【文章內(nèi)容簡介】 系統(tǒng)與周圍環(huán)境的交互過程中表現(xiàn)出來。 主要觀點：首先，智能系統(tǒng)與環(huán)境進行交互，即從運行的環(huán)境中獲取信息（感知），并通過自己的動作對環(huán)境施加影響；其次，指出智能取決于感知和行為，提出了智能行為的“感知 行為”模型，認為智能系統(tǒng)可以不需要知識、不需要表示、不需要推理，像人類智能一樣可以逐步進化；再次，強調(diào)直覺和反饋的重要性，智能行為體現(xiàn)在系統(tǒng)與環(huán)境的交互之中，功能、結構和智能行為是不可分割的。 4. 連接主義學派 以 Rumelhart、 Mcclelland和 Hopfield等為代表，從人的大腦神經(jīng)系統(tǒng)結構出發(fā)，研究非程序的、適應性的、類似大腦風格的信息處理的本質(zhì)和能力，人們也稱它為神經(jīng)計算。這種方法一般通過人工神經(jīng)網(wǎng)絡的“自學習”獲得知識，再利用知識解決問題。 此外，還有知識工程學派和分布式學派。知識工程學派是以Feigenbaum為代表的研究知識在人類智能中的作用和地位。分布式學派是以 Hewitt為代表的研究智能系統(tǒng)中知識的分布行為。 人工智能的研究與應用領域 從應用的角度看，人工智能的研究主要集中在以下幾個方面。 1. 專家系統(tǒng) 8. 模式識別 2. 自然語言理解 9. 博弈 3. 機器學習 10. 計算機視覺 4. 自動定理證明 11. 計算智能 5. 自動程序設計 12. 智能控制 6. 分布式人工智能 13. 智能規(guī)劃 7. 機器人學 專家系統(tǒng)是一個具有大量專門知識與經(jīng)驗的程序系統(tǒng)，它應用人工智能技術，根據(jù)某個領域一個或多個人類專家提供的知識和經(jīng)驗進行推理和判斷，模擬人類專家的決策過程，以解決那些需要專家決定的復雜問題。 專家系統(tǒng)與傳統(tǒng)計算機程序的本質(zhì)區(qū)別在于，專家系統(tǒng)所要解決的問題一般沒有算法解，并且經(jīng)常要在不完全、不精確或不確定的信息基礎上做出結論。 從體系結構上可分為集中式專家系統(tǒng)、分布式專家系統(tǒng)、協(xié)同式專家系統(tǒng)、神經(jīng)網(wǎng)絡專家系統(tǒng)等；從方法上可分為基于規(guī)則的方法專家系統(tǒng)、基于模型的專家系統(tǒng)、基于框架的專家系統(tǒng)等。 自然語言理解是研究實現(xiàn)人類與計算機系統(tǒng)之間用自然語言進行有效通信的各種理論和方法。 實現(xiàn)人機間自然語言通信意味著計算機系統(tǒng)既能理解自然語言文本的意義，也能生成自然語言文本來表達給定的意圖和思想等。而語言的理解和生成是一個極為復雜的解碼和編碼問題。一個能夠理解自然語言的計算機系統(tǒng)看起來就像一個人一樣，它需要有上下文知識和信息，并能用信息發(fā)生器進行推理。理解口頭和書寫語言的計算機系統(tǒng)的基礎就是表示上下文知識結構的某些人工智能思想以及根據(jù)這些知識進行推理的某些技術。 機器學習研究的主要目標是讓機器自身具有獲取知識的能力，使機器能夠總結經(jīng)驗、修正錯誤、發(fā)現(xiàn)規(guī)律、改進性能，對環(huán)境具有更強的適應能力。通常要解決如下幾方面的問題： （ 1）選擇訓練經(jīng)驗。包括如何選擇訓練經(jīng)驗的類型，如何控制訓練樣本序列，以及如何使訓練樣本的分布與未來測試樣本的分布相似等子問題 （ 2）選擇目標函數(shù)。所有的機器學習問題幾乎都可簡化為學習某個特定的目標函數(shù)的問題； （ 3）選擇目標函數(shù)的表示。在確定了理想的目標函數(shù)后，接下來的任務是必須從很多（甚至是無數(shù)）種表示方法中選擇一種最優(yōu)或近似最優(yōu)的表示方法。 它是數(shù)學和計算機科學相結合的研究課題。數(shù)學定理的證明是人類思維中演繹推理能力的重要體現(xiàn)。數(shù)理邏輯的建立使自動定理證明的設想有了更明確的數(shù)學形式。 ?1965年， Robinson提出了一階謂詞演算中的歸結原理，這是自動定理證明的重大突破。 ?1976年，美國的 Appel等三人利用高速計算機證明了 124年未能解決的“四色問題” 。 ?我國數(shù)學家吳文俊在 1976年底開始研究可判定問題。