| 人工智能的研究領域分支較多，從研究角度來分有三大分支：知識工程(knowledge engineering)、模式識別(pattern recognition)與機器人學(robotoligy)。這里僅擇其中幾種研究領域進行粗略的介紹。 專家系統(tǒng) 1977 年費根鮑姆提出“知識工程”，把實用的人工智能稱為知識工程，標志著人工智能研究進入實際應用的階段。他開發(fā)出了第一個“專家系統(tǒng)”(expert systems)，認為“專家系統(tǒng)是一種智能的計算機程序，它運用知識和推理步驟來解決只有專家才能解決的復雜問題”。專家系統(tǒng)是指利用研究領域的專業(yè)知 識進行推論，在解決專業(yè)的高級問題方面具有和專家相同能力的解決系統(tǒng)，屬于人工智能的應用領域。目前，這一領域發(fā)展較快，應用也較廣，已開發(fā)出不少有實際 價值的專家系統(tǒng)． 與 傳統(tǒng)的計算機程序相比，專家系統(tǒng)是以知識為中心，注重知識本身而不是確定的算法．專家系統(tǒng)所要解決的是復雜而專門的問題，對這些問題人們還沒有精確的描述 和嚴格的分析，因而一般沒有解法，而且經(jīng)常要在不確定或不精確的信息基礎上做出判斷，需要專家的理論知識和實際經(jīng)驗。標準的計算機程序能精確地區(qū)分出每一 任務應該如何完成，而專家系統(tǒng)則是告訴計算機做什么，而不區(qū)分出如何完成，這是兩者最大的區(qū)別。另外，專家系統(tǒng)突出了知識的價值，大大減少了知識傳授和應 用的代價，使專家的知識迅速變成社會的財富。再者，專家系統(tǒng)采用的是人工智能的原理和技術，如符號表示、符號推理、啟發(fā)式搜索等等，與一般的數(shù)據(jù)處理系統(tǒng) 不同。 60 年代末，以猜測為基礎的第一個專家系統(tǒng)Dendral是由費根鮑姆和萊登伯格在斯坦福大學共同設計的，當時用于分析化合物的化學結構。這一系統(tǒng)至今仍被有 機化學家經(jīng)常使用。70年代中期，肖特列夫開發(fā)了Mycin這一專家系統(tǒng)，它是針對傳染性血液病的診斷和治療開發(fā)的。把患者的病狀輸入后，經(jīng)過Mycin 推理，最終由計算機開出處方來。據(jù)檢測，Mycin的能力通常并不比專門的醫(yī)生遜色。但它沒敢投入實際使用，只是在培養(yǎng)醫(yī)生的學校當作教材在使用。還有由 斯坦福研究所美國地質調查國際組織開發(fā)的“探礦人”(Prospector)專家系統(tǒng)，波音公司的專家系統(tǒng)可輔助工程師更快地設計飛機等等。 從 不同角度，專家系統(tǒng)也可分為多種類型。從其完成的功能來分，可包括診斷、解釋、修理、規(guī)劃、設計、監(jiān)督、控制等多種類型，這些功能又可分為兩大類：分析型 和綜合型。分析型專家系統(tǒng)所要解決的問題有明確的、有限個數(shù)的解，系統(tǒng)的任務在于根據(jù)實際的情況選擇其中一種或幾種解。綜合型專家系統(tǒng)的任務是根據(jù)實際的 需要構造問題的解，包括設計、規(guī)劃等問題。此外，也可根據(jù)知識的特征和推理的類型對專家系統(tǒng)進行分類。 專家系統(tǒng)在各個領域的應用已經(jīng)產生了很可觀的經(jīng)濟效益，這從另一方面促進了對專家系統(tǒng)的理論和技術方面的研究。 