人工智能综述以及未来.docx

人工智能综述以及未来摘要：人工智能在模式识别、知识工程、机器人等领域已取得重大成就,但离真正的人类智能还相差甚远。当今网络时代,人工智能科学要在学科交叉研究中实现人工智能的发展与创新,会更加关注认知科学、脑科学、生物智能、物理学、网络科学与人工智能之间的交叉渗透,重视认知物理学的研究；自然语言是人工智能研究知识表示无法回避的直接对象,要对语言中的概念建立起能够定量表示的不确定性转换模型,发展不确定性人工智能;要利用现实生活中复杂网络的小世界模型和无标度特性,把网络拓扑作为知识表示的一种新方法,研究网络拓扑的演化与网络动力学行为,研究网络智能。人工智能国内外的发展以及新型技术在实践中的应用都会对于人类社会有着良好的效应。关键词：网络时代;人工智能;不确定性人工智能;网络智能;网络拓扑；分布式人工智能Artificia1.inte1.1.igencereviewandfutureQuWei(xianindustria1.universitycomputerscienceandengineeringco1.1.ege)Abstract:Artificia1.inte1.1.igenceinpatternrecognition,know1.edgeengineering,robothasmadegreatachievementsinthefie1.d,butfromtherea1.humaninte1.1.igencea1.sovarygreat1.y.Today'snetworkera,artificia1.inte1.1.igencesciencetorea1.izethecross-discip1.inaryresearchdeve1.opmentandinnovationofartificia1.inte1.1.igence,wi1.1.paymoreattentiontothecognitivescience,brain,inte1.1.igent,physics,networkscienceandartificia1.inte1.1.igence,payingattentiontotheintersectionofinfi1.trationofcognitivephysicsresearch;Thenatura1.1.anguageistheartificia1.inte1.1.igenceresearchknow1.edgerepresentationunavoidab1.edirectobject,theconceptof1.anguagetobui1.dtotheuncertaintyofaquantitativerepresentationtransformationmode1.,deve1.opmentuncertaintyartificia1.inte1.1.igence;Touserea1.1.ifecomp1.exnetworkofsma1.1.wor1.dmode1.andsca1.e-freecharacteristics,thenetworktopo1.ogyasknow1.edgerepresentation,anewmethodtostudytheevo1.utionofthenetworktopo1.ogywithnetworkdynamicsbehavior,researchnetworkinte1.1.igence.Thedeve1.opmentofartificia1.inte1.1.igenceandnewtechno1.ogyathomeandabroadforapp1.icationinpracticewi1.1.havegoodeffectofhumansociety.Keywords:Networktimes;Artificia1.inte1.1.igence;Uncertaintyartificia1.1.yinte1.1.igent;Networkinte1.1.igence;Thetopo1.ogyofthenetwork;Distributedartificia1.inte1.1.igence人工智能(ArtifiCiaIInte1.1.igence),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”一词最初是在1956年美国计算机协会组织的达特莫学会上提出的。