人工智能定义详解

人工智能将帮助我们更好地理解我们起初所说的智能的意思。过去，我们可能会说只有那种超级聪明的人工智能产品才能开车，而一旦人工智能做到了那些事情，我们就会觉得这些成就显得机械又刻板，并不能够被称为真正意义上的智能。事实上，人工智能的每一次成功，每一次重新定义人，其实也是人类的成功，也是在定义人类自身。

●人工智能的概念

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。

人工智能属于自然科学和社会科学的交叉，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。例如繁重的科学和工程计算本来是要人脑来承担的，现在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，因之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，一方面又转向更有意义、更加困难的目标。

●机器学习与人工智能

机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。例如，它们遇到错误时不能自我校正；不会通过经验改善自身的性能；不会自动获取和发现所需要的知识。它们的推理仅限于演绎而缺少归纳，因此至多只能够证明已存在事实、定理，而不能发现新的定理、定律和规则等。随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。其中尤其典型的是专家系统中的知识获取瓶颈问题，人们一直在努力试图采用机器学习的方法加以克服。

机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。

●模式识别与人工智能

模式识别是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。计算机模式识别在20世纪60年代初迅速发展并成为一门新学科。它是指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。

计算机模式识别研究主要集中在两方面，一是研究生物体（包括人）是如何感知对象的，属于认识科学的范畴，二是在给定的任务下，如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家和神经生理学家的研究内容，后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力，已经取得了系统的研究成果。

应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。这些对象与数字形式的信息相区别，称为模式信息。模式识别所分类的类别数目由特定的识别问题决定。有时，开始时无法得知实际的类别数，需要识别系统反复观测被识别对象以后确定。

计算机模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。例如自适应或自组织的模式识别系统包含了人工智能的学习机制；人工智能研究的景物理解、自然语言理解也包含模式识别问题。又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。

●人工神经网络与人工智能

人工神经网络，是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。

人工神经网络是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。具有四个基本特征：非线性非线性关系是自然界的普遍特性；非局限性一个神经网络通常由多个神经元广泛连接而成；非常定性人工神经网络具有自适应、自组织、自学习能力；非凸性一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。

人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。

●知识工程与人工智能

知识工程（KBE）又称知识处理学，是在计算机上建立专家系统的技术。其研究内容主要包括知识的获取、知识的表示以及知识的运用和处理等三大方面。

人们在解题的过程中，首先运用已有的知识开始进行启发式的解题，并在解题中不断修正旧知识，获取新知识，从而丰富和深化已有的知识，然后再在一个更高的层次上运用这些知识求解问题，如此循环往复，螺旋式上升，直到把问题解决为止。由此可见，在这种解题的过程中，人们所运用和操作的对象主要是各种知识（当然也包括各种有关的数据），因此也就是一个知识处理的过程。

●专家系统与人工智能

专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。

专家系统是人工智能应用研究最活跃和最广泛的课题之一。它运用特定领域的专门知识，通过推理来模拟通常由人类专家才能解决的各种复杂的、具体的问题，达到与专家具有同等解决问题能力的计算机智能程序系统。它能对决策的过程做出解释，并有学习功能，即能自动增长解决问题所需的知识。

为了使计算机能运用专家的领域知识，必须要采用一定的方式表示知识。目前常用的知识表示方式有产生式规则、语义网络、框架、状态空间、逻辑模式、脚本、过程、面向对象等。基于规则的产生式系统是目前实现知识运用最基本的方法。

●图灵测试与人工智能

图灵测试又称“图灵判断”，是誉为“计算机科学之父”和“人工智能之父”的英国人艾伦·麦席森·图灵提出的一个关于机器人的著名判断原则。是一种测试机器是否具备人类智能的方法。

如果说现在有一台电脑，其运算速度非常快、记忆容量和逻揖单元的数目也超过了人脑，而且还为这台电脑编写了许多智能化的程序，并提供了合适种类的大量数据，使这台电脑能够做一些人性化的事情，如简单地听或说，回答某些问题等，那么，我们是否就能说这台机器具有思维能力了呢？或者说，我们怎样才能判断一台机器是否具存了思维能力呢？为了检验一台机器是否能合情理地被说成在思想，图灵提出了一种称作图灵试验的方法。

这个方法认为，被测试的有一个人，另一个是声称自己有人类智力的机器。测试时，测试人与被测试人是分开的，测试人只有通过一些装置（如键盘）向被测试人问一些问题，这些问题随便是什么问题都可以。问过一些问题后，如果测试人能够正确地分出谁是人谁是机器，那机器就没有通过图灵测试，如果测试人没有分出谁是机器谁是人，那这个机器就是有人类智能的。目前还没有一台机器能够通过图灵测试，也就是说，计算机的智力与人类相比还差得远呢。比如自动聊天机器人。同时图灵试验还存在一个问题，如果一个机器具备了“类智能”运算能力，那么通过图灵试验的时间会延长，那么多长时间合适呢，这也是后继科研人员正在研究的问题。

图灵测试没有规定问题的范围和提问的标准，如果想要制造出能通过试验的机器，以我们现在的技术水平，必须在电脑中储存人类所有可以想到的问题，储存对这些问题的所有合乎常理的回答，并且还需要理智地做出选择。

随着人类发明出越来越多种类的人工智能产品，将不得不放弃更多被视为人类所独有能力的观点。现在，人工智能有了更好的发展环境，大数据、数据挖掘、神经网络、云计算等炙手可热的技术则成为人工智能技术发展的温床。在这之中最为讽刺的是，人类每日接触的实用性人工智能产品所带来的最大益处，不在于提高产能、扩充经济或是带来一种新的科研方式，而在于人工智能将帮助我们定义人类。我们需要人工智能来告诉我们：我们究竟是谁？