計算智能理論與應用主講：尹作友1.人工智能機器可以思考嗎？機器可以具有智能嗎？機器可以有感情嗎？機器最終會像人一樣甚至取代人嗎？什么是智能？現代漢語詞典：智慧和才能；或者具有人的某些智慧和才能。思維理論來自認知科學。認為智能的核心是思維。人的一切智慧或者智能都來自于大腦的思維活動，人類的一切知識都是人們思維的產物。因而通過對思維規律與方法的研究可望揭示智能的本質。知識閾值理論強調知識對于智能的重要意義和作用，認為智能行為取決于知識的數量及其一般化的程度。智能就是在巨大搜索空間中迅速找到一個滿意解的能力。例如下棋。在人工智能的發展史中有重要影響。發展出了知識工程、專家系統等等。進化理論MIT的Brooks教授提出。人的本質能力是在動態環境中的行走能力，對外界事務的感知能力，維持生命和繁衍生息的能力。因此智能是某種復雜系統所浮現的性質。該理論的核心是用控制取代表示，從而取消概念、模型及顯式表示的知識。否定抽象對于智能及智能模擬的必要性，強調分層結構對于智能進化的可能性與必要性。人工智能就是研究如何使一個計算機系統具有像人一樣的智能特征，使其能模擬、延伸、擴展人類智能。通俗地講，人工智能就是研究如何使得計算機會聽、說、讀、寫、學習、推理，能夠適應環境變化，能夠模擬出人腦思維活動。人工智能就是要使計算機能夠像人一樣去思考和行動，完成人類能夠完成的工作，甚至在某些方面比人更強。但在“人工智能”還不算長的研究歷史中，研究進展比預想的要慢，但也取得了很多成果。從五十多年前出現到現在，已從傳統的、基于符號智能的“狹義人工智能”，發展成為現代的、兼容符號智能、計算智能、集成智能、分布智能的“廣義人工智能”，為智能科學技術的發展及應用，提供了廣闊的理論、方法和技術基礎，也將是二十一世紀以信息技術為主導的網絡和知識經濟時代的核心關鍵技術之一，并對推動科學技術的進步和發展發揮更大的作用。目前，人工智能是以計算機為硬件平臺，通過人的編程設計，由人和計算機來共創的智能。人工智能（ArtificialIntelligence）是計算機科學、控制論、信息論、神經生理學、心理學、語言學等多種學科互相滲透而發展起來的一門綜合性新學科，其誕生可追溯到50年代中期。1956年夏季，在美國達特茅斯大學，由年青數學助教麥卡錫（J.McCarthy）和他的三位朋友明斯基（M.Minsky，哈佛大學年青數學和神經學家，現MIT教授）、羅切斯特（N.Lochester，IBM公司信息研究中心負責人）和香農（C.E.Shannon，貝爾實驗室信息部數學研究員）共同發起，邀請IBM公司的莫爾（T.More）和塞繆爾（A.Samuel）、MIT的塞福里奇（O.Selfridge）和所羅門夫（R.Solomonff）以及RAND公司和卡內基工科大學的諾維爾（A.Newell）和西蒙（H.A.Simon，均為CMU教授）等人參加夏季學術討論班，歷時兩個月。這十位學者都是在數學、神經生理學、心理學、和計算機科學等領域中從事教學和研究工作的學者，在會上他們第一次正式使用了人工智能（AI）這一術語，從而開創了人工智能這一研究方向。1997年5月11日北京時間早晨4時50分，一臺名叫“深藍”的超級電腦在棋盤C4處落下最后一顆棋子，全世界都聽到了震撼世紀的叫殺聲──“將車”！這場舉世矚目的“人機大戰”，終于以機器獲勝的結局降下了幃幕。(卡斯帕羅夫)“深藍”是一臺智能電腦，是人工智能的杰作。新聞媒體以挑釁性的標題不斷地發問：電腦戰勝是一個人，還是整個人類的智能？連棋王都認了輸，下一次人類還將輸掉什么？智慧輸掉了，人類還剩些什么？于是，人工智能又一次成為萬眾關注的焦點，成為電腦科學界引以自豪的學科。“深藍”的技術指標：

32個CPU每個CPU有16個協處理器每個CPU有256M內存每個CPU的處理速度為200萬步/秒每秒行棋速度：卡斯帕羅夫2步，“深藍”2億步。深藍（2）96年2月第一次比賽結果： “深藍”：勝、負、平、平、負、負

2：4（負）97年5月第二次比賽結果： “深藍”：負、勝、平、平、平、勝

3.5:2.5（勝）“深藍”有智能嗎？媒體與大眾“可以有”科學家“真沒有”

人工智能（AI）伴隨著電腦誕生，在風風雨雨中走過了半個多世紀的艱難歷程，已但經是枝繁葉茂、郁郁蔥蔥！人工智能的發展人工智能的萌芽（56年以前）人工智能的誕生（56-61年）人工智能的發展（61年后）人工智能的傳說可以追溯到古埃及，好萊塢也有感人的科幻電影《人工智能》。但直到1941年電子計算機的出現和發展，機器具有智能才成為可能?！叭斯ぶ悄堋?ArtificialIntelligence)一詞最初是在1956年Dartmouth學會上正式提出的：人工智能就是要讓機器的行為看起來就象是人所表現出的智能行為一樣。此后,學者們發展了眾多的理論和各種智能原理，人工智能的概念也隨之不斷擴展，強人工智能甚至認為：可以設計創造出機器不僅可以像人的思維一樣思考和推理，機器還可以產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。人工智能的萌芽階段亞里斯多德(Aristotle384-322BC)，主要貢獻為形而上學(metaphysics)和邏輯學兩方面的思想。亞氏在邏輯主要成就包括主謂命題(statementinsubject-predicateform)及關于此類命題的邏輯推理方法，特別是三段論證(syllogism)。所謂「命題」就是真(true)或假(false)的句子，例如「蘇格拉底是人」，這是真的命題；至於問句「我的書在那里？」就不是命題了，它并沒有真假的意義可言。

亞里斯多德與邏輯、推理邏輯只討論命題，因它有真假可言。亞氏認為命題基本是由主詞(subject)與謂詞(predicate)構成的，主詞是命題所描述的事物或主題，謂詞則是描述主詞的詞語。亞氏跟著提出四種比較復雜的主謂命題，它們都具有以下結構：量詞─主詞─系詞─謂詞。這里我們以符號S及P分別表示主詞及謂詞。系詞有兩種：「是」或「不是」；量詞亦有兩種：「所有」(all)或「有」(some)。

亞里斯多德與邏輯、推理(A)所有S是P(或凡S是P)，例如「凡人是動物」；(B)凡S不是P，例如「凡貓不是狗」；(C)有S是P，例如「有花是白的」；(D)有S不是P，如有花不是白的。

所謂「邏輯推論」，即指由前提推導出結論的正確(valid)的方法，在這種正確推論中，若前提為真，則結論亦必然為真。

亞里斯多德與邏輯、推理關于推論，亞氏特別討論三段論證，這是由兩個(主謂命題)前提推出(主謂式)結論的方法。例如：(i)凡孔子的后代是人(ii)凡人皆會死，；因此凡孔子的后代會死。若寫成普遍的形式，則是：(i)凡S是M;(ii)凡M是P，；因此凡S是P。這里(i)及(ii)是兩個前提，若這兩個前提為真，則以上推出的結論(凡S是P)亦必然地真，因此這個三段論證是正確的。

