初探人工智能
夏潔云
（廣州市工程技術職業學院）
摘要：通過機器實現模仿人類的行為，已經有很長的歷史了。人工智能研究作為一門科學的前沿和交叉學科，它的發展歷史和計算機科學與技術的發展史聯系在一起。本文介紹了人工智能的定義和發展歷程，并對人工智能的未來作了大膽的預測。
關鍵詞：人工智能 進化 自動定理證明 搜索 知識工程
1 人工智能簡介
人工智能已對現實社會做出了非常重大的貢獻，而且其作用已在各領域發揮得淋漓盡致，特別是在計算機領域，人工智能的應用更加突出，可以說，哪里有計算機應用，哪里就在應用人工智能；哪里需要自動化或半自動化，哪里就在應用人工智能的理論、方法和技術。 目前，人工智能應用的主要領域，也就是計算機應用的主要領域。
人工智能是一門研究人類智能的機理以及如何用機器模擬人的智能的學科。從后一種意義上講，人工智能又被稱為“機器智能”或“智能模擬”。人工智能是在現代電子計算機出現之后才發展起來的，它一方面成為人類智能的延長，另一方面又為探討人類智能機理提供了新的理論和研究方法。
人工智能研究的一個主要目的是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但是，不同的時代、不同的人對這種“復雜工作”的理解是不同的。例如繁重的科學和工程計算本來是要人腦來承擔的，現在電子計算機不但能完成這種計算，而且能夠比人腦做得更快、更準確，于是當代人已不再把這種計算看作是“需要人類智能才能完成的復雜任務”。可見復雜工作的定義是隨著時代的發展和技術的進步而變化的，人工智能這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，一方面又轉向更有意義、更加困難的目標。
人工智能的發展歷史是和計算機科學與技術的發展史聯系在一起的。除了計算機科學以外，人工智能還涉及信息論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。
從國際范圍來看，人工智能的研究途徑主要有三條。第一，生理學途徑，采用仿生學的方法，模擬動物和人的感官以及大腦的結構和機能，制成神經元模型和腦模型；第二，心理學途徑，應用實驗心理學方法，總結人們思維活動的規律，用電子計算機進行心理模擬；第三，工程技術途徑，研究怎樣用電子計算機從功能上模擬人的智能行為。目前，第三種研究方法發展較快。它也從前兩種方法中吸收新的思想，依靠新的啟示擴大自己的成果。
2 人工智能的過去
一般認為，人工智能的思想萌芽可以追溯到德國著名數學家和哲學家萊布尼茨(Leibnitz，1646-1716)提出的"通用語言"設想。這一設想的要點是：建立一種通用的符號語言，用這個語言中的符號表達“思想內容”，用符號之間的形式關系表達“思想內容”之間的邏輯關系。于是，在“通用語言”中可以實現“思維的機械化”這一設想可以看成是對人工智能的最早描述。
計算機科學的創始人圖靈被認為是“人工智能之父”，他著重研究了一臺計算機應滿足怎樣的條件才能稱為是“有智能的”。1950年他提出了著名的“圖靈實驗”：讓一個人和一臺計算機分別處于兩個房間里，與外界的聯系僅僅通過鍵盤和打印機。由人類裁判員向房間里的人和計算機提問(比如：“你是機器還是人?”或“你是男人還是女人?”等等)，并通過人和計算機的回答來判斷哪個房間里是人、哪個房間里是計算機。圖靈認為，如果“中等程度”的裁判員不能正確地區分，則這樣的計算機可以稱為是有智能的。“圖靈實驗”是關于智能標準的一個明確定義。有趣的是，盡管后來有些計算機已經通過了圖靈實驗，但人們并不承認這些計算機是有智能的。這反映出人們對智能標準的認識更深入、對人工智能的要求更高了。
幾乎在圖靈上述工作的同時，馮·諾依曼從生物學角度研究了人工智能。從生物學的觀點看，智能是進化的結果，而進化的基本條件之一是“繁殖”。為此， 馮·諾依曼構造了“自再生自動機”，這是一種有“繁殖”能力的數學模型。 馮·諾依曼的分析表明， 自再生自動機的內容結構對于“繁殖”是充分的和必要的。他進而推測，這種結構必定存在于活的細胞之中。五年之后，克里克和沃森關于DNA結構的重大發現完全證實了馮·諾依曼的猜測： 自再生自動機的幾個功能模塊均有生物學上的對應物。其中，模塊A對應于核糖體，B對應于RND酶和DNA聚合酶，D對應于RNA和DNA，E對應于阻遏控制分子和抗阻遏控制分子等。 馮·諾依曼的工作為后來人工智能中的一條研究路線(人工生命)提供了重要的基礎。
