人工智慧的诞生-多媒体系统与音讯处理室.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