人工智慧編譯環境的實驗報告

『壹』 我國人工智慧的發展現狀

經過多年的持續積累，我國在人工智慧領域取得重要進展，國際科技論文發表量和發明專利授權量已居世界第二，部分領域核心關鍵技術實現重要突破。

語音識別、視覺識別技術世界領先，自適應自主學習、直覺感知、綜合推理、混合智能和群體智能等初步具備跨越發展的能力，中文信息處理、智能監控、生物特徵識別、工業機器人、服務機器人、無人駕駛逐步進入實際應用，人工智慧創新創業日益活躍，一批龍頭骨幹企業加速成長，在國際上獲得廣泛關注和認可。

加速積累的技術能力與海量的數據資源、巨大的應用需求、開放的市場環境有機結合，形成了我國人工智慧發展的獨特優勢。

與此同時，我國人工智慧整體發展水平與發達國家相比仍存在差距，缺少重大原創成果，在基礎理論、核心演算法以及關鍵設備、高端晶元、重大產品與系統、基礎材料、元器件、軟體與介面等方面差距較大。

科研機構和企業尚未形成具有國際影響力的生態圈和產業鏈，缺乏系統的超前研發布局；人工智慧尖端人才遠遠不能滿足需求；適應人工智慧發展的基礎設施、政策法規、標准體系亟待完善。

人工智慧領域技術能力全面提升為人機協同奠定基礎

隨著大數據、雲計算、互聯網、物聯網等信息技術的發展，以深度神經網路為代表的人工智慧技術飛速發展，人工智慧領域科學與應用的鴻溝正在被突破。

圖像分類、語音識別、知識問答、人機對弈、無人駕駛等人工智慧技術能力快速提升，技術的產業化進程得以開啟，人工智慧迎來爆發式增長的新高潮。機器在人工智慧技術的應用下，在「視覺」「聽覺」「觸覺」等人體感官的感知能力不斷增強。

例如計算機視覺領域中深受關注的Image Net圖像識別挑戰賽獲獎結果表明，2015年，計算機對於圖像的識別能力已經超過人類水平，這意味著計算機能夠在多種場景下一定程度上替代人類視覺的工作，更高效地完成任務。

