人工智能

[拼音]：rengong zhineng

[外文]：artificial intelligence

计算机科学的一个分支，研究如何让计算机去完成本来必须通过人的智力才能完成的工作。计算机在完成这类工作时，既可用类似于人脑组织功能的一些元件组成的脑模拟系统，也可以用和脑神经细胞功能完全不同的元件组成的系统去完成。在完成这类工作的步骤和方法上可以很像人解决同一问题的步骤和方法；也可以和人解决问题的方法完全无关。

根据代替人的智力的不同途径可把人工智能研究分成几个不同方向：

（1）主要研究神经元及神经网络对信息传输、处理、加工过程的模拟方法，包括数字模型和技术的模拟系统。这个领域中奠基性工作是W.S.麦卡洛克和W.皮茨于1943年完成的神经元的数学模型。他考虑了神经元的所谓“空间总和”和“阈值”的性质。以这个工作为起点，40多年来，已发表的神经元模型有100多种，从各个方面表现神经细胞的全或无、时空总和阈值、不应期、适应性及可塑性等特性。其中，如E.R.卡亚涅洛的神经方程式，它用数学方程式表现了神经细胞的学习、遗忘和遗传特性。50年代以后，从单个神经元的研究发展了神经网络模型的研究，这些网络模型对大脑皮层神经兴奋波的扩散与集中现象进行模拟。由一定网络测量到的“总兴奋”量和人脑电波极为相似。但在这类模型中真正具有一定智能的是F.罗森布拉特(1958)的感知机，它由3大部分组成:感受单元、联系单元和反应单元。感受单元是把外界环境中某一物理量变成相应的信号；联系单元是对感受单元来的信号进行加权总和及阈值运算；而反应单元则对结果进行分类显示。感知机研究在60年代初盛行于世。据估计，有上百个实验室和公司从事类似的工作，试制出MarkⅠ、MarkⅡ等实际装置，试图用这类装置来识别图形、文字，区别语言、声音，进行学习和记忆等。但因没有导致有实用价值的成果，故70年代后进入低潮。与此类似的机器还有自适应神经元、多层自适应神经元、“学习矩阵”等，它们具有较高的对输入模型进行分类的能力。另外一种学习机器，是由多层细胞间的连结以自成长的方式最后形成，经过学习之后，这种机器的最后一层的每一个细胞能对应一个特定的输入图形。

（2）是由心理学家和计算机科学家联合起来不从神经元、神经网络的功能模拟入手，而是从客观的、心理学的角度来总结人脑思维活动的规律，然后由计算机来模拟或计算机通过其他途径来实现这些规律。在人工智能的研究中，真正得到较大发展和取得实际成果的是这一类研究工作。例如，用实验心理学的方法对人脑演绎推理过程的特点进行研究，把人在这个过程中的思维规律，所采取的策略、技巧、窍门或简化步骤编进计算机程序，这就是所谓启发式程序。如纽沃尔等人证明数学定理的程序，把人在证明定理时所用的分解法、代入法、替换法等作为推理法则编入程序，也就是说，先在机器的记忆系统中存贮一些公理，再给它一些推理规则，然后让机器去探索解题的方法。纽沃尔等人于1956年研究成功的程序，可以证明《数学原理》第二章的全部52个定理。在这以后，又出现了一些解不定积分和解三角、代数问题的程序。此后，纽沃尔等人又通过心理学的实验，发现人在解题过程中的共同思维活动，就大的方面说可归结为3个阶段:第一，想出大致的“解题计划”;第二，根据记忆的理论和推理规则“组织解题”；第三，进行方法和目的的分析。这样的思维活动不但在解数学题时存在，在解决其他问题时也存在。他们根据这种想法，在 1960年编制了“通用解题程序”(GPS)。这种程序可以解十几种性质不同的问题，使启发式程序有了较大的普遍性。

