人工智能论文3000字8篇人工智能论文3000字 人工智能的发展现状与我对人工智能的认识一．人工智能学科的认识1.人工智能简介摘自百度人工智能（AritificialIntellige下面是小编为大家整理的人工智能论文3000字8篇,供大家参考。
篇一：人工智能论文3000字
智能的发展现状与我对人工智能的认识 一．人工智能学科的认识 1. 人工智能简介 摘自百度人工智能（Aritificial Intelligence， AI）是计算机科学的一个分支，它企图了解智能的实质，并生产出一种以人类智能相似的方式做出反应的智能机器。人工智能的目的是模拟人的意识、思维的信息过程。就目前来说，该领域的主要研究方向包括：机器人、语言识别、图像识别、自然语言处理和专家系统等，用来替代人类实现识别、认知、分类和决策等多种功能。MIT 教授认为人工智能是针对思想，感知，行动的支持模型建立的表示系统。在我看来，对人工智能的学习，更是对人思维模型的认识与探索。
2. AI 简史 埃达 洛夫莱斯是世界第一位编程师，她说：“分析引擎不呢个自命不凡，认为无论什么问题都能解决。”这个观念流传至今，仍在 AI 领域发挥着不可撼动的地位。
人工智能的诞生注定是不凡的，在 20 世纪 40 年代和 50 年代，来自不同领域（数学，心理学，工程学，经济学和政治学）的一批科学家开始探讨制造人工大脑的可能性。1956 年，人工智能被确立为一门学科。综合复杂知识领域的交错，让人工智能的发展也举步维艰。、
是从宏观的角度来讲，人工智能的历史按照所使用的方法，可以分为两个阶段，分水岭大概在 1986 年神经网络的回归—— 在前半段历史中，我们主要使用的方法和思路是基于规则的方法，也就是我们试图找到人类认知事物的方法，模仿人类智能和思维方法，找到一套方法，模拟出人类思维的过程，解决人工智能的问题。
后半段的历史，也就是我们现在所处的这个时期，我们主要采取的方法是
基于统计的方法，也就是我们现在发现，有的时候我们不需要把人类的思维过程模拟出一套规则来教给计算机，我们可以在一个大的数量集里面来训练计算机，让它自己找到规律从而完成人工智能遇到的问题。、 以下则是人工智能的发展历程：
一是起步发展期：1956 年—20 世纪 60 年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
二是反思发展期：20 世纪 60 年代—70 年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。
三是应用发展期：20 世纪 70 年代初—80 年代中。20 世纪 70 年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
四是低迷发展期：20 世纪 80 年代中—90 年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：20 世纪 90 年代中—2010 年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向
实用化。1997 年国际商业机器公司（简称 IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008 年 IBM 提出“智慧地球”的概念。以上都是这一时期的标志性事件。
六是蓬勃发展期：2011 年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
人工智能专业的特色
A AI I 领域的分支
人工智能研究的领域主要有五层， 最底层是基础设施建设，包含数据和计算能力两部分，数据越大，人工智能的能力越强。
往上一层为算法，如卷积神经网络、LSTM 序列学习、Q-Learning、深度学习等算法，都是机器学习的算法。
第三层为重要的技术方向和问题，如计算机视觉，语音工程，自然语言处理等。还有另外的一些类似决策系统，像 reinforcement learning（编辑注：增强学习），或像一些大数据分析的统计系统，这些都能在机器学习算法上产生。
第四层为具体的技术，如图像识别、语音识别、机器翻译等等。
最顶端为行业的解决方案，如人工智能在金融、医疗、互联网、交通和游戏等上的应用，这是我们所关心它能带来的价值。
而就目前来讲，智能接口、数据挖掘、主体及多主体系统是人工智能研究的三个热点。
（一）智能接口技术是研究如何使人们能够方便自然地与计算机交流。为了实现这一目标，要求计算机能够看懂文字、听懂语言、说话表达，甚至能够进行不同语言之间的翻译，而这些功能的实现又依赖于知识表示方法的研究。因此，智能接口技术的研究既有巨大的应用价值，又有基础的理论意义。目前，智能接口技术已经取得了显著成果，文字识别、语音识别、语音合成、图像识别、机器翻译及自然语言理解等技术已经开始实用化。
（二）数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道的、但是又潜在有用的信息和知识的过程。数据挖掘和知识发现的研究目前已经形成了三根强大的技术支柱：数据库、人工智能和数理统计。
（三）主体系统是具有信念、愿望、意图、能力、选择、承诺等心智状态的实体，比对象的粒度更大，智能性更高，而且具有一定的自主性。主体试图自治、独立地完成任务，而且可以和环境交互，与其他主体通信，通过规划达到目标。多主体系统主要研究在逻辑上或物理上分离的多个主体之间进行协调智能行为，最终实现问题求解。
机器学习同深度学习之间还是有所区别的，机器学习是指计算机的算法能够像人一样，从数据中找到信息，从而学习一些规律。虽然深度学习是机器学习的一种，但深度学习是利用深度的神经网络，将模型处理得更为复杂，从而使模型对数据的理解更加深入。
机器学习有三类，
监督学习：通过已有的一部分输入数据与输出数据之间的相应关系。生成一个函数，将输入映射到合适的输出，比如分类。是一个机器学习中的方法。能够由训练资料中学到或建立一个模式（ learning model）。并依此模式猜測新的实例。
训练资料是由输入物件（一般是向量）和预期输出所组成。函数的输出能够是一个连续的值（称为回归分析）。或是预測一个分类标签（称作分类）。
2、一个监督式学习者的任务在观察完一些训练范例（输入和预期输出）后，去预測这个函数对不论什么可能出现的输入的值的输出。要达到此目的。学习者必须以"合理"（见归纳偏向）的方式从现有的资料中一般化到非观察到的情况。
在人类和动物感知中。则通常被称为概念学习（concept learning）。
非监督学习：直接对输入数据集进行建模，比如聚类。
人工智能的发展现状与我对人工智能的认识 一．人工智能学科的认识 1. 人工智能简介 摘自百度人工智能（Aritificial Intelligence， AI）是计算机科学的一个分支，它企图了解智能的实质，并生产出一种以人类智能相似的方式做出反应的智能机器。人工智能的目的是模拟人的意识、思维的信息过程。就目前来说，该领域的主要研究方向包括：机器人、语言识别、图像识别、自然语言处理和专家系统等，用来替代人类实现识别、认知、分类和决策等多种功能。
M IT 教授认为人工智能是针对思想，感知，行动的支持模型建立的表示系统。在我看来，对人工智能的学习，更是对人思维模型的认识与探索。
2. AI简史 埃达 洛夫莱斯是世界第一位编程师，她说：“分析引擎不呢个自命不凡，认为无论什么问题都能解决。”这个观念流传至今，仍在 AI领域发挥着不可撼动的地位。
人工智能的诞生注定是不凡的，在 20 世纪 40 年代和 50 年代，来自不同领域（数学，心理学，工程学，经济学和政治学）的一批科学家开始探讨制造人工大脑的可能性。1956 年，人工智能被确立为一门学科。综合复杂知识领域的交错，让人工智能的发展也举步维艰。、
是从宏观的角度来讲，人工智能的历史按照所使用的方法，可以分为两个阶段，分水岭大概在 1986 年神经网络的回归——
是人工智能网络的一种算法(algorithm)。其目的是去对原始资料进行分类，以便了解资料内部结构。有别于监督式学习网络，无监督式学习网络在学习时并不知道其分类结果是否正确，亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例。而它会自己主动从这些范例中找出其潜在类别规则。当学习完成并经測试后，也能够将之应用到新的案例上。
半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。半监督学习问题从样本的角度而言是利用少量标注样本和大量未标注样本进行机器学习。从概率学习角度可理解为研究怎样利用训练样本的输入边缘概率 P( x )和条件输出概率 P ( y | x )的联系设计具有良好性能的分类器。这样的联系的存在是建立在某些如果的基础上的。即聚类如果(数据整体分布)(cluster
assumption)和流形如果（局部特征）(maniford assumption)。
人工智能最热门的技术趋势
1.神经网络的架构正变得越来越复杂。感知和翻译等大多数神经网络的架构正变得越来越复杂，远非此前简单的前馈神经网络或卷积神经网络（CNN）所能比。特别需要注意的是，神经网络正与不同的技术（如 LSTMs、自定义目标函数等）相混合。
神经网络是多数深度学习项目的根基。深度学习基于人脑结构，一层层互相连接的人工模拟神经元模仿大脑的行为，处理视觉和语言等复杂问题。这些人工神经网络可以收集信息，也可以对其做出反应。它们能对事物的外形和声音做出解释，还可以自行学习与工作。
2.长短期记忆网络（LSTMs）。当你阅读本文时，你是在理解前面词
语的基础上来理解每个词语的。你的思想具有连续性，你不会丢弃已知信息而从头开始思考。传统神经网络的一大缺陷便无法做到这一点，而递归神经网络能够解决这一问题。
RNN（循环神经网络）拥有循环结构，可以持续保存信息。过去几年里，RNN 在语音识别和翻译等许多问题上取得了难以置信的成功，而成功的关键在于一种特殊的 RNN――长短期记忆网络。
3.“注意力模型”。“注意力”是指神经网络在执行任务时知道把焦点放在何处。我们可以让神经网络在每一步都从更大的信息集中挑选信息作为输入。例如，当神经网络为一张图片生成标题时，它可以挑选图像的关键部分作为输入。
4.神经图灵机依然有趣，但还无法胜任实际工作。当你翻译一句话时，并不会逐词进行，而会从句子的整体结构出发。机器难以做到这一点，这一挑战就被称为“强耦合输出整体估计”。
神经图灵机就是研究者们在硅片中重现人类大脑短期记忆的尝试。它的背后是一种特殊类型的神经网络，它们可以适应与外部存储器共同工作，这使得神经网络可以存储记忆，还能在此后检索记忆并执行一些有逻辑性的任务。
5.深度学习让计算机视觉和自然语言处理不再是孤岛。卷积神经网络最早出现在计算机视觉中，但现在许多自然语言处理（NLP）系统也会使用。LSTMs 与递归神经网络深度学习最早出现在 NLP 中，但现在也被纳入计算机视觉神经网络。
此外，计算机视觉与 NLP 的交汇仍然拥有无限前景。
6.符号微分式越来越重要。随着神经网络架构及其目标函数变得日益
复杂，手动推导出“反向传播”的梯度也变得更加困难而且容易出错。谷歌的TensorFlow 等最新的工具包已经可以超负荷试验符号微分式，能够自动计算出正确的微分，以确保训练时误差梯度可被反向传播。
7.神经网络模型压缩的惊人成果。多个团队以不同方法大幅压缩了训练一个良好模型所需的素材体量，这些方法包括二值化、固定浮点数、迭代修剪和精细调优步骤等。
这些技术潜在的应用前景广阔，可能将会适应在移动设备上进行复杂模型的训练。例如，不需要延迟就可以得到语音识别结果。此外，如果运算所需要的空间和时间极大降低，我们就可以极高帧率（如 30 FPS）查询一个模型，这样，在移动设备上也可以运用复杂神经网络模型，近乎实时地完成计算机视觉任务。
8.深度学习和强化学习继续交汇。在“端对端”机器人等领域出现了令人激动的进展，现在机器人已经可以一起运用深度和强化学习，从而将原始感官数据直接转化为实际动作驱动。我们正在超越“分类”等简单工作，尝试将“计划”与“行动”纳入方程。
9.批标准化。批标准化现在已经被视作评价一个神经网络工具包的部分标准。
10.神经网络研究与优化齐头并进。创造新的神经网络方法需要研究者，还需要能将它们迅速付诸实践的方法。谷歌的 TensorFlow 是少数能够做到这些的库：使用 Python 或 C++等主流编程语言，研究者可以迅速创作新的网络拓扑图，接着在单一或多个设备上进行测试。
A AI I 未来
在计算机视觉上，未来的人工智能应更加注重效果的优化，加强计算机视觉在不同场景、问题上的应用。
在语音场景下，当前的语音识别虽然在特定的场景( ( 安静的环境）下，已经能够得到和人类相似的水平。但在噪音情景下仍有挑战，如原场识别、口语、方言等长尾内容。未来需增强计算能力、提高数据量和提升算法等来解决这个问题。
在自然语...