同時得益於深度學習演算法能力的提升，語音識別、自然語言處理等人工智慧演算法的不斷革新助推計算機視覺產業持續向前。

人工智慧技術能力的不斷成熟使得機器能夠實現越來越人性化的操作。人工智慧技術能力的全面提升為人機系統的能力實現奠定了堅實的基礎。

『貳』 AI挑戰高考：從教育產業來看人工智慧有哪些機遇

人工智慧（計算機科學的一個分支）人工智慧（ArtificialIntelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，但沒有一個統一的定義。人工智慧是對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。但是這種會自我思考的高級人工智慧還需要科學理論和工程上的突破。人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。工智能的定義可以分為兩部分，即「人工」和「智能」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。關於什麼是「智能」，就問題多多了。這涉及到其它諸如意識（CONSCIOUSNESS）、自我（SELF）、思維（MIND）（包括無意識的思維（UNCONSCIOUS_MIND）等等問題。人唯一了解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能的必要元素也了解有限，所以就很難定義什麼是「人工」製造的「智能」了。因此人工智慧的研究往往涉及對人的智能本身的研究。其它關於動物或其它人造系統的智能也普遍被認為是人工智慧相關的研究課題。人工智慧在計算機領域內，得到了愈加廣泛的重視。並在機器人，經濟政治決策，控制系統，模擬系統中得到應用。人工智慧機器人著名的美國斯坦福大學人工智慧研究中心尼爾遜教授對人工智慧下了這樣一個定義：「人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。」而另一個美國麻省理工學院的溫斯頓教授認為：「人工智慧就是研究如何使計算機去做過去只有人才能做的智能工作。」這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智能活動的規律，構造具有一定智能的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟硬體來模擬人類某些智能行為的基本理論、方法和技術。人工智慧是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀（基因工程、納米科學、人工智慧）三大尖端技術之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。人工智慧是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具，數學不僅在標准邏輯、模糊數學等范圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。2研究價值編輯具有人工智慧的機器人例如繁重的科學和工程計算本來是要人腦來承擔的，如今計算機不但能完成這種計算，而且能夠比人腦做得更快、更准確，因此當代人已不再把這種計算看作是「需要人類智能才能完成的復雜任務」，可見復雜工作的定義是隨著時代的發展和技術的進步而變化的，人工智慧這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，另一方面又轉向更有意義、更加困難的目標。通常，「機器學習」的數學基礎是「統計學」、「資訊理論」和「控制論」。還包括其他非數學學科。這類「機器學習」對「經驗」的依賴性很強。計算機需要不斷從解決一類問題的經驗中獲取知識，學習策略，在遇到類似的問題時，運用經驗知識解決問題並積累新的經驗，就像普通人一樣。我們可以將這樣的學習方式稱之為「連續型學習」。但人類除了會從經驗中學習之外，還會創造，即「跳躍型學習」。這在某些情形下被稱為「靈感」或「頓悟」。一直以來，計算機最難學會的就是「頓悟」。或者再嚴格一些來說，計算機在學習和「實踐」方面難以學會「不依賴於量變的質變」，很難從一種「質」直接到另一種「質」，或者從一個「概念」直接到另一個「概念」。正因為如此，這里的「實踐」並非同人類一樣的實踐。人類的實踐過程同時包括經驗和創造。[1]這是智能化研究者夢寐以求的東西。2013年，帝金數據普數中心數據研究員S.CWANG開發了一種新的數據分析方法，該方法導出了研究函數性質的新方法。作者發現，新數據分析方法給計算機學會「創造」提供了一種方法。本質上，這種方法為人的「創造力」的模式化提供了一種相當有效的途徑。這種途徑是數學賦予的，是普通人無法擁有但計算機可以擁有的「能力」。從此，計算機不僅精於算，還會因精於算而精於創造。計算機學家們應該斬釘截鐵地剝奪「精於創造」的計算機過於全面的操作能力，否則計算機真的有一天會「反捕」人類。[1]當回頭審視新方法的推演過程和數學的時候，作者拓展了對思維和數學的認識。數學簡潔，清晰，可靠性、模式化強。在數學的發展史上，處處閃耀著數學大師們創造力的光輝。這些創造力以各種數學定理或結論的方式呈現出來，而數學定理最大的特點就是：建立在一些基本的概念和公理上，以模式化的語言方式表達出來的包含豐富信息的邏輯結構。應該說，數學是最單純、最直白地反映著（至少一類）創造力模式的學科。[1]3科學介紹編輯實際應用機器視覺：機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等。學科範疇人工智慧是一門邊沿學科，屬於自然科學和社會科學的交叉。涉及學科哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論研究范疇自然語言處理，知識表現，智能搜索，推理，規劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計軟計算，不精確和不確定的管理，人工生命，神經網路，復雜系統，遺傳演算法意識和人工智慧人工智慧就其本質而言，是對人的思維的信息過程的模擬。對於人的思維模擬可以從兩條道路進行，一是結構模擬，仿照人腦的結構機制，製造出「類人腦」的機器；二是功能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬。現代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬。弱人工智慧如今不斷地迅猛發展，尤其是2008年經濟危機後，美日歐希望借機器人等實現再工業化，工業機器人以比以往任何時候更快的速度發展，更加帶動了弱人工智慧和相關領域產業的不斷突破，很多必須用人來做的工作如今已經能用機器人實現。而強人工智慧則暫時處於瓶頸，還需要科學家們和人類的努力。4發展階段編輯1956年夏季，以麥卡賽、明斯基、羅切斯特和申農等為首的一批有遠見卓識的年輕科學家在一起聚會，共同研究和探討用機器模擬智能的一系列有關問題，並首次提出了「人工智慧」這一術語，它標志著「人工智慧」這門新興學科的正式誕生。IBM公司「深藍」電腦擊敗了人類的世界國際象棋冠軍更是人工智慧技術的一個完美表現。從1956年正式提出人工智慧學科算起，50多年來，取得長足的發展，成為一門廣泛的交叉和前沿科學。總的說來，人工智慧的目的就是讓計算機這台機器能夠像人一樣思考。如果希望做出一台能夠思考的機器，那就必須知道什麼是思考，更進一步講就是什麼是智慧。什麼樣的機器才是智慧的呢？科學家已經作出了汽車，火車，飛機，收音機等等，它們模仿我們身體器官的功能，但是能不能模仿人類大腦的功能呢？到目前為止，我們也僅僅知道這個裝在我們天靈蓋裡面的東西是由數十億個神經細胞組成的器官，我們對這個東西知之甚少，模仿它或許是天下最困難的事情了。當計算機出現後，人類開始真正有了一個可以模擬人類思維的工具，在以後的歲月中，無數科學家為這個目標努力著。如今人工智慧已經不再是幾個科學家的專利了，全世界幾乎所有大學的計算機系都有人在研究這門學科，學習計算機的大學生也必須學習這樣一門課程，在大家不懈的努力下，如今計算機似乎已經變得十分聰明了。例如，1997年5月，IBM公司研製的深藍（DEEPBLUE）計算機戰勝了國際象棋大師卡斯帕洛夫（KASPAROV）。大家或許不會注意到，在一些地方計算機幫助人進行其它原來只屬於人類的工作，計算機以它的高速和准確為人類發揮著它的作用。人工智慧始終是計算機科學的前沿學科，計算機編程語言和其它計算機軟體都因為有了人工智慧的進展而得以存在。5技術研究編輯用來研究人工智慧的主要物質基礎以及能夠實現人工智慧技術平台的機器就是計算機，人工智慧的發展歷史是和計算機科學技術的發展史聯系在一起的。除了計算機科學以外，人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。人工智慧學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。人工智慧技術研究是一本關注人工智慧與機器人研究領域最新進展的國際中文期刊，由漢斯出版社發行，本刊支持思想創新、學術創新，倡導科學，繁榮學術，集學術性、思想性為一體，旨在為了給世界范圍內的科學家、學者、科研人員提供一個傳播、分享和討論人工智慧與機器人研究領域內不同方向問題與發展的交流平台。