2.歸納法Bacon(培根，1561-1626)在《新工具》中提出歸納法，提出“知識就是力量”,他十分重視科學實驗，認為只有經過實驗才能獲得真正的知識。3.Turing圖靈與人工智能艾倫·麥席森·圖靈（Turing，1912年6月23日-1954年6月7日），英國數學家。以“紙上下棋機”率先探討了下棋與機器智能的聯系，他還是舉世公認的“人工智能之父”。3歲那年，他進行了在科學實驗方面的首次嘗試──把玩具木頭人的胳膊掰下來種植到花園里，想讓它們長成更多的木頭人。8歲時，圖靈嘗試著寫了一部科學著作，題名《關于一種顯微鏡》。Turing圖靈與人工智能1937年，倫敦權威的數學雜志又收到圖靈一篇論文《論可計算數及其在判定問題中的應用》，作為闡明現代電腦原理的開山之作，被永遠載入了計算機的發展史冊。這篇論文原本是為了解決一個基礎性的數學問題：是否只要給人以足夠的時間演算，數學函數都能夠通過有限次機械步驟求得解答？傳統數學家當然只會想到用公式推導證明它是否成立，可是圖靈獨辟蹊徑地想出了一臺冥冥之中的機器。圖靈想象的機器說起來很簡單：該計算機使用一條無限長度的紙帶，紙帶被劃分成許多方格，有的方格被畫上斜線，代表“1”；有的沒有畫任何線條，代表“0”。該計算機有一個讀寫頭部件，可以從帶子上讀出信息，也可以往空方格里寫下信息。該計算機僅有的功能是：把紙帶向右移動一格，然后把“1”變成“0”，或者相反把“0”變成“1”。第二次世界大戰期間，圖靈應征入伍，在戰時英國情報中心“布雷契萊莊園”（Bletchiy）從事破譯德軍密碼的工作，與戰友們一起制作了第一臺密碼破譯機。在圖靈理論指導下，這個“莊園”后來還研制出破譯密碼的專用電子管計算機“巨人”（Colossus），在盟軍諾曼底登陸等戰役中立下了豐功偉績。1945年，脫下軍裝的圖靈，帶著大英帝國授予的最高榮譽勛章，被錄用為泰丁頓國家物理研究所高級研究員。由于有了布雷契萊的實踐，他提交了一份“自動計算機”的設計方案，領導一批優秀的電子工程師，著手制造一種名叫ACE的電腦。1950年，ACE電腦樣機公開表演，被認為是當時世界上最快最強有力的電子計算機之一。Turing圖靈與人工智能1950年，圖靈來到曼徹斯特大學任教，并被指定為該大學自動計算機項目的負責人。就在這年10月，他的又一篇劃時代論文《計算機與智能》發表。這篇文章后來被改名為《機器能思維嗎？》

Canamachinethink？圖靈試驗試圖通過讓機器模仿人回答某些問題，判斷它是否具備智能。圖靈試驗采用“問”與“答”模式，即觀察者通過控制打字機向兩個試驗對象通話，其中一個是人，另一個是機器。要求觀察者不斷提出各種問題，從而辨別回答者是人還是機器。圖靈指出：“如果機器在某些現實的條件下，能夠非常好地模仿人回答問題，以至提問者在相當長時間里誤認它不是機器，那么機器就可以被認為是能夠思維的。”從表面上看，要使機器回答按一定范圍提出的問題似乎沒有什么困難，可以通過編制特殊的程序來實現。然而，如果提問者并不遵循常規標準，編制回答的程序是極其困難的事情。圖靈預測，2000年之前計算機有30%的概率蒙騙一個普通人達5分鐘。然而，AI研究者相信研究智能的根本原理遠比復制智能更重要。圖靈測試對計算機的要求自然語言處理知識表示自動推理機器學習完全圖靈測試計算機視覺機器人技術圖靈還為這項試驗親自擬定了幾個示范性問：

圖靈測試（1）問：請給我寫出有關“第四號橋”主題的十四行詩。答：不要問我這道題，我從來不會寫詩。問：34957加70764等于多少？答：（停30秒后）105721問：你會下國際象棋嗎？答：是的。問：我在我的K1處有棋子K；你僅在K6處有棋子K，在

R1處有棋子R?，F在輪到你走，你應該下那步棋？答：（停15秒鐘后）棋子R走到R8處，將軍！圖靈測試（2）Q:你的14行詩的首行為“你如同夏日”，你不覺得“春日”更好嗎?A:它不合韻。Q:“冬日”如何？它可是完全合韻的。A:它確是合韻，但沒有人愿被比為“冬日”。Q:你不是說過匹克威克先生讓你能想起圣誕節嗎？A:是的。Q:圣誕節是冬天的一個日子，我想匹克威克先生對這個比喻不會介意吧。A:我認為你不夠嚴謹，“冬日”指的是一般的冬天的日子，而不是某個特別的日子，如圣誕節。圖靈測試從表面上看，要使機器回答按一定范圍提出的問題似乎沒有什么困難，可以通過編制特殊的程序來實現。然而，如果提問者并不遵循常規標準，編制回答的程序是極其困難的事情。例如，提問與回答呈現出下列狀況：

圖靈試驗問：你會下國際象棋嗎？答：是的。問：你會下國際象棋嗎？答：是的。問：請再次回答，你會下國際象棋嗎？答：是的。你多半會想到，面前的這位是一部笨機器。圖靈試驗問：你會下國際象棋嗎？答：是的。問：你會下國際象棋嗎？答：是的，我不是已經說過了嗎？問：請再次回答，你會下國際象棋嗎？答：你煩不煩，干嘛老提同樣的問題。圖靈試驗

上述兩種對話的區別在于，第一種可明顯地感到回答者是從知識庫里提取簡單的答案，第二種則具有分析綜合的能力，回答者知道觀察者在反復提出同樣的問題?！皥D靈試驗”沒有規定問題的范圍和提問的標準，如果想要制造出能通過試驗的機器，以我們現在的技術水平，必須在電腦中儲存人類所有可以想到的問題，儲存對這些問題的所有合乎常理的回答，并且還需要理智地作出選擇。圖靈預言

圖靈曾預言，隨著電腦科學和機器智能的發展，本世紀末將會出現這樣的機器。在這點上，圖靈也過于樂觀。但是，“圖靈試驗”大膽地提出“機器思維”的概念，為人工智能確定了奮斗的目標，并指明了前進的方向。遺憾的是，1954年6月8，圖靈英年早逝！

圖靈獎

圖林開創了計算機科學的重要分支──人工智能，雖然他當時并沒有明確使用這個術語。把“圖林獎”獲獎者作一統計后就會發現，許多電腦科學家恰好是在人工智能領域作出的杰出貢獻。例如，1969年“圖林獎”獲得者是哈佛大學的明斯基（M.Minsky）；1971年“圖林獎”獲得者是達特莫斯大學的麥卡錫（J.McCarthy）；1975年“圖林獎”則由卡內基—梅隆大學的紐厄爾（A.Newell）和赫伯特·西蒙（H.Simon）共同獲得。

