)模型實現(xiàn)的電子電路，為人工神經(jīng)網(wǎng)絡(luò)的工程實現(xiàn)指明了方向，他的研究成果開拓了人工神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶的優(yōu)化計算的新途徑，并為神經(jīng)計算機研究奠定了基礎(chǔ)。

1984年，希爾頓（G.Hinton）等人將模擬退火算法引入到人工神經(jīng)網(wǎng)絡(luò)中，提出了玻耳茲曼（Boltzmann）機網(wǎng)絡(luò)模型，玻耳茲曼機網(wǎng)絡(luò)算法為人工神經(jīng)網(wǎng)絡(luò)優(yōu)化計算提供了一個有效的方法。

1986年，魯姆爾哈特（D.E.Rumelhart）和麥克萊倫（J.L Mcclelland）重新提出了多層網(wǎng)絡(luò)的誤差反向傳播算法BP（Back-Propagation）。證明了采用Sigmoid 型神經(jīng)元作為隱含層神經(jīng)元的BP網(wǎng)絡(luò)具有任意非線性特性。BP網(wǎng)絡(luò)成為廣泛使用的人工神經(jīng)網(wǎng)絡(luò)，并以此為基礎(chǔ)做了許多改進(jìn)，發(fā)展了快速有效的算法。從此，人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入新的高潮。

1987年6月，第一屆國際人工神經(jīng)網(wǎng)絡(luò)會議在美國召開，宣告了這一新學(xué)科的誕生。會上竟提出了“人工智能已經(jīng)死亡，人工神經(jīng)網(wǎng)絡(luò)萬歲”的口號。此后，各國在人工神經(jīng)網(wǎng)絡(luò)研究方面的投資逐漸增加，相關(guān)研究得到迅速發(fā)展。

1987年，美國神經(jīng)計算機專家尼爾森（R.H.Nielsen）提出了對向傳播神經(jīng)網(wǎng)絡(luò)（CPN， Counter Propagation Network），該網(wǎng)絡(luò)具有分類靈活，算法簡練的優(yōu)點，可用于模式分類、函數(shù)逼近、統(tǒng)計分析和數(shù)據(jù)壓縮等領(lǐng)域。

進(jìn)入20世紀(jì)90年代，計算機的發(fā)展趨勢為小型化、并行化、網(wǎng)絡(luò)化、智能化。人工智能技術(shù)逐漸與數(shù)據(jù)庫、多媒體等主流技術(shù)相結(jié)合，并融合在主流技術(shù)之中，旨在使計算機更聰明、更有效、與人更接近。

1992年，日本政府的第五代計算機研制計劃宣布失敗，但隨后啟動RWC計劃（Real Wor Computing Project）。

1993 年，美國斯坦福大學(xué)教授肖漢姆（Y.Shoham）提出面向 Agent 的程序設(shè)計（AOP，Agent-Oriented Programming）。他認(rèn)為，AOP是一種基于計算的社會觀點的新興程序設(shè)計風(fēng)格和計算框架，其主要思想是利用Agent理論研究提出的能表示Agent性質(zhì)的意識態(tài)度來直接設(shè)計Agent和對Agent編程。

1995年，瓦普尼克（V.Vapnik）提出支持向量機（SVM，Support Vector Machine）理論，它是基于統(tǒng)計學(xué)習(xí)理論的一種機器學(xué)習(xí)方法。

1997年，麥克昆（W.McCune）提出了定理證明系統(tǒng)，機器運行了8天時間，成功地證明了1930年提出的未被證明的數(shù)學(xué)難題Robbins問題，即所有的Robbins代數(shù)都是布爾代數(shù)。

1998年，在IBM的“深藍(lán)”計算機與著名大師的國際象棋比賽中，“深藍(lán)”戰(zhàn)勝了卡斯帕羅夫大師，這個程序的問題搜索次數(shù)達(dá)10120步，采用α-β搜索技術(shù)，每秒能夠分析2億步走法，共記憶了60萬個棋局。

隨著計算機和網(wǎng)絡(luò)技術(shù)的發(fā)展與普及，當(dāng)今人工智能主攻方向體現(xiàn)在：

① 并行與分布式處理技術(shù)。該研究方向包括大規(guī)模并行機和機群的體系結(jié)構(gòu)、并行操作系統(tǒng)與并行數(shù)據(jù)結(jié)構(gòu)，分布式Client/Server計算模型及其處理技術(shù)，多專機系統(tǒng)的合作與知識共享技術(shù)等。

② 知識的獲取、表示、更新和推理新機制。該研究方向包括新的知識獲取方法，常識性知識的表示、更新與推理，大型知識庫的組織與維護(hù)，新一代邏輯處理機制等。

③ 多功能的感知技術(shù)。該研究方向包括對語音文字、圖形與圖像等信號的獲取、識別、壓縮與轉(zhuǎn)化，以及多媒體輸出和虛擬現(xiàn)實技術(shù)等。

④ 關(guān)于Agent的研究。Agent可以理解為一個物理的實體，如機器人，它也可以理解為是一個軟件系統(tǒng)，由一些相互作用的成分組成。這方面研究主要包括 Agent 的交互、通信和Multi-Agent體系結(jié)構(gòu)等。