研究領域人工智慧技術研究智能機器人模式識別與智能系統虛擬現實技術與應用系統模擬技術與應用工業過程建模與智能控制智能計算與機器博弈人工智慧理論語音識別與合成機器翻譯圖像處理與計算機視覺計算機感知計算機神經網路知識發現與機器學習建築智能化技術與應用人工智慧其他學科研究方法如今沒有統一的原理或範式指導人工智慧研究。許多問題上研究者都存在爭論。其中幾個長久以來仍沒有結論的問題是：是否應從心理或神經方面模擬人工智慧?或者像鳥類生物學對於航空工程一樣，人類生物學對於人工智慧研究是沒有關系的？智能行為能否用簡單的原則（如邏輯或優化）來描述？還是必須解決大量完全無關的問題？智能是否可以使用高級符號表達，如詞和想法？還是需要「子符號」的處理？JOHNHAUGELAND提出了GOFAI(出色的老式人工智慧)的概念，也提議人工智慧應歸類為SYNTHETICINTELLIGENCE，[29]這個概念後來被某些非GOFAI研究者採納。大腦模擬主條目：控制論和計算神經科學20世紀40年代到50年代，許多研究者探索神經病學，信息理論及控制論之間的聯系。其中還造出一些使用電子網路構造的初步智能，如W.GREYWALTER的TURTLES和JOHNSHOPKINSBEAST。這些研究者還經常在普林斯頓大學和英國的RATIOCLUB舉行技術協會會議.直到1960,大部分人已經放棄這個方法，盡管在80年代再次提出這些原理。符號處理主條目：GOFAI當20世紀50年代，數字計算機研製成功，研究者開始探索人類智能是否能簡化成符號處理。研究主要集中在卡內基梅隆大學,斯坦福大學和麻省理工學院，而各自有獨立的研究風格。JOHNHAUGELAND稱這些方法為GOFAI(出色的老式人工智慧)。[33]60年代，符號方法在小型證明程序上模擬高級思考有很大的成就。基於控制論或神經網路的方法則置於次要。[34]60~70年代的研究者確信符號方法最終可以成功創造強人工智慧的機器，同時這也是他們的目標。認知模擬經濟學家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時他們為人工智慧的基本原理打下基礎，如認知科學,運籌學和經營科學。他們的研究團隊使用心理學實驗的結果開發模擬人類解決問題方法的程序。這方法一直在卡內基梅隆大學沿襲下來，並在80年代於SOAR發展到高峰。基於邏輯不像艾倫·紐厄爾和赫伯特·西蒙，JOHNMCCARTHY認為機器不需要模擬人類的思想，而應嘗試找到抽象推理和解決問題的本質，不管人們是否使用同樣的演算法。他在斯坦福大學的實驗室致力於使用形式化邏輯解決多種問題，包括知識表示,智能規劃和機器學習.致力於邏輯方法的還有愛丁堡大學，而促成歐洲的其他地方開發編程語言PROLOG和邏輯編程科學.「反邏輯」斯坦福大學的研究者(如馬文·閔斯基和西摩爾·派普特)發現要解決計算機視覺和自然語言處理的困難問題，需要專門的方案-他們主張不存在簡單和通用原理（如邏輯）能夠達到所有的智能行為。ROGERSCHANK描述他們的「反邏輯」方法為"SCRUFFY".常識知識庫(如DOUGLENAT的CYC)就是"SCRUFFY"AI的例子,因為他們必須人工一次編寫一個復雜的概念。基於知識大約在1970年出現大容量內存計算機，研究者分別以三個方法開始把知識構造成應用軟體。這場「知識革命」促成專家系統的開發與計劃,這是第一個成功的人工智慧軟體形式。「知識革命」同時讓人們意識到許多簡單的人工智慧軟體可能需要大量的知識。子符號法80年代符號人工智慧停滯不前，很多人認為符號系統永遠不可能模仿人類所有的認知過程，特別是感知，機器人，機器學習和模式識別。很多研究者開始關注子符號方法解決特定的人工智慧問題。自下而上,介面AGENT，嵌入環境（機器人），行為主義，新式AI機器人領域相關的研究者，如RODNEYBROOKS，否定符號人工智慧而專注於機器人移動和求生等基本的工程問題。他們的工作再次關注早期控制論研究者的觀點，同時提出了在人工智慧中使用控制理論。這與認知科學領域中的表徵感知論點是一致的:更高的智能需要個體的表徵(如移動，感知和形象)。計算智能80年代中DAVIDRUMELHART等再次提出神經網路和聯結主義.這和其他的子符號方法，如模糊控制和進化計算，都屬於計算智能學科研究范疇。統計學法90年代，人工智慧研究發展出復雜的數學工具來解決特定的分支問題。這些工具是真正的科學方法，即這些方法的結果是可測量的和可驗證的，同時也是人工智慧成功的原因。共用的數學語言也允許已有學科的合作（如數學，經濟或運籌學）。STUARTJ.RUSSELL和PETERNORVIG指出這些進步不亞於「革命」和「NEATS的成功」。有人批評這些技術太專注於特定的問題，而沒有考慮長遠的強人工智慧目標。集成方法智能AGENT範式智能AGENT是一個會感知環境並作出行動以達致目標的系統。最簡單的智能AGENT是那些可以解決特定問題的程序。更復雜的AGENT包括人類和人類組織（如公司）。這些範式可以讓研究者研究單獨的問題和找出有用且可驗證的方案，而不需考慮單一的方法。一個解決特定問題的AGENT可以使用任何可行的方法-一些AGENT用符號方法和邏輯方法，一些則是子符號神經網路或其他新的方法。範式同時也給研究者提供一個與其他領域溝通的共同語言--如決策論和經濟學（也使用ABSTRACTAGENTS的概念）。90年代智能AGENT範式被廣泛接受。AGENT體系結構和認知體系結構研究者設計出一些系統來處理多ANGENT系統中智能AGENT之間的相互作用。一個系統中包含符號和子符號部分的系統稱為混合智能系統,而對這種系統的研究則是人工智慧系統集成。分級控制系統則給反應級別的子符號AI和最高級別的傳統符號AI提供橋梁，同時放寬了規劃和世界建模的時間。RODNEYBROOKS的SUBSUMPTIONARCHITECTURE就是一個早期的分級系統計劃。智能模擬機器視、聽、觸、感覺及思維方式的模擬：指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，智能搜索，定理證明，邏輯推理，博弈，信息感應與辨證處理。學科範疇人工智慧是一門邊沿學科，屬於自然科學、社會科學、技術科學三向交叉學科。涉及學科哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論，仿生學，社會結構學與科學發展觀。研究范疇語言的學習與處理，知識表現，智能搜索，推理，規劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計，軟計算，不精確和不確定的管理，人工生命，神經網路，復雜系統，遺傳演算法人類思維方式，最關鍵的難題還是機器的自主創造性思維能力的塑造與提升。應用領域機器翻譯，智能控制，專家系統，機器人學，語言和圖像理解，遺傳編程機器人工廠，自動程序設計，航天應用，龐大的信息處理，儲存與管理，執行化合生命體無法執行的或復雜或規模龐大的任務等等。值得一提的是，機器翻譯是人工智慧的重要分支和最先應用領域。不過就已有的機譯成就來看，機譯系統的譯文質量離終極目標仍相差甚遠；而機譯質量是機譯系統成敗的關鍵。中國數學家、語言學家周海中教授曾在論文《機器翻譯五十年》中指出：要提高機譯的質量，首先要解決的是語言本身問題而不是程序設計問題；單靠若干程序來做機譯系統，肯定是無法提高機譯質量的；另外在人類尚未明了大腦是如何進行語言的模糊識別和邏輯判斷的情況下，機譯要想達到「信、達、雅」的程度是不可能的。安全問題人工智慧還在研究中，但有學者認為讓計算機擁有智商是很危險的，它可能會反抗人類。這種隱患也在多部電影中發生過，其主要的關鍵是允不允許機器擁有自主意識的產生與延續，如果使機器擁有自主意識，則意味著機器具有與人同等或類似的創造性，自我保護意識，情感和自發行為。實現方法人工智慧在計算機上實現時有2種不同的方式。一種是採用傳統的編程技術，使系統呈現智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。這種方法叫工程學方法（ENGINEERINGAPPROACH），它已在一些領域內作出了成果，如文字識別、電腦下棋等。另一種是模擬法（MODELINGAPPROACH），它不僅要看效果，還要求實現方法也和人類或生物機體所用的方法相同或相類似。遺傳演算法（GENERICALGORITHM，簡稱GA）和人工神經網路（ARTIFICIALNEURALNETWORK，簡稱ANN）均屬後一類型。遺傳演算法模擬人類或生物的遺傳-進化機制，人工神經網路則是模擬人類或動物大腦中神經細胞的活動方式。為了得到相同智能效果，兩種方式通常都可使用。採用前一種方法，需要人工詳細規定程序邏輯，如果游戲簡單，還是方便的。如果游戲復雜，角色數量和活動空間增加，相應的邏輯就會很復雜（按指數式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程序，重新編譯、調試，最後為用戶提供一個新的版本或提供一個新補丁，非常麻煩。採用後一種方法時，編程者要為每一角色設計一個智能系統（一個模塊）來進行控制，這個智能系統（模塊）開始什麼也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種復雜情況。這種系統開始也常犯錯誤，但它能吸取教訓，下一次運行時就可能改正，至少不會永遠錯下去，用不到發布新版本或打補丁。利用這種方法來實現人工智慧，要求編程者具有生物學的思考方法，入門難度大一點。但一旦入了門，就可得到廣泛應用。由於這種方法編程時無須對角色的活動規律做詳細規定，應用於復雜問題，通常會比前一種方法更省力。

