1、1,2,第1章 人工智能概述 1.1 什么是人工智能 1.2 人工智能的研究意義、目標和策略 1.3 人工智能的學科范疇 1.4 人工智能的研究途徑與方法 1.5 人工智能的分支領域與研究方向 1.6 人工智能的基本技術 1.7 人工智能的發(fā)展概況,3,1.1 什么是人工智能 人工智能（Artificial Intelligence”，AI） 1.1.1 人工智能概念的一般描述 部分學者對人工智能概念的描述： 人工智能是那些與人的思維相關的活動，諸如決策、問題求解和學習等的自動化（Bellman, 1978）； 人工智能是一種計算機能夠思維，使機器具有智力的激動人心的新嘗試（Haugeland

2、, 1985）； 人工智能是研究如何讓計算機做現(xiàn)階段只有人才能做得好的事情（Rich Knight,1991）；, 人工智能是那些使知覺、推理和行為成為可能的計算的研究（Winston, 1992）； 廣義地講，人工智能是關于人造物的智能行為，而智能行為包括知覺、推理、學習、交流和在復雜環(huán)境中的行為（Nilsson，1998）。 Stuart Russell和Peter Norvig則把已有的一些人工智能定義分為4類：像人一樣思考的系統(tǒng)、像人一樣行動的系統(tǒng)、理性地思考的系統(tǒng)、理性地行動的系統(tǒng)（2003）。,5,1.1.2 圖靈測試和中文屋子 圖靈測試”（Turing Test）,數(shù)學家阿蘭圖靈

3、設計出的一個智能測試，將被提問的一個人和一臺計算機分別隔離在兩間屋子，讓提問者用人和計算機都能接受的方式來進行問答測試。如果提問者分不清回答者是人還是機器，那就證明計算機已具備人的智能。,6,弱人工智能和強人工智能 哲學家將人工智能的觀點分為兩類，弱人工智能和強人工智能，分別認為機器智能只是一種模擬智能和機器確實可以有真正的智能。 兩種觀點進行了爭論，出現(xiàn)了不少巧妙的假想實驗，其中中文屋子就是反駁強人工智能的一個有名的假想實驗。,7,中文屋子,1980年，哲學家西爾勒提出了名為“中文屋子”的假想實驗，模擬圖靈測試，用以反駁強人工智能觀點。主要說明某臺計算機即使通過了圖靈測試，能正確的回答問題，

4、它對問題仍然沒有任何理解，因此不具備真正的智能。 西爾勒假設：西爾勒博士（扮演計算機中的CPU）在一個封閉的房子里，有輸入和輸出縫隙與外部相通。輸入的是中文問題，而他對中文一竅不通。房子內(nèi)有一本英語的指令手冊（相當于程序），從中可以找到相應的規(guī)則。他按照規(guī)則辦事，把作為答案的中文符號寫在紙（相當于存儲器）上，并輸出到屋子外面。這樣，看起來他能處理輸入的中文問題，并給出正確答案（如同一臺計算機通過了圖靈測試）。但是，他對那些問題毫無理解，不理解其中的任何一個詞！,8,約翰.西爾勒(John Searle)的 “中文屋子”,9,1.1.3 腦智能和群智能 腦（主要指人腦）的宏觀心理層次的智能表現(xiàn)稱

5、為腦智能（Brain Intelligence, BI）。 由群體行為所表現(xiàn)出的智能稱為群智能（Swarm Intelligence, SI）。 腦智能和群智能是屬于不同層次的智能： 腦智能是一種個體智能（Individual Intelligence, II）； 群智能是一種社會智能（Social Intelligence, SI）， 或者說系統(tǒng)智能（System Intelligence, SI）。,10,1.1.4 符號智能和計算智能 1. 符號智能 符號智能就是符號人工智能，它是模擬腦智能的人工智能，也就是所說的傳統(tǒng)人工智能或經(jīng)典人工智能。符號智能以符號形式的知識和信息為基礎，主要通過