篇二：人工智能论文3000字
松老师的作业 ，15 级信管班学生 人工智能技术和发展趋势摘要：人工智能 ，简称 AI，它是当今最火的一门科学，是研究使计算机来完成能表现出人类智能的任务的学科。主要包括计算机实现智能的原理，制造类似于人脑的智能计算机，以及使计算机更巧妙些实现高层次的应用。人工智能一直是人们所追求的，所向往的一门科学，它起源于近代，在电气时代随着计算机科学的发展，以及生物学，脑科学等相关科学的发展，极大的推动了人工智能的发展。人工智能还涉及信息论、控制论、自动化、仿生学、生物学,数理逻辑、语言学、等多门学科。导致其非常复杂，所以其研究领域也分成许多方面，从最开始的博弈论，专家系统，模式识别，神经网络，机器学习到现在大热的深度学习。其应用领域，也非常之多，比如机器翻译，语音交互，ORC,图像识别，智能驾驶等等。自从谷歌的阿法狗在围棋打败了人类棋手，人工智能也进入了一个新的发展阶段，如今各国，各大公司都在大力发展人工智能技术，争取在新时代把握先机，把握未来。人工智能即将在无人驾驶，机器翻译，语言交互等应用领域取得巨大成功。即使如此，人工智能现在还是处于弱人工智能阶段，人工智能还面临着许多问题和挑战。向强人工智能发展的道路上，仍然充满巨大的困难。
关键词 ：人工智能，机器学习，发展趋势，神经网络，运用
第一章
人工智能
1.1 人工和智能含义 人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、自我、心灵（包括无意识的精神等等问题。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。
1.2 人工智能的简介 使机器具有自主能动能力这一愿望，从古希腊甚至古埃及的神话传说开始就一直延续至今：
亚里士多德（公元前 384-322 年）的一个著名演绎推理——三段论代表着他对人工智能的哲学思想探索步伐；中世纪神秘主义者 Ramon Llull 构建了世界上第一部可以“回答”问题的机器； 近代“人工智能”（Artificial Intelligence）这个概念的提出最早是在 1956 年 Dartmouth 学会，当时数字计算机研制成果显著，对编写有原始推理思想的程序有质的帮助；今天的各国在智能研究领域都有了重大发展，波士顿动力公司研制的大狗机器人 bigdog。
广义来讲，人工智能就是人造物的智能行为。人工智能的发展往往依靠计算机科学和认知科学的发展，在不同的发展阶段，对于人工智能有不同的理解，其概念也随
之拓展。
人工智能是计算机科学的一个分支，是研究使计算机来完成能表现出人类智能的任务的学科。主要包括计算机实现智能的原理，制造类似于人脑的智能计算机，以及使计算机更巧妙些实现高层次的应用。它涉及到计算机科学，心理学，哲学和语言学学科。总的目标是增强人的智能 进而我们需要了解什么是智能。
智能是一种能够认识客观事物和运用知识解决问题的综合能力。智能的四个特征：具有感知能力，具有记忆和思维能力，具有学习和自适应的能力，具有行为能力。智能是客观世界中解决实际问题的能力，这种能力就是各个科学领域中的“知识”，以及交叉学科的灵活应用。
因而，还可以认为，人工智能的研究目标是使机器模仿人的行为计算机模仿人脑的推理，学习，思考和规划等思维活动。
概括而言，人工智能是研究如何让计算机做现阶段只有人才能做好的事情。因为“智能”是关于解决问题能力的知识，所以从使用观点看，人工智能是关于知识的科学，它包含三个怎样，即 怎样表示知识，怎样获取知识，怎样使用知识。
1.3 人工智能发展的历史 人工人工智能学习的发展历史是和计算机科学与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。
一般认为，人工智能的思想萌芽可以追溯到德国著名数学家和哲学家莱布尼茨(Leibnitz，1646-1716)提出的"通用语言"设想。这一设想的要点是：建立一种通用的符号语言，用这个语言中的符号表达“思想内容”，用符号之间的形式关系表达“思想内容”之间的逻辑关系。于是，在“通用语言”中可以实现“思维的机械化”这一设想可以看成是对人工智能的最早描述。
但随着 1941 年以来电子计算机的发展，技术已最终可以创造出机器智能，“人工
智能”(Artificial Intelligence)一词最初是在1956年Dartmouth学会上提出的，从那以后，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，在它还不长的历史中，人工智能的发展比预想的要慢，但一直在前进，从 40 年前出现到现在，已经出现了许多 AI 程序，并且它们也影响到了其它技术的发展。
虽然计算机为 AI 提供了必要的技术基础，但直到 50 年代早期人们才注意到人类智能与机器之间的联系。Norbert Wiener 是最早研究反馈理论的美国人之一。最熟悉的反馈控制的例子是自动调温器。它 将收集到的房间温度与希望的温度比较，并做出反应将加热器开大或关小，从而控制环境温度。这项对反馈 回路的研究重要性在于: Wiener 从理论上指出，所有的智能活动都是反馈机制的结果。而反馈机制是有可 能用机器模拟的。这项发现对早期 AI 的发展影响很大。
70 年代另一个进展是专家系统。专家系统可以预测在一定条件下某种解的概率。由于当时计算机已 有巨大容量，专家系统有可能从数据中得出规律。专家系统的市场应用很广。十年间，专家系统被用于股市预 测，帮助医生诊断疾病，以及指示矿工确定矿藏位置等。这一切都因为专家系统存储规律和信息的能力而成为可能。
但 80 年代对 AI 工业来说也不全是好年景。86-87 年对 AI 系统的需求下降，业界损失了近 5 亿美元。象 Teknowledge 和 Intellicorp 两家共损失超过 6 百万美元，大约占利润的三分之一巨大的损失迫使许多研究领 导者削减经费。另一个另人失望的是国防部高级研究计划署支持的所谓"智能卡车"。这个项目目的是研制一种能完成许多战地任务的机器人。由于项目缺陷和成功无望，Pentagon 停止了项目的经费。
尽管经历了这些受挫的事件，AI 仍在慢慢恢复发展。新的技术在日本被开发出来，如在美国首创的模糊逻辑，它可以从不确定的条件作出决策;还有神经网络，被视为实现人工智能的可能途径。总之，80 年代 AI 被引入了市场，并显示出实用价值。可以确信，它将是通向 21 世纪之匙。
人工智能技术接受检验 在"沙漠风暴"行动中军方的智能设备经受了战争的检验。人工智能技术被用于导弹系统和预警显示以 及其它先进武器。AI 技术也进入了家庭。智能电脑的增加吸引了公众兴趣;一些面向苹果机和 IBM 兼容机的应用 软件例如语音和文字识别已可买到;使用模糊逻辑，AI 技术简化了摄像设备。对人工智能相关技术更大的需求促 使新的进步不断出现。人工
智能已经并且将继续不可避免地改变我们的生活。
1.4 研究的现状 为了将人工智能的理论研究成果应用于实际，人们发明了多种方法。目前大部分的人工智能应用系统是在冯•诺依曼结构的通用数字计算机或通用算机上运行求得结果。这种用软件实现的方法灵活性强但速度较慢。
目前人工智能的研究方向已经被分成几个子领域，研究人员希望一个人工智能系统应该具有某些特定能力，以下将这些能力列出并说明。
1.4.1 演绎、推理和解决问题 早期的人工智能研究人员直接模仿人类进行逐步的推理，就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。到了 1980 和 1990 年，利用机率和经济学上的概念，人工智能研究还发展了非常成功的方法处理不确定或不完整的资讯。
对于困难的问题，有可能需要大量的运算资源，也就是发生了“可能组合爆增”：当问题超过一定的规模时，电脑会需要天文数量级的记忆体或是运算时间。寻找更有效的算法是优先的人工智能研究项目。
人类解决问题的模式通常是用最快捷，直观的判断，而不是有意识的，一步一步的推导，早期人工智能研究通常使用逐步推导的方式。人工智能研究已经于这种“次表征性的”解决问题方法取得进展：实体化的代理人研究强调感知运动的重要性。神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。
1.4.2 多元智能 大多数研究人员希望他们的研究最终将被纳入一个具有多元智能(称为强人工智能)，结合以上所有的技能并且超越大部分人类的能力。有些人认为为了达成以上目标，可能需要拟人化的特性，如人工意识或人工大脑。
上述许多问题被认为是人工智能完整性：为了解决其中一个问题，你必须解决全部的问题。即使一个简单和特定的任务，如机器翻译，要求机器按照作者的论点(推理)，知道什么是被人谈论(知识)，忠实地再现作者的意图(情感计算)。
因此，机器翻译被认为是具有人工智能完整性：它可能需要强人工智能工，就像是人类一样。
1.4.3 规划 智能 Agent 必须能够制定目标和实现这些目标。他们需要一种方法来建立一个可预测的世界模型(将整个世界状态用数学模型表现出来，并能预测它们的行为将如何改变这个世界)，这样就可以选择功效最大（或“值”）的行为。
在传统的规划问题中，智能 Agent 被假定它是世界中为一具有影响力的，所以它要做出什么行为是已经确定的。但是，如果事实并非如此，它必须定期检查世界模型的状态是否和自己的预测相符合。如果不符合，它必须改变它的计划。因此智能代理必须具有在不确定结果的状态下推理的能力。
在多 Agent 中，多 Agent 规划采用合作和竞争去完成一定的目标，使用演化算法和群体智慧可以达成一个整体的突现行为目标。
1.4.4
