第1章 緒論
人工智能（AI，Artificial Intelligence）是當前科學技術中的一門前沿學科。作為計算機科學的一個分支，它的研究不僅涉及計算機科學，還涉及腦科學、神經生理學、心理學、語言學、邏輯學、認知科學、行為科學、生命科學和數學，以及信息論、控制論和系統論等許多科學領域。
1.1 人工智能的基本概念
1.1.1 人工智能的哲學思考
1. 怎樣才能說機器具有了智能
1950年，英國數學家圖靈（A.M.Turing）設計了一個實驗，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行交流。訊問者可以提出任何形式的問題，而計算機可以設法隱瞞它的身份。這種測試重復多次，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不明顯大于隨機猜測50%的次數，則認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和反應，以及相互作用，都與有意識的人類個體一樣，那么它就應該被認為是有意識的，即具有了智能。
2. “中國屋”思想實驗
20世紀80年代，美國哲學家塞爾（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。
現在假定這些記號就是中國字。由I窗口進入的是問題，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置，通過一堆操縱于符號的規則（程序）對由輸入窗口進入的符號做出反應，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，只是根據符號的形式（形態）來操縱符號，機械地進行符號轉換工作。
根據“中國屋”的思想實驗，塞爾認為，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，因此也就不能體現出任何智能。這一哲學論證自提出以來，一直被認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
當前人工智能研究的期望目標是開發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達到或超過人類，那么意義就非常重大。機器能夠達到的智能極限是無法預測的，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化的產物，而人的發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名詞下一個準確的定義卻很困難。
智能是個體有目的的行為、合理的思維以及有效的適應環境的綜合性能力。通俗地講，智能是個體認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，可以包括感知和認識客觀事物、客觀世界以及自我的能力；通過學習取得經驗和積累知識的能力；理解知識、運用知識及經驗分析問題和解決問題的能力；聯想、推理、判斷和決策的能力；運用語言進行抽象和概括的能力；發現、發明、創造和創新的能力；實時地、迅速地和合理地應付復雜環境的能力；預測和洞察事物發展變化的能力等。特別指出智能是相對的、發展的，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，研制智能機器或智能系統來模仿、延伸和擴展人的智能，實現智能行為和“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）、學習（learning）、通信（communicating）和復雜環境下的動作行為（acting）。作為一門學科，人工智能研究智能行為的計算模型，研制具有感知、推理、學習、聯想和決策等思維活動的計算系統。從本質上講，人工智能是研究怎樣讓計算機模仿人腦從事推理、規劃、設計、思考和學習等思維活動，解決需要人類的智能才能處理的復雜問題。簡單地講，人工智能就是由計算機來表示和執行人類的智能活動。
1.1.3 人工智能的研究目標
人工智能是信息描述和信息處理的復雜過程，實現人工智能是一項艱巨的任務。盡管如此，這門學科還是引起了許多科學和技術工作者的濃厚興趣，特別是在計算機技術飛速發展和計算機應用日益普及的情況下，許多學者認為實現人工智能的手段已經具備，人工智能已經開始走向實踐。
人工智能研究的遠期目標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境中自主地或交互地執行各種擬人任務，與人的智力相當或相近的機器。具體地講，這就要求使計算機能夠理解人類語言，并能夠進行學習和推理。人工智能研究的近期目標是解決制造智能機器或智能系統相關原理和技術問題，以實現部分智能。
現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、布質和狀態，決定洗衣粉量、水位和洗滌方式/時間。
1.2 人工智能的發展簡史
人工智能學科誕生至今已有近50年的歷史，這期間人工智能的發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，而且與許多其他學科領域關系密切。因此說到人工智能的歷史，應當上溯到歷史上一些偉大的科學家和思想家所做的貢獻，他們為人工智能的研究積累了充分的條件和基礎理論。
