自动化论文

姓名: 尚楷智 学院：电子信息工程学院 班级：1304312 学号：09 斯坦福大学 研究领域——人工智能 概观 人工智能（Artificial Intelligence）[1] ，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、、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。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。[2]  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。 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。 研究价值 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。 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。 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。 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-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,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。 约翰·麦卡锡 1957年巴库斯（John Barkus）及其IBM小组发布了Fortran语言，这是第一个成功的高级语言，使程序设计者从繁琐的汇编语言中解脱出来。卡内基梅龙大学的纽维尔（A．Newell）、司马赫（H．Simon）等提出信息处理语言IPL，麦卡锡则提出表处理语言Lisp。在Fortran中不允许有递归，麦卡锡希望改进它。1960年巴黎会议大家讨论了Algol语言，采纳了麦卡锡的建议，增加了递归和条件表达式。Algol最早接受了Lisp的观念，但不是最后一个。如今的Pascal、C、Ada等都接受了Lisp的创新。但至今，主流程序设计语言仍然没有吸收麦卡锡建议的“评价函数”（eval），认为它很危险。麦卡锡发明Lisp语言，只是把它作为工具，他的目标是制造具有人类智能的机器。Lisp自发明以后，像其他语言一样，发明人失去了对其的控制能力，马库斯和凯（A．Kay，“面向对象程序设计”的创始人）也一样。 1959年麦卡锡发表《具有常识的程序》一文，标志着他向“常识逻辑推理”难题开始宣战。“与所有专门化的理论一样，所有科学也都体现于常识中。当你试图证明这些理论时，你就回到了常识推理，因为常识指导着你的实验。”设想一个旅行者从英国格拉斯哥经过伦敦去莫斯科，计算机程序可以分段处理：从格拉斯哥到伦敦，再从伦敦到莫斯科。但是如果假设此人不幸在伦敦丢失了机票怎么办？当然现实中此人一般不会因此取消原来去莫斯科的计划，他可能会再买一张票。但是预先设计好的模拟程序却不允许如此灵活。因此要发展一种具有常识推理能力的逻辑。 麦卡锡发明了LISP并于1960年将其设计发表在《美国计算机学会通讯》（en:Communications of the ACM）上。他帮助推动了麻省理工学院的MAC项目（en:Project MAC）。然而，他在1962年了离开麻省理工学院，前往斯坦福大学并在那里协助建立了斯坦福人工智能实验室（en:Stanford Artificial Intelligence Laboratory），成为MAC项目多年 人工智能之父[1] 来的一个友好的竞争对手。 1964年麦卡锡已是斯坦福大学人工智能实验室的主任，他提出了一种称之为“情景演算”（situational calculus）的理论，其中“情景”表示世界的一种状态。当主体（agent）行动时，情景发生变化。主体下一步如何行动取决于他所知道的情景。情景演算的思想吸收了有穷自动机状态转移的概念。在情景演算中，推理不但取决于状态，而且取决于主体关于状态知道些什么。主体知道得越多，了解得越详细，他就会更好地作出决策。这种情景演算理论吸引了许多研究者，但它本身也引起一种问题。在多主体的世界中，与一个主体有关的情景的变化可能还取决于其他主体的行动。这样处理起来十分困难。在常识世界中，我们的决策可能不大受其他主体的影响，当然有时也受。很难说麦卡锡的努力最终是否成功了，但他向通常的“演绎推理”挑战，强调人类智能推理的非单调性（nonmonotonicity），发展状态描述法，在人工智能研究中具有重要意义。麦卡锡试图让机器能像人一样，在某种语境下，进行基本的猜测。但这很难做，即使是人，也常常误解语境。一个有趣的例子是：白宫发言人奥涅尔欢迎新当选的里根总统时说：“您成了Grover Cleveland”（他指的是美国的一个总统）。而里根却微笑着说：“我只在电影中扮演过一次Cleveland。”（里根指的是棒球手Grover Cleveland Alexander） 不管人们对人工智能还有什么偏见，它现在已成为严肃的经验科学，而麦卡锡为这一领域培养了大量人才，他的学生遍及世界。关于人工智能，想了解更多的东西可以直接访问麦卡锡的网页，从“公众理解科学的角度”看，他的网页做得非常棒。他讨论了人工智能与哲学的关系，人工智能的分类及应用领域等。还详细回答了有关人类“可持续发展”的问题。他是技术乐观派，相信人类会有一个美好的未来 主要著作 麦卡锡的主要著作有： 《自动机研究》 《信息学：科学美国人之书 《形式化的常识：麦卡锡论文选集》 主要成果 人机对弈 1996年2月10～17日， GARRY KASPAROV以4：2战胜“深蓝” （DEEP BLUE）。 1997年5月3～11日， GARRY KASPAROV以2.5：3.5输于改进后的“深蓝”。 2003年2月GARRY KASPAROV 3:3战平 “小深”（DEEP JUNIOR）。 2003年11月GARRY KASPAROV 2:2战平 “X3D德国人” (X3D-FRITZ）。 模式识别 采用 $模式识别引擎，分支有2D识别引擎 ，3D识别引擎，驻波识别引擎以及多维识别引擎 2D识别引擎已推出指纹识别，人像识别 ，文字识别，图像识别 ，车牌识别；驻波识别引擎已推出语音识别；3D识别引擎已推出指纹识别玉带林中挂（玩游智能版1.25） 自动工程 自动驾驶（OSO系统） 印钞工厂（￥流水线） 猎鹰系统（YOD绘图） 知识工程 以知识本身为处理对象，研究如何运用人工智能和软件技术，设计、构造和维护知识系统 专家系统 智能搜索引擎 计算机视觉和图像处理 机器翻译和自然语言理解 数据挖掘和知识发现