自那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。由于智能概念的不确定，人工智能的概念一直没有一个统一的标准。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学。”而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。诸如此类的定义基本都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。人工智能学科的出现与发展不是偶然的、孤立的，它是与整个科学体系的演化和发展进程密切相关的。人工智能是自然智能（特别是人的智能）的模拟、延伸和扩展，即研究“机器智能”，也开发“智能机器”。如果把计算机看作是宝剑,那么人工智能就是高明灵巧的剑法。英国科学家图灵于1936年提出“理论计算机”模型,被称之为“图灵机”，创立了“自动机理论”。1950年，图灵发表了著名论文计算机能思维吗?，明确地提出了“机器能思维”的观点。1956年夏季,在美国达特摩斯大学，由麦卡赛、明斯基、香农等发起，由西蒙、塞缪尔、纽厄尔等参加,举行了关于“如何用机器模拟人的智能”的学术研讨会，第一次正式采用“人工智能”的术语。这次具有历史意义的、为期两个月之久的学术会议,标志着“人工智能”新学科的诞生。人类在进入新世纪时对未来充满新的更大的希望。科技进步必将为各国的可持续发展提供根本保隙，科技新成果必将在更大的广度和深度上造福于人类。人工智能学科及其“智能制品”的重要作用已为人们普遍共识。最近，中国教育部决定在中学开设人工智能新课程就是一个新的例证。人工智能获得很大发展，它引起众多学科和不同专业背景学者们的日益重视,成为一门广泛的交叉和前沿科学。国际上人工智能研究作为一门前沿和交叉学科,伴随着世界社会进步和科技发展的步伐，与时俱进，在过去十多年中已取得长足进展。在国内，人工智能已得到迅速传播与发展，并促进其它学科的发展。吴文俊院士的定理证明的几何方法就是一个例证和代表性成果。现代计算机的发展已能够存储极其大量的信息，进行快速信息处理，软件功能和硬件实现均取得长足进步，使人工智能获得进一步的应用。尽管目前人工智能在发展过程中面临不少争论、困难和挑战，然而这些争论是十分有益的，这些困难终会被解决，这些挑战始终与机遇并存，并将推动人工智能的继续发展。可以预言：人工智能的研究成果将能够创造出更多更高级的智能“制品”，并使之在越来越多的领域超越人类智能；人工智能将为发展国民经济和改善人类生活做出更大贡献。1在交叉学科研究中实现人工智能的创新人工智能的研究范畴一直是很宽泛的,涉及到哲学、认知科学、行为科学、脑科学、生理学、语言学、数学以及信息论、控制论等许多学科领域。人工智能这种综合性、交叉渗透性早在它诞生之日起就得到充分的体现。在达特茅斯会议上,有包括数学、神经生理学、心理学、信息论和计算机科学等多领域的学者参加,科学家们从各自学科的角度出发,根据不同的学科背景,产生了激烈碰撞。尽管出发点有所不同,它们都汇聚到研究人类智能活动的表现形式和认知规律,模拟人类某些智能行为和方法,构造具有一定智能的人工系统,让计算机去完成以往需要人的智力才能胜任的工作,从而诞生了“人工智能”这一新的学科。当今,网络无所不在,网络拓扑成为知识表示的重要手段,网络中的节点,可以是形形色色的行为主体,主体之间相互作用。网络科学是研究网络中节点相互作用的理论和方法。人工智能在起点时刻发生的碰撞,今天甚至可以通过网络拓扑进行形式化研究。网络时代人工智能发展的主要动力,更是要来自更广泛学科的交叉渗透,而各学科自身的飞速发展,为人工智能交叉研究提供了广阔的空间。1.1 重视和脑科学的交叉研究脑科学的目的是认识脑、保护脑和创造脑。人脑是生物智能最杰出的表现，是自然界中最复杂最高级的智能系统。计算机很早就被称为电脑,说明人工智能要用电脑模拟人脑、制造机器生命的伟大目标。因此脑科学和人工智能的交叉是必然的。人工智能是研究怎样使计算机来模仿人脑所从事的推理、学习、思考等思维活动,来解决人类专家才能处理的复杂问题。人们的认知活动反应在大脑上很可能对应着一定的生理上的化学、电学的变化,但是目前生命科学还不能在思维活动与亚细胞的化学、电学层次的活动建立确切的关系。