公元前，古希臘哲學家亞里士多德（Aristotle）建立了第一個演繹推理的公理系統，創立了古典形式邏輯。他在其著作《工具論》中，給出了形式邏輯的一些基本規律，如矛盾律、排中律，并且實際上已經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。
17世紀，英國哲學家和自然科學家培根（F.Bacon）系統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70年代人工智能轉向以知識為中心的研究都產生了重要的影響。
17世紀，德國數學家萊布尼茨（G.W.Leibniz）提出了數理邏輯的基本思想，即把形式邏輯符號化，以此基礎建立一種邏輯演算，從而實現對人的思維進行運算和推理。
1642年，法國物理學家和數學家帕斯卡（B.Pascal）發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上發展并制成了可進行四則運算的計算器。
1832年，英國數學家巴比奇（C.Babbage）制成可用來計算簡單數學表的差分機，并提出分析機（能自動完成各種類型數字計算）的設計思想。
19世紀中葉，英國數學家布爾（G.Boole）初步實現了Leibniz的數理邏輯思想。他提出了一種嶄新的代數系統——布爾代數，用符號語言描述了思維活動的基本推理法則，從而建立并發展了命題邏輯。
1879年，德國邏輯學家費雷治（G.Frege）提出用機械推理的符號表示系統，發明了謂詞邏輯。
1930年，奧地利數學家歌德爾（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，任何包含初等數論的形式系統，如果它是無矛盾的，那么一定是不完備的；第二條是，如果某個形式系統是無矛盾的，那么這種無矛盾性一定不能在本系統中得到證明。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識中所有出現的矛盾。
1936年，英國數學家Turing提出了一種理想計算機的數學模型（圖靈機），這為電子計算機的構建提供了理論根據。在1950年，他還提出了著名的“圖靈測驗”，給智能的標準提供了明確的定義。
1943年，美國神經生理學家麥卡洛（W.McCulloch）和數理邏輯學家匹茨（W.Pitts）提出了第一個神經元的數學模型（M-P模型），開創了神經科學研究的新時代。
1945年，美籍匈牙利數學家馮·諾伊曼（J.V.Neumann）提出了以二進制和程序存儲控制為核心的通用電子數字計算機體系結構原理，奠定了現代電子計算機體系結構的基礎。
1946年，美國數學家莫克利（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字計算機ENIAC（Electronic Numerical Integrator And Calculator）。
1949年，加拿大心理學家赫布（D.O.Hebb）提出了關于神經元連接強度的Hebb規則，即當相互連接的兩個神經元都處于興奮狀態時，它們的連接強度將增強。Hebb學習規則為人工神經網絡學習算法的研究奠定了基礎。
2. 第二階段——人工智能基礎技術的研究和形成（1956—1970年）
1956年夏，美國的達特茅斯（Dartmouth）大學的麥卡錫（J.McCarthy）、哈佛大學的明斯基（M.Minsky）、IBM公司的羅徹斯特（N.Lochester）和貝爾實驗室的香農（E.Shannon）四人共同發起，邀請 IBM 公司的摩爾（T.More）和塞繆爾（A.Samuel）、麻省理工學院的塞弗里奇（O.Selfridge）和門羅索夫（R.Solomonff）、卡內基 -梅隆大學的西蒙（H.Simon）和紐厄爾（A.Newell）等人參加學術討論班，在一起共同學習和探討用機器模擬智能的各種問題。Minsky構建的第一個神經元網絡模擬器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志著人工智能這個學科的正式誕生，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）的數學名著《數學原理》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的跳棋程序具有學習功能，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計語言。該程序設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習能力。該模型是第一個完整的人工神經網絡，也是第一次將人工神經網絡研究付諸于工程實現。
1958年，美籍邏輯學家王浩在自動定理證明中取得重要的進展。他的程序在IBM-704計算機上用不到5分鐘的時間證明了《數學原理》中“命題演算”的全部220條定理。1959年，王浩的改進程序用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在麻省理工學院創建世界上第一個人工智能實驗室。
1959年，Mccarthy開發出了著名表處理語言LISP（List Processor）。LISP語言是函數式符號處理語言，其程序由一些函數子程序組成。LISP語言自發明以來廣泛用于數學中符號微積分計算、定理證明、謂詞演算、博弈論等領域。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又一次合作開發了通用問題求解系統GPS（General Problem Solver）。GPS是根據人在解題中的共同思維規律編制而成的，可解11 種不同類型的問題，從而使啟發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）提出了自適應線性單元ADA-LINE（Adaptive linear element）。它可用于自適應濾波、預測和模式識別，從而掀起了人工神經網絡研究的第一次高潮。