圖靈和馮·諾依曼的上述工作，以及麥克考洛和匹茨對神經元網的數學模型的研究，構成了人工智能的初創階段。
1956年夏天舉行的達德茅斯研討會，被認為是人工智能作為一門獨立學科正式誕生的標志。這次研討會聚集了來自數學、信息科學、心理學、神經生理學和計算機科學等不同領域的領導者，包括Minsky，Rochester， Simon， Solonio和Mccarthy等。其中，Miusky，Mccarthy，Newell和Simon后來被認為是美國人工智能界的“四大領袖”。與會者從不同角度搜索了使機器具有智能的途徑和方式，并決定用“人工智能”(Artificial Intelligence)一詞來概括這一新的研究方向。達德茅斯研討會開創了人工智能的第一個發展時期。在這個時期里，研究者們展開了一系列開創性工作，并取得了引人注目的成果。
會后不久，Newell，Shaw和Simon完成了一個自動證明數學定理的計算機程序Logic Theorist (此前Martin和Davis曾編制了一個算術定理的證明程序，但未發表)，證明了《數學原理》第二章中的38條定理，由此開創了人工智能中“自動定理證明”這一分支。
1958年，美籍邏輯學家王浩在自動定理證明中取得的重要進展。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。
1983年，美國數學學會將自動定理證明的第一個“里程碑獎”授予王浩，以表彰他的杰出貢獻(自動定理證明的“里程碑獎”每25年評選一次，由此可見其份量)。受王浩工作的鼓舞，自動定理證明的研究形成一股熱潮。比如，Slagle的符號積分程序SAINT經測試已達到了大學生的積分演算水準;而Mosis的SIN程序的效率比SAINT提高了約三倍，被認為達到了專家水平。
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。事實上，很多問題可以轉化為定理證明問題，或者與定理證明有關。可以認為，自動定理證明的核心問題是自動推理，而推理在人的智能行為中起普遍性的重要作用。基于這一看法，在自動定理證明的基礎上進一步研究通用問題求解，是一個值得探索的課題。從1957年開始，Newell，Shaw和Simon等人著手研究不依賴于具體領域的通用解題程序，稱之為GPS，它是在Logic Theorist的基礎上發展起來的，雖然后來的實踐表明，GPS作為一個獨立的求解程序，其能力是有限的，但在GPS中發展起來的技術對人工智能的發展有重要意義．
人工智能早期研究給人的深刻印象是博羿，1956年，Samnel研制了一個西洋跳棋程序，該程序“天生”下跳棋水平很低，遠遠不是Samuel的對手。但它有學習能力，能從棋譜中學習，也能在實踐中總結提高。經過三年的“學習”，該程序與1959年打敗了Samuel;又經過三年，打敗了美國一個州的冠軍。值得注意的是，雖然下棋至多只能算是一項體育運動，下棋的程序似乎只是一種游戲程序，但Samuel工作的意義十分重大：它同時刺激了“搜索”和“機器學習”這兩個人工智能重要領域的發展。
與自動定理證明的研究意義不限于數學一樣，搜索的研究意義也不限于博弈。根據認知心理學的信息處理學派的觀點，人類思維過程的很大一部分可以抽象為從問題的初始狀態經中間狀態到達終止狀態的過程，因此可以轉化為一個搜索問題，由機器自動地完成。例如“規劃”問題。設想一臺機器人被要求完成一項復雜任務，該任務包含很多不同的子任務，其中某些子任務只有在另一些子任務完成之后才能進行。這時，機器人需要事先“設想”一個可行的行動方案，使得依照該方案采取行動可以順利完成任務。“規劃”即找出一個可行的行動方案，可以通過以其子任務為狀態、以其子任務間依賴關系為直接后繼關系的狀態空間中的搜索來實現。