4.人工智能的物質基礎:計算機二戰期間，美國軍方為了解決計算大量軍用數據的難題，成立了由賓夕法尼亞大學莫奇利和埃克特領導的研究小組，開始研制世界上第一臺計算機。經過三年緊張的工作，第一臺電子計算機終于在1946年2月14日問世了，它由17468個電子管、6萬個電阻器、1萬個電容器和6千個開關組成，重達30噸，占地160平方米，耗電174千瓦，耗資45萬美元。這臺計算機每秒只能運行5千次加法運算，稱為“埃尼阿克”即ENIAC（電子數字積分計算機）。人工智能的物質基礎Mauchly和Eckert等研制成功ENIAC電子數字計算機，為人工智能研究奠定物質基礎。缺點：（1）沒有存儲器；（2）它用布線接板進行控制，甚至要搭接幾天，計算速度也就被這一工作抵消了．?？颂兀ㄓ遥┖湍死ㄗ螅祵W奇才、計算機之父——馮·諾依曼馮·諾依曼5、VonNeumann提出馮?諾依曼計算機模型。馮·諾依曼

運算器輸出設備控制器輸入設備存儲器指令流控制命令數據流(指令和數據)熟悉計算機發展歷史的人大都知道，美國科學家馮·諾依曼被譽為“計算機之父”，他是本世紀最偉大的發明家之一。數學史界卻同樣堅持認為，馮·諾依曼是本世紀最偉大的數學家之一，他在遍歷理論、拓撲群理論等方面作出了開創性的工作，算子代數甚至被命名為“馮·諾依曼代數”。物理學家說，馮·諾依曼在30年代撰寫的《量子力學的數學基礎》已經被證明對原子物理學的發展有極其重要的價值。而經濟學家則反復強調，馮·諾依曼建立的經濟增長橫型體系，特別是40年代出版的著作《博弈論和經濟行為》，使他在經濟學和決策科學領域豎起了一塊豐碑。1931年匈牙利首都布達佩斯。身為猶太銀行家的父親在報紙上刊登啟事，要為他11歲的孩子招聘家庭教師，聘金超過常規10倍。布達佩斯人才濟濟，可一個多月過去，居然沒有一人前往應聘。因為這個城市里，誰都聽說過，銀行家的長子馮·諾依曼聰慧過人，3歲就能背誦父親帳本上的所有數字，6歲能夠心算8位數除8位數的復雜算術題，8歲學會了微積分。父親無可奈何，只好把馮·諾依曼送進一所正規學校就讀。不到一個學期，他班上的數學老師走進家門，告訴銀行家自己的數學水平已遠不能滿足馮·諾依曼的需要。“假如不給創造這孩子深造的機會，將會耽誤他的前途，”老師認真地說道，“我可以將他推薦給一位數學教授，您看如何？”銀行家一聽大喜過望，于是馮·諾依曼一面在學校跟班讀書，一面由布達佩斯大學教授為他“開小灶”。

然而，這種狀況也沒能維持幾年，勤奮好學的中學生很快又超過了大學教授，他居然把學習的觸角伸進了當時最新數學分支——集合論和泛函分析，同時還閱讀了大量歷史和文學方面的書籍，并且學會了七種外語。畢業前夕，馮·諾依曼與數學教授聯名發表了他第一篇數學論文，那一年，他還不到17歲。

考大學前夕，匈牙利政局動蕩，馮·諾依曼便浪跡歐洲各地，在柏林和瑞士一些著名的大學聽課。22歲時，他獲瑞士蘇黎士聯邦工業大學化學工程師文憑。一年之后，輕而易舉摘取布達佩斯大學數學博士學位。在柏林當了幾年無薪講師后，他轉而攻向物理學，為量子力學研究數學模型，又使自己在理論物理學領域占據了突出的地位。風華正茂的馮·諾依曼，靠著頑強的學習毅力，在科學殿堂里“橫掃千軍如卷席”，成為橫跨“數、理、化”各門學科的超級全才。1928年，美國數學泰斗、普林斯頓高級研究院維伯倫教授（O.Veblen）廣羅天下之英才，一封燙金的大紅聘書，寄給了柏林大學這位無薪講師，請他去美國講授“量子力學理論課”。馮·諾依曼預料到未來科學的發展中心即將西移，欣然同意赴美國任教。1930年，27歲的馮·諾依曼被提升為教授；1933年，他又與愛因斯坦一起，被聘為普林斯頓高等研究院第一批終身教授，而且是6名大師中最年輕的一名。1944年戈德斯坦來到阿貝丁車站，等候去費城的火車，突然看見前面不遠處，有個熟悉的身影向他走過來。來者正是聞名世界的大數學家馮·諾依曼。天賜良機，戈德斯坦感到絕不能放過這次偶然的邂逅，他把早已埋藏在心中的幾個數學難題，一古腦兒倒出來，向數學大師討教。數學家和藹可親，沒有一點架子，耐心地為戈德斯坦排憂解難。聽著聽著，馮·諾依曼不覺流露出吃驚的神色，敏銳地從數學問題里，感到眼前這位青年身邊正發生著什么不尋常的事情。他開始反過來向戈德斯坦發問，直問得年輕人“好像又經歷了一次博士論文答辯”。最后，戈德斯坦毫不隱瞞地告訴他莫爾學院的電子計算機課題和目前的研究進展。1945年6月，馮·諾依曼與戈德斯坦、勃克斯等人，聯名發表了一篇長達101頁紙的報告，即計算機史上著名的“101頁報告”，直到今天，仍然被認為是現代電腦科學發展里程碑式的文獻。報告明確規定出計算機的五大部件，并用二進制替代十進制運算。他是美國國家科學院、秘魯國立自然科學院和意大利國立林且學院等院的院土。1954年他任美國原子能委員會委員；1951年至1953年任美國數學會主席。1954年夏，馮。諾依曼被使現患有癌癥，1957年2月8日，在華盛頓去世，終年54歲。MP模型在1943年沃侖·麥卡洛克（WarrencMcCulloch）和沃爾特·皮茲（WalterPitts）研究表明，在原則上由非常簡單的單元連接在一起組成的“網絡”可以對任何邏輯和算術函數進行計算。因為網絡的單元有些像大大簡化的神經元，它現在常被稱作“神經網絡”。

MP模型6、McCulloch和Pitts建立神經網絡數學模型，通過模擬人腦實現智能，開創人工神經網絡研究。wij——代表神經元i與神經元j之間的連接強度(模擬生物神經元之間突觸連接強度)，稱之為連接權；

ui——代表神經元i的活躍值，即神經元狀態；

vi——代表神經元j的輸入，即是神經元i的一個輸入；

θi——代表神經元i的閾值。函數f表達了神經元的輸入輸出特性。在MP模型中，f定義為階躍函數：輸入輸出本體：細胞體（細胞膜、質、核），對輸入信號進行處理，相當于CPU。樹突：本體向外伸出的分支，多根，長1mm左右，本體的輸入端。軸突：本體向外伸出的最長的分支，即神經纖維，一根，長1cm—1m左右，通過軸突上的神經末梢將信號傳給其它神經元，相當于本體的輸出端。突觸：各神經元之間軸突和樹突之間的接口，即神經末梢與樹突相接觸的交界面，每個細胞體大約有103—104個突觸。突觸有興奮型和抑制型兩種。7、Wiener創立控制論，Shannon創立信息論維納開始考慮計算機如何能像大腦一樣工作。他發現了二者的相似性。維納認為計算機是一個進行信息處理和信息轉換的系統，只要這個系統能得到數據，機器本身就應該能做幾乎任何事情。而且計算機本身并不一定要用齒輪，導線，軸，電機等部件制成。麻省理工學院的一位教授為了證實維納的這個觀點，甚至用石塊和衛生紙卷制造過一臺簡單的能運行的計算機。

