人工智能算法脆弱性机理研究论文

近年来，一些悲观的媒体与专家开始担忧人工智能的高速发展将会对人类自身的生存产生威胁，甚至连理论物理学家、《时间简史》的作者霍金都曾公开告诫大众：“完全人工智能的研发意味着人类的末日”。特斯拉与Space X的创始人埃隆·马斯克与霍金有大致相似的担忧。马斯克说：我们必须非常小心人工智能。如果必须预测我们面临的最大现实威胁，恐怕就是人工智能。”那么问题来了，人工智能究竟会否对人类产生威胁？ 李开复博士在《人工智能》一书中提到了三种不同层级的人工智能来回答这个问题。 弱人工智能（Weak AI） 也称限制领域人工智能（Narrow AI）或应用型人工智能（Applied AI），指的是专注于且只能解决特定领域问题的人工智能。毫无疑问，今天我们看到的所有人工智能算法和应用都属于弱人工智能的范畴 Alpha Go是弱人工智能的一个最好实例。Alpha Go在围棋领域超越了人类最顶尖选手，笑傲江湖。但Alpha Go的能力也仅止于围棋（或类似的博弈领域），下棋时，如果没有人类的帮助（还记得Alpha Go与李世石比赛时，帮机器摆棋的黄士杰博士吗？），Alpha Go连从棋盒里拿出棋子并置于棋盘之上的能力都没有，更别提下棋前向对手行礼、下棋后一起复盘等围棋礼仪 了。 一般而言，限于弱人工智能在功能上的局限性， 人们更愿意将弱人工智能看成是人类的工具，而不会将弱人工智能视为威胁 。也就是说，弱人工智能在总体上只是一种技术工具，如果说弱人工智能存在风险，那也和人类已大规模使用的其他技术没有本质的不同。只要严格控制，严密监管，人类完全可以像使用其他工具那样，放心地使用今天的所有AI技术。 强人工智能 又称通用人工智能（Artificial general intelligence）或完全人工智能（Full AI），指的是可以胜任人类所有工作的人工智能。 人可以做什么，强人工智能就可以做什么。这种定义过于宽泛，缺乏一个量化的标准来评估什么样的计算机程序才是强人工智能。为此，不同的研究者提出了许多不同的建议。最为流行、被广为接受的标准是 图灵测试。 （ 图灵测试（The Turing test）由艾伦·麦席森·图灵发明，指测试者与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。 进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能图灵测试一词来源于计算机科学和密码学的先驱阿兰·麦席森·图灵写于1950年的一篇论文《计算机器与智能》，其中30%是图灵对2000年时的机器思考能力的一个预测，目前我们已远远落后于这个预测。） 但即便是图灵测试本身，也只是关注于计算机的行为和人类行为之间，从观察者角度而言的不可区分性，并没有提及计算机到底需要具备哪些具体的特质或能力，才能实现这种不可区分性。 一般认为，一个可以称得上强人工智能的程序，大概需要具备以下几方面的能力： 1）存在不确定因素时进行推理，使用策略，解决问题，制定决策的能力； 2）知识表示的能力，包括常识性知识的表示能力； 3）规划能力； 4）学习能力； 5）使用自然语言进行交流沟通的能力； 6）将上述能力整合起来实现既定目标的能力； 基于上面几种能力的描述，我们大概可以想象，一个具备强人工智能的计算机程序会表现出什么样的行为特征。一旦实现了符合这一描述的强人工智能，那我们几乎可以肯定地说，所有人类工作都可以由人工智能来取代。从乐观主义的角度讲，人类到时就可以坐享其成，让机器人为我们服务，每部机器人也许可以一对一地替换每个人类个体的具体工作，人类则获得完全意义上的自由，只负责享乐，不再需要劳动。 强人工智能的定义里，存在一个关键的争议性问题： 强人工智能是否有必要具备人类的“意识”（Consciousness） 。有些研究者认为，只有具备人类意识的人工智能才可以叫强人工智能。另一些研究者则说，强人工智能只需要具备胜任人类所有工作的能力就可以了，未必需要人类的意识。 一旦牵涉“意识”，强人工智能的定义和评估标准就会变得异常复杂。而人们对于强人工智能的担忧也主要来源于此。不难设想， 一旦强人工智能程序具备人类的意识，那我们就必然需要像对待一个有健全人格的人那样对待一台机器。 