人工智能论文MLR

1、计算机人工智能的发展及前沿摘要人工智能是当前科学技发展的一门前沿学科，同时也是一门新思想，新观念，新理论，新技术不断出现的新兴学科以及正在发展的学科。它是在计算机科学，控制论，信息论，神经心理学，哲学，语言学等多种学科研究的基础发展起来的，因此又可把它看作是一门综合性的边缘学科。它的出现及所取得的成就引起了人们的高度重视,并取得了很高的评价。有的人把它与空间技术，原子能技术一起并誉为20世纪的三大科学技术成就。归纳逻辑是人工智能的逻辑基础。伴随人工智能研究的逐步深入，科学哲学、人工智能和归纳逻辑研究相互影响，出现了新的研究方向。以归纳逻辑为基础，多学科相互合作，可以建立新的机器学习系统或归纳学

2、习系统。关键词：人工智能发展；综合性边缘学科；归纳逻辑；机器学习；专家系统一、 智能计算机简介1.1 智能计算机（intelligent computers） 迄今未有公认的定义 。计算理论的奠基人之一 A. 图灵定义计算机为处理离散量信息的数字计算机1。而对数字计算机能不能模拟人的智能这一原则问题，存在截然对立的看法。1937年A.丘奇和图灵分别独立地提出关于人的思维能力与递归函数的能力等价的假说。这一未被证明的假说后来被一些人工智能学者表述为：如果一个可以提交给图灵机的问题不能被图灵机解决，则这个问题用人类的思维也不能解决。这一学派继承了以逻辑思维为主的唯理论与还原论的哲学传统，强调数字计

3、算机模拟人类思维的巨大潜力。另一些学者，如H.德雷福斯等哲学家肯定地认为以图灵机为基础的数字计算机不能模拟人的智能。他们认为数字计算机只能做形式化的信息处理，而人的智能活动不一定能形式化，也不一定是信息处理，不能把人类理智看成是由离散、确定的与环境局势无关的规则支配的运算。这一学派原则上不否认用接近于人脑的材料构成智能机的可能性，但这种广义的智能机不同于数字计算机。还有些学者认为不管什么机器都不可能模拟人的智能，但更多的学者相信大脑中大部分活动能用符号和计算来分析。必须指出，人们对于计算的理解在不断加深与拓宽。有些学者把可以实现的物理过程都看成计算过程。基因也可以看成开关，一个细胞的操作也能用

4、计算加以解释，即所谓分子计算。从这种意义讲，广义的智能计算机与智能机器或智能机范畴几乎一样。 对智能计算机的不同看法还来源于不同的目标和出发点。一种是科学研究的观点，强调理解人脑的机制，要求计算机按照人脑的工作方式表现出智能行为。另一种是工程的观点，强调用计算机解决需要人的智慧才能解决的实际问题，不管人脑和计算机的工作方式是否相同。从工程观点看智能计算机，所关心的是它具有的功能而不限制其实现途径。也就是说，所谓智能计算机就是指具有感知、识别、推理、学习等能力，能处理定性的、不完全不确定的知识，能与人类以自然语言、文字及图形图像通信并在实际环境中有适应能力的计算机。要达到这一目标需要长时期的努力

5、。1.2 智能与智能计算机一部计算机表现出某种智能行为并不一定被认为它本身有智能。为了判定计算机是否具有智能，图灵曾设计了一种测试方法，即有名的图灵试验。设想一个测试者用计算机终端分别与被测的人及计算机联系（测试者不能直接看到被测人与计算机），如果从回答测试者问题的信息中不能正确区分被测者是人还是计算机，即把计算机当成人了，就应认为计算机具有智能。这是一种关于智能机的行为主义的观点。以回答问题的能力做为具有智能的判据有一定局限性，因为人的智能涉及许多方面，有些智能如形象思维就不可以言传。这种测试也难以反映自学习自适应能力。人们一方面追求用机器实现智能，另一方面又不大相信电子器件的自动开与关能实

6、现人的思维。因此当一种实现智能应用的方法很有效时，往往认为这是一种已知的技术，与其他计算机程序运行没什么不同，人们对于机器模拟人类思维的矛盾心理趋向于认为一个能工作的系统是有用的但不是真正有智能的。实际上，智能计算机已经成为一个动态的发展的概念，它始终处于不断向前推进的计算机技术的前沿。人工智能的权威学者M.明斯基定义人工智能的任务是研究还没有解决的计算机问题。这一观点反映了人工智能与智能机研究有别于其他学科的显著特点。智能应用问题往往没有确定的求解算法而采用搜索的办法，一旦人们对某一问题掌握了足够丰富的知识，即已找到了不需要搜索的确定型算法，可以预见其行为与效果时，这个问题一般就不再认为是一

