人工智能的发展与应用-论文

12017 年 9 月 23 日巴 州 石 油 一 中 高 中 部研究性学习人工智能的发展与应用作 者： 谭承志王智贺潘永臻指导教师： 周朝晖 2《人工智能的发展与应用》研究论文暨结题报告关键字：人工智能 发展 中学生 XNA C#作者：谭承志 王智贺 潘永臻1. 前言人工智能（英语：Artificial Intelligence， AI）有时也称作机器智能，是指由人工制造出来的系统所表现出来的智能。通常人工智能是指通过普通计算机实现的智能。该词同时也指研究这样的智能系统是否能够实现，以及如何实现的科学领域。本论文就旨在以中学生的视角探究人工智能的发展，并能尝试进行适度的尝试。2. 课题成员介绍小组组长：谭承志 副 组 长：王智贺小组成员：潘永臻 顾家默 贾维康 李宝3. 正文3.1 人工智能的定义人工智能的定义可以分为两部分，即“人工”和“智能” 。 “人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说， “人工系统 ”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识、自我、心灵（包括无意识的精神等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。33.2 人工智能的发展历史人工智能的传说可以追溯到古埃及，但随着 1941 年以来电子计算机的发展，技术已最终可以创造出机器智能， “人工智能 ”(Artificial Intelligence)一词最初是在 1956 年Dartmouth 学会上提出的，从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展，在它还不长的历史中，人工智能的发展比预想的要慢，但一直在前进，从 40年前出现到现在，已经出现了许多 AI 程序，并且它们也影响到了其它技术的发展。 计算机时代 1941 年的一项发明使信息存储和处理的各个方面都发生了革命。这项同时在美国和德国出现的 发明就是电子计算机。第一台计算机要占用几间装空调的大房间，对程序员来说是场噩梦：仅仅为运行一个程序就要设置成千的线路。1949 年改进后的能存储程序的计算机使得输入程序变得简单些，而且计算机理论的发展产生了计算机科学，并最终促使了人工智能的出现。计算机这个用电子方式处理数据的发明， 为人工智能的可能实现提供了一种媒介。 AI 的开端 虽然计算机为 AI 提供了必要的技术基础，但直到 50 年代早期人们才注意到人类智能与机器之间的联系。Norbert Wiener 是最早研究反馈理论的美国人之一。最熟悉的反馈控制的例子是自动调温器。它 将收集到的房间温度与希望的温度比较，并做出反应将加热器开大或关小，从而控制环境温度。这项对反馈 回路的研究重要性在于 : Wiener 从理论上指出，所有的智能活动都是反馈机制的结果。而反馈机制是有可 能用机器模拟的。这项发现对早期 AI 的发展影响很大。 1955 年末，Newell 和 Simon 做了一个名为" 逻辑专家" 的程序。这个程序被许多人 认为是第一个 AI 程序。它将每个问题都表示成一个树形模型，然后选择最可能得到正确结论的那一枝来求解 问题。" 逻辑专家" 对公众和 AI 研究领域产生的影响使它成为 AI 发展中一个重要的里程碑。1956 年，被认为是 人工智能之父的 John McCarthy 组织了一次学会，将许多对机器智能感兴趣的专家学者聚集在一起进行了一个月的讨论。他请他们到 Vermont 参加 " Dartmouth 人工智能夏季研究会"。从那时起，这个领域被命名为 "人工智能"。虽然 Dartmouth 学会不是非常成功，但它确实集中了 AI 的创立者们，并为以后的 AI研究奠定了基础。 Dartmouth 会议后的 7 年中， AI 研究开始快速发展。