開發(fā)專家系統(tǒng)的關鍵是如何獲取知識，如何表示、運用人類專家的知識，這方面的研究也就成了重點。對這一點，范倫特(K．Vanlent，1987)作了充分說明： “我們應該去建構一個專家系統(tǒng)，去模擬專家的問題解決。專家行為，不管是由人或機器產生，都是他(它)的知識產物，但是，用什么能解釋知識呢?盡管可以用不同的方式進行測量或限定，但對專家知識的形式和內容的最終解釋，是人用來獲取知識的學習過程。實際上，對于專家問題解決，學習理論可能是唯一足夠科學的理論。” 自然語言處理 自 然語言處理是人工智能早期的研究領域之一，也是一個極為重要的領域，主要包括人機對話和機器翻譯兩大任務，是一門融語言學、計算機科學、數(shù)學于一體的科 學。由于以喬姆斯基為代表的新一代語言學派的貢獻和計算機技術的發(fā)展，自然語言理解正在變得越來越熱門．有很多理由值得人們去研究如何使計算機程序能以某 種方式使用自然語言的問題?？谡Z是人們進行交際的自然形式，計算機用戶希望能與機器對話交流。自然語言輸入可以表示成口語，也能從鍵盤上打入，以文體的形 式給出。 最早的自然語言理解方面的研究工作是機器翻譯。1949 年，美國人威弗首先提出了機器翻譯設計方案。20世紀60年代，國外對機器翻譯曾有大規(guī)模的研究工作，耗費了巨額費用，但人們當時顯然是低估了自然語言的 復雜性，語言處理的理論和技術均不成熱，所以進展不大。主要的做法是存儲兩種語言的單詞、短語對應譯法的大辭典，翻譯時一一對應，技術上只是調整語言的同 條順序。但日常生活中語言的翻譯遠不是如此簡單，很多時候還要參考某句話前后的意思。 例如，英語的一句話：Stay away from the bank． 由于bank有銀行和河堤兩個意思，因此上面這句活應該翻譯成“不要靠近那家銀行”呢?還是“不要靠近河堤”呢?顯然，光翻譯這句話本身不看背景場合，不能保證翻譯的正確，需要上下文聯(lián)系起來才能正確翻譯，這就是技術難度高之所在。 從20 世紀70年代末期，隨著機器翻譯理論和計算機技術的進步，機器翻譯有很大的進展。一種常見的做法是將語言的翻譯分為“原語言的理解”和“所理解的語言表達 成目的語言”兩個子過程。這樣就需要—種中間語言，只要做好原語言到中間語言以及中間語言到目的語言的轉換程序，就可完成翻譯。這種辦法還容易實現(xiàn)—種語 言到多種語言的翻譯系統(tǒng)。到現(xiàn)在為止，西語系的一些語言(例如法語、英語)之間的互譯技術已經(jīng)比較成熟，雙向翻譯輔助系統(tǒng)準確性比較高，不過，翻譯完后， 還要對譯文稍作修改。1995年，松下公司試制成功一種可進行日英文對譯的可視電話，引起了人們的廣泛興趣。該系統(tǒng)由計算機語音識別、聲音合成和可視電話 通信三個子系統(tǒng)組成，使用者可以用各自的語言進行交談，通過分析語音波形的變化，該系統(tǒng)可從3000個例句中選擇出語意最接近的單詞，其識別率達到 98％。據(jù)稱，只要備有專用詞典，就可以用它來流利地進行會話。對于我們每天使用的漢語，總的來說，與其他語言的互譯水平還不太高，其中與英語的互譯水平 稍微高—些，市面上已有多種翻譯軟件出售。主要是我們對漢語的形式化研究還不夠，特別是漢語與西方語言不是一個語系，翻譯起來難度較大?？傊?，要真正建立 一個能夠生成和理解自然語言的計算機處理系統(tǒng)是相當困難的。