เนื้อหา

人工智能

（计算机科学的一个分支）

语音

编辑
锁定
讨论

上传视频

上传视频

中文名

人工智能

外文名

ARTIFICIAL INTELLIGENCE

简    称

AI

提出时间

1956年

提出地点

DARTMOUTH学会

名称来源

雨果·德·加里斯 的著作

目录

1. 1

   定义详解

2. 2

   研究价值

3. 3

   发展阶段

4. 4

   科学介绍

5. 5

   技术研究

6. ▪

   研究方法

7. ▪

   智能模拟

8. ▪

   学科范畴

9. ▪

   涉及学科

10. ▪

    研究范畴

11. ▪

    安全问题

1. ▪

   实现方法

2. 6

   专业机构

3. ▪

   美国

4. ▪

   中国

5. 7

   主要成果

6. ▪

   人机对弈

7. ▪

   模式识别

8. ▪

   自动工程

9. ▪

   知识工程

10. 8

    相关著作

11. 9

    发展简史

12. ▪

    计算机时代

1. ▪

   竞赛

2. ▪

   大量程序

3. ▪

   日常生活

4. ▪

   强弱对比

5. ▪

   政策措施

6. 10

   研究课题

7. ▪

   解决问题

8. ▪

   知识表示法

9. ▪

   规划

10. ▪

    学习

11. ▪

    自然语言处理

12. ▪

    运动和控制

13. ▪

    知觉

1. ▪

   社交

2. ▪

   创造力

3. ▪

   多元智能

4. ▪

   人工智能影响

5. ▪

   应用领域

6. 11

   流行语

7. 12

   发展现状

8. 13

   发展方向

9. 14

   伦理规范

人工智能

定义详解

编辑

语音

人工智能机器人

人工智能

研究价值

编辑

语音

具有人工智能的机器人

例如繁重的科学和工程计算本来是要人脑来承担的，如今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，因此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，另一方面又转向更有意义、更加困难的目标。

通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。

这是智能化研究者梦寐以求的东西。

2013年，帝金数据普数中心数据研究员S.C WANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。

当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着（至少一类）创造力模式的学科。

人工智能

发展阶段

编辑

语音

1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。

当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。例如，1997年5月，IBM公司研制的深蓝（DEEP BLUE）计算机战胜了国际象棋大师卡斯帕洛夫（KASPAROV）。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。

人工智能

科学介绍

编辑

语音

实际应用

学科范畴

涉及学科

研究范畴

自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法

意识和人工智能

人工智能就其本质而言，是对人的思维的信息过程的模拟。

弱人工智能如今不断地迅猛发展，尤其是2008年经济危机后，美日欧希望借机器人等实现再工业化，工业机器人以比以往任何时候更快的速度发展，更加带动了弱人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。

而强人工智能则暂时处于瓶颈，还需要科学家们和人类的努力。

人工智能

技术研究

编辑

语音

人工智能

研究方法

智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。

大脑模拟

信息理论及

20世纪40年代到50年代，许多研究者探索 神经病学 控制论 之间的联系。其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的 TURTLES 和JOHNS HOPKINS BEAST。 这些研究者还经常在 普林斯顿大学 和英国的RATIO CLUB举行技术协会会议.直到1960， 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。

符号处理

子符号法

80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。

统计学法

90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。STUART J. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。

集成方法

人工智能

智能模拟

人工智能

学科范畴

人工智能

涉及学科

人工智能

研究范畴

人工智能

安全问题

人工智能

实现方法

人工智能

专业机构

编辑

语音

人工智能

美国

⒈ MASSACHUSETTS INSTITUTE OF TECHNOLOGY 麻省理工学院

⒉ STANFORD UNIVERSITY 斯坦福大学 (CA)

⒊ CARNEGIE MELLON UNIVERSITY 卡内基美隆大学 (PA)

