20世纪60年後期人工智慧所面对的主要困难是-多媒体系统与音讯.PPT

專家系統也很難進行核對和驗證。當給定一項有別於標準問題的任務時，專家系統可能在嘗試解決它的過程中最終陷入出乎預料的失敗境地。 啟發式規則表現了知識的抽象形式，缺乏對領域的基本理解，這使得確認非正確性、不完全性和不一致性知識的任務相當困難。 專家系統、特別是第一代專家系統不具備從它們的經驗中學習的能力。專家系統的開發相對獨立而且無法進行快速擴展，複雜的系統要花費超過30人年。 在20世紀80年代中期，研究者、工程師和領域專家們發現建造一個專家系統不只是需要買一套推理系統或專家系統核心程式然後嵌入足夠多的規則那麼簡單，伴隨著人工智慧相關項目資助的嚴重削減，對於專家系統的技術可行性的醒悟甚至促使人們開始預測人工智慧的“冬季”即將來臨，人工智慧研究者決定重新審定神經網路技術。 如何使機器學習，神經網路的再生 (20世紀80年代中期至今) 到20世紀60年代後期，神經計算所必需的基礎理論和概念都已經定型，然而直到80年代中期相對應的解決方法才出現。造成滯後的原因之一是技術層面的：那時還沒有個人電腦或高性能工作站可用來進行人工神經網的模式化和測試。 在20世紀80年代，由於仿腦資訊處理的需求、電腦科技的發展以及神經科學的進步，神經網路領域經歷了戲劇性的復甦。多個研究前沿領域在理論和設計兩方面都做出了重要的貢獻。 Grossberg建立了自我組織(適應諧振理論)的新原理，為神經網路的新體系奠定了基礎(Grossberg，1980) 。 Hopfield為神經網路引入了回授—Hopfield網路，這在20世紀80年代引產生了廣泛的關注(Hopfield，1982) 。 Kohonen發表了有關自我組織對應圖的論文(Kohonen，1982) Barto、Sutton和Anderson發表了有關加強學習與其在控制中的應用的論文(Barto et al.，1983)。 然而真正的突破是在1986年，Rumelhart和McClelland在Parallel Distributed Processing(1986)一書中重新發明了向後傳送學習演算法，該演算法由Bryson和Ho於1969年首次提出(Bryson和Ho，1969)。 自從McCulloch和Pitts建立了早期模型以來，人工神經網路已經經歷了很長的歷程而成為根植於神經科學、心理學、數學和工程學的跨學科主題，並將繼續在理論和實際應用方面得以發展。 知識工程的新時代，文字計算 (20世紀80年代後期至今) 神經網路技術比基於符號推理的系統能提供更多的與真實世界的自然互動，它可以學習，與不同的問題環境變化相適應，在規則未知的條件下也可以建立模式，並且可以處理模糊的不完整資訊。然而，神經網路缺乏解釋功能，常常像黑盒子一樣工作，以目前的技術來處理神經網路的訓練還很耗時，而且頻繁的再訓練可能帶來致命的困難。 * * Chapter 1 基於知識的智慧系統導言 n智慧型機器概述 n人工智慧發展歷史 n總結 n 哲學家們花費了兩千多年的時間試圖理解並解答宇宙中的兩大疑難問題：人類是如何思考的？人類之外的物體是否有思維？然而，這兩個問題至今仍然是未解之謎。 1.智慧是人類理解和學習事情的能力 n 2.智慧是思考和理解問題的能力而非本能和自 動地處理問題 智慧型機器概述 (大英基礎詞典，柯林斯，倫敦，1990年) n 所以為了思考，無論是人類還是其他事物都必須有大腦，換句話說是一種器官，它能夠使人類或其他事物具有學習和理解事物的能力，能夠解決問題並做出決斷。所以智慧可以被定義為“學習和理解事物、解決問題並做出決斷的能力” n 作為一門科學，人工智慧(AI)的最終目標是使機器能夠做人類所能做到的智慧型，所以“機器能否思考？”這個問題的答案對該學科而言至關重要 n 答案又不是簡單的“是”與“非” n 有些人可能在某些方面比別人聰明一些；有時我們處理問題會非常明智，但有時又會犯非常愚蠢的錯誤；有些人或許解決數學或工程難題時遊刃有餘，然而卻對哲學或歷史問題束手無策；一些人非常善於賺錢而另外一些人卻精於花錢。人類都具有學習、理解、解決問題和做出決定的能力，然而能力卻並不相同，並可以劃分成不同的等級，所以如果我們希望機器也可以思考的話，那麼在某種程度上它們的智慧也應該有所差別 n 英國數學家艾倫·圖靈(Alan Turing)所撰寫的：“電腦器與智慧型” 是最早和最具影響力的有關機器智慧的文章之一，雖然該文發表於50年前，但他的方法至今仍然通用，經得起時間的檢驗。 n 他曾經提出這樣的問題：是否存在沒有經驗的思想？是否存在不能交流的大腦？是否存在沒有生命的語言？是否存在脫離生命的智慧？不難發現所有這些問題都是“機器能否思考？”這一人工智慧基本問題的不同表達