因為，語言的生成和理解是一個極為復雜的編碼和解碼過程，一個能理解用自然語言來表達信息的計 算機系繞，就應像人那樣，不僅需要掌握上下文知識和語境等有關信息，而且還要能夠利用這些知識進行推理，人具備大量的經(jīng)驗以及擁有自己的觀點和對世界的看 法，而現(xiàn)在的機器還做不到這一點。機器翻譯離達到“自然的理解和表達”這個最終目標還有相當大的距離。 目前所能做到的仍然是人工輔助型的翻譯系統(tǒng)，即靠人對翻譯的結果進行修正，來獲得自然的翻譯。 推理 人 類智力的優(yōu)越性表現(xiàn)在人能思維、判斷和決策。思維是人類在感性認識的基礎上形成的理性認識，是通過分析和綜合過程來實現(xiàn)的，而人類思維中的分析綜合過程則 產生了質變，在一般的分析和綜合基礎上，產生了抽象和概括，比較和分類、系統(tǒng)化和具體化等一系列新的、高級的、復雜的思維能力，在頭腦中運用概念作出判斷 和推理。要使機器具有智能，就必須使其具有推理的功能。推理是由一個或幾個判斷推出另一個判斷的一種思維形式，也即從已有事實推出新的事實的過程。在形式 邏輯中，推理由前提(已知判斷)、結論(被推出的判斷)和推理形式(前提和結論之間的聯(lián)系方式)組成。 人類之所以能高效率地解決一些復雜的問題，這除了擁有大量的專門知識外，還由于人具有合理選擇知識和運用知識的能力，也即推理能力和推理策略。以符號邏輯為基礎的人工智能，是以邏輯思維和推理為主要內容的。傳統(tǒng)的形式化推理技術，是以經(jīng)典的謂詞邏輯也即演繹推理為基礎，廣泛應用于早期的問題求解和定理證明中，但隨著人工智能研究的不斷深入，人們在研究中碰到的許多復雜問題不能用嚴格的演繹推理來解決，因而對非單調邏輯推理等方式的研究正迅速發(fā)展起來，已成為人工智能的重要研究內容之一． 感知問題 感知問題是人工智能的一個經(jīng)典研究課題，涉及神經(jīng)生理學、視覺心理學、物理學、化學等學科領域，具體包括計算機視覺和聲音處理等。計算機視覺研究的是，如何對由視覺傳感器(如 攝像機)獲得的外部世界的景物和信息進行分析和理解，也就是說如何使計算機“看見”周圍的東西。聲音處理則是研究如何使計算機“聽見”講話的聲音，對語音 信息等進行分析和理解。感知問題的關鍵是必須把數(shù)量巨大的感知數(shù)據(jù)以一種易于處理的精練的方式，進行簡練、有效的表征和描述。 對計算機視覺做出卓越貢獻的是馬爾(D． Marr)教授，他認為視覺是一個復雜的信息處理過程，并有不同的信息表達方式和不同層次的處理過程，而最終的目的是實現(xiàn)計算機對外部世界的描述。由此， 他提出了三十層次的研究方法，包括計算理論、算法和硬件實現(xiàn)。他的理論奠定了計算機視覺研究的理論基礎，并明確指出了研究內容和研究目標．目前，計算機視 覺已在圖像處理、立體與運動視覺、三維物體建模和識別等方面取得了很大的進展，但離建構一個實用的計算機視覺系統(tǒng)還有很大的距離。 在2002年歲末，有關“智能人機交互”領域的重要研究內容之一“面像識別技術”在我國取得了突破性進展，其穩(wěn)定性、識別率等都達到了國際先進水平，初步達到了實用階段。面像識別技術使計算機“人性化”、“智能化”的水平大大提高。 探索 在 下棋或思考問題或尋求迷宮出口時，人們總要探索解決問題的原理，這就需要對之進行專門的研究。探索是人工智能研究的核心內容之一。早期的人工智能研究成果 如通用問題求解系統(tǒng)、幾何定理證明、博弈等都是圍繞著如何進行有效的搜索，以獲得滿意的問題求解。