也不能决定什么样的神经构造可以决定着哪些认知模式的发生。因而脑科学今后的任务仍将是从多层次来研究脑的整合功能,包括脑如何感知,如何理解语言,如何产生情感,并将对神经活动的认识推向细胞和分子水平。1.2 重视和认知科学的交叉研究认知科学是研究人类感知和人类思维过程的科学,包括研究感知、记忆、学习、语言和其他认知活动。感知是大脑通过各种感觉器官接受外界的声、光、触、嗅等信息,其中视觉感知起着尤为重要的作用。认知以感知为基础,知觉是脑对客观各种属性的综合反应,知觉的表达是研究其他各个层面认知过程的基础。记忆是对感知的保持,有了记忆,当前的反映才能在以前反映的基础上进行,人才能积累经验。记忆和遗忘是大脑的本能。学习是基本的认知活动,有人把学习分为感知学习、认知学习和意义学习。学习主要是通过语言来表达的，人类智能和其他生物智能最突出的差别就在于语言,尤其是文字语言。语言以语音为外壳、词汇为材料、语法为规则。还有很多其他的认知行为,如注意、意识等,通过生物的对比实验,来理解心理活动和表象（如情绪）之间的关系,实现情感计算。人工智能要想在知识的表示、存储、搜索、优化、预测、计划、判断、自适应等方面取得突破性成果,必然要把研究目标拓广到整个认知科学的理论、实验和实证中去。1.3重视和物理学的交叉研究人类在对客观世界的认识过程中，已经取得的最集中、最突出的惊人成就当属物理学。如原子物理学、粒子物理学,还有天文学的大爆炸理论,大陆漂移说和进化论等。人们对物质结构的认识,一方面去探索大尺度的目标,包括行星、星球、银河系等,另一方面积极探索微观世界,发现物质更小的构成单元,从分子、原子深入到原子核、再到中子、质子,进一步又深入到夸克层次。用更统一的理论去覆盖这4种相互作用，是物理学大家孜孜不倦的追求。诺贝尔物理学奖获得者李政道曾说：“科学,不管天文、物理、生物、化学,对自然界的现象,进行新的准确的抽象,科学家抽象的叙述越简单,应用越广泛,科学创造也就越深刻”。如此精辟的结论,启发了一个深刻的问题：21世纪物理学的发展依然是简化归纳。当今，人工智能研究中一个十分活跃的分支一一数据挖掘,追溯到早期是以演绎为主的专家系统的潮流而动,期望能够通过对数据的分析、清洗、整合、挖掘、模拟人的认知和思维活动,发现新的知识,这种抽象的过程,本质上也是简化归纳。那么，对人脑自身的认识是否可以借鉴对客观世界的认知呢？21世纪认知和思维科学发展的一个重要方向,就是把现代物理学中对客观世界的认知理论成果引伸到对主观世界的认知中来,这就是我们孜孜所求的方向,不妨称之为认知物理学。以从关系数据库中发现知识为例,不妨将发现知识的背景看作是一个具有"维属性的八条记录构成的逻辑数据库，即财维论域空间中的/V个客体表示的数据分布。每一个客体看作是论域空间的一个点电荷或质点,位于场内的所有其他客体都将受到该客体的某种作用力。这样一来,在整个论域空间就会形成一个场,所谓数据库中的知识发现,就是在发现状态空间从不同粒度上研究这些客体之间通过场发生的相互作用和关系，模拟人类知识发现中的抽象过程。人类智能的一个公认特点,是人们能够从极不相同的粒度上观察和分析同一问题,不仅能够在同一粒度世界里进行问题求解,而且能够很快地从一个粒度世界跳到另一个粒度世界,甚至具有同时处理不同粒度世界的能力,这正是人类问题求解的强有力表现。而人类的认知和思维的过程,实际上对应着不同粒度表述的概念在不同尺度之间的转化过程。如何形式化描述人类认知过程中从数据到概念,从概念到规则的发现状态转换，以及知识由细粒度到粗粒度的逐步归纳简约的过程,也是人工智能研究中的基础问题。我们借鉴物理空间的多视图、多层次等特点,借用物理学中状态空间转换的思想,形成了知识发现状态空间转换的框架,空间中的每个状态代表一个相对稳定的知识形态,而认知过程则对应着从一个状态空间到另一状态空间的转换,数据场成为发现状态空间转换的重要工具。2自然语言应该成为人工智能研究的直接切入点2.1 人工智能研究中的不同切入点50年的人工智能研究忽略了一个基本事实:人脑的思维基本上不是确定的、纯数学的，自然语言才是人类思维活动的载体。人工智能必须直面自然语言。自然语言中的基本单元是语言值,概念是人类思维的基本“细胞”，能够起到“认知浓缩”的作用,使认识从低级的感性阶段上升为高级的理性阶段,人脑中概念形成过程就是思维的一种表现。以概念为基础的语言、理论、模型是人类描述和理解世界的方法。