7、个智能问题了。从应用的角度看，如果一项人工智能的研究成果已经成熟并被广泛采用，人们已经了解它的运行机制，就不再把它视为智能技术了。可以预言，目前被看成是智能计算机主要组成部分的知识库在不久的将来就会像数据库一样被当成一般的计算机技术。因此，智能计算机与其看成是与传统计算机完全不同的一种机器，还不如看成是带动计算机不断发展的一项高技术。这种压力迫使从事智能计算机研究的科研人员必须不断提出新概念、新方法，不断攻克新的技术难关。研制智能计算机的目的不是用计算机代替人的脑力劳动，而是充分发挥人和计算机各自的特长，形成互补、协调的人机合作环境。不怎么聪明的智能计算机可以使聪明的人更加聪明。在人机合作的和

8、谐环境中，人主要负责提供涉及面很广的常识和从事有创造性的工作，机器作为人的助手从事需要一定智能的其他工作。智能机往往是某些方面聪明过人而其他方面又十分愚笨，因此设计一个高效率高智商的人机协作智能系统必须合理地确定哪些事由人做，哪些事由机器做，而且要建立十分友好的人机对话界面。 1.3 研制智能计算机的主要途径尽管各国学者为研制智能机进行长期不懈的努力，但究竟通过什么途径才能使计算机具有智能或者说表现出智能行为，还是一个未解决的问题。概括来说，已提出的主要途径有以下几条，它们分别以认知心理学、神经生理学、人类社会学及生物进化论为模拟的基础。 智能计算机符号处理与知识处理。把智能问题当成符号处理与

9、知识处理问题是人工智能的主流。纽威尔和西蒙教授在1975年的图灵奖演说中提出物理符号系统假设：物理符号系统是智能行为的充分必要条件。这一假设把符号处理技术摆到智能机研制的关键位置。60年代关于推理机制和问题求解技术的研究使人们认识到一个智能系统的能力主要在于系统中包含的知识而不是它的推理机制，这就是E.费根鲍姆教授倡导的知识原则。根据这一原则，构造智能机系统的关键是建立包含大量常识和专门知识的知识库，其技术难点在于知识的自动获取和自动维护以及知识共享等。这一途径的基础是逻辑理论与认知心理学。人工神经网络。构造智能机的另一途径根源于神经生理学的研究成果，即用大量相对简单的处理单元（人工神经元）通

10、过复杂的互连构成神经网络计算机。这一途径强调大规模并行、分布式的表示与处理、非线性的动力学系统行为、系统的训练与学习以及模拟量的处理等等。尽管目前提出的人工神经网模型及已研制的各种人工神经网系统与人脑的神经网结构相距甚远，但这种以整体的统计行为取代逻辑推理，以样本训练与学习取代执行某种算法的新思路对传统的唯理论与还原论是一种冲击。神经网计算机在模式识别和低层次感知模拟等方面有发展潜力，但也有一定局限性。它与传统的符号处理有某种互补关系。这两者的结合可以发挥各自的优势。 层次化的智力社会模型。错综复杂的人类社会是由许多个人和不同层次的团体组成。与此类似，智能行为也可看成是许多在不同层次上的相互影

11、响的并行操作的进程。层次越低，其智力越差，最底层的处理应是非智能的行为。按这种思路，关键是要弄明白非智能的活动的联合如何才能浮现智能行为，其奥秘应在其相互联系之中。这就是明斯基教授主张的所谓“智力社会”模型。这一学派强调理解智能的层次和系统中各部分的联系，主要从人类社会的行为来看待思维与智能，其实现上较侧重分布式的人工智能和复杂的巨系统。 基于生物进化的智能系统。人类的智能是通过极其漫长的生物进化产生的，进化是智能的源泉。如果把机器智能的提高也当成是一种进化过程，其进化速度将比形成人的智能快得多。生物进化的关键是在动态环境中的适应能力。基于这一观点，布鲁克 斯教 授 提出研制智能 机的另一种途

12、径：建立在现实世界中具有真正感知和行动能力的智能系统，由简单到复杂逐步提高其智能水平。这一方法强调自适应控制，主张无需表示无需推理的智能系统。上述每一条途径都有各自的理论背景和应用前景。鉴于脑的功能是成千上万具有不同专门功能的子系统协作的结果，是上百万条生物进化缠绕组合的结果，人类智能的本质不可能归结为几个像波函数或运动学三定律那样规整、简洁、漂亮的基本原理。智能机也不可能按某一种固定模式制造。研究智能计算机应当采取综合集成的方法，在上述几条途径和可能的新途径基础上，将定性与定量、数字与模拟、逻辑与统计、电子与非电子等互补的技术综合集成起来，特别是将存于机器的知识与人的经验知识集成起来，发挥系

