张大蓬

摘 要：文章简要阐述了人工智能的基本内涵及其发展历程，重点分析了人工智能的研究进展及其在专家系统、机器学习、人工神经网络、模式识别以及智能决策支持系统等领域的应用。

关键词：人工智能；网络时代；专家系统；神经网络

引言

从1956年召开的达特沃斯会议至今，人工智能学科已经经历了半个多世纪的发展，期间不断涌现出了逻辑学派、控制论学派以及仿生学派等。这些理论学科的创新，极大地推动了模式识别、知识工程以及机器人等领域的发展，涌现出了一大批专家系统、数据挖掘、智能机器人、智能控制系统和设备，推动了整个科技和社会的发展，使得我们的生活方式也发生了极大地改变。当下，网络时代下的人工智能正以计算机技术为核心，在认识科学、网络科学以及生物智能等交叉领域中已经开始有较快的发展和创新，人工智能的水平不断提高、处理速度和精度逐渐提升。文章主要结合人工智能的研究进展和应用领域，对未来人工智能发展做出了展望和启示。

1 人工智能的内涵及其发展

人工智能（Artificial Intelligence，AI）是在1956年召开的达特沃斯会议上由McMarthy提出的。人工智能最为计算机学科的重要分支之一，主要研究用于模拟、延伸以及拓展人类的智能的理论、技术和方法的新型综合技术科学，被视为世界三大尖端科技技术之一。

人工智能的发展主要经历了两个阶段：弱人工智能阶段、强人工智能阶段。弱人工智能阶段主要是二十世纪五十年代至六十年代，这段时期，人工智能的研究主要方向是结合领域内知识，采用启发式思维编写能证明平面几何定理或者能与象棋大师进行下棋的计算机程序。特别的，在AlanTuring著述的《计算器与智能》中，对人类智能的机械化进行了论述，提出了图灵机准则和理论模型，为现代计算机的出现奠定了坚实的理论基础，也为整个人工智能研究提供了重要的智能机标准。

强人工智能阶段主要是二十世纪六十年代至七十年代，期间，人们开始尝试进行自然语言通讯。如何让计算机识别、理解语言，并自动处理回答问题、分析和处理图像信息等成为人工智能研究的主要目标和方向。到了七十年代，在进行大量科学推理和探索后，逐渐出现了一大批专家级的程序，并迅速运用在其他各个生产领域，创造出巨大的经济利益。到了八十年代，人工智能逐渐开始向以知识为中心的领域发展，人们也逐渐重视到模拟智能的重要性，展开对知识的表示、推理以及机器学习。

2 人工智能的研究进展与应用领域

2.1 专家系统

作为人工智能技术领域的重要分支之一，专家系统（Expert System，ES）通过将探讨思维方法移植到求解专门问题上，使得人工智能实现了从理论研究向实际运用的重大跨越。专家系统被也视为具有专门知识的计算机智能系统，它可以在特定领域的专家提供的知识以及经验基础上，运用人工智能推理技术进行模拟和求解各类复杂问题。近年来，专家智能系统已经成功地运用在人工智能领域，例如用户与专家系统进行“咨询”和“对话”。同时，在一些地址数据分析、化学数据分析、计算机系统结构以及医疗诊断咨询等，都已达到了非常高的水平。专家系统的基本组成包括：知识库、数据库、推理机知识获取以及相应的解释机制和用户界面，如图1所示。

2.2 机器学习

机器学习（Machine Learning）主要是研究怎样实现计算机模拟人类学习活动。它是在专家系统的基础上开发出来的又一人工智能领域，成为人工智能研究的重要核心内容之一，遍布于人工智能的各个领域。

学习作为一种有特定目的性的知识获取途径，它最主要的內部特征为知识结构的不断更新与修改，而外部特征则为性能的不断改善。同时，学习活动作为人类智能的一个重要特征，是获取知识的最基本手段，因此，机器学习也是成为实现计算机智能化的基本手段。相应的，机器学习也会形成反哺效应，有助于研究和发现人类自身学习的机理，进而揭示人脑的奥秘。例如，近年来不断发展的基于解释、概念、神经网络和遗传学习的学习方法。

2.3 人工神经网络

人工神经网络（Aficial Neural Network）也被称作神经网络或者类神经网络，它主要由大量的神经元即处理单元相互连接而成。对于一个神经网络而言，它由相互连接的神经元组成一个运算模型，是对人脑基本特性的一种抽象与模拟，主要是为了模拟大脑的一些机理与反应机制，从而实现某些特定功能。

神经网络主要是通过神经元之间相互作用实现信息的处理，即知识和信息的存储具体表现是神经元互连之间的分布式关系。对于人工神经网络而言，它具有很强的自我学习能力，可以摆脱“专家”头脑自行处理数据总结规律，具有良好的自适应性和组织性。对于一些复杂多维的线性问题、定量问题，人工神经网络具有独特的优势。

2.4 模式识别

在当下的互联网模式下，计算机人工智能所对应的模式识别主要指的是用计算机来代替人类感知的一种模式，主要目的是实现和完善计算机系统模拟人体器官对外界进行感知，而对应的研究对象是计算机模式下的识别系统。

总的说来，虽然模式识别的概念在不断更新，但其主要分类可分为三种：句法模式识别、统计模式识别以及深度神经网络。早前的模式识别主要集中于文字、图像等信息，直到二十世纪六十年代才渐渐开始对复杂三维景物进行解释和描述。紧接着的开始展开对活动目标的跟踪识别与分析，标志着景物分析开始向实用化的方向发展。典型的识别模式案例有：语言识别、人脸识别以及虹膜识别、步态识别等。但计算机识别模式最根本的问题是鲁棒性，现阶段的系统开发对环境具有自适应性而对噪声等具有鲁棒性。在当下的网络时代，大数据的出现以及深度学习性能的不断提升，从某种程度上解决了计算机模式识别的自适应性和鲁棒性，但与人相比仍然有较大的差距，还有待进一步深度学习和研究。

2.5 智能决策支持系统

智能决策支持系统作为人工智能和DSS相结合的应用专家系统（ES，Expert System）技术，与“知识-智能”关系紧密。智能决策支持系统的基本数据特征和“大数据”高度吻合，开展大数据技术研究，一定会为将智能决策支持系统发展带向一片新的天地。智能决策支持系统在系统定位、决策、数据处理和信息检索与系统安全等方面会成为未来发展的新趋势。

3 未来人工智能发展展望与启示

人工智能思想家Nick Bostrom将超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”。超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。当前，人工智能技术的发展正向着大型分布式人工智能以及多专家协同、推理的多智能协同系统方向发展。

参考文献

[1]徐卓函.大数据时代人工智能的创新与发展研究[J].科技资讯，2015，33：30-31.

[2]王敏.浅谈网络时代下人工智能的研究与发展[J].电子制作，2013，

12：231.