『叄』 學習人工智慧要懂什麼Python就行還是深度學習或機器學習都要掌握呢

人工智慧的浪潮正在席捲全球，諸多詞彙時刻縈繞在我們耳邊：人工智慧（Artificial Intelligence）、機器學習（Machine Learning）、深度學習（Deep Learning）。不少人對這些高頻詞彙的含義及其背後的關系總是似懂非懂、一知半解。

為了幫助大家更好地理解人工智慧，這篇文章用最簡單的語言解釋了這些詞彙的含義，理清它們之間的關系，希望對剛入門的同行有所幫助。

圖三 三者關系示意圖

目前，業界有一種錯誤的較為普遍的意識，即「深度學習最終可能會淘汰掉其他所有機器學習演算法」。這種意識的產生主要是因為，當下深度學習在計算機視覺、自然語言處理領域的應用遠超過傳統的機器學習方法，並且媒體對深度學習進行了大肆誇大的報道。

深度學習，作為目前最熱的機器學習方法，但並不意味著是機器學習的終點。起碼目前存在以下問題：

1. 深度學習模型需要大量的訓練數據，才能展現出神奇的效果，但現實生活中往往會遇到小樣本問題，此時深度學習方法無法入手，傳統的機器學習方法就可以處理；

2. 有些領域，採用傳統的簡單的機器學習方法，可以很好地解決了，沒必要非得用復雜的深度學習方法；

3. 深度學習的思想，來源於人腦的啟發，但絕不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩也十有八九能做出那是一輛自行車的判斷，也就是說，人類的學習過程往往不需要大規模的訓練數據，而現在的深度學習方法顯然不是對人腦的模擬。

深度學習大佬 Yoshua Bengio 在 Quora 上回答一個類似的問題時，有一段話講得特別好，這里引用一下，以回答上述問題：

Science is NOT a battle, it is a collaboration. We all build on each other's ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!

