人工智能
|
[拼音]：rengong zhineng [外文]：artificial intelligence 计算机科学与心理学相结合而产生的研究用计算机实现人的智能行为和功能的一门边缘学科。人工智能的智能范畴一般包括人的智能行为，如图像和声音识别、学习、计划、决策、解决问题、自然语言理解等；也可指人的内部认知反映功能和过程，如知觉、记忆、思维等。人工智能研究编制模拟上述行为功能的计算机程序。人工智能一般被认为是计算机应用科学，在涉及新兴智能科学的学科，如认知心理学、计算语言学以及综合性认知科学中，人工智能被用作模拟实验手段并为智能研究的目标服务，因此，也有人称其为实验和应用智能学科。 人工智能的基本过程为智能模拟，其依据是人工智能系统（计算机系统）与活体智能系统（心理认知反映系统）之间假设并已证实的可类比性。类比和模拟建立在信息流程图式统一的基础上，并反映在系统信息加工过程的不同水平上，诸如外部行为表现，内部功能过程以及物质机制等。心理认知智能模拟是人工智能从行为模拟向功能模拟水平的发展，它以认知心理学和认知科学的理论和实验为依据。智能模拟的基本步骤为： （1）系统模型设计； （2）计算机程序编制； （3）程序调试及系统修正。其中最重要的是系统模型设计，它一般包含以下几个方面：建立与模拟对象有关的知识系统；找出具体描述对象的方法；根据所建立的描述空间，按一定规则确定处理步骤和内容，如搜索、比较等。心理认知模拟的系统模型必须建立在心理学实验的基础上，并通过与人的行为比较来验证假设模型。程序编制的工具为计算机语言，用于人工智能的专门语言有LISP、PROLOG等，其特点为具有较强的符号处理加工功能，适于智能描述。 人工智能系统的两个最基本概念是：符号系统和信息加工过程。人工智能的产生受到第二次世界大战前后符号逻辑学、控制论的影响，同时也可以在当时的心理学理论中找到某些根源。最早的符号加工的设想，即所谓“图灵机”，出现于1936年。但真正的智能模拟尝试则是电子计算机发明之后。50年代中期，美国人工智能先驱、计算机学家A.纽厄尔、J.C.肖和H.A.西蒙于1956年合作第一次用计算机模仿人的思维活动来解决复杂的问题；他们创始了启发式程序，避免了庞大数量的推理步骤；他们制定并应用了符号处理的语言IPL，这一语言是现代人工智能研究普遍应用的LISP语言的前身。 W.冯特的工作以及符兹堡学派、格式塔学派、J.皮亚杰的结构主义都涉及认知心理学的理论。但是以符号信息加工理论为核心的现代认知心理学却是从纽厄尔、西蒙等人开始的。他们于1958年发表了《人类解决问题的要素》的论文，阐述了心理学理论的信息加工途径和方法论问题。1972年纽厄尔和西蒙发表了著名的《人类问题解决》一书，重申并提出了一系列以心理学概念为基础的重要理论和方法，如启发式搜索、方法和目的分析、产生式系统等，标志着认知心理学与人工智能在智能科学旗帜下结合的新阶段。 人工智能研究大致包括以下一些方面： （1）问题解决和演绎推理，如棋艺、迷津、定理证明等； （2）学习和归纳过程，如图像识别、概念形成等； （3）语义网络和记忆结构； （4）语言处理，如自然语言理解、自动问答、机器翻译等； （5）人工智能运用，包括各种专家系统，机器人和自动程序编制等。心理学认知模拟研究的兴趣主要是在于探索认知反映系统中信息的一般组织和传递原则，以便为计算机智能系统提供基本和通用的原则。 心理学对人工智能的积极作用可从如下几方面加以说明： （1）视知觉。心理学的研究表明，人的视知觉不仅依靠视觉系统的光学装置和生理功能，更重要的是依靠知识和推理。例如，人在两度空间的图片上所以能识别三度空间的物体，并能识别残缺的、部分隐蔽的或变形的物体，并不是依靠双眼视差，而是依靠透视、色彩、阴影、纹理、明暗等信息，依靠知识、经验和推理来实现的。