论人工智能的教学如何与时俱进研究.pdfVIP

论人工智能的教学如何“与时俱进” 余雪丽谢红薇 太原理工大学计算机与软件学院，太原，030024 摘要本文结合作者多年在极其挑战性的“人工智船”教学中的亲身经历和体会．研究人工智能 的重要组成部分符号主义，连接主义、智能群体和本体知识的产生、发展、优势及局限性·说明任何 新兴学科的发展历程都是曲折的．是应当与社会的进步相适应的．是需要多学科交叉和融合的。 关键词符号主义，连接主义。智能群体．奉体，教学 ‘ 任何一门学科、一个学科领域的科学理论、技术热点的研究和发展都不可能是一帆风顺 的，都会遇到曲折和困难}同时，相应的理论、技术研究热点也只有与社会发展相适应才能具有 强大的生命力。我们在高等学校从事自然科学的教学工作，不仅要传授知识，更要传承精神，鼓 励学生从入学的第一天起，就要瞄准本学科领域的最高奖去奋斗、冲刺。比如，用ACM图灵奖 和IEEE先驱奖作为终身的目标，在学习和研究的过程中要大力弘扬全国科协周光召主席号 召的“自信和科学的怀疑精神”，进行独立的、创造性的思考，不怕困难，求真唯实。下面，想从传 统人工智能、神经计算、分布式人工智能和哲学上升与抽象四个方面阐述人工智能的教学如何 实现“与时俱进”。 1 传统人工智能——符号主义 自1956年人工智能的概念被提出后，经历十几年的发展在二十世纪七十年代束√＼十年 代初发展到顶峰，有些发达国家只要研究项目冠以“人工智能”的桂冠，马上被批准实施。传统 的人工智能试图模仿人的思维过程进行推理，类似于人的左半脑作用，重点研究知识表示方 法、搜索原理，主要应用于专家系统的建立、机器学习、机器视觉、自然语言理解和智能控制等 方面。由于“它明智地把处理过程对象聚焦在某个特定领域的专业知识上”，获得了相当的成 功．带来了可观的经济效益。同时，传统的人工智能暴露出致命的局限性。非专业知识，例如常 识，往往不如专业知识规范，它们的处理更困难”，“知识的非规范性可以体现在很多方面，比如 它的海量性、含矛盾性、模糊性、时变性、环境相关性等”。即使拥有最先进的硬件设备，也无法 做超越它能力之外的事情，这是现存任何计算机都无法逾越的鸿沟。然而，计算机有效性又是 以逻辑的一致性为依托，而根据哥德尔定理，逻辑系统永远无法达到一致性和完备性的统一。 这从根本上否定了逻辑机器能够达到人类心智水平的可能性”。 客观地看问题，传统人工智能并不像人们当初期望的那样，成为一种“点金术”，能够包治 百病；也不像对人工智能研究进入低潮时有些人批评的那样。做不了什么事”。事实上，不仅一 系列成功的专家系统给企业界带来了经济效益，而且智能的概念逐渐深入人心，得到广泛应 用，“智能系统”成为工业界追求的目标。从学术界来说，为克服逻辑的脆弱性，科学家试图将生 470 物学、量子计算、社会学和行为组织学的原理；l入到人工智能领域作为补充。比如，为克服符号 逻辑方法的机械操作性、序列式因果性和算法计算的确定性等局限，采用生物基因自然机制的 计算形式，依照描述DNA分子的碱基顺序对信息编码，并利用生物化学家发展起来的精巧生 化过程进行计算，结果DNA计算可以以多项式复杂性来计算解决NP难题。 2神经计算——连接主义 神经网络的研究起源于二十世纪四十年代，以研究人类的大脑结构为主要目标，它是与传 统的人工智能几乎并行发展的两个分支。它试图分析人类大脑和中枢神经系统的神经元是如 何连接、如何工作的，从而产生智能行为，以此为基础，研究人工神经网络模型，实现计算智能 的目标。这类似于人类右半脑的功能。由于生物神经网络及人工神经网络都是以巨量神经元 相互连接、并行计算为特点，与现在我们广泛使用的冯．诺依曼计算机结构相比，神经网络在并 行处理、联想式存储、自学习、自组织、容错性等方面有明显的优势，特别在模拟生物神经系统 评感知机和神经网络“不是一个值得研究的领域”，仍然有不少科学家不顾这些非议坚持研究， 并且取得了骄人的成果。但是神经计算缺少一个统一的理论框架，经验成分相当高，它缺少人 出，对学习系统来说，训练集误差和测试集误差之间的差别是训练集规模的函数，该函数可以 由学习系统的VC维表征。面Zadeh等人倡导的软计算，则把模糊逻辑、遗传算法、进化演算、 粗糙集理论及粒度计算(Granularity 算、优化计算、演化能力方面的缺陷。这种结合极大地推进了神经计算的科学研究和实际应用， 尤其是M