1965年，羅伯特（L.G.Roberts）編制了可以分辨積木構造的程序，開創了計算機視覺的新領域。同年，美國數理邏輯學家魯賓遜（J.A.Robinson）提出了與傳統演繹法完全不同的消解法（也稱歸結原理），掀起了研究計算機定理證明的又一高潮。
1968年，美國斯坦福大學教授費根鮑姆（E.Feigenbaum）主持開發出世界上第一個化學分析專家系統 DENDRAL，開創了以知識為基礎的專家咨詢系統研究領域。同年，奎廉（J.R.Quillian）提出了語義網絡的知識表示方法，試圖解決記憶的心理學模型，后來Simon等人將語義網絡應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，該書對感知機進行了深入分析，并且從數學上證明了這種簡單人工神經元網絡功能的局限性，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，還發現有許多模式是不能用單層網絡訓練的，而多層網絡是否可行還很值得懷疑。因此，人工神經網絡的研究由此進入低潮時期，而專家系統的研究進入高潮。
3. 第三階段——發展和實用化階段（1971—1980年）
人工智能開始從理論走向實踐，解決了一些實際問題，同時也很快就發現了一些問題，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家改變了人工智能研究的戰略思想，開展了以知識為基礎的專家咨詢系統的研究與應用。
在20世紀70年代有不少專家系統被研制開發，如麻省理工學院研制的符號數學專家系統MACSYMA和自然語言理解系統SHRDLU，診斷和治療青光眼病的專家系統CASNET，診斷內科疾病的專家系統INTERNIST，腎臟病專家咨詢系統PIP，DEC公司開發的診斷系統VAX，卡內基-梅隆大學開發的計算機配置專家系統XCON（RI）和XSEL。
1972年，肖特利夫（E.H.Shortliffe）等人開發了醫學診斷專家系統MYCIN，該系統使用了產生式系統的概念框架，并以實現方法簡單、有效而著稱。同年，吳茲（W.Woods）研制成功了自然語言理解系統LUNAR，該系統用于查詢月球地質數據，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。
1973年，法國馬賽大學教授考爾麥勞厄（A.Colmerauer）的研究小組實現了英國倫敦大學學生柯瓦連斯基（R.Kowaiski）提出的邏輯式程序設計語言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上加入隱含層的學習算法，有效解決了多層網絡中隱含節點的學習問題。
1975年，Minsky創立了框架理論（Frame Theory），該理論的核心是以框架的形式來表示知識。同年，美國密執根大學教授霍蘭德（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，Feigenbaum在第五屆國際智能聯合會議上提出“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、反應機制和同步執行能力的軟件模型，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）采用基于框架的設計，實現了 KRL 語言（Knowledge Representation Language）。
4. 第四階段——知識工程與專家系統（1980年至今）
20世紀80年代，人工智能發展達到了階段性的頂峰。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機形成產品。同時，在專家系統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和加工知識的新產業——知識產業。
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KIPS”，其目的是使邏輯推理達到數值運算那么快。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。
美國物理學家霍普菲爾德（J.J.Hopfield）于1982年、1984年在美國科學院院刊發表的兩篇文章，有力地推動了人工神經網絡的研究，引起了研究人工神經網絡的又一次熱潮。1982年，他提出了一個新的人工神經網絡模型——Hopfield網絡模型。他在這種網絡模型的研究中，首次引入了網絡能量函數的概念，并給出了網絡穩定性的判定依據。1984年，他又提出了網絡模型實現的電子電路，為人工神經網絡的工程實現指明了方向，他的研究成果開拓了人工神經網絡用于聯想記憶的優化計算的新途徑，并為神經計算機研究奠定了基礎。
1984年，希爾頓（G.Hinton）等人將模擬退火算法引入到人工神經網絡中，提出了玻耳茲曼（Boltzmann）機網絡模型，玻耳茲曼機網絡算法為人工神經網絡優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）重新提出了多層網絡的誤差反向傳播算法BP（Back-Propagation）。證明了采用Sigmoid 型神經元作為隱含層神經元的BP網絡具有任意非線性特性。BP網絡成為廣泛使用的人工神經網絡，并以此為基礎做了許多改進，發展了快速有效的算法。從此，人工神經網絡的研究進入新的高潮。
