人工智能學習研究的現(xiàn)狀及其發(fā)展趨勢-預覽頁
【正文】 中實現(xiàn)人工智能學習的發(fā)展與創(chuàng)新，就要關(guān)注認知科學、腦科學、生物智能、物理學、復雜網(wǎng)絡(luò)、計算機科學與人工智能之間的交叉滲透點，尤其是重視認知物理學的研究。 目前，人工智能應(yīng)用的主要領(lǐng)域，也就是計算機應(yīng)用的主要領(lǐng)域。學習機制的研究是人工智能研究的一項核心課題。但是，不同的時代、不同的人對這種“復雜工作”的理解是不同的。2. 人工智能學習的歷史性基礎(chǔ)和發(fā)展步伐人工智能學習的發(fā)展歷史是和計算機科學與技術(shù)的發(fā)展史聯(lián)系在一起的。于是，在“通用語言”中可以實現(xiàn)“思維的機械化”這一設(shè)想可以看成是對人工智能的最早描述。圖靈認為，如果“中等程度”的裁判員不能正確地區(qū)分，則這樣的計算機可以稱為是有智能的?！ ?幾乎在圖靈上述工作的同時，馮諾依曼構(gòu)造了“自再生自動機”，這是一種有“繁殖”能力的數(shù)學模型。五年之后，克里克和沃森關(guān)于DNA結(jié)構(gòu)的重大發(fā)現(xiàn)完全證實了馮諾依曼的工作為后來人工智能中的一條研究路線(人工生命)提供了重要的基礎(chǔ)。這次研討會聚集了來自數(shù)學、信息科學、心理學、神經(jīng)生理學和計算機科學等不同領(lǐng)域的領(lǐng)導者，包括Minsky，Rochester， Simon， Solonio和Mccarthy等。在這個時期里，研究者們展開了一系列開創(chuàng)性工作，并取得了引人注目的成果。1959年。而Mosis的SIN程序的效率比SAINT提高了約三倍，被認為達到了專家水平?；谶@一看法，在自動定理證明的基礎(chǔ)上進一步研究通用問題求解，是一個值得探索的課題。又經(jīng)過三年，打敗了美國一個州的冠軍。例如“規(guī)劃”問題。（注：第一階段是搜索解決問題） 人工智能的早期研究還包括自然語言理解、計算機視覺和機器人等等。知識工程強調(diào)知識在問題求解中的作用；相應(yīng)地，研究內(nèi)容也劃分為三個方面：知識獲取，知識表示和知識利用。與早期研究不同，知識工程強調(diào)實際應(yīng)用?！ 〈笮蛯＜蚁到y(tǒng)的開發(fā)周期往往長達10余年，其主要原因在于知識獲取。已經(jīng)得到較多研究的機器學習方法包括：歸納學習、類比學習、解釋學習、強化學習和進化學習等等。這促使人工智能進入第三個發(fā)展時期。由于各個子任務(wù)在很大程度上可以獨立地進行，子任務(wù)之間的關(guān)系必然呈現(xiàn)出動態(tài)變化和難以預測的特點。更強大的智能型信息服務(wù)工具已成為廣大用戶的迫切需要。隨著機器人技術(shù)的發(fā)展，研究重點已經(jīng)轉(zhuǎn)向能在動態(tài)、不可預測環(huán)境中獨立工作的自主機器人，以及能與其他機器人（包括人）協(xié)作的機器人（注：以前的階段是通過搜索、推理利用人類已經(jīng)總結(jié)的知識）。在這一研究中，人工智能呈現(xiàn)一種與軟件工程、分布式計算以及通訊技術(shù)相互融合的趨勢。首先是強調(diào)人類智能的人工實現(xiàn)而不是單純的模擬，以便盡可能地為人類的實際需要服務(wù)。目前，第三種研究方法發(fā)展較快。物理符號系統(tǒng)假設(shè)認為：物理符號系統(tǒng)是智能行為的充分和必要條件。研究重點是側(cè)重于模擬和實現(xiàn)人的認識過程中的感覺、知覺過程、形象思維、分布式記憶和自學習、自組織過程。因此，智能接口技術(shù)的研究既有巨大的應(yīng)用價值，又有基礎(chǔ)的理論意義。主要研究內(nèi)容包括基礎(chǔ)理論、發(fā)現(xiàn)算法、數(shù)據(jù)倉庫、可視化技術(shù)、定性定量互換模型、知識表示方法、發(fā)現(xiàn)知識的維護和再利用、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中的知識發(fā)現(xiàn)以及網(wǎng)上數(shù)據(jù)挖掘等。目前對主體和多主體系統(tǒng)的研究主要集中在主體和多主體理論、主體的體系結(jié)構(gòu)和組織、主體語言、主體之間的協(xié)作和協(xié)調(diào)、通信和交互技術(shù)、多主體學習以及多主體系統(tǒng)應(yīng)用等方面。它是通過范例的學習，修改了知識庫和推理機的結(jié)構(gòu)，達到實現(xiàn)人工智能的目的。學習是指系統(tǒng)適應(yīng)環(huán)境而產(chǎn)生的適應(yīng)性變化，它使得系統(tǒng)在完成類似任務(wù)時更加有效。指導式學習。具體的歸納學習方法有許多，但它們的本質(zhì)就是讓計算機學會從一般中得出規(guī)律?；诮忉尩膶W習。一般的學習方法分兩類，一類是上文提到的基于模型的，在這種方法，智能體需要環(huán)境確切的模型，具有較高的智能，但不適合于不確定的動態(tài)環(huán)境；另一種是基于行為的方法，在這種方法中，不需要環(huán)境的確切模型，采用分層結(jié)構(gòu)，高層行為可以調(diào)整和抑制低層的行為能力，但每層中都具有其自主的確定權(quán)，如[3]中的Holonic智能制造系統(tǒng)。目前，人工智能的推理功能已獲突破，學習及聯(lián)想功能正在研究之中，下一步就是模仿人類右腦的模糊處理功能和整個大腦的并行化處理功能。情感能力對于計算機與人的自然交往至關(guān)重要。 由于計算機芯片的微型化已接近極限。而一臺具有５０００個左右量子位的量子計算機可以在大約３０秒內(nèi)解決傳統(tǒng)超級計算機需要１００億年才能解決的素數(shù)問題。5. 結(jié)束語許多科學家斷言，機器的智慧會迅速超過阿爾伯特霍金認為，就像人類可以憑借其高超的搗弄數(shù)字的能力來設(shè)計計算機一樣，智能機器將創(chuàng)造出性能更好的計算機。但是這些仿真大多都是驗證性的，真正的人工智能在實際生產(chǎn)中的運用仍舊是一個需要研究的課題。人工智能學習就是為了應(yīng)用機器的長處來幫助人類進行智力活
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1