知觉 机器感知是指能够使用传感器所输入的资料(如照相机，麦克风，声纳以及其他的特殊传感器)然后推断世界的状态。计算机视觉能够分析影像输入。另外还有语音识别、人脸辨识和物体辨识。
1.4.5 社交 情感和社交技能对于一个智慧代理人是很重要的。
首先，通过了解他们的动机和情感状态，代理人能够预测别人的行动(这涉及要素 博弈论、决策理论以及能够塑造人的情感和情绪感知能力检测)。此外，为了良好的人机互动，智慧代理人也需要表现出情绪来。至少它必须出现礼貌地和人类打交道。至少，它本身应该有正常的情绪。
1.4.6 创造力 一个人工智能的子领域，代表了理论(从哲学和心理学的角度)和实际(通过特定的实现产生的系统的输出是可以考虑的创意，或系统识别和评估创造力)所定义的创造
力。
相关领域研究的包括了人工知觉和人工想象。
第二章
体现形式和研究领域
2.1 博弈 博弈论，又称对策论，是使用严谨的数学模型研究冲突对抗条件下最优决策问题的理论。博弈思想在人工智能方面最早体现在计算机游戏方面，最早的计算机游戏（computer game）指的就是下棋, 为了设计可以和人类竞争甚至战胜人类的程序， 人们便开始研究如何使得计算机可以学习人类的思维模式，具备与人类一样的博弈能力。博弈的过程包含着对问题的表示、分解、搜索和归纳这四个重要问题。计算机棋类博弈基本属于完全信息的动态博弈。也就是对弈双方不仅清楚当前的局面，了解对手以往的着数，而且了解对手接下来可能采取的着数。尽管双方可能采取的着法数以十计、百计，但毕竟还是有限的。计算机可以通过展开一颗根在上、叶在下的庞大的博弈树描述这一对弈过程。再利用自身在时间和空间上的强大能力，进行巧妙的搜索，从而找到可行解及近优解，亦即给出当前的着法。显然，计算机的搜索能力是计算机智力水平的重要体现。搜索算法是机器“思维”的核心。包括着法生成，博弈树展开，各种剪枝搜索和各种启发式搜索。显而易见，搜索算法的设计和编写过程处处体现着人工智能的思想。机器博弈是既简单方便、经济实用，又丰富内涵、变化无穷的思维逻辑研究载体。个把小时就可以下一盘棋，就可以对电脑的“智能”进行测试，而且可以悔棋、重试、复盘，可以一步步地发现电脑与人脑功能的差距，从而不断提高电脑的智力水平。毫无疑问的是，机器博弈的研究可以显著推动人工智能的发展。
2.2 专家系统 专家系统是一种具有大量专门知识和经验的智能程序系统，它能运用领域专家多年积累的经验和专门知识，模拟领域专家的思维过程，解决该领域中需要专家才能解决的复杂问题。专家系统是目前人工智能中最活跃，最有成效的一个研究领域，它是一种基于知识的系统，它从人类专家那里获得知识，并用来解决只有专家才能解决困难问题辅助教学系统。
人工智能专家系统常由知识库、是推理机等构成。推理机主要决定哪些规则满足事实或目标，并授予规则优先级，然后执行最高优先级规则来进行逻辑推理。知识获取机为用户建立的一个知识自动输入的确定方法。匹配模块是该人工智能专家系统的核心部分，匹配功能 2.3 模式识别 广义地说，存在于时间和空间中可观察的事物，如果我们可以区别他们是否相同或者是否相似，都可以称之为模式。但需要注意的是，模式并不是指向事物本身，而是我们从事物...
篇三：人工智能论文3000字
论坛! ! ! !型Q ：! !Sci ence and Technol ogy j nnovatl on H era{d浅谈人工智能余汉铭( 长江大学计科学院湖北荆州434000)摘要：本文对人工智能俄了一要介颦，分析了t识能不能在人脑之外的耪质中存在，机嚣镌否具备自我的忑堆．井引出了人工智能是否对人奏未来的发展构成危害。在羹后提出了笔者对人工智能发展的看法。关键词：人工智能t识进化机器人中图分类号：TPl 8文献标识码l A文章编号：1674—098X( 2010) 09( a) -" 0239—011人工智能简介人工智能(Arti acj a】InteUi gence，简称AI)是计算机科学的一个分支，他探究智能的实质，并以制造一种能以人类智能相类似的方式作出反应的智能机器为目的。人T智能的产生和发展首先是一场思维科学的革命，它的产生和发展一定程度上依赖于思维科学的革命，同时它也对人类的思维方式和方法产生了深刻的变革。人工智能是与哲学关系最为紧密的科学话题，它集合了来自认知心理学、语言学、神经科学，逻辑学、数学、计算机科学、机器人学、经济学、社会学等等学科的研究成果。过去的半个多世纪以来人工智能在人类认识自身及改造世界的道路上扮演了重要角色。通常人工智能指通过普通计算机实现的智能。对人工智能研究存在两种态度：强人工智能和弱人工智能，前者认为AI可以达到具备思维理解的程度，可以具有真正的智能；后者认为研究A1只是通过它来探索人类认知，其智能只是模仿的不完全的智能。不管是何观点，它们都引发出了一系列的重要问题：什么是智能?什么是思维?怎样才能达到“ 智能“ 的程度?人工智能可以分为两部分，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、自我，思维( 包括无意识的思维等等问题。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。2对智能和思维的讨论。智能“ 是思想家们长期争论的议题。从感觉到记忆到思维这一过程，称为“ 智慧” ，智慧的结果就产生了行为和语言，将行为和语言的表达过程称为“ 能力” ，两者合称?智能” ，将感觉、去记、回忆、思维、语言、行为的整个过程称为智能过程，它是智力和能力的表现。本文认为，智能是一种能动的认识、适应和改造世界的能力，是个体有意识地以思维活动来适应新情境的一种潜力。思维是什么?之前人们将思维定义为人脑对客观现实概括的和间接的反映，它反映的是事物的本质和事物问规律性的联系。思维同感知觉一样是人脑对客观现实的反映。感知觉所反映的是事物的个别属性、个别事物及其外部的特征和联系，属于感性认识，而思维所反映的是事物共同的，本质的属性和事物间内在的、必然的联系，属于理性认识。由以上定义可以看出思维是人工智能的基础，是人T智能产生的必要条件。如果想要机器出现智能，就必须要产生思维。所以，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。思维需要借助于语言，图灵测试也基于语言交流，这意味着要把任何一种机器看作是有智能的，它至少要有人类语言能力。人类智能的产生和发展是与人类特有的语言分不开的。语言能力是在人类漫长的进化过程中产生的，维特根斯坦认为，这种语言能力只能来自于一种共同的生活方式，可是机器并没参与到这种生活方式当中。使机器具有类似人的智能必须让它具备自然语言理解，不仅从语法上，更要从语义上理解日常交流所用的语言。人们在对语义的理解上，不是用形式化的分析来理解，而是综合了情境、情感等因素去解读语义。从目前来看，机器仍然无法很好地把握人目常交流中丰富的语言内容。关于机器是否可以具备思维意识的问题可以说是生物化学变化能否被代替的问题。拉· 美特利曾提出人是复杂机器的观点，灵魂由肉体产生，思想、感情是人脑的产物。在当今科学界，“ 人，动物和计算机都是信息处理系统” 、“ 思维不过是计算” 、。意识是脑神经的活动” 等，都是对拉· 美特利那句口号的继续。哥德尔定理表明人的思维有不可计算之处，图灵认为“ 机器思维” 这个概念无意义，应该重视的是机器的智能行为。人工智能能否产生意识，仍是个很大的问题。3人工智能的发展前景自从人工智能出现以来，随着机器能做的事越来越多，人们对“ 智能“ 的要求也越来越苛刻，从复杂的数学运算、逻辑演算到演绎推理，到要求机器具备“ 创造性” ，国际象棋世界冠军败在“ 深蓝” 手下( 尽管有人认为机器取胜是靠程序而不是智力)，机器能够作曲、绘画，作诗也早已不是新闻。说到这里让我回忆起热门漫画《龙珠》。里面的博士制造了几个战斗力非常强大的人造人，它们具有与一般人类完全一样的思维与活动，甚至比人类还要聪明。有人说过“ 人工智能不是人的智能，更不会超过人的智能。” 但当机器人有了自我意识和思维的时候就意味着它有可能会自我进化和学习。诚然，能够做出这样的机器，的确是人工智能的目标。不过人工智能的研究单纯就是为了这个么?我个人认为，能够做出像人一样聪明的机器是件好事，不过如果要求机器做到人的某些不好的特性，例如，懒惰、贪婪、罪恶等等。人丁智能应该可以为人类而服务，能够帮助人解决各种问题。其实做到像人类一样思考的机器，这个只是人工智能科学的其中一个部分，绝不是全部。通过人工智能的研究，领略到智能科学的真谛，解决各种科学难题，促进其它学科的发展，这个才算人工智能的精华J4结语人工智能的发展引发了一系列问题，使我们对意识、思维的本质有了进一步的认识。然而当面对意识时，人们更加困惑了，我们由于一种对理解、情感、意识的神秘性的看法。不相信机器也可以产生出这些精神性状态。不过精神神秘性、人脑与人工脑的差异并不应该是反对人工智能的理由，随着探索的深入，关于意识的神秘性也会逐渐消失，机器即使无法具有与人相同的意识，也将以其独特的。机器智能” 而成为人类社会中的一部分。参考文献【1】涂序彦，韩力群．人工智能回顾与展望【2】王文杰，叶世伟．人工智能原理与应用科技创新导报Sci ence and Technol ogy Innovati on H eral d239万方数据篇四：人工智能论文3000字
人工智能与人类的论文导读：我根据大家的需要整理了一份关于《关于人工智能与人类的论文》的内容，具体内容：人工智能技术在服务业、教育领域、军事领域的应用已经初现端倪，发展前景大好，并且已经在人们生产生活中占据一席之地，人类不得不开始重新审视人工智能与人类智能的关系。以下是我整理分享的关于的...