1987年6月，第一屆國際人工神經網絡會議在美國召開，宣告了這一新學科的誕生。會上竟提出了“人工智能已經死亡，人工神經網絡萬歲”的口號。此后，各國在人工神經網絡研究方面的投資逐漸增加，相關研究得到迅速發展。
1987年，美國神經計算機專家尼爾森（R.H.Nielsen）提出了對向傳播神經網絡（CPN， Counter Propagation Network），該網絡具有分類靈活，算法簡練的優點，可用于模式分類、函數逼近、統計分析和數據壓縮等領域。
進入20世紀90年代，計算機的發展趨勢為小型化、并行化、網絡化、智能化。人工智能技術逐漸與數據庫、多媒體等主流技術相結合，并融合在主流技術之中，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，美國斯坦福大學教授肖漢姆（Y.Shoham）提出面向 Agent 的程序設計（AOP，Agent-Oriented Programming）。他認為，AOP是一種基于計算的社會觀點的新興程序設計風格和計算框架，其主要思想是利用Agent理論研究提出的能表示Agent性質的意識態度來直接設計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，它是基于統計學習理論的一種機器學習方法。
1997年，麥克昆（W.McCune）提出了定理證明系統，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學難題Robbins問題，即所有的Robbins代數都是布爾代數。
1998年，在IBM的“深藍”計算機與著名大師的國際象棋比賽中，“深藍”戰勝了卡斯帕羅夫大師，這個程序的問題搜索次數達10120步，采用α-β搜索技術，每秒能夠分析2億步走法，共記憶了60萬個棋局。
隨著計算機和網絡技術的發展與普及，當今人工智能主攻方向體現在：
① 并行與分布式處理技術。該研究方向包括大規模并行機和機群的體系結構、并行操作系統與并行數據結構，分布式Client/Server計算模型及其處理技術，多專機系統的合作與知識共享技術等。
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，新一代邏輯處理機制等。
③ 多功能的感知技術。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、壓縮與轉化，以及多媒體輸出和虛擬現實技術等。
④ 關于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，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體系結構等。
⑤數據挖掘。該研究方向主要是對觀測到的數據集（經常是很龐大的）進行分析，目的是發現未知的、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改變為人機結合的系統，即計算機的定量與人的定性信息處理相結合。傳統的人工智能研究的是基于邏輯的，深思熟慮的智能；而現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域，在20世紀40位圖靈獎獲得者中有6位人工智能學者。其中，Minsky 在1969 年獲獎，Mccarthy 在1971 年獲獎，Simon 和 Newell 在1975年獲獎，Feigenbaum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的不同理解和認識，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、學術觀點和研究重點有所不同，進而形成不同的學派。這里主要介紹認知學派、邏輯學派、行為主義學派和連接主義學派。
1. 認知學派
以Minsky、Simon和Newell等人為代表，從人的思維活動出發，利用計算機進行宏觀功能模擬。該學派認為認知的基元是符號，智能行為通過符號操作來實現。它以美國人Robinson提出的消解法（即歸結原理）為基礎，以LISP和Prolog語言為代表，著重于問題求解中的啟發式搜索和推理過程。該學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。
1976年，Simon和Newell提出了物理符號系統假設，認為物理系統表現智能行為的充分必要條件是，它是一個物理符號系統。這樣，可以把任何信息加工系統看成是一個具體的物理系統，如人的神經系統、計算機的構造系統等。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。對符號進行操作就是對符號進行比較，即找出哪幾個是相同的符號，哪幾個是不同的符號。物理符號系統的基本任務和功能就是辨認相同的符號和區分不同的符號。
Minsky從心理學的研究出發，認為人們在日常的認識活動中，使用了大批從以前的經驗中獲取并經過整理的知識，這些知識是以一種類似框架的結構記存在人腦中，由此提出了框架知識表示方法。Minsky認為人的智能，根本不存在統一的理論。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雜社會。
2. 邏輯學派
