图灵-国立联合大学电子工程.ppt

人工智慧的基礎 哲學(西元前428年 ~ 現在) 數學(約800年~ 現在) 經濟學(1776年~ 現在) 神經科學(1861年~ 現在) 心理學(1879年~ 現在) 電腦工程(1940年~ 現在) 控制理論(1948年~ 現在) 與研學(1957年~ 現在) 但是: 專家系統侷限於非常狹小的專業領域。例如開發MYCIN系統是用於診斷傳染性血液疾病，它本身缺乏真正的人體生理學知識。如果病人所患疾病不止一個，我們就無法依靠MYCIN了。事實上，如果患有其他疾病的話，針對血液疾病的治療處方甚至會是有害的。 專家系統可以顯示用來解決問題的規則串列，但無法進行相關性累積，也不具有對問題領域更深刻理解的啟發式知識。 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