⑤數(shù)據(jù)挖掘。該研究方向主要是對觀測到的數(shù)據(jù)集（經(jīng)常是很龐大的）進(jìn)行分析，目的是發(fā)現(xiàn)未知的、隱含的但又潛在有用的信息和知識的過程。這方面的研究主要是信息時代的需求，面對海量的信息，人類必須有一整套的信息檢索和處理手段進(jìn)行分析，才能夠從中得到有效的知識，否則將被繁多無用的信息淹沒。

人工智能從以往追求自主的系統(tǒng)改變?yōu)槿藱C結(jié)合的系統(tǒng)，即計算機的定量與人的定性信息處理相結(jié)合。傳統(tǒng)的人工智能研究的是基于邏輯的，深思熟慮的智能；而現(xiàn)代的人工智能研究的是基于直覺、頓悟、形象思維的智能。

人工智能是計算機研究中一個非常重要的領(lǐng)域，在20世紀(jì)40位圖靈獎獲得者中有6位人工智能學(xué)者。其中，Minsky 在1969 年獲獎，Mccarthy 在1971 年獲獎，Simon 和 Newell 在1975年獲獎，F(xiàn)eigenbaum和雷迪（R.Reddy）在1994年獲獎。

1.3 人工智能的研究途徑和方法

由于人們對人工智能本質(zhì)的不同理解和認(rèn)識，形成了人工智能研究的多種不同的途徑。在不同的研究途徑下，其研究方法、學(xué)術(shù)觀點和研究重點有所不同，進(jìn)而形成不同的學(xué)派。這里主要介紹認(rèn)知學(xué)派、邏輯學(xué)派、行為主義學(xué)派和連接主義學(xué)派。

1. 認(rèn)知學(xué)派

以Minsky、Simon和Newell等人為代表，從人的思維活動出發(fā)，利用計算機進(jìn)行宏觀功能模擬。該學(xué)派認(rèn)為認(rèn)知的基元是符號，智能行為通過符號操作來實現(xiàn)。它以美國人Robinson提出的消解法（即歸結(jié)原理）為基礎(chǔ)，以LISP和Prolog語言為代表，著重于問題求解中的啟發(fā)式搜索和推理過程。該學(xué)派在邏輯思維的模擬方面取得成功，如自動定理證明和專家系統(tǒng)。

1976年，Simon和Newell提出了物理符號系統(tǒng)假設(shè)，認(rèn)為物理系統(tǒng)表現(xiàn)智能行為的充分必要條件是，它是一個物理符號系統(tǒng)。這樣，可以把任何信息加工系統(tǒng)看成是一個具體的物理系統(tǒng)，如人的神經(jīng)系統(tǒng)、計算機的構(gòu)造系統(tǒng)等。所謂符號就是模式，任何一個模式只要能與其他模式相區(qū)別，它就是一個符號。例如，不同的英文字母就是不同的符號。對符號進(jìn)行操作就是對符號進(jìn)行比較，即找出哪幾個是相同的符號，哪幾個是不同的符號。物理符號系統(tǒng)的基本任務(wù)和功能就是辨認(rèn)相同的符號和區(qū)分不同的符號。

Minsky從心理學(xué)的研究出發(fā)，認(rèn)為人們在日常的認(rèn)識活動中，使用了大批從以前的經(jīng)驗中獲取并經(jīng)過整理的知識，這些知識是以一種類似框架的結(jié)構(gòu)記存在人腦中，由此提出了框架知識表示方法。Minsky認(rèn)為人的智能，根本不存在統(tǒng)一的理論。1985年，他出版了《心智的社會》（The Society of Mind）一書，書中指出思維社會是由大量具有某種思維能力的單元組成的復(fù)雜社會。

2. 邏輯學(xué)派

以Mccarthy和N.J.Nillson等人為代表，主張用邏輯來研究人工智能，即用形式化的方法描述客觀世界。

該學(xué)派主要觀點如下：首先，智能機器必須有關(guān)于自身環(huán)境的知識；其次，通用智能機器要能陳述性地表達(dá)關(guān)于自身環(huán)境的大部分知識；再次，通用智能機器表示陳述性知識的語言至少要有一階邏輯的表達(dá)能力。

邏輯學(xué)派在人工智能研究中，強調(diào)的是概念化知識表示、模型論語義、演繹推理等。Mccarthy主張任何事物都可以用統(tǒng)一的邏輯框架來表示，在常識推理中以非單調(diào)邏輯為中心。

3. 行為主義學(xué)派

以布魯克斯（R.A.Brooks）等人為代表，認(rèn)為智能行為只能在現(xiàn)實世界中，由系統(tǒng)與周圍環(huán)境的交互過程中表現(xiàn)出來。

1991年，Brooks提出了無須知識表示的智能和無須推理的智能。他還以其觀點為基礎(chǔ)，研制了一種機器蟲。該機器用一些相對獨立的功能單元，分別實現(xiàn)避讓、前進(jìn)、平衡等功能，組成分層異步分布式網(wǎng)絡(luò)。該學(xué)派對機器人的研究開創(chuàng)了一種新方法。