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。
該學派主要觀點如下：首先，智能機器必須有關于自身環境的知識；其次，通用智能機器要能陳述性地表達關于自身環境的大部分知識；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能力。
邏輯學派在人工智能研究中，強調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一的邏輯框架來表示，在常識推理中以非單調邏輯為中心。
3. 行為主義學派
以布魯克斯（R.A.Brooks）等人為代表，認為智能行為只能在現實世界中，由系統與周圍環境的交互過程中表現出來。
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，研制了一種機器蟲。該機器用一些相對獨立的功能單元，分別實現避讓、前進、平衡等功能，組成分層異步分布式網絡。該學派對機器人的研究開創了一種新方法。
該學派的主要觀點可以概括如下：首先，智能系統與環境進行交互，即從運行的環境中獲取信息（感知），并通過自己的動作對環境施加影響；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，認為智能系統可以不需要知識、不需要表示、不需要推理，像人類智能一樣可以逐步進化；再次，強調直覺和反饋的重要性，智能行為體現在系統與環境的交互之中，功能、結構和智能行為是不可分割的。
4. 連接主義學派
以Rumelhart、Mcclelland和Hopfield等人為代表，從人的大腦神經系統結構出發，研究非程序的、適應性的、類似大腦風格的信息處理的本質和能力，人們也稱它為神經計算。這種方法一般通過人工神經網絡的“自學習”獲得知識，再利用知識解決問題。由于它近年來的迅速發展，大量的人工神經網絡的機理、模型、算法不斷地涌現出來。人工神經網絡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用。
此外，還有知識工程學派和分布式學派。知識工程學派以Feigenbaum為代表，研究知識在人類智能中的作用和地位。分布式學派以 Hewitt 為代表，研究智能系統中知識的分布行為。
1.4 人工智能的研究與應用領域
人工智能的知識領域浩繁，很難面面俱到，但是各個領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展和成熟，人工智能的應用領域更為寬廣，應用效果更為顯著。從應用的角度看，人工智能的研究主要集中在以下幾個方面。
1. 專家系統
專家系統是一個具有大量專門知識與經驗的程序系統。它應用人工智能技術，根據某個領域一個或多個人類專家提供的知識和經驗進行推理和判斷，模擬人類專家的決策過程，以解決那些需要專家決定的復雜問題。目前在許多領域，專家系統已取得顯著效果。專家系統與傳統計算機程序的本質區別在于，專家系統所要解決的問題一般沒有算法解，并且經常要在不完全、不精確或不確定的信息基礎上做出結論。它可以解決的問題一般包括解釋、預測、診斷、設計、規劃、監視、修理、指導和控制等。從體系結構上可分為集中式專家系統、分布式專家系統、協同式專家系統、神經網絡專家系統等；從方法上可分為基于規則的專家系統、基于模型的專家系統、基于框架的專家系統等。
2. 自然語言理解
自然語言理解是研究實現人類與計算機系統之間用自然語言進行有效通信的各種理論和方法。由于目前計算機系統與人類之間的交互還只能使用嚴格限制的各種非自然語言，因此解決計算機系統能夠理解自然語言的問題，一直是人工智能研究領域的重要研究課題之一。
實現人機間自然語言通信意味著計算機系統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給定的意圖和思想等。而語言的理解和生成是一個極為復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，并能用信息發生器進行推理。理解口頭和書寫語言的計算機系統的基礎就是表示上下文知識結構的某些人工智能思想，以及根據這些知識進行推理的某些技術。
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的小段文章或故事方面的程序系統已有一定的進展，但要實現功能較強的理解系統仍十分困難。從目前的理論和技術現狀看，它主要應用于機器翻譯、自動文摘、全文檢索等方面，而通用的和高質量的自然語言處理系統，仍然是較長期的努力目標。
3. 機器學習
機器學習是人工智能的一個核心研究領域，它是計算機具有智能的根本途徑。學習是人類智能的主要標志和獲取知識的基本手段。Simon認為：“如果一個系統能夠通過執行某種過程而改進它的性能，這就是學習。”
機器學習研究的主要目標是讓機器自身具有獲取知識的能力，使機器能夠總結經驗、修正錯誤、發現規律、改進性能，對環境具有更強的適應能力。通常要解決如下幾方面的問題：（1）選擇訓練經驗。它包括如何選擇訓練經驗的類型，如何控制訓練樣本序列，以及如何使訓練樣本的分布與未來測試樣本的分布相似等子問題；（2）選擇目標函數。所有的機器學習問題幾乎都可簡化為學習某個特定的目標函數的問題，因此，目標函數的學習、設計和選擇是機器學習領域的關鍵問題；（3）選擇目標函數的表示。對于一個特定的應用問題，在確定了理想的目標函數后，接下來的任務是必須從很多（甚至是無數）種表示方法中選擇一種最優或近似最優的表示方法。
