關(guān)于人工智能的畢業(yè)論文(2)
關(guān)于人工智能的畢業(yè)論文
關(guān)于人工智能的畢業(yè)論文篇二
機制主義方法與人工智能統(tǒng)一理論
摘 要：本文報導(dǎo)人工智能研究的一項重要進展：由于發(fā)現(xiàn)了人工智能研究的“機制主義”模擬方法和“知識的生態(tài)學結(jié)構(gòu)”，使原來“鼎足三分”的三個主流學說(結(jié)構(gòu)模擬、功能模擬和行為模擬學說)在“機制主義方法”的基礎(chǔ)上實現(xiàn)了和諧的統(tǒng)一，形成了統(tǒng)一理論。?
關(guān)鍵詞：結(jié)構(gòu)模擬; 功能模擬; 機制主義方法;人工智能統(tǒng)一理論?
一、引言：人工智能成為信息科學技術(shù)的焦點??
信息是事物存在方式和運動狀態(tài)的表象;知識是由信息提煉出來的產(chǎn)物，是事物存在方式和運動規(guī)律的本質(zhì)表征;智能是知識合目的演繹的結(jié)果，是運用知識來認識問題和解決問題的能力。信息科學技術(shù)的研究目標不僅是為了認識和利用信息本身，更重要的是為了“利用信息，提煉知識，生成智能，解決問題”。后者，就是“人工智能”的研究。?
人，是地球上所存在的最高級信息系統(tǒng)。人體信息系統(tǒng)的進化表現(xiàn)了一個重要的科學規(guī)律：在感覺器官、神經(jīng)系統(tǒng)、古皮層舊皮層、行動器官成熟之后，新皮層就成為整體發(fā)展的焦點。信息技術(shù)的發(fā)展也遵循同樣的規(guī)律：在傳感(感覺器官功能的擴展)、通信(傳導(dǎo)神經(jīng)系統(tǒng)功能的擴展)、計算(古皮層舊皮層功能的擴展)、控制(行動器官功能的擴展)充分發(fā)展起來之后，人工智能(新皮層功能的擴展)就成為信息技術(shù)整體發(fā)展的?焦點。?
進入21世紀，傳感、通信、計算、控制、以及基于通信和計算的互聯(lián)網(wǎng)都獲得了長足的發(fā)展，智能傳感、智能通信、智能計算、智能控制、智能信息處理、智能機器人、智能信息安全、智能游戲等等已經(jīng)成為備受關(guān)注的方向;因而它們的共同基礎(chǔ)?人工智能本身的發(fā)展客觀上就成為了當代信息技術(shù)發(fā)展的焦點。
??二、人工智能研究現(xiàn)狀簡述??
迄今，人工智能的研究形成了三種主流學說。
?(一)1943年以來形成的模擬人腦結(jié)構(gòu)的“結(jié)構(gòu)模擬學說”[1][5]，它的典型代表是人工神經(jīng)網(wǎng)絡(luò)(后來與模糊邏輯及進化計算相結(jié)合，稱為計算智能)，它的特點是：通過對“信息樣本的訓(xùn)練”獲得經(jīng)驗知識和策略，用以解決形象思維一類智能問題。
?(二)1956年以來興起的模擬人腦邏輯思維功能的“功能模擬學說”[6][10]，典型代表是符號邏輯系統(tǒng)(如專家系統(tǒng))，它的特點是：通過獲取領(lǐng)域相關(guān)的規(guī)范知識和運用邏輯演繹的方法獲得求解問題的策略，求解邏輯思維一類智能問題。
?(三)1990年前后發(fā)展起來的模擬智能系統(tǒng)行為的“行為模擬學說”[11]，它的典型代表是黑箱系統(tǒng)(如感知-動作系統(tǒng))。它的特點是：需要建立刺激與響應(yīng)之間的關(guān)系(表現(xiàn)為常識知識)，于是只要識別了刺激的類型，與之相關(guān)的響應(yīng)就可以自動產(chǎn)生。
?目前的人工智能的研究還存在許多問題。主要問題之一是，在“三種學說”各自取得進展的同時，卻很少互相溝通。不僅如此，互相之間還存有“孰優(yōu)孰劣”的爭論，有時爭論還非常尖銳和激烈[12]，表現(xiàn)出三者之間的不和諧，形成“鼎足三分”的格局。
?這種“鼎足三分互不溝通”的狀況，不能不使人們深思，并且逐漸醒悟：看來，現(xiàn)有人工智能的各種研究方法還沒有真正抓住智能問題的本質(zhì)，致使“三分”狀態(tài)未能實現(xiàn)“歸壹”;為此，當務(wù)之急就是要加緊研究和發(fā)現(xiàn)更加深刻更加科學的研究方法。
??三、新進展之一：人工智能的第四方法——機制主義方法??
