《浅谈人工智能学习研究的现状及其发展趋势》由会员分享，可在线阅读，更多相关《浅谈人工智能学习研究的现状及其发展趋势（18页珍藏版）》请在金锄头文库上搜索。
1、浅谈人工智能学习研究的现状及其发展趋势浅谈人工智能学习研究的现状及其发展趋势作者：作者：作者单位：作者单位：摘要摘要：自上世纪五十年代以来，经过了几个阶段的不断探索和发展，人工智能在模式识别、知识工程、机器人等领域已经取得重大成就，但是离真正意义上的的人类智能还相差甚远。但是进入新世纪以来，随着信息技术的快速进步，与人工智能相关的技术水平也得到了相应的提高。尤其是随着因特网的普及和应用，对人工智能的需求，变得越来越迫切，也给人工智能的研究提供了新的更加广泛的舞台。 本文强调在当今的网络时代，作为信息技术的先导，人工智能学习在人工智能科学领域中是一个着非常值得关注的研究方向，要在学科交叉研究中实
2、现人工智能学习的发展与创新，就要关注认知科学、脑科学、生物智能、物理学、复杂网络、计算机科学与人工智能之间的交叉渗透点，尤其是重视认知物理学的研究。自然语言是人类思维活动的载体，是人工智能学习研究知识表示无法回避的直接对象，要对语言中的概念建立起能够定量表示的不确定性转换模型，发展不确定性人工智能；要利用现实生活中复杂网络的小世界模型和无尺度特性，把网络拓扑作为知识表示的一种新方法，研究网络拓扑的演化与网络动力学行为，研究网络化了的智能，从而适应信息时代数据挖掘的普遍要求，迎接人工智能学习与应用领域新的辉煌。1.1.前言前言自 20 世纪 90 年代以来，随着全球化的形式与国际竞争的日益激烈，
3、对人工智能技术的研究与应用变的越来越被人们关注，且人工智能在制造中的运用以成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。人工智能已对现实社会做出了非常重大的贡献，而且其作用已在各领域发挥得淋漓尽致，特别是在计算机领域，人工智能的应用更加突出，可以说，哪里有计算机应用，哪里就在应用人工智能；哪里需要自动化或半自动化，哪里就在应用人工智能的理论、方法和技术。 目前，人工智能应用的主要领域，也就是计算机应用的主要领域。人工智能是一门研究人类智能的机理以及如何用机器模拟人的智能的学科。从后一种意义上讲，人工智能又被称为“机器智能”或“智能模拟”。人工智能是在现代电子计算机出现之后才
4、发展起来的，它一方面成为人类智能的延长，另一方面又为探讨人类智能机理提供了新的理论和研究方法。学习机制的研究是人工智能研究的一项核心课题。它是智能系统具有适应性与性能自完善功能的基础。学习过程具有以下特点：学习行为一般具有明显的目的性，其结果是获取知识；学习系统中结构的变化是定向的，要么由学习算法决定，要么由环境决定；学习系统是构造智能系统的中心骨架，它是全面组织与保存系统知识的场所；学习机制与知识表达方式密切相关，神经网络表示形式的知识可以用 ANN 算法或 GA 算法来获取，也可以用加强算法来获取。因此，人工智能学习研究的一个主要目的是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
5、但是，不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在电子计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，于是当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”。可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能学习这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，一方面又转向更有意义、更加困难的目标。一.人工智能学习的历史性基础和发展步伐人工智能学习的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学