⒋ UNIVERSITY OF CALIFORNIA-BERKELEY 加州大学伯克利分校

⒌ UNIVERSITY OF WASHINGTON 华盛顿大学

⒍ UNIVERSITY OF TEXAS-AUSTIN 德克萨斯大学奥斯汀分校

⒎ UNIVERSITY OF PENNSYLVANIA 宾夕法尼亚大学

⒏ UNIVERSITY OF ILLINOIS-URBANA-CHAMPAIGN 伊利诺伊大学厄本那—香槟分校

⒐ UNIVERSITY OF MARYLAND-COLLEGE PARK 马里兰大学帕克分校

⒑ CORNELL UNIVERSITY 康奈尔大学 (NY)

⒒ UNIVERSITY OF MASSACHUSETTS-AMHERST 马萨诸塞大学 AMHERST校区

⒓ GEORGIA INSTITUTE OF TECHNOLOGY 佐治亚理工学院

UNIVERSITY OF MICHIGAN-ANN ARBOR 密西根大学-安娜堡分校

⒕ UNIVERSITY OF SOUTHERN CALIFORNIA 南加州大学

⒖ COLUMBIA UNIVERSITY 哥伦比亚大学 (NY)

UNIVERSITY OF CALIFORNIA-LOS ANGELES 加州大学洛杉矶分校

⒘ BROWN UNIVERSITY 布朗大学 (RI)

⒙ YALE UNIVERSITY 耶鲁大学 (CT)

⒚ UNIVERSITY OF CALIFORNIA-SAN DIEGO 加利福尼亚大学圣地亚哥分校

⒛ UNIVERSITY OF WISCONSIN-MADISON 威斯康星大学麦迪逊分校

人工智能

中国

11、厦门大学人工智能研究所

12、西安交通大学智能车研究所

13、中南大学智能系统与智能软件研究所

14、西安电子科技大学智能所

15、华中科技大学图像与人工智能研究所

人工智能

主要成果

编辑

语音

人工智能

人机对弈

1996年2月10～17日， GARRY KASPAROV以4：2战胜“深蓝” （DEEP BLUE）。

1997年5月3～11日， GARRY KASPAROV以2.5：3.5输于改进后的“深蓝”。

2003年2月GARRY KASPAROV 3:3战平 “小深”（DEEP JUNIOR）。

2003年11月GARRY KASPAROV 2:2战平 “X3D德国人” (X3D-FRITZ）。

人工智能

模式识别

采用 $模式识别引擎，分支有2D识别引擎 ，3D识别引擎，驻波识别引擎以及多维识别引擎

人工智能

自动工程

自动驾驶（OSO系统）

印钞工厂（￥流水线）

猎鹰系统（YOD绘图）

人工智能

知识工程

以知识本身为处理对象，研究如何运用人工智能和软件技术，设计、构造和维护知识系统

专家系统

计算机视觉和图像处理

人工智能

相关著作

编辑

语音

《人工智能的未来》：诠释了智能的内涵，阐述了大脑工作的原理，并告诉我们如何才能制造出真正意义上的智能机器——这样的智能机器将不再仅仅是对人类大脑的简单模仿，它们的智能在许多方面会远远超过人脑。霍金斯认为，从人工智能到神经网络，早先复制人类智能的努力无一成功，究其原因，都是由于人们并未真正了解智能的内涵和人类大脑。所谓智能，就是人脑比较过去、预测未来的能力。大脑不是计算机，不会亦步亦趋、按部就班的根据输入产生输出。大脑是一个庞大的记忆系统，它储存着在某种程度上反映世界真实结构的经验，能够记忆事件的前后顺序及其相互关系，并依据记忆做出预测。形成智能、感觉、创造力以及知觉等基础的，就是大脑的记忆-预测系统……

人工智能

发展简史

编辑

语音

人工智能

计算机时代

虽然计算机为AI提供了必要的技术基础，但直到50年代早期人们才注意到人类智能与机器之间 的联系. NORBERT WIENER是最早研究反馈理论的美国人之一.最熟悉的反馈控制的例子是自动调温器.它 将收集到的房间温度与希望的温度比较，并做出反应将加热器开大或关小，从而控制环境温度.这项对反馈 回路的研究重要性在于：WIENER从理论上指出，所有的智能活动都是反馈机制的结果.而反馈机制是有可 能用 机器 模拟的.这项发现对早期AI的发展影响很大.