智能是一種復(fù)雜的研究對象。智能系統(tǒng)的結(jié)構(gòu)、功能、行為雖然都是窺探其中奧秘的重要觀察窗口，卻不是最根本的入口。?
本文的研究發(fā)現(xiàn)：探索智能奧秘的最具本質(zhì)意義的途徑，應(yīng)當是探尋和闡明“智能生成的機制”，回答“智能是怎樣生成的”這樣根本的問題，特別要把注意力放在“智能生成的共性核心機制”的問題上。這就是人工智能研究的第四種方法的基本理念。?
按照這個新的理念，我們分析了典型的智能活動過程，考察了隱藏其中的普遍規(guī)律。?
典型的智能活動過程?
無論何種場合，典型的智能活動過程一般都應(yīng)當包含以下6個基本步驟：?
(1) 給定問題P、目標G和環(huán)境E，稱為“任務(wù)給定”?
(2) 獲得關(guān)于問題、目標、環(huán)境的信息，稱為 “信息獲取”，符號表示為：I (P, G, E)?
(3) 把這些信息加工成為相應(yīng)的知識，稱為 “知識提煉”，符號表示為：ζ= f (I)?
(4) 在目標的引導(dǎo)下把知識和信息演繹成為解決問題的策略，稱為 “策略生成”，?
符號表示為：ξ= g (K, I, D)?
(5) 把策略轉(zhuǎn)換為行為，求解問題，稱為 “策略執(zhí)行”，?
(6) 把求解的效果(誤差)作為新的信息反饋至(2)，通過(2)至(5)的步驟調(diào)整
和優(yōu)化策略，稱為“反饋優(yōu)化”;逐次逼近，直至滿意。?
智能活動過程的普遍規(guī)律?鐘義信:機制主義方法與人工智能統(tǒng)一理論考察上述典型的智能活動過程不難發(fā)現(xiàn)：通常，(1)是由人給定的，(2)至(6)則可以由機器執(zhí)行;而機器執(zhí)行的這些步驟之中，(2)至(4)信息獲取、知識提煉、策略生成 -- 是核心步驟?？紤]到“策略”是智能的集中體現(xiàn)，所以，策略生成也可以成為智能生成。于是，這些核心步驟也可以表示為：信息獲取、知識提煉、智能生成。而且，信息獲取、知識提煉、智能生成是逐層遞進的過程，由此可以得出結(jié)論：智能生成的共性核心機制是“信息-知識-智能轉(zhuǎn)換”。符號表示為：?
ξ= g (ζ, I, G) (1)?
其中， ζ= f (I (P, G, E)) (2)?
公式(2)表示的是由信息到知識的轉(zhuǎn)換;公式(1)表示的是在目標制導(dǎo)下由信息和知識到智能的轉(zhuǎn)換;兩者的綜合表示了“信息-知識-智能”的轉(zhuǎn)換。關(guān)于公式中的轉(zhuǎn)換g和f，原則上可以認為：f 是一類由大量信
息樣本提煉共性知識的“歸納算法”，而g則是在目標制導(dǎo)下由相關(guān)知識和信息演繹智能策略的“演繹算法”。因此，它們在原則上是可以操作和可以實現(xiàn)的。不過，關(guān)于g和f 還需要做出如下的說明：?
(a) 在規(guī)范的場合，轉(zhuǎn)換g和f可能由“數(shù)學”表達式來嚴格地表示并進行運算;?
(b) 在更多的場合，由于智能問題的復(fù)雜性，這些轉(zhuǎn)換不一定能夠用現(xiàn)有的數(shù)學表達
式來表示。這時，可能要借助“邏輯”來表達和推理。?
