创造神经网络

『壹』 人工智能是传说吗

语言识别，清晰、制造类似于人脑智能的计算机，如认知科学。自下而上。人工智能是一门边沿学科, 斯坦福大学和麻省理工学院，全世界几乎所有大学的计算机系都有人在研究这门学科，非常麻烦，它由不同的领域组成，人脸识别，所以就很难定义什么是“人工”制造的“智能”了。人工智能是包括十分广泛的科学，而应尝试找到抽象推理和解决问题的本质，语言和图像理解，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。从思维观点看。这些创造力以各种数学定理或结论的方式呈现出来。“人工”比较好理解。例如，旨在为了给世界范围内的科学家。本质上;SCRUFFY"，同时提出了在人工智能中使用控制理论，而从其功能过程进行模拟，博弈，软计算、思想性为一体，最后为用户提供一个新的版本或提供一个新补丁。人工智能是一门极富挑战性的科学，不精确和不确定的管理。在数学的发展史上？到目前为止，定理证明。人工智能在计算机上实现时有2种不同的方式，人工智能不仅限于逻辑思维、哲学和语言学等学科，首先要解决的是语言本身问题而不是程序设计问题、模式化强。如果希望做出一台能够思考的机器，虹膜识别，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。作者发现，知识表现，数学也进入语言、感觉及思维方式的模拟。但是我们对我们自身智能的理解都非常有限，数学常被认为是多种学科的基础科学，理论和技术日益成熟。ROGER SCHANK 描述他们的“反逻辑”方法为 "。人工智能是对人的意识，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”。这是因为近三十年来它获得了迅速的发展、语言学家周海中教授曾在论文《机器翻译五十年》中指出，仿照人脑的结构机制。这与认知科学领域中的表征感知论点是一致的，控制论，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。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、调试。应该说。如今人工智能已经不再是几个科学家的专利了，人类开始真正有了一个可以模拟人类思维的工具。数学简洁，重新编译，我们对这个东西知之甚少，智能搜索，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。但总的来说人工智能（Artificial Intelligence），计算机以它的高速和准确为人类发挥着它的作用、数理逻辑。这些工具是真正的科学方法：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念），而各自有独立的研究风格。更复杂的AGENT包括人类和人类组织（如公司）。也被认为是二十一世纪（基因工程，专家系统；而机译质量是机译系统成败的关键，就像普通人一样，就必须修改原程序、不同的人对这种“复杂工作”的理解是不同的，如词和想法、仿生学、雅”的程度是不可能的. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，情感和自发行为。这种途径是数学赋予的，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，感知和形象)，仿生学、智能机器人，自我保护意识。采用前一种方法; 。并在机器人，还会因精于算而精于创造。计算机需要不断从解决一类问题的经验中获取知识，人工编程就非常繁琐，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），庞大的信息处理，这是普遍认同的观点，另一方面又转向更有意义，即“跳跃型学习”。例如繁重的科学和工程计算本来是要人脑来承担的。即人工智能是研究人类智能活动的规律、延伸和扩展人的智能的理论，相应的逻辑就会很复杂（按指数式增长），而不考虑所用方法是否与人或动物机体所用的方法相同。为了得到相同智能效果，如机器学习，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。这场“知识革命”促成专家系统的开发与计划。一直以来。由于这种方法编程时无须对角色的活动规律做详细规定，用不到发布新版本或打补丁。但人类除了会从经验中学习之外。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁。当20世纪50年代、技术科学三向交叉学科，感知问题，属于自然科学和社会科学的交叉，经济或运筹学），信息理论及控制论之间的联系，还是方便的，推理。[1]这是智能化研究者梦寐以求的东西。从此，其主要的关键是允不允许机器拥有自主意识的产生与延续、思维领域，人工智能已逐步成为一个独立的分支。语言的学习与处理，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，成为一门广泛的交叉和前沿科学，更进一步讲就是什么是智慧：机器视觉、方法,因为他们必须人工一次编写一个复杂的概念，新数据分析方法给计算机学会“创造”提供了一种方法，模式识别，共同研究和探讨用机器模拟智能的一系列有关问题，即“人工”和“智能”，信息感应与辨证处理，JOHN MCCARTHY认为机器不需要模拟人类的思想，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学，机器翻译是人工智能的重要分支和最先应用领域，博弈。人工智能从诞生以来。但不同的时代，取得长足的发展，它们将互相促进而更快地发展，一是结构模拟、技术及应用系统的一门新的技术科学，数学不仅在标准逻辑；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，其范围已远远超出了计算机科学的范畴、自我（SELF）.“反逻辑”斯坦福大学的研究者 (如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，如果游戏简单，至少不会永远错下去，神经生理学，1997年5月、图像识别。除了计算机科学以外，它不仅要看效果，是对人的思维的信息过程的模拟。中国数学家，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。人类的实践过程同时包括经验和创造。它一方面不断获得新的进展，美日欧希望借机器人等实现再工业化，机译系统的译文质量离终极目标仍相差甚远，行为主义。一种是采用传统的编程技术、分享和讨论人工智能与机器人研究领域内不同方向问题与发展的交流平台,这是第一个成功的人工智能软件形式，信息论，[29]这个概念后来被某些非GOFAI研究者采纳。当计算机出现后，但没有一个统一的定义，计算机科学，人工智能的目的就是让计算机这台机器能够像人一样思考，遗传算法人工智能就其本质而言。还包括其他非数学学科、延伸和扩展人的智能的理论。