該學(xué)派的主要觀點可以概括如下：首先，智能系統(tǒng)與環(huán)境進(jìn)行交互，即從運行的環(huán)境中獲取信息（感知），并通過自己的動作對環(huán)境施加影響；其次，指出智能取決于感知和行為，提出了智能行為的“感知-行為”模型，認(rèn)為智能系統(tǒng)可以不需要知識、不需要表示、不需要推理，像人類智能一樣可以逐步進(jìn)化；再次，強調(diào)直覺和反饋的重要性，智能行為體現(xiàn)在系統(tǒng)與環(huán)境的交互之中，功能、結(jié)構(gòu)和智能行為是不可分割的。

4. 連接主義學(xué)派

以Rumelhart、Mcclelland和Hopfield等人為代表，從人的大腦神經(jīng)系統(tǒng)結(jié)構(gòu)出發(fā)，研究非程序的、適應(yīng)性的、類似大腦風(fēng)格的信息處理的本質(zhì)和能力，人們也稱它為神經(jīng)計算。這種方法一般通過人工神經(jīng)網(wǎng)絡(luò)的“自學(xué)習(xí)”獲得知識，再利用知識解決問題。由于它近年來的迅速發(fā)展，大量的人工神經(jīng)網(wǎng)絡(luò)的機理、模型、算法不斷地涌現(xiàn)出來。人工神經(jīng)網(wǎng)絡(luò)具有高度的并行分布性、很強的魯棒性和容錯性，使其在圖像、聲音等信息的識別和處理中廣泛應(yīng)用。

此外，還有知識工程學(xué)派和分布式學(xué)派。知識工程學(xué)派以Feigenbaum為代表，研究知識在人類智能中的作用和地位。分布式學(xué)派以 Hewitt 為代表，研究智能系統(tǒng)中知識的分布行為。

1.4 人工智能的研究與應(yīng)用領(lǐng)域

人工智能的知識領(lǐng)域浩繁，很難面面俱到，但是各個領(lǐng)域的思想和方法有許多可以互相借鑒的地方。隨著人工智能理論研究的發(fā)展和成熟，人工智能的應(yīng)用領(lǐng)域更為寬廣，應(yīng)用效果更為顯著。從應(yīng)用的角度看，人工智能的研究主要集中在以下幾個方面。

1. 專家系統(tǒng)

專家系統(tǒng)是一個具有大量專門知識與經(jīng)驗的程序系統(tǒng)。它應(yīng)用人工智能技術(shù)，根據(jù)某個領(lǐng)域一個或多個人類專家提供的知識和經(jīng)驗進(jìn)行推理和判斷，模擬人類專家的決策過程，以解決那些需要專家決定的復(fù)雜問題。目前在許多領(lǐng)域，專家系統(tǒng)已取得顯著效果。專家系統(tǒng)與傳統(tǒng)計算機程序的本質(zhì)區(qū)別在于，專家系統(tǒng)所要解決的問題一般沒有算法解，并且經(jīng)常要在不完全、不精確或不確定的信息基礎(chǔ)上做出結(jié)論。它可以解決的問題一般包括解釋、預(yù)測、診斷、設(shè)計、規(guī)劃、監(jiān)視、修理、指導(dǎo)和控制等。從體系結(jié)構(gòu)上可分為集中式專家系統(tǒng)、分布式專家系統(tǒng)、協(xié)同式專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)等；從方法上可分為基于規(guī)則的專家系統(tǒng)、基于模型的專家系統(tǒng)、基于框架的專家系統(tǒng)等。

2. 自然語言理解

自然語言理解是研究實現(xiàn)人類與計算機系統(tǒng)之間用自然語言進(jìn)行有效通信的各種理論和方法。由于目前計算機系統(tǒng)與人類之間的交互還只能使用嚴(yán)格限制的各種非自然語言，因此解決計算機系統(tǒng)能夠理解自然語言的問題，一直是人工智能研究領(lǐng)域的重要研究課題之一。

實現(xiàn)人機間自然語言通信意味著計算機系統(tǒng)既能理解自然語言文本的意義，也能生成自然語言文本來表達(dá)給定的意圖和思想等。而語言的理解和生成是一個極為復(fù)雜的解碼和編碼問題。一個能夠理解自然語言的計算機系統(tǒng)看起來就像一個人一樣，它需要有上下文知識和信息，并能用信息發(fā)生器進(jìn)行推理。理解口頭和書寫語言的計算機系統(tǒng)的基礎(chǔ)就是表示上下文知識結(jié)構(gòu)的某些人工智能思想，以及根據(jù)這些知識進(jìn)行推理的某些技術(shù)。

雖然在理解有限范圍的自然語言對話和理解用自然語言表達(dá)的小段文章或故事方面的程序系統(tǒng)已有一定的進(jìn)展，但要實現(xiàn)功能較強的理解系統(tǒng)仍十分困難。從目前的理論和技術(shù)現(xiàn)狀看，它主要應(yīng)用于機器翻譯、自動文摘、全文檢索等方面，而通用的和高質(zhì)量的自然語言處理系統(tǒng)，仍然是較長期的努力目標(biāo)。

3. 機器學(xué)習(xí)

機器學(xué)習(xí)是人工智能的一個核心研究領(lǐng)域，它是計算機具有智能的根本途徑。學(xué)習(xí)是人類智能的主要標(biāo)志和獲取知識的基本手段。Simon認(rèn)為：“如果一個系統(tǒng)能夠通過執(zhí)行某種過程而改進(jìn)它的性能，這就是學(xué)習(xí)。”