人工智能的早期研究還包括自然語言理解、計算機視覺和機器人等等。通過大量研究發現，僅僅依靠自動推理的搜索等通用問題求解手段是遠遠不夠的。Newell和Simon等人的認知心理學研究表明，各個領域的專家之所以在其專業領域內表現出非凡的能力，主要是因為專家擁有豐富的專門知識(領域知識和經驗)。70年代中期，Feigenbaum提出知識工程概念，標志著人工智能進入第二個發展時期。知識工程強調知識在問題求解中的作用；相應地，研究內容也劃分為三個方面：知識獲取，知識表示和知識利用。知識獲取研究怎樣有效地獲得專家知識；知識表示研究怎樣將專家知識表示成在計算機內易于存儲、易于使用的形式；知識利用研究怎樣利用已得到恰當表示的專家知識去解決具體領域內的問題。知識工程的主要技術手段是在早期成果的基礎上發展起來的，特別是知識利用，主要依靠自動推理和搜索的技術成果。在知識表示方面，除使用早期工作中出現的邏輯表示法和過程表示法之外，還發展了在聯想記憶和自然語言理解研究中提出的語義網表示法，進而引入了框架表示法，概念依賴和腳本表示法以及產生式表示法等等各種不同方法。與早期研究不同，知識工程強調實際應用。主要的應用成果是各種專家系統。專家系統的核心部件包括：
(a)表達包括專家知識和其他知識的知識庫。
(b)利用知識解決問題的推理機。
大型專家系統的開發周期往往長達10余年，其主要原因在于知識獲取。領域專家雖然能夠很好地解決問題，卻往往說不清自己是怎么解決的，使用了哪些知識。這使得負責收集專家知識的知識工程師很難有效地完成知識獲取任務。這種狀況極大的激發了自動 知識獲取----機器學習研究的深入發展。已經得到較多研究的機器學習方法包括：歸納學習、類比學習、解釋學習、強化學習和進化學習等等。機器學習的研究目標是：讓機器從自己或“別人”的問題求解經驗中獲取相關的知識和技能，從而提高解決問題的能力。
3 人工智能的現在
80年代以來，隨著計算機網絡的普及，特別是Internet的出現，各種計算機技術包括人工智能技術的廣泛應用推動著人機關系的重大變化。據日美等國未來學家的預測，人機關系正在迅速地從“以人為紐帶”的傳統模式向“以機為紐帶”的新模式轉變人機關系的這一轉變將引起社會生產方式和生活方式的巨大變化，同時也向人工智能乃至整個信息技術提出了新的課題。這促使人工智能進入第三個發展時期。
在這個新的發展時期中，人工智能面臨一系列新的應用需求。
首先是需要提供強有力的技術手段，以支持分布式協同工作方式，現代生產是一種社會化大生產，來自不同專業的工作者在不同或相同的時間、地點從事著同一任務的不同子任務。這要求計算機不僅為每一項子任務提供輔助和支持，更需要為子任務之間的協調提供輔助和支持。由于各個子任務在很大程度上可以獨立地進行，子任務之間的關系必然呈現出動態變化和難以預測的特點。于是，子任務之間的協調（即對分布協同工作的支持）向人工智能乃至整個信息技術以及基礎理論提出了巨大的挑戰。
其次，網絡化推進了信息化，使原本分散孤立的數據庫形成一個互連的整體，即一個共同的信息空間。盡管現有的瀏覽器和搜索引擎為用戶在網上查找信息提供了必要的幫助，這種幫助是遠遠不夠的，以至于“信息過載”與“信息迷失”狀況日益嚴重。更強大的智能型信息服務工具已成為廣大用戶的迫切需要。另一方面，信息空間對人類的價值不僅在于單獨的信息條目（比如某廠家生產出了某一新產品的信息），還遠在于一大類信息中隱藏著的普遍性知識（比如某個行業供求關系的變化趨勢）。于是，數據中的知識發現也成為一項迫切的研究課題。機器人始終是現代工業的迫切需求。隨著機器人技術的發展，研究重點已經轉向能在動態、不可預測環境中獨立工作的自主機器人，以及能與其他機器人（包括人）協作的機器人。顯然，這種機器人之間的合作可以看成是物理世界中的分布式協同工作，因而包括相同的理論和技術問題。
由此可見，人工智能第三發展時期的突出特點是研究能夠在動態、不可預測環境中自主、協調工作的計算機系統，這種系統被稱為Agent 。目前，正圍繞著Agent的理論、Agent的體系結構和Agent語言三個方面展開研究，并已產生一系列重要的新思想、新理論、新方法和新技術。在這一研究中，人工智能呈現一種與軟件工程、分布式計算以及通訊技術相互融合的趨勢。Agent研究的應用不限于生產和工作，還深入到人們的學習和娛樂等各個方面。例如，Agent與虛擬現實相結合而產生的虛擬訓練系統，可以使學生在不實際操縱飛機的情況下學飛行的基本技能；類似地，也可使顧客“享受”實戰的“滋味”。