人工智能技术在服务业、教育领域、军事领域的应用已经初现端倪，发展前景大好，并且已经在人们生产生活中占据一席之地，人类不得不开始重新审视人工智能与人类智能的关系。以下是我整理分享的关于的相关文章，欢迎阅读!
篇一
论人工智能与人类智能的关系
摘 要：目前，人工智能技术在服务业、教育领域、军事领域的应用已经初现端倪，发展前景大好，并且已经在人们生产生活中占据一席之地，人类不得不开始重新审视人工智能与人类智能的关系。通过分析人工智能的概念，了解人工智能的起源和本质及其作用机制，论证人工智能是人类智能发展到一定阶段的产物，二者是互为补充、相辅相成、共同进化的关系，人工智能不能取代人类智能。
关键词：人工智能;人类智能;思维;技术元素
1 基本概念界定
1.1 人工智能
人工智能是在 20 世纪中期以后产生的学科，人工智能就是用机器模拟人类的智能活动，从而用机器代替人类行使某些方面的职能。人工智能是通过探索人的感觉和思维的规律来模拟人的智能活动，电子计算机是人工智能的媒介和基础。阿伦图灵说："如果一台计算机能骗过人，使人相信它是人而不是机器，那么它就应当被称作有智能。"如果以此为标准来界定机器的智能，那么人工智能的发展之路仍然任重道远。
1.2 人类智能
智能简单地说就是智慧与能力，是综合、复杂的精神活动功能，是人运用自己已有的知识和经验来学习新知识、新概念并且把知识和概念转化为解决问题的能力。智能活动往往和记忆力、感知力、思维、判断、联想、意志等有密切的联系，人类的智能表现在能够进行归纳总结和逻辑演绎，人类对视觉和听觉的感知以及处理都是条件反射式的，大脑皮层的神经网络对各种情况的处理是下意识的反应。
1.3 什么是思维
思维是事物的一般属性和内在联系在人脑中的间接的、概括的反映。思维的形式包括概念、理解、判断、推理等。思维往往借助于语言来表达，由直接的感受即感性思维转化为理性，透过现象看到事物的本质，发现普适性的规律。芒福德说人类是"精神的制造者"而不仅仅是"工具的制造者"，因为人类具备思维能力。
2 基于"技术元素"视角下的人工智能
"技术元素"这一说法是凯文凯利提出的，技术元素就是从人类意识中涌现出的一切东西，包括技术具象的工具，也包括文化、 法律、社会机构
和一切智能创造物。凯文凯利说："科技是人类的发明，也是生命的产物。"居所是动物的技术，是动物的延伸部分，人类的延伸部分是技术元素，科技发明是我们基因创造的躯体的外延。
2.1 人工智能是技术进化的成果
凯文凯利认为人类的延伸由思维产生，因为思维具有创造力，才促使了技术的进步，才创造出了以往没有创造出的东西，所以，"如果说科技是人类的延伸，那也与基因无关，而是思维的延伸。因此科技是观念的延伸躯体"。
技术元素伴随着语言、工具的诞生成为人类不可或缺的伙伴，从古至今，除了极少的例外，各种技术都没有消失，而是进化成不同形态的技术。人工智能作为一种科技物种，随着技术的进步而产生发展，是技术进化的成果。
2.2 人类与技术共同进步
一切生物都有天然的借助外力的本领，从钻木取火到航空航天，人类经历了漫长的发展，或者说是进化，技术作为一种手段、一种工具从来都与人类相伴相生。"技术元素"赋予技术以生命，人是技术进化的动力，而技术的进化也促进了人类社会的发展，二者是密不可分的。科技与人类正在逐渐融合，或者说人类已经成为科技最适合的载体;"技术元素"的发展虽然具有一定程度的自主性，但是它的发展轨迹从某种意义上来说也是人类意志的体现。人作为技术发展的动力之一与"技术元素"同步运动。
3 人工智能能否超越人类
对于这个问题人们有两种极端的看法：一是认为人工智能必将取代人
类，不久的将来人类会沦为机器的奴隶;二是对人类的主体地位有着极度的自信，认为机器始终都是被人控制。前者的依据是人工智能的发展极其快速，超越了人类智能的进化速度，人工智能取代人类只是时间问题。后者的依据是人工智能不具有生命特征，无法融入生物圈从而和自然发生联系，只能作为人类活动的工具而存在。我更偏向于第二种观点，是基于以下几个原因：
3.1 缺乏创造性的"特长生"
人工智能开发出的机器可能是某一个领域的"特长生"却不是全才。比如AlphaGO 是围棋特长生却不能唱歌，计算器是数字计算的天才却不能陪人聊天，情感机器人负责陪伴和情感安慰却不能真正懂得人类的喜怒哀乐，如此等等，它们按照既定的程序运行，各司其职、各得其所，不会偏离轨道也不懂得创造。
塞缪尔说："机器不能输出任何未经输入的东西。"目前最先进的机器人也是依赖于软件运行，软件是通过人来完成更新升级，人工智能实际上是人类智能的外在表现。人体是一个复杂而庞大的系统，人有特定的背景和生活习惯，人脑的发育会受到所经历的事件和社会环境的影响，能够灵活运用，组合所接受的信息，具备综合分析问题的能力。人脑的控制系统复杂和精密程度远远超过智能机器人，因此，人工智能在技术上不及人类智能，它依赖人类智能而进化，能够胜任人类制定的任务，却缺乏人类智能的创造性。
3.2 不能思维的人工智能
在回答"机器能否思维"的时候，我们首先应该对思维进行界定，思维是
人脑特有的功能。人脑是一个高度发达的系统，是人类意识活动的物质载体。"电脑思维"在功能上会向人脑思维不断接近，但是两者之间存在不可消除的界限，"电脑思维"是一个简单的逻辑过程，模拟人脑思维功能和思维信息过程，它在本质上区别于人类思维。人脑思维除了能够接受外部信息以外，还能对信息进行主观的加工。人们已经能制造出类人机器人，可是它不能和人一样思维吗，因为思维不仅仅是人脑的生理机能，离开社会实践和人际交往是不能产生思维的。
3.3 是辅助而非替代
人工智能简单明了地说就是人类用来改造世界的技术手段，是辅助性的工具，而不是对人类的替代。人工智能出现的历史并不久远，前文说到了技术和人类的共同进化，当人类有能力利用工具来处理复杂繁琐的工作时，这是人类的进化，也是工具的进化。
人工智能被用于帮助人类进行某项工作，才能解放人力，人类智能才可以更好发挥主动性和创造性。人工智能承担了人类活动中基础的、不可或缺的、复杂的工作，从而使人类智能转向更核心的科研创造以及思维和判断上来。在人与人工智能的关系上，二者是相辅相成、相互补充的，而不是互相排斥、完全替代
4 结束语
人工智能与人类智能的关系是互为补充、相互制约的，人与技术的融合是必然的。目前人工智能的更新升级必须依赖与人类智能，人类智能的进化程度关系到人工智能的先进程度"技术元素"的进化也要受到社会条件的制约。人工智能可能在某一方面出强大的功能，但是它缺乏思维和创造
性，这一点是致命的缺陷，工具作为人类器官的延长，是人类智能的外化之物，被人类智能的发展程度所局限。
参考文献
[1]凯文凯利.科技想要什么[M].熊祥译.北京：中信出版社，2011.
