人工智能论文——关于人工智能新突破

人工智能导论 学院:工程学院 班级:软件工程0901 学号:A07090311 姓名:张丹 - 1 - 人工智能技术新突破 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、智能计算机的发展 1.1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。”[3]1936 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。 1.2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。 二、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的突破和进展[10]。当对人工智能的研究由数据处理转入知识处理时,对归纳逻辑系统进行深入的研究就是必要的了,这是一个极有价值且极富挑战性和前沿性的研究课题。 三、结语 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。人工智能研究必须建立在归纳逻辑基础之上,从而达到多领域交叉合作来共同促进人工智能研究的广泛而深远的发展。我们现在所涉及的基于归纳逻辑的人工智能以及机器学习和归纳学习的系统研究还处于初级阶段。正如王雨田教授所说,在未来的计算机归纳学习或发现的研究中,将归纳逻辑的某些理论、方法或系统与机器学习、不确定性推理、神经网络中对归纳逻辑的研究适当“嫁接”起来,以改进并逐步革新现有的归纳学习系统,促使机器学习中归纳学习的基础理论形成,并进一步从事归纳发现与归纳学习的基础理论与系统的研究和开发,这是人工智能科学研究中的一项重大任务。