虽然这个领域还没明确定义，会议中的一些思想 已被重新考虑和使用了。 Carnegie Mellon 大学和 MIT 开始组建 AI 研究4中心。研究面临新的挑战: 下一步需 要建立能够更有效解决问题的系统，例如在"逻辑专家"中减少搜索;还有就是建立可以自我学习的系统。 1957 年一个新程序，"通用解题机 "(GPS)的第一个版本进行了测试。这个程序是由制作"逻辑专家" 的同一个组开发的。GPS 扩展了 Wiener 的反馈原理，可以解决很多常识问题。两年以后，IBM 成立了一个 AI 研究组。Herbert Gelernter 花 3 年时间制作了一个解几何定理的程序。 当越来越多的程序涌现时，McCarthy 正忙于一个 AI 史上的突破。1958 年 McCarthy宣布了他的新成果: LISP 语言。 LISP 到今天还在用。"LISP" 的意思是"表处理"(List Processing)，它很快就为大多数 AI 开发者采纳。 1963 年 MIT 从美国政府得到一笔 220 万美元的资助，用于研究机器辅助识别。这笔资助来自国防部 高级研究计划署 (ARPA)，已保证美国在技术进步上领先于苏联。这个计划吸引了来自全世界的计算机科学家， 加快了 AI 研究的发展步伐。 大量的程序 以后几年出现了大量程序。其中一个著名的叫"SHRDLU"。"SHRDLU"是"微型世界" 项目的一部分，包括 在微型世界( 例如只有有限数量的几何形体) 中的研究与编程。在 MIT由 Marvin Minsky 领导的研究人员发现， 面对小规模的对象，计算机程序可以解决空间和逻辑问题。其它如在 60 年代末出现的"STUDENT"可以解决代数 问题，"SIR" 可以理解简单的英语句子。这些程序的结果对处理语言理解和逻辑有所帮助。 70 年代另一个进展是专家系统。专家系统可以预测在一定条件下某种解的概率。由于当时计算机已 有巨大容量，专家系统有可能从数据中得出规律。专家系统的市场应用很广。十年间，专家系统被用于股市预 测，帮助医生诊断疾病，以及指示矿工确定矿藏位置等。这一切都因为专家系统存储规律和信息的能力而成为可能。 70 年代许多新方法被用于 AI 开发，著名的如 Minsky 的构造理论。另外 David Marr提出了机器视觉方 面的新理论，例如，如何通过一副图像的阴影，形状，颜色，边界和纹理等基本信息辨别图像。通过分析这些信 息，可以推断出图像可能是什么。同时期另一项成果是 PROLOGE 语言，于 1972 年提出。 80 年代期间，AI 前进更为迅速，并更多地进入商业领域。1986 年，美国 AI 相关软硬件销售高达 4。 25 亿 美元。专家系统因其效用尤受需求。象数字电气公司这样的公司用 XCON 专家系统为 VAX 大型机编程。杜邦，通用 汽车公司和波音公司也大量依赖专家系统。为满足计算机专家的需要，一些生产专家系统辅助制作软件的公 司，如 Teknowledge 和 Intellicorp 成立了。为了查找和改正现有专5家系统中的错误，又有另外一些专家系统被设计出来。 从实验室到日常生活人们开始感受到计算机和人工智能技术的影响。计算机技术不再只属于实验室中的一小群研究人员。 个人电脑和众多技术杂志使计算机技术展现在人们面前。有了像美国人工智能协会这样的基金会。因为 AI 开发 的需要，还出现了一阵研究人员进入私人公司的热潮。150 多所像 DEC(它雇了 700 多员工从事 AI 研究)这样的公司共花了 10 亿美元在内部的 AI 开发组上。 其它一些 AI 领域也在 80 年代进入市场。其中一项就是机器视觉。 Minsky 和 Marr 的成果现在用到了生产线上的相机和计算机中，进行质量控制。尽管还很简陋，这些系统已能够通过黑白区别分辨出物件形状的不同。到 1985 年美国有一百多个公司生产机器视觉系统，销售额共达 8 千万美元。 