機器學(xué)習(xí)研究的主要目標(biāo)是讓機器自身具有獲取知識的能力，使機器能夠總結(jié)經(jīng)驗、修正錯誤、發(fā)現(xiàn)規(guī)律、改進(jìn)性能，對環(huán)境具有更強的適應(yīng)能力。通常要解決如下幾方面的問題：（1）選擇訓(xùn)練經(jīng)驗。它包括如何選擇訓(xùn)練經(jīng)驗的類型，如何控制訓(xùn)練樣本序列，以及如何使訓(xùn)練樣本的分布與未來測試樣本的分布相似等子問題；（2）選擇目標(biāo)函數(shù)。所有的機器學(xué)習(xí)問題幾乎都可簡化為學(xué)習(xí)某個特定的目標(biāo)函數(shù)的問題，因此，目標(biāo)函數(shù)的學(xué)習(xí)、設(shè)計和選擇是機器學(xué)習(xí)領(lǐng)域的關(guān)鍵問題；（3）選擇目標(biāo)函數(shù)的表示。對于一個特定的應(yīng)用問題，在確定了理想的目標(biāo)函數(shù)后，接下來的任務(wù)是必須從很多（甚至是無數(shù)）種表示方法中選擇一種最優(yōu)或近似最優(yōu)的表示方法。

目前，機器學(xué)習(xí)的研究還處于初級階段，但卻是一個必須大力開展研究的階段。只有機器學(xué)習(xí)的研究取得進(jìn)展，人工智能和知識工程才會取得重大突破。

4. 自動定理證明

自動定理證明，又叫機器定理證明，它是數(shù)學(xué)和計算機科學(xué)相結(jié)合的研究課題。數(shù)學(xué)定理的證明是人類思維中演繹推理能力的重要體現(xiàn)。演繹推理實質(zhì)上是符號運算，因此原則上可以用機械化的方法來進(jìn)行。數(shù)理邏輯的建立使自動定理證明的設(shè)想有了更明確的數(shù)學(xué)形式。1965年Robinson提出了一階謂詞演算中的歸結(jié)原理，這是自動定理證明的重大突破。1976年，美國的Appel等三人利用高速計算機證明了124年未能解決的“四色問題”，表明利用電子計算機有可能把人類思維領(lǐng)域中的演繹推理能力推進(jìn)到前所未有的境界。我國數(shù)學(xué)家吳文俊在1976年年底開始研究可判定問題，即論證某類問題是否存在統(tǒng)一算法解。他在微型機上成功地設(shè)計了初等幾何與初等微分幾何中一大類問題的判定算法及相應(yīng)的程序，其研究處于國際領(lǐng)先地位。后來，我國數(shù)學(xué)家張景中等人進(jìn)一步推出了“可讀性證明”的機器證明方法，再一次轟動了國際學(xué)術(shù)界。

自動定理證明的理論價值和應(yīng)用范圍并不局限于數(shù)學(xué)領(lǐng)域，許多非數(shù)值領(lǐng)域的任務(wù)，如醫(yī)療診斷、信息檢索、規(guī)劃制定和難題求解等，都可以轉(zhuǎn)化成相應(yīng)的定理證明問題，或者與定理證明有關(guān)的問題，所以自動定理證明的研究具有普遍意義。

5. 自動程序設(shè)計

自動程序設(shè)計是指根據(jù)給定問題的原始描述，自動生成滿足要求的程序。它是軟件工程和人工智能相結(jié)合的研究課題。自動程序設(shè)計主要包含程序綜合和程序驗證兩方面內(nèi)容。前者實現(xiàn)自動編程，即用戶只需告知機器“做什么”，無須告訴“怎么做”，這后一步的工作由機器自動完成；后者是程序的自動驗證，自動完成正確性的檢查。

目前程序綜合的基本途徑主要是程序變換，即通過對給定的輸入、輸出條件進(jìn)行逐步變換，以構(gòu)成所要求的程序。程序驗證是利用一個已驗證過的程序系統(tǒng)來自動證明某一給定程序P的正確性。假設(shè)程序P的輸入是x，它必須滿足輸入條件φ（x）；程序的輸出是z=P（x），它必須滿足輸出條件Φ（x，z）。判斷程序的正確性有三種類型，即終止性、部分正確性和完全正確性。

目前在自動程序設(shè)計方面已取得一些初步的進(jìn)展，尤其是程序變換技術(shù)已引起計算機科學(xué)工作者的重視?，F(xiàn)在國外已陸續(xù)出現(xiàn)一些實驗性的程序變換系統(tǒng)，如英國愛丁堡大學(xué)的程序自動變換系統(tǒng)POP-2和德國默森技術(shù)大學(xué)的程序變換系統(tǒng)CIP等。

6. 分布式人工智能

分布式人工智能是分布式計算與人工智能結(jié)合的結(jié)果。它主要研究在邏輯上或物理上分散的智能動作者如何協(xié)調(diào)其智能行為，求解單目標(biāo)和多目標(biāo)問題，為設(shè)計和建立大型復(fù)雜的智能系統(tǒng)或計算機支持協(xié)同工作提供有效途徑。它所能解決的問題需要整體互動所產(chǎn)生的整體智能來解決。主要研究內(nèi)容有分布式問題求解（DPS，Distribution Problem Solving）和多智能體系統(tǒng)（MAS，Multi-Agent System）。