6、邏輯推理，運用知識進行問題求解。 符號智能的主要內(nèi)容包括知識獲?。╧nowledge acquisition）、知識表示（knowledge representation）、知識組織與管理和知識運用等技術（這些構(gòu)成了所謂的知識工程（Knowledge Engineering, KE）以及基于知識的智能系統(tǒng)等。,11,2. 計算智能 計算智能就是計算人工智能，它是模擬群智能的人工智能。計算智能以數(shù)值數(shù)據(jù)為基礎，主要通過數(shù)值計算，運用算法進行問題求解。 計算智能的主要內(nèi)容包括： 神經(jīng)計算（Neural Computation， NC）、 進化計算（亦稱演化計算，Evolutionary Compu

7、tation，EC，包括: 遺傳算法（Genetic Algorithm，GA）、 進化規(guī)劃（Evolutionary Planning，EP）、 進化策略（Evolutionary Strategies，ES）等）、 免疫計算（immune computation）、 粒群計算（Particle Swarm Algorithm，PSA）、 蟻群算法（Ant Colony Algorithm，ACA）、 自然計算（Natural Computation，NC）以及 人工生命（Artificial Life，AL）等。,12,1.2 人工智能的研究意義、目標和策略,1.2.1 為什么要研究人工智

8、能 使當前的電腦更好用，更有用，以擴大和延伸人類智能； 信息化社會的迫切要求； 自動化發(fā)展的必然趨勢； 有益于探索人類自身智能的奧秘。,13,1.2.2 人工智能的研究目標和策略 研究目標就是制造智能機器和智能系統(tǒng)(遠期目標)，實現(xiàn)智能化社會。具體來講，就是要使計算機不僅具有腦智能和群智能，還要具有看、聽、說、寫等感知和交流能力。 研究策略則是先部分地或某種程度地實現(xiàn)機器的智能(近期目標) ，并運用智能技術解決各種實際問題特別是工程問題，從而使現(xiàn)有的計算機更靈活、更好用和更有用，成為人類的智能化信息處理工具，而逐步擴展和不斷延伸人的智能，逐步實現(xiàn)智能化。,14,1.3 人工智能的學科范疇,人工

9、智能已構(gòu)成信息技術領域的一個重要學科。當前的人工智能既屬于計算機科學技術的一個前沿領域，也屬于信息處理和自動化技術的一個前沿領域。還涉及到智能科學、認知科學、心理科學、腦及神經(jīng)科學、生命科學、語言學、邏輯學、行為科學、教育科學、系統(tǒng)科學、數(shù)理科學以及控制論、科學方法論、哲學甚至經(jīng)濟學等眾多學科領域。人工智能實際上是一門綜合性的交叉學科和邊緣學科。,15,1.4 人工智能的研究途徑與方法,1.4.1 結(jié)構(gòu)模擬，神經(jīng)計算 結(jié)構(gòu)模擬：根據(jù)人腦的生理結(jié)構(gòu)和工作機理，實現(xiàn)計算機的智能，即人工智能。 目前的結(jié)構(gòu)模擬只是對人腦的局部和近似模擬。具體來講就是用人工神經(jīng)元（神經(jīng)細胞）組成的人工神經(jīng)網(wǎng)絡來作為信息

10、和知識的載體，用神經(jīng)計算的方法實現(xiàn)學習、聯(lián)想、識別和推理等功能，從而模擬人腦的智能行為。 結(jié)構(gòu)模擬法也就是基于人腦的生理模型，采用數(shù)值計算的方法，從微觀上來模擬人腦，實現(xiàn)機器智能。這種方法一班是通過神經(jīng)網(wǎng)絡的“自學習”獲得知識，再利用知識解決問題。,16,1.4.2 功能模擬，符號推演 功能模擬：在當前的計算機上，對人腦從功能上進行模擬，實現(xiàn)人工智能。稱為功能模擬法。 具體的說，功能模擬法就是以人腦的心理模型，將問題或知識表示成某種邏輯網(wǎng)絡，采用符號來推演的方法，實現(xiàn)搜索、推理、學習等功能，從宏觀上來模擬人腦的思維，實現(xiàn)機器智能。 這種方法一般是利用顯式的知識(庫)和推理(機)來解決問題的。擅