13、统的整体优势与综合优势。二、 智能计算机的发展2.1 人工智能概述人工智能的进一步发展是基于归纳逻辑的基础之上的。近年来，人工智能与五代机的研究，所涉及的专家系统、机器学习、知识处理方面都必然运用归纳逻辑。一些研究者试图把归纳逻辑系统带入人工智能研究领域，从而找到一定的正确的方法来发展人工智能研究理论系统。人工智能（Artificial Intelligence，简称AI）是计算机学科的一个分支，20 世纪70 年代以来， 被称为世界三大尖端技术（空间技术、能源技术、人工智能）之一，也被认为是21 世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。近三十年来，人工智能获得了迅速的发展， 在

14、很多学科领域都获得了广泛应用，并取得了丰硕的成果，在理论和实践上都已自成一个系统。美国斯坦福大学人工智能研究中心的尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科怎样表示知识以及怎样获得知识并使用知识的科学。”美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”2普特南指出：“20 世纪早期逻辑领域出现的两位巨人哥德尔（Kurt Godel）和杰克斯·赫伯德（Jacgues Herbrand）对于人工智能研究作出了重要的贡献。”31936 年，由图林提出的图林机器本来是个逻辑学的概念，并非为计算机的研制而提出， 但图林机器

15、理论与冯·诺意曼的程序内存思想为计算机科学与技术奠定了重要的理论基础。我国著名逻辑学者陈波教授认为，计算机科学和人工智能研究将是21 世纪早期逻辑学发展的主要动力源泉， 并将由此决定21 世纪逻辑学的另一幅面貌4。人工智能所具有的独特的学科性质为逻辑学的研究和发展提出了更高的标准和挑战，逻辑学研究的对象、方法和意义都必将取得新的发展与突破。人工智能是用计算机来对人类思维过程和智能进行模拟（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，制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能几乎涉及自然科学和社会科学的所有学科，其研究范围非常广阔，包括问题

16、求解、定理证明、专家系统、机器学习、智能控制、智能检索等。在人工智能的发展过程中，虽然对归纳的模拟以及智能化早就开始，但真正受到重视而且取得重大进展还是在专家系统与知识工程出现之后。机器学习的核心是归纳学习问题，人工智能在处理不确定性推理的手段时，无论是数值型或非数值型的，特别是其中的非单调推理，都是与归纳学习密切相关的。值得强调的是，非单调推理对不确定性推理的处理方法与归纳逻辑不同，它对归纳逻辑有很大的启发。在人工智能研究中，归纳的研究和不确定性推理密切相关，神经网络的研究运用这方面的知识并开创了新的学习模型。在专家系统中，机器学习、不确定性推理都包含了归纳推理这一要素。正是有了归纳推理，机

17、器才能完成发现定律之类的高级智能活动与行为。20 世纪50 年代出现了对机器学习的研究，并且得到了普遍的应用和发展。在人工智能的发展进程中， 对归纳的模拟研究已占据前所未有的重要地位，归纳学习已经成为机器学习的核心内容。2.2 人工智能研究的新发展上述这些理论与发展也为基于归纳基础之上的人工智能应用研究提供了许多可行性条件。人们逐步认识到，专家系统是人工智能从学科发展研究逐渐趋向实际应用，从一般的思维方式方法发展到专门知识运用的重大突破。专家系统在各方面的应用也促进了人工智能基本理论和基本技术的进一步发展。专家系统是一种在一定领域中具有专家水平解决难题能力的智能程序系统，它能灵活运用专家积累的

18、经验和专门知识，求解通常需由人类专家所完成的任务(如医疗诊断)。专家系统的特点是将人类专家的知识用符号来表示，其中最受欢迎的方式是将知识表示为一套规则，如“若x 咳血，则X 很可能得了肺病”5。可是，到20 世纪70 年代末， 当专家系统已发展成实用的AI 技术时却面临一个重大困难， 即人类专家大都很难清楚明确地表达出知识库所需要的形式规则，因为他们很可能意识不到自己是如何做的。因此，访谈效果往往不够理想。这就是费根鲍姆所谓的关于专业知识获取的“瓶颈问题”6。专家系统在知识获取方面的能力比较弱，存在不少有待解决的问题，例如知识的完备性问题、多专家合作与综合问题、知识的自动获取问题、分布式知识的