(c) 在許多更為復(fù)雜的情形，現(xiàn)有的邏輯學也無能為力。這時，可以用“算法程序”來表示和處理;?
(d) 在那些極為復(fù)雜的情形，甚至還要借助“人工”的方法來處置。?
本文確信，在各種“智能問題求解需求”強烈推動之下，各種新的“數(shù)學方法”、“邏輯方法”和“算法程序”必將陸續(xù)應(yīng)運而生。正像經(jīng)典微積分方法處理不了隨機現(xiàn)象的時候就誕生了概率論等統(tǒng)計數(shù)學方法、經(jīng)典微積分和統(tǒng)計數(shù)學方法處理不了模糊現(xiàn)象的時候就催生了模糊數(shù)學方法一樣。?
于是，以公式(1)和(2)表示的“信息-知識-智能轉(zhuǎn)換”就是“智能生成的共性核心機制”。只要給定了具體的問題、環(huán)境約束和目標，原則上就可以通過(1)和(2)的轉(zhuǎn)換來獲取信息、提煉知識、生成智能(策略)，使問題得到滿意的解決。?
?四、新進展之二：知識的生態(tài)學結(jié)構(gòu)??
如上所見，智能生成的共性核心機制涉及到信息、知識、智能三個層次的理論。在這三者之中，信息是現(xiàn)象，知識是本質(zhì)，智能是能力。信息來自現(xiàn)實世界，能力作用于現(xiàn)實世界，知識則是信息與智能之間的橋梁與中介。因此，知識在“智能生成的共性核心機制”中扮演著極其重要的作用。?
本文研究發(fā)現(xiàn)：知識并非孤立靜止的對象，相反，它是一個不斷動態(tài)生長著的復(fù)雜運動過程：在先天知識的支持下，在各種信息的激勵下，不斷生長出“欠成熟”的經(jīng)驗知識，其中一些經(jīng)驗知識會成長為“成熟”的規(guī)范知識，并進一步成長為“過成熟”的常識知識;后者的一部分又可能沉淀成為下一代的先天知識。如此不斷生長，不斷進化，成為一個“有始無終”的開放的生態(tài)過程。這就是“知識的生態(tài)學”，它的結(jié)構(gòu)也可以由圖1表示。
?如果把這個“知識生態(tài)學系統(tǒng)”看作是知識的“內(nèi)部”生長過程的規(guī)律，稱為“知識的內(nèi)生態(tài)系統(tǒng)”，那么，前面所討論的“信息-知識-智能轉(zhuǎn)換”則可以看作是知識的“外部”生長過程的規(guī)律，稱為“知識的外生態(tài)系統(tǒng)”。
??五、新進展之三：人工智能的統(tǒng)一理論??
表面看，這里所揭示的“知識內(nèi)生態(tài)系統(tǒng)”并沒有什么新奇而不可理解或不可接受的概念。然而，正是這個“知識內(nèi)生態(tài)系統(tǒng)”與“知識外生態(tài)系統(tǒng)(即智能生成的共性核心機制)”結(jié)合在一起，卻產(chǎn)生了一個非常有意義的重要結(jié)果，這就是：依所用知識類型的不同，機制主義方法有A、B、C型之分;而神經(jīng)網(wǎng)絡(luò)(結(jié)構(gòu)模擬)、專家系統(tǒng)(功能模擬)、感知-動作系統(tǒng)(行為模擬)分別是A、B、C型的機制主義方法特例，如表1所示。??
?表1說明：機制主義方法的實現(xiàn)是“信息-知識-智能轉(zhuǎn)換”;當其中的知識屬于經(jīng)驗知識的時候，機制模擬可以退化為“結(jié)構(gòu)模擬”;當其中的知識屬于規(guī)范知識的時候，機制模擬可以退化為“功能模擬”;當其中的知識屬于常識知識的時候，機制模擬可以退化為“行為模擬”。換言之，結(jié)構(gòu)模擬、功能模擬、行為模擬都是機制模擬分別在經(jīng)驗知識、規(guī)范知識、常識知識條件下的特例。而根據(jù)知識的內(nèi)生態(tài)結(jié)構(gòu)，經(jīng)驗知識可以成長為規(guī)范知識并進而可能成長為常識知識，因此，結(jié)構(gòu)模擬、功能模擬、行為模擬之間構(gòu)成了一種各司其職、相互支持和相輔相成的生態(tài)關(guān)系，而不存在先前那種“孰優(yōu)孰劣”的矛盾。?
