1、,李元香 武漢大學軟件工程國家重點實驗室 2008年6月,從人工智能到自然計算,報告提綱,夢想與困惑 人工智能及其發展 面臨困境 信息時代的呼喚 智能計算回歸自然 自然計算 展望,夢 想,機器具有智能計算機科學家的夢想 什么是智能？能感知、能學習、能思維、能記憶、能決策、能行動，智能的核心是思維,圖靈測試,怎樣判斷機器具有智能圖靈測試 1950年Alan Turing的文章 “Computing Machinery and Intelligence.” （Mind, Vol. 59, No. 236）提出圖靈測試，檢驗一臺機器或電腦是否具有如人一樣的思維能力和智能,電腦和人分別封閉在不同的房間

2、，測試者不知道哪個房間是人，哪個房間是電腦，他向雙方提出測試問題，電腦和人給出各自的答案，如果一系列的測試問題之后，測試者分不出哪些是電腦的答案，哪些是人的答案，則電腦通過測試，確實具有與人一樣的智能。,測試悖論,公平性問題 圖靈測試的出發點顯然是刁難電腦，要求電腦模仿人回答問題，公平嗎？反過來要求人模仿電腦回答問題，公平嗎？ 標準性問題 在怎樣的智能水平下對電腦進行測試？天才、普通人還是嬰幼兒，或者說怎樣認定電腦的智力水平？ 全面性問題 怎樣全面地測試電腦的智能，喜、怒、哀、樂和表情等有關情感的測試如何進行？測試邊界怎樣確定？ 欺騙性問題 電腦如果有意欺騙測試者，測試者能判斷出來嗎？ 在一定

3、的范圍內進行測試還是可行的,困 惑,哲學問題 （1）規則與規律：規則是制定的，規律是客觀存在的，從規則能自動發現規律嗎？ （2）生命與非生命：智能是高等生命體獨有的能力，非生命體內能產生智能嗎？ （3）物質與意識：唯物主義和唯心主義都承認二元論，只是在何者起決定作用上爭論不休，智能能在機器內產生將導致一元論物質生成一切？ （4）智能的本質：理性與感性、思考與行動、社會性與個體性 倫理問題 （1）電腦與人腦：能否互換？ （2）機器人與人：機器能否融入人類社會？ （3）情感與役使：機器是人制造并使用的工具，一旦機器人具有了智能和情感，人類還能當奴隸一樣地役使嗎？ （4）機器人叛亂：機器人群體有可能

4、叛亂而反過來役使人類嗎？,現實的夢,比爾蓋茨預測：智能計算發展前景乃是機器最終“能看會想，能聽會講” 無論是人工智能，還是智能人工，只要能夠殊途同歸，造福于人類，那么所有的努力便都是有價值的 今后十年，智能機器作為真正意義上的工作助手和生活良伴，將使我們的生活完全改觀 “聰明機器”的出現，也決不會成為人類的災難，在智慧與創造力方面，永遠是人類最有發言權,人工智能,人工智能（artificial intelligence，簡稱AI） 用人工的方法和技術，模仿、延伸和擴展人的智能, 實現機器智能。 人工智能的五個基本問題 (1) 知識與概念化是否是人工智能的核心？ (2) 認知能力能否與載體分開來

5、研究？ (3) 認知的軌跡是否可用類自然語言來描述？ (4) 學習能力能否與認知分開來研究？ (5) 所有的認知是否有一種統一的結構？ 學科交叉 與生命科學、認知科學、物理學等眾多學科高度交叉，共同研究智能行為的基本理論和實現技術。 三大學派 符號主義（Symbolism）、連接主義(Connectionism)、行為主義（Behaviorism）從不同側面模擬人的智能和智能行為。,符號主義,代表人物 1956年，美國Dartmouth會議，幾個年輕的美國學者McCarthy、Simon、Minsky、Newell等首次提出人工智能的術語 基本思想 （1）認知的本質就是計算，可稱為認知可計算主

6、義與圖靈機理論一脈相承 （2）思維的基本單元是符號，智能的核心是利用知識以及知識推理進行問題求解 （3）智能活動的基礎是物理符號運算，人腦和電腦都是物理符號系統 （4）人的智能可以通過建了基于符號邏輯的智能理論體系模擬 （5）理論基礎是符號數學、謂詞演算和歸結原理,符號主義-續,智能表示 （1）1959年McCarthy開發了著名的LISP語言（LISt Processing Language，表處理語言），基于函數的語言，通過符號（不是數值）運算進行推理，也是邏輯程序設計語言（Logic Programming） （2）1972年PROLOG語言（PROgramming LOGic）問世，被