目前，機器學習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。只有機器學習的研究取得進展，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，它是數學和計算機科學相結合的研究課題。數學定理的證明是人類思維中演繹推理能力的重要體現。演繹推理實質上是符號運算，因此原則上可以用機械化的方法來進行。數理邏輯的建立使自動定理證明的設想有了更明確的數學形式。1965年Robinson提出了一階謂詞演算中的歸結原理，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域中的演繹推理能力推進到前所未有的境界。我國數學家吳文俊在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一算法解。他在微型機上成功地設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的程序，其研究處于國際領先地位。后來，我國數學家張景中等人進一步推出了“可讀性證明”的機器證明方法，再一次轟動了國際學術界。
自動定理證明的理論價值和應用范圍并不局限于數學領域，許多非數值領域的任務，如醫療診斷、信息檢索、規劃制定和難題求解等，都可以轉化成相應的定理證明問題，或者與定理證明有關的問題，所以自動定理證明的研究具有普遍意義。
5. 自動程序設計
自動程序設計是指根據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合的研究課題。自動程序設計主要包含程序綜合和程序驗證兩方面內容。前者實現自動編程，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、輸出條件進行逐步變換，以構成所要求的程序。程序驗證是利用一個已驗證過的程序系統來自動證明某一給定程序P的正確性。假設程序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。
目前在自動程序設計方面已取得一些初步的進展，尤其是程序變換技術已引起計算機科學工作者的重視。現在國外已陸續出現一些實驗性的程序變換系統，如英國愛丁堡大學的程序自動變換系統POP-2和德國默森技術大學的程序變換系統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合的結果。它主要研究在邏輯上或物理上分散的智能動作者如何協調其智能行為，求解單目標和多目標問題，為設計和建立大型復雜的智能系統或計算機支持協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生的整體智能來解決。主要研究內容有分布式問題求解（DPS，Distribution Problem Solving）和多智能體系統（MAS，Multi-Agent System）。
分布式問題求解的方法是，先把問題分解成任務，再為之設計相應的任務執行系統。而MAS是由多個Agent組成的集合，通過Agent的交互來實現系統的表現。MAS主要研究多個Agent為了聯合采取行動或求解問題，如何協調各自的知識、目標、策略和規劃。在表達實際系統時，MAS通過各Agent間的通信、合作、互解、協調、調度、管理及控制來表達系統的結構、功能及行為特性。由于在同一個MAS中各Agent可以異構，因此Multi-Agent技術對于復雜系統具有無可比擬的表達力。它為各種實際系統提供了一種統一的模型，能夠體現人類的社會智能，具有更大的靈活性和適應性，更適合開放和動態的世界環境，因而備受重視，相關研究已成為人工智能以至計算機科學和控制科學與工程的研究熱點。
7. 機器人學
機器人學是機械結構學、傳感技術和人工智能結合的產物。1948年美國研制成功第一代遙控機械手，17年后第一臺工業機器人誕生，從此相關研究不斷取得進展。機器人的發展經歷了以下幾個階段：第一代為程序控制機器人，它以“示教-再現”方式，一次又一次學習后進行再現，代替人類從事笨重、繁雜與重復的勞動；第二代為自適應機器人，它配備有相應的感覺傳感器，能獲取作業環境的簡單信息，允許操作對象的微小變化，對環境具有一定適應能力；第三代為分布式協同機器人，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，能對環境信息進行精確感知和實時分析，協同控制自己的多種行為，具有一定的自學習、自主決策和判斷能力，能處理環境發生的變化，能和其他機器人進行交互。
從功能上來考慮，機器人學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；另一方面是運動協調推理。機器人的運動協調推理是指機器人在接受外界的刺激后，驅動機器人行動的過程。
機器人學的研究促進了人工智能思想的發展，它所導致的一些技術可在人工智能研究中用來建立世界狀態模型和描述世界狀態變化的過程。
8. 模式識別
模式識別研究的是計算機的模式識別系統，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、化學及生物傳感器進行具體采集和測量。但模式所指的不是事物本身，而是從事物獲得的信息，因此，模式往往表現為具有時間和空間分布的信息。人們在觀察、認識事物和現象時，常常尋找它與其他事物和現象的相同與不同之處，根據使用目的進行分類、聚類和判斷，人腦的這種思維能力就構成了模式識別的能力。
模式識別呈現多樣性和多元化趨勢，可以在不同的概念粒度上進行，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展的新科學，它的理論基礎和研究范圍也在不斷發展。