這段話的大致意思是，科學不是戰爭而是合作，任何學科的發展從來都不是一條路走到黑，而是同行之間互相學習、互相借鑒、博採眾長、相得益彰，站在巨人的肩膀上不斷前行。機器學習的研究也是一樣，你死我活那是邪教，開放包容才是正道。

結合機器學習2000年以來的發展，再來看Bengio的這段話，深有感觸。進入21世紀，縱觀機器學習發展歷程，研究熱點可以簡單總結為2000-2006年的流形學習、2006年-2011年的稀疏學習、2012年至今的深度學習。未來哪種機器學習演算法會成為熱點呢？深度學習三大巨頭之一吳恩達曾表示，「在繼深度學習之後，遷移學習將引領下一波機器學習技術」。但最終機器學習的下一個熱點是什麼，誰又能說得准呢。

『肆』 簡述人工智慧的未來發展趨勢

發展新一代人工智慧是事關一個國家能否抓住新一輪科技革命和產業變革機遇的戰略問題。近年來，各國紛紛出台政策大力支持推動國家人工智慧的發展，我國也不例外。目前，我國人工智慧企業主要分布在京津冀、長三角和珠三角，京津冀競爭力排名第一。

京津冀競爭力位居榜首

與前三次工業革命不同，中國在科技革命已經不再是被動的跟隨者，在人工智慧領域正在成為積極的引領者。繼2017年7月國家出台的《新一代人工智慧發展規劃》之後，各省市自治區紛紛響應，制定了各自的人工智慧發展規劃、實施意見和行動方案。地方政府的政策不僅在針對國家戰略作出響應，還在對當地智能企業和產業發展需求的作出響應，尤其是以人才聚集地著稱的京津冀、長三角和珠三角地區。近年來這些地區在政策紅利等各種疊加因素的驅動下，人工智慧行業發展迅速，成為了我國人工智慧發展的典範。其中，京津冀地區競爭力最強，奪得2019年人工智慧評選綜合分80.6分;長三角和珠三角分別奪得60.7分和45.6分。

—— 以上數據來源於前瞻產業研究院《中國人工智慧行業市場前瞻與投資戰略規劃分析報告》。

『伍』 人工智慧的發展前景趨勢

1、 機器視覺和語音識別是主要市場

技術層是基於基礎理論和數據之上，面向細分應用開發的技術。中游技術類企業具有技術生態圈、資金和人才三重壁壘，是人工智慧產業的核心。相比較絕大多數上游和下游企業聚焦某一細分領域、技術層向產業鏈上下游擴展較為容易。

該層麵包括演算法理論(機器學習)、平台框架和應用技術(計算機視覺、語音識別、自然語言處理)。眾多國際科技巨頭和獨角獸均在該層級開展廣泛布局。近年來，我國技術層圍統垂直領城重點研發，在計算機視覺、語音識別等領城技術成熟，國內頭部企業脫顆而出，競爭優勢明顯。

—— 以上數據參考前瞻產業研究院《中國人工智慧行業市場前瞻與投資戰略規劃分析報告》

『陸』 關於人工智慧

人腦有意識，電腦有意識嗎？在科學極其發展的今天，電腦是否會超越人腦，人是否會成為電腦的奴隸？哲學不能不對這一問題做出回答。
人工智慧是20世紀中葉科學技術所取得的重大成果之一。它的誕生與發展對人類文明產生了巨大的影響和效益。同時也引起了哲學意識與人工智慧的理論探討。
人工智慧是相對於人類智能而言的。它是指用機械和電子裝置來模擬和代替人類的某些智能。人工智慧也稱「機器智能」或「智能模擬」。當今人工智慧主要是利用電子技術成果和仿生學方法，從大腦的結構方面模擬人腦的活動，即結構模擬。
人腦是智能活動的物質基礎，是由上百億個神經元組成的復雜系統。結構模擬是從單個神經元入手的，先用電子元件製成神經元模型，然後把神經元模型連接成神經網路(腦模型) ，以完成某種功能，模擬人的某些智能。如1957年美國康乃爾大學羅森布萊特等人設計的「感知機」；1975年日本的福島設計的「認知機」（自組織多層神經網路) 。
電子計算機是智能模擬的物質技術工具。它是一種自動、高速處理信息的電子機器。它採用五個與大腦功能相似的部件組成了電腦，來模擬人腦的相應功能。這五個部件是：(1) 輸入設備，模擬人的感受器(眼、耳、鼻等) ，用以接受外來的信息。人通過輸入設備將需要計算機完成的任務、課題、運算步驟和原始數據採用機器所能接受的形式告訴計算機，並經輸入設備把這些存放到存貯器中。(2) 存貯器，模擬人腦的記憶功能， 將輸入的信息存儲起來，供隨時提取使用，是電子計算機的記憶裝置。(3) 運算器，模擬人腦的計算、判斷和選擇功能，能進行加減乘除等算術運算和邏輯運算。(4) 控制器，人腦的分析綜合活動以及通過思維活動對各個協調工作的控制功能，根據存貯器內的程序，控制計算機的各個部分協調工作。它是電腦的神經中樞。 (5)輸出設備，模擬人腦的思維結果和對外界刺激的反映，把計算的結果報告給操作人員或與外部設備聯系，指揮別的機器動作。
以上五部分組成的電腦是電子模擬計算機的基本部分，稱為硬體。只有硬體還不能有效地模擬和代替人腦的某些功能，還必須有相應的軟體或軟設備。所謂軟體就是一套又一套事先編好的程序系統。
人工智慧的產生是人類科學技術進步的結果，是機器進化的結果。人類的發展史是人們利用各種生產工具有目的地改造第一自然( 自然造成的環境，如江河湖海、山脈森林等) ，創造第二自然( 即人化自然，如人造房屋、車輛機器等) 的歷史。人類為了解決生理機能與勞動對象之間的矛盾，生產更多的財富，就要使其生產工具不斷向前發展。人工智慧，是隨著科學技術的發展，在人們創造了各種復雜的機器設備，大大延伸了自己的手腳功能之後，為了解決迫切要延伸思維器官和放大智力功能的要求而產生和發展起來的。
從哲學上看，物質世界不僅在本原上是統一的，而且在規律上也是相通的。不論是機器、動物和人，都存在著共同的信息與控制規律，都是信息轉換系統，其活動都表現為一定信息輸入與信息輸出。人們認識世界與在實踐中獲取和處理信息的過程相聯系，改造世界與依據已有的信息對外界對象進行控制的過程相聯系。總之，一切系統都能通過信息交換與反饋進行自我調節，以抵抗干擾和保持自身的穩定。因此，可以由電子計算機運用信息與控制原理來模擬人的某些智能活動。
從其它科學上來說，控制論與資訊理論就是運用系統方法，從功能上揭示了機器、動物、人等不同系統所具有的共同規律。以此把實際的描述形式化，即為現象和行為建立一個數學模型；把求解問題的方式機械化，即根據數學模型，制定某種演算法和規則，以便機械地執行；把解決問題的過程自動化，即用符號語言把演算法和規則編成程序，交給知識智能機器執行某種任務，使電子計算機模擬人的某些思維活動。所以，控制論、資訊理論是"智能模擬"的科學依據，「智能模擬」是控制論、資訊理論在實踐中的最重要的實踐結果。
人工智慧是人類智能的必要補充，但是人工智慧與人類智能仍存在著本質的區別：
1 、人工智慧是機械的物理過程，不是生物過程。它不具備世界觀、人生觀、情感、意志、興趣、愛好等心理活動所構成的主觀世界。而人類智能則是在人腦生理活動基礎上產生的心理活動，使人形成一個主觀世界。因此，電腦與人腦雖然在信息的輸入和輸出的行為和功能上有共同之處，但在這方面兩者的差別是十分明顯的。從信息的輸入看，同一件事，對於兩個智能機具有相同的信息量，而對於兩個不同的人從中獲取的信息量卻大不相同。「行家看門道，外行看熱鬧」就是這個道理。從信息的輸出方面看，兩台機器輸出的同一信息，其信息量相等。而同一句話，對於飽於風霜的老人和天真幼稚的兒童，所說的意義卻大不相同。
2 、人工智慧在解決問題時，不會意識到這是什麼問題，它有什麼意義，會帶來什麼後果。電腦沒有自覺性，是靠人的操作完成其機械的運行機能；而人腦智能，人的意識都有目的性，可控性，人腦的思維活動是自覺的，能動的。
3 、電腦必須接受人腦的指令，按預定的程序進行工作。它不能輸出末經輸入的任何東西。所謂結論，只不過是輸入程序和輸入數據的邏輯結果。它不能自主地提出問題，創造性地解決問題，在遇到沒有列入程序的「意外」情況時，就束手無策或中斷工作。人工智慧沒有創造性。而人腦功能則能在反映規律的基礎上，提出新概念，作出新判斷，創造新表象，具有豐富的想像力和創造性。
4 、人工機器沒有社會性。作為社會存在物的人，其腦功能是適應社會生活的需要而產生和發展的。人們的社會需要遠遠超出了直接生理需要的有限目的，是由社會的物質文明與精神文明的發展程序所決定的。因此，作為人腦功能的思維能力，是通過社會的教育和訓練，通過對歷史上積累下來的文化的吸收逐漸形成的。人的內心世界所以豐富多采，是由於人的社會聯系是豐富的和多方面的，人類智能具有社會性。所以要把人腦功能全面模擬下來，就需要再現人的思想發展的整個歷史邏輯。這是無論多麼「聰明」的電腦都做不到的。隨著科學技術的發展，思維模擬范圍的不斷擴大，電腦在功能上會不斷向人腦接近。但從本質上看，它們之間只能是一條漸近線，它們之間的界限是不會清除的。模擬是近似而不能是等同。
人工智慧與人腦在功能上是局部超過，整體上不及。由於人工智慧是由人造機器而產生的，因此，人工智慧永遠也不會趕上和超過人類智能。所謂「機器人將超過人奴役人」、「人將成為計算機思想家的玩物或害蟲，…… 保存在將來的動物園」的「預言」是不能成立的。因為，它抹煞了人與機器的本質差別與根本界限。
人工智慧充實和演化了辯證唯物主義的意識論。它進一步表明了意識是人腦的機能，物質的屬性。電腦對人腦的功能的模擬，表明了意識並不是神秘的不可捉摸的東西，不是游離於肉體內外脫離人腦的靈魂，也不是人腦分泌出來的特殊物質形態，而是人腦的機能屬性。這就進一步證明了意識本質的原理。
人工智慧的出現深化了意識對物質的反作用的原理。人工智慧是人類意識自我認識的產物。電腦的出現，意昧著人類意識已能部分地從人腦中分化出來，物化為物質的機械運動。這不僅延長了意識的器官，也說明意識能反過來創造"人腦"。這是意識對人腦的巨大的反作用。從意識與人腦的相互關系中進一步深化了意識對物質形態進步的反作用，意識作為最高的物質屬性對於物質運動發展的反作用。
人工智慧引起了意識結構的變化，擴大了意識論的研究領域。電腦作為一種新形態的機器而進入了意識器官的行列。它不僅能完成人腦的一部分意識活動，而且在某種功能上還優於人腦。如人腦處理信息和採取行動的速度不如電腦，記憶和動作的准確性不如電腦。因此，在現代科學認識活動中，沒有人工智慧，就不會有人類認識能力的突破性發展和認識范圍的不斷擴大。電腦不僅依賴於人，人也依賴於電腦。這就使得在意識論結構上增加了對人工智慧的探討以及對人機互補的關系的探討。同時思維模擬，也把思維形式在思維中的作用問題突出出來，為意識論的研究提出了一個重要課題。

