網絡時代人工智能研究與發展

張大蓬

摘 要：文章簡要闡述了人工智能的基本內涵及其發展歷程，重點分析了人工智能的研究進展及其在專家系統、機器學習、人工神經網絡、模式識別以及智能決策支持系統等領域的應用。

關鍵詞：人工智能；網絡時代；專家系統；神經網絡

引言

從1956年召開的達特沃斯會議至今，人工智能學科已經經歷了半個多世紀的發展，期間不斷涌現出了邏輯學派、控制論學派以及仿生學派等。這些理論學科的創新，極大地推動了模式識別、知識工程以及機器人等領域的發展，涌現出了一大批專家系統、數據挖掘、智能機器人、智能控制系統和設備，推動了整個科技和社會的發展，使得我們的生活方式也發生了極大地改變。當下，網絡時代下的人工智能正以計算機技術為核心，在認識科學、網絡科學以及生物智能等交叉領域中已經開始有較快的發展和創新，人工智能的水平不斷提高、處理速度和精度逐漸提升。文章主要結合人工智能的研究進展和應用領域，對未來人工智能發展做出了展望和啟示。

1 人工智能的內涵及其發展

人工智能（Artificial Intelligence，AI）是在1956年召開的達特沃斯會議上由McMarthy提出的。人工智能最為計算機學科的重要分支之一，主要研究用于模擬、延伸以及拓展人類的智能的理論、技術和方法的新型綜合技術科學，被視為世界三大尖端科技技術之一。

人工智能的發展主要經歷了兩個階段：弱人工智能階段、強人工智能階段。弱人工智能階段主要是二十世紀五十年代至六十年代，這段時期，人工智能的研究主要方向是結合領域內知識，采用啟發式思維編寫能證明平面幾何定理或者能與象棋大師進行下棋的計算機程序。特別的，在AlanTuring著述的《計算器與智能》中，對人類智能的機械化進行了論述，提出了圖靈機準則和理論模型，為現代計算機的出現奠定了堅實的理論基礎，也為整個人工智能研究提供了重要的智能機標準。

強人工智能階段主要是二十世紀六十年代至七十年代，期間，人們開始嘗試進行自然語言通訊。如何讓計算機識別、理解語言，并自動處理回答問題、分析和處理圖像信息等成為人工智能研究的主要目標和方向。到了七十年代，在進行大量科學推理和探索后，逐漸出現了一大批專家級的程序，并迅速運用在其他各個生產領域，創造出巨大的經濟利益。到了八十年代，人工智能逐漸開始向以知識為中心的領域發展，人們也逐漸重視到模擬智能的重要性，展開對知識的表示、推理以及機器學習。

2 人工智能的研究進展與應用領域

2.1 專家系統

作為人工智能技術領域的重要分支之一，專家系統（Expert System，ES）通過將探討思維方法移植到求解專門問題上，使得人工智能實現了從理論研究向實際運用的重大跨越。專家系統被也視為具有專門知識的計算機智能系統，它可以在特定領域的專家提供的知識以及經驗基礎上，運用人工智能推理技術進行模擬和求解各類復雜問題。近年來，專家智能系統已經成功地運用在人工智能領域，例如用戶與專家系統進行“咨詢”和“對話”。同時，在一些地址數據分析、化學數據分析、計算機系統結構以及醫療診斷咨詢等，都已達到了非常高的水平。專家系統的基本組成包括：知識庫、數據庫、推理機知識獲取以及相應的解釋機制和用戶界面，如圖1所示。

2.2 機器學習

機器學習（Machine Learning）主要是研究怎樣實現計算機模擬人類學習活動。它是在專家系統的基礎上開發出來的又一人工智能領域，成為人工智能研究的重要核心內容之一，遍布于人工智能的各個領域。

學習作為一種有特定目的性的知識獲取途徑，它最主要的內部特征為知識結構的不斷更新與修改，而外部特征則為性能的不斷改善。同時，學習活動作為人類智能的一個重要特征，是獲取知識的最基本手段，因此，機器學習也是成為實現計算機智能化的基本手段。相應的，機器學習也會形成反哺效應，有助于研究和發現人類自身學習的機理，進而揭示人腦的奧秘。例如，近年來不斷發展的基于解釋、概念、神經網絡和遺傳學習的學習方法。

2.3 人工神經網絡

人工神經網絡（Aficial Neural Network）也被稱作神經網絡或者類神經網絡，它主要由大量的神經元即處理單元相互連接而成。對于一個神經網絡而言，它由相互連接的神經元組成一個運算模型，是對人腦基本特性的一種抽象與模擬，主要是為了模擬大腦的一些機理與反應機制，從而實現某些特定功能。

神經網絡主要是通過神經元之間相互作用實現信息的處理，即知識和信息的存儲具體表現是神經元互連之間的分布式關系。對于人工神經網絡而言，它具有很強的自我學習能力，可以擺脫“專家”頭腦自行處理數據總結規律，具有良好的自適應性和組織性。對于一些復雜多維的線性問題、定量問題，人工神經網絡具有獨特的優勢。

2.4 模式識別

在當下的互聯網模式下，計算機人工智能所對應的模式識別主要指的是用計算機來代替人類感知的一種模式，主要目的是實現和完善計算機系統模擬人體器官對外界進行感知，而對應的研究對象是計算機模式下的識別系統。

總的說來，雖然模式識別的概念在不斷更新，但其主要分類可分為三種：句法模式識別、統計模式識別以及深度神經網絡。早前的模式識別主要集中于文字、圖像等信息，直到二十世紀六十年代才漸漸開始對復雜三維景物進行解釋和描述。緊接著的開始展開對活動目標的跟蹤識別與分析，標志著景物分析開始向實用化的方向發展。典型的識別模式案例有：語言識別、人臉識別以及虹膜識別、步態識別等。但計算機識別模式最根本的問題是魯棒性，現階段的系統開發對環境具有自適應性而對噪聲等具有魯棒性。在當下的網絡時代，大數據的出現以及深度學習性能的不斷提升，從某種程度上解決了計算機模式識別的自適應性和魯棒性，但與人相比仍然有較大的差距，還有待進一步深度學習和研究。

2.5 智能決策支持系統

智能決策支持系統作為人工智能和DSS相結合的應用專家系統（ES，Expert System）技術，與“知識-智能”關系緊密。智能決策支持系統的基本數據特征和“大數據”高度吻合，開展大數據技術研究，一定會為將智能決策支持系統發展帶向一片新的天地。智能決策支持系統在系統定位、決策、數據處理和信息檢索與系統安全等方面會成為未來發展的新趨勢。

3 未來人工智能發展展望與啟示

人工智能思想家Nick Bostrom將超級智能定義為“在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創新、通識和社交技能”。超人工智能可以是各方面都比人類強一點，也可以是各方面都比人類強萬億倍的。當前，人工智能技術的發展正向著大型分布式人工智能以及多專家協同、推理的多智能協同系統方向發展。

參考文獻

[1]徐卓函.大數據時代人工智能的創新與發展研究[J].科技資訊，2015，33：30-31.

[2]王敏.淺談網絡時代下人工智能的研究與發展[J].電子制作，2013，

12：231.