人工智能的研究与应用领域

　　人工智能的知识领域浩繁，很难面面俱到，但是各个领域的思想和方法有许多可以互相借鉴的地方。随着人工智能理论研究的发展和成熟，人工智能的应用领域更为宽广，应用效果更为显著。从应用的角度看，人工智能的研究主要集中在以下几个方面。

　　专家系统是一个具有大量专门知识与经验的程序系统。它应用人工智能技术，根据某个领域一个或多个人类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，以解决那些需要专家决定的复杂问题。目前在许多领域，专家系统已取得显著效果。专家系统与传统计算机程序的本质区别在于，专家系统所要解决的问题一般没有算法解，并且经常要在不完全、不精确或不确定的信息基础上做出结论。它可以解决的问题一般包括解释、预测、诊断、设计、规划、监视、修理、指导和控制等。从体系结构上可分为集中式专家系统、分布式专家系统、协同式专家系统、神经网络专家系统等；从方法上可分为基于规则的专家系统、基于模型的专家系统、基于框架的专家系统等。

　　自然语言理解是研究实现人类与计算机系统之间用自然语言进行有效通信的各种理论和方法。由于目前计算机系统与人类之间的交互还只能使用严格限制的各种非自然语言，因此解决计算机系统能够理解自然语言的问题，一直是人工智能研究领域的重要研究课题之一。

　　实现人机间自然语言通信意味着计算机系统既能理解自然语言文本的意义，也能生成自然语言文本来表达给定的意图和思想等。而语言的理解和生成是一个极为复杂的解码和编码问题。一个能够理解自然语言的计算机系统看起来就像一个人一样，它需要有上下文知识和信息，并能用信息发生器进行推理。理解口头和书写语言的计算机系统的基础就是表示上下文知识结构的某些人工智能思想，以及根据这些知识进行推理的某些技术。

　　虽然在理解有限范围的自然语言对话和理解用自然语言表达的小段文章或故事方面的程序系统已有一定的进展，但要实现功能较强的理解系统仍十分困难。从目前的理论和技术现状看，它主要应用于机器翻译、自动文摘、全文检索等方面，而通用的和高质量的自然语言处理系统，仍然是较长期的努力目标。

　　机器学习是人工智能的一个核心研究领域，它是计算机具有智能的根本途径。学习是人类智能的主要标志和获取知识的基本手段。Simon认为：“如果一个系统能够通过执行某种过程而改进它的性能，这就是学习。”

　　机器学习研究的主要目标是让机器自身具有获取知识的能力，使机器能够总结经验、修正错误、发现规律、改进性能，对环境具有更强的适应能力。通常要解决如下几方面的问题：（1）选择训练经验。它包括如何选择训练经验的类型，如何控制训练样本序列，以及如何使训练样本的分布与未来测试样本的分布相似等子问题；（2）选择目标函数。所有的机器学习问题几乎都可简化为学习某个特定的目标函数的问题，因此，目标函数的学习、设计和选择是机器学习领域的关键问题；（3）选择目标函数的表示。对于一个特定的应用问题，在确定了理想的目标函数后，接下来的任务是必须从很多（甚至是无数）种表示方法中选择一种最优或近似最优的表示方法。

　　目前，机器学习的研究还处于初级阶段，但却是一个必须大力开展研究的阶段。只有机器学习的研究取得进展，人工智能和知识工程才会取得重大突破。

　　自动定理证明，又叫机器定理证明，它是数学和计算机科学相结合的研究课题。数学定理的证明是人类思维中演绎推理能力的重要体现。演绎推理实质上是符号运算，因此原则上可以用机械化的方法来进行。数理逻辑的建立使自动定理证明的设想有了更明确的数学形式。1965年Robinson提出了一阶谓词演算中的归结原理，这是自动定理证明的重大突破。1976年，美国的Appel等三人利用高速计算机证明了124年未能解决的“四色问题”，表明利用电子计算机有可能把人类思维领域中的演绎推理能力推进到前所未有的境界。我国数学家吴文俊在1976年年底开始研究可判定问题，即论证某类问题是否存在统一算法解。他在微型机上成功地设计了初等几何与初等微分几何中一大类问题的判定算法及相应的程序，其研究处于国际领先地位。后来，我国数学家张景中等人进一步推出了“可读性证明”的机器证明方法，再一次轰动了国际学术界。