[2]尹传红.当机器智能超越人类[N].中国科学报，2015，04(03).
[3]郑祥福.人工智能的四大哲学问题[J].科学技术与辩证法，2005(05).
[4]黄铁军.人类能制造出"超级大脑吗"?[N].中华读书报，2015，01(07).
下一页分享更优秀的
篇五：人工智能论文3000字
人工智能论文由于人工智能的出现，使得生活越来越便利。以下是精心准备的浅谈人工智能论文，大家可以参考以下内容哦！
摘要
人工智能技术的发展推动着社会生产力的提高，同时也融入到教育教学中。介绍目前与教育有关的人工智能的研究领域，论述人工智能与教育的关系和人工智能与网络教育的结合点。
关键词人工智能网络专家系统
引言
20 世纪以来，计算机的发展日新月异，不断更新换代，以最早期的机械运行方式为基础，经历了电子管时代、晶体管时代直到集成电路，时至今日已涉及到人们生活、工作和学习的各个方面，伴随着计算机的出现并逐步普及应用，人们又开始力图根据认识水平和技术条件，试图用机器来代替人的部分脑力劳动，以提高征服自然的能力。
1 人工智能的概念
人工智能（ArtificialIntelligence），英文缩写为 AI，也称机器智能。“人工智能”一词最初是在 1956 年的 Dartmouth 学会上提出的。它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。主要探讨如何运用计算机模仿人脑所从事的推理、证明、识别、理解、设计、学习、思考、规划以及问题求解等思维活动，并以此解
决如咨询、诊断、预测、规划等需要人类专家才能处理的复杂问题。通俗的说，人工智能可以分为两部分来理解，即“人工”和“智能”，顾名思义就是人造的智能。人工智能是研究如何制造智能机器或智能系统来模拟人类智能活动的能力，以延伸人们智能的科学。
2 人工智能和教育的关系
（1）人工智能和教育的关系。人工智能以及人工智能科学从1956 年诞生起，其研究和应用领域就与教育紧密相关。人工智能就是研究让计算机接受教育、提高智能的科学技术。AI 的研究成果又反过来应用到我们日常生活的各个方面，并可以改进我们的生活。比如应用到教育过程中，促进教育的工作效率（减少教师的数量和工作时间、甚至直接提高受教育者的智能）。还可以产生新的教学模式，如网上学习共同体、合作学习等。（2）人工智能在教育中的应用。人工智能原理和技术从诞生起就应用于教育，其产品通常称作智能指导系统 ITS 或者智能计算机辅助教学 ICAI。
ICAI 系统可以采用多种形式。从根本上讲，它是在保证学生和程序灵活性的方式下，应用人工智能原理和技术，组织安排教学系统的各种成分。它并不是根据预先输入的问题、预先想到的解答、预先指定的分支等进行工作，而是根据学生学习时积累的知识而工作。它的一般工作准则和标准，是依赖本身的知识结构和近期活动事件，如学生回答的历史记录。许多 ICAI 系统都具有这样的重要特点，即能够实现与学生的自然语言对话。
3 人工智能与网络教育的融合
随着人工智能的理论与技术发展，其在教育中的应用日渐扩大，例如 Inter 上的 web 站点，其网页的组织形式，就包含智能的原理。目前人工智能在教育领域特别是网络环境下的应用主要有以下几个方面：
（1）ICAI。计算机辅助教学（CAI）是由程序教学发展而来。但是以程序教学为理论基础开发的 CAI 课件，在推理机制和学生模型方面存在不足，因而不能根据不同学生的实际情况进行动态调整，缺乏灵活的应变能力。
借鉴人工智能中的专家系统知识，由于专家系统中包含知识库和推理机两个基本模块，在一般专家系统中再加入一个“学生模型”模块，就构成智能计算机辅助教学（ICAI）系统的基本结构。其中推理机的作用相当于现实教学中的教师，它可以根据知识库中的内容和学生模型推断出每个学生的学习能力、认知特点和当前知识水平，根据学生的不同特点选择最适当的教学内容与教学方法，并可对学生进行有针对性的个别指导，提高教学效果。
（2）智能代理。在我们传统的教学过程中，最经典的教学模式是以教师为主，教师讲、学生听，它是一种单向沟通模式。这种教学模式的优点是有利于教师主导作用的发挥，便于教师组织、监控整个教学活动进程，便于师生之间的情感交流，因而有利于系统的科学知识的传授，并能充分考虑情感因素在学习过程中的重要作用。
上世纪 90 年代以来，随着多媒体和网络技术的迅速发展，强调以学生为中心的建构主义学习理论日益流行。这种理论强调在教师主导下以学生为中心的学习，即一种“主导――主体”教学结构。在这种教学并重的结构中，教师是教学过程的组织者、是良好情操的培养者；学生是信息加工与情感体验的主体，是知识意义的主动建构者；教学媒体既是辅助教师教的演示工具，又是促进学生自主学习的工具。
在网络远程教学中，为实现上述教学模式，把人工智能中的智能体（Agent）技术应用到网络远程教学中，并逐渐成为在教学领域实现智能化的一种主流技术。
实现智能化信息服务。Agent 技术应用于信息服务领域可以充分发挥其主动性、智能性和协作性，为用户提供方便简单的信息搜索、处理手段，提高学习者的信息获取、处理能力。将 Agent 技术应用于网络信息搜索，其最主要的特征是具有学习功能，能够在信息交互中获得用户的信息，包括用户的兴趣、爱好和思维方式，在此前提下，系统可以主动、定期地为用户查找信息，并根据用户搜索信息的变化调整“知识库”中的通用字和关键字，使之能够有效地适应专门领域的信息搜索。
（3）智能数据库。随着网络教学资源的增加，对其迸行组织管理的难度明显加大。同时，进行信息检索的工作量也相应地加大。运用人工智能中关于知识库系统的理论和技术，可以提高对网
上信息的管理和检索能力。近年来关于数据库研究方面的热点问题之一数据仓库系统，其中的数据挖掘也离不开人工智能技术。
篇六：人工智能论文3000字
智能和大数据论文现在是互联网大数据时代，大家知道大数据和人工智能如何相互结合吗？以下是精心准备的人工智能和大数据论文，大家可以参考以下内容哦！
摘要：大数据和人工智能是今天计算机学科的两个重要的分支。近年来，有关大数据和人工智能这两个领域所进行的研究一直从未间断。其实，大数据和人工智能的联系千丝万缕。首先，大数据技术的发展依靠人工智能，因为它使用了许多人工智能的理论和方法。其次，人工智能的发展也必须依托大数据技术，需要大数据进行支撑。大数据时代背景下，未来人工智能会有哪些创新和发展，大家拭目以待。
关键词：大数据人工智能云计算数据挖掘机器人人工神经网络
1 什么是大数据
1.1 大数据的定义
大数据是一个数据体量和数据类别都十分庞大的数据集。这个庞大的数据集，我们今天还无法用传统的数据库工具对它的内容进行获取和处理。整体概括起来，大数据具有数据类型多、数据规模大、数据真实性高、数据处理快等四大特征。
大数据的特征：第一，是指数据类型非常多，它的数据多种数据源，而非单一的一种数据源，数据的种类和数据的格式日渐丰富；第二，是指数据规模非常大，通常在 10TB 左右，规模非常庞大；第三，是指数据的真实性非常高，一些新的数据源渐渐兴起，
打破了之前传统的数据源，今天的企业愈发需要这些有效的信息，以确保其真实性及安全性；第四，是指数据处理的速度非常快，能够做到数据的及时快速处理。
1.2 大数据的发展历程
“大数据”一词最早提出的是麦肯锡研究院于 xx 年发布的研究报告《大数据》。之后，经美国高德纳公司和美国一些科学家的宣传推广，渐渐地大数据概念开始流行起来。
大数据发展的萌芽期，是 20 世纪 90 年代至 21 世纪初，此时处于数据挖掘技术阶段。这一时期，随着数据挖掘理论和技术的一步步成熟，已开始有一些与商业相关的智能工具开始被人们所应用，如专家系统、数据仓库和知识管理系统等。
大数据发展的突破期，是 xx―xx 年，此时处于自由探索非结构化数据阶段。这一时期，非结构化数据的迅猛发展带动了大数据技术的快速发展。此时，可以以 xx 年的创立为标志，此时是大数据发展的突破期。