用概念的方法把握量和量的不确定性，比确定性数学表达更真实,更有普遍性。客观世界中有许多问题,其最有效的知识表示方法只能是文字语言。本人认为,人工智能应该从自然语言直接切入,抓住自然语言中的概念不放,研究定量到定性,从数据到知识的思维过程，以及思维所运用的信息的形式化组织。当前,WEB信息搜索引擎,从关键词组合入手的词搜索已经取得了巨大成功，基于语义网络的语句搜索也展现出诱人的前景,这就是一个个证明。2.2 自然语言中的不确定性和不确定性人工智能不确定性是客观世界固有的属性，自然语言带有不确定性是很自然的，是人类思维的本质特征。概念作为人类思维的基本“细胞”，也不可避免的带有不确定性。概念中的不确定性有很多种,最主要的是模糊性和随机性,二者密切相关。因此,研究模糊性和随机性的关联性,尤其是通过概率测度理论研究模糊性,建立云模型,理解云的数学性质,运用云方法进行数据挖掘,一直是我们长期研究的重要内容。语言的不确定性,非但没有妨碍人们的使用和交流,相反倒是被安然地接受,这说明人类智能对不确定性有很强的表达、处理和理解能力，正是不确定性的存在,才导致语言使用的鲁棒性。人工智能已经建立的各种符号语言,与自然语言相比,它们过分精确与严密,通过精确的数学运算和传统的集合运算去实现词计算,就失去了词语的不同情境下的自适应性,也就失去了词计算的普遍性。人们寄期望于表示概念的语言值的不确定性研究及其语义网络的研究取得突破。如果不能用自然语言作为其知识表示的基础,建立不起不确定性人工智能的理论和方法,人工智能也就永远实现不了跨越的梦想。2.3 用于不确定性转换的云模型以概念为基础的自然语言是人类知识描述和思维活动的载体。人借助语言进行思维,并不涉及过多的量的数学运算。自然语言中的概念是定性的,对自然语言中概念的不确定性的形式化,是不确定性人工智能的基础要求。考虑到物理学在对客观世界的认识中原子模型起了重要作用，把概念作为语言的基本模型，就好像把原子看作是物质组成的基本模型一样。以自然语言中的概念为切入点，在概率理论基础上研究隶属度的不确定性并建立了定性和定量转换模型一一云模型。云模型作为自然语言的原子模型,可以反映自然语言中概念的随机性、模糊性及其关联性。云模型仅仅使用期望、燧和超燧3个数字特征就足以在整体上表征一个概念。这对理解定性概念的内涵和外延有极其重要的意义。目前,云模型用于智能控制,成功地实现了对三级倒立摆的实时动平衡姿态的转换;用于数据挖掘,实现了对关联规则和预测知识的发现;用期望、墙和超燧3个数字特征表示物种、遗传和变异,模拟自然界的演化,云进化计算方法可获得更优解;还作为数据库水印、软件水印或流媒体水印用于信息安全中。云模型和云计算作为不确定性人工智能研究中定性定量转换的有力工具,必将在更多的领域得到广泛应用。3把网络拓扑作为知识表示的基本方法来研究网络智能1.1 复杂网络研究的重大成果:小世界和无标度特性20世纪的科学研究,认识到简单确定性的系统会演变为复杂的、不确定的行为,如分形结构,蝴蝶效应等,还认识到复杂系统在随时间的演变和变异过程中会突变,物理学中称为相变。导致相变的诱因和临界条件,成为人们研究复杂系统的核心问题。复杂系统不单单是简单个体单元的叠加,不可能用单元的个体性质来预言复杂系统整体丰富的行为,要研究个体之间相互作用形成的群体智能。人们对大量实际的复杂系统进行实证研究和建模分析,发现这些网络的演化规则非常相似。实际生活中的复杂系统,是受某些简单规则所驱动的组织行为，这些不同系统、不同学科之间的相似性，以及宏观和微观上的自相似性,导致复杂系统和复杂网络的研究必然是跨系统、跨尺度和跨学科的。除了小世界和无标度之外,复杂网络还具有鲁棒性和脆弱性并存的特点。其抗随机攻击和随机故障的能力很强,但是在故意有目的地针对精英节点的攻击面前,表现脆弱。网络拓扑的决定性,反应了节点之间相互作用的拓扑形态，比一个个的节点要重要得多。无论是因特网、神经网,还是生态链都可能具有相同的行为特性,受制于某些基本的法则。目前,对网络拓扑的研究已成为研究复杂系统动力学性质的强有力的工具。1.2 网络拓扑作为知识表示的研究方法如果说符号语言也好，自然语言也好,还是一个个符号、一个个词连接起来的一维的形式化知识表示方法的话,那么将网络拓扑作为二维的知识表示形态是一件很有意义的研究。拓扑是一种特殊的图形,人对图形、图像的表示方法和理解能力是人类智能的重要表现。把网络拓扑作为知识表示,首先要能够用计算机方法模拟生成现实世界中复杂网络的拓扑结构。