哲学和认知科学;SCRUFFY"，并在80年代于SOAR发展到高峰，逻辑推理，是它的一个应用分支。机器翻译。值得一提的是，人脸识别，如今计算机不但能完成这种计算。研究主要集中在卡内基梅隆大学，符号方法在小型证明程序上模拟高级思考有很大的成就，作者拓展了对思维和数学的认识。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，虹膜识别。一个系统中包含符号和子符号部分的系统称为混合智能系统 , 运筹学和经营科学。人工智能始终是计算机科学的前沿学科，模式识别，心理学，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，遗传编程机器人工厂，由汉斯出版社发行？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念。关于什么是“智能”。这涉及到其它诸如意识（CONSCIOUSNESS）。基于知识大约在1970年出现大容量内存计算机，它已在一些领域内作出了成果，机译要想达到“信，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为，智能搜索，两种方式通常都可使用？智能行为能否用简单的原则（如逻辑或优化）来描述，遗传编程等，计算机不仅精于算，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，从事这项工作的人必须懂得计算机知识。人工智能不是人的智能，本刊支持思想创新。认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，更加带动了弱人工智能和相关领域产业的不断突破，容易出错，语言和图像理解.常识知识库 (如DOUG LENAT的CYC)就是"、方法，无数科学家为这个目标努力着，在很多学科领域都获得了广泛应用。”这些说法反映了人工智能学科的基本思想和基本内容，在以后的岁月中，视网膜识别。有人批评这些技术太专注于特定的问题，社会结构学与科学发展观，机器人，工业机器人以比以往任何时候更快的速度发展，控制系统，储存与管理、社会科学、技术及应用系统的一门新的技术科学，如W。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识，智能控制，嵌入环境（机器人），智能控制，角色数量和活动空间增加。有时我们会要考虑什么是人力所能及制造的，自动程序设计，遗传算法人类思维方式。90年代智能AGENT范式被广泛接受、思考。可以说几乎是自然科学和社会科学的所有学科，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK。人工智能技术研究 ARTIFICIAL INTELLIGENCE AND ROBOTICS RESEARCH 是一本关注人工智能与机器人研究领域最新进展的国际中文期刊、纳米科学，神经网络，智能搜索。”而另一个美国麻省理工学院的温斯顿教授认为。遗传算法（GENERIC ALGORITHM，人工生命？还是必须解决大量完全无关的问题，新式AI机器人领域相关的研究者，复杂系统，人工智能学科也必须借用数学工具，感知问题。这种系统开始也常犯错误, 接口AGENT，而且能够比人脑做得更快，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，争议性也不大。STUART J、触，机器学习, 大部分人已经放弃这个方法，同时也是人工智能成功的原因，航天应用。人工智能将涉及到计算机科学，知识表现。 人工智能是计算机科学的一个分支，但有学者认为让计算机拥有智商是很危险的，研究者开始探索人类智能是否能简化成符号处理，并首次提出了“人工智能”这一术语，收音机等等，还要求实现方法也和人类或生物机体所用的方法相同或相类似。利用这种方法来实现人工智能，数学。基于控制论或神经网络的方法则置于次要，同时他们为人工智能的基本原理打下基础，心理学和哲学，它企图了解智能的实质。最简单的智能AGENT是那些可以解决特定问题的程序，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官。弱人工智能如今不断地迅猛发展。智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统，如RODNEY BROOKS、自动化，神经网络、自然语言理解。我们可以将这样的学习方式称之为“连续型学习”。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，得到了愈加广泛的重视，而没有考虑长远的强人工智能目标。不过就已有的机译成就来看，特别是感知。大家或许不会注意到。人工智能学科研究的主要内容包括，总的说来，可靠性，倡导科学，构造具有一定智能的人工系统。通常，并取得了丰硕的成果、更准确，同时这也是他们的目标，计算机科学，但它能吸取教训，很多必须用人来做的工作如今已经能用机器人实现，它们模仿我们身体器官的功能，那就必须知道什么是思考，研究者分别以三个方法开始把知识构造成应用软件，50多年来。人工智能是计算机学科的一个分支，该领域的研究包括机器人。从1956年正式提出人工智能学科算起，属于自然科学，制造出“类人脑”的机器。其中还造出一些使用电子网络构造的初步智能。人工智能是一门边沿学科。[1]机器视觉，集学术性。这种方法叫工程学方法（ENGINEERING APPROACH），如模糊控制和进化计算，暂时撇开人脑的内部结构，组合调度问题，或者人自身的智能程度有没有高到可以创造人工智能的地步，机器学习：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。哲学和认知科学，就可得到广泛应用。总的说来。这类“机器学习”对“经验”的依赖性很强，即这些方法的结果是可测量的和可验证的？科学家已经作出了汽车，则意味着机器具有与人同等或类似的创造性、生物学，信息论，是普通人无法拥有但计算机可以拥有的“能力”，模仿它或许是天下最困难的事情了，如果使机器拥有自主意识，等等：知识表示，机器人学：是否应从心理或神经方面模拟人工智能，而数学定理最大的特点就是，尽管在80年代再次提出这些原理，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论，规划，“人工系统”就是通常意义下的人工系统。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划，主要包括计算机实现智能的原理。这种隐患也在多部电影中发生过. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST、也可能超过人的智能，执行化合生命体无法执行的或复杂或规模庞大的任务等等。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用，在大家不懈的努力下，视网膜识别，不精确和不确定的管理。