8、英國數學家、邏輯學家Boole（1815-1864）實現了萊布尼茨的思維符號化和數學化的思想，提出了一種嶄新的代數系統——布爾代數。布爾利用代數語言使邏輯推理更簡潔清晰，從而建立起一種所謂邏輯科學，其方法不但使數學家耳目一新，也使哲學家大為嘆服。他為邏輯代數化作出了決定性的貢獻，他所建立的理論隨著電子計算機的問世而得到迅速發展。NP問題在計算機學科中，存在多項式時間的算法的一類問題，稱之為P類問題；而像梵塔問題、推銷員旅行問題、至今沒有找到多項式時間算法解的一類問題，稱之為NP類問題。TSP(Travelingsalesmanproblem,旅行商問題)BACDEFAFEDCBANP:推銷員旅行問題（NP完全問題(NP-C問題)，是世界七大數學難題之一。

NP的英文全稱是Non-deterministicPolynomial的問題，即多項式復雜程度的非確定性問題）

如果有3個城市，則有3!=6種訪問每個城市的次序。如果有4個城市，則有4!=24種次序.即使用計算機來計算，這種急劇增長的可能性的數目也遠遠超過計算資源的處理能力，對此，算法復雜性專家史蒂芬.庫克評論："如果有100個城市，需要求出100！條路線的費用，沒有哪一臺計算機能夠勝任這一任務。打個比方，讓太陽系中所有的電子以它旋轉的頻率來計算，就算太陽燒盡了也算不完。Mathematicalformulation:1…n…(c1…cn)(w1…wn)whereW:weightcapacityKnapsackProblem：背包問題背包問題(Knapsackproblem)是一種組合優化的NP完全問題。問題可以描述為：給定一組物品，每種物品都有自己的重量和價格，在限定的總重量內，我們如何選擇，才能使得物品的總價格最高人工智能的誕生1、導因

現實世界中相當多的問題求解是復雜的，常無算法可循，即使有計算方法，也是NP(Non-deterministic

Polynomial，即是多項式復雜程度的非確定性問題)問題。為此，人們可采用啟發式知識進行問題求解，把復雜的問題大大簡化，可在浩瀚的搜索空間中迅速找到解答。運用專門領域的經驗知識，經常會取得有關問題的滿意解，而非數學上的最優解。這就是啟發式搜索。達特莫斯會議

1956年夏天，美國達特莫斯大學召開了一次影響深遠的歷史性會議。主要發起人是該校青年助教麥卡錫(71,圖靈獎)，此外會議發起者還有哈佛大學明斯基(69,圖靈獎)、貝爾實驗室香農（E.Shannon）和IBM公司信息研究中心羅徹斯特(Lochester），他們邀請了卡內基—梅隆大學赫伯特·西蒙(75,圖靈獎)、麻省理工學院塞夫里奇（O.Selfridge）和索羅門夫R.Solomamff），以及IBM公司塞繆爾（A.Samuel，跳棋機，56）和莫爾（T.More）。

達特莫斯會議

這些青年學者的研究專業包括數學、心理學、神經生理學、信息論和電腦科學，分別從不同的角度共同探討人工智能的可能性。達特莫斯會議歷時長達兩個多月，學者們在充分討論的基礎上，首次提出了“人工智能”（ArtificialIntelligence）這一術語，標志著人工智能（AI）作為一門新興學科正式誕生?，F代電腦的智能與人類智能例一回答問題，“樹上有10只鳥，被獵人用槍打下1只，問樹上還剩下幾只鳥？”實際生活：過馬路。一方面，電腦能計算出10億位的π值，能快速處理全國人口普查的海量數據，能精確地控制宇宙飛船登上月球的每一步驟，使任何聰明絕頂的人在它面前都相形見絀；另一方面，電腦的智力水平可以說連普通3歲孩童都不如。正如1980年國外有人給它下的一個通俗的定義：“快速的、按規矩行事的傻子機器?！?。生物智能

對低級動物來講，它的生存、繁衍是一種智能。為了生存，它必須表現出某種適當的行為，如覓食、避免危險、占領一定的地域、吸引異性以及生育和照料后代。因此，從個體的角度看，生物智能是動物為達到某種目標而產生正確行為的生理機制。自然界智能水平最高的生物就是人類自身，不但具有很強的生存能力，而且具有感受復雜環境、識別物體、表達和獲取知識以及進行復雜的思維推理和判斷的能力。

人類智能

人類個體的智能是一種綜合性能力。具體地講，可包括：1）感知與認識事物、客觀世界與自我的能力；2）通過學習取得經驗、積累知識的能力；3）理解知識、運用知識和運用經驗分析問題和解決問題的能力；4）聯想、推理、判斷、決策的能力；5）運用語言進行抽象、概括的能力；6）發現、發明、創造、創新的能力；7）實時地、迅速地、合理地應付復雜環境的能力；8）預測、洞察事物發展變化的能力；智能定義

智能是人類具有的特征之一，然而，對于什么是人類智能（或者說智力），科學界至今還沒有給出令人滿意的定義。1.從生物學角度定義為“中樞神經系統的功能”。2.從心理學角度定義為“進行抽象思維的能力”。3.有人同義反復地把它定義為“獲得能力的能力”智能定義

4.智能是個體或群體在不確定的動態環境中作出適當反應的能力，這種反應必須有助于它(它們)實現其最終的行為目標。5.智能是個體有目的的行為、合理的思維，以及有效地適應環境的綜合能力。通俗地講，智能是個體認識客觀事物、客觀世界和運用知識解決問題的能力。注

智能是相對的、發展的。離開特定時間說智能是困難的、沒有意義的。人工智能

人工智能是相對人的自然智能而言，即用人工的方法和技術，研制智能機器或智能系統來模仿、延伸和擴展人的智能，實現智能行為和“機器思維”，解決需要人類專家才能處理的問題。人類的許多活動，如解算題、猜謎語、進行討論、編制計劃和編寫計算機程序，甚至駕駛汽車和騎自行車等等，都需要“智能”。如果機器能夠執行這種任務，就可以認為機器已具有某種性質的“人工智能”。

例子1：能夠模擬人的思維，進行博弈的計算機?！吧钏{”(DeepBlue)。例子2：能夠進行深海探測的潛水機器人。例子3：在星際探險中的移動機器人，如美國研制的火星探測車。

人工智能是人工制品(artifact)中所涉及的智能行為。其中，智能行為包括：感知(perception)、推理(Reasoning)、學習(learning)、通信(communicating)和復雜環境下的動作行為(acting)。符號主義認為人工智能源于數理邏輯。數理邏輯從19世紀末起就獲迅速發展；到20世紀30年代開始用于描述智能行為。計算機出現后，又在計算機上實現了邏輯演繹系統正是這些符號主義者，后來又發展了啟發式算法→專家系統→知識工程理論與技術，并在80年代取得很大發展。符號主義曾長期一枝獨秀，為人工智能的發展作出重要貢獻，這個學派的代表有紐厄爾、肖、西蒙和尼爾遜(Nilsson)。連接主義認為人工智能源于仿生學，特別是人腦模型的研究。它的代表性成果是1943年由生理學家麥卡洛克(McCulloch)和數理邏輯學家皮茨(Pitts)創立的腦模型，即MP模型。60-70年代，聯結主義，尤其是對以感知機(perceptron)為代表的腦模型的研究曾出現過熱潮.對于某一類簡單的問題——“線性可分”的問題——感知機通過有限次訓練就能學會正確的行為。異或(Exclusive–OR)問題