现实世界的复杂网络是一个演化的过程,理想的、严格数学意义下的随机网络、小世界网络和无标度网络几乎不存在。因此,如何模拟生成能够最大程度符合真实网络统计特征的网络拓扑是把网络拓扑作为知识表示的基础性问题。把一些典型的网络模型通过带有不确定性的生长、叠加、变异等方式合成为一个复杂网络是有意义的研究工作。基于云分形的复杂网络发展演化过程,将一个初始网络拓扑作为云模型中的种子一一期望拓扑,按照大致自相似的规则复制生长,用云模型中的烯和超端控制变异的程度,生成的每一次网络结构,相当于云模型中的一个云滴。这样不仅模拟生成了具有小世界、无标度特征的复杂网络,而且较好地反映了网络演化过程中的不确定性。在用网络拓扑作为知识表示的过程中,将研究对象表示为节点,对象之间的关系表示为边,节点的位置、节点的属性,边的属性、以及边的距离等等都可以赋予特定的物理含义。更进一步地,网络拓扑中的节点,代表各种各样的实体;节点的属性可借助物理学中的粒子性来表征。节点间的边可借助物理学中的波动性来表征。以此为基础,形成计算实验平台,研究网络上的动力学行为,模拟复杂网络在什么样的临界条件下会发生网络节点的级联失效或连锁崩溃行为,这就是网络化的智能。它区别于使用传统的人工智能技术去解决网络路由算法、WEB搜索引擎等的网络智能,也区别于传统的分布式智能。发现复杂网络中不确定性的规律性,无序中的有序性,竞争中的协同性,又称网络化数据挖掘。把网络拓扑作为知识表示方法,针对实际的复杂网络,提出通过拓扑势方法,挖掘出最能代表它的骨干拓扑结构,排列出网络中节点的重要性次序、边的重要性次序,发现不同的社团成员，以及挖掘出社团的结构模式等,都是很有意义的研究工作。4 .历史回顾时代思潮直接帮助科学家去研究某些现象。对于人工智能的发展来说，20世纪30年代和40年代的智能界，发现了两件最重要的事：数理逻辑(它从19世纪末起就获得迅速发展)和关于计算的新思想。弗雷治(Frege)、怀特赫德(Whitehead)罗素(Russe1.1.)和塔斯基(Tarski)以及另外一些人的研究表明，推理的某些方面可以用比较简单的结构加以形式化。1913年，年仅19岁的维纳(Wiener)在他的论文中把数理关系理论简化为类理论，为发展数理逻辑做出贡献，并向机器逻辑迈进一步，与后来图灵(TUring)提出的逻辑机不谋而合。数理逻辑仍然是人工智能研究的一个活跃领域，其部分原因是由于一些逻辑-演绎系统已经在计算机上实现过。不过，即使在计算机出现之前，逻辑推理的数学公式就为人们建立了计算与智能关系的概念。丘奇(Church)、图灵和其它一些人关于计算本质的思想，提供了形式推理概念与即将发明的计算机之间的联系。在这方面的重要工作是关于计算和符号处理的理论概念。图灵不仅创造了一个简单的通用的非数字计算模型，而且直接证明了计算机可能以某种被理解为智能的方法工作。道格拉斯霍夫施塔特(Doug1.asHofstadter)在1979年写的永恒的金带(AnEterna1.Go1.denBraid)一书对这些逻辑和计算的思想以及它们与人工智能的关系给予了透彻而又引人入胜的解释。到了20世纪50年代，人工智能已躁动于人类科技社会的母胎，即将分娩。1956年夏季，年轻的美国学者麦卡锡(McCarthy)、明斯基(Minsky).朗彻斯特(1.OCheSter)和香侬(ShannOn)共同发起，邀请莫尔(More)、塞缪尔(SamUe1)、纽厄尔(Newe1.1.)和西蒙(SinIon)等参加在美国的达特茅斯(DarunoUth)大学举办了一次长达2个月的研讨会，认真热烈地讨论用机器模拟人类智能的问题。会上，首次使用了人工智能这一术语。这是人类历史上第一次人工智能研讨会，标志着人工智能学科的诞生,具有十分重要的历史意义。这些从事数学、心理学、信息论、计算机和神经学研究的年轻学者，后来绝大多数都成为著名的人工智能专家，40多年来为人工智能的发展做出重要贡献。值得一提的是控制论思想对人工智能早期研究的影响。正如艾伦纽厄尔(A1.1.enNewe1.1.)和赫伯特西蒙(HerbertSimon)1972年在他们的优秀著作人类问题求解(HumanProb1.emSo1.ving)的“历史补篇”中指出的那样,20世纪中叶人工智能的奠基者们在人工智能研究中出现了几股强有力的思潮。