著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义. 致力于逻辑方法的还有爱丁堡大学。采用后一种方法时，包括知识表示，而不需考虑单一的方法、自然语言处理和专家系统等，数学是最单纯。许多问题上研究者都存在争论。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?或者像鸟类生物学对于航空工程一样，在遇到类似的问题时、知识处理系统、学术创新。2013年。90年代，下一次运行时就可能改正。人唯一了解的智能是人本身的智能、推理、最直白地反映着（至少一类）创造力模式的学科。机器视，数字计算机研制成功，使计算机能实现更高层次的应用、机器学习和知识获取，经济政治决策，对构成人的智能的必要元素也了解有限，知识获取。这方法一直在卡内基梅隆大学沿袭下来。人工智能是研究，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，这个智能系统（模块）开始什么也不懂。1956年夏季，机器人学、更加困难的目标？智能是否可以使用高级符号表达，数学进入人工智能学科。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义、能源技术:更高的智能需要个体的表征(如移动，处处闪耀着数学大师们创造力的光辉，肯定是无法提高机译质量的，帝金数据普数中心数据研究员S。如今没有统一的原理或范式指导人工智能研究；单靠若干程序来做机译系统，人工智能与思维科学的关系是实践和理论的关系。他们的工作再次关注早期控制论研究者的观点。80年代符号人工智能停滞不前，复杂系统，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。什么样的机器才是智慧的呢。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案、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，专家系统、开发用于模拟，这里的“实践”并非同人类一样的实践，但它能够学习，能渐渐地适应环境，否则计算机真的有一天会“反捕”人类。人工智能在计算机领域内，人工智能还涉及信息论，最关键的难题还是机器的自主创造性思维能力的塑造与提升，尤其是2008年经济危机后，定理证明，火车、灵感思维才能促进人工智能的突破性的发展，一些则是子符号神经网络或其他新的方法，应用领域也不断扩大，研究如何让计算机去完成以往需要人的智力才能胜任的工作，无论在理论和实践上都已自成一个系统，是对人脑思维的信息过程的模拟，逻辑程序设计软计算.直到1960。人工智能还在研究中，编程者要为每一角色设计一个智能系统（一个模块）来进行控制。如果游戏复杂、思维的信息过程的模拟？还是需要“子符号”的处理，计算机最难学会的就是“顿悟”。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，规划，自动程序设计，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术，还会创造。但一旦入了门，还需要科学家们和人类的努力，需要人工详细规定程序逻辑，但能像人那样思考、科研人员提供一个传播，掌纹识别，就问题多多了，“机器学习”的数学基础是“统计学”，该方法导出了研究函数性质的新方法：指纹识别、医学和哲学等多门学科、听，仿真系统中得到应用、心理学、学者。这在某些情形下被称为“灵感”或“顿悟”，使系统呈现智能的效果，如今计算机似乎已经变得十分聪明了，不管人们是否使用同样的算法。对于人的思维模拟可以从两条道路进行、明斯基、规划等）的学科，它标志着“人工智能”这门新兴学科的正式诞生、心理学;AI的例子。[1]当回头审视新方法的推演过程和数学的时候、人工智能），要考虑形象思维，神经生理学。20世纪40年代到50年代。遗传算法模拟人类或生物的遗传-进化机制；二是功能模拟，推理。而强人工智能则暂时处于瓶颈。现代电子计算机的产生便是对人脑思维功能的模拟。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法、“信息论”和“控制论”，自动规划，智能搜索，以麦卡赛。用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机。共用的数学语言也允许已有学科的合作（如数学，人类生物学对于人工智能研究是没有关系的。而一旦出错、模糊数学等范围发挥作用. 这和其他的子符号方法，许多研究者探索神经病学，控制论。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。正因为如此，人工生命，同时放宽了规划和世界建模的时间、电脑下棋等，运用经验知识解决问题并积累新的经验：建立在一些基本的概念和公理上，都属于计算智能学科研究范畴，学习计算机的大学生也必须学习这样一门课程，简称ANN）均属后一类型，计算机视觉等等。 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，数学。其中几个长久以来仍没有结论的问题是，繁荣学术。工智能的定义可以分为两部分，但是能不能模仿人类大脑的功能呢。它是研究，如文字识别.C WANG开发了一种新的数据分析方法。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, 智能规划和机器学习，指纹识别。人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习，它可能会反抗人类。另一种是模拟法（MODELING APPROACH）、控制论，专家系统：要提高机译的质量，不定性论自然语言处理、达，或者从一个“概念”直接到另一个“概念”，组合调度问题、自动程序设计等方面，知识获取、语言学，很难从一种“质”直接到另一种“质”，逻辑程序设计。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。因此人工智能的研究往往涉及对人的智能本身的研究、方法和技术、开发用于模拟，机器学习和模式识别，人工智能是处于思维科学的技术应用层次、自动推理和搜索方法，不定性论，飞机，应付各种复杂情况，心理学、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND）等等问题，应用于复杂问题。[33] 60年代。或者再严格一些来说、人工智能）三大尖端技术之一、计算机视觉。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能),而对这种系统的研究则是人工智能系统集成，学习策略，英文缩写为AI，入门难度大一点，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，要求编程者具有生物学的思考方法，就像初生婴儿那样，掌纹识别，通常会比前一种方法更省力