9. 博弈
計算機博弈主要是研究下棋程序。在20世紀60年代就出現了很有名的西洋跳棋和國際象棋的程序，并達到了大師的水平。進入20世紀90年代，IBM公司以其雄厚硬件基礎，支持開發后來被稱之為“深藍”的國際象棋系統，并為此開發了專用的芯片，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行了第一次比賽，經過六個回合的比賽之后，“深藍”以2∶4告負。1997年5月，系統經過改進以后，“深藍”又第二次與卡斯帕羅夫交鋒，并最終以3.5∶2.5戰勝了卡斯帕羅夫，在世界范圍內引起了轟動。
博弈問題為搜索策略、機器學習等問題的研究課題提供了很好的實際背景，所發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
視覺是各個應用領域，如制造業、檢驗、文檔分析、醫療診斷和軍事等領域中各種智能系統中不可分割的一部分。計算機視覺涉及計算機科學與工程、信號處理、物理學、應用數學和統計學、神經生理學和認知科學等多個領域的知識，已成為一門不同于人工智能、圖像處理和模式識別等相關領域的成熟學科。計算機視覺研究的最終目標是，使計算機能夠像人那樣通過視覺觀察和理解世界，具有自主適應環境的能力。
計算機視覺研究的任務是理解一個圖像，這里的圖像是利用像素所描繪的景物。其研究領域涉及圖像處理、模式識別、景物分析、圖像解釋、光學信息處理、視頻信號處理以及圖像理解。這些領域可分為如下三類：第一是信號處理，即研究把一個圖像轉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定類別。分類是從圖像中抽取一組預先確定的特征值，然后根據用于多維特征空間的統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域包括實時并行處理、主動式定性視覺、動態和時變視覺、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、衛星圖像處理、工業過程監控、飛行器跟蹤和制導以及電視實況轉播等領域獲得極為廣泛的應用。
11. 軟計算
通常把人工神經網絡計算、模糊計算和進化計算作為軟計算的三個主要內容。一般來說，軟計算多應用于缺乏足夠的先驗知識，只有一大堆相關的數據和記錄的問題。
人工神經網絡（ANN，Artificial Neural Network）是一種應用類似于大腦神經突觸連接的結構進行信息處理的數學模型。在這一模型中，大量的節點之間相互連接構成網絡，即“神經網絡”，以達到處理信息的目的。人工神經網絡模型及其學習算法試圖從數學上描述人工神經網絡的動力學過程，建立相應的模型；然后在該模型的基礎上，對于給定的學習樣本，找出一種能以較快的速度和較高的精度調整神經元間互連權值，使系統達到穩定狀態，滿足學習要求的算法。
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]區間的可變隸屬度值。模糊集合最初由美國加利福尼亞大學教授扎德（L.A.Zadeh）在系統理論中提出，后來又擴充并應用于專家系統中的近似計算。
進化計算是通過模擬自然界中生物進化機制進行搜索的一種算法，以遺傳算法（GA，Genetic Algorithm）、進化策略等為代表。遺傳算法是一種隨機算法，它是模擬生物進化中“優勝劣汰”自然法則的進化過程而設計的算法。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化過程，通過個體結構不斷重組，形成一代代的新群體，最終收斂于近似優化解。1975年，Holland出版了《自然和人工系統中的適應性》一書，系統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。
12. 智能控制
智能控制是把人工智能技術引入控制領域，建立智能控制系統。1965 年，美籍華人科學家傅京孫首先提出把人工智能的啟發式推理規則用于學習控制系統。十多年后，建立實用智能控制系統的技術逐漸成熟。1971年，傅京孫提出把人工智能與自動控制結合起來的思想。1977年，美國人薩里迪斯（G.N.Saridis）提出把人工智能、控制論和運籌學結合起來的思想。1986年，我國的蔡自興教授提出把人工智能、控制論、信息論和運籌學結合起來的思想。根據這些思想已經研究出一些智能控制的理論和技術可以構造用于不同領域的智能控制系統。
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學廣義世界模型和傳統數學模型混合表示的控制過程，并以知識進行推理，以啟發來引導求解過程。其次，智能控制的核心在高層控制，即組織級控制。其任務在于對實際環境或過程進行組織，即決策和規劃，以實現廣義問題求解。
13. 智能規劃
智能規劃是人工智能研究領域近年來發展起來的一個熱門分支。智能規劃的主要思想是：對周圍環境進行認識與分析，根據自己要實現的目標，對若干可供選擇的動作及所提供的資源限制施行推理，綜合制定出實現目標的規劃。智能規劃研究的主要目的是建立起高效實用的智能規劃系統。該系統的主要功能可以描述為：給定問題的狀態描述、對狀態描述進行變換的一組操作、初始狀態和目標狀態。