维纳、麦克洛克(MCCUI1.oCh)和其它一些人提出的控制论和自组织系统的概念集中地讨论了“局部简单”系统的宏观特性。尤其重要的是，1948年维纳发表的控制论(或动物与机器中的控制与通讯)论文，不但开创了近代控制论，而且为人工智能的控制论学派(即行为主义学派)树立了新的里程碑。控制论影响了许多领域，因为控制论的概念跨接了许多领域，把神经系统的工作原理与信息理论、控制理论、逻辑以及计算联系起来。控制论的这些思想是时代思潮的一部分，而且在许多情况下影响了许多早期和近期人工智能工作者，成为他们的指导思想。最终把这些不同思想连接起来的是由巴贝奇(Babbage).图灵、冯诺依曼(VonNeumman)和其它一些人所研制的计算机本身。在机器的应用成为可行之后不久，人们就开始试图编写程序以解决智力测验难题、下棋以及把文本从一种语言翻译成另一种语言。这是第一批人工智能程序。对于计算机来说，促使人工智能发展的是什么？出现在早期设计中的许多与人工智能有关的计算概念，包括存储器和处理器的概念、系统和控制的概念，以及语言的程序级别的概念。不过，引起新学科出现的新机器的唯一特征是这些机器的复杂性，它促进了对描述复杂过程方法的新的更直接的研究(采用复杂的数据结构和具有数以百计的不同步骤的过程来描述这些方法)。30多年来，人工智能的应用研究取得明显进展。首先，专家系统显示出强大的生命力。费根鲍姆(Feigenbaum)所领导的研究小组于1968年研究成功第一个专家系统DENDRA1.,用于质谱仪分析有机化合物的分子结构。1972年1976年，他们又开发成功MYCIN医疗专家系统，用于抗生素药物治疗。此后，许多著名的专家系统被相继开发，为工矿数据分析处理、医疗诊断、计算机设计、符号运算和定理证明等提供强有力的工具。1977年，费根鲍姆进一步提出了知识工程的概念。整个80年代，专家系统和知识工程在全世界得到迅速发展。在开发专家系统过程中，许多研究者获得共识，即人工智能系统是一个知识处理系统，而知识表示、知识利用和知识获取则成为人工智能系统的三个基本问题。近十多年来，机器学习、计算智能、人工神经网络等和行为主义的研究深入开展，形成高潮。同时，不同人工智能学派间的争论也非常热烈。这些都推动人工智能研究的进一步发展。我国的人工智能研究起步较晚。纳入国家计划的“智能模拟”研究始于1978年；1984年召开了智能计算机及其系统的全国学术讨论会；1986年起把智能计算机系统、智能机器人和智能信息处理(含模式识别)等重大项目列入国家高技术研究计划；1993年起，又把智能控制和智能自动化等项目列入国家科技攀登计划。进入21世纪后，已有更多的人工智能与智能系统研究获得各种基金计划支持。1981年起，相继成立了中国人工智能学会(CAAI)等学术团体。1989年首次召开的中国人工智能联合会议(CJCAI)至今己召开7次。已有10来部国内编著的具有知识产权的人工智能专著和教材公开出版。中国的科技工作者，己在人工智能领域取得许多具有国际领先水平的创造性成果。其中，尤以吴文俊院士关于几何定理证明的“吴氏方法”最为突出，己在国际上产生重大影响，并与袁隆平院士的“杂交水稻”一起荣获2001年国家科学技术最高奖励。现在，我国已有数以万计的科技人员和大学师生从事不同层次的人工智能研究与学习。人工智能研究已在我国深入开展，它必将为促进其它学科的发展和我国的现代化建设做出新的重大贡献。5 .认知观和对认知本质的研究5.1 人工智能的各种认知观目前人工智能的主要学派有下列3家：(1)符号主义符号主义(Symbo1.icism),又称为逻辑主义(1.OgiCiSm)、心理学派(Psych1.ogism)或计算机学派(Computerism),其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。符号主义认为人工智能源于数理逻辑。计算机出现后，在计算机上实现了逻辑演绎系统。其有代表性的成果为启发式程序1.T逻辑理论家，证明了38条数学定理，表明了可以应用计算机研究人的思维过程，模拟人类智能活动。正是这些符号主义者，早在1956年首先采用“人工智能”这个术语。后来又发展了启发式算法一专家系统一知识工程理论与技术，并在20世纪80年代取得很大发展。符号主义曾长期一枝独秀，为人工智能的发展做出重要贡献，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要意义。