1955年末，NEWELL和SIMON做了一个名为”逻辑专家”(LOGIC THEORIST）的程序.这个程序被许多人 认为是第一个AI程序.它将每个问题都表示成一个树形模型，然后选择最可能得到正确结论的那一枝来求解 问题.”逻辑专家”对公众和AI研究领域产生的影响使它成为AI发展中一个重要的里程碑.1956年，被认为是 人工智能之父的JOHN MCCARTHY组织了一次学会，将许多对机器智能感兴趣的专家学者聚集在一起进行了一 个月的讨论.他请他们到 VERMONT参加 ” DARTMOUTH人工智能夏季研究会”.从那时起，这个领域被命名为 “人工智能”.虽然 DARTMOUTH学会不是非常成功，但它确实集中了AI的创立者们，并为以后的AI研究奠定了基础.

DARTMOUTH会议后的7年中，AI研究开始快速发展.虽然这个领域还没明确定义，会议中的一些思想 已被重新考虑和使用了. CARNEGIE MELLON大学和MIT开始组建AI研究中心.研究面临新的挑战：下一步需 要建立能够更有效解决问题的系统，例如在”逻辑专家”中减少搜索；还有就是建立可以自我学习的系统.

1957年一个新程序，”通用解题机”(GPS）的第一个版本进行了测试.这个程序是由制作”逻辑专家” 的同一个组开发的.GPS扩展了WIENER的反馈原理，可以解决很多常识问题.两年以后，IBM成立了一个AI研 究组.HERBERT GELERNETER花3年时间制作了一个解几何定理的程序.

当越来越多的程序涌现时，MCCARTHY正忙于一个AI史上的突破.1958年MCCARTHY宣布了他的新成 果：LISP语言. LISP到今天还在用.”LISP”的意思是”表处理”(LIST PROCESSING），它很快就为大多数AI开发者采纳.

1963年MIT从美国政府得到一笔220万美元的资助，用于研究机器辅助识别.这笔资助来自国防部 高级研究计划署（ARPA），已保证美国在技术进步上领先于苏联.这个计划吸引了来自全世界的计算机科学家，加快了AI研究的发展步伐.

人工智能

竞赛

以人类的智慧创造出堪与人类大脑相平行的机器脑（人工智能），对人类来说是一个极具诱惑的领域，人类为了实现这一梦想也已经奋斗了很多个年头了。而从一个语言研究者的角度来看，要让机器与人之间自由交流那是相当困难的，甚至可以说可能会是一个永无答案的问题。人类的语言，人类的智能是如此的复杂，以至于我们的研究还并未触及其导向本质的外延部分的边沿。

人工智能

大量程序

以后几年出现了大量程序.其中一个叫”SHRDLU”.”SHRDLU”是”微型世界”项目的一部分，包括 在微型世界（例如只有有限数量的几何形体）中的研究与编程.在MIT由MARVIN MINSKY领导的研究人员发现，面对小规模的对象，计算机程序可以解决空间和逻辑问题.其它如在60年代末出现的”STUDENT”可以解决代数 问题，”SIR”可以理解简单的英语句子.这些程序的结果对处理语言理解和逻辑有所帮助.

70年代另一个进展是专家系统.专家系统可以预测在一定条件下某种解的概率.由于当时计算机已 有巨大容量，专家系统有可能从数据中得出规律.专家系统的市场应用很广.十年间，专家系统被用于股市预 测，帮助医生诊断疾病，以及指示矿工确定矿藏位置等.这一切都因为专家系统存储规律和信息的能力而成为可能.