那时，人与机器的关系就绝非工具使用者与工具本身这么简单。拥有意识的机器会不会甘愿为人类服务？机器会不会因为某种共同诉求而联合起来站在人类的对立面？一旦拥有意识的强人工智能得以实现，这些问题将直接成为人类面临的现实挑战。 三、超人工智能（Superintelligence） 假设计算机程序通过不断发展，可以比世界上最聪明、最有天赋的人类还聪明，那么，由此产生的人工智能系统就可以被称为超人工智能。 牛津大学哲学家、未来学家尼克·波斯特洛姆（Nick Bostrom）在他的《超级智能》一书中，将超人工智能定义为 “在科学创造力、智慧和社交能力等每一方面都比最强的人类大脑聪明很多的智能” 。显然，对今天的人来说，这是一种只存在于科幻电影中的想象场景。 与弱人工智能、强人工智能相比，超人工智能的定义最为模糊，因为没人知道，超越人类最高水平的智慧到底会表现为何种能力。如果说对于强人工智能，我们还存在从技术角度进行探讨的可能性的话，那么，对于超人工智能，今天的人类大多就只能从哲学或科幻的角度加以解析了。 首先，我们不知道强于人类的智慧形式将是怎样的一种存在。现在去谈论超人工智能和人类的关系，不仅仅是为时过早，而是根本不存在可以清晰界定的讨论对象。 其次，我们没有方法，也没有经验去预测超人工智能到底是一种不现实的幻想，还是一种在未来（不管这个未来是一百年还是一千年、一万年）必然会降临的结局。事实上，我们根本无法准确推断，到底计算机程序有没有能力达到这一目标。 显然，如果公众对人工智能会不会挑战、威胁人类有担忧的话， 公众心目中所担心的那个人工智能，基本上属于这里所说的“强人工智能”和“超人工智能”。 我们到底该如何看待“强人工智能”和“超人工智能”的未来？它们会像Alpha Go那样，以远超我们预料的速度降临世间吗？ 那么究竟什么到什么时候强人工智能和超人工智能才能被制造出来？是有前提的，前提是人类科技总是以加速度形式跃进的基础上的。一种更有可能出现的情况是：特定的科技如人工智能，在一定时间的加速发展后，会遇到某些难以逾越的技术瓶颈。 有关计算机芯片性能的摩尔定律（价格不变时，集成电路上可容纳的元器件数目每隔18到24个月便会增加一倍，性能也将提升一倍）就是一个技术发展遭遇瓶颈的很好例子。计算机芯片的处理速度，曾在1975年到2012年的数十年间保持稳定的增长趋势，却在2013年前后显著放缓。2015年，连提出摩尔定律的高登·摩尔（Gordon Moore）本人都说：“我猜我可以看见摩尔定律会在大约10年内失效，但这并不是一件令人吃惊的事。” 正如原本受摩尔定律左右的芯片性能发展已遭遇技术瓶颈那样，人工智能在从弱人工智能发展到强人工智能的道路上，未必就是一帆风顺的。 从技术角度说，弱人工智能与强人工智能之间的鸿沟可能远比我们目前所能想象的要大得多。而且，最重要的是，由于基础科学（如物理学和生物学）尚缺乏对人类智慧和意识的精确描述，从弱人工智能发展到强人工智能，其间有很大概率存在难以在短期内解决的技术难题。今天，学者们对超人工智能何时到来的问题众说纷纭。悲观者认为技术加速发展的趋势无法改变，超越人类智能的机器将在不远的将来得以实现，那时的人类将面临生死存亡的重大考验。而乐观主义者则更愿意相信，人工智能在未来相当长的一个历史时期都只是人类的工具，很难突破超人工智能的门槛。 上述论调只是站在不同角度的猜测，科技的发展究竟以怎样的速度发展、强人工智能和超人工智能何时能够诞生，还是让我们稍安勿躁拭目以待。

这里是一个很好的计算机，他可以给你导出什么论文都可以给你导出来，导读计算好的