11、長模擬人腦的邏輯思維，便于實現(xiàn)人腦的高級認知功能，如推理、決策等。,17,使用功能模擬方法的原因： 一方面是由于至今人們對大腦的生理結(jié)構(gòu)和工作機理還沒有完全弄清楚； 另一方面由于以下原因： (1)當前的數(shù)字計算機可以方便地實現(xiàn)高速的符號處理 (2)功能模擬方法可以顯示地表示知識，容易表達人的心理模型 (3)智能行為也并非僅神經(jīng)網(wǎng)絡那樣的結(jié)構(gòu)形式所獨有,18,1.4.3 行為模擬，控制進化 基于感知行為模型的研究途徑和方法，稱其為行為模擬法。 模擬人在控制過程中的智能活動和行為特性，如自尋優(yōu)、自適應、自學習、自組織等，來研究和實現(xiàn)人工智能。,19,1.5 人工智能的分支領域與研究方向,從模擬的層

12、次和所用的方法來看，人工智能可分為符號智能和計算智能兩大主要分支領域。而這兩大領域各自又有一些子領域和研究方向。如符號智能中又有圖搜索、自動推理、不確定性推理、知識工程、符號學習等。計算智能中又有神經(jīng)計算、進化計算、免疫計算、蟻群計算、粒群計算、自然計算等。另外，智能Agent也是人工智能的一個新興的重要領域。智能Agent或者說Agent智能則是以符號智能和計算智能為基礎的更高一級的人工智能。 從模擬的腦智能或腦功能來看，AI中有機器學習、機器感知、機器聯(lián)想、機器推理、機器行為等分支領域。而機器學習又可分為符號學習、連接學習、統(tǒng)計學習等許多研究領域和方向。機器感知又可分為計算機視覺、計算機聽

13、覺、模式識別、圖像識別與理解、語音識別、自然語言處理等領域和方向。,20,從應用角度看，AI中有難題求解等數(shù)十種分支領域和研究方向。 從系統(tǒng)角度看，有智能計算機系統(tǒng)和智能應用系統(tǒng)兩大類。智能計算機系統(tǒng)又可分為：智能硬件平臺、智能操作系統(tǒng)、智能網(wǎng)絡系統(tǒng)等。智能應用系統(tǒng)又可分為：基于知識的智能系統(tǒng)、基于算法的智能系統(tǒng)和兼有知識和算法的智能系統(tǒng)等。另外，還有分布式人工智能系統(tǒng)。 從基礎理論看，AI中有數(shù)理邏輯和多種非標準邏輯、圖論、人工神經(jīng)網(wǎng)絡、模糊集、粗糙集、概率統(tǒng)計（貝葉斯統(tǒng)計決策理論）和貝葉斯網(wǎng)絡、統(tǒng)計學習理論與支持向量機、形式語言與自動機等領域和方向。,21,1.5.1 基于腦功能模擬的領域

14、劃分 1、機器感知（信息輸入）。使計算機具有類似于人的感知能力，能通過“感知”直接從外界獲取信息。 可分為機器視覺、機器聽覺等分支課題。 相關學科：模式識別（主要集中于圖形識別和語音識別）。 2、機器聯(lián)想?；趦?nèi)容的聯(lián)想，與具體存儲位置無關。聯(lián)想存儲技術實現(xiàn)聯(lián)想。,22,3、機器推理。又稱為計算機推理、自動推理，是人工智能的核心課題之一。 方法：自然演繹推理、歸結(jié)演繹推理、基于非經(jīng)典邏輯的推理。 4、機器學習。機器自己獲取知識。 對書本知識的學習、對客觀規(guī)律的發(fā)現(xiàn)、對自身行為的修正。 機器學習分為類： 學習方法分類：機械學習、指導學習、解釋學習、類比學習、示例學習、發(fā)現(xiàn)學習等。這些屬于符號學習

15、。 按實現(xiàn)途徑分類：符號學習、神經(jīng)網(wǎng)絡學習（連接學習）。,23,5、機器理解。包括圖形理解（物景分析）、自然語言理解。 從微觀上講理解是從自然語言到機器內(nèi)部表示的一種映射；從宏觀上講理解是能夠完成我們所希望的一些功能。 理解是感知的延伸和深化，是對本質(zhì)和意義的感知。 6、機器行為（信息輸出）。計算機的表達能力及類似于人四肢的功能，能走路、取物、操作等。 主要指機器人行動規(guī)劃。,24,1.5.2 基于實現(xiàn)技術的領域劃分,1.知識工程與符號智能 以符號知識為基礎，通過符號推理進行問題求解而實現(xiàn)的智能。即傳統(tǒng)人工智能。內(nèi)容主要包括知識工程和符號處理技術。 2.計算智能 以數(shù)據(jù)為基礎，通過數(shù)值計算進行