g（x，y）y01x001110Xy由于當時的理論模型、生物原型和技術條件的限制，腦模型研究在70年代后期至80年代初期落入低潮。(學術權威M.L.Minsky，明斯基和S.Papert)1986年魯梅爾哈特(Rumelhart)等人提出多層網絡中的反向傳播(BP)算法。此后，聯結主義勢頭大振，從模型到算法，從理論分析到工程實現，為神經網絡計算機走向市場打下基礎?，F在，對ANN的研究熱情仍然不減。人工智能的發展(61年之后)機器證明專家系統第五代計算機模式識別人腦與電腦人工智能預言1.機器證明赫伯特·西蒙等人合作編制的《邏輯理論機》,即數學定理證明程序，從而使機器邁出了邏輯推理的第一步。原理：在卡內基—梅隆大學的計算機實驗室，西蒙從分析人類解答數學題的技巧入手，讓一些人對各種數學題作周密的思考，要求他們不僅寫出求解的答案，而且說出自己推理的方法和步驟。經過反復的實驗，紐厄爾和赫伯特·西蒙進一步認識到，人類證明數學定理也有類似的思維規律，通過“分解”（把一個復雜問題分解為幾個簡單的子問題）和“代入”（利用已知常量代入未知的變量）等方法，用已知的定理、公理或解題規則進行試探性推理，直到所有的子問題最終都變成已知的定理或公理，從而解決整個問題。人類求證數學定理也是一種啟發式搜索，與電腦下棋的原理異曲同工。在實驗結果的啟發下，紐厄爾和赫伯特·西蒙便利用這個LT程序向數學定理發起了激動人心的沖擊。電腦果然不孚眾望，它一舉證明了數學家羅素的數學名著《數學原理》第二章中的38個定理。1963年，經過改進的LT程序在一部更大的電腦上，最終完成了第二章全部52條數學定理的證明。美籍華人學者、洛克菲勒大學教授王浩在“自動定理證明”上獲得了更大的成就。1959年，王浩用他首創的“王氏算法”，在一臺速度不高的IBM704電腦上再次向《數學原理》發起挑戰。不到9分鐘，王浩的機器把這本數學史上視為里程碑的著作中全部（350條以上）的定理，統統證明了一遍。

機器證明

人工智能定理證明研究最有說服力的例子，是機器證明了困擾數學界長達100余年之久的難題──“四色定理”。據說，“四色問題”最早是1852年由一位21歲的大學生提出來的數學難題：任何地圖都可以用最多四種顏色著色，就能區分任何兩相鄰的國家或區域。這個看似簡單的問題，就象“哥德巴赫猜想”一樣，屬于世界上最著名的數學難題之一。機器證明

1976年6月，美國伊利諾斯大學的兩位數學家沃爾夫岡·哈肯（W.Haken）和肯尼斯·阿佩爾（K.Apple）宣布，他們成功地證明了這一定理，使用的方法就是機器證明。哈肯和阿佩爾攻克這一難題使用的方法是“窮舉歸納法”。哈肯和阿佩爾編制出一種很復雜的程序，讓3臺IBM360電腦自動高速尋找各種可能的情況，并逐一判斷它們是否可以被“歸納”。十幾天后，共耗費1200個機時，做完200億個邏輯判斷。

人工智能先驅們認真地研究下棋，研究機器定理證明，但效果仍不盡如人意。問題的癥結在于，雖然機器能夠解決一些極其錯綜復雜的難題，但是有更多的工作，對人來說是簡單到不能再簡單的事情，對電腦卻難似上青天。

60年代末，由于許多世界一流的人工智能學者過高地估計了智能電腦的能力，而現實卻一再無情地打破了他們樂觀的夢想，以致遭到越來越多的嘲笑和反對。AI研究曾一度墮入低谷，出現了所謂“黑暗時期”。2.專家系統:人工智能的復興1977年，曾是赫伯特·西蒙的研究生、斯坦福大學青年學者費根鮑姆（E.Feigenbaum），在第五屆國際人工智能大會上提出了“知識工程”的概念，標志著AI研究從傳統的以推理為中心，進入到以知識為中心的新階段。人工智能重新獲得人們的普遍重視，逐步跨進了復興期。專家系統

費根鮑姆他具體介紹了他們開發的第一個“專家系統”，并提出“知識庫”、“知識表達”和“知識工程”等一系列全新的概念。一個人要成為專家，至少必須掌握某一學科淵博的知識，具有豐富的實踐經驗，能解決一般人不能夠解決的疑難問題。專家的數量和質量標志著一個國家、一個時代的科學水平。專家系統

費根鮑姆構建的“專家系統”，就是要在機器智能與人類智慧集大成者──專家的知識經驗之間建造橋梁。他解釋說：專家系統“是一個已被賦予知識和才能的計算機程序，從而使這種程序所起到的作用達到專家的水平”專家系統

專家本人不一定了解電腦程序，構建專家系統還必須有所謂“知識工程師”參與，幫助領域專家從頭腦中挖掘啟發式知識，并設計知識庫和知識推理程序。因此，專家系統又被稱為知識工程，這兩種不同的稱謂在英國和日本涇渭分明：英國學界崇尚科學，成為專家是人們追逐的境界；而日本學界推崇技術，工程師是人們向往的職業，于是，才有了“專家系統”與“知識工程”兩種同義的名稱。知識

人類專家的知識通常包括兩大類。一類是書本知識，它可能是專家在學校讀書求學時所獲，也可能是專家從雜志、書籍里自學而來；然而，僅僅掌握了書本知識的學者還不配稱為專家，專家最為寶貴的知識是他憑借多年的實踐積累的經驗知識，這是他頭腦中最具魅力的知識瑰寶。在AI研究里，這類知識稱之為“啟發式知識”。知識表示的目的

——使用知識。它是問題求解和專家系統的基礎。知識表示遵循的思路產生式規則與或圖狀態空間等

人工智能語言（如Prolog語言）通用程序設計語言（如C、C++）自然語言表示格式化表示計算機語言表示如果有毛發或者產奶，那么它是哺育動物；如果吃肉，那么它是食肉動物；如果有犬齒、有爪、眼視前方，那么它是食肉動物；如果是哺育動物、食肉動物、黃褐色、有黑色條紋，那么它是老虎。自然語言描述知識產生式規則表示知識產生式規則的基本形式：IfPthenQ或者PQ其中，P是前件，用于指出該產生式是否可用的條件。Q是一組結論或者操作，用于指出當前提P滿足時，應該得出的結論或者應該執行的操作。例如：燙手→縮手下雨→地面濕下雨∧甲未打傘→甲被淋濕

所有人都會死∧甲是人→甲會死if有毛發或者產奶then它是哺育動物；if吃肉then它是食肉動物；if有犬齒，且有爪，且眼視前方then它是食肉動物；if是哺育動物，且是食肉動物，且是黃褐色，且有黑色條紋then它是老虎。老虎Λ黃褐色黑色條紋食肉動物吃肉Λ有犬牙有爪眼睛向前哺育動物產奶有毛發產生式規則表示知識的網絡老虎黃褐色黑色條紋食肉動物吃肉有犬牙有爪眼睛向前哺育動物產奶有毛發與或圖表示知識正向推理的一般步驟第一步用數據庫中的事實與可用規則集中所有規則的前件進行匹配，得到匹配的規則集合。第二步從匹配規則集合中選擇一條規則作為使用規則。第三步執行使用規則，將該使用規則后件的執行結果送入數據庫；并將已執行規則從可用規則集中刪除。第四步重復這個過程，直到達到目標或者無可匹配規則為止。98動物識別的例子——正向推理已知事實：一動物{有毛，吃草，黑條紋}R1：動物有毛