探索是人工智能研究和應用的基本技術領域。 人 工智能中的問題求解和通常的數(shù)值計算不同。人工智能的問題求解首先對一個給定的問題進行描述，然后通過搜索推理以求得問題的解，而數(shù)值計算是通過程序設計 的算法來實現(xiàn)數(shù)值的運算。人工智能問題求解的過程就是狀態(tài)空間中從初始狀態(tài)到目標狀態(tài)的探索推理的過程。探索的主要任務是確定如何選出一個合適的操作規(guī) 則。探索有兩種基本方式，一種是盲目探索，即不考慮給定問題的具體知識，而根據(jù)事先確定的某種固定順序來調用操作規(guī)則。盲目探索技術主要有深度優(yōu)先搜索、 廣度優(yōu)先搜索；另一種是啟發(fā)式搜索，考慮問題可應用的知識，動態(tài)地優(yōu)先調用操作規(guī)則，探索就會變得更快。 探 索技術中重點是啟發(fā)式搜索。一般地，對給定的問題有很多不同的表示方法，但它們對問題求解具有不同的效率。在許多的問題求解中，有很多與問題有關的信息可 利用，使整個問題解決過程加快，這類與問題有關的信息稱為啟發(fā)信息，而利用啟發(fā)信息的探索就是啟發(fā)式探索。啟發(fā)式探索利用啟發(fā)信息評估解題路徑中有希望的 節(jié)點進行排序，優(yōu)先擴展最有希望的節(jié)點，以實現(xiàn)問題解決的最佳方案。 博弈 博弈，指賭博的學說，對抗的學問，起源于下棋。讓計算機學會下棋是人們使機器具有智能的最早嘗試。早在1956 年，人工智能的先驅之一 ——塞繆爾就研制出跳棋程序，這個程序能夠從棋譜中進行學習，并能從實戰(zhàn)中總結經(jīng)驗。當時最轟動的一條新聞是塞繆爾的跳棋程序下贏了美國一個州的跳棋冠 軍。不過，在隨后幾年與世界冠軍的較量中它沒能占到便宜。今天的個人計算機家用軟件上一般都有跳棋程序、象棋程序、五子棋程序甚至是圍棋程序。即使你選擇 的是初級水平，要贏計算機一盤棋還真不容易呢。 事實上，對于跳棋、象棋、五子棋以及圍棋等博弈游戲，其過程完全可用一棵博弈樹來表示，利用最基本的狀態(tài)空間搜索技術來找到一條必勝的下棋路線。遺憾的是，這棵博弈樹往往大得驚人，特別是像象棋程序和圍棋程序。即使計算機的存儲空間能夠裝得下所有的狀態(tài)，花在搜索上的時間(也 就是通常所謂朝前看幾步的時間)常常長得令人不能忍受。好在現(xiàn)在計算機的性能越來越高，存儲空間也越來越大，給人感覺上好像計算機的棋力提高了。另外，現(xiàn) 有的計算機下棋程序建立在傳統(tǒng)的狀態(tài)空間搜索技術基礎上，通過—些啟發(fā)式算法對棋局中間狀態(tài)獲勝的可能性進行估計，并以此來決定下—步該怎么走。這一方法 可以大大減少狀態(tài)空間的存儲和搜索，從而為現(xiàn)代高性能計算機戰(zhàn)勝國際—流下棋高手進一步鋪平道路。 從20 世紀50年代起，計算機與國際象棋高手、大師的比賽一直是人們很感興趣的話題，計算機通過與高手的比賽來不斷改進程序，計算機界有人原以為計算機可以在 80年代戰(zhàn)勝國際象棋冠軍，但實際時間卻有所推延。IBM公司一直有開發(fā)博弈程序這樣一個傳統(tǒng)，當年的塞繆爾就隸屬于IBM公司。90年代，IBM公司先 后開發(fā)了多種高性能計算機及相應的下棋軟件，并把經(jīng)過不斷改進的下棋程序和“深藍”計算機的矛頭直接對準當今國際象棋頭號高手——俄國人卡斯帕羅夫。