16、問題求解而實現(xiàn)的智能。內(nèi)容主要包括神經(jīng)網(wǎng)絡、進化計算、模糊技術、人工生命等。,25,1.5.3 基于應用領域的領域劃分,1、難題求解。路徑規(guī)劃、組合優(yōu)化、博弈等難題求解。NP(Nondeterministic Polynomial) 和NPC問題。難題求解技術能促進人工智能其他領域的發(fā)展。 2、自動規(guī)劃、調(diào)度與配置 3、自動定理證明。即機器定理證明。,26,4、自動程序設計。自動程序綜合和自動程序驗證。 5、自動翻譯。機器翻譯。自然語言理解。 6、智能控制。自動控制與人工智能的結(jié)合。專家智能控制、模糊控制、神經(jīng)控制。 7、智能管理。人工智能與管理科學、系統(tǒng)工程和計算機技術等多學科的結(jié)合。 8、

17、智能決策。人工智能應用于決策支持系統(tǒng)。,27,9、智能通訊。在通訊的各個環(huán)節(jié)和層次上實現(xiàn)智能化。如網(wǎng)控、轉(zhuǎn)接、信息轉(zhuǎn)換等。使通訊網(wǎng)隨時運行于最佳狀態(tài)。 10、智能仿真。仿真是在三種類型知識-描述性知識、目的性知識和處理知識的基礎上產(chǎn)生另一種形式的知識-結(jié)論性知識。 11、智能CAD。人工智能應用于CAD的設計自動化、智能交互、智能圖形學、自動數(shù)據(jù)采集方面。,28,12、智能CAI。人工智能應用于CAI： 自動生成各種問題與練習、自動選擇與調(diào)整教學內(nèi)容和進度、自動生成答案、自然語言理解能力、不斷改善教學策略。 13、機器人學。智能機器人。是人工智能的實驗場。 14 模式識別 15 數(shù)據(jù)挖掘與數(shù)據(jù)

18、庫中的知識發(fā)現(xiàn) 16 計算機輔助創(chuàng)新 17 計算機文藝創(chuàng)作 18 機器博弈 19 智能機器人,29,1.5.4 基于應用系統(tǒng)的領域劃分,1、專家系統(tǒng)。基于人類專家知識的程序系統(tǒng)。能模擬專家的思維方式。 2、知識庫系統(tǒng)。 3、智能數(shù)據(jù)庫系統(tǒng)。傳統(tǒng)數(shù)據(jù)庫系統(tǒng)+人工智能。 4、智能機器人系統(tǒng)。具備感知、思維、人-機通訊和運動能力。,30,1.5.5 基于計算機系統(tǒng)結(jié)構(gòu)的領域劃分,1、智能操作系統(tǒng)。并行、分布和智能性。 2、智能多媒體系統(tǒng)。人工智能與多媒體技術的有機結(jié)合。 3、智能計算機系統(tǒng)。 4、智能網(wǎng)絡系統(tǒng)。AI的模糊技術和神經(jīng)網(wǎng)絡技術應用于網(wǎng)絡的業(yè)務量預測和控制、資源動態(tài)分配、動態(tài)路由選擇等方面

19、。,31,1.5.6 基于實現(xiàn)工具與環(huán)境的領域劃分,1、智能軟件工具。人工智能程序設計語言，如表處理語言LISP、邏輯程序設計語言PROLOG、面向?qū)ο蟪绦蛟O計語言Smalltalk等。知識表示語言FRL、OPS5。專家系統(tǒng)工具、知識工程工具等。 2、智能硬件平臺。直接支持智能系統(tǒng)開發(fā)和運行的機器硬件。,32,1.6 人工智能的基本技術,1 推理技術。推理是智能的核心。推理以邏輯為基礎?；谥^詞邏輯的自然演繹推理和歸結(jié)反演推理?；诜菢藴蔬壿嬋缍嘀颠壿?、模態(tài)邏輯、時態(tài)邏輯、模糊邏輯、非單調(diào)邏輯的推理。 2 搜索技術。許多智能活動的過程，都可以看作或抽象為一個“問題求解”過程?！皢栴}求解”就是在