分布式問題求解的方法是，先把問題分解成任務(wù)，再為之設(shè)計相應(yīng)的任務(wù)執(zhí)行系統(tǒng)。而MAS是由多個Agent組成的集合，通過Agent的交互來實現(xiàn)系統(tǒng)的表現(xiàn)。MAS主要研究多個Agent為了聯(lián)合采取行動或求解問題，如何協(xié)調(diào)各自的知識、目標(biāo)、策略和規(guī)劃。在表達(dá)實際系統(tǒng)時，MAS通過各Agent間的通信、合作、互解、協(xié)調(diào)、調(diào)度、管理及控制來表達(dá)系統(tǒng)的結(jié)構(gòu)、功能及行為特性。由于在同一個MAS中各Agent可以異構(gòu)，因此Multi-Agent技術(shù)對于復(fù)雜系統(tǒng)具有無可比擬的表達(dá)力。它為各種實際系統(tǒng)提供了一種統(tǒng)一的模型，能夠體現(xiàn)人類的社會智能，具有更大的靈活性和適應(yīng)性，更適合開放和動態(tài)的世界環(huán)境，因而備受重視，相關(guān)研究已成為人工智能以至計算機科學(xué)和控制科學(xué)與工程的研究熱點。

7. 機器人學(xué)

機器人學(xué)是機械結(jié)構(gòu)學(xué)、傳感技術(shù)和人工智能結(jié)合的產(chǎn)物。1948年美國研制成功第一代遙控機械手，17年后第一臺工業(yè)機器人誕生，從此相關(guān)研究不斷取得進(jìn)展。機器人的發(fā)展經(jīng)歷了以下幾個階段：第一代為程序控制機器人，它以“示教-再現(xiàn)”方式，一次又一次學(xué)習(xí)后進(jìn)行再現(xiàn)，代替人類從事笨重、繁雜與重復(fù)的勞動；第二代為自適應(yīng)機器人，它配備有相應(yīng)的感覺傳感器，能獲取作業(yè)環(huán)境的簡單信息，允許操作對象的微小變化，對環(huán)境具有一定適應(yīng)能力；第三代為分布式協(xié)同機器人，它裝備有視覺、聽覺、觸覺多種類型傳感器，在多個方向平臺上感知多維信息，并具有較高的靈敏度，能對環(huán)境信息進(jìn)行精確感知和實時分析，協(xié)同控制自己的多種行為，具有一定的自學(xué)習(xí)、自主決策和判斷能力，能處理環(huán)境發(fā)生的變化，能和其他機器人進(jìn)行交互。

從功能上來考慮，機器人學(xué)的研究主要涉及兩個方面：一方面是模式識別，即給機器人配備視覺和觸覺，使其能夠識別空間景物的實體和陰影，甚至可以辨別出兩幅圖像的微小差別，從而完成模式識別的功能；另一方面是運動協(xié)調(diào)推理。機器人的運動協(xié)調(diào)推理是指機器人在接受外界的刺激后，驅(qū)動機器人行動的過程。

機器人學(xué)的研究促進(jìn)了人工智能思想的發(fā)展，它所導(dǎo)致的一些技術(shù)可在人工智能研究中用來建立世界狀態(tài)模型和描述世界狀態(tài)變化的過程。

8. 模式識別

模式識別研究的是計算機的模式識別系統(tǒng)，即用計算機代替人類或幫助人類感知模式。模式通常具有實體的形式，如聲音、圖片、圖像、語言、文字、符號、物體和景象等，可以用物理、化學(xué)及生物傳感器進(jìn)行具體采集和測量。但模式所指的不是事物本身，而是從事物獲得的信息，因此，模式往往表現(xiàn)為具有時間和空間分布的信息。人們在觀察、認(rèn)識事物和現(xiàn)象時，常常尋找它與其他事物和現(xiàn)象的相同與不同之處，根據(jù)使用目的進(jìn)行分類、聚類和判斷，人腦的這種思維能力就構(gòu)成了模式識別的能力。

模式識別呈現(xiàn)多樣性和多元化趨勢，可以在不同的概念粒度上進(jìn)行，其中生物特征識別成為模式識別的新高潮，包括語音識別、文字識別、圖像識別、人物景象識別和手語識別等；人們還要求通過識別語種、樂種和方言來檢索相關(guān)的語音信息，通過識別人種、性別和表情來檢索所需要的人臉圖像；通過識別指紋（掌紋）、人臉、簽名、虹膜和行為姿態(tài)識別身份。普遍利用小波變換、模糊聚類、遺傳算法、貝葉斯理論和支持向量機等方法進(jìn)行識別對象分割、特征提取、分類、聚類和模式匹配。模式識別是一個不斷發(fā)展的新科學(xué)，它的理論基礎(chǔ)和研究范圍也在不斷發(fā)展。