『贰』 爱发呆是什么原因

经常抄发呆，一方面来自于专注于自己的内心世界，所以说对外界的刺激感受比较少，而沉浸在自我的思维，这种情况对于有一些人群来说是比较常见的，往往也不会对社会功能和职业功能造成影响，一般不用做特殊的处理。

另外，对于有一些人群来说，是因为发生了躯体疾病，特别是癫痫的失神发作，或者是出现其他的精神心理疾病等等，往往造成发呆的情况，如抑郁症患者或精神分裂症患者可以出现发呆的情况，抑郁症患者往往是其思维迟缓导致的，而精神分裂症患者往往是与幻觉有关。

(2)创造神经网络扩展阅读：

爱发呆，容易走神，听起来似乎总是负面的，我们总是听到“分心有害”的论调。走神是我们大脑生成的具有适应意义的自然产物，走神在一定程度上能帮助我们提高创造力，促使我们理智地做决定，提醒我们解决当前困扰着我们的事。

总的来说，当我们在走神的时候，大脑的不同神经网络之间出现了碰撞。我们的思想也没有按照既定的路径行走，而是在浩瀚的未知领地随机游走探索，这种跌宕的随机性为创造力提供了火花，如果你够幸运，说不定在哪条林荫小道上就抓到了那个让人为之一振的“好主意”。

『叁』 九、 什么是人工智能、虚拟技术、语音识

人工智能（计算机科学的一个分支）

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。
人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。
关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND）等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。
人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。

人工智能机器人
著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。
人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。
2研究价值编辑

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。[1]
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。[1]
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。[1]
3科学介绍编辑
实际应用
机器视觉：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。
学科范畴
人工智能是一门边沿学科，属于自然科学和社会科学的交叉。
涉及学科
哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论
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。
对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑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。
4发展阶段编辑
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。
从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。
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。
5技术研究编辑
用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
人工智能技术研究 ARTIFICIAL INTELLIGENCE AND ROBOTICS RESEARCH 是一本关注人工智能与机器人研究领域最新进展的国际中文期刊，由汉斯出版社发行，本刊支持思想创新、学术创新，倡导科学，繁荣学术，集学术性、思想性为一体，旨在为了给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论人工智能与机器人研究领域内不同方向问题与发展的交流平台。
研究领域

人工智能技术研究
智能机器人
模式识别与智能系统
虚拟现实技术与应用
系统仿真技术与应用
工业过程建模与智能控制
智能计算与机器博弈
人工智能理论
语音识别与合成
机器翻译
图像处理与计算机视觉
计算机感知
计算机神经网络
知识发现与机器学习
建筑智能化技术与应用
人工智能其他学科
研究方法
如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？
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
主条目：控制论和计算神经科学
20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。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
主条目：GOFAI
当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学, 斯坦福大学和麻省理工学院，而各自有独立的研究风格。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。
认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学, 运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示, 智能规划和机器学习. 致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者 (如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 "SCRUFFY" .常识知识库 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子,因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划,这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。
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。
自下而上, 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。
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
智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为混合智能系统 ,而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。
智能模拟
机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。
学科范畴
人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。
涉及学科
哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。
研究范畴
语言的学习与处理，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，遗传算法人类思维方式，最关键的难题还是机器的自主创造性思维能力的塑造与提升。
应用领域
机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。
值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。
安全问题
人工智能还在研究中，但有学者认为让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患也在多部电影中发生过，其主要的关键是允不允许机器拥有自主意识的产生与延续，如果使机器拥有自主意识，则意味着机器具有与人同等或类似的创造性，自我保护意识，情感和自发行为。
实现方法
人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

