人工智能通识基础与应用课件

1.4人工智能的核心研究内容与应用生态

1.4人工智能的核心研究内容与应用生态

人工智能是近年来引起人们很大兴趣的一个领域。它的研究目标是通过计算机等电子仪器，尽可能地模拟人类，并且争取在一些方面的能力超过人类。随着人工智能理论研究的发展和成熟，人工智能的应用领域更为宽广，应用效果更为显著。面对人工智能这样一个高度交叉的新兴学科，其研究和应用领域的划分可以有多种不同的方法。这里采用了基于智能本质和作用的划分方法，即从机器感知、机器思维、机器行为、机器学习、计算智能、分布智能、智能机器人等方面进行划分。机器感知

机器感知是机器获取外界信息的主要途径，也是机器智能的重要组成部分。机器感知就是要让计算机具有类似于人的感知能力，如视觉、听觉、触觉、嗅觉、味觉。其包括机器视觉、模式识别、自然语言理解等方面的研究。机器思维

机器思维就是让计算机模仿和实现人的思维能力，以对感知到的外界信息和自己生产的内部信息进行思维性加工。其包括推理、搜索、规划等方面的研究。1.4.1人工智能的核心研究内容

1.4人工智能的核心研究内容与应用生态机器行为

机器行为是一个利用行为科学来理解人工智能行为的领域。机器行为处于计算机科学、工程学和行为科学的交叉点，以实现对人工智能行为的全面理解。随着人工智能变得越来越复杂，分析它们的行为能有效理解它们的内部架构以及它们与环境交互的组合。计算智能

计算智能是信息科学、生命科学、认知科学等不同学科相互交叉的产物。它主要借鉴仿生学的思人工智能通识基础与应用基于人们对生物体智能机理的认识，采用数值计算的方法模拟和实现人类的智能。

智能机器人的研究促进了人工智能思想的发展，相关技术可在人工智能研究中得到更广泛的应用。1.4.1人工智能的核心研究内容

1.4人工智能的核心研究内容与应用生态1.4.2智能系统构建与认知建模认知建模：美国心理学家休斯敦(T.P.Houston)等把认知归纳为如下5种类型：认知是信息的处理过程；认知是心理上的符号运算；认知是问题求解；认知是思维；认知是一组相关的活动。

建立认知模型的技术常称为认知建模，目的是从某些方面探索和研究人的思维机制，特别是人的信息处理机制，同时也为设计相应人工智能系统提供新的体系结构和技术方法。

1.4人工智能的核心研究内容与应用生态1.4.2智能系统构建与认知建模知识表示：

知识表示的完整过程如左图。“知识Ⅰ”是指隐性知识或者使用其他表示方法表示的显性知识；“知识Ⅱ”是指使用该种知识表示方法表示后的显性知识。“知识Ⅰ”与“知识Ⅱ”的深层结构一致，只是表示形式不同。所以，知识表示的过程就是把隐性知识转化为显性知识的过程，或者是把知识由一种表示形式转化成另一种表示形式的过程。

1.4人工智能的核心研究内容与应用生态1.4.2智能系统构建与认知建模自动推理：

从一个或多个已知的判断（前提）逻辑地推论出一个新的判断（结论）的思维形式称为推理，这是事物的客观联系在意识中的反映。自动推理是知识使用的过程，人解决问题就是利用以往的知识，通过推理得出结论。自动推理是人工智能研究的核心问题之一。

按照新的判断推出的途径来划分，自动推理可以分为演绎推理、归纳推理和反绎推理。演绎推理：从一般到个别的推理过程。演绎推理是人工智能中的一种重要的推理方式。归纳推理：从个别到一般的推理过程。归纳推理是机器学习和知识发现的重要基础，是人类思维活动中最基本、最常用的一种推理形式。反绎推理：由结论倒推原因，又被称为最佳解释推理。

按推理过程中推出的结论是否单调地增加，自动推理又可分为：单调推理：指已知为真的命题数目随着推理的进行而严格地增加。非单调推理：结论并不随着条件的增加而增加。

1.4人工智能的核心研究内容与应用生态1.4.2智能系统构建与认知建模机器学习：

机器学习是指计算机通过模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能研究的核心问题之一，是当前人工智能理论研究和实际应用非常活跃的研究领域。其是一门多领域交叉的学科，它涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。

机器学习有如下3种定义：机器学习是人工智能领域的重要分支，该领域的主要研究对象是机器学习相关算法等，特别是如何在经验学习中改善具体算法的性能。机器学习是对能通过经验自动改进的计算机算法的研究。机器学习是用数据或以往的经验优化计算机程序的性能标准的方法。