9. 博弈

計算機博弈主要是研究下棋程序。在20世紀(jì)60年代就出現(xiàn)了很有名的西洋跳棋和國際象棋的程序，并達(dá)到了大師的水平。進(jìn)入20世紀(jì)90年代，IBM公司以其雄厚硬件基礎(chǔ)，支持開發(fā)后來被稱之為“深藍(lán)”的國際象棋系統(tǒng)，并為此開發(fā)了專用的芯片，以提高計算機的搜索速度。1996年2月，與國際象棋世界冠軍卡斯帕羅夫進(jìn)行了第一次比賽，經(jīng)過六個回合的比賽之后，“深藍(lán)”以2∶4告負(fù)。1997年5月，系統(tǒng)經(jīng)過改進(jìn)以后，“深藍(lán)”又第二次與卡斯帕羅夫交鋒，并最終以3.5∶2.5戰(zhàn)勝了卡斯帕羅夫，在世界范圍內(nèi)引起了轟動。

博弈問題為搜索策略、機器學(xué)習(xí)等問題的研究課題提供了很好的實際背景，所發(fā)展起來的一些概念和方法對人工智能的其他問題也很有用。

10. 計算機視覺

視覺是各個應(yīng)用領(lǐng)域，如制造業(yè)、檢驗、文檔分析、醫(yī)療診斷和軍事等領(lǐng)域中各種智能系統(tǒng)中不可分割的一部分。計算機視覺涉及計算機科學(xué)與工程、信號處理、物理學(xué)、應(yīng)用數(shù)學(xué)和統(tǒng)計學(xué)、神經(jīng)生理學(xué)和認(rèn)知科學(xué)等多個領(lǐng)域的知識，已成為一門不同于人工智能、圖像處理和模式識別等相關(guān)領(lǐng)域的成熟學(xué)科。計算機視覺研究的最終目標(biāo)是，使計算機能夠像人那樣通過視覺觀察和理解世界，具有自主適應(yīng)環(huán)境的能力。

計算機視覺研究的任務(wù)是理解一個圖像，這里的圖像是利用像素所描繪的景物。其研究領(lǐng)域涉及圖像處理、模式識別、景物分析、圖像解釋、光學(xué)信息處理、視頻信號處理以及圖像理解。這些領(lǐng)域可分為如下三類：第一是信號處理，即研究把一個圖像轉(zhuǎn)換為具有所需特征的另一個圖像的方法；第二是分類，即研究如何把圖像劃分為預(yù)定類別。分類是從圖像中抽取一組預(yù)先確定的特征值，然后根據(jù)用于多維特征空間的統(tǒng)計決策方法決定一個圖像是否符合某一類；第三是理解，即在給定某一圖像的情況下，一個圖像理解程序不僅描述這個圖像的本身，而且也描述該圖像所描繪的景物。

計算機視覺的前沿研究領(lǐng)域包括實時并行處理、主動式定性視覺、動態(tài)和時變視覺、三維景物的建模與識別、實時圖像壓縮傳輸和復(fù)原、多光譜和彩色圖像的處理與解釋等。計算機視覺已在機器人裝配、衛(wèi)星圖像處理、工業(yè)過程監(jiān)控、飛行器跟蹤和制導(dǎo)以及電視實況轉(zhuǎn)播等領(lǐng)域獲得極為廣泛的應(yīng)用。

11. 軟計算

通常把人工神經(jīng)網(wǎng)絡(luò)計算、模糊計算和進(jìn)化計算作為軟計算的三個主要內(nèi)容。一般來說，軟計算多應(yīng)用于缺乏足夠的先驗知識，只有一大堆相關(guān)的數(shù)據(jù)和記錄的問題。

人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificial Neural Network）是一種應(yīng)用類似于大腦神經(jīng)突觸連接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在這一模型中，大量的節(jié)點之間相互連接構(gòu)成網(wǎng)絡(luò)，即“神經(jīng)網(wǎng)絡(luò)”，以達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)模型及其學(xué)習(xí)算法試圖從數(shù)學(xué)上描述人工神經(jīng)網(wǎng)絡(luò)的動力學(xué)過程，建立相應(yīng)的模型；然后在該模型的基礎(chǔ)上，對于給定的學(xué)習(xí)樣本，找出一種能以較快的速度和較高的精度調(diào)整神經(jīng)元間互連權(quán)值，使系統(tǒng)達(dá)到穩(wěn)定狀態(tài)，滿足學(xué)習(xí)要求的算法。

模糊計算處理的是模糊集合和邏輯連接符，以描述現(xiàn)實世界中類似人類處理的推理問題。模糊集合包含論域中所有元素，但是具有[0，1]區(qū)間的可變隸屬度值。模糊集合最初由美國加利福尼亞大學(xué)教授扎德（L.A.Zadeh）在系統(tǒng)理論中提出，后來又?jǐn)U充并應(yīng)用于專家系統(tǒng)中的近似計算。

進(jìn)化計算是通過模擬自然界中生物進(jìn)化機制進(jìn)行搜索的一種算法，以遺傳算法（GA，Genetic Algorithm）、進(jìn)化策略等為代表。遺傳算法是一種隨機算法，它是模擬生物進(jìn)化中“優(yōu)勝劣汰”自然法則的進(jìn)化過程而設(shè)計的算法。該算法模仿生物染色體中基因的選擇、交叉和變異的自然進(jìn)化過程，通過個體結(jié)構(gòu)不斷重組，形成一代代的新群體，最終收斂于近似優(yōu)化解。1975年，Holland出版了《自然和人工系統(tǒng)中的適應(yīng)性》一書，系統(tǒng)地闡述了遺傳算法的基本理論和方法，奠定了遺傳算法的理論基礎(chǔ)。