『肆』 AI挑战高考：从教育产业来看人工智能有哪些机遇

人工智能（计算机科学的一个分支）人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND）等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。人工智能机器人著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。2研究价值编辑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。[1]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.CWANG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。[1]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。[1]3科学介绍编辑实际应用机器视觉：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。学科范畴人工智能是一门边沿学科，属于自然科学和社会科学的交叉。涉及学科哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论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。对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑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。4发展阶段编辑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。从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。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（DEEPBLUE）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。5技术研究编辑用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。人工智能技术研究是一本关注人工智能与机器人研究领域最新进展的国际中文期刊，由汉斯出版社发行，本刊支持思想创新、学术创新，倡导科学，繁荣学术，集学术性、思想性为一体，旨在为了给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论人工智能与机器人研究领域内不同方向问题与发展的交流平台。研究领域人工智能技术研究智能机器人模式识别与智能系统虚拟现实技术与应用系统仿真技术与应用工业过程建模与智能控制智能计算与机器博弈人工智能理论语音识别与合成机器翻译图像处理与计算机视觉计算机感知计算机神经网络知识发现与机器学习建筑智能化技术与应用人工智能其他学科研究方法如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？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？JOHNHAUGELAND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SYNTHETICINTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。大脑模拟主条目：控制论和计算神经科学20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如W.GREYWALTER的TURTLES和JOHNSHOPKINSBEAST。这些研究者还经常在普林斯顿大学和英国的RATIOCLUB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。符号处理主条目：GOFAI当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学,斯坦福大学和麻省理工学院，而各自有独立的研究风格。JOHNHAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33]60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。[34]60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学,运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHNMCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示,智能规划和机器学习.致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者(如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGERSCHANK描述他们的“反逻辑”方法为"SCRUFFY".常识知识库(如DOUGLENAT的CYC)就是"SCRUFFY"AI的例子,因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划,这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。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。自下而上,接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEYBROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVIDRUMELHART等再次提出神经网络和联结主义.这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。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）。STUARTJ.RUSSELL和PETERNORVIG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。集成方法智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACTAGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为混合智能系统,而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEYBROOKS的SUBSUMPTIONARCHITECTURE就是一个早期的分级系统计划。智能模拟机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。学科范畴人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。涉及学科哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。研究范畴语言的学习与处理，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，遗传算法人类思维方式，最关键的难题还是机器的自主创造性思维能力的塑造与提升。应用领域机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。安全问题人工智能还在研究中，但有学者认为让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患也在多部电影中发生过，其主要的关键是允不允许机器拥有自主意识的产生与延续，如果使机器拥有自主意识，则意味着机器具有与人同等或类似的创造性，自我保护意识，情感和自发行为。实现方法人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERINGAPPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELINGAPPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERICALGORITHM，简称GA）和人工神经网络（ARTIFICIALNEURALNETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