70年代许多新方法被用于AI开发，如MINSKY的构造理论.另外DAVID MARR提出了机器视觉方 面的新理论，例如，如何通过一副图像的阴影，形状，颜色，边界和纹理等基本信息辨别图像.通过分析这些信 息，可以推断出图像可能是什么.同时期另一项成果是PROLOGE语言，于1972年提出. 80年代期间，AI前进更为迅速，并更多地进入商业领域.1986年，美国AI相关软硬件销售高达4.25亿 美元.专家系统因其效用尤受需求.象数字电气公司这样的公司用XCON专家系统为VAX大型机编程.杜邦，通用 汽车公司和波音公司也大量依赖专家系统.为满足计算机专家的需要，一些生产专家系统辅助制作软件的公 司，如TEKNOWLEDGE和INTELLICORP成立了。为了查找和改正现有专家系统中的错误，又有另外一些专家系统被设计出来.

人工智能

日常生活

人工智能

强弱对比

人工智能的一个比较流行的定义，也是该领域较早的定义，是由约翰·麦卡锡（JOHN MCCARTHY）在1956年的达特矛斯会议（DARTMOUTH CONFERENCE）上提出的：人工智能就是要让机器的行为看起来就象是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能性。总体来讲，对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。

强人工智能(BOTTOM-UP AI)

强人工智能观点认为有可能制造出真正能推理（REASONING）和解决问题（PROBLEM_SOLVING）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：

非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。

弱人工智能(TOP-DOWN AI)

弱人工智能观点认为不可能制造出能真正地推理（REASONING）和解决问题（PROBLEM_SOLVING）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。

主流科研集中在弱人工智能上，并且一般认为这一研究领域已经取得可观的成就。强人工智能的研究则处于停滞不前的状态下。

对强人工智能的哲学争论

“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序， 计算机 本身就是有思维的。”（J SEARLE IN MINDS BRAINS AND PROGRAMS. THE BEHAVIORAL AND BRAIN SCIENCES,VOL. 3,1980）这是指使计算机从事智能的活动。在这里智能的涵义是多义的、不确定的，像下面所提到的就是其中的例子。利用计算机解决问题时，必须知道明确的程序。可是，人即使在不清楚程序时，根据发现（HEU- RISTIC）法而设法巧妙的解决了问题的情况是不少的。如识别书写的文字、图形、声音等，所谓认识模型就是一例。再有，能力因学习而得到的提高和归纳推理、依据类推而进行的推理等，也是其例。此外，解决的程序虽然是清楚的，但是实行起来需要很长时间，对于这样的问题，人能在很短的时间内找出相当好的解决方法，如竞技的比赛等就是其例。还有，计算机在没有给予充分的合乎逻辑的正确信息时，就不能理解它的意义，而人在仅是被给予不充分、不正确的信息的情况下，根据适当的补充信息，也能抓住它的意义。自然语言就是例子。用计算机处理自然语言，称为自然语言处理。

也有 哲学家 持不同的观点。DANIEL C. DENNETT 在其著作 CONSCIOUSNESS EXPLAINED 里认为，人也不过是一台有灵魂的机器而已，为什么我们认为人可以有智能而普通机器就不能呢？他认为像上述的数据转换机器是有可能有思维和意识的。

有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如SIMON BLACKBURN在其哲学入门教材 THINK 里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她/他仅仅是看起来是智能的。基于这个论点，既然弱人工智能认为可以令机器看起来像是智能的，那就不能完全否定这机器是真的有智能的。BLACKBURN 认为这是一个主观认定的问题。