大数据发展的成熟期，是 xx―xx 年，此时大数据技术形成并行运算与分布式系统。
到了 xx 年，智能手机开始大量涌现，其应用日益广泛。此时，数据的碎片化、流媒体、分布式等特征更加凸显，移动数据开始急剧增长。
近年来，大数据技术的发展十分迅猛，开始不断向社会各行各业步步渗透，从而导致大数据的技术领域和行业边界越来越不明
显，也越来越模糊，大数据的应用创新已经超越了大数据技术的本身，越来越受到各行各业的热捧和青睐。
今天，可以毫不夸张地说，大数据技术能够改变一个领域，为每一个领域带来变革性和创新。
2 什么是人工智能
2.1 人工智能的定义
人工智能是一门新的技术科学，它主要研究和开发用于模拟人类的智能的理论、方法和技术的应用系统，它同样也是计算机学科的一个重要分支。人工智能的终极目的是掌握智能的根本实质，从而生产出一种全新的能以人类智能相似和相近的方式快速做出反应的智能机器。可以说人工智能的发展与计算机科学与技术的发展紧密相连，密不可分。
2.2 人工智能的发展历程
“人工智能”一词最初是在 1956 年美国达特茅斯学院提出的。
人工智能的发展经历了半个多世纪，它的发展历程十分曲折，大致可分为三个发展阶段：
20 世纪 40 年代中期到 50 年代中期为第一阶段，被称为人工智能启蒙探索时期。1950 年，英国数学家图灵发表了《计算的机器与智能》，提出了机器可以思维进而帮助人类的问题，直接推动了现代人工智能的发展。
20 世纪 50 年代中期到 80 年代末期为第二阶段，被称为人工智能经典符号时期。人工智能与认知科学、认知心理学等三门学科开始了相依为命的发展历程。
20 世纪 80 年代末期到现在为第三阶段，被称为人工智能联结主义时期。这一时期，主要采用分布处理的方法通过人工神经网络来模拟人脑的智力活动。
3 大数据与人工智能的关系
大数据和人工智能，近年来这两个领域的研究相互交叉促进，产生了很多新的方法、应用和价值。
今天，人类拥有了对数据规模大、数据类型多、数据流转快和数据真实性高的大数据进行存取、检索、分类和统计的能力，完全得益于大数据技术的发展。而且，人工智能领域的一些理论和方法，已经开始用于大数据分析方面，并取得了一定的效果。
研究发现，解决人工智能的扩展性和成长性问题，离不开大数据技术。
以前，人工智能技术还不能实现与人类相似的学习研究能力。原因在于，人工智能看似简单，实际上是一件非常繁琐和复杂的事情，产生人工智能的两个必要条件要有海量数据的支撑和对这些数据的极强处理能力，而以前的机器都不具备这两个条件。
人工智能其实就像人类一样，是需要拥有大量的知识和丰富的经验。在这些知识和经验的背后是需要大量的数据支撑。大数据技术的进一步发展，为储存、分析大量的数据提供了一定的技术支
持，使机器得到的数据量和拥有的数据处理能力，与形成人工智能所需要的数据量和数据处理能力相匹配。只有这样，人工智能才能得到发展。人工智能的发展，反过来进一步推动大数据技术的向前发展，形成有效的相互推动作用。
与其说人工智能的发展依靠大数据，不如说大数据开启人工智能新篇章。人工智能领域的一些理论和方法，能够有效地提升大数据的使用价值。与此同时，大数据技术的发展也将在为人工智能提供一个用武之地。
4 未来人工智能的发展随着大数据技术和计算机科学技术的不断发展，未来人工智能的发展主要会在以下几个方面：模式识别、专家系统、符号计算、人工神经网络和机器情感。
4.1 模式识别
模式识别，顾名思义，是指通过计算机采用数学计算的方法来研究模式的自动判读、处理等识别功能。
可以断定，随着计算机技术的不断向前发展，人类一定能对复杂的信息处理过程做深入的进一步的研究。与此同时，模式识别功能也为人类认识自身智能创造了可行的线索和提供了必要的帮助。
在现实生活中，对人类来说最重要的是对光学信息以及声学信息的判断和识别。大家知道，准确、高效是计算机识别的最大特点。例如，今天已经应用很广的指纹识别功能就是一个典型的案例。
人类每个人的指纹独一无二，具有唯一性。早在很多年前，我国有关专家就对数字图像的离散几何性质进行了深入的观察和研究，进而建立了从人类指纹的灰度图像精确计算纹线局部方向，从而提取了人类指纹特征信息的相关理论与算法。
这一研究发现，随后就被用于全自动指纹鉴定系统，从而开创了我国指纹自动识别系统应用的先河。
4.2 专家系统
专家系统，是未来人工智能发展的一个重要方向。专家系统在今天的生活中已被广泛应用。其实，专家系统是指一个具有大量的行业或领域专门的知识与经验的程序系统。它主要利用计算机科学技术和人工智能技术为基础，先根据某一行业或领域一些权威专家或多个专家所提供的一些相关知识和相关经验，再进行深入推理和判断，进而可以模拟人类专家的判断决策过程。通过这个过程，从而来帮助人们解决现实中一些需要人类专家来处理的一些复杂的问题。
实现专家系统必须要有两个条件：一是要拥有类似于该领域专家解决实际问题的推理机制，二是建立一个完善的存储有该领域中经过专家事先总结、分析并按某种模式表示的专家知识库。这两个条件缺一不可，否则无法进行专家识别。
研究发现，专家系统能对人类输入的信息进行快速处理，并运用相关的行业和领域知识进行推理判断，进而作出相应的判断和决策。
科学家们对专家系统的研究由来已久，一直以来被科学家们所重视。今天，各种各样的专家系统已遍布了各行各业的不同领域，并且取得巨大的成功。
目前，专家系统可以分为十种类型：教育型、预测型、解释型、维修型、规划型、诊断型、调试型、设计型、控制型等。
4.3 符号计算
科学计算是计算机发明以来最基本和主要的用途之一。科学计算可分为两类：一类是纯数值的计算，另一类是符号计算。符号计算与传统的纯数值计算不同，它是一种智能化的计算，主要通过处理相应的符号来进行的计算。
在符号计算中，符号可以代表的种类非常非常多，如实数、复数、整数、有理数等，还可以用符号来代表函数、多项式、集合等。
很久以前，人类就希望能有一个可以进行符号计算的计算机软件系统来帮助人们进行计算。可以追溯到 20 世纪 50 年代末，人们就开始对此进行研究。今天，随着计算机科学技术和人工智能技术的进一步发展，已相继出现了多种可以进行符号计算的计算机系统软件。
这些符号计算软件功能齐全，且具有共同的特点：一是人机界面友好，命令输入方便灵活，反应快捷，操作便捷；二是在操作界面上，一般都支持交互式处理，人通过键盘输入命令，计算机处理后即显示结果。
虽然计算机只是在执行人给它的指令，具有一定的局限性，但是在符号计算中已经有了相当大的突破，相信在未来的符号计算领域会有更大的进步和发展。
4.4 人工神经网络和机器情感
计算机技术发展到今天，人工智能的基本思想已经在许多领域中得到应用。未来人工智能应用最重要的一个新领域就是人工神经网络。
研究表明，情感属于智能的一部分，而并不是与智能相分离的。因此，可以断言人工智能未来发展的下一个突破就是要赋予计算机情感能力，让智能情感化。
人工智能进入 21 世纪的今天，正酝酿着新的突破，创造新的奇迹。
未来人工智能的应用将会为人类创造出更多更高级的智能“产品”来服务人类自身，而且人工智能将会在越来越多的领域会超越人类智能。
大数据时代背景下，相信人工智能将会得到长足的发展，更多的发现、发明和成果将会出现在大家面前。仿佛可以看到，与人类水平相同甚至超越人类自身智能就快要实现。
相信这一刻就在不远的将来，让大家拭目以待。
参考文献
[1]蔡自兴，徐光 v.人工智能及其应用[M].4 版.清华大学出版社，xx.
[2]（加）海金.神经网络与机器学习[M].3 版.北京：机械工业出版社，xx.
[3]（美）库兹韦尔.奇点临近[M].北京：机械工业出版社，xx.
[4]（英）迈尔-舍恩伯格.大数据时代[M].杭州：浙江人民出版社，xx.
[5]涂子沛.数据之巅[M].北京：中信出版社，xx.