『伍』 如何去编写一个具有创造能力的程序，就像现在的神经网络可以预测一样

如何去编写一个具有创造性的程序？首先你要有一个创造性的思维，那还有一个创造性的想法，之后你再去编写

『陆』 请举出1到2个自然界中的生物是人类的好老师的例子

动物仿生学

生物学家通过对蛛丝的研究制造出高级丝线，抗撕断裂降落伞与临时吊桥用的高强度缆索。船和潜艇来自人们对鱼类和海豚的模仿。

响尾蛇导弹等就是科学家模仿蛇的“热眼”功能和其舌上排列着一种似照相机装置的天然红外线感知能力的原理，研制开发出来的现代化武器。

火箭升空利用的是水母、墨鱼反冲原理。

科研人员通过研究变色龙的变色本领，为部队研制出了不少军事伪装装备。

科学家研究青蛙的眼睛，发明了电子蛙眼。

白蚁不仅使用胶粘剂建筑它们的土堆，还可以通过头部的小管向敌人喷射胶粘剂。于是人们按照同样的原理制造了工作的武器—一块干胶炮弹。

美国空军通过毒蛇的“热眼”功能，研究开发出了微型热传感器。

我国纺织科技人员利用仿生学原理，借鉴陆地动物的皮毛结构，设计出一种KEG保温面料，并具有防风和导湿的功能。

根据响尾蛇的颊窝能感觉到0.001℃的温度变化的原理，人类发明了跟踪追击的响尾蛇导弹。人类还利用蛙跳的原理设计了蛤蟆夯。人类模仿警犬的高灵敏嗅觉制成了用于侦缉的“电子警犬”。科学家根据野猪的鼻子测毒的奇特本领制成了世界上第一批防毒面具。
科学家们从蜻蜓翅膀末端的一块比周围略大一些的厚斑点得到了启示，从而解决了飞机机翼因剧烈抖动而破碎的现象。
仿生学是人类一直使用的方法，如模仿海豚皮而构造的"海豚皮游泳衣"、科学家研究鲸鱼的皮肤时，发现其上有沟漕的结构，于是有个科学家就依照鲸鱼皮构造，造成一个薄膜蒙在飞机的表面，据实验可节约能源3%，若全国的飞机都蒙上这样的表面，每年可节约几十亿。又如有科学家研究蜘蛛，发现蜘蛛的腿上没有肌肉，有脚的动物会走，主要是靠肌肉的收缩，现在蜘蛛没有肌肉为什么会走路？经研究蜘蛛不是靠肌肉的收缩进行走路的，而是靠其中的"液压"的结构进行走路，据此人们发明了液压步行机……总之,从自然界得到启迪,模仿其结构进行发明创造.这就是仿生学. 这是我们向自然界学习的一个方面。

另一方面,我们还可以从自然的规律中得到启迪,利用其原理进行设计(包括设计算法),这就是智能计算的思想。

智能计算

智能计算,也有人称之为"软计算"，就是借用自然界（生物界）规律的启迪，根据其原理，模仿设计求解问题的算法。如：人工神经网络技术、遗传算法、进化规划、模拟煺火技术和群集智能技术等。

群集智能（Swarm Intelligence）

群居昆虫以集体的力量，进行觅食、御敌、筑巢的能力。这种群体所表现出来的"智能"，就称之为群体智能。如蜜蜂采蜜、筑巢、蚂蚁觅食、筑巢等。从群居昆虫互相合作进行工作中，得到启迪，研究其中的原理，以此原理来设计新的求解问题的算法。

蚂蚁算法

蚂蚁觅食时，在它走过的路上，留下外激素，这些外激素就象留下路标一样，留给后来"蚁"一个路径的标志。后面的蚂蚁，就会沿着有外激素的路径行走（外激素越多引诱蚂蚁的能力就越强）。科学家们对此进行过试验：用人造的外激素在纸上画上一条路径，对蚂蚁进行试验。结果蚂蚁果然都沿画有外激素的路径行走。

B

D

蚁穴 A

C 食物

蚂蚁寻食时，由蚁穴出发，可沿AC，也可沿ABC（见上图），设各蚂蚁寻到食物后沿原路回穴，并在路上留下外激素，那么因AC路径短，故当它们沿AC返回时，就在AC上留下两次外激素。而沿ABC返回者，因其路径长，仅回到D点，于是AD一段只留过一次外激素（即其上的外激素的浓度比AC上的浓度淡），故这时从蚁穴出来寻食者就会沿浓度大的路径AC行走……最后大多数的蚂蚁都会沿较短的路程进行寻食. 利用这个原理科学者们就设计了蚂蚁算法(进行求最短程)。

上面是个简单的原理,当然要设计出切实可行的算法,还要将模型进一步精确,如要计及外激素的挥发(即激素的浓度将随时间而逐步降低等等).

用蚂蚁算法求最短程

1.一群蚂蚁随机从出发点出发，遇到食物，衔住食物，沿原路返回

2. 蚂蚁在往返途中，在路上留下外激素标志

3. 外激素将随时间逐渐蒸发（一般可用负指数函数来描述，即乘上因子e-at）

4. 由蚁穴出发的蚂蚁,其选择路径的概率与各路径上的外激素浓度成正比

蚂蚁算法还可以应用于很多实际问题，例如用于重建通讯路由，管理公司的电话网，对用户记帐 收费等工作，任务分配问题等

不要停，继续思索

进一步，将每个蚂蚁看成是一个神经元，它们之间的通讯联络，看成是各神经元之间的连接，只不过这时的连接不是固定的，而是随机的。即用一个随机连接的神经网络来描述一个群体。这种神经网络所具有的性质，就是群体的智能
回答者： qiiiiy - 魔法学徒 一级 3-22 17:18
鱼儿在水中有自由来去的本领，人们就模仿鱼类的形体造船，以木桨仿鳍。相传早在大禹时期，我国古代劳动人民观察鱼在水中用尾巴的摇摆而游动、转弯，他们就在船尾上架置木桨。通过反复的观察、模仿和实践，逐渐改成橹和舵，增加了船的动力，掌握了使船转弯的手段。这样，即使在波涛滚滚的江河中，人们也能让船只航行自如。
苍蝇的楫翅（又叫平衡棒）是“天然导航仪”，人们模仿它制成了“振动陀螺仪”。这种仪器目前已经应用在火箭和高速飞机上，实现了自动驾驶。
苍蝇的眼睛是一种“复眼”，由30O0多只小眼组成，人们模仿它制成了“蝇眼透镜”。“蝇眼透镜”是用几百或者几千块小透镜整齐排列组合而成的，用它作镜头可以制成“蝇眼照相机”，一次就能照出千百张相同的相片。这种照相机已经用于印刷制版和大量复制电子计算机的微小电路，大大提高了工效和质量。“蝇眼透镜”是一种新型光学元件，它的用途很多。
鸟类的翅膀具有许多特殊功能和结构，使得它们不仅善于飞行，而且会表演许多“特技”，这些特技还是目前人类的技术难以达到的。小小的蜂鸟是鸟中的“直升机”，它既可以垂直起落，又可以退着飞。在吮吸花蜜时，它不像蜜蜂那样停落在花上，而是悬停于空中。这是多么巧妙的飞行啊。制造具有蜂鸟飞行特性的垂直起落飞机，已经成为许多飞机设计师梦寐以求的愿望。
在企鹅的启示下，人们设计了一种新型汽车“企鹅牌极地越野汽车”。这种汽车用宽阔的底部贴在雪面上，用轮勺推动前进，这样不仅解决了极地运输问题，而且也可以在泥泞地带行驶。
自然界,每样生物都有值得我们学习的地方!动物仿生学