他在微型機上成功地設計了初等幾何與初等微分幾何中一大類問題的判定算法及相應的程序 。 ?我國數(shù)學家張景中等人進一步推出了“可讀性證明”的機器證明方法 。 自動程序設計是指根據(jù)給定問題的原始描述，自動生成滿足要求的程序。自動程序設計主要包含程序綜合和程序驗證兩方面內(nèi)容 。前者實現(xiàn)自動編程，即用戶只需告知機器“做什么”，無須告訴“怎么做”，這后一步的工作由機器自動完成；后者是程序的自動驗證，自動完成正確性的檢查。 目前程序綜合的基本途徑主要是程序變換，即通過對給定的輸入、輸出條件進行逐步變換，已構成所要求的程序。程序驗證是利用一個已驗證過的程序系統(tǒng)來自動證明某一給定程序 P的正確性。 主要研究在邏輯上或物理上分散的智能動作者如何協(xié)調(diào)其智能行為，求解單目標和多目標問題。主要研究內(nèi)容有分布式問題求解（ Distribution Problem Solving， DPS）和 MultiAgent系統(tǒng)（ MAS）。 ? DPS的方法是，先把問題分解成任務，再為之設計相應的任務執(zhí)行系統(tǒng)。 ? MAS主要研究多個 Agent為了聯(lián)合采取行動或求解問題，如何協(xié)調(diào)各自的知識、目標、策略和規(guī)劃。在表達實際系統(tǒng)時， MAS通過各 Agent間的通訊、合作、互解、協(xié)調(diào)、調(diào)度、管理及控制來表達系統(tǒng)的結構、功能及行為特性。 機器人學是機械結構學、傳感技術和人工智能結合的產(chǎn)物。機器人的發(fā)展經(jīng)歷了以下幾個階段：第一代為程序控制機器人 ；第二代為自適應機器人 ；第三代為分布式協(xié)同機器人 。 從功能上來考慮，機器人學研究主要涉及兩個方面：一方面是模式識別，即給機器人配備視覺和觸覺，使其能夠識別空間景物的實體和陰影，甚至可以辨別出兩幅圖像的微小差別，從而完成模式識別的功能；另一方面是運動協(xié)調(diào)推理。機器人的運動協(xié)調(diào)推理是指機器人在接受外界的刺激后，驅動機器人行動的過程。 8. 模式識別 模式識別研究的是計算機的模式識別系統(tǒng)，即用計算機代替人類或幫助人類感知模式。模式通常具有實體的形式，如聲音、圖片、圖像、語言、文字、符號、物體和景象等等，可以用物理的、化學的及生物的傳感器進行具體地采集和測量。但模式所指的不是事物本身，而是從事物獲得的信息，因此，模式往往表現(xiàn)為具有時間和空間分布的信息。人們在觀察、認識事物和現(xiàn)象時，常常尋找它與其它事物和現(xiàn)象的相同與不同之處，根據(jù)使用目的進行分類、聚類和判斷，人腦的這種思維能力就構成了模式識別的能力。 計算機博弈主要是研究下棋程序。在 20世紀 60年代就出現(xiàn)了很有名的西洋跳棋和國際象棋的程序，并達到了大師的水平。進入 20世紀 90年代， IBM公司以其雄厚硬件基礎，支持開發(fā)后來被稱之為“深藍”的國際象棋系統(tǒng) 10. 計算機視覺 計算機視覺研究的任務是理解一個圖像，這里的圖像是利用像素所描繪的景物。 該領域可分為如下三類：第一是信號處理，即研究把一個圖像轉換為具有所需特征的另一個圖像的方法；第二是分類，即研究如何把圖像劃分為預定類別。分類是從圖像中抽取一組預先確定的特征值，然后根據(jù)用于多為特征空間的統(tǒng)計決策方法決定一個圖像是否符合某一類；第三是理解，即在給定某一圖像的情況下，一個圖像理解程序不僅描述這個圖像的本身，而且也描述該圖像所描繪的景物。 通常把人工神經(jīng)網(wǎng)絡、模糊計算和進化計算作為計算智能的三個主要內(nèi)容。一般來說，計算智能多應用于缺乏足夠的先驗知識，只有一大堆相關的數(shù)據(jù)和記錄的問題。 ? 人工神經(jīng)網(wǎng)絡是一種應用類 似于大腦神經(jīng)突觸連接的結 構進行信息處理的數(shù)學模型。在這一模型中，大量的節(jié)點之間相互連接構成網(wǎng)絡，即 “ 神經(jīng)網(wǎng)絡” ，以達到處理信息的目的。 ? 模糊計算處理的是模糊集合和邏輯連接符，以描述現(xiàn)實世界中類似人類處理的推理問題。模糊集合包含論域中所有元素，但是具有 [0, 1]區(qū)間的可變隸度屬值。 ? 進化計算是通過模擬自然界中生物進化機制進行搜索的一種算法，以遺傳算法進化策略等為代表。遺傳算法是一種隨機算法，它是模擬生物進化中“優(yōu)勝劣汰”自然法則的進化過程而設計的算法。