人工智能的一個比較流行的定義，也是該領域較早的定義，是由當時麻省理工學院的約翰·麥卡錫在1956年的達特矛斯會議上提出的（對此有爭議）：人工智能就是要讓機器的行為看起來就像是人所表現出的智能行為一樣。但是這個定義似乎忽略了強人工智能的可能性。另一個定義指人工智能是人造機器所表現出來的智能。總體來講，當前對人工智能的定義大多可劃分為四類，即機器“像人一樣思考”、“像人一樣行動”、“理性地思考”和“理性地行動”。這里“行動”應廣義地理解為采取行動，或制定行動的決策，而不是肢體動作。

強人工智能

強人工智能觀點認為“有可能”制造出“真正”能推理和解決問題的智能機器，并且，這樣的機器將被認為是具有知覺、有自我意識的。強人工智能可以有兩類：

• 人類的人工智能，即機器的思考和推理就像人的思維一樣。

• 非人類的人工智能，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。

弱人工智能

弱人工智能觀點認為“不可能”制造出能“真正”地推理和解決問題的智能機器，這些機器只不過“看起來”像是智能的，但是并不真正擁有智能，也不會有自主意識。

弱人工智能是對比強人工智能才出現的，因為人工智能的研究一度處于停滯不前的狀態下，直到類神經網絡有了強大的運算能力加以模擬后，才開始改變并大幅超前。但人工智能研究者不一定同意弱人工智能，也不一定在乎或者了解強人工智能和弱人工智能的內容與差別，對定義爭論不休。

就當下的人工智能研究領域來看，研究者已大量造出“看起來”像是智能的機器，獲取相當豐碩的理論上和實質上的成果，如2009年康乃爾大學教授Hod Lipson 和其博士研究生Michael Schmidt 研發出的 Eureqa計算機程序，只要給予一些數據，這計算機程序自己只用幾十個小時計算就推論出牛頓花費多年研究才發現的牛頓力學公式，等于只用幾十個小時就自己重新發現牛頓力學公式，這計算機程序也能用來研究很多其他領域的科學問題上。這些所謂的弱人工智能在神經網絡發展下已經有巨大進步，但對于要如何集成成強人工智能，現在還沒有明確定論。

對強人工智能的哲學爭論

?

“強人工智能”一詞最初是約翰·羅杰斯·希爾勒針對計算機和其它信息處理機器創造的，其定義為：

“強人工智能觀點認為計算機不僅是用來研究人的思維的一種工具；相反，只要運行適當的程序，計算機本身就是有思維的。”（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）

關于強人工智能的爭論，不同于更廣義的一元論和二元論的爭論。其爭論要點是：如果一臺機器的唯一工作原理就是轉換編碼數據，那么這臺機器是不是有思維的？希爾勒認為這是不可能的。他舉了個中文房間的例子來說明，如果機器僅僅是轉換數據，而數據本身是對某些事情的一種編碼表現，那么在不理解這一編碼和這實際事情之間的對應關系的前提下，機器不可能對其處理的數據有任何理解。基于這一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有自我思維和自由意識。

也有哲學家持不同的觀點。丹尼爾·丹尼特在其著作《意識的解釋（英語：Consciousness Explained）》（Consciousness Explained）里認為，人也不過是一臺有靈魂的機器而已，為什么我們認為：“人可以有智能，而普通機器就不能”呢？他認為像上述的數據轉換機器是有可能有思維和意識的。

有的哲學家認為如果弱人工智能是可實現的，那么強人工智能也是可實現的。比如西蒙·布萊克本（英語：Simon Blackburn）（Simon Blackburn）在其哲學入門教材Think里說道，一個人的看起來是“智能”的行動并不能真正說明這個人就真的是智能的。我永遠不可能知道另一個人是否真的像我一樣是智能的，還是說她／他僅僅是“看起來”是智能的。基于這個論點，既然弱人工智能認為可以令機器“看起來”像是智能的，那就不能完全否定這機器是真的有智能的。布萊克本認為這是一個主觀認定的問題。

需要指出的是，弱人工智能并非和強人工智能完全對立，也就是說，即使強人工智能是可能的，弱人工智能仍然是有意義的。至少，今日的計算機能做的事，像算術運算等，在一百多年前是被認為很需要智能的。并且，即使強人工智能被證明為可能的，也不代表強人工智能必定能被研制出來。

研究方法

當前沒有統一的原理或范式指導人工智能研究。許多問題上研究者都存在爭論。?