最早的規劃系統就是通用問題求解系統GPS，但它還不是真正面向規劃問題而研制的智能規劃系統。1969年，格林（G.Green）通過歸結定理證明的方法來進行規劃求解，并且設計了QA3 系統，這一系統被大多數的智能規劃研究人員認為是第一個規劃系統。1971 年，美國斯坦福研究所的菲克斯（R.E.Fikes）和Nilsson設計的STRIPS 系統在智能規劃的研究中具有重大的意義和價值，他們的突出貢獻是引入了STRIPS 操作符的概念，使規劃問題求解變得明朗清晰。此后到 1977 年先后出現了 HACKER、WARPLAN、INTERPLAN、ABSTRIPS、NOAH、NONLIN 等規劃系統。盡管這些以NOAH系統為代表的部分排序規劃技術被證明具有完備性，即能解決所有的經典規劃問題，但由于大量實際規劃問題并不遵從經典規劃問題的假設，所以部分排序規劃技術未得到廣泛的應用。為消除規劃理論和實際應用間存在的差距，進入20世紀80年代中期后，規劃技術研究的熱點轉向了開拓非經典的實際規劃問題。然而，經典規劃技術，尤其是部分排序規劃技術仍是開發規劃新技術的基礎。
1.5 人工智能相關網站介紹
人工智能的理論研究和應用正處于茁壯發展階段，緊密關注和跟蹤人工智能領域的最新成果是非常重要的。下面介紹一些人工智能領域比較知名的網站以方便讀者了解人工智能領域的最新動態和研究熱點。如果要了解更多的網站以及文獻，可以使用搜索引擎從互聯網上搜索。
（1）美國人工智能協會（American Association for Artificial Intelligence）
美國人工智能協會（AAAI）成立于1979年，是個非營利性的科學社團組織，主要致力于讓機器產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和培訓，為人工智能領域的研究者和投資者提供指導等也都是AAAI的實踐內容。
（2）人工智能教育知識庫（AI Education Repository）
網址：http://www.cs.cofc.edu/～manaris/ai-education-repository/index.html
該網站收錄了關于人工智能教材、教學大綱和教學設計范例等方面的信息，并且提供了與人工智能相關的教育論文，各個主題的在線教程，適合課堂或實驗室教學的工具軟件和環境，以及方便用戶相互交流人工智能教育心得與經驗的虛擬空間。
（3）專家系統expertise2go網
網址：http：//www.expertise2go.com
expertise2 go是個基于網絡的專家系統網站，它提供了多個面向用戶基于規則的專家系統實例，如在線“PC產品顧問”、汽車故障自動診斷助理、銀行放貸決策助理和數據分析技術助理等。網站從介紹專家系統的基本概念、基于規則的推理、對不確定事實的表示和處理及知識引擎，到引導用戶設計并創建自己的知識庫。此外，該網站還提供免費的e2 gLite專家系統外殼下載，并且有在線教程，利用e2 gLite專家系統外殼用戶可開發自己的專家系統。
（4）人工智能語言Visual Prolog
網址：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開發中心設計。目前該網站提供了由Visual Prolog開發的實例演示、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、技術切磋和資源互享的虛擬空間。該網站內容主要由綜合討論、興趣小組、資源共享、分類討論和網站聯盟幾個模塊組成，可為開展人工智能教育的教師和學生提供該領域的實時發展動態和教學參考信息。
（6）智能科學與人工智能網站
網址：http：//www.intsci.ac.cn/index.html
這是中國科學院計算技術研究所智能信息處理重點實驗室建立的一個綜合網站。主要介紹人工智能系統、技術及智能信息處理等知識及研究進展，還提供人工智能教學課件。
（7）其他網站
IEEE計算智能協會：http：//www.ewh.ieee.org
國際神經網絡協會：http：//www.inns.org
國際人工智能聯合會：http：//www.ijcai.org
歐洲人工智能聯合會：http：//www.eccai.org
斯里蘭卡國際人工智能中心：http：//www.ai.sri.com
美國伯克利大學人工智能網站：http：//aima.cs.berkeley.edu/ai.html
美國加利福尼亞大學機器學習研究組：http：//www.cse.ucsc.edu/research/ml/
中國人工智能網：http：//www.chinaai.org
北京大學人工智能實驗室：http：//ailab.pku.edu.cn
小 結
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、研究目標和發展簡史。并簡要地闡述了人工智能研究的不同學派以及人工智能應用的相關領域。最后，為了方便讀者進一步了解人工智能的發展動態，給出了一些常見的國內外人工智能的著名網站。
練習題
1.1 什么是人工智能？試從學科和能力兩方面加以說明。
1.2 人工智能研究的基本內容是什么？
1.3 人工智能主要有哪幾個研究學派？各自觀點是什么？
1.4 人工智能的主要研究和應用領域是什么？
1.5 簡述人工智能的發展歷史。
1.6 檢索人工智能研究的文獻，判定下列任務現在計算機是否能夠解決：
（1）打正規的乒乓球比賽。
（2）在市中心開車。
（3）在Internet上購買可用1周的雜貨。
（4）參加正規的橋牌競技比賽。
（5）發現并證明新的數學定理。
（6）在特定的法律領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）完成復雜的外科手術。
對于現在不可實現的任務，試著找出困難所在，并預測如果可能的話它們什么時候能被克服。