19、处理问题等。计算机获取知识的途径还主要依靠人类操作，以机器可利用的形式将知识输入到机器中。通过这种方法获取知识存在一定弊端，人们不得不探究第二条道路来解决计算机获取知识的问题， 这就是机器学习。近些年来，随着机器学习研究的发展，人们逐渐认识到，可以使用机器学习的相关知识与专门技术直接从具体事例中归纳出规则，而不必为如何从专家口中获得规则而感到困惑，这正是人工智能逻辑学派在机器学习研究发展中的具体目标。机器学习是人工智能发展中一个十分活跃的领域。所谓机器学习，是指系统为了适应环境而产生的某种长远变化，这种变化使得系统能够更有效地在下一次完成同一或同类工作7。机器学习的研究目的，是希望计算机具有能

20、像人类一样从现实世界中获得知识的能力。同时，建立学习的计算理论，构造各种学习系统并将之应用到各个领域中去。其实质是，通过计算机的归纳与类比等方法，利用其内部现有的知识来加以分析、判断、修改和完善的过程。人工智能诞生以来，研究者们一直试图理解学习的过程和创造能够学习的计算机程序。一些专家认为，机器学习作为计算机科学中人工智能的一个分支，主要有两个任务：一是模拟人类是如何学习和工作的，二是完成一些人类无法完成的工作。根据人类学习的特点，机器学习的研究应向下列方向发展：（1）建立模拟人类学习过程的学习模型，深入研究学习过程的神经生理机制和心理学本质。这不仅要用到人工智能的一般方法，而且也需要认知心理

21、学、归纳逻辑和其他学科的知识。（2）进行基础研究，了解人类学习速度慢、效率低的原因，发展各种学习理论，探讨所有可能的学习方法与算法。（3）探讨人类学习和机器学习的异同及相互联系，研究知识的表示方法及自然语言的接口8。所以说，在不同程度上运用归纳逻辑，有助于促使人工智能的成功应用。三、 人工智能的前沿基于归纳逻辑的人工智能研究概述归纳逻辑是逻辑科学的一个重要领域。归纳逻辑研究或然性推理，即当其前提为真时，结论很可能为真但不必然为真。人们对真理的追求与归纳逻辑的产生和发展有着密切的联系。从历史上着，归纳、归纳方法、归纳逻辑是既相互联系而又相互区别的。从德谟克里特、亚里士多德到培根与穆勒、莱布尼兹与

22、布尔，他们研究演绎逻辑，同时也研究归纳逻辑。严格说来，他们所研究的与其说是归纳逻辑，还不如说是归纳方法。这集中表现在培根提出的三表法（即本质存在表、差异表、比较表）与穆勒提出的确定现象间因果联系的归纳五法（实验五法：契合法、差异法、契合差异并用法、剩余法、共变法）。在这一阶段，哲学家与逻辑学家、科学家（如牛顿等人）探讨过有关归纳的很多理论问题， 强调了归纳方法在实验科学中的发现作用，明确提出了两种基本的归纳方法， 即枚举法与排除法。同时，他们几乎都将归纳与因果性联系起来，认为在本体论上归纳必须建立在具有自然齐一性的因果性之上9。在现实生活环境中，归纳逻辑有着广泛的应用领域。自然科学研究和社会科

23、学研究都离不开归纳，我们日常的行为活动也离不开归纳。休谟提出的“归纳问题”对归纳推理的合理性和归纳逻辑的可能性提出了质疑，然而它的这种可能性正在计算机科学和人工智能的研究推动下逐渐地变成现实。20 世纪20 年代，凯恩斯将概率理论与归纳逻辑相结合，建立了第一个概率逻辑系统， 这标志着现代归纳逻辑的产生。现代归纳逻辑可分成三大派别， 即经验主义学派、逻辑贝叶斯主义学派与主观贝叶斯学派(频率学派、逻辑学派)和私人主义学派。在我国， 现代归纳逻辑兴起于20 世纪80 年代初。80 年代中期到90 年代中期，对现代归纳逻辑的研究是逻辑学界的热点之一。学者们把归纳逻辑的相关知识与人工智能相结合的研究取得了一定进展。但归纳逻辑发展到现阶段还很不成熟，还需要进一步研究和发展。有的学者指出，为了在机器的智能模拟中克服对归纳模拟的困难，应该将归纳逻辑等有关的基础理论研究与机器学习、不确定推理和神经网络学习模型与归纳学习中已有的成果结合起来，这样才能在已有的归纳学习成果上，在机器归纳和机器发现上取得新