　　自动定理证明的理论价值和应用范围并不局限于数学领域，许多非数值领域的任务，如医疗诊断、信息检索、规划制定和难题求解等，都可以转化成相应的定理证明问题，或者与定理证明有关的问题，所以自动定理证明的研究具有普遍意义。

　　自动程序设计是指根据给定问题的原始描述，自动生成满足要求的程序。它是软件工程和人工智能相结合的研究课题。自动程序设计主要包含程序综合和程序验证两方面内容。前者实现自动编程，即用户只需告知机器“做什么”，无须告诉“怎么做”，这后一步的工作由机器自动完成；后者是程序的自动验证，自动完成正确性的检查。

　　目前程序综合的基本途径主要是程序变换，即通过对给定的输入、输出条件进行逐步变换，以构成所要求的程序。程序验证是利用一个已验证过的程序系统来自动证明某一给定程序P的正确性。假设程序P的输入是x，它必须满足输入条件φ（x）；程序的输出是z=P（x），它必须满足输出条件Φ（x，z）。判断程序的正确性有三种类型，即终止性、部分正确性和完全正确性。

　　目前在自动程序设计方面已取得一些初步的进展，尤其是程序变换技术已引起计算机科学工作者的重视。现在国外已陆续出现一些实验性的程序变换系统，如英国爱丁堡大学的程序自动变换系统POP-2和德国默森技术大学的程序变换系统CIP等。

　　分布式人工智能是分布式计算与人工智能结合的结果。它主要研究在逻辑上或物理上分散的智能动作者如何协调其智能行为，求解单目标和多目标问题，为设计和建立大型复杂的智能系统或计算机支持协同工作提供有效途径。它所能解决的问题需要整体互动所产生的整体智能来解决。主要研究内容有分布式问题求解（DPS，Distribution Problem Solving）和多智能体系统（MAS，Multi-Agent System）。

　　分布式问题求解的方法是，先把问题分解成任务，再为之设计相应的任务执行系统。而MAS是由多个Agent组成的集合，通过Agent的交互来实现系统的表现。MAS主要研究多个Agent为了联合采取行动或求解问题，如何协调各自的知识、目标、策略和规划。在表达实际系统时，MAS通过各Agent间的通信、合作、互解、协调、调度、管理及控制来表达系统的结构、功能及行为特性。由于在同一个MAS中各Agent可以异构，因此Multi-Agent技术对于复杂系统具有无可比拟的表达力。它为各种实际系统提供了一种统一的模型，能够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，因而备受重视，相关研究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。

　　机器人学是机械结构学、传感技术和人工智能结合的产物。1948年美国研制成功第一代遥控机械手，17年后第一台工业机器人诞生，从此相关研究不断取得进展。机器人的发展经历了以下几个阶段：第一代为程序控制机器人，它以“示教-再现”方式，一次又一次学习后进行再现，代替人类从事笨重、繁杂与重复的劳动；第二代为自适应机器人，它配备有相应的感觉传感器，能获取作业环境的简单信息，允许操作对象的微小变化，对环境具有一定适应能力；第三代为分布式协同机器人，它装备有视觉、听觉、触觉多种类型传感器，在多个方向平台上感知信息，并具有较高的灵敏度，能对环境信息进行精确感知和实时分析，协同控制自己的多种行为，具有一定的自学习、自主决策和判断能力，能处理环境发生的变化，能和其他机器人进行交互。

　　从功能上来考虑，机器人学的研究主要涉及两个方面：一方面是模式识别，即给机器人配备视觉和触觉，使其能够识别空间景物的实体和阴影，甚至可以辨别出两幅图像的微小差别，从而完成模式识别的功能；另一方面是运动协调推理。机器人的运动协调推理是指机器人在接受外界的刺激后，驱动机器人行动的过程。