大学计算机科学导论论文计算机科学与技术这一门科学深深的吸引着我们这些同学们，原先不管是国内还是国外都喜欢把这个系分为计算机软件理论、计算机系统、计算机技术与应用。后来又合到一起，变成了现在的计算机科学与技术。我一直认为计算机科学与技术这门专业，在本科阶段是不可能切分成计算机科学和计算机技术的，因为计算机科学需要相当多的实践，而实践需要技术；每一个人(包括非计算机专业)，掌握简单的计算机技术都很容易（包括原先Major们自以为得意的程序设计），但计算机专业的优势是：我们掌握许多其他专业并不"深究"的东西，例如，算法，体系结构，等等。非计算机专业的人可以很容易地做一个芯片，写一段程序，但他们做不出计算机专业能够做出来的大型系统。今天我想专门谈一谈计算机科学，并将重点放在计算理论上。1)计算机语言随着20世纪40年代第一台存储程序式通用电子计算机的研制成功，进入20世纪50年代后，计算机的发展步入了实用化的阶段。然而，在最初的应用中，人们普遍感到使用机器指令编制程序不仅效率低下，而且十分别扭，也不利于交流和软件维护，复杂程序查找错误尤其困难，因此，软件开发急需一种高级的类似于自然语言那样的程序设计语言。1952年，第一个程序设计语言Short Code出现。两年后，Fortran问世。作为一种面向科学计算的高级程序设计语言，Fortran的最大功绩在于牢固地树立了高级语言的地位，并使之成为世界通用的程序设计语言。Algol60的诞生是计算机语言的研究成为一门科学的标志。该语言的文本中提出了一整套的新概念，如变量的类型说明和作用域规则、过程的递归性及参数传递机制等。而且，它是第一个用严格的语法规则——巴科斯范式（BNF）定义语言文法的高级语言。程序设计语言的研究与发展在产生了一批成功的高级语言之后，其进一步的发展开始受到程序设计思想、方法和技术的影响，也开始受到程序理论、软件工程、人工智能等许多方面特别是实用化方面的影响。在“软件危机”的争论日渐平息的同时，一些设计准则开始为大多数人所接受，并在后续出现的各种高级语言中得到体现。例如，用于支持结构化程序设计的PASCAL语言，适合于军队各方面应用的大型通用程序设计语言ADA，支持并发程序设计的MODULA-2，支持逻辑程序设计的PROLOG语言，支持人工智能程序设计的LISP语言，支持面积对象程序变换的SMALLTALK、C等。而且，伴随着这些语言的出现和发展，产生了一大批为解决语言的编译和应用中所出现的问题而发展的理论、方法和技术。有大量的学术论文可以证明，由高级语言的发展派生的各种思想、方法、理论和技术触及到了计算机科学的大多数学科方向，但内容上仍相对集中在语言、计算模型和软件开发方法学方面。(2)计算机模型与软件开发方法20世纪80年代是计算机网络、分布式处理和多媒体大发展的时期。在各种高级程序设计语言中增加并发机构以支持分布式程序设计，在语言中通过扩展绘图子程序以支持计算机图形学程序设计成为当时程序设计语言的一种时尚。之后，在模数/数模转换等接口技术和数据库技术的支持下，通过扩展高级语言的程序库又实现了多媒体程序设计的构想。进入20世纪90年代之后，并行计算机和分布式大规模异质计算机网络的发展又将并行程序设计语言、并行编译程序、并行操作系统、并行与分布式数据库系统等试行软件的开发的关键技术依然与高级语言和计算模型密切相关，如各种并行、并发程序设计语言，进程代数，PETRI网等，它们正是软件开发方法和技术的研究中支持不同阶段软件开发的程序设计语言和支持这些软件开发方法和技术的理论基础——计算模型。(3)计算机应用用计算机来代替人进行计算，就得首先研究计算方法和相应的计算机算法，进而编制计算机程序。由于早期计算机的应用主要集中在科学计算领域，因此，数值计算方法就成为最早的应用数学分支与计算机应用建立了联系。最初的时候，由于计算机的存储器容量很小，速度也不快，为了计算一些稍稍大一点的题目，人们常常要挖空心思研究怎样节省存储单元，怎样减少不需要的操作。为此，发展了像稀疏矩阵计算理论来进行方程组的求解；发展了杂凑函数来动态地存储、访问数据；发展了虚拟程序设计思想和程序覆盖技术在内存较小的计算机上运行较大的程序；在子程序和程序包的概念提出之后，许多人开始将数学中的一些通用计算公式和计算方法写成子程序，并进一步开发成程序包，通过简洁的调用命令向用户开放。子程序的提出是今日软件重用思想的开端。在计算机应用领域，科学计算是一个长久不衰的方向。该方向主要依赖于应用数学中的数值计算的发展，而数值计算的发展也受到来自计算机系统结构的影响。早期，科学计算主要在单机上进行，经历了从小规模数值分析到中大规模数值分析的阶段。随着并行计算机和分布式并行计算机的出现，并行数值计算开始成为科学计算的热点，处理的问题也从中大规模数值分析进入到中大规模复杂问题的计算。