但 80 年代对 AI 工业来说也不全是好年景。86-87 年对 AI 系统的需求下降，业界损失了近 5 亿美元。象 Teknowledge 和 Intellicorp 两家共损失超过 6 百万美元，大约占利润的三分之一巨大的损失迫使许多研究领 导者削减经费。另一个另人失望的是国防部高级研究计划署支持的所谓"智能卡车 "。这个项目目的是研制一种能完成许多战地任务的机器人。由于项目缺陷和成功无望，Pentagon 停止了项目的经费。 尽管经历了这些受挫的事件，AI 仍在慢慢恢复发展。新的技术在日本被开发出来，如在美国首创的模糊逻辑，它可以从不确定的条件作出决策;还有神经网络，被视为实现人工智能的可能途径。总之，80 年代 AI 被引入了市场，并显示出实用价值。可以确信，它将是通向 21 世纪之匙。 人工智能技术接受检验 在"沙漠风暴 "行动中军方的智能设备经受了战争的检验。人工智能技术被用于导弹系统和预警显示以 及其它先进武器。AI 技术也进入了家庭。智能电脑的增加吸引了公众兴趣;一些面向苹果机和 IBM 兼容机的应用 软件例如语音和文字识别已可买到;使用模糊逻辑，AI 技术简化了摄像设备。对人工智能相关技术更大的需求促 使新的进步不断出现。人工智能已经并且将继续不可避免地改变我们的生活。3.3 人工智能的研究现状为了将人工智能的理论研究成果应用于实际，人们发明了多种方法。目前大部分的人工智能应用系统是在冯•诺依曼结构的通用数字计算机或通用算机上运行求得结果。这种用软件实现的方法灵活性强但速度较慢。 6目前人工智能的研究方向已经被分成几个子领域，研究人员希望一个人工智能系统应该具有某些特定能力，以下将这些能力列出并说明。演绎、推理和解决问题早期的人工智能研究人员直接模仿人类进行逐步的推理，就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。到了 1980 和 1990 年，利用机率和经济学上的概念，人工智能研究还发展了非常成功的方法处理不确定或不完整的资讯。对于困难的问题，有可能需要大量的运算资源，也就是发生了“可能组合爆增”：当问题超过一定的规模时，电脑会需要天文数量级的记忆体或是运算时间。寻找更有效的算法是优先的人工智能研究项目。人类解决问题的模式通常是用最快捷，直观的判断，而不是有意识的，一步一步的推导，早期人工智能研究通常使用逐步推导的方式。人工智能研究已经于这种“次表征性的”解决问题方法取得进展：实体化的代理人研究强调感知运动的重要性。神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。多元智能大多数研究人员希望他们的研究最终将被纳入一个具有多元智能(称为强人工智能)，结合以上所有的技能并且超越大部分人类的能力。有些人认为为了达成以上目标，可能需要拟人化的特性，如人工意识或人工大脑。 上述许多问题被认为是人工智能完整性：为了解决其中一个问题，你必须解决全部的问题。即使一个简单和特定的任务，如机器翻译，要求机器按照作者的论点(推理)，知道什么是被人谈论(知识)，忠实地再现作者的意图(情感计算)。因此，机器翻译被认为是具有人工智能完整性：它可能需要强人工智能工，就像是人类一样。规划智能 Agent 必须能够制定目标和实现这些目标。他们需要一种方法来建立一个可预测的世界模型(将整个世界状态用数学模型表现出来，并能预测它们的行为将如何改变这个世界)，这样就可以选择功效最大（或“值”）的行为。 在传统的规划问题中，智能 Agent被假定它是世界中为一具有影响力的，所以它要做出什么行为是已经确定的。但是，如果事实并非如此，它必须定期检查世界模型的状态是否和自己的预测相符合。如果不符合，它必须改变它的计划。因此智能代理必须具有在不确定结果的状态下推理的能力。 在多Agent 中，多 Agent 规划采用合作和竞争去完成一