其中幾個長久以來仍沒有結論的問題是：是否應從心理或神經方面模擬人工智能?或者像鳥類生物學對于航空工程一樣，人類生物學對于人工智能研究是沒有關系的？智能行為能否用簡單的原則（如邏輯或優化）來描述？還是必須解決大量完全無關的問題？?

智能是否可以使用高級符號表達，如詞和想法？還是需要“子符號”的處理？約翰·豪格蘭德（John Haugeland）提出了GOFAI（出色的老式人工智能）的概念，也提議人工智能應歸類為synthetic intelligence（英語：synthetic intelligence），這個概念后來被某些非GOFAI研究者采納。?

控制論與大腦模擬

20世紀40年代到50年代，許多研究者探索神經學、信息理論及控制論之間的聯系。其中還造出一些使用電子網絡構造的初步智能，如格雷·華特（W. Grey Walter）的烏龜（turtle）和約翰霍普金斯野獸。

這些研究者還經常在普林斯頓大學和英國的Ratio Club舉行技術協會會議。直到1960，大部分人已經放棄這個方法，盡管在80年代再次提出這些原理。

符號處理

當20世紀50年代，數字計算機研制成功，研究者開始探索人類智能是否能簡化成符號處理。研究主要集中在卡內基梅隆大學，斯坦福大學和麻省理工學院，而各自有獨立的研究風格。約翰·豪格蘭德（John Haugeland）稱這些方法為GOFAI（出色的老式人工智能）。60年代，符號方法在小型證明程序上模擬高級思考有很大的成就。基于控制論或神經網絡的方法則置于次要。60－70年代的研究者確信符號方法最終可以成功創造強人工智能的機器，同時這也是他們的目標。

• 認知模擬：經濟學家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時他們為人工智能的基本原理打下基礎，如認知科學、運籌學和經營科學。他們的研究團隊使用心理學實驗的結果開發模擬人類解決問題方法的程序。這方法一直在卡內基梅隆大學沿襲下來，并在80年代于Soar發展到高峰。

• 基于邏輯：不像艾倫·紐厄爾和赫伯特·西蒙，約翰·麥卡錫認為機器不需要模擬人類的思想，而應嘗試找到抽象推理和解決問題的本質，不管人們是否使用同樣的算法。他在斯坦福大學的實驗室致力于使用形式化邏輯解決多種問題，包括知識表示，智能規劃和機器學習。致力于邏輯方法的還有愛丁堡大學，而促成歐洲的其他地方開發編程語言Prolog和邏輯編程科學。

• “反邏輯”: 斯坦福大學的研究者 （如馬文·閔斯基和西摩爾·派普特）發現要解決計算機視覺和自然語言處理的困難問題，需要專門的方案：他們主張不存在簡單和通用原理（如邏輯）能夠達到所有的智能行為。羅杰·單克（Roger Schank）描述他們的“反邏輯”方法為“scruffy”。常識知識庫（如道格拉斯·萊納特的Cyc）就是“scruffy”AI的例子，因為他們必須人工一次編寫一個復雜的概念。

• 基于知識：大約在1970年出現大容量內存計算機，研究者分別以三個方法開始把知識構造成應用軟件。這場“知識革命”促成專家系統的開發與計劃，這是第一個成功的人工智能軟件形式。“知識革命”同時讓人們意識到許多簡單的人工智能軟件可能需要大量的知識。

子符號方法

1980年代符號人工智能停滯不前，很多人認為符號系統永遠不可能模仿人類所有的認知過程，特別是感知、機器人、機器學習和模式識別。很多研究者開始關注子符號方法解決特定的人工智能問題。

• 自下而上、接口agent、嵌入環境（機器人）、行為主義、新式AI：機器人領域相關的研究者，如羅德尼·布魯克斯（Rodney Brooks），否定符號人工智能而專注于機器人移動和求生等基本的工程問題。他們的工作再次關注早期控制論研究者的觀點，同時提出了在人工智能中使用控制理論。這與認知科學領域中的表征感知論點是一致的:更高的智能需要個體的表征（如移動，感知和形象）。