12. 智能控制

智能控制是把人工智能技術(shù)引入控制領(lǐng)域，建立智能控制系統(tǒng)。1965 年，美籍華人科學(xué)家傅京孫首先提出把人工智能的啟發(fā)式推理規(guī)則用于學(xué)習(xí)控制系統(tǒng)。十多年后，建立實用智能控制系統(tǒng)的技術(shù)逐漸成熟。1971年，傅京孫提出把人工智能與自動控制結(jié)合起來的思想。1977年，美國人薩里迪斯（G.N.Saridis）提出把人工智能、控制論和運籌學(xué)結(jié)合起來的思想。1986年，我國的蔡自興教授提出把人工智能、控制論、信息論和運籌學(xué)結(jié)合起來的思想。根據(jù)這些思想已經(jīng)研究出一些智能控制的理論和技術(shù)可以構(gòu)造用于不同領(lǐng)域的智能控制系統(tǒng)。

智能控制具有兩個顯著的特點：首先，智能控制同時具有知識表示的非數(shù)學(xué)廣義世界模型和傳統(tǒng)數(shù)學(xué)模型混合表示的控制過程，并以知識進(jìn)行推理，以啟發(fā)來引導(dǎo)求解過程。其次，智能控制的核心在高層控制，即組織級控制。其任務(wù)在于對實際環(huán)境或過程進(jìn)行組織，即決策和規(guī)劃，以實現(xiàn)廣義問題求解。

13. 智能規(guī)劃

智能規(guī)劃是人工智能研究領(lǐng)域近年來發(fā)展起來的一個熱門分支。智能規(guī)劃的主要思想是：對周圍環(huán)境進(jìn)行認(rèn)識與分析，根據(jù)自己要實現(xiàn)的目標(biāo)，對若干可供選擇的動作及所提供的資源限制施行推理，綜合制定出實現(xiàn)目標(biāo)的規(guī)劃。智能規(guī)劃研究的主要目的是建立起高效實用的智能規(guī)劃系統(tǒng)。該系統(tǒng)的主要功能可以描述為：給定問題的狀態(tài)描述、對狀態(tài)描述進(jìn)行變換的一組操作、初始狀態(tài)和目標(biāo)狀態(tài)。

最早的規(guī)劃系統(tǒng)就是通用問題求解系統(tǒng)GPS，但它還不是真正面向規(guī)劃問題而研制的智能規(guī)劃系統(tǒng)。1969年，格林（G.Green）通過歸結(jié)定理證明的方法來進(jìn)行規(guī)劃求解，并且設(shè)計了QA3 系統(tǒng)，這一系統(tǒng)被大多數(shù)的智能規(guī)劃研究人員認(rèn)為是第一個規(guī)劃系統(tǒng)。1971 年，美國斯坦福研究所的菲克斯（R.E.Fikes）和Nilsson設(shè)計的STRIPS 系統(tǒng)在智能規(guī)劃的研究中具有重大的意義和價值，他們的突出貢獻(xiàn)是引入了STRIPS 操作符的概念，使規(guī)劃問題求解變得明朗清晰。此后到 1977 年先后出現(xiàn)了 HACKER、WARPLAN、INTERPLAN、ABSTRIPS、NOAH、NONLIN 等規(guī)劃系統(tǒng)。盡管這些以NOAH系統(tǒng)為代表的部分排序規(guī)劃技術(shù)被證明具有完備性，即能解決所有的經(jīng)典規(guī)劃問題，但由于大量實際規(guī)劃問題并不遵從經(jīng)典規(guī)劃問題的假設(shè)，所以部分排序規(guī)劃技術(shù)未得到廣泛的應(yīng)用。為消除規(guī)劃理論和實際應(yīng)用間存在的差距，進(jìn)入20世紀(jì)80年代中期后，規(guī)劃技術(shù)研究的熱點轉(zhuǎn)向了開拓非經(jīng)典的實際規(guī)劃問題。然而，經(jīng)典規(guī)劃技術(shù)，尤其是部分排序規(guī)劃技術(shù)仍是開發(fā)規(guī)劃新技術(shù)的基礎(chǔ)。

1.5 人工智能相關(guān)網(wǎng)站介紹

人工智能的理論研究和應(yīng)用正處于茁壯發(fā)展階段，緊密關(guān)注和跟蹤人工智能領(lǐng)域的最新成果是非常重要的。下面介紹一些人工智能領(lǐng)域比較知名的網(wǎng)站以方便讀者了解人工智能領(lǐng)域的最新動態(tài)和研究熱點。如果要了解更多的網(wǎng)站以及文獻(xiàn)，可以使用搜索引擎從互聯(lián)網(wǎng)上搜索。

（1）美國人工智能協(xié)會（American Association for Artificial Intelligence）

網(wǎng)址：http：//www.aaai.org

美國人工智能協(xié)會（AAAI）成立于1979年，是個非營利性的科學(xué)社團組織，主要致力于讓機器產(chǎn)生智慧思考和智能行為的研究。此外，提升公眾對人工智能的理解，對人工智能實踐人員的教學(xué)和培訓(xùn)，為人工智能領(lǐng)域的研究者和投資者提供指導(dǎo)等也都是AAAI的實踐內(nèi)容。