篇七：人工智能论文3000字
智能技术与应用论文智能科学与技术09 级 吴静垠
人工智能一个曾经对于我而言神秘而有趣的名词终于在大学一年的相关学习中渐渐对其有了一些了解。对这个名词最早的印象便是源于经典科幻片《人工智能》,片中出现了大量的高智能机器人他们像普通人类一样生活工作学习被赋予爱与被爱的能力无限地接近人类。于是也让我有了最开始对于智能的所有想象但直到进入大学成为了智能系的一份子才在学习中对于人工智能有了进一步的了解。原来它可以说是多门学科混合而产生的新学科内容涉及方方面面的知识。而人工智能方面的应用更是处于当今科学前沿。人工智能是一门走在科学前沿的新兴学科。
一 人工智能与其他学科
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。
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。
人工智能与脑科学及心理学
要进行人工智能的研究 对于大脑的探索必然必不可少。
由史前秘鲁的颅骨 “环钻术” 古希腊众多学者的理论到文艺复兴至 19 世纪时期的一些突破性发现再到如今已形成的脑科学各学科分类脑科学的发展中与人工智能密切相关的便是认知神经科学。认知神经科学的研究旨在阐明认知活动的脑机制,即人类大脑如何调用其各层次上的组件,包括分子、细胞、脑组织区和全脑去实现各种认知活动。
人工智能方面的研究取得了重要进展 但又发现在此的研究领域内出现许多难点必须在人脑认知活动机制中需求答案。例如认知心理学和心理语言学研究中信息加工的并行和串行方式外显机制和内隐机制基于
经验和知识的认知活动和靠灵感、顿悟的认知活动其脑机制有何异同在人工智能和人工神经网络的研究中物理符号的离散表征和运算原理与亚符号连续运算原理之间存在何种关系人工神经网络的学习机制为何需要千万次训练而人类的观察模仿学习则一看就会这些问题都尖锐提到认知科学各个分支学科发展面前。
过去 20 年间,运用双分离原则,已将记忆至少分离出意识和无意识两类。多重记忆系统,在这些研究成果之上,近年涌现出意识的“全脑工作空间模型” 、“簇化模型”、复杂性模型”等,对意识与无意识过程进行了更为系统性的实验研究及对外界客体的真实知觉和想像之间的脑功能模块的对比研究等,这种对比性分离研究,将会对脑高级功能的认识更加深入。这类研究一方面在认知实验设计上巧夺天工,另一方面,又必须有适当的脑功能检测手段或者严格挑选的脑损伤病人为实验对象。此外,为了搞清所研究的脑功能系统,设计得当的灵长类或低等动物实验模型也是十分必要的。不同层次上的实验数据彼此支持是使这一领域深入发展的必由之路。这一领域的发展一方面直接涉及人类科学最大难题脑与意识的本质;另一方面又关系到智能化信息系统、智能化机器人等高新技术发展,将为人工智能研究开创新的境界。
人工智能与数理语言学
而另一方面数理语言学也与人工智能有着密不可分的关系。其中代数语言学和统计语言学在人工智能方面的应用极为重要。
代数语言学的目的在于建立语言的代数模型对客观的语言现实进行抽象的代数描述和理论上的精确分析从而把语言学的某些方面改造成数学那样的演绎系统。代数语言学中的语言模型主要有分析性模型、生成性模型和辨识性模型 3 种分析性模型主要采用集合论的方法对语法的基本概念进行数学描述生成性模型着重于研究形式文法和自动机理论阐明形式文法及其与自动机的关系辨识性模型则研究句法类型演算方法。此外还有把句法与语义结合起来研究的孟德鸠语法。这些语言模型的研究冲破了语言学传统的归纳方法的束缚给语言学研究带来了变革性的重大影响而且语言现象经过模型刻画之后更适于计算机处理为自然语言的自动处理提供了手段。
统计语言学的目的在于建立语言的统计模型。采用统计方法来研究语言的音素和音位的,有语音统计学;研究亲属语言分化的年代有语言年代学研究文章风格的有风格统计学。近年来人们开始利用计算机进行自然语言的统计研究。包括机器翻译、人机对话、信息存储、信息传输等在内的应用数理语言学主要研究语言自动分析和语言自动生成的方法目前则重视语义的形式化研究。
不仅如此人工智能还是涉及信息论、控制论、自动化、仿生学、生物学、数理逻辑、医学和哲学等多门学科的一门综合性学科。通过各个学科的融合与交流相信人工智能的研究将会取得更大飞跃。
二 人工智能的应用
人工智能的应用是一个令人兴奋的话题总会让人联想到电影中机器人管家甚至是机器人战士那些让人热血沸腾的场景。而在当今的人工智能应用方面我们也兴奋地看到我们正一步步向电影中的梦幻场景靠近。
语音识别与人脸检测
语音识别技术和人脸识别等方面的研究集结了众多的学者一同努力克服研究中面临的种种挑战。
语音识别技术也被称为自动语音识别 Automatic Speech Recognition(ASR)其目标是将人类的语音中的词汇内容转换为计算机可读的输入例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。
语音识别的研究工作可以追溯到 20 世纪 50 年代 AT&T 贝尔实验室的 Audry 系统它是第一个可以识别十个英文数字的语音识别系统。
到了 60 年代末 70 年代初计算机技术的发展为语音识别的实现提供了硬件和软件的可能这一时期的语音识别实现了基于线性预测倒谱和 DTW 技术的特定人孤立词语音识别系统同时提出了矢量量化(VQ)和隐马尔可夫模型(HMM)理论。
实验室语音识别研究的巨大突破产生于 20 世纪 80 年代末人们终于在实验室突破了大词汇量、连续语音和非特定人这三大障碍第一次把这三个特性都集成在一个系统中比较典型的是卡耐基梅隆大学(CarnegieMellonUniversity)的 Sphinx 系统它是第一个高性能的非特定人、大词汇量连续语音识别系统。到如今语言识别技术更是被应用于了方方面面。
在电话与通信系统中智能语音接口正在把电话机从一个单纯的服务工具变成为一个服务的“提供者”和生活“伙伴” 使用电话与通信网络人们可以通过语音命令方便地从远端的数据库系统中查询与提取有关的信息随着计算机的小型化键盘已经成为移动平台的一个很大障碍想象一下如果手机仅仅只有一个手表那么大再用键盘进行拨号操作已经是不可能的。语音识别正逐步成为信息技术中人机接口的关键技术语音识别技术与语音合成技术结合使人们能够甩掉键盘通过语音命令进行操作。语音技术的应用已经成为一个具有竞争性的新兴高技术产业。
人脸检测就是任意给定一个图像或者一组图像序列人脸检测的目的就在于判定该图像或图像序列中是否存在人脸。如果存在则返回其位置和空间分布。人脸检测又分为一在静止图像中判断是否存在人脸若存在则定位人脸的位置二在视频图像序列中判断是否存在人脸若存在则动态地跟踪人脸。显然后一种所采用的人脸检测方法要比前一种困难。
但是 语音识别及人脸检测任然面临着许多挑战。
源样本需要数量庞大数据种类多有很多不同特点判断是否存在目标排除环境的影响等血多问题都将是接下来攻克的重点目标。
其他方面的应用
在其他方面人机对弈自动工程知识工程信息检索都是人工智能的重要应用。
信息检索是一门关于搜索文档、搜索文档中的信息、搜索文档中的元数据的科学并且还包括搜索关联数据库以及互联网。简称 IR。其基础学科为计算机科学、数学、图书管理学、信息科学、信息架构、认知心理学、语言学和统计学等。
信息检索模型是指如何对查询和文档进行表示然后对它们进行相似度计算的框架和方法。本质上是对相关度建模。主要的检索模型包括布尔模型向量空间模型概率模型统计语言建IR 模型。
而信息检索在 web 应用图书馆管理中起到了举足轻重的作用。
人工智能技术及应用涉及了我们生活中的方方面面与我们的生活息息相关人工智能一直是一门前沿学科它的进步将对人们的生活产生重大影响。相信将来如电影《人工智能》中一样的场景会在现实生活中成真。人工智能将是许多科学家继续为之努力探索的未来方向。
篇八：人工智能论文3000字
人工智能综述摘要：近年来，以深度学习为核心的人工智能技术 [1-4] ，取得了一系列重大突破，本文将就人工智能的产业化热潮，主要研究流派及发展历史 [5-6] ，以深度学习为核心的成功应用 [7-8] ，以及存在的一些问题和今后的可能研究方向做一个介绍。
关键词：人工智能；深度学习；神经网络
2Summary of Artificial Intelligence
Abstract: In recent years, the artificial intelligence technology of deep learning cored on , has made a series of major breakthroughs ,This article will be on the artificial intelligence industry boom, the main research genre and development history, the depth of learning as the core of the successful application, and the existence Some questions and future possible research directions to make an introduction. Key words: artificial intelligence; depth learning; neural network
0 引言 从 1956 年达特茅斯会议首次定义“人工智能”( Artificial Intelli-gence，AI) 开始，AI 研究已经历了几次历史浮沉。在一次又一次的高潮和低谷的交替中，不可否认，AI 无论是在理论还是在实践上都取得了扎实的进步，人类对于智能的理解进一步加深。[9-11] 尤其是近期以深度学习( Deep Learning，DL) 为代表的 AI 技术取得了突破性的进展，从而在全世界范围内又掀起了一个 AI 研究热潮。与以往不同的是，这次的研究热潮同时伴随着 AI 商业化浪潮，实验室成果很快就进入工业界，甚至工业界在这股热潮中也站在了学术研究的前沿，这在以往的技术发展史上是非常罕见的 [12-13] 。2015 年 7 月，人工智能被写入《国务院关于积极推进“互联网 +”行动的指导意见》; 2016 年 3 月，人工智能一词被写入“十三五”规划纲要; 2016 年 5 月，国家发展改革委员会等四部门联合下发《“互联网+”人工智能三年行动实施方案》; 李克强总理的政府工作报告中也提到了人工智能产业发展; 中国科学技术部“科技创新 2030—重大项目”近期或将新增“人工智能 2. 0”，人工智能将进一步上升为国家战略。这充分可以看出我国对 AI 的重视程度。2017 年，中国工程院院刊信息与电子工程学部分刊《信息与电子工程前沿( 英文) 》出版了“Ar-tificial Intelligence 2. 0”专题，潘云鹤等多位院士及专家学者对 AI2. 0 所涉及的大数