为了可视化地展现出人工智能、机器学习、表征学习、深度学习之间的关系使用最简单的方法——同心圆，如左图所示。

1.4人工智能的核心研究内容与应用生态1.4.3人工智能的应用生态专家系统是一类具有专业知识和经验的计算机智能程序系统一个专家系统应该具备以下三个要素：具备某个应用领域的专家级知识。能模拟专家的思维。能达到专家级解决问题的水平。专家系统开发工具：EMYCIN、CLIPS(OPS5、OPS83)、G2、KEE、OKPS等。左图为专家系统的结构，从专家系统的结构可以了解到，这种基于知识的系统设计方法是以知识库和推理机为中心展开的，即专家系统＝知识库＋推理机。

1.4人工智能的核心研究内容与应用生态1.4.3人工智能的应用生态数据挖掘：

数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤：数据准备：从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集；规律寻找：用某种方法将数据集所含的规律找出来；规律表示：尽可能以用户可理解的方式（如可视化）将找出的规律表示出来。

数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。自然语言处理：

自然语言处理研究的是计算机通过人类熟悉的自然语言与用户进行听、说、读、写等交流的技术，是一门与语言学、计算机科学、数学、心理学和声学等学科相联系的交叉性学科。自然语言处理的研究内容主要包括语言计算、语言资源建设、机器翻译或机器辅助翻译、汉语和少数民族语言文字输入输出及智能处理、中文手写和印刷识别、中文语音识别及文语转换、信息检索、信息抽取与过滤、文本分类、中文搜索引擎和以自然语言为枢纽的多媒体检索等。

1.4人工智能的核心研究内容与应用生态1.4.3人工智能的应用生态智能机器人：智能机器人根据智能可以分为以下四类：工业机器人初级智能机器人智能陪护机器人高级智能机器人模式识别：

模式识别（PatternRecognition）是指对表征事物或现象的各种形式的信息进行处理和分析，以便对事物或形象进行描述、辨认、分类和解释的过程。

模式识别呈现多样性和多元化的趋势，可以在不同的概念粒度上进行，其中，生物特征识别成为模式识别研究的活跃领域，包括语音识别、文字识别、图像识别和人物景象识别等。

1.4人工智能的核心研究内容与应用生态1.4.3人工智能的应用生态分布式人工智能：

分布式人工智能（DistributedArtificialIntelligence）是分布式计算与人工智能结合的结果。它主要研究在逻辑上或物理上分散的智能动作者如何协调其智能行为，求解单目标和多目标问题，为设计和建立大型复杂的智能系统或计算机支持协同工作提供有效途径。互联网智能：

语义Web（SemanticWeb）追求的目标是让Web上的信息能够被机器理解，从而实现Web信息的自动处理，以适应Web信息资源的快速增长，更好地为人类服务。博弈：

博弈（GamePlaying）是人类社会和自然界中普遍存在的一种现象，如下棋、打牌、战争等。博弈的双方可以是个人、群体，也可以是生物群或智能机器，各方都力图用自己的智慧获取成功或击败对方。博弈过程可能产生庞大的搜索空间。1.5人工智能的实现途径1.5人工智能的实现途径