『柒』 人工智慧實驗最不尋常的結果是什麼

有一篇帖子，用戶提供幾行文本作為評論，人工智慧會處理它，並根據輸入返回一篇完整的文章或文章。

這里有一個例子:「現在是2025年，人工智慧已經統治了整個世界。人們現在使用大腦介面將自己與人工智慧整合在一起;人和機器是一體的。既然人類是不朽的，一個新的問題就出現了:無聊。如果人類能夠長生不老，並且能夠控制我們周圍的世界，我們該如何娛樂呢?」

這是一個很難回答的問題。你不必對發生的一切感到厭倦。要真正思考這個問題，你需要有一個願景，什麼是真正重要的，我們可能擅長什麼。這來自於一個非常具體的角度:我們不必對與我們相關的事情感到無聊，或者我們可能不擅長它。當我們無聊的時候，我們也可以很開心。但我們仍然從中得到樂趣。」

『捌』 急求人工智慧課程結課報告！！

人工智慧課程報告
摘要：自上世紀五十年代以來，經過了幾個階段的不斷探索和發展，人工智慧在模式識別、知識工程、機器人等領域已經取得重大成就，但是離真正意義上的的人類智能還相差甚遠。但是進入新世紀以來，隨著信息技術的快速進步，與人工智慧相關的技術水平也得到了相應的提高。尤其是隨著網際網路的普及和應用，對人工智慧的需求，變得越來越迫切，也給人工智慧的研究提供了新的更加廣泛的舞台。本文強調在當今的網路時代，作為信息技術的先導，人工智慧學習在人工智慧科學領域中是一個著非常值得關注的研究方向，要在學科交叉研究中實現人工智慧學習的發展與創新，就要關注認知科學、腦科學、生物智能、物理學、復雜網路、計算機科學與人工智慧之間的交叉滲透點，尤其是重視認知物理學的研究。自然語言是人類思維活動的載體，是人工智慧學習研究知識表示無法迴避的直接對象，要對語言中的概念建立起能夠定量表示的不確定性轉換模型，發展不確定性人工智慧；要利用現實生活中復雜網路的小世界模型和無尺度特性，把網路拓撲作為知識表示的一種新方法，研究網路拓撲的演化與網路動力學行為，研究網路化了的智能，從而適應信息時代數據挖掘的普遍要求，迎接人工智慧學習與應用領域新的輝煌。
概述
自20世紀90年代以來，隨著全球化的形式與國際競爭的日益激烈，對人工智慧技術的研究與應用變的越來越被人們關注，且人工智慧在製造中的運用以成為實現製造的知識化、自動化、柔性化以實現對市場的快速響應的關鍵。
人工智慧是一門研究人類智能的機理以及如何用機器模擬人的智能的學科。從後一種意義上講，人工智慧又被稱為「機器智能」或「智能模擬」。人工智慧是在現代電子計算機出現之後才發展起來的，它一方面成為人類智能的延長，另一方面又為探討人類智能機理提供了新的理論和研究方法。
學習機制的研究是人工智慧研究的一項核心課題。它是智能系統具有適應性與性能自完善功能的基礎。學習過程具有以下特點：學習行為一般具有明顯的目的性，其結果是獲取知識；學習系統中結構的變化是定向的，要麼由學習演算法決定，要麼由環境決定；學習系統是構造智能系統的中心骨架，它是全面組織與保存系統知識的場所。因此，人工智慧學習研究的一個主要目的是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但是，不同的時代、不同的人對這種「復雜工作」的理解是不同的。
一.人工智慧學習的歷史性基礎和發展步伐
人工智慧學習的發展歷史是和計算機科學與技術的發展史聯系在一起的。除了計算機科學以外，人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。
一般認為，人工智慧的思想萌芽可以追溯到德國著名數學家和哲學家萊布尼茨(Leibnitz，1646-1716)提出的"通用語言"設想。這一設想的要點是：建立一種通用的符號語言，用這個語言中的符號表達「思想內容」，用符號之間的形式關系表達「思想內容」之間的邏輯關系。於是，在「通用語言」中可以實現「思維的機械化」這一設想可以看成是對人工智慧的最早描述。
計算機科學的創始人圖靈被認為是「人工智慧之父」，他著重研究了一台計算機應滿足怎樣的條件才能稱為是「有智能的」。1950年他提出了著名的「圖靈實驗」：讓一個人和一台計算機分別處於兩個房間里，與外界的聯系僅僅通過鍵盤和列印機。由人類裁判員向房間里的人和計算機提問，並通過人和計算機的回答來判斷哪個房間里是人、哪個房間里是計算機。圖靈認為，如果「中等程度」的裁判員不能正確地區分，則這樣的計算機可以稱為是有智能的。「圖靈實驗」是關於智能標準的一個明確定義。有趣的是，盡管後來有些計算機已經通過了圖靈實驗，但人們並不承認這些計算機是有智能的。這反映出人們對智能標準的認識更深入、對人工智慧的要求更高了。
圖靈和馮·諾依曼的上述工作，以及麥克考洛和匹茨對神經元網的數學模型的研究，構成了人工智慧的初創階段，這其實也是人工智慧學習的開始。
人工智慧早期研究給人的深刻印象是博羿，與自動定理證明的研究意義不限於數學一樣，搜索的研究意義也不限於博弈。根據認知心理學的信息處理學派的觀點，人類思維過程的很大一部分可以抽象為從問題的初始狀態經中間狀態到達終止狀態的過程，因此可以轉化為一個搜索問題，由機器自動地完成。例如「規劃」問題。設想一台機器人被要求完成一項復雜任務，該任務包含很多不同的子任務，其中某些子任務只有在另一些子任務完成之後才能進行。這時，機器人需要事先「設想」一個可行的行動方案，使得依照該方案採取行動可以順利完成任務。「規劃」即找出一個可行的行動案，可以通過以其子任務為狀態、以其子任務間依賴關系為直接後繼關系的狀態空間中的搜索來實現。
人工智慧的早期研究還包括自然語言理解、計算機視覺和機器人等等。通過大量研究發現，僅僅依靠自動推理的搜索等通用問題求解手段是遠遠不夠的。Newell和Simon等人的認知心理學研究表明，各個領域的專家之所以在其專業領域內表現出非凡的能力，主要是因為專家擁有豐富的專門知識(領域知識和經驗)。70年代中期，Feigenbaum提出知識工程概念，標志著人工智慧進入第二個發展時期。知識工程強調知識在問題求解中的作用；相應地，研究內容也劃分為三個方面：知識獲取，知識表示和知識利用。知識獲取研究怎樣有效地獲得專家知識；知識表示研究怎樣將專家知識表示成在計算機內易於存儲、易於使用的形式；知識利用研究怎樣利用已得到恰當表示的專家知識去解決具體領域內的問題。知識工程的主要技術手段是在早期成果的基礎上發展起來的，特別是知識利用，主要依靠自動推理和搜索的技術成果。在知識表示方面，除使用早期工作中出現的邏輯表示法和過程表示法之外，還發展了在聯想記憶和自然語言理解研究中提出的語義網表示法，進而引入了框架表示法，概念依賴和腳本表示法以及產生式表示法等等各種不同方法。與早期研究不同，知識工程強調實際應用。主要的應用成果是各種專家系統。專家系統的核心部件包括：
(a)表達包括專家知識和其他知識的知識庫。
(b)利用知識解決問題的推理機。
大型專家系統的開發周期往往長達10餘年，其主要原因在於知識獲取。領域專家雖然能夠很好地解決問題，卻往往說不清自己是怎麼解決的，使用了哪些知識。這使得負責收集專家知識的知識工程師很難有效地完成知識獲取任務。這種狀況極大的激發了自動知識獲取----機器學習研究的深入發展。已經得到較多研究的機器學習方法包括：歸納學習、類比學習、解釋學習、強化學習和進化學習等等。機器學習的研究目標是：讓機器從自己或「別人」的問題求解經驗中獲取相關的知識和技能，從而提高解決問題的能力。
80年代以來，隨著計算機網路的普及，特別是Internet的出現，各種計算機技術包括人工智慧技術的廣泛應用推動著人機關系的重大變化。據日美等國未來學家的預測，人機關系正在迅速地從「以人為紐帶」的傳統模式向「以機為紐帶」的新模式轉變人機關系的這一轉變將引起社會生產方式和生活方式的巨大變化，同時也向人工智慧乃至整個信息技術提出了新的課題。這促使人工智慧進入第三個發展時期。
在這個新的發展時期中，人工智慧面臨一系列新的應用需求。
首先是需要提供強有力的技術手段，以支持分布式協同工作方式，現代生產是一種社會化大生產，來自不同專業的工作者在不同或相同的時間、地點從事著同一任務的不同子任務。這要求計算機不僅為每一項子任務提供輔助和支持，更需要為子任務之間的協調提供輔助和支持。由於各個子任務在很大程度上可以獨立地進行，子任務之間的關系必然呈現出動態變化和難以預測的特點。於是，子任務之間的協調（即對分布協同工作的支持）向人工智慧乃至整個信息技術以及基礎理論提出了巨大的挑戰。
其次，網路化推進了信息化，使原本分散孤立的資料庫形成一個互連的整體，即一個共同的信息空間。盡管現有的瀏覽器和搜索引擎為用戶在網上查找信息提供了必要的幫助，這種幫助是遠遠不夠的，以至於「信息過載」與「信息迷失」狀況日益嚴重。更強大的智能型信息服務工具已成為廣大用戶的迫切需要。另一方面，信息空間對人類的價值不僅在於單獨的信息條目（比如某廠家生產出了某一新產品的信息），還遠在於一大類信息中隱藏著的普遍性知識（比如某個行業供求關系的變化趨勢）。於是，數據中的知識發現也成為一項迫切的研究課題。機器人始終是現代工業的迫切需求。隨著機器人技術的發展，研究重點已經轉向能在動態、不可預測環境中獨立工作的自主機器人，以及能與其他機器人（包括人）協作的機器人。顯然，這種機器人之間的合作可以看成是物理世界中的分布式協同工作，因而包括相同的理論和技術問題。
由此可見，人工智慧第三發展時期的突出特點是研究能夠在動態、不可預測環境中自主、協調工作的計算機系統，這種系統被稱為Agent 。目前，正圍繞著Agent的理論、Agent的體系結構和Agent語言三個方面展開研究，並已產生一系列重要的新思想、新理論、新方法和新技術。在這一研究中，人工智慧呈現一種與軟體工程、分布式計算以及通訊技術相互融合的趨勢。Agent研究的應用不限於生產和工作，還深入到人們的學習和娛樂等各個方面。例如，Agent與虛擬現實相結合而產生的虛擬訓練系統，可以使學生在不實際操縱飛機的情況下學飛行的基本技能；類似地，也可使顧客「享受」實戰的「滋味」。