　　机器人学的研究促进了人工智能思想的发展，它所导致的一些技术可在人工智能研究中用来建立世界状态模型和描述世界状态变化的过程。

　　模式识别研究的是计算机的模式识别系统，即用计算机代替人类或帮助人类感知模式。模式通常具有实体的形式，如声音、图片、图像、语言、文字、符号、物体和景象等，可以用物理、化学及生物传感器进行具体采集和测量。但模式所指的不是事物本身，而是从事物获得的信息，因此，模式往往表现为具有时间和空间分布的信息。人们在观察、认识事物和现象时，常常寻找它与其他事物和现象的相同与不同之处，根据使用目的进行分类、聚类和判断，人脑的这种思维能力就构成了模式识别的能力。

　　模式识别呈现多样性和多元化趋势，可以在不同的概念粒度上进行，其中生物特征识别成为模式识别的新，包括语音识别、文字识别、图像识别、人物景象识别和手语识别等；人们还要求通过识别语种、乐种和方言来检索相关的语音信息，通过识别人种、性别和表情来检索所需要的人脸图像；通过识别指纹（掌纹）、人脸、签名、虹膜和行为姿态识别身份。普遍利用小波变换、模糊聚类、遗传算法、贝叶斯理论和支持向量机等方法进行识别对象分割、特征提取、分类、聚类和模式匹配。模式识别是一个不断发展的新科学，它的理论基础和研究范围也在不断发展。

　　计算机博弈主要是研究下棋程序。在20世纪60年代就出现了很有名的西洋跳棋和国际象棋的程序，并达到了大师的水平。进入20世纪90年代，IBM公司以其雄厚硬件基础，支持开发后来被称之为“深蓝”的国际象棋系统，并为此开发了专用的芯片，以提高计算机的搜索速度。1996年2月，与国际象棋世界冠军卡斯帕罗夫进行了第一次比赛，经过六个回合的比赛之后，“深蓝”以2∶4告负。1997年5月，系统经过改进以后，“深蓝”又第二次与卡斯帕罗夫交锋，并最终以3.5∶2.5战胜了卡斯帕罗夫，在世界范围内引起了轰动。

　　博弈问题为搜索策略、机器学习等问题的研究课题提供了很好的实际背景，所发展起来的一些概念和方法对人工智能的其他问题也很有用。

　　视觉是各个应用领域，如制造业、检验、文档分析、医疗诊断和军事等领域中各种智能系统中不可分割的一部分。计算机视觉涉及计算机科学与工程、信号处理、物理学、应用数学和统计学、神经生理学和认知科学等多个领域的知识，已成为一门不同于人工智能、图像处理和模式识别等相关领域的成熟学科。计算机视觉研究的最终目标是，使计算机能够像人那样通过视觉观察和理解世界，具有自主适应环境的能力。

　　计算机视觉研究的任务是理解一个图像，这里的图像是利用像素所描绘的景物。其研究领域涉及图像处理、模式识别、景物分析、图像解释、光学信息处理、视频信号处理以及图像理解。这些领域可分为如下三类：第一是信号处理，即研究把一个图像转换为具有所需特征的另一个图像的方法；第二是分类，即研究如何把图像划分为预定类别。分类是从图像中抽取一组预先确定的特征值，然后根据用于特征空间的统计决策方法决定一个图像是否符合某一类；第三是理解，即在给定某一图像的情况下，一个图像理解程序不仅描述这个图像的本身，而且也描述该图像所描绘的景物。

　　计算机视觉的前沿研究领域包括实时并行处理、主动式定性视觉、动态和时变视觉、三维景物的建模与识别、实时图像压缩传输和复原、多光谱和彩色图像的处理与解释等。计算机视觉已在机器人装配、卫星图像处理、工业过程监控、飞行器跟踪和制导以及电视实况转播等领域获得极为广泛的应用。