所谓中大规模复杂问题并不是由于数据的增大而使计算变得困难，使问题变得复杂，而主要是由于计算中考虑的因素太多，特别是一些因素具有不确定性而使计算变得困难，使问题变得复杂，其结果往往是在算法的研究中精度与复杂性的矛盾难于克服。几何是数学的一个分支，它实现了人类思维方式中的数形结合。在计算机发明之后，人们自然很容易联想到了用计算机来处理图形的问题，由此产生了计算机图形学。计算机图形学是使用计算机辅助产生图形并对图形进行处理的科学。并由此推动了计算机辅助设计（CAD）、计算机辅助教学（CAI）、计算机辅助信息处理、计算机辅助测试（CAT）等方向的发展。在各种实际应用系统的开发中，有一个重要的方向值得注意，即实时系统的开发。利用计算机证明数学定理被认为是人工智能的一个方向。人工智能的另一个方向是研究一种不依赖于任何领域的通用解题程序或通用解题系统，称为GPS。特别值得一提的是在专家系统的开发中发展了一批新的技术，如知识表示方法、不精确性推理技术等，积累了经验，加深了对人工智能的认识。20世纪70年代末期，一部分学者认识到了人工智能过去研究工作基础的薄弱，开始转而重视人工智能的逻辑基础研究，试图从总结和研究人类推理思维的一般规律出发去研究机器思维，并于1980年在《Artificial Intelligence》发表了一组非单调逻辑的研究论文。他们的工作立即得到一大批计算机科学家的响应，非单调逻辑的研究很快热火朝天地开展起来，人工智能的逻辑基础成为人工智能方向发展的主流。数据库技术、多媒体技术、图形学技术等的发展产生了两个新方向，即计算可视化技术与虚拟现实技术。随着计算机网络的发展，分布在全世界的各种计算机正在以惊人的速度相互连接起来。网络上每天都在进行着大量政治、经济、军事、外交、商贸、科学研究与艺术信息的交换与交流。网络上大量信息的频繁交换，虽然缩短了地域之间的距离，然而同时也使各种上网的信息资源处在一种很难设防的状态之中。于是，计算机信息安全受到各国政府的高度重视。除了下大力气研究对付计算机病毒的软硬件技术外，由于各种工作中保密的需要，计算机密码学的研究更多地受到各国政府的重视。实际上，在计算机科学中计算机模型和计算机理论与实现技术同样重要。但现在许多学生往往只注重某些计算机操作技术，而忽略了基础理论的学习，并因为自己是“操作高手”而沾沾自喜，这不仅限制了自己将研究工作不断推向深入，而且有可能使自己在学科发展中处于被动地位。例如，在20世纪50年代和20世纪60年代，我国随着计算机研制工作和软件开发工作的发展，陆续培养了在计算机制造和维护中对计算机某一方面设备十分精通的专家，他们能准确地弄清楚磁芯存储器、磁鼓、运算器、控制器，以及整机线路中哪一部分有问题并进行修理和故障排除，能够编制出使用最少存储单元而运算速度很快的程序，对机器代码相当熟悉。但是，当容量小的磁芯存储器、磁鼓、速度慢的运算器械、控制器很快被集成电路替代时，当程序设计和软件开发广泛使用高级语言、软件开发工具和新型软件开发方法后，这批技术精湛的专家，除少量具有坚实的数学基础、在工作中已有针对性地将研究工作转向其他方向的人之外，相当一部分专家伴随着新技术的出现，在替代原有技术的发展过程中而被淘汰。因此，在计算机科学中，计算比实现计算的技术更重要。只有打下坚实的理论基础，特别是数学基础，学习计算机科学技术才能事半功倍，只有建立在高起点理论基础之上的计算机科学技术，才有巨大的潜力和发展前景。计算机理论的一个核心问题我国计算机科学系里的传统是培养做学术研究，尤其是理论研究的人（方向不见得有多大的问题，但是做得不是那么尽如人意）。而计算机的理论研究，说到底了，如网络安全学，图形图像学，视频音频处理，哪个方向都与数学有着很大的关系，虽然也许是正统数学家眼里非主流的数学。这里我还想阐明我的一个观点：我们都知道，数学是从实际生活当中抽象出来的理论，人们之所以要将实际抽象成理论，目的就在于想用抽象出来的理论去更好的指导实践，有些数学研究工作者喜欢用一些现存的理论知识去推导若干条推论，殊不知其一：问题考虑不全很可能是个错误的推论，其二：他的推论在现实生活中找不到原型，不能指导实践。严格的说，我并不是一个理想主义者，政治课上学的理论联系实际一直是指导我学习科学文化知识的航标（至少我认为搞计算机科学与技术的应当本着这个方向）。