• 計算智能：1980年代中大衛·魯姆哈特（David E. Rumelhart）等再次提出神經網絡和聯結主義。這和其他的子符號方法，如模糊控制和進化計算，都屬于計算智能學科研究范疇。

統計學方法

1990年代，人工智能研究發展出復雜的數學工具來解決特定的分支問題。這些工具是真正的科學方法，即這些方法的結果是可測量的和可驗證的，同時也是近期人工智能成功的原因。共享的數學語言也允許已有學科的合作（如數學，經濟或運籌學）。Stuart J. Russell和Peter Norvig指出這些進步不亞于“革命”和“neats的成功”。有人批評這些技術太專注于特定的問題，而沒有考慮長遠的強人工智能目標。

集成方法

• 智能agent范式：智能agent是一個會感知環境并作出行動以達致目標的系統。最簡單的智能agent是那些可以解決特定問題的程序。更復雜的agent包括人類和人類組織（如公司）。這些范式可以讓研究者研究單獨的問題和找出有用且可驗證的方案，而不需考慮單一的方法。一個解決特定問題的agent可以使用任何可行的方法-一些agent用符號方法和邏輯方法，一些則是子符號神經網絡或其他新的方法。范式同時也給研究者提供一個與其他領域溝通的共同語言--如決策論和經濟學（也使用abstract agents的概念）。1990年代智能agent范式被廣泛接受。

• 代理架構和認知架構：研究者設計出一些系統來處理多agent系統中智能agent之間的相互作用。一個系統中包含符號和子符號部分的系統稱為混合智能系統，而對這種系統的研究則是人工智能系統集成。分級控制系統則給反應級別的子符號AI和最高級別的傳統符號AI提供橋梁，同時放寬了規劃和世界建模的時間。

基本應用

人工智能基本的應用可分為四大部分：

感知能力（Perception)

指的是人類透過感官所收到環境的刺激，察覺消息的能力，簡單的說就是人類五官的看、聽、說、讀、寫等能力，學習人類的感知能力是AI當前主要的焦點之一，包括：

• “看”：電腦視覺（Computer Vision）、圖像識別（Image Recognition）、人臉識別（Face Recognition）、對象偵測（Object Detection）。

• “聽”：語音識別（Sound Recognition）。

• “讀”：自然語言處理（Natural Language Processing，NLP）、語音轉換文本（Speech-to-Text）。

• “寫”：機器翻譯（Machine Translation）。

• “說”：語音生成（Sound Generation）、文本轉換語音（Text-to-Speech）。

認知能力（Cognition）

指的是人類透過學習、判斷、分析等等心理活動來了解消息、獲取知識的過程與能力，對人類認知的模仿與學習也是當前AI第二個焦點領域，主要包括：

• 分析識別能力：例如醫學圖像分析、產品推薦、垃圾郵件識別、法律案件分析、犯罪偵測、信用風險分析、消費行為分析等。

• 預測能力：例如AI運行的預防性維修（Predictive Maintenance）、智能天然災害預測與防治。

• 判斷能力：例如AI下圍棋、自動駕駛車、健保詐欺判斷、癌癥判斷等。

• 學習能力：例如機器學習、深度學習、增強式學習等等各種學習方法。

創造力（Creativity）

指的是人類產生新思想，新發現，新方法，新理論，新設計，創造新事物的能力，它是結合知識、智力、能力、個性及潛意識等各種因素優化而成，這個領域當前人類仍遙遙領先AI，但AI也試著急起直追，主要領域包括：AI作曲、AI作詩、AI小說、AI繪畫、AI設計等。

智能（Wisdom）

指的是人類深刻了解人、事、物的真相，能探求真實真理、明辨是非，指導人類可以過著有意義生活的一種能力，這個領域牽涉人類自我意識、自我認知與價值觀，是ˋ當前AI尚未觸及的一部分，也是人類最難以模仿的一個領域。?

總結

以上是生活随笔為你收集整理的强人工智能和弱人工智能的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。