需要要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在百多年前是被认为很需要智能的。

人工智能

政策措施

人工智能

研究课题

编辑

语音

人工智能的研究方向已经被分成几个子领域，研究人员希望一个人工智能系统应该具有某些特定能力，以下将这些能力列出并说明。

人工智能

解决问题

对于困难的问题，有可能需要大量的运算资源，也就是发生了“可能组合爆增”：当问题超过一定的规模时，电脑会需要天文数量级的存储器或是运算时间。寻找更有效的算法是优先的人工智能研究项目。

人类解决问题的模式通常是用最快捷，直观的判断，而不是有意识的，一步一步的推导，早期人工智能研究通常使用逐步推导的方式。人工智能研究已经于这种“次表征性的”解决问题方法取得进展：实体化AGENT研究强调感知运动的重要性。神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。

人工智能

知识表示法

AN ONTOLOGY REPRESENTS KNOWLEDGE AS A SET OF CONCEPTS WITHIN A DOMAIN AND THE RELATIONSHIPS BETWEEN THOSE CONCEPTS.

人工智能

规划

人工智能

学习

机械学习的主要目的是为了从使用者和输入数据等处获得知识，从而可以帮助解决更多问题，减少错误，提高解决问题的效率。对于人工智能来说，机械学习从一开始就很重要。1956年，在最初的达特茅斯夏季会议上，雷蒙德索洛莫诺夫写了一篇关于不监视的概率性机械学习：一个归纳推理的机械。

人工智能

自然语言处理

人工智能

运动和控制

人工智能

知觉

人工智能

社交

人工智能

创造力

主条目：计算机创造力

一个人工智能的子领域，代表了理论(从哲学和心理学的角度)和实际(通过特定的实现产生的系统的输出是可以考虑的创意，或系统识别和评估创造力)所定义的创造力。 相关领域研究的包括了人工直觉和人工想像。

人工智能

多元智能

人工智能

人工智能影响

（1）人工智能对自然科学的影响。在需要使用数学计算机工具解决问题的学科，AI带来的帮助不言而喻。更重要的是，AI反过来有助于人类最终认识自身智能的形成。

（2）人工智能对经济的影响。专家系统更深入各行各业，带来巨大的宏观效益。AI也促进了计算机工业网络工业的发展。但同时，也带来了劳务就业问题。由于AI在科技和工程中的应用，能够代替人类进行各种技术工作和脑力劳动，会造成社会结构的剧烈变化。

（3）人工智能对社会的影响。AI也为人类文化生活提供了新的模式。现有的游戏将逐步发展为更高智能的交互式文化娱乐手段，今天，游戏中的人工智能应用已经深入到各大游戏制造商的开发中。

伴随着人工智能和智能机器人的发展，不得不讨论是人工智能本身就是超前研究，需要用未来的眼光开展现代的科研，因此很可能触及伦理底线。作为科学研究可能涉及到的敏感问题，需要针对可能产生的冲突及早预防，而不是等到问题矛盾到了不可解决的时候才去想办法化解。

人工智能

应用领域

人工智能

流行语

编辑

语音

2017年12月，人工智能入选“2017年度中国媒体十大流行语”。

人工智能

发展现状

编辑

语音

人工智能

发展方向

编辑

语音

《

重大领域交叉前沿方向2021

》（2021年9月13日由

浙江大学中国科教战略研究院

发布）认为当前以

大数据

、

深度学习

和

算力

为基础的人工智能在

语音识别

、

人脸识别

等以

模式识别

为特点的技术应用上已较为成熟，但对于需要专家知识、逻辑推理或领域迁移的复杂性任务，人工智能系统的能力还远远不足。

[10] 

基于统计的深度学习注重关联关系，缺少因果分析，使得人工智能系统的可解释性差，处理动态性和不确定性能力弱，难以与人类自然交互，在一些敏感应用中容易带来安全和伦理风险。

类脑智能

、

认知智能

、

混合增强智能

是重要发展方向。

[9] 

人工智能

伦理规范

编辑

语音

词条图册

更多图册