人工智能关于“计算机视觉”或“机器人视觉”的研究，采用了心理学的理论，把人在两度空间上识别立体物体的知识和推理规则编入程序，也可以使机器像人那样，从图像上识别立体的、残缺的、部分隐蔽的或变形的物体。现在，计算机视觉的研究正致力于识别运动的物体以及提高复杂条件下的识别能力。经过各种途径的探索，现在也开始了以知识为基础的图像识别系统的研究。 （2）记忆。心理学揭开人类记忆结构的秘密与系统组织原则的提供有密切关系。电子计算机不仅采用了“记忆”这个名词，也具有长时记忆和短时记忆的结构和功能。关于记忆的单位，G.A.米勒提出“组块”理论，认为人的短时记忆容量为7±2个单位，即7±2个组块。计算机的短时记忆容量虽然不受7±2的限制，可是在人同机器的某些棋艺比赛中，依照组块理论制订的作战策略，甚至可以使机器击败棋艺大师。 关于记忆的内容和形式，认知心理学家M.R.奎利恩1968年提出了语义记忆理论。他认为人们的记忆内容是概念以及概念之间的关系。许多概念之间的相互关系，似乎组成了一个网络，后来人们称之为语义网络。命题为语义单元，总体特征为层次结构或模板，层次间相互作用关系遵从个别到一般到个别的认识原则。这一理论促进了记忆模型的研究，同时也成为自然语言理解研究的主要途径之一。语义网络系统已被人工智能各领域广泛采用。 概念与概念之间的关系，也可以表达为产生式系统。产生式系统是-种条件－行动关系式系统。只要规定条件被满足，系统就会产生相应的预定行动或得出某种既定结论。例如刺激－反应，原因－结果，前题－结论等都可以用产生式表示。纽厄尔、西蒙等认为，任何专业知识或日常生活经验知识，也都以产生式系统存在于人们的记忆中，并在60年代末把产生式系统引进人工智能的研究中。产生式系统在计算机技术上便于实现，具有通用性，因而广泛用于各类专家系统中。 （3）语言。机器理解自然语言的研究，开始于50年代的机器翻译。A.N.乔姆斯基于50年代末提出了句法结构和转换文法，推动了理解自然语言的研究。但他对语法重要性的特别强调却引起了心理学家的非议。如果让计算机回答人们的亲属关系问题，无论人或机器，如果仅知道语法规则而没有关于亲属关系的知识和推理能力，即使很简单的问题也不能回答。概念在理解语言中有非常重要的作用。如果把人们理解语言所依靠的共同概念给予机器，机器就可以不同语言表达出来。 中国心理学家李家治等于1982年和1983年对机器理解汉语进行了初步探索。汉语同一些西方语言的显著区别是没有格的变化，可是中国人（包括儿童）对理解汉语并无困难。他们认为，来源于西方的汉语语法，不适宜作为理解汉语的工具，应根据中国人的语言和思维习惯制订汉语语法。 （4）学习。学习是人类最重要的智能表现，在认知心理学中被解释为内部知识结构的变化。关于计算机学习的研究，在50年代末、60年代初曾活跃一时，但因未能解决复杂的实际问题而未得到应有的发展。60年代末，纽厄尔和西蒙把产生式系统引进人工智能，把学习看作是改造记忆中的旧产生式、增加新产生式的过程。 产生式理论也促进了专家系统的研究，而专家系统往往需要包括上千条产生式的大知识库，因而人工智能工作者不得不采用人－机相互作用的方式来完成这一艰巨任务。机器最初像一个学徒，从工作中学习和获得知识，最后代替专家工作。这种学习方式叫做“练中学”或“从例子中学”。 计算机学习所遵循的理论都来自心理学。心理学中的学习模型多与归纳过程有关，如概念形成、符号模式识别和视觉图像识别等。心理学家的研究是要使机器获得归纳推理能力，以便从工作中概括出新理论、新规则、新策略。其次是类比推理和学习迁移，使学习能够举一反三。人们估计，随着专家系统需要的增长，机器学习的研究会取得更大进展。 （5）思维。思维是智能系统的核心。知觉、语言、学习都离不开思维，而记忆则是思维的基础。 人们解决问题时的思维和推理，并不完全依照逻辑学所规定的推导规则，也不遵循繁琐的算法步骤，而是依靠知识和经验，直截了当地对问题进行估价，从而找到更简捷的解决问题的途径。