在新 聞媒體的推波助瀾之下，1997年5月在美國紐約，卡氏和“深藍”展開了令全球矚目的又一輪人機大戰(zhàn)。前兩盤，雙方下成一比一平，之后，雙方連下三盤和 棋，在關鍵性的第六盤比賽中，“深藍”計算機發(fā)揮出色，贏得了勝利，從而以“2勝3平1負”的總比分戰(zhàn)勝了對手，令全球觀眾嘩然；有人形容這是一場“像人 一樣的機器和像機器一樣的人之間的比賽”。雖然 “深藍”計算機取勝了，但是也不能說明人工智能取得了突破性的成就。正如卡氏所說，他們之間的較量是不公平的，“深藍”計算機掌握了他與別人下棋的大量棋 譜，用到的仍然是狀態(tài)空間搜索、模式匹配等傳統(tǒng)的人工智能技術，只不過是計算機速度大幅度提高罷了。計算機取勝卡氏另外一個重要的原因是除了計算機工程師 之外，IBM公司還有一幫深諳國際象棋規(guī)則和計算機知識的高手躲在“深藍”計算機后面幫助它出謀劃策，及時調整程序，如此一來，卡氏豈有不輸?shù)牡览恚斊?只是時間早晚的問題。如果換一種棋，比如說用計算機和人下圍棋，情況又會怎樣呢?目前計算機要戰(zhàn)勝圍棋一流高手恐怕還有相當大的困難，這是因為圍棋的狀態(tài) 空間又大了很多，又復雜了很多。 機器人學 機器人和機器人學是人工智能研究的另一個重要的應用領域，促進了許多人工智能思想的發(fā)展，由它衍生而來的一些技術可用來模擬現(xiàn)實世界的狀態(tài)，描述從一種狀態(tài)到另一種狀態(tài)的變化過程，而且對于規(guī)劃如何產生動作序列以及監(jiān)督規(guī)劃執(zhí)行提供了較好的幫助。 機 器人的應用范圍越來越廣，已開始走向第三產業(yè)，如商業(yè)中心、辦公室自動化等。目前機器人學的研究方向主要是研制智能機器人。智能機器人將極大地擴展機器人 應用領域。智能機器人本身能夠認識工作環(huán)境、工作對象及其狀態(tài)，根據(jù)人給予的指令和自身的知識，獨立決定工作方式，由操作機構和移動機構實現(xiàn)任務，并能適 應工作環(huán)境的變化。智能機器人只要告訴它做什么，而不用告訴怎么做。它共有四種基本功能，分別是：(1)運動功 能，類似于人的手、臂和腿的基本功能，對外界環(huán)境施加作用。(2)感知功能，獲取外界信息的功能。(3)思維功能，求解問題的認識、判斷、推理的功能。 (4)人機通信功能，理解指示，輸出內部狀態(tài)，與人進行信息交流的功能。智能機器人是以一種“認知——適應”方式進行操作的。著名的機器人和人工智能專家 布拉迪(Brady)曾總結了機器人學當前面臨的30個難題，包括傳感器、視覺、機動性、設計、控制、典型操作、推理和系統(tǒng)等幾個方面，指出了機器人學當 前急需解決的難題。只有在這些方面有所突破，機器人應用和機器人學才能更適應社會的要求，成為開發(fā)人類智力的幫手。 今 天，在仿真人各種外在功能的各個方面，機器人的設計都有很大的進展。現(xiàn)在有一些科學家在研究如何從生物工程的角度去研制高逼真度的仿真機器人。目前的機器 人離人們心目中的能夠做各種家務活，任勞任怨，并會揣摩主人心思的所謂“機器仆人”的目標還相去甚遠。因為機器人所表現(xiàn)的智能行為都是由人預先編好的程序 決定的，機器人只會做人要他做的事。人的創(chuàng)造性、意念、聯(lián)想、隨機應變乃至當機立斷等都難以在機器人身上體現(xiàn)出來。要想使機器人融入人類的生活，看來還是 比較遙遠的事情。 |
聯(lián)系客服