我國也先後成立中國人工智慧學會、中國計算機學會人工智慧和模式識別專業委員會和中國自動化學會模式識別與機器智能專業委員會等學術團體，開展這方面的學術交流。此外國家還著手興建了若干個與人工智慧研究有關的國家重點實驗室，這些都將促進我國人工智慧的研究，為這一學科的發展作出貢獻。
綜觀人工智慧學習的發展歷程，可以看出它始終遵循的基本思路。首先是強調人類智能的人工實現而不是單純的模擬，以便盡可能地為人類的實際需要服務。其次是強調多學科的交叉結合，數學、信息科學、生物學、心理學、生理學、生態學以及非線性科學等等越來越多的新生學科被融入到人工智慧學習的研究之中。
二.人工智慧學習的主要技術及其發展趨勢
目前人工智慧學習研究的3個熱點是：智能介面、數據挖掘、主體及多主體系統。
智能介面技術是研究如何使人們能夠方便自然地與計算機交流。為了實現這一目標，要求計算機能夠看懂文字、聽懂語言、說話表達，甚至能夠進行不同語言之間的翻譯，而這些功能的實現又依賴於知識表示方法的研究。因此，智能介面技術的研究既有巨大的應用價值，又有基礎的理論意義。目前，智能介面技術已經取得了顯著成果，文字識別、語音識別、語音合成、圖像識別、機器翻譯以及自然語言理解等技術已經開始實用化。
數據挖掘就是從大量的、不完全的、有雜訊的、模糊的、隨機的實際應用數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數據挖掘和知識發現的研究目前已經形成了三根強大的技術支柱：資料庫、人工智慧和數理統計。主要研究內容包括基礎理論、發現演算法、數據倉庫、可視化技術、定性定量互換模型、知識表示方法、發現知識的維護和再利用、半結構化和非結構化數據中的知識發現以及網上數據挖掘等。
主體是具有信念、願望、意圖、能力、選擇和承諾等心智狀態的實體，比對象的粒度更大，智能性更高，而且具有一定自主性。主體試圖自治地、獨立地完成任務，而且可以和環境交互，與其他主體通信，通過規劃達到目標。多主體系統主要研究在邏輯上或物理上分離的多個主體之間進行協調智能行為，最終實現問題求解。目前對主體和多主體系統的研究主要集中在主體和多主體理論、主體的體系結構和組織、主體語言、主體之間的協作和協調、通信和交互技術、多主體學習以及多主體系統應用等方面。
新一代的智能技術是指80年代以來迅速發展起來的以神經網路（ANN）、進化計算、模糊邏輯、Agent為主要代表的計算只能技術，其中主要具有學習進化與自組織的能力。
神經網路也就是模擬人腦中神經元的功能，希望通過模擬人腦最基本的單位神經元功能來模擬人腦的功能。它通過一定的範例訓練構成的神經網路，就象教一個小孩子一樣，在訓練結束後，這個神經網路就可以完成特定的功能了。它是通過範例的學習，修改了知識庫和推理機的結構，達到實現人工智慧的目的。
最後還有一個應用領域，就是模型識別，我想它應該在知識挖掘中應用不小，因為現在工程中的獲得的數據越來越多，要想人為地從這些數據中確定某一規律都不容易，更不要說在這些數據中發現新規律了，因此有必要進行數據挖掘，它的應用對於決策支持系統將有著巨大的意義。
人可以思考，人工智慧也需要思考，這就是推理；人可以學習，人工智慧也就需要學習；人可以擁有知識，那麼人工智慧也就需要擁有知識。
人工智慧是為了模擬人類大腦的活動的，人類已經可以用許多新技術新材料代替人體的許多功能，只要模擬了人的大腦，人就可以完成人工生命的研究工作，人創造自己，這不但在科學上，而且在哲學上都具有劃時代的意義。
學習是指系統適應環境而產生的適應性變化，它使得系統在完成類似任務時更加有效。80年代以來，ANN的學習機制再次得到人們的重視，基於連接機制的亞符號學習又一次成為的當今學習機制研究的熱點，提出了競爭學習，進化學習、加強學習等各種新的學習機制。
機械式學習。它的另一個名稱死記式學習能夠直接體現它的特點，這是一種最簡單的，最原始的學習方法，也是機器的強項，人的弱項。
指導式學習。這種學習方式是由外部環境向系統提供一般性的指示或建議，系統把它們具體地轉化為細節知識並送入知識庫中，在學習過程中要對反復對知識進行評價，使其不斷完善。
歸納學習。我們看到，機器所善長的不是歸納，而是演繹，它適用於從特殊到一般，而不太適應從一般到特殊，從特殊到一般的歸納是人類所特有的，是智慧的標志。具體的歸納學習方法有許多，但它們的本質就是讓計算機學會從一般中得出規律。
類比學習。類比也就是通過對相似事物進行比較所進行的一種學習。它的基礎是類比推理，也就是把新事物和記憶中的老事物進行比較，如果發現它們之間有些屬性是相同的，那麼可以（假定地）推斷出它們的另外一些屬性也是相同的。
基於解釋的學習。這是近年來興起的一種新的學習方法。它不是通過歸納或類比進行學習，而是通過運用相關的領域知識及一個訓練實例來對某一目標概念進行學習，並最終生成這個目標概念的一般描述，這個一般描述是一個可形式化表示的一般性知識。
增強式學習（ReinforcementLearning）是一種基於行為方法的半監督學習。一般的學習方法分兩類，一類是上文提到的基於模型的，在這種方法，智能體需要環境確切的模型，具有較高的智能，但不適合於不確定的動態環境；另一種是基於行為的方法，在這種方法中，不需要環境的確切模型，採用分層結構，高層行為可以調整和抑制低層的行為能力，但每層中都具有其自主的確定權，如[3]中的Holonic智能製造系統。增強式具有這些優點，故常用於機器人足球賽[4]、狩獵問題、甚至戰爭指揮中[5]，但是這些都只是理論上的研究，因為機器人足球賽的本身目的也是為了測試人工智慧的可用性，且更不可能去讓戰爭去由電腦而不是人去指揮了。
使用強化學習的Agent最早是出現與遺傳演算法中，使用「Ethogenetics（行為遺傳）」的思想，突破了人們長期以來關於一個編碼串對應於組合優化問題所有策略變數的一個組合方式的傳統、靜態的認識，而將一個編碼串看成某個智能主體(Agent)主動進行的一系列決策行為的結果。
人工智慧學習可能會向以下幾個方面發展：模糊處理、並行化、神經網路和機器情感。目前，人工智慧的推理功能已獲突破，學習及聯想功能正在研究之中，下一步就是模仿人類右腦的模糊處理功能和整個大腦的並行化處理功能。人工神經網路是未來人工智慧應用的新領域，未來智能計算機的構成，可能就是作為主機的馮·諾依曼機與作為智能外圍的人工神經網路的結合。研究表明：情感是智能的一部分，而不是與智能相分離的，因此人工智慧領域的下一個突破可能在於賦予計算機情感能力。情感能力對於計算機與人的自然交往至關重要。
通過以上的學習方法就是為了得到知識，通過一種方便的方法得到知識。前面已經說過了，因為機器的思考方式和人類的思考方式大有不同之處，因此讓機器通過自己學習生成自己便於理解和使用的知識，也不失為機器學習的目標之一。
人工智慧一直處於計算機技術的前沿，人工智慧研究的理論和發現在很大程度上將決定計算機技術的發展方向。
由於計算機晶元的微型化已接近極限。人們越來越寄希望於全新的計算機技術能夠帶動人工智慧的發展。目前至少有三種技術有可能引發全新的革命，它們是光子計算機、量子計算機和生物計算機。
結束語
許多科學家斷言，機器的智慧會迅速超過阿爾伯特·愛因斯坦和斯蒂芬·霍金的智慧之和。著名物理學家斯蒂芬·霍金認為，就像人類可以憑借其高超的搗弄數字的能力來設計計算機一樣，智能機器將創造出性能更好的計算機。最遲到本世紀中葉而且很可能還要快得多，計算機的智能也許就會超出人類的智能。
本文對學習中的一些方法進行基本的敘述並闡述了其發展的趨勢，但是在一般的學習中，使用基於行為的方法仍舊是最受人關注的；文中介紹了幾種強化學習方法的變形，並對他們的運用進行了一定的敘述。在一定程度上，他們實現模擬的可行行。但是這些模擬大多都是驗證性的，真正的人工智慧在實際生產中的運用仍舊是一個需要研究的課題。最後，我們來總結一下，人工智慧學習的各個研究領域。參照人在各種活動中的功能，我們可以得到人工智慧的領域也不過就是代替人的活動而已。哪個領域有人進行的智力活動，哪個領域就是人工智慧學習研究的領域。人工智慧學習就是為了應用機器的長處來幫助人類進行智力活動。人工智慧學習研究的目的就是要模擬人類神經系統的功能。
但隨著技術及技術的發展，人工智慧學習的方法還會有所變化也更加會引起我們的關注。
參考文獻
[1] 《人工智慧簡史》孫興清華大學出版社， 1990年
[2] 蔡自興徐光佑《人工智慧及其應用》清華大學出版社 2002年1月
[3] 陳萬求;黃一;;NBIC會聚技術的「後人類」議題[J];湖南師范大學社會科學學報;2013年04期
[4] 王東浩;;道德機器人:人類責任存在與缺失之間的矛盾[J];理論月刊;2013年11期
[5] 機器學習理論為什麼實現不了強人工智慧
[6] 王東浩;;人工智慧體的道德確立與倫理困境[J];華南農業大學學報(社會科學版);2014年01期
[7] 熊力;媒介道德激勵功能及其實踐研究[D];湖南大學;2013年
[8] 孫志楠;;人工智慧在電氣自動化控制中的應用[J];現代商貿工業;2013年07期
[9] 宋翠萍;;淺析智能化技術在電氣工程自動化中的應用[J];電源技術應用;2013年06期
[10] 胡琴;;電氣自動檢測技術的現狀與發展[J];矽谷;2013年11期
[11] 劉惠彥;;電氣自動化工程式控制制系統的現狀及其發展趨勢[J];科技創新與應用;2013年18期
[12] 朱金芳;;人工智慧在電氣工程自動化中的運用[J];化學工程與裝備;2013年05期
[13] 潘偉航;;淺析電氣自動化在日常生活中的作用和未來發展趨勢[J];科技創新與應用;2013年12期
[14] 虞崢;;淺談人工智慧技術在電氣自動化中的運用[J];電子製作;2013年05期
[15] 趙綱;劉剛;;有關電氣控制線路設計的研究[J];電子製作;2013年02期
[16] 李俊平;人工智慧技術的倫理問題及其對策研究[D];武漢理工大學;2013年
[17] 趙艷軍;錳粉制備輸送控制系統設計與研究[D];蘭州理工大學;2012年