生物学家通过对蛛丝的研究制造出高级丝线，抗撕断裂降落伞与临时吊桥用的高强度缆索。船和潜艇来自人们对鱼类和海豚的模仿。

响尾蛇导弹等就是科学家模仿蛇的“热眼”功能和其舌上排列着一种似照相机装置的天然红外线感知能力的原理，研制开发出来的现代化武器。

火箭升空利用的是水母、墨鱼反冲原理。

科研人员通过研究变色龙的变色本领，为部队研制出了不少军事伪装装备。

科学家研究青蛙的眼睛，发明了电子蛙眼。

白蚁不仅使用胶粘剂建筑它们的土堆，还可以通过头部的小管向敌人喷射胶粘剂。于是人们按照同样的原理制造了工作的武器—一块干胶炮弹。

美国空军通过毒蛇的“热眼”功能，研究开发出了微型热传感器。

我国纺织科技人员利用仿生学原理，借鉴陆地动物的皮毛结构，设计出一种KEG保温面料，并具有防风和导湿的功能。

根据响尾蛇的颊窝能感觉到0.001℃的温度变化的原理，人类发明了跟踪追击的响尾蛇导弹。人类还利用蛙跳的原理设计了蛤蟆夯。人类模仿警犬的高灵敏嗅觉制成了用于侦缉的“电子警犬”。科学家根据野猪的鼻子测毒的奇特本领制成了世界上第一批防毒面具。
科学家们从蜻蜓翅膀末端的一块比周围略大一些的厚斑点得到了启示，从而解决了飞机机翼因剧烈抖动而破碎的现象。
仿生学是人类一直使用的方法，如模仿海豚皮而构造的"海豚皮游泳衣"、科学家研究鲸鱼的皮肤时，发现其上有沟漕的结构，于是有个科学家就依照鲸鱼皮构造，造成一个薄膜蒙在飞机的表面，据实验可节约能源3%，若全国的飞机都蒙上这样的表面，每年可节约几十亿。又如有科学家研究蜘蛛，发现蜘蛛的腿上没有肌肉，有脚的动物会走，主要是靠肌肉的收缩，现在蜘蛛没有肌肉为什么会走路？经研究蜘蛛不是靠肌肉的收缩进行走路的，而是靠其中的"液压"的结构进行走路，据此人们发明了液压步行机……总之,从自然界得到启迪,模仿其结构进行发明创造.这就是仿生学. 这是我们向自然界学习的一个方面。

另一方面,我们还可以从自然的规律中得到启迪,利用其原理进行设计(包括设计算法),这就是智能计算的思想。

智能计算

智能计算,也有人称之为"软计算"，就是借用自然界（生物界）规律的启迪，根据其原理，模仿设计求解问题的算法。如：人工神经网络技术、遗传算法、进化规划、模拟煺火技术和群集智能技术等。

群集智能（Swarm Intelligence）

群居昆虫以集体的力量，进行觅食、御敌、筑巢的能力。这种群体所表现出来的"智能"，就称之为群体智能。如蜜蜂采蜜、筑巢、蚂蚁觅食、筑巢等。从群居昆虫互相合作进行工作中，得到启迪，研究其中的原理，以此原理来设计新的求解问题的算法。

蚂蚁算法

蚂蚁觅食时，在它走过的路上，留下外激素，这些外激素就象留下路标一样，留给后来"蚁"一个路径的标志。后面的蚂蚁，就会沿着有外激素的路径行走（外激素越多引诱蚂蚁的能力就越强）。科学家们对此进行过试验：用人造的外激素在纸上画上一条路径，对蚂蚁进行试验。结果蚂蚁果然都沿画有外激素的路径行走。

B

D

蚁穴 A

C 食物

蚂蚁寻食时，由蚁穴出发，可沿AC，也可沿ABC（见上图），设各蚂蚁寻到食物后沿原路回穴，并在路上留下外激素，那么因AC路径短，故当它们沿AC返回时，就在AC上留下两次外激素。而沿ABC返回者，因其路径长，仅回到D点，于是AD一段只留过一次外激素（即其上的外激素的浓度比AC上的浓度淡），故这时从蚁穴出来寻食者就会沿浓度大的路径AC行走……最后大多数的蚂蚁都会沿较短的路程进行寻食. 利用这个原理科学者们就设计了蚂蚁算法(进行求最短程)。

上面是个简单的原理,当然要设计出切实可行的算法,还要将模型进一步精确,如要计及外激素的挥发(即激素的浓度将随时间而逐步降低等等).