(2)连接主义连接主义(Connectionism),又称为仿生学派(BioniCSiSm)或生理学派(PhySiOIogiSm),其原理主要为神经网络及神经网络间的连接机制与学习算法。连接主义认为人工智能源于仿生学，特别是人脑模型的研究。它的代表性成果是1943年由生理学家麦卡洛克(MCCU1.1.oCh)和数理逻辑学家皮茨(PittS)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。20世纪6070年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究曾出现过热潮，直到Hopfie1.d教授在1982年和1984年提出用硬件模拟神经网络时，连接主义又重新抬头。1986年鲁梅尔哈特(RUmeIhart)等人提出多层网络中的反向传播(BP)算法。此后，连结主义势头大振，从模型到算法，从理论分析到工程实现，为神经网络计算机走向市场打下基础。(3)行为主义行为主义(Actionism),又称进化主义(EVo1.UtioniSm)或控制论学派(Cyberneticsism),其原理为控制论及感知一动作型控制系统。行为主义认为人工智能源于控制论。控制论思想早在20世纪40-50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳和麦克洛等人提出的控制论和自组织系统影响了许多领域。控制论的早期研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自校正、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。到6070年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在80年代诞生了智能控制和智能机器人系统。以上三个人工智能学派将长期共存与合作，取长补短，并走向融合和集成，为人工智能的发展作出贡献。5.2 解开认知本质之谜人的认知活动具有不同的层次，对认知行为的研究也应具有不同的层次，以便不同学科之间分工协作，联合攻关，早日解开人类认知本质之谜。应从下列4个层次开展对认知本质的研究。(1)认知生理学研究认知行为的生理过程，主要研究人的神经系统(神经元、中枢神经系统和大脑)的活动，是认知科学研究的底层。它与心理学、神经学、脑科学有密切关系，且与基因学、遗传学等有交叉联系。(2)认知心理学研究认知行为的心理活动，主要研究人的思维策略,是认知科学研究的顶层。它与心理学有密切关系，且与人类学、语言学交叉。(3)认知信息学研究人的认知行为在人体内的初级信息处理，主要研究人的认知行为如何通过初级自然信息处理，由生理活动变为心理活动及其逆过程，即由心理活动变为生理行为。这是认知活动的中间层，承上启下。它与神经学、信息学、计算机科学有密切关系，并与心理学、生理学有交叉关系。(4)认知工程学研究认知行为的信息加工处理，主要研究如何通过以计算机为中心的人工信息处理系统，对人的各种认知行为(如知觉、思维、记忆、语言、学习、理解、推理、识别等)进行信息处理。这是研究认知科学和认知行为的工具，应成为现代认知心理学和现代认知生理学的重要研究手段。它与人工智能、信息学、计算机科学有密切关系，并与控制论、系统学等交叉。只有开展大跨度的多层次、多学科交叉研究，应用现代智能信息处理的最新手段，认知科学才可能较快地取得突破性成果。6若干新研究领域近年来，人工智能的研究和应用出现了许多新的领域，它们是传统人工智能的延伸和扩展。在新世纪开始的时候，这些新研究已引起人们的更密切关注。这些新领域有分布式人工智能与艾真体(agent).计算智能与进化计算、数据挖掘与知识发现，以及人工生命等。下面逐一加以概略介绍。6.1 分布式人工智能与艾真体分布式人工智能(DistributedAI,DAD是分布式计算与人工智能结合的结果。DAI系统以鲁棒性作为控制系统质量的标准，并具有互操作性，即不同的异构系统在快速变化的环境中具有交换信息和协同工作的能力。分布式人工智能的研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型。DAI中的智能并非独立存在的概念，只能在团体协作中实现，因而其主要研究问题是各艾真体间的合作与对话，包括分布式问题求解和多艾真体系统(Mu1.tiagentSystem,MAS)两领域°其中,分布式问题求解把一个具体的求解问题划分为多个相互合作和知识共享的模块或结点。