我个人的浅见是：计算机系的学生，对数学的要求固然跟数学系不同，跟物理类差别则更大。通常非数学专业的所?高等数学"，无非是把数学分析中较困难的理论部分删去，强调套用公式计算而已。而对计算机系来说，数学分析里用处最大的恰恰是被删去的理论部分。记上一堆曲面积分的公式，难道就能算懂了数学？那倒不如现用现查，何必费事记呢？再不然直接用Mathematica或是Matlab好了。退一万步。华罗庚在数学上的造诣不用我去多说，但是他这光辉的一生做得我认为对我们来说，最重要的几件事情：首先是它筹建了中国科学院计算技术研究所，这是我们国家计算机科学的摇篮。在有就是他把很多的高等数学理论都交给了做工业生产的技术人员，推动了中国工业的进步。第三件就是他一生写过很多书，但是对高校师生价值更大的就是他在病期间在病床上和他的爱徒王元写了《高等数学引论》（王元与其说是他的爱徒不如说是他的同事，是中科院数学所的老一辈研究员，对歌德巴赫猜想的贡献全世界仅次于陈景润）这书在我们的图书馆里居然找得到，说实话，当时那个书上已经长了虫子，别人走到那里都会闪开，但我却格外感兴趣，上下两册看了个遍，我的最大收获并不在于理论的阐述，而是在于他的理论完全的实例化，在生活中去找模型。这也是我为什么比较喜欢具体数学的原因，正如我在上文中提到的，理论脱离了实践就失去了它存在的意义。正因为理论是从实践当中抽象出来的，所以理论的研究才能够更好的指导实践，不用于指导实践的理论可以说是毫无价值的。正如上面所论述的，计算机系的学生学习高等数学：知其然更要知其所以然。你学习的目的应该是：将抽象的理论再应用于实践，不但要掌握题目的解题方法，更要掌握解题思想，对于定理的学习：不是简单的应用，而是掌握证明过程即掌握定理的由来，训练自己的推理能力。只有这样才达到了学习这门科学的目的，同时也缩小了我们与数学系的同学之间思维上的差距。关于计算机技术的学习我想是这样的：学校开设的任何一门科学都有其滞后性，不要总认为自己掌握的某门技术就已经是天下无敌手了，虽然现在Java,VB,C,C++用的都很多，怎能保证没有被淘汰的一天，我想.NET平台的诞生和X#语言的初见端倪完全可以说明问题。换言之，在我们掌握一门新技术的同时就又有更新的技术产生，身为当代的大学生应当有紧跟科学发展的素质。举个例子，就像有些同学总说，我做网页设计就喜欢直接写html，不愿意用什么Frontpage,Dreamweaver。能用语言写网页固然很好，但有高效的手段你为什么不使呢？仅仅是为了显示自己的水平高，unique? 我看真正水平高的是能够以最快的速度接受新事物的人。高级程序设计语言的发展日新月异，今后的程序设计就像人们在说话一样，我想大家从xml中应是有所体会了。难道我们真就写个什么都要用汇编，以显示自己的水平高，真是这样倒不如直接用机器语言写算了。反过来说，想要以最快的速度接受并利用新技术关键还是在于你对计算机科学地把握程度。总的来说，从教育角度来讲，国内高校的课程安排不是很合理，强调理论，又不愿意在理论上深入教育，无力接受新技术，想避开新技术又无法避得一干二净。我觉得关键问题就是国内的高校难于突破现状，条条框框限制着怎么求发展。我们虽然认识得到国外教育的优越性，但为什么迟迟不能采取行动？哪怕是去粗取精的取那么一点点。

关于人工智能的定义众说不一。美国 斯坦福大学人工智能研究中心尼尔逊教授 下过这样一个定义:“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 识并使用知识的科学 。” 而麻省理工学院 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。”人们普遍认为人工智能(Artificial Intelligence),英文缩写为 AI,也称机器智 能。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。它是从计算机应 用系统的角度出发 , 研究如何制造出人造 的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。 