在人工智能多年的研究过程中，由于人们对智能本质的理解和认识不同，形成了多种不同的研究途径。不同的研究途径具有不同的学术观点，采用不同的研究方法，形成了不同的研究学派。目前，在人工智能界主要的研究学派有：符号主义方法：以物理符号系统假设和有限合理性原理为基础。连接主义方法：以人工神经网络模型为核心。学习主义方法：让机器像婴儿一样学习成长。行为主义方法：侧重研究“感知—行动”反应机制。进化主义方法：使用遗传算法和遗传编程对进化进行模拟。群体主义方法：侧重研究群体的智慧。1.5人工智能的实现途径符号主义（Symbolism）学派，亦称为功能模拟学派，其主要观点认为智能活动的基础是物理符号系统，思维过程是符号模式的处理过程。其原理主要为物理符号系统（即符号操作系统）假设和有限合理性原理。物理符号系统假设提供了3个重要的方法论方面的保证：从符号主义的观点来看，符号的使用以及符号系统作为描述世界的中介。搜索机制的设计，尤其是启发式搜索，用来探索这些符号系统能够支持的可能推理空间。认知体系结构的分离，这里的意思是假设一个合理设计的符号系统能够提供智能的完整的因果逻辑，不考虑其现实的方法。以符号主义的观点看，知识表示是人工智能的核心，认知就是处理符号，推理就是采用启发式知识及启发式搜索对问题求解的过程，而推理过程又可以用某种形式化的语言来描述。符号主义主张用逻辑的方法来建立人工智能的统一理论体系，但是存在“常识”问题以及不确定性事物的表示和处理问题，因此受到其他学派的批评。1.5.1符号主义1.5人工智能的实现途径基于神经元和神经网络的连接机制和学习算法的人工智能学派是连接主义（Connectionism），亦称为结构模拟学派。这种方法研究的是能够进行非程序的、可适应环境变化的、类似人类大脑风格的信息处理方法的本质和能力。这种学派的主要观点认为，大脑是一切智能活动的基础。该方法的主要特征表现在：以分布式的方法存储信息以并行方式处理信息具有自组织、自学习能力适合于模拟人的形象思维可以比较快地得到一个近似解正是这些特点，使神经网络为人们在利用机器加工处理信息方面提供了一个全新的方法和途径。但是这种方法不适合模拟人们的逻辑思维过程，并且人们发现，已有的模型和算法也存在一定的问题，理论上的研究也有一定的难点，因此单靠连接机制解决人工智能全部问题也是不现实的。1.5.2连接主义1.5人工智能的实现途径

学习是一个有特定目的的知识获取和能力增长的过程，其内在行为是获取知识、积累经验、发现规律；其外部表现是改进性能、适应环境、实现自我完善。

1.5.3学习主义

行为主义学派，亦称为行为模拟学派，认为智能行为的基础是“感知—行动”的反应机制。该学派基于智能控制系统的理论、方法和技术，研究拟人的智能控制行为。

1.5.4行动主义

进化主义模仿的是自然界生物的进化过程，通过随机抽取、适应评价、交互以及突变来改变内部的状态，反复迭代计算，直至得到最优解。

1.5.5进化主义

群体主义是指通过研究集体层面表现出来的分散的、去中心化的自组织行为，并将其应用到人工智能的一种思想方法。1.5.6群体主义1.6人工智能伦理1.6人工智能伦理

人工智能伦理是探讨人工智能技术发展和应用中伦理问题的学科，是探讨人工智能带来的伦理问题及风险、研究解决人工智能伦理问题、促进人工智能向善、引领人工智能健康发展，以及关注如何确保人工智能系统的设计和使用符合道德标准和社会责任的一个多学科研究领域。1.6.1人工智能伦理概述1.6人工智能伦理失业与就业：人工智能技术及相关应用可以代替人类完成很多高难度的操作，并且工作效率有可能高于人类。当然，新技术的出现，也必然会带来一些新的工作岗位。隐私与数据安全：人工智能需要大量的数据来进行学习和优化，这引发了关于隐私和数据安全的问题。个人信息可能会被滥用，数据泄露可能会导致严重的后果。道德与伦理：AI系统的决策是基于数据和算法进行的，但这些决策可能会影响人类的生活。社会伦理问题：（1）环境方面的伦理问题；（2）医疗方面的伦理问题。1.6.2人工智能伦理挑战1.6人工智能伦理医疗诊断与治疗：人工智能在医疗领域展现出巨大的潜力。人工智能可以通过分析医学图像、基因数据等，提供更准确的诊断和个性化的治疗方案，从而大大提高医疗水平，拯救更多生命。环境保护：人工智能可以在环境监测和保护方面发挥重要作用。通过分析大量数据，人工智能可以帮助预测自然灾害、监测环境污染，并协助制定更有效的环境保护策略。教育创新：人工智能技术有望颠覆传统的教育方式。个性化的学习计划、智能辅导系统可以帮助学生更好地掌握知识，激发他们的学习兴趣，同时也减轻了教师的负担。

在探讨人工智能这把双刃剑时，我们不能只看到问题，更应该看到机遇。如何平衡挑战与机遇，让人工智能为人类社会带来更多的益处，是摆在我们面前的重要课题。1.6.3人工智能伦理机遇1.6人工智能伦理教育培训：面对人工智能带来的职业变革，持续的教育培训显得尤为重要。人们需要不断更新自己的技能，以适应新兴的工作领域。法律法规：政府和国际社会需要制定更加严格的法律法规，保障个人隐私和数据安全，同时也要明确人工智能的道德与伦理原则。合作共赢：人工智能带来的全球性的挑战，需要国际社会共同合作来解决。跨国合作可以加速人工智能技术的发展，同时也可以共同应对相关的挑战。技术