（2）人工智能教育知識庫（AI Education Repository）

網(wǎng)址：http://www.cs.cofc.edu/～manaris/ai-education-repository/index.html

該網(wǎng)站收錄了關(guān)于人工智能教材、教學(xué)大綱和教學(xué)設(shè)計范例等方面的信息，并且提供了與人工智能相關(guān)的教育論文，各個主題的在線教程，適合課堂或?qū)嶒炇医虒W(xué)的工具軟件和環(huán)境，以及方便用戶相互交流人工智能教育心得與經(jīng)驗的虛擬空間。

（3）專家系統(tǒng)expertise2go網(wǎng)

網(wǎng)址：http：//www.expertise2go.com

expertise2 go是個基于網(wǎng)絡(luò)的專家系統(tǒng)網(wǎng)站，它提供了多個面向用戶基于規(guī)則的專家系統(tǒng)實例，如在線“PC產(chǎn)品顧問”、汽車故障自動診斷助理、銀行放貸決策助理和數(shù)據(jù)分析技術(shù)助理等。網(wǎng)站從介紹專家系統(tǒng)的基本概念、基于規(guī)則的推理、對不確定事實的表示和處理及知識引擎，到引導(dǎo)用戶設(shè)計并創(chuàng)建自己的知識庫。此外，該網(wǎng)站還提供免費的e2 gLite專家系統(tǒng)外殼下載，并且有在線教程，利用e2 gLite專家系統(tǒng)外殼用戶可開發(fā)自己的專家系統(tǒng)。

（4）人工智能語言Visual Prolog

網(wǎng)址：http：//www.visual-prolog.com

Visual Prolog是一種功能強大的人工智能邏輯編程語言，由Prolog開發(fā)中心設(shè)計。目前該網(wǎng)站提供了由Visual Prolog開發(fā)的實例演示、Visual Prolog個人版的軟件下載、在線教程、知識庫和常見問題解答等欄目。

（5）人工智能研究者俱樂部

網(wǎng)址：http：//www.souwu.com/bitfarmer/default.asp

這是為人工智能研究者提供的一個適合思想交流、技術(shù)切磋和資源互享的虛擬空間。該網(wǎng)站內(nèi)容主要由綜合討論、興趣小組、資源共享、分類討論和網(wǎng)站聯(lián)盟幾個模塊組成，可為開展人工智能教育的教師和學(xué)生提供該領(lǐng)域的實時發(fā)展動態(tài)和教學(xué)參考信息。

（6）智能科學(xué)與人工智能網(wǎng)站

網(wǎng)址：http：//www.intsci.ac.cn/index.html

這是中國科學(xué)院計算技術(shù)研究所智能信息處理重點實驗室建立的一個綜合網(wǎng)站。主要介紹人工智能系統(tǒng)、技術(shù)及智能信息處理等知識及研究進(jìn)展，還提供人工智能教學(xué)課件。

（7）其他網(wǎng)站

IEEE計算智能協(xié)會：http：//www.ewh.ieee.org

國際神經(jīng)網(wǎng)絡(luò)協(xié)會：http：//www.inns.org

國際人工智能聯(lián)合會：http：//www.ijcai.org

歐洲人工智能聯(lián)合會：http：//www.eccai.org

斯里蘭卡國際人工智能中心：http：//www.ai.sri.com

美國伯克利大學(xué)人工智能網(wǎng)站：http：//aima.cs.berkeley.edu/ai.html

美國加利福尼亞大學(xué)機器學(xué)習(xí)研究組：http：//www.cse.ucsc.edu/research/ml/

中國人工智能網(wǎng)：http：//www.chinaai.org

北京大學(xué)人工智能實驗室：http：//ailab.pku.edu.cn

小 結(jié)

本章作為人工智能的概述部分，主要介紹了人工智能的概念、研究目標(biāo)和發(fā)展簡史。并簡要地闡述了人工智能研究的不同學(xué)派以及人工智能應(yīng)用的相關(guān)領(lǐng)域。最后，為了方便讀者進(jìn)一步了解人工智能的發(fā)展動態(tài)，給出了一些常見的國內(nèi)外人工智能的著名網(wǎng)站。

練習(xí)題

1.1 什么是人工智能？試從學(xué)科和能力兩方面加以說明。

1.2 人工智能研究的基本內(nèi)容是什么？

1.3 人工智能主要有哪幾個研究學(xué)派？各自觀點是什么？

1.4 人工智能的主要研究和應(yīng)用領(lǐng)域是什么？

1.5 簡述人工智能的發(fā)展歷史。

1.6 檢索人工智能研究的文獻(xiàn)，判定下列任務(wù)現(xiàn)在計算機是否能夠解決：

（1）打正規(guī)的乒乓球比賽。

（2）在市中心開車。

（3）在Internet上購買可用1周的雜貨。

（4）參加正規(guī)的橋牌競技比賽。

（5）發(fā)現(xiàn)并證明新的數(shù)學(xué)定理。

（6）在特定的法律領(lǐng)域提供令人滿意的法律建議。

（7）從英語到中文的口語實時翻譯。

（8）完成復(fù)雜的外科手術(shù)。

對于現(xiàn)在不可實現(xiàn)的任務(wù)，試著找出困難所在，并預(yù)測如果可能的話它們什么時候能被克服。