（3）不拘泥于人脑思维活动方式而只需让机器完成预定的任务。如，60年代以来制出的各种类型的专家咨询系统就属此类研究的成果。专家咨询系统是一个计算机系统，事先将有关专家的知识总结成一些规则，以适当的形式存入计算机，即建立起知识库。基于这样的知识库，采用合适的产生式系统，对输入的原始数据进行推理、演绎，做出判断和决策，起到替代专家的作用。这一类系统已在化学、医学、气象、军事等方面应用。如美国斯坦福大学人工智能实验室编制的 DENDRAL系统事先存入了化学家们由分子式及质谱图得出分子结构的规则，只要输入某有机化合物的分子式及质谱图，就可按程序运算，确定该有机化合物的分子结构。该系统的判断能力，往往超过年轻的博士。1977年，有人设计了一个标为MYCIN的医疗诊断系统，用于解决使用抗生素来处理血液细菌感染的患者问题。MYCIN系统可以用英语直接和查询的内科医生对话，回答有关问题，并吸收新的知识。艾金斯(1979)在 MYCIN系统的基础上建立一个称之为Contaur的系统，是一个肺部疾病的诊断系统。向系统输入肺部的测试结果，就可输出关于各项测试功能的解释及肺疾病的诊断结果。加兴(1979)报告的Prospector系统，是一个用于地质学的专家系统。80年代，中国人工智能学会医药学信息处理学会和中国计算机技术服务公司负责总成的医院用计算机系统HCS-1中，包括了一些医学诊断的专家系统。在这些系统中，医生的经验以产生式规则的形式加以贮存。当系统输入病人的数据后，可利用这些规则推理，并输出对病人的诊断及处方等。有些程序还能根据不断运行的结果自动调整参数，即“机器”具有“自学习”的性质。

除上述外，一般把模式识别（包括声音识别）在内的一部分研究也归入人工智能的范畴。持这种观点的原因是因为对人来说，图形（或景物）与声音（特别是语言）的识别，不仅仅是一个视觉或听觉的问题，更重要的是一个理解和解释的问题。如乔姆斯基的“短句结构文法”和“转换文法”计算机就在图形识别中模拟了人的“语言学途径”。由于人们识别图形时，不仅要能辨认出某些特征是否存在，而且要看特征之间的关系，即图形的结构。正如一句话中字与字之间的关系那样，特征相同而关系不同，图形也就不同。例如，圆和方形为两个特征，“圆在方形之中”和“方形在圆之中”是很不相同的图形。这种方法用于图形识别就是用简单的元素和文法规则描述大量复杂的图形，并试图在认识文字、染色体、粒子径迹、指纹等方面得到应用。在自然语言理解方面，首先应用乔姆斯基文法在计算机上进行自然语言问答的，是让计算机回答棒球比赛情况的实验，或回答亲属关系的实验。70年代，有人理解自然语言的程序，就不象以前的许多程序那样，先对句子作语法分析，再用语义规则给予适当的意义，而是语法、语义和推理规则相互交织地应用。有人编制的程序所控制的机器人表现出对语言有较高的理解能力。图形识别及自然语言的识别，一方面应用在改善计算机系统的输入手段方面，另一方面随着机器人理论及实践研究的进一步发展，在使机器人系统能具有更完善的功能方面将有更重要的意义。现在的机器人已能接受人的口令，与人进行简单的对话，还可在变化的环境中改变自己的行为以达到预期的目的。

当今人工智能的核心问题可归纳为如下三个方面：

（1）关于知识的获取。从知识的角度看，智能就是获取和利用知识的过程，因此，如何形成知识和建立知识库是人工智能的核心问题；

（2）知识的形式化问题；

（3）研究问题求解的各种最佳策略（以提高求解问题的速度）。

人工智能的历史如果从W.S.麦卡洛克(1943)的工作算起，则已有40多年；如果从纽沃尔1956年的工作算起，则是30多年了。从人工智能的目的──研究用机器完成各种智能的工作及其反过程，即由这些研究进一步阐明脑活动的各种机制来看，目前所取得的成绩还是很小的，距离它的真正目的还有漫长的路途。从历史发展的角度来看，就象蒸汽和电力的机器逐步替代人类重复性体力劳动那样，由计算机代替人类重复性脑力劳动的趋势已越来越明显了，而且人类研究认识自然的对象已开始转向人类思维的器官──脑，这无疑是认识上的巨大飞跃。