人工智能的研究与应用领域.docx

人工智能的研究与应用领域

目前，随着人工智能技术的迅猛发展，几乎各种技术领域的发展都涉及人工智能技术，可以说人工智能已经广泛应用到许多实际领域中。其典型的应用包括：专家知识系统、机器学习、模式识别、自动定理证明、自然语言理解、智能决策支持系统、人工神经网络及博弈等。

1、专家系统（ExpertSystems）

通常，专家系统是指一个智能程序，它能够对某些需要专家知识才能解决的应用问题给出具有专家水平的解答。

20世纪60年代，专家系统逐渐发展起来，它是人工智能研究中开展较早、最活跃、成效最多的领域。1977年，费根鲍姆提出“知识工程”，把实用的人工智能称为知识工程，标志着人工智能研究进入实际应用的阶段。之后，雨后春笋般地出现了一大批应用于各领域的专家系统，涉及医学、化学、法律、农业、商业、生物、工程、教育、军事等领域，产生了很好的社会与经济效益。

专家系统是依靠人类专家已有的知识建立起来的知识系统，是一种具有特定领域内大量知识与经验的程序系统。

与传统的计算机程序相比，专家系统是以知识为中心，注重知识本身而不是确定的算法。根据专家的理论知识和实际经验，对人们还没有进行精确描述和严格分析的问题，在不确定或不精确的信息基础上做出判断。标准的计算机程序能精确地区分出每一任务应该如何完成，而专家系统则是告诉计算机做什么。它应用人工智能技术、模拟人类专家解决问题时的思维过程，来求解特定领域内的各种问题，达到或接近专家的水平。

专家系统突出了知识的价值，大大减少了知识传授和应用的代价，使专家的知识迅速变成社会的财富。另外，专家系统采用的是人工智能的原理和技术，如符号表示、符号推理、启发式搜索等，与一般的数据处理系统不同。

随着人工智能的不断发展和提高，各种新型的高级专家系统正在积极地开发应用中。所谓的高级专家系统是指为了克服传统专家系统的缺陷，不仅采用基于规则的方法，而且还采用基于框架的技术和基于模型的原理的新型专家系统。它包括分布式专家系统、协同式专家系统、模糊专家系统、神经网络专家系统和基于Web的专家系统等。

2、机器学习（MachineLearning）

人类具有智能的一个重要标志就是人类拥有学习能力。同样，机器的智能性也可通过机器学习来体现。作为人工智能的一个重要研究领域，机器学习就是研究如何使计算机模拟或实现人类的学习行为，以获得新的知识或技能，从而实现自身的不断完善。

机器学习的研究与认知科学、神经心理学、逻辑学等学科都有着密切的联系，并对人工智能的其他分支，如专家系统、自然语言理解、自动推理、智能机器人、计算机视觉、计算机听觉等方面，起到重要的推动作用。机器学习根据生理学、认知科学等对人的学习机理的理解，建立人类学习过程的计算模型，发展各种学习理论和学习方法，开发通用的学习算法，建立面向任务的具有一定应用性的学习系统。

机器学习经过多年的发展，已经形成了许多学习方法，如：监督学习、非监督学习、传授学习、机械学习、发现学习、类比学习、事例学习、连接学习、遗传学习等。而目前，人工智能领域最热门的科目之一是深度学习。深度学习已在笔迹识别、面部识别、语音识别、自动驾驶、自然语言处理、生物信息数据分析等方面取得成功应用。AlphaGo中也应用了深度学习。AlphaGo的优势之一就是能够进行自我学习，也就是说，AlphaGo能够和不同版本的“自己”进行下棋，从而每次都可以获得一点小小的进步，由此，AlphaGo获得了“思维”能力。具体来说，AlphaGo具有一套针对围棋而设计的深度学习系统，将增强学习、深度神经网络、策略网络、快速走子、估值网络和蒙特卡洛树搜索进行整合，同时利用Google强大的硬件支撑和云计算资源，依靠CPU+GPU运算，通过增强学习和自我博弈学习不断提高自身水平。因此，AlphaGo也可看做机器学习的一个成功案例。

3、模式识别（PatternRecognition）

模式识别是根据研究对象的特征或属性，利用以计算机为中心的机器系统运用一定的分析算法认定它的类别，系统应使分类识别的结果尽可能地符合真实。模式识别是一门综合性、交叉性学科。在理论上涉及代数、矩阵论、概率论、图论、模糊数学、最优化理论等众多学科的知识，在应用上又与其他许多领域的工程技术密切相关，其内涵可以概括为信息处理、分析与决策，它既是人工智能研究领域的重要分支，又是实现机器智能必不可少的技术手段。

目前，模式识别理论和技术已成功地应用于工业、农业、国防、科研、公安、生物医学、气象、天文学等许多领域，如信件自动分检、指纹识别、生物医学的细胞或组织分析、遥感图片的机器判读、系统的故障诊断以及文字与语言的识别等，并且正不断扩展到许多其他领域。

尽管现在机器识别的水平还远不如人脑，但随着模式识别理论以及其他相关学科的发展，可以预言