→

哺乳類

R2：動物產奶

→

哺乳類

R3：哺乳類∧吃肉→

食肉類

R4：哺乳類∧吃草→

有蹄類

R5：食肉類∧黃褐色∧有斑點→

獵狗

R6：食肉類∧黃褐色∧黑條紋→

虎

R7：有蹄類∧長脖→

長頸鹿

R8：有蹄類∧黑條紋→

斑馬99已知事實：一動物{有毛，吃草，黑條紋，哺乳類}

已知事實：一動物{有毛，吃草，黑條紋，哺乳類，

有蹄類}

已知事實：一動物{有毛，吃草，黑條紋，哺乳類，

有蹄類，斑馬}定義如下謂詞：

positive(X)表示該動物具有特點X;negative(X)表示該動物不具有特點X;It_is(X)表示該動物屬于X類別;Animal_is(X)表示該動物的名字叫X.用Prolog語言表示知識（1）It_is(“哺育動物”):-positive(“有毛發”)It_is(“哺育動物”):-positive(“產奶”)It_is(“食肉動物”):-positive(“吃肉”)It_is(“食肉動物”):-positive(“有犬齒”),positive(“有爪”),positive(“眼視前方”)Animal_is(“老虎”):-It_is(“哺育動物”),It_is(“食肉動物”),positive(“黃褐色”),positive(“有黑色條紋”)用Prolog語言表示知識（2）專家系統的基本結構圖人機接口推理機解釋程序知識獲取程序數據庫及其管理系統知識庫及其管理系統專家系統的一般結構用戶領域專家動物識別系統附：規則（知識）

r1：if該動物有毛發then該動物是哺乳動物

r2：if該動物有奶then該動物是哺乳動物

r3：if該動物有羽毛then該動物是鳥

r4：if該動物會飛and會下蛋then該動物是鳥

r5：if該動物吃肉then該動物是食肉動物

r6：if該動物有犬齒and有爪and眼盯前方

then該動物是食肉動物

r7：if該動物是哺乳動物and有蹄

then該動物是有蹄類動物

r8：if該動物是哺乳動物and是嚼反芻類動物

then該動物是有蹄類動物

r9：if該動物是哺乳動物and是食肉類動物

and是黃褐色

and身上有暗斑點

then該動物是金錢豹

r10：if該動物是哺乳動物and是食肉類動物

and是黃褐色

and身上有黑色條紋

then該動物是虎

r11：if該動物是有蹄類動物and有長脖子

and有長腿

and身上有暗斑點

then該動物是長頸鹿

r12：if該動物是有蹄類動物and身上有黑色條紋

then該動物是斑馬

r13：if該動物是鳥and有長脖子

and有長腿

and不會飛

then該動物是鴕鳥

r14：if該動物是鳥and會游泳

and不會飛

and有黑白兩色

then該動物是企鵝

r15：if該動物是鳥and善飛

then該動物是信天翁專家系統實例之一1965年，在斯坦福大學化學專家的配合下，費根鮑姆研制的第一個專家系統DENDRAL是化學領域的“專家”。在輸入化學分子式和質譜圖等信息后，它能通過分析推理決定有機化合物的分子結構，其分析能力已經接近、甚至超過了有關化學專家的水平。該專家系統為AI的發展樹立了典范，其意義遠遠超出了系統本身在實用上創造的價值。專家系統實例之一

專家系統最成功的實例之一，是1976年美國斯坦福大學肖特列夫（Shortliff）開發的醫學專家系統MYCIN，這個系統后來被知識工程師視為“專家系統的設計規范”。在MYCIN的知識庫里，大約存放著450條判別規則和1000條關于細菌感染方面的醫學知識。它一邊與用戶進行對話，一邊進行推理診斷。它的推理規則稱為“產生式規則”，類似于：“IF（打噴嚏）OR（鼻塞）OR（咳嗽），THEN（有感冒癥狀）”這種醫生診斷疾病的經驗總結，最后顯示出它“考慮”的可能性最高的病因，并以給出用藥的建議而結束。專家系統和知識工程成為符號主義人工智能發展的主流。諾依曼機

我們知道，從用電子管制作的ENIAC，直到用超大規模集成電路設計的微型電腦，都毫無例外遵循著40年代馮·諾依曼為它們確定的體系結構。這種體系必須不折不扣地執行人們預先編制、并且已經儲存的程序，不具備主動學習和自適應能力。所有的程序指令都必須調入CPU，一條接著一條地順序執行。人們把這種順序執行（串行）已儲存程序的電腦類型統稱為“諾依曼機”。3.第五代計算機

達特莫斯會議以來數十年間，除了在問題求解（包括機器博弈、定理證明等）、專家系統、模式識別，人工智能在自然語言理解、自動程序設計、機器人學、知識庫的智能檢索等各種不同的領域，都開拓出極其廣闊的應用前景?？v觀人類科學技術發展歷史，當一門科學技術的各組成部分，分別發展到一定階段時，總是需要有人出來作綜合工作，將分散的理論與實踐成果集成為系統。誰也沒有想到，勇敢地站出來，試圖集人工智能研究成果之大成者，竟然是在這個領域并沒有多少影響力的日本科學家。第五代計算機1982年夏天，日本“新一代計算機技術研究所”（ICOT），40位年輕人在淵一博帶領開始了新一代計算機機的研究。“新一代計算機”的主要目標之一是突破電腦所謂“馮·諾依曼瓶頸”。淵一博和研究人員甚至不把他們研制的機器命名為計算機，而稱作“知識信息處理系統”（KIPS）。第五代計算機

日本人宣稱這種機器將以Prolog(人工智能語言)為機器的語言，其應用程序將達到知識表達級，具有聽覺、視覺甚至味覺功能，能夠聽懂人說話，自己也能說話，能認識不同的物體，看懂圖形和文字。人們不再需要為它編寫程序指令，只需要口述命令，它自動推理并完成工作任務。只需要告訴作什么而不需要告訴怎么做！第五代計算機“五代機”的命運是悲壯的。1992年，因最終沒能突破關鍵性的技術難題，無法實現自然語言人機對話、程序自動生成等目標，導致了該計劃最后階段研究的流產，淵一博也不得不重返大學講壇。第五代計算機1992年6月，就在“五代機”計劃實施整整10年之際，ICOT展示了它研制的五代機原型試制機，由64臺處理器實現了并行處理，已初步具備類似人的左腦的先進功能，可以對蛋白質進行高精度分析，已經在基因研究中發揮了作用。

1992年，它重新開始實施“現實世界計算機”計劃，接著研制具有類似于人的右腦功能的計算機。會看、會聽、會說的機器

1997年12月，美國微軟公司比爾·蓋茨第五次訪問中國。當介紹到微軟正在著手開發手寫輸入和語音識別軟件時，比爾·蓋茨當場為聽眾播放了一段電腦識別人體語言的錄像，精彩的情節引起了與會者濃厚的興趣。人們看到一臺電腦正在分辨人用點頭或搖頭表示YES和NO的動作，還有電腦跟蹤人眼的指向，在眼睛的指揮下，下了一盤“三子棋”。4.模式識別