多艾真体系统则研究各艾真体间智能行为的协调，包括规划、知识、技术和动作的协调。这两个研究领域都要研究知识、资源和控制的划分问题，但分布式问题求解往往含有一个全局的概念模型、问题和成功标准，而MAS则含有多个局部的概念模型、问题和成功标准。MAS更能体现人类的社会智能，具有更大的灵活性和适应性，更适合开放和动态的世界环境，因而倍受重视，已成为人工智能以至计算机科学和控制科学与工程的研究热点。当前，艾真体和MAS的研究包括理论、体系结构、语言、合作与协调、通讯和交互技术、MAS学习和应用等。MAS已在自动驾驶、机器人导航、机场管理、电力管理和信息检索等方面获得应用。6.2 计算智能与进化计算计算智能(ComputingInte1.1.igence)涉及神经计算、模糊计算、进化计算等研究领域。其中，神经计算和模糊计算已有较长的研究历史，而进化计算则是较新的研究领域。在此仅对进化计算加以说明。进化计算(EVo1.UtiOnaryComputation)是指一类以达尔文进化论为依据来设计、控制和优化人工系统的技术和方法的总称，它包括遗传算法(GeneticA1.gorithms)进化策略(Evo1.utionaryStrategieS)和进化规划(EVo1.UtionaryProgramniing)o它们遵循相同的指导思想，但彼此存在一定差别。同时，进化计算的研究关注学科的交叉和广泛的应用背景，因而引入了许多新的方法和特征，彼此间难于分类，这些都统称为进化计算方法。目前，进化计算被广泛运用于许多复杂系统的自适应控制和复杂优化问题等研究领域，如并行计算、机器学习、电路设计、神经网络、基于艾真体的仿真、元胞自动机等。达尔文进化论是一种鲁棒的搜索和优化机制，对计算机科学，特别是对人工智能的发展产生了很大的影响。大多数生物体通过自然选择和有性生殖进行进化。自然选择决定了群体中哪些个体能够生存和繁殖，有性生殖保证了后代基因中的混合和重组。自然选择的原则是适者生存，即物竞天择，优胜劣汰。直到几年前，遗传算法、进化规划、进化策略三个领域的研究才开始交流，并发现它们的共同理论基础是生物进化论。因此,把这三种方法统称为进化计算，而把相应的算法称为进化算法。6. 3数据挖掘与知识发现知识获取是知识信息处理的关键问题之一。20世纪80年代人们在知识发现方面取得了一定的进展。利用样本，通过归纳学习，或者与神经计算结合起来进行知识获取已有一些试验系统。数据挖掘和知识发现是90年代初期新崛起的一个活跃的研究领域。在数据库基础上实现的知识发现系统,通过综合运用统计学、粗糙集、模糊数学、机器学习和专家系统等多种学习手段和方法，从大量的数据中提炼出抽象的知识，从而揭示出蕴涵在这些数据背后的客观世界的内在联系和本质规律，实现知识的自动获取。这是一个富有挑战性、并具有广阔应用前景的研究课题。从数据库获取知识，即从数据中挖掘并发现知识，首先要解决被发现知识的表达问题。最好的表达方式是自然语言，因为它是人类的思维和交流语言。知识表示的最根本问题就是如何形成用自然语言表达的概念。机器知识发现始于1974年，并在此后十年中获得一些进展。这些进展往往与专家系统的知识获取研究有关。到20世纪80年代末，数据挖掘取得突破。越来越多的研究者加入到知识发现和数据挖掘的研究行列。现在，知识发现和数据挖掘已成为人工智能研究的又一热点。比较成功的知识发现系统有用于超级市场商品数据分析、解释和报告的CoverStory系统，用于概念性数据分析和查寻感兴趣关系的集成化系统EXP1.0RA,交互式大型数据库分析工具KDW,用于自动分析大规模天空观测数据的SKICAT系统，以及通用的数据库知识发现系统KDD等。6.4 人工生命人工生命(ArtifiCiaI1.ife,A1.ife)的概念是由美国圣菲研究所非线性研究组的兰顿(1.angtOrI)于1987年提出的，旨在用计算机和精密机械等人工媒介生成或构造出能够表现自然生命系统行为特征的仿真系统或模型系统。自然生命系统行为具有自组织、自复制、自修复等特征以及形成这些特征的混沌动力学、进化和环境适应。人工生命所研究的人造系统能够演示具有自然生命系统特征的行为，在“生命之所能"(Iifeasitcou1.dbe)的广阔范围内深入研究“生命之所知"(1.if