20、問題空間中進行搜索的過程。盲目搜索、啟發(fā)式搜索。神經(jīng)網(wǎng)絡搜索。,33,3 知識表示與知識庫技術。知識表示是指知識在計算機中的表示方式。知識表示要符合知識的邏輯結(jié)構(gòu)和物理結(jié)構(gòu)，并適合于計算機存儲和處理。知識庫由知識構(gòu)成。知識的組織、管理、維護和優(yōu)化。 4 歸納技術。機器自動提取概念、獲取知識、發(fā)現(xiàn)規(guī)律的技術。歸納技術與知識獲取和機器學習密切相關?；诜柼幚淼臍w納和基于神經(jīng)網(wǎng)絡的歸納。數(shù)據(jù)庫知識發(fā)現(xiàn)（KDD) 和數(shù)據(jù)挖掘(Data Mining)技術。 5 聯(lián)想技術。聯(lián)想記憶，聯(lián)想存儲。,34,1.7 人工智能學科的發(fā)展概況,孕育期（1956年之前） 1、公元前，Aristotle提出形式邏輯的

21、一些主要定律，三段論至今仍是演繹推理的基本依據(jù)。 2、培根（1561-1626）曾系統(tǒng)地提出了歸納法。提 出“知識就是力量” 3、德國數(shù)學家Leibniz（1646-1716）提出了萬能符號和推理計算的思想，為數(shù)理邏輯的產(chǎn)生和發(fā)展奠定了基礎。,35,4、英國邏輯學家Boole（1815-1864）創(chuàng)立了布爾代數(shù)，在思維法則一書中首次用符號語言描述了思維活動的基本推理法則。 5、英國數(shù)學家Turing于1936年提出理想計算機的數(shù)學模型，即圖靈機。Turing測試。 6、1943年，McCulloch 和 Pitts提出M-P神經(jīng)元模型。 7、1946年，世界上第一臺電子計算機誕生。,36,1.

22、7.1 人工智能學科的產(chǎn)生,1956年夏季，McCarthy, Minsky, Lochester, Shannon, More, Samuel, Selfridge, Solomonff, Newell, Simon等十人在Dartmouth大學召開歷時兩個多月的研討會，討論機器智能的有關問題。由McCarthy提出“人工智能”一詞，人工智能從此成為一門學科。,37,1.7.2 符號主義AI發(fā)展概況,1、形成（1956-1965）（人工智能的推理期。結(jié)構(gòu)良好問題。搜索策略和算法） （1）1965年，Samuel的跳棋程序。 （2）定理證明方面，1956年Newell等的邏輯理論機 （LT）程

23、序；1958年，王浩的工作；1965年，Robinson提出的消解原理。 （3）模式識別方面，1959年Selfridge的模式識別程序；1965年Roberts編制了可以分辨積木構(gòu)造的程序。 （4）問題求解方面。1960年，Newell的通用問題求解(GPS)程序。 （5）1960年，McCarthy研制成功LISP語言。,38,2、人工智能的知識期（1965-70年代末） （1）專家系統(tǒng)方面。1965年，F(xiàn)eigenbaum的專家系統(tǒng)DENDRAL，1968年投入使用。DENDRAL對知識表示、存儲、獲取和推理的技術為以后的專家系統(tǒng)的建造樹立了榜樣，對AI的發(fā)展產(chǎn)生了深刻的影響。 之后著名

24、的專家系統(tǒng)有：醫(yī)學專家系統(tǒng)MYCIN，地質(zhì)勘探專家系統(tǒng)PROSPECTOR，計算機配置專家系統(tǒng)R1等。 （2）1969年，國際人工智能聯(lián)合會議(IJCAI)召開。1970年，“Artificial Intelligence”雜志創(chuàng)刊。 （3）1977年，F(xiàn)eigenbaum在第五屆國際人工智能會議上，提出了“知識過程”的概念。,39,3、發(fā)展期（20世紀80年代后） 專家系統(tǒng)與知識工程在理論、技術和應用方面都有長足的進步和發(fā)展。出現(xiàn)了多專家系統(tǒng)、大型專家系統(tǒng)、微專家系統(tǒng)、分布專家系統(tǒng)等。智能管理信息系統(tǒng)、智能決策支持系統(tǒng)、智能控制系統(tǒng)等。,40,1.7.3 連接主義途徑發(fā)展概況,1、1943年