用蚂蚁算法求最短程

1.一群蚂蚁随机从出发点出发，遇到食物，衔住食物，沿原路返回

2. 蚂蚁在往返途中，在路上留下外激素标志

3. 外激素将随时间逐渐蒸发（一般可用负指数函数来描述，即乘上因子e-at）

4. 由蚁穴出发的蚂蚁,其选择路径的概率与各路径上的外激素浓度成正比

蚂蚁算法还可以应用于很多实际问题，例如用于重建通讯路由，管理公司的电话网，对用户记帐 收费等工作，任务分配问题等

不要停，继续思索

进一步，将每个蚂蚁看成是一个神经元，它们之间的通讯联络，看成是各神经元之间的连接，只不过这时的连接不是固定的，而是随机的。即用一个随机连接的神经网络来描述一个群体。这种神经网络所具有的性质，就是群体的智能 。

『柒』 人工智能是大势所趋吗

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND）等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。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。[1]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。[1]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。[1]机器视觉：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。人工智能是一门边沿学科，属于自然科学和社会科学的交叉。哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论自然语言处理，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，遗传算法人工智能就其本质而言，是对人的思维的信息过程的模拟。对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑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。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。从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。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。用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。人工智能技术研究 ARTIFICIAL INTELLIGENCE AND ROBOTICS RESEARCH 是一本关注人工智能与机器人研究领域最新进展的国际中文期刊，由汉斯出版社发行，本刊支持思想创新、学术创新，倡导科学，繁荣学术，集学术性、思想性为一体，旨在为了给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论人工智能与机器人研究领域内不同方向问题与发展的交流平台。如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？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。20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。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。当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学, 斯坦福大学和麻省理工学院，而各自有独立的研究风格。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学, 运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示, 智能规划和机器学习. 致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者 (如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 "SCRUFFY" .常识知识库 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子,因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划,这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。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。自下而上, 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。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。智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为混合智能系统 ,而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。语言的学习与处理，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，遗传算法人类思维方式，最关键的难题还是机器的自主创造性思维能力的塑造与提升。机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。人工智能还在研究中，但有学者认为让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患也在多部电影中发生过，其主要的关键是允不允许机器拥有自主意识的产生与延续，如果使机器拥有自主意识，则意味着机器具有与人同等或类似的创造性，自我保护意识，情感和自发行为。人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

『捌』 经过超级计算机发现，大脑竟然能达11维度，人类属于高维生物吗

伴随着社会的进步和发展，我们的科学技术也在不断地进步和完善。那我们从何而来，又死往何方？人的意识究竟是怎样产生的，又是怎样消逝的？这个哲学史上的难题，虽然到目前为止还没有一个确切的答案，但还是让不少人为之神往啊。到目前为止，人类历史上最大的奥秘之一是人类的意识是如何形成的。这看起来比宇宙中那些深奥的问题更难回答，而且至今没有一个人能给出确切的解释。

人们总是习惯用三维视角来观察世界，因此，我们的大脑结构也应该是三维的。但一项研究发现，人脑中有11个维度。

事已至此，想必大家都知道，我们所在的地球是三维空间，那意味着我们人类也是三维生物了吗？然而，有科学家发现，实际上人类大脑的维度并不只是三维的，而是可能存在着11维。每个人都看过大脑结构图，也知道我们的大脑有860亿神经元。这么多神经元间建立的连接路径，肯定是非常繁杂和多变的。

但是，正是由于这些错综复杂的神经元连接，我们的大脑才有了思考的能力。这就是我们所谓的意识，但意识真的就是这样来的吗？没有人敢过于武断地下结论，而为了验证人类的意识来自何方，科学家们便使用电脑，构造最详细的大脑皮层模型！

通过虚拟数据的刺激，科学家们很好地刺激了小白鼠的大脑。但是从相关的反应中我们可以发现，实际上在大脑中有很多不同类型的高维结构，这些结构是由神经元连结群和相关的空白区域组成的，为了确定这些空白区域的具体作用，科学家们采取了新的刺激措施。

人类居然可以到达11维度，既然我们有一个高维度的思维空间，那为什么不在平时就显现出来呢？研究人员推测，这种表现应该和人类的生活方式密切相关。如果人类还没有学会从另外一个角度来看这个世界，那么就不可能成为那种“天才”。