这样的推理方法，纽厄尔和西蒙命名为启发式方法。被誉为是人工智能真正开端的LT程序所采用的“目的和方法分析”或“反方向搜索法”就是启发式推理的一种。现在启发式搜索技术已经成为人工智能的重要组成部分。 除了上述一些工作外，一些心理学家和计算机科学家正努力探索创造性思维问题。他们认为，创造发明是寻求新的真理。创造发明活动恰似新手解决问题，不得不用笨的、没有多大把握的弱方法进行探索。专业知识对于创造发明是需要的，但仅凭专业知识就能完全解决问题，也算不得是创造发明。生活经验才是创造发明的知识源泉。对动机和感情心理过程的研究和模拟也正在探索中，并且已有若干模型。动机和感情模拟的困难在于很难确定统一模式。 人工智能研究的主要基地是在美国。此外，苏联、英国、日本等国的研究力量也较强。中国在这方面，特别是对心理模拟的研究还刚刚开始。 日本设想其第五代计算机依靠大规模集成电路、极大的知识库、高速度的逻辑推理和对自然语言及图像的理解能力，达到使计算机具有智能的目的，但所依据的仍然是知识工程的思路和符号信息加工理论。美国的科学家没有在知识工程处止步，他们继续沿着基础理论的路线探索智能的奥秘。他们认识到，智能的奥秘必须由多学科进行综合研究。他们于1977年创办了心理学、语言学和人工智能的综合性期刊《认知科学》。1979年成立了认知科学学会。80年代初，J.J.霍普费尔德发表了一系列有关神经网络的非线性计算、决定和优化的论文。1985年D.E.鲁梅哈特等提出了一个多层次的非线性网络模型：“向后传递”这种网络有自学习、自组织、自适应能力，大大增强了信息处理、模式识别、建立专家系统的能力，为知识工程提供了新的基础。1986年鲁梅哈特和J.L.麦克莱兰把近些年来有关网络模型的研究论文编辑成《平行分布加工：关于认知的微观结构的探索》一书。这一著作不仅显示了神经网络模型对解决实际问题的优越性，更重要的是详细阐明了认知科学的理论基础。这种理论远比符号信息处理或知觉机的理论更接近于人的智能活动。 符号信息加工是以数理逻辑中的产生式为理论基础的。产生式的意思是：什么情境产生什么活动、什么原因产生什么结果、什么前提产生什么结论，等等。它本来是数学家E.L.波斯特于1943年提出来的，70年代初由纽厄尔和西蒙引进人工智能领域，并认为产生式符合人的思维方式。由于用产生式编写的计算机程序易于更改，因而对人工智能的研究起了推动作用。专家系统和知识工程中的知识表示和推理规则，大多数都是用产生式的形式写的。可是，产生式系统虽然与人们记忆中的知识和推理规则的表示一致，但它只可以说是一个显意识的思维模型，而不是神经模型。符号信息加工理论也承认脑的作用，但仅假设脑有一些基本信息加工器，它们有记录、测检、比较、选择或取消某个符号的功能。至于这些加工器是以怎样的结构和形式进行活动的，却未予说明。因此，符号信息加工理论的倡导者承认心理活动的低级水平（如视觉）是平行加工的，但对高级水平的心理活动（如思维、推理）能否平行加工则表示怀疑。因为意识活动受注意的影响，一个人不能同时注意两件事。 M.L.明斯基和S.帕珀1969年曾经指出知觉机的局限性，但认为如果做某些改进，也可能增加其功能。联结机制正是这种改进的结果。联结机制是一种多层次的网络结构。网络中的节点是分布式的。每一节点都储存有信息，都有一定权值。这种系统的信息加工是多个节点平行进行的，是一种动态网络运行过程。输入的信息选择并激活有适当权值的节点，同时对其他节点产生影响，有的被抑制，有的改变了权值。网络系统不仅接受外来的信息，受控对象的输出也可以是网络系统的输入，即接受由受控对象返回的信息。因此，系统可以逐步调整自己的活动，达到自学习、自适应的状态。总之，平行分布加工网络模型奠定了认知科学的理论基础，而认知科学又提高了人工智能的研究水平。人工智能已成为认知科学的一个组成部分。
|