4据智能、群体智能、跨媒体智能、混合增强智能和自主智能等进行了深度阐述。面对人工智能热潮，我们该如何理解，看待其进步? 又如何了解其功能和限制? 已经有不少书籍和论文讨论了上述问题，本文将从人工智能的产业化浪潮、学术流派和研究方法，以深度神经网络为主的 AI 发展历史、近期成果和存在问题等诸多方面对人工智能做一个的介绍，希望能对读者了解 AI 有所帮助。
1 人工智能商业化浪潮 20 世纪末，当以神经网络为主流的 AI 研究又一次跌入低谷的时候，加拿大多伦多大学的 Hinton 教授等还是坚守阵地，辛勤耕耘，并在 2006 年获得了突破。2012 年他和两位学生成立“深度神经网络研究”( DNN Ｒesearch) 公司，数个月后被 Google 收购，从此 Hinton 教授身兼多伦多大学教授和 Google 研究者的双重身份。Google 随后斥资 4 亿美元收购人工智能初创的前沿人工智能企业 Deep Mind。
另外，Google 还收购了乌克兰面部识别技术开发商 View-dle。
紧随 Hinton 教授的步伐，纽约大学 Yann Le Cun 教授，2013 年底被聘请为 Facebook 人工智能研究院的总管; 斯坦福大学吴恩达( Andrew Ng) 教授，2014 年被百度聘任为首席科学家负责“百度大脑”的计划( 2017 年已经辞职) ; 斯坦福大学李飞飞教授( Fei-Fei Li) 成为谷歌云计算部门的负责人之
一。
这些现象一方面说明人工智能现在受工业界的欢迎程度，同时也说明了人工智能目前的发展趋势是学术研究和企业开发的快速深度结合。
2 人工智能的主要研究学派 2. 1 结构模拟 近代科学强调“结构决定论” [14] ，认为只要系统的结构清楚了，功能也就认识清楚了。最先提出来的智能模拟就是结构模拟的思路，其代表性的成果有神经元的 MP 模型、多层感知器 MLP 模型和人工神经网络等 [15] 。在机械系统的研究中非常有用的结构决定论，在智能系统的研究中却存在很多问题。结构只是硬件基础，不能完全确定系统的智能行为。正如现在对于单个神经元的生理活动机制已经研究得非常深入，但是大量的神经元连接在一起所呈现的智能行为目前的理解还是非常肤浅。作为结构模拟的主流成功方法，人工神经网络具有非常突出的优点: 1) 人工神经网络具有比较规范的结构; 2) 系统具有大量可以调节的参数，自由度大，可以实现非常多样的系统; 3) 网络具有并行处理的机制; 4) 信息分布存储，提供了优良的记忆和联想能力; 5) 系统具有很强的自适应能力和高度的容错能力。当然人工神经网络也具有很多弱点和局限性 [16] : 1) 人的智能系统不仅结构复杂，而且机制深奥，不是现在的人工神经网络所能完全模拟的; 2) 人工神经网络能做到的规模和人脑相比还是太小;
63) 神经元的工作机理过度简化，难以保证系统能最终模拟人脑。另外，人工神经网络将一切智能都归为数值计算，在未能回答任何问题是否都可以形式化或者数值化这个问题之前，这种数值化计算能否完全模拟人类智能还是一个问题。
2. 2 功能模拟 面对结构模拟所存在的问题，另外一类观点认为，人工智能的研究无需去理会智能的具体结构，只要能够模拟智力功能即可，这就是“功能主导论”下的功能模拟思路。实际上，功能模拟的最典型代表就是传统的人工智能，如专家系统是其最成功的应用。功能模拟也常常被称为符号主义、逻辑主义、心理学派。符号主义认为人工智能源于数理逻辑。数理逻辑在 20 世纪 30 年代开始应用于描述智能行为 [17] ，并在计算机上实现逻辑演绎系统。后来符号主义者进一步发展为启发式算法—专家系统—知识工程理论和技术。这方面的研究一开始取得了不少成绩，但是一直被批评为难以解决实际问题。直到专家系统出现，为工业、经济和社会领域带来了成功的方案，如第一个专家系统 DENDRAL 用于质谱仪分析有机化合物的分子结构，MYCIN [18] 医疗专家系统用于抗生素药物治疗等。符号主义曾经在人工智能领域中一枝独秀，为人工智能发展做出了极大贡献，我国吴文俊院士关于几何定理机械化证明就是其中一
项非常重要的成果。[19] 当然，功能模拟也具有明显的缺点: 系统的智能水平与获得的知识水平有很大的关系。而且很多知识获取困难，专家知识充满矛盾和偏面，再加上现有逻辑理论的局限性等，使得功能模拟在发展过程中也困难重重。
2. 3 行为模拟 在功能模拟和结构模拟都暴露了各自的缺陷后，20 世纪 90 年代，开始出现了行为模拟的思路，即“行为表现论”。
[20] 该观点认为，无论采用什么样的结构和具有什么样的功能，只要系统能表现出智能行为( 在外界刺激时能够产生恰当的行为响应) ，就等于模拟了智能系统。在这个研究方法中，首先是机器感知，然后针对感知信息做模式分类，最后是对感知判断结果做出的模拟智能的行为，这也被称为感知-动作系统。这方面的典型应用是 Brooks 完成的模拟六脚虫的爬行机器人等系统。
[21] 感知-动作系统涉及到一个重要问题: 随着任务环境的变化，系统如何能自主学习并扩充从感知到动作之间的映射知识? 这当然就是一个机器学习问题。行为模拟也具有明显的缺点: 只有那些能用行为表现的智能才能被模拟，可是很多智能过程无法用行为直接表达。
2. 4 机制模拟 结构模拟、功能模拟和行为模拟都具有先天不足，而且这 3 大方法之间
8缺乏理论上的统一性。后来的研究发现，智能的生成机制才是智能系统的核心。机制模拟方法认为，无论对什么问题、环境和目标，智能系统的生成机制必然要获得“问题、约束条件、预设目标”等信息，然后提取和建立相关知识，进而在目标控制下，利用上述信息和知识演绎出求解问题的策略，并转化为相应的智能行为作用于问题，并解决问题。
这可以概括为一种“信息—知识—智能转换过程”。根据这个观点，结构模拟可以认为是“信息—经验知识—经验策略转换过程”，功能模拟是“信息—规范知识—规范策略转换过程”，行为模拟可以认为是“信息—常识知识—常识策略转换过程”。因此，结构模拟、功能模拟和行为模拟三者都是平行的，而机制模拟和谐地统一了上述 3 种模拟方法，成为了一个统一的理论。
[22]
在 AI 发展过程中，上述多个方法各自都出现过自己的发展巅峰和低谷时期。目前的 AI 热潮则源于结构模拟方法方面的突破，即由于解决了深度神经网络的训练问题，加上大数据的高性能计算平台( 云计算、GPU 等) 变成现实，使得深度神经网络的表达能力得到了充分的发挥，对 AI 的发展起到了推波助澜的作用。本文将进一步以深度学习为主介绍其发展和成功案例。
3 深度学习促进的人工智能发展 深度学习提出至今，已经在各类应用上取得了巨大的进展。尤其是基于深
度学习的 Alpha Go 系统一举击败韩国围棋手李世石以后，人们都对以深度学习为主的 AI 研究充满了期待。事实上，现在几乎每天都可以看到 AI 取得各类突破的报道。感兴趣的读者可以在网上找到各种最新的进展报道。本文将选择其中几个主要的进展进行简单介绍。
[23]
深度学习在实际应用中的成功案例首推图像识别。2009 年，普林斯顿大学建立了第一个超大型图像数据库供计算机视觉研究者使用，随后在以 Ima-ge Net 为基础的大型图像识别竞赛“Image Net LargeScale Visual Ｒecognition Challenge 2012 ”中，Hinton 团队将深度学习应用到 Image Net 图像识别问题上，正确率稳居第一，并且性能遥遥领先第二名团队。这标志着深度学习在图像识别领域大幅度超越其他技术，成为 AI 技术突破点。随后以深度学习为主的图像分析处理方法层出不穷，如深度残余学习( DeepＲesidual Learning) 方法等。目前基于深度学习的图像识别功能已经超越了人类。
[24]
语言是人机交流的一种重要途径，攻克语音识别是 AI 必须面对的问题之一。最先开始在语音识别上取得成功的 深度 学 习方 法 是 Hinton 等在 文 献中的方法，该方法用 ＲBM 对神经网络进行预训练，再用 深度 神 经 网络 模 型 ( DNN) 识 别 语 音。
在 Google 的 一 个 基 准 测 试 中，单 词 错 误 率 降 低 到 12. 3%。文献用 ＲNN / LSTM 等技术在音位错误率测
10试中优于同期的所有其他技术。AI 在语音识别上的成功是继图像识别之后的又一个技术突破点。
除此以外，深度学习在游戏方面也取得了突破。最为世人所称道的是 Alpha Go 对局李世石的比赛，Alpha Go 以压倒性的胜利赢了人类顶级棋手，其中很多精妙的招式让人叹为观止。到底是深度学习算法已经像人类一样具有了创造力还是神经元参数、适当的算法结合 CPU 的计算蛮力下的成功，值得人们深思。Google 的 Deep Mind 团队开发的深度 Q 网络( DQN) 在 49 种 Atari 像素游戏中，29 种达到乃至超过人类职业选手的水平。
机器具有强大的计算能力、存储空间和检索速度，如果说机器在逻辑思维上能模仿并击败人类是合情合理的。那么说机器能学会艺术鉴赏，则将令人难以置信。实际上，文献中报道了深度学习已经可以分辨不同艺术作品的内容和风格，并且学会把一幅作品的艺术风格应用到其他作品中去。
Google 的 AI 实验室成功实现让机器学习小说的叙述和文字用法，甚至句子的构造。这意味着深度学习可以量化很多人类独有的一些模糊的判决能力，有些感觉人类本身也不清楚如何解释，甚至只是停留在感觉层面，如艺术风格、文采特色以及棋类游戏中的棋面优势等。这些本来只可言传，不可意会的概念居然被机器学会了。到底是机器学习厉害，还是这些虚幻的概念后面其实有个虽然非常复杂，
但是明确可以获得的函数在支配，而深度学习只是用其蛮力去把这些函数反映到了数亿冰冷的参数中去?
[25]
4 人工智能发展面临的主要问题和新的研究方向 AI 概念提出以后，迅速发展成为一门广受关注的交叉和前沿学科，在很多方面取得了丰硕成果。尤其是近来深度学习的发展，更是将 AI 研究推向一个新的高潮。深度学习的成功故事每天都在上演，似乎深度学习是无所不能的。所以，人们对 AI 产生浓厚兴趣，产业界首先布局，大量资本与并购的涌入并加速 AI 技术与应用的结合，蔓延升温。那么，抛开商业因素，AI 在技术上是否还存在什么问题? 它今后的发展方向是什么? 深度学习技术和早年的多层神经网络相比，理论上的突破其实不大。深度学习现存一个根本的缺陷，就是缺乏完善的理论支撑，对于其结果缺乏解释，包括网络的设计、参数的设置和取得的效果。寻找理论上的深入解释，是深度学习发展必须解决的一个重要问题。
目前深度学习一般需要大数据支持，但并不是所有的应用都具备大数据条件的。结合传统知识表达和数据驱动知识学习，可以解决很多迫切的现实问题。这也是今后发展的一个重要方向。
[26]
还有，深度学习在训练网络中需要大量有标记的数据去学习输入和输出的
12映射关系，这样获得的模型往往无法将其泛化到与训练时不同条件的数据集上。而现实应用中，我们遇到的数据集常常会包含很多新场景，许多数据是模型在训练过程中没出现过的，因此学习得到的模型可能...
推荐访问:人工智能论文3000字 人工智能 论文