6、、数理逻辑、语言学、医学和哲学等多门学科。一般认为，人工智能的思想萌芽可以追溯到德国著名数学家和哲学家莱布尼茨(Leibnitz，1646-1716)提出的“通用语言“设想。这一设想的要点是：建立一种通用的符号语言，用这个语言中的符号表达“思想内容”，用符号之间的形式关系表达“思想内容”之间的逻辑关系。于是，在“通用语言”中可以实现“思维的机械化”这一设想可以看成是对人工智能的最早描述。计算机科学的创始人图灵被认为是“人工智能之父”，他着重研究了一台计算机应满足怎样的条件才能称为是“有智能的”。1950 年他提出了著名的“图灵实验”：让一个人和一台计算机分别处于两个房间里，与外界的联系仅仅通过
7、键盘和打印机。由人类裁判员向房间里的人和计算机提问(比如：“你是机器还是人?”或“你是男人还是女人?”等等)，并通过人和计算机的回答来判断哪个房间里是人、哪个房间里是计算机。图灵认为，如果“中等程度”的裁判员不能正确地区分，则这样的计算机可以称为是有智能的。“图灵实验”是关于智能标准的一个明确定义。有趣的是，尽管后来有些计算机已经通过了图灵实验，但人们并不承认这些计算机是有智能的。这反映出人们对智能标准的认识更深入、对人工智能的要求更高了。 几乎在图灵上述工作的同时，冯诺依曼从生物学角度研究了人工智能。从生物学的观点看，智能是进化的结果，而进化的基本条件之一是“繁殖”。为此， 冯诺依曼构造了“
8、自再生自动机”，这是一种有“繁殖”能力的数学模型。 冯诺依曼的分析表明， 自再生自动机的内容结构对于“繁殖”是充分的和必要的。他进而推测，这种结构必定存在于活的细胞之中。五年之后，克里克和沃森关于 DNA 结构的重大发现完全证实了冯诺依曼的猜测： 自再生自动机的几个功能模块均有生物学上的对应物。其中，模块 A 对应于核糖体，B 对应于 RND 酶和 DNA 聚合酶，D 对应于 RNA 和 DNA，E对应于阻遏控制分子和抗阻遏控制分子等。 冯诺依曼的工作为后来人工智能中的一条研究路线(人工生命)提供了重要的基础。 图灵和冯诺依曼的上述工作，以及麦克考洛和匹茨对神经元网的数学模型的研究，构成了人工
9、智能的初创阶段，这其实也是人工智能学习的开始。 1956 年夏天举行的达德茅斯研讨会，被认为是人工智能作为一门独立学科正式诞生的标志。这次研讨会聚集了来自数学、信息科学、心理学、神经生理学和计算机科学等不同领域的领导者，包括 Minsky，Rochester， Simon， Solonio 和 Mccarthy 等。其中，Miusky，Mccarthy，Newell 和 Simon 后来被认为是美国人工智能界的“四大领袖”。与会者从不同角度搜索了使机器具有智能的途径和方式，并决定用“人工智能”(Artificial Intelligence)一词来概括这一新的研究方向。达德茅斯研讨会开创了人工
10、智能的第一个发展时期。在这个时期里，研究者们展开了一系列开创性工作，并取得了引人注目的成果。会后不久，Newell，Shaw 和 Simon 完成了一个自动证明数学定理的计算机程序 Logic Theorist (此前 Martin 和 Davis 曾编制了一个算术定理的证明程序，但未发表)，证明了数学原理第二章中的 38 条定理，由此开创了人工智能中“自动定理证明”这一分支。1958 年，美籍逻辑学家王浩在自动定理证明中取得的重要进展。他的程序在 IBM 704 计算机上用不到 5 分钟的时间证明了数学原理中“命题演算”的全部 220 条定理。1959 年，王浩的改进程序用 8.4 分钟证明
11、了上述 220 条定理及谓词演算的绝大部分定理。1983 年，美国数学学会将自动定理证明的第一个“里程碑奖”授予王浩，以表彰他的杰出贡献(自动定理证明的“里程碑奖”每25 年评选一次，由此可见其份量)。受王浩工作的鼓舞，自动定理证明的研究形成一股热潮。比如，Slagle 的符号积分程序 SAINT 经测试已达到了大学生的积分演算水准;而 Mosis 的 SIN 程序的效率比SAINT 提高了约三倍，被认为达到了专家水平。 自动定理证明的理论价值和应用范围并不局限于数学领域。事实上，很多问题可以转化为定理证明问题，或者与定理证明有关。可以认为，自动定理证明的核心问题是自动推理，而推理在人的智能行