『玖』 人工智慧的研究現狀和未來熱點

人工智慧行業主要上市公司：目前國內人工智慧行業的上市公司主要有網路網路(BAIDU)、騰訊(TCTZF)、阿里巴巴(BABA)、科大訊飛(002230)等。

本文核心數據：人工智慧技術層重點分類,計算機視覺發展歷程,計算機視覺市場規模,語音識別發展歷程,語音識別市場規模

1、 機器視覺和語音識別是主要市場

技術層是基於基礎理論和數據之上，面向細分應用開發的技術。中游技術類企業具有技術生態圈、資金和人才三重壁壘，是人工智慧產業的核心。相比較絕大多數上游和下游企業聚焦某一細分領域、技術層向產業鏈上下游擴展較為容易。

該層麵包括演算法理論(機器學習)、平台框架和應用技術(計算機視覺、語音識別、自然語言處理)。眾多國際科技巨頭和獨角獸均在該層級開展廣泛布局。近年來，我國技術層圍統垂直領城重點研發，在計算機視覺、語音識別等領城技術成熟，國內頭部企業脫穎而出，競爭優勢明顯。

以上數據參考前瞻產業研究院《中國人工智慧行業市場前瞻與投資戰略規劃分析報告》。

『拾』 求一個關於人工智慧的小實驗

人工智慧第二次實驗報告

1．實驗題目：

遺傳演算法的設計與實現

2．實驗目的：

通過人工智慧課程的學習，熟悉遺傳演算法的簡單應用。

3．實驗內容

用遺傳演算法求解f (x) = x2 的最大值，x∈ [0,31]，x取整數。

可以看出該函數比較簡單，只要是為了體現遺傳演算法的思想，在問題選擇上，選了一個比較容易實現的，把主要精力放在遺傳演算法的實現，以及核心思想體會上。

4. 實驗過程：

1. 實現過程

（1）編碼
使用二進制編碼，隨機產生一個初始種群。L 表示編碼長度，通常由對問題的求解精度決定，編碼長度L 越長，可期望的最優解的精度也就越高，過大的L 會增大運算量。針對該問題進行了簡化，因為題設中x∈ [0,31]，所以將二進制長度定為5就夠用了；

（2）生成初始群體
種群規模表示每一代種群中所含個體數目。隨機產生N個初始串結構數據，每個串結構數據成為一個個體，N個個體組成一個初始群體，N表示種群規模的大小。當N取值較小時，可提高遺傳演算法的運算速度，但卻降低種群的多樣性，容易引起遺傳演算法早熟，出現假收斂；而N當取值較大時，又會使得遺傳演算法效率降低。一般建議的取值范圍是20—100。
（3）適應度檢測
根據實際標准計算個體的適應度，評判個體的優劣，即該個體所代表的可行解的優劣。本例中適應度即為所求的目標函數；

（4）選擇
從當前群體中選擇優良（適應度高的）個體，使它們有機會被選中進入下一次迭代過程，舍棄適應度低的個體。本例中採用輪盤賭的選擇方法，即個體被選擇的幾率與其適應度值大小成正比；

（5）交叉
遺傳操作，根據設置的交叉概率對交配池中個體進行基因交叉操作，形成新一代的種群，新一代中間個體的信息來自父輩個體，體現了信息交換的原則。交叉概率控制著交叉操作的頻率，由於交叉操作是遺傳演算法中產生新個體的主要方法，所以交叉概率通常應取較大值；但若過大的話，又可能破壞群體的優良模式。一般取0.4到0.99。

（6）變異
隨機選擇中間群體中的某個個體，以變異概率大小改變個體某位基因的值。變異為產生新個體提供了機會。變異概率也是影響新個體產生的一個因素，變異概率小，產生新個體少；變異概率太大，又會使遺傳演算法變成隨機搜索。一般取變異概率為0.0001—0.1。

（7）結束條件
當得到的解大於等於900時，結束。從而觀看遺傳的效率問題