人工智能就其本质而言 , 是对人的思 维的信息过程的模拟。人工智能不是人的 智能 , 更不会超过人的智能。 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。 人工智能可以分为强人工智能和弱人 工智能。强人工智能观点认为有可能制造 出真正能推理 (Reasoning) 和解决问题 (Problem solving)的智能机器,并且,这样的 机器能将被认为是有知觉的, 有自我意识 的。弱人工智能观点认为不可能制造出能 真正地推理和解决问题的智能机器 , 这些 机器只不过看起来像是智能的 , 但并不真 正拥有智能 , 也不会有自主意识。 人工智 能的研究经历了以下几个阶段: 第一阶段:20 世纪 50 年代人工智能的兴 起和冷落。人工智能概念首次提出后,出现了 一批显著的成果,如机器定理证明、跳棋程序、 LISP 表处理语言等。但由于解法推理能力有 限,以及机器翻译失败等,使人工智能走入低 谷。这一阶段的特点是:重视问题求解的方 法,忽视知识重要性。第二阶段:20 世纪 60 年代末到 70 年代,专 家系统出现使人工智能研究出现新高潮。 DENDRAL 化学质谱分析系统、MYCIN 疾病诊断和治疗系统、PROSPECTIOR 探矿系统、Hearsay-II 语音理解系统等专家系统的研究 和开发,将人工智能引向了实用化。1969 年成立了国际人工智能联合会议(IJCAI)。 第三阶段:20 世纪 80 年代,随着第五代计 算机的研制,人工智能得到了很大发展。日本1982 年开始了“第五代计算机研制计划”,即“知识信息处理计算机系统KIPS”,其目的是使 逻辑推理达到数值运算那么快。虽然此计划最终失败,但它的开展形成了一股研究人工智能的热潮。 第四阶段:20 世纪 80 年代末,神经网络飞 速发展。1987 年,美国召开第一次神经网络 国际会议,宣告了这一新学科的诞生。此后, 各国在神经网络方面的投资逐渐增加,神经网 络迅速发展起来。 第五阶段:20 世纪 90 年代,人工智能出现 新的研究高潮。由于网络技术特别是国际互 连网的技术发展,人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问 题求解,而且研究多个智能主体的多目标问题求解,将人工智能面向实用。人工智能研究范畴有自然语言处理 , 知识表现,智能搜索,推理,知识获取,组合调度问题,感知问题,模式识别,逻辑程序设计,软计算,不精确和不确定的管理,人 工生命,神经网络,复杂系统等。目前,人工智能是与具体领域相结合进行研究的,有如下领域:(1)专家系统。依靠人 类已有的知识建立起来的知识系统,目前专家系统是人工智能研究中开展较早、最活跃、成效最多的领域。(2)机器学习。主要在三 个方面进行:一是研究人类学习的机理、人 脑思维的过程;二是机器学习的方法;三是建立针对具体任务的学习系统。(3)模式识别。研究如何使机器具有感知能力,主要研究视觉 模式和听觉模式的识别。(4)理解自然语言。计算机如能“听懂”人的语言,便可以直接用口语操作计算机,这将给人们带极大的便 利。(5)机器人学。机器人是一种能模拟人的行为的机械,对它的研究经历了三代发展过程:第一代(程序控制)机器人:这种机器人只能刻板地按程序完成工作,环境稍有变化就会出问题,甚至发生危险。第二代(自适应)机器人:这种机器人配备有相应的感觉传感器, 能取得作业环境、操作对象等简单的信息,并由机器人体内的计算机进行分析处理,控制机器人的动作。第三代(智能)机器人:智能机 器人具有类似人的智能,它装备了高灵敏度传感器,因而具有超过人的视觉、听觉、 、嗅觉、触觉的能力,能对感知的信息进行分析,控制自 己的行为,处理环境发生的变化,完成各种复杂的任务。而且有自我学习、归纳、总结、提高已掌握知识的能力。(6)智能决策支持系统。20 世纪 80 年代以来专家系统在许多方面取得 成功,将人工智能中特别是智能和知识处理技术应用于决策支持系统,扩大了决策支持系统 的应用范围,提高了系统解决问题的能力,这就成为智能决策支持系统。(7)人工神经网络。在研究人脑的奥秘中得到启发,试图用大量的 处理单元模仿人脑神经系统工程结构和工作机理。