7、稱為演繹推理機，接口豐富，非常適合于專家系統開發，曾有人試圖發明PROLOG機器，以模擬人的智能，但未獲成功 知識工程與專家系統典型代表 （1）產生式規則表示知識 （2）產生式規則系統將領域專家的知識進行整理、存儲構建知識庫 （3）專家系統運用知識庫進行推理、問題求解等智能活動 推理方法 知識表示與推理、歸納推理、基于事例的推理等,連接主義,代表人物 （1）1943年生理學家McCulloch和Pitts提出神經元的數學模型，神經元模型結合成多層結構成為神經網絡 （2）1959年，Rosenblatt提出感知機模型（Perceptron)，具有輸入層、中間聯系層和效驗輸出層的三層結構 （3）1

8、982年，Hopfield提出全互連的神經網絡模型，成功求解TSP問題，掀起神經網絡研究高潮，對符號主義也產生了巨大沖擊 （4）1987年，戴維.努梅爾哈特和杰弗里.欣頓提出誤差反向傳播（Back-Propgation）神經網絡學習算法 基本思想 （1）人類認知活動主要基于大腦神經元的活動，人類思維的基本單元是神經元而不是符號，智能是互連神經元競爭與協作的結果 （2）模擬人的智能要依靠仿生學，特別是模擬人腦，建立腦模型 （3）電腦模擬人腦應著重于結構模擬，即人的生理神經網絡結構，功能、結構和行為密切相關，不同的結構表現出不同的功能行為 （4）分布式信息存儲和大規模并行處理，自適應和自組織特性，

9、學習和容錯能力 （5）理論基礎是神經生理學與腦科學,神經元與神經網絡,連接主義-續,智能表示 （1）神經元狀態值、連接權值、閾值和激勵函數決定輸出值-隱式表示方法 （2）通過學習算法修正神經元之間的連接權值，達到更精確的知識表示，學習算法包括有導師和無導師學習算法兩類 模式識別典型代表 （1）建立樣本庫 （2）特征提取與特征庫 （3）學習算法進行神經網絡訓練，模式的聚類、分類和識別 學習算法 提高學習和訓練速度，保證全局收斂，網絡結構設計和自適應調整,行為主義,代表人物 1988年，Brooks等人提出無需知識、知識表示和推理的智能系統，智能來自于系統的“感知-動作”模式，基于這樣的思路，他發

10、明了六足行走機器，一個模擬昆蟲行為的控制器 基本思想 （1）智能是一個系統行為，智能行為可以通過與周圍環境的的交互作用表現出來 （2）智能的基礎是“感知-動作”模式，類似于心理學的“刺激-反應”，它也決定系統的結構和參量 （3）系統的智能行為決定于系統的結構和參量 （4）自組織、自學習、自適應是智能系統得基本特征 （5）理論基礎是控制論、系統科學和心理學,行為主義-續,智能表示 （1）系統模型、模型結構和參量-隱式表示方法 （2）學習就是一次又一次地從外界接受條件和結果，即“感知-動作”，積累知識的過程 （3）自學習是指：當一個新的輸入條件決定后，能根據經驗的積累，給出相應結果的過程，或者當一

11、個新的條件和結果給出后，能夠調整結構和參量的過程 智能控制與智能機器人典型代表 （1）建立系統模型 （2）行為（感知-動作）模擬，積累知識，形成基本控制策略 （3）學習與自學習進行自適應調整與優化，形成新的控制策略 學習算法 自適應、自學習、自組織、自尋優等智能化方法,面臨困境,源于復雜性 知識的復雜性，知識表示的組合爆炸 不完整知識的表達問題 推理的時空爆炸性 神經網絡結構復雜 學習、訓練低效 難以全局收斂 能力限制 復雜行為模擬 不能用精確的數學模型描述的問題,信息時代的呼喚,工業時代 能量資源-創造動力的工具- 獲得能量 物理學、化學 創造動力工具的理論基礎,信息時代 信息資源-創造智能

12、的工具- 獲得智能 智能計算理論 創造智能工具的理論基礎,智能計算-回歸自然,自下而上的研究思路 傳統人工智能研究思路是自上而下，現代智能計算方法強調通過計算實現生物內在的智能行為，也稱為計算智能 從簡單到復雜的演化進程 智能的獲得不是一蹴而就，是漸進式的積累過程，簡單中孕育復雜，平凡中蘊含智慧 在傳統學科中尋找算法 如生命科學（遺傳算法）、物理學（模擬退火算法）和化學（DNA計算）等 從自然與社會系統中獲得靈感 如螞蟻算法、禁忌搜索和粒子群優化方法，模糊計算及模糊系統、粗造集及其系統,相互關系,計算智能與人工智能的界限并非十分明顯，1992年Bezdek給出了一個有趣的關系圖，其中 NN神經