模式識別是近30年來得到迅速發展的人工智能分支學科。但是，對于什么是“模式”，或者什么是機器（也包括人）能夠辨認的模式，迄今尚無確切的定義。我們只能形象地解釋說，人之所以能識別圖象、聲音、動作，文字字形、面部表情等等，因為它們都存在著反映其特征的某種模式。

人類可識別的模式是什么？

視覺識別

一種可能的解決方案是：圖象上的每一點都用一個神經細胞與之對應并逐一判別，最后綜合為整體；但是，既使只描述圖象局部的大致輪廓，神經元的數目仍不敷使用。另一種可能的方案更符合實際：大腦感知的不是圖象上所有的點，而是其輪廓中最典型的特征，如線段、角度、弧度、反差、顏色等等，把它們從圖象中抽取出來，然后結合頭腦中過去的記憶和有關經驗和知識分析判斷。視覺識別語音識別技術直到1998年12月，IBM公司發布第二代技術ViaVoice98，詞庫量是ViaVoice4.0的三倍，同時增加了語音導航功能;在普通話的基礎上能適應廣東、四川、上海三種口音，識別率提高了20個百分點以上，平常速度口音讀一般文章的識別率達到了85%～95%，只需訓練5個詞、3句話，5分鐘左右即可建立一個語音模型，使中文語音識別技術取得了實質性突破，語音識別終于走到了用戶面前。語音合成技術至于“會說話”的電腦，目前基本上有兩種解決方案，其一是“真人發聲”，即事先錄制好人說的話語，再由電腦來“鸚鵡學舌”，這當然只能局限為某些特定的話語；其二是語音合成，早期電腦合成的語音聽起來就像在“念字”、“說詞”而不是“說話”，無法做到抑揚頓挫、聲情并茂的誦讀。5.人腦與電腦

長期以來，一個誘人的科學幻想主題經常涉及到人腦與電腦的關系。人類大腦有140多億個腦神經細胞，每個細胞都與另外5萬個其他細胞相互連結。比目前全球電話網還要復雜1500倍。據前蘇聯學者阿諾克欣測算，一個普通的大腦擁有的神經突觸連接和沖動傳遞途徑的數目，是在1后面加上1000萬公里長的、用標準打字機打出的那么多個零！但是，由如此龐大數目元件構成的大腦，平均重量不足1400克，平均體積約為1.5立方分米，消耗的總功率只有10瓦。若采用半導體器件組裝成相應的電腦裝置，則必須做成一座高達40層的摩天大樓，所需功率要以百萬千瓦計。表情識別日前美國加州大學圣迭哥分校的一位計算機博士生就開發了這樣一套非常有趣的系統。它將表情識別系統和教學系統整合在一起，通過表情的探測來了解學生對于教學內容的反應，從而對教程進行改進。人腦與電腦左腦的功能是抽象概括思維，這種思維必須借助于語言和其他符號系統，主管“說話”、“寫字”、“計算”、“分析”等.右腦的功能是感性直觀思維，這種思維不需要語言的參加，比如掌管“音樂”、“美術”、“立體感覺”等。而形象思維、知覺、預感、創意這些人類右腦的功能，迄今計算機尚絲毫難以企及。右腦的功能不可替代，只能靠人自己培養和發揮。人腦與電腦

對于電腦來說，只要某一個小部件出了毛病，就會導致整個機器癱瘓。但是，人的大腦細胞具有自行組合和分裂的活性，構成了高度可靠的“自適應系統”。在人的一生中，腦神經元大約每小時就有1000個發生故障，一年之內累計為800多萬個。如果人活到100歲，將會有10億個神經細胞功能失效，約占總數的1/10。即使在這種嚴重的故障面前，大腦仍然可以正常地運作。信息的輸入聽覺（耳）、視覺（眼）、嗅覺（鼻）、觸（皮）覺、味覺（嘴）計算機（鍵盤、鼠標，0和1）人腦與電腦

從以上這些數字看，人類的大腦不啻于世界上最復雜、最高級、最有效、儲存容量最大的超級計算機。除了運算速度比電腦略遜一籌外，人腦在結構、尺寸、性能、能耗等各方面都令最先進的電腦望塵莫及。一位作家則說：“從本質上講，‘你’不是肉體，而是你的記憶。這個本質上的‘你’可以在計算機里保存，變成IBM電腦里的磁性脈沖收集品?！比四X復制1988年，美國最負盛名的學術出版機構哈佛大學出版社，出版了一本《思維兒童》的專著（有人譯作《換腦兒童》），作者是卡內基—梅隆大學活動機器人實驗室主任漢斯·莫拉維克。莫拉維克在書中生動地描述了人怎樣把思維輸入電腦，以及這一切怎樣在未來50年之內變成現實。人腦復制

按照莫拉維克等人的設想，一旦我們能夠把思維轉移到計算機或者儲存介質中，既使原件（大腦）受到損傷或者衰老，仍然可以把它拷貝到新克隆出的大腦中，先FORMAT（格式化），再COPY（拷貝）。人不就可以永生不死！電腦與人腦相連接

人工智能的泰斗明斯基教授想用另外的辦法，即把微電腦嵌入人的大腦，以便使“我們能設計出我們的‘思維兒童’，他們思考問題的速度比我們現在快100萬倍?！睂㈦娔X植入人腦，用微型芯片配合腦神經細胞工作，只要求解決兩者之間的接口問題。電腦與人腦相連接

德國科學家已經在硅芯片上培植成功一種與人類神經細胞極為相似的老鼠神經細胞，并且可以把神經細胞發出的電子脈沖信號傳送到特制傳感器上。由此看來，人機連“腦”不是夢，人腦與電腦相連能優勢互補，可以彌補人類記憶和運算能力的不足，大大增強人腦的功能。人工智能動物--Nature,417:37-38,2002.動物的腦是可以和電腦結合在一起，按人類的意志來控制動物的行為的。這樣，在新的世紀里，有可能出現一種這樣的產物，它是生物機體和電子電路結合的產物，我們可以稱呼它為

“人工智能動物”

利用動物的感受器來作為一個動物和機器的通訊界面，利用巴普洛夫的操作式條件反射理論完全可能達到控制的目的。

研究者可通過腦刺激來控制動物的行為，但仔細分析表明，在個體較大的動物，其實這種直接的腦刺激是不必要，也不可取的，它需要復雜的腦外科手術和昂貴的設備，局限于實驗室研究。如將計算機的指令變成動物可以接受的信息模式，比如聲音信號，顏色，圖形信號。經過訓練的動物可以根據這些信號執行一些簡單的指令，而一個復雜的動作可由一系列簡單的動作來完成。比如動物只要聽懂“朝前走”，“向左轉”，“向右轉”，這三個指令，就可控制動物走向某一個目標地。一旦動物做對了，可以給一定食物獎勵。我們的“人工智能猴”的示意圖利用這樣的載體和安裝在其上的傳感器，比如攝像機，我們可以接近人類不能親自到達的場所，比如探雷，偵察，到地震廢墟中，到倒塌的礦洞里尋找存活人員，到車子底盤下尋找毒品，爆炸物。換上其它傳感器和用其它動物，我們還可開發其它用途。6.人工智能預言1958年紐厄爾和赫伯特·西蒙在預言“電腦將在10內戰勝國際象棋世界冠軍”的同時，還大膽地預言說：