　　通常把人工神经网络计算、模糊计算和进化计算作为软计算的三个主要内容。一般来说，软计算多应用于缺乏足够的先验知识，只有一大堆相关的数据和记录的问题。

　　人工神经网络（ANN，Artificial Neural Network）是一种应用类似于大脑神经突触连接的结构进行信息处理的数学模型。在这一模型中，大量的节点之间相互连接构成网络，即“神经网络”，以达到处理信息的目的。人工神经网络模型及其学习算法试图从数学上描述人工神经网络的动力学过程，建立相应的模型；然后在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法。

　　模糊计算处理的是模糊集合和逻辑连接符，以描述现实世界中类似人类处理的推理问题。模糊集合包含论域中所有元素，但是具有[0，1]区间的可变隶属度值。模糊集合最初由美国加利福尼亚大学教授扎德（L.A.Zadeh）在系统理论中提出，后来又扩充并应用于专家系统中的近似计算。

　　进化计算是通过模拟自然界中生物进化机制进行搜索的一种算法，以遗传算法（GA，Genetic Algorithm）、进化策略等为代表。遗传算法是一种随机算法，它是模拟生物进化中“优胜劣汰”自然法则的进化过程而设计的算法。该算法模仿生物染色体中基因的选择、交叉和变异的自然进化过程，通过个体结构不断重组，形成一代代的新群体，最终收敛于近似优化解。1975年，Holland出版了《自然和人工系统中的适应性》一书，系统地阐述了遗传算法的基本理论和方法，奠定了遗传算法的理论基础。

　　智能控制是把人工智能技术引入控制领域，建立智能控制系统。1965 年，美籍华人科学家傅京孙首先提出把人工智能的启发式推理规则用于学习控制系统。十多年后，建立实用智能控制系统的技术逐渐成熟。1971年，傅京孙提出把人工智能与自动控制结合起来的思想。1977年，美国人萨里迪斯（G.N.Saridis）提出把人工智能、控制论和运筹学结合起来的思想。1986年，我国的蔡自兴教授提出把人工智能、控制论、信息论和运筹学结合起来的思想。根据这些思想已经研究出一些智能控制的理论和技术可以构造用于不同领域的智能控制系统。

　　智能控制具有两个显著的特点：首先，智能控制同时具有知识表示的非数学广义世界模型和传统数学模型混合表示的控制过程，并以知识进行推理，以启发来引导求解过程。其次，智能控制的核心在高层控制，即组织级控制。其任务在于对实际环境或过程进行组织，即决策和规划，以实现广义问题求解。

　　智能规划是人工智能研究领域近年来发展起来的一个热门分支。智能规划的主要思想是：对周围环境进行认识与分析，根据自己要实现的目标，对若干可供选择的动作及所提供的资源限制施行推理，综合制定出实现目标的规划。智能规划研究的主要目的是建立起高效实用的智能规划系统。该系统的主要功能可以描述为：给定问题的状态描述、对状态描述进行变换的一组操作、初始状态和目标状态。

　　最早的规划系统就是通用问题求解系统GPS，但它还不是真正面向规划问题而研制的智能规划系统。1969年，格林（G.Green）通过归结定理证明的方法来进行规划求解，并且设计了QA3 系统，这一系统被大多数的智能规划研究人员认为是第一个规划系统。1971 年，美国斯坦福研究所的菲克斯（R.E.Fikes）和Nilsson设计的STRIPS 系统在智能规划的研究中具有重大的意义和价值，他们的突出贡献是引入了STRIPS 操作符的概念，使规划问题求解变得明朗清晰。此后到 1977 年先后出现了 HACKER、WARPLAN、INTERPLAN、ABSTRIPS、NOAH、NONLIN 等规划系统。尽管这些以NOAH系统为代表的部分排序规划技术被证明具有完备性，即能解决所有的经典规划问题，但由于大量实际规划问题并不遵从经典规划问题的假设，所以部分排序规划技术未得到广泛的应用。为消除规划理论和实际应用间存在的差距，进入20世纪80年代中期后，规划技术研究的热点转向了开拓非经典的实际规划问题。然而，经典规划技术，尤其是部分排序规划技术仍是开发规划新技术的基础。