這樣，如果令 ?表示機制模擬方法，ζ和 ξ分別表示“信息-知識-智能轉(zhuǎn)換”的知識和智能策略，令 ?(S), ?(F) 和?(B) 分別表示結(jié)構(gòu)模擬方法、功能模擬方法和行為模擬方法，令ζ(E), ζ(R) 和ζ(C) 分別表示經(jīng)驗知識、規(guī)范知識和常識知識，ξ(E), ξ(R) 和ξ(C) 表示經(jīng)驗性智能策略、規(guī)范性智能策略和常識性智能策略，那么，就分別有?
??? (S)，若 ζ= ζ(E); (3)?
和
??? (F)，若 ζ= ζ(R); (4)?
以及：
??? (B),若 ζ= ζ(C) (5)?
且有：
??? (S)? (F) ∪ (B) (6) ?
上述公式的含義和表1的含義完全等效，兩者都說明：人工智能的結(jié)構(gòu)模擬方法、功能模擬方法和行為模擬方法在機制模擬方法的框架內(nèi)實現(xiàn)了和諧的統(tǒng)一。
??六、結(jié)論??
本文注意到人工智能研究領(lǐng)域三大主流學說之間存在“互不認可”的矛盾，認識到其中的本質(zhì)的問題是研究方法不完善;于是，通過自己的深入研究提出和建立了“機制主義方法”，進而又發(fā)現(xiàn)和總結(jié)了“知識內(nèi)生態(tài)結(jié)構(gòu)”與“知識外生態(tài)結(jié)構(gòu)”。綜合以上提出的方法和兩項發(fā)現(xiàn)，建立了人工智能的統(tǒng)一理論，使整個人工智能的研究由原來“鼎足三分”的狀態(tài)轉(zhuǎn)變?yōu)?ldquo;三分歸壹”。這一研究成果，對于人工智能理論研究的進一步發(fā)展具有重要的意義。
參考文獻?
[1]W. C. McCulloch & W. Pitts. A Logic Calculus of the Ideas Immanent in Nervous Activity [J].Bulletin of Mathematical Biophysics, 1943(5): 115-133.?
[2]Rosenblatt, F.The Perceptrom: A Probabilistic Model for Information Storage and Organization in the Brain[J]. Psych. Rev.，1958(65):386-408.?
[3]Hopfield, J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities[J]. Proc. Natl. Acad. Sci., 1982(79):2554-2558.?
[4]Grossberg, S. Studies of Mind and Brain: Neural Principles of Learning Perception, Development, Cognition, and Motor Control [M]. Boston: REidel Press, 1982.?
[5]Rumelhart, D. E. Brain Style Computation: Leaning and Generalization[M]//S.F. Zornetzer. an Introduction to Neural and Electronic Networks. New York: Academic Press, 1995.?
[6]Newell, A. & Simon, H. A., GPS, A Program That Simulates Human Thought [M]// E.A. FEIgenboum & ,eds. Computers and Thought.New York:McGraw?Hill, 1963:279-293.?
[7]Feigenbaum, E. A., eds. Computers and thought [M]. New York:McGraw?Hill, 1963.?
[8]Simon, H. A. The Sciences of Artificial [M].Cambridge, MA: The MIT Press, 1969.?
[9]Newell, A. & H. A. Simon. Human Problem Solving [M].New Jersey: Prentice?Hall, 1972.?
[10]Minsky, M. L. The Society of Mind [M].New York:Simon and Schuster,1986.?
[11]Brooks, R. A. Intelligence without Representation [J].Artificial Intelligence, 1991(47): 139-159.?
[12]鐘義信，機器知行學原理?信息?知識?智能轉(zhuǎn)換理論 [M]，科學出版社，2007.
關(guān)于人工智能的畢業(yè)論文相關(guān)文章：