──不出10年，電腦便能找到并證明到那時還未被證明的重要數學定理。

──不出10年，大部分心理學理論將采取電腦的程序形式。1970年，明斯基所作的預言卻有些離譜：

“在三年到八年的時間里，我們將研制出具有普通人一般智力的計算機。這樣的機器能讀懂莎士比亞的著作，會給汽車上潤滑油，會玩弄政治權術，能講笑話，會爭吵。到了這個程度后，計算機將以驚人的速度進行自我教育。幾個月之后，它將具有天才的智力，再過幾個月，它的智力將無以倫比?！比斯ぶ悄艿默F狀

人工智能先驅這些充滿樂觀的預言，除了40年后電腦戰勝了卡斯帕洛夫之外，其余的直到現在依然遠沒有被實現，甚至引發長時期無休無止的爭論和哲學意義上的思辯。人工智能雖然作出了許多令人鼓舞的工作，但在前進的道路上，還面臨著相當難以克服的障礙。人工智能的未來

現有的計算機技術已充分實現了人類左腦的邏輯推理功能，人工智能的下一步是模仿人類右腦的模糊處理能力，以及模擬整個大腦并行處理大量信息的功能，把人類從那些繁瑣的重復性的腦力勞動中解放出來，去從事那些具有高創造性的腦力勞動，如科學發明和藝術創作等等，生產效率也將得到大幅度提高。人工智能的新生：計算智能80年代，符號主義AI的研究未能取得應有進展，再加上日本第五代計算機研制的失敗，使符號主義的研究受到挫折。然而科學并未因此而停滯不前，它總是在可以突破的地方首先契入進去。與之形成對比的是，聯接主義(神經網絡)的研究蓬勃發展，在理論和應用上均取得了令人矚目的成就，占據人工智能的主導地位。輸入輸出本體：細胞體（細胞膜、質、核），對輸入信號進行處理，相當于CPU。樹突：本體向外伸出的分支，多根，長1mm左右，本體的輸入端。軸突：本體向外伸出的最長的分支，即神經纖維，一根，長1cm—1m左右，通過軸突上的神經末梢將信號傳給其它神經元，相當于本體的輸出端。突觸：各神經元之間軸突和樹突之間的接口，即神經末梢與樹突相接觸的交界面，每個細胞體大約有103—104個突觸。突觸有興奮型和抑制型兩種。人腦大約由1011--1012個神經元所組成，每個細胞體大約有103—104個突觸(輸出).小腦中的每個神經元大約有105個突觸，并且每個突觸都可以與別的神經元的一個樹突相連.人腦神經系統就是由這些巨量的生物神經元經廣泛并行互連所形成的一個高度并行性、非常復雜的神經網絡系統.神經元之間的聯系主要依賴其突觸的聯接作用。這種突觸的聯接是可塑的，也就是說突觸特性的變化是受到外界信息的影響或自身生長過程的影響。生理學的研究歸納有以下幾個方面的變化：突觸傳遞效率的變化。首先是突觸的膨脹以及由此產生的突觸后膜表面積擴大，從而突觸所釋放出的傳遞物質增多，使得突觸的傳遞效率提高。其次是突觸傳遞物質質量的變化，包括比例成分的變化所引起傳遞效率的變化。

突觸接觸間隙的變化。在突觸表面有許多形狀各異的小凸芽，調節其形狀變化可以改變接觸間隙，并影響傳遞效率。突觸的發芽。當某些神經纖維被破壞后，可能又會長出新芽，并重新產生附著于神經元上的突觸．形成新的回路。由于新的回路的形成，使得結合模式發生變化，也會引起傳遞效率的變化。突觸數目的增減。由于種種復雜環境條件的刺激等原因，或者由于動物本身的生長或衰老，神經系統的突觸數目會發生變化，并影響神經元之間的傳遞效率。

神經元產生信號靜止膜電位：當沒有輸入信號時的膜電位成為靜止膜電位，通常為-70mv

當外部有輸入信號時，將使膜電位發生變化，倘若使膜電位升高，比靜止膜電位高15mv以上，即超過-55mv（閾值），神經元被激活，內部電位急劇上升至100mv左右，并維持約1ms，然后急劇下降。相當輸出一個100mv高1ms寬的脈沖，并沿軸突以100m/s的速度傳至其它的神經元。神經計算

40年代心理學家Mcculloch和數學家Pitts合作提出的興奮與抑制型神經元模型和Hebb提出的神經元連接強度的修改規則，他們的研究結果至今仍是許多神經網絡模型研究的基礎。人工神經元的結構θ…x1x2xnw1w2wny人工神經元是對生物神經元的抽象與模擬下圖是一個MP神經元模型

1943年，心理學家麥克洛奇(W.McMulloch)和數理邏輯學家皮茨(W.Pitts)根據生物神經元的功能和結構，提出了一個將神經元看作二進制閾值元件的簡單模型，即MP模型。圖中的x1,x2,…,xn表示某一神經元的n個輸入；wi表示第i個輸入的連接強度，稱為連接權值；θ為神經元的閾值；y為神經元的輸出。可見，人工神經元是一個具有多輸入，單輸出的非線性器件。其輸入為其輸出為其中，f稱為神經元功能函數或作用函數。常用的人工神經元模型根據功能函數的不同，可得到不同的神經元模型。常用模型包括：閾值型(Threshold)θf(θ)1

這種模型的神經元沒有內部狀態，作用函數f是一個階躍函數，他表示激活值σ和輸出之間的關系。

這是一種連續的神經元模型，其輸入輸出特性常用指數、對數或雙曲正切等S型函數表示。它反映的是神經元的飽和特性.分段線性強飽和型(LinearSaturation)S型(Sibmoid)子閾累積型(SubthresholdSummation)

也是一個非線性函數，當產生的激活值超過T值時，該神經元被激活產生個反響。在線性范圍內，系統的反響是線性的。T1

這種模型又稱為偽線性，其輸入/輸出之間在一定范圍內滿足線性關系，一直延續到輸出為最大值1為止。但當達到最大值后，輸出就不再增。

信息的分布表示記憶在大量元中，每個元存在許多信息的部分內容，信息在神經網絡中的記憶反映在神經元間的突觸連接強度上（weights）。

運算的全局并行和局部操作：神經網絡具有高度的并行結構和并行實現能力，因而能夠有較好的耐故障能力和較快的總體處理能力

處理的非線性：神經網絡具有固有的非線性特性，這源于其近似任意非線性映射（變換）能力。

較強的學習能力：神經網絡是通過所研究系統過去的數據記錄進行訓練的。一個經過適當訓練的神經網絡具有歸納全部數據的能力。因此，神經網絡能夠解決那些由數學模型或描述規則難以處理的控制過程問題。1949年心理學家Hebb提出著名的Hebb學習規則，即由神經元之間結合強度的改變來實現神經學習的方法。雖然Hebb學習規則在人們研究神經網絡的初期就已提出，但是其基本思想至今在神經網絡的研究中仍發揮著重要作用。是一個無監督學習規則，這種學習的結果是使網絡能夠提取訓練集的統計特性，從而把輸入信息按照它們的相似性程度劃分為若干類。這一點與人類觀察和認識世界的過程非常吻合，人類觀察和認識世界在相當程度上就是在根據事物的統計特征進行分類。人工神經網絡的互聯結構

人工神經網絡的互連結構（或稱拓撲結構）是指單個神經元之間的連接模式，它是構造神經網絡的基礎，也是神經網絡誘發偏差的主要來源。從互連結構的角度：前饋網絡反饋網絡單層前饋網絡多層前饋網絡單層反饋網絡多層反饋網絡僅含輸入層和輸出層，且只有輸出層的神經元是可計算節點

除擁有輸入、輸出層外，還至少含有一個、或