13、網絡，PR模式識別，I智能 AArtificial， 表示人工的（非生物的），即人造的 BBiological， 表示物理的化學的（？）生物的 CComputational， 表示數學計算機,ABC的關系圖,計算智能是一種智力方式的低層認知，傳統人工智能是中層認知，中層系統含有知識，當一個智能計算系統以非數值方式加上知識值，則為人工智能系統,自然計算,自然計算的含義 學習、運用自然規律，模擬自然系統乃至社會系統的演變過程的智能計算方法，借鑒自然科學學科的原理和理論進行問題的求解方法 自然計算方法 演化計算、蟻群算法、粒子群優化方法、人工免疫系統、模糊計算,遺傳算法,遺傳算法（Genetic A

14、lgorithm）模擬達爾文的遺傳選擇和自然淘汰的生物進化過程 1975 年首先由Holland提出用于自然和人工系統的自適應行為研究(Adaptation in Natural and Artificial Systems) 組成：個體與群體、適應值函數、遺傳操作、終止條件 特點：隱含并行性、過程性、非確定性、群體性、內在學習、統計性、穩健性、整體優化,免疫系統,人體免疫系統是一個高度進化、復雜的生理機制 免疫系統通過高度復雜的網絡結構來識別和排除抗原性異物，維護體內環境的穩定 免疫系統具有識別能力、學習和免疫記憶功能，以及自適應調節機制等特性,蟻群算法概述,受螞蟻覓食行為的的啟發，90年代

15、Dorigo提出蟻群優化算法(AntColonyOptimization，ACO)求解TSP問題 設計虛擬的“螞蟻”，摸索不同路線，并留下會隨時間揮發的虛擬“信息素” 根據“信息素較濃，則路徑更短”的原則，每只螞蟻每次隨機選擇要走的路徑，但傾向于信息素比較濃的路徑 算法利用了正反饋機制，使得較短的路徑能夠有較大的機會得到選擇 ACO已成功用于解決其他組合優化問題 圖的著色(GraphColoring)問題 最短超串(ShortestCommonSupersequence)問題 網絡路由問題,蟻群覓食原理,A,B,C,D,蟻穴,食物,螞蟻從蟻穴出發覓食，可沿AC找到食物，也可沿ABC找到，如右圖

16、。 每個螞蟻找到食物后沿原路返回，并在路上留下外激素。,AC路徑短，AC上留下了兩次外激素，而ABC路徑長，沿CBA 返回的螞蟻，還只到了D處，故AD上只留下一次外激素。,后續離穴覓食者選擇外激素濃度大的AC路徑， 于是AC上外激素濃度將越來越大， 最后，絕大多數螞蟻沿較短的AC路徑覓食。,蟻群算法,粒子群優化概述,粒子群優化算法(Particle Swarm Optimization，PSO)1995年由Eberhart和Kennedy提出，源于模擬鳥群捕食行為 一群鳥在隨機搜索區域里的一塊食物，所有的鳥都不知道食物在那里，但知道當前的位置離食物還有多遠 那么找到食物的最優策略是什么呢？最簡

17、單有效的就是搜尋目前離食物最近的鳥的周圍區域 PSO中，優化問題的可行解就是搜索空間中的一只鳥，稱之為“粒子”，一群鳥稱為粒子群，所有的粒子都有一個由優化的函數決定的適應值（fitnessvalue) 每個粒子還有一個速度決定其飛行的方向和距離，目的是追隨當前的最優粒子在解空間中搜索 粒子通過跟蹤兩個“極值”來更新自己，第一個就是粒子自己當前找到的最優解，這個解叫做個體極值pBest，另一個極值是整個種群目前找到的最優解，這個極值是全局極值gBest,粒子移動原理,粒子i在N維空間里的位置表示為矢量Xi(x1，x2，xN)，飛行速度表示為矢量Vi(v1，v2，vN) 對于第k次迭代，PSO中的

18、每一個粒子的移動按照下式進行,粒子群優化算法,Step1： 初始化一群粒子(群體規模為m)，包括隨 機 位置和速度； Step2： 評價每個粒子的適應度； Step3： 對每個粒子，將其適應值與其經歷過的最好位置pbest作比較，如果較好，則將其作為當前的最好位置pbest； Step4： 對每個粒子，將其適應值與全局所經歷的最好位置gbest作比較，如果較好，則重新設置gbest的索引號； Step5： 根據方程(1)變化粒子的速度和位置； Step6： 如未達到結束條件（通常為足夠好的適應值或達到一個預設最大代數Gmax），則返回Step2,標準PSO的算法流程,模糊集,（1）美國控制論專家扎德（LAZadeh）于1965年將普通集合論的特征函數的取值范圍由0,1推廣到區間0 , 1, 提出了模糊集的概念。設在論域U上給定了一個映射 ：U 0 , 1 u 則 稱為U上的模糊（Fuzzy）集, ( u )稱為的