綜觀人工智能的發展歷程，可以看出它始終遵循的基本思路。首先是強調人類智能的人工實現而不是單純的模擬，以便盡可能地為人類的實際需要服務。其次是強調多學科的交叉結合，數學、信息科學、生物學、心理學、生理學、生態學以及非線性科學等等越來越多的新生學科被融入到人工智能的研究之中。
目前人工智能研究的3個熱點是： 智能接口、數據挖掘、主體及多主體系統。
智能接口技術是研究如何使人們能夠方便自然地與計算機交流。為了實現這一目標，要求計算機能夠看懂文字、聽懂語言、說話表達，甚至能夠進行不同語言之間的翻譯，而這些功能的實現又依賴于知識表示方法的研究。因此，智能接口技術的研究既有巨大的應用價值，又有基礎的理論意義。目前，智能接口技術已經取得了顯著成果，文字識別、語音識別、語音合成、圖像識別、機器翻譯以及自然語言理解等技術已經開始實用化。
數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數據挖掘和知識發現的研究目前已經形成了三根強大的技術支柱： 數據庫、人工智能和數理統計。主要研究內容包括基礎理論、發現算法、數據倉庫、可視化技術、定性定量互換模型、知識表示方法、發現知識的維護和再利用、半結構化和非結構化數據中的知識發現以及網上數據挖掘等。
主體是具有信念、愿望、意圖、能力、選擇和承諾等心智狀態的實體，比對象的粒度更大，智能性更高，而且具有一定自主性。主體試圖自治地、獨立地完成任務，而且可以和環境交互，與其他主體通信，通過規劃達到目標。多主體系統主要研究在邏輯上或物理上分離的多個主體之間進行協調智能行為，最終實現問題求解。目前對主體和多主體系統的研究主要集中在主體和多主體理論、主體的體系結構和組織、主體語言、主體之間的協作和協調、通信和交互技術、多主體學習以及多主體系統應用等方面。
4 人工智能的未來
人工智能可能會向以下幾個方面發展： 模糊處理、并行化、神經網絡和機器情感。目前，人工智能的推理功能已獲突破，學習及聯想功能正在研究之中，下一步就是模仿人類右腦的模糊處理功能和整個大腦的并行化處理功能。人工神經網絡是未來人工智能應用的新領域，未來智能計算機的構成，可能就是作為主機的馮·諾依曼機與作為智能外圍的人工神經網絡的結合。研究表明：情感是智能的一部分，而不是與智能相分離的，因此人工智能領域的下一個突破可能在于賦予計算機情感能力。情感能力對于計算機與人的自然交往至關重要。
人工智能一直處于計算機技術的前沿，人工智能研究的理論和發現在很大程度上將決定計算機技術的發展方向。
由于計算機芯片的微型化已接近極限。人們越來越寄希望于全新的計算機技術能夠帶動人工智能的發展。目前至少有三種技術有可能引發全新的革命，它們是光子計算機、量子計算機和生物計算機。
根據推測，未來光子計算機的運算速度可能比今天的超級計算機快１０００到１萬倍。而一臺具有５０００個左右量子位的量子計算機可以在大約３０秒內解決傳統超級計算機需要１００億年才能解決的素數問題。相對而言，生物計算機研究更加現實，美國威斯康星－麥迪遜大學已研制出一臺可進行較復雜運算的ＤＮＡ計算機。據悉，一克ＤＮＡ所能存儲的信息量可與１萬億張ＣＤ光盤相當。如果未來上述三種技術能夠成熟運用，那將對人工智能的發展起到決定性的作用。
5 結束語
許多科學家斷言，機器的智慧會迅速超過阿爾伯特·愛因斯坦和斯蒂芬·霍金的智慧之和。著名物理學家斯蒂芬·霍金認為，就像人類可以憑借其高超的搗弄數字的能力來設計計算機一樣，智能機器將創造出性能更好的計算機。最遲到本世紀中葉而且很可能還要快得多，計算機的智能也許就會超出人類的智能。
參考文獻
[1]《人工智能簡史》孫興 清華大學出版社， 1990年
[2]蔡自興 徐光佑 《人工智能及其應用》 清華大學出版社 2002年1月
總結
- 上一篇： 图像处理入门 100 题，有人把它翻译成
- 下一篇： 机器学习、深度学习、强化学习课程超级大列