12、为中起普遍性的重要作用。基于这一看法，在自动定理证明的基础上进一步研究通用问题求解，是一个值得探索的课题。从 1957年开始，Newell，Shaw 和 Simon 等人着手研究不依赖于具体领域的通用解题程序，称之为 GPS，它是在 Logic Theorist 的基础上发展起来的，虽然后来的实践表明，GPS 作为一个独立的求解程序，其能力是有限的，但在 GPS 中发展起来的技术对人工智能的发展有重要意义 人工智能早期研究给人的深刻印象是博羿，1956 年，Samnel 研制了一个西洋跳棋程序，该程序“天生”下跳棋水平很低，远远不是 Samuel 的对手。但它有学习能力，能从棋谱中学习，也能在
13、实践中总结提高。经过三年的“学习”，该程序与 1959 年打败了Samuel;又经过三年，打败了美国一个州的冠军。值得注意的是，虽然下棋至多只能算是一项体育运动，下棋的程序似乎只是一种游戏程序，但 Samuel 工作的意义十分重大：它同时刺激了“搜索”和“机器学习”这两个人工智能重要领域的发展。 与自动定理证明的研究意义不限于数学一样，搜索的研究意义也不限于博弈。根据认知心理学的信息处理学派的观点，人类思维过程的很大一部分可以抽象为从问题的初始状态经中间状态到达终止状态的过程，因此可以转化为一个搜索问题，由机器自动地完成。例如“规划”问题。设想一台机器人被要求完成一项复杂任务，该任务包含很多不
14、同的子任务，其中某些子任务只有在另一些子任务完成之后才能进行。这时，机器人需要事先“设想”一个可行的行动方案，使得依照该方案采取行动可以顺利完成任务。“规划”即找出一个可行的行动案，可以通过以其子任务为状态、以其子任务间依赖关系为直接后继关系的状态空间中的搜索来实现。 人工智能的早期研究还包括自然语言理解、计算机视觉和机器人等等。通过大量研究发现，仅仅依靠自动推理的搜索等通用问题求解手段是远远不够的。Newell 和 Simon 等人的认知心理学研究表明，各个领域的专家之所以在其专业领域内表现出非凡的能力，主要是因为专家拥有丰富的专门知识(领域知识和经验)。70 年代中期，Feigenbaum
15、 提出知识工程概念，标志着人工智能进入第二个发展时期。知识工程强调知识在问题求解中的作用；相应地，研究内容也划分为三个方面：知识获取，知识表示和知识利用。知识获取研究怎样有效地获得专家知识；知识表示研究怎样将专家知识表示成在计算机内易于存储、易于使用的形式；知识利用研究怎样利用已得到恰当表示的专家知识去解决具体领域内的问题。知识工程的主要技术手段是在早期成果的基础上发展起来的，特别是知识利用，主要依靠自动推理和搜索的技术成果。在知识表示方面，除使用早期工作中出现的逻辑表示法和过程表示法之外，还发展了在联想记忆和自然语言理解研究中提出的语义网表示法，进而引入了框架表示法，概念依赖和脚本表示法以及
16、产生式表示法等等各种不同方法。与早期研究不同，知识工程强调实际应用。主要的应用成果是各种专家系统。专家系统的核心部件包括： (a)表达包括专家知识和其他知识的知识库。 (b)利用知识解决问题的推理机。 大型专家系统的开发周期往往长达 10 余年，其主要原因在于知识获取。领域专家虽然能够很好地解决问题，却往往说不清自己是怎么解决的，使用了哪些知识。这使得负责收集专家知识的知识工程师很难有效地完成知识获取任务。这种状况极大的激发了自动 知识获取-机器学习研究的深入发展。已经得到较多研究的机器学习方法包括：归纳学习、类比学习、解释学习、强化学习和进化学习等等。机器学习的研究目标是：让机器从自己或“别人”的问题求解经验中获取相关的知识和技能，从而提高解决问题的能力。8