25、，神經(jīng)生理學家McCulloch 和Pitts提出M-P神經(jīng)元模型。1944年，Hebb提出Hebb學習規(guī)則。 2、1957年，Rosenblatt提出Perceptron單層神經(jīng)網(wǎng)絡模型。1962年，Widrow提出自適應線性元件Adaline。應用于天氣預報、電子線路板分析、人工視覺等。 3、1969年，Minsky和Papert證明了單層人工神經(jīng)網(wǎng)絡無法實現(xiàn)一個簡單的異或邏輯函數(shù)XOR，把神經(jīng)網(wǎng)絡的研究帶入低谷。,41,4、在低谷期，Grossberg和Anderson等人仍堅持研究，取得了一些有價值的結(jié)果。 5、20世紀80年代中期以后，神經(jīng)網(wǎng)絡研究復蘇。1986年，Hopfield網(wǎng)

26、絡成功應用于TSP問題。1987年6月，第一屆國際神經(jīng)網(wǎng)絡大會（IJCNN）召開，盛況空前。目前，NN與專家系統(tǒng)、知識工程成為AI的兩個主流方向。NN在智能控制、信號處理、最優(yōu)化、知識工程等領域成功應用。,42,1.7.4 現(xiàn)狀與發(fā)展趨勢,1、傳統(tǒng)以符號處理為中心的人工智能與神經(jīng)網(wǎng)絡的結(jié)合。 2、新理論、新技術的出現(xiàn)。Fuzzy, Genetic Algorithm, Chaos, Artificial life, Soft Computing, Computational Intelligence, Rough set, Data Mining, Knowledge discovery in

27、 database, Data warehouse, Situated AI., Agent-based distributed AI 等。,43, 多種途徑齊頭并進，多種方法協(xié)作互補。 新思想、新技術不斷涌現(xiàn)，新領域、新方向 不斷開拓。 理論研究更加深入，應用研究愈加廣泛。 研究隊伍日益壯大，社會影響越來越大。,44,雖然在通向人工智能最終目標的道路上，還有不少困難、問題和挑戰(zhàn)，但前進和發(fā)展畢竟是大勢所趨。,45,智能交通,46,圖像識別系統(tǒng),47,云松 鑾仙玉骨寒， 松虬雪友繁。 大千收眼底， 斯調(diào)不同凡。,48,（無題） 白沙平舟夜?jié)暎?春日曉露路相逢。 朱樓寒雨離歌淚， 不堪腸斷雨乘

28、風。,49,Betrayal Dave Striver loved the university. He loved its ivy-covered clocktowers, its ancient and sturdy brick, and its sun-splashed verdant greens and eager youth. He also loved the fact that the university is free of the stark unforgiving trials of the business world - only this isnt a fact:

29、 Academia has its own tests, and some are as merciless as any in the marketplace. A prime example is the dissertation defense: To earn the PhD, to become a doctor, one must pass an oral examination on ones dissertation. This was a test Professor Edward Hart enjoyed giving. Dave wanted desperately to

30、 be a doctor. But he needed the signatures of three people on the first page of his dissertation, the priceless inscriptions that, together, would certify that he had passed his defense. One of the signatures had to come from Professor Hart, and Hart had often said - to others and to himself - that

31、he was honored to help Dave secure his well-earned dream.,50,Well before the defense, Striver gave Hart a penultimate copy of his thesis. Hart read it and told Dave that it was absolutely first rate, and that he would gladly sign it at the defense. They even shook hands in Harts book-lined office. D

32、ave noticed that Harts eyes were bright and trustful, and his bearing paternal. At the defense, Dave thought that he eloquently summarized chapter 3 of his dissertation. There were two questions, one from Professor Rodman and one from Dr. Teer; Dave answered both, apparently to everyones satisfaction. There were no further objections.,