人工智能历史、核心技术和应用

人工智能历史、核心技术和应用

一、概述

2011年以来，开发与人工智能相关的产品和技术并商业化的公司已获得超过总计20亿美元的风险投资，还有数十亿美元的投资收购人工智能初创公司。巨额投资、计算机导致失业等问题也开始浮现，计算机比人更加聪明并有可能威胁到人类生存这类论断被媒体四处引用并引发广泛关注。

IBM承诺拨出10亿美元来使他们的认知计算平台Watson商业化。谷歌在最近几年里的投资主要集中在人工智能领域，比如收购了8个机器人公司和1个机器学习公司。Facebook聘用了人工智能学界泰斗Yann LeCun 来创建人工智能实验室。牛津大学研究人员的报告，美国约47%的工作因为机器认知技术自动化而变得岌岌可危。

纽约时报畅销书《The Second Machine Age》论断，数字科技和人工智能带来巨大积极改变的时代已经到来，但是随之而来的也有引发大量失业等负面效应。

硅谷创业家Elon Musk 则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。著名理论物理学家Stephen Hawking认为，如果成功创造出人工智能则意味着人类历史的终结，“除非我们知道如何规避风险。”

二、人工智能与认知科技

揭秘人工智能的首要步骤就是定义专业术语，勾勒历史，同时描述基础性的核心技术。

1、人工智能的定义

人工智能领域苦于存在多种概念和定义，有的太过有的则不够。作为该领域创始人之一的Nils Nilsson先生写到：“人工智能缺乏通用的定义。”一本如今已经修订三版的权威性人工智能教科书给出了八项定义，但书中并没有透露其作者究竟倾向于哪种定义。实用的定义为——人工智能是对计算机系统如何能够履行那些只有

依靠人类智慧才能完成的任务的理论研究。例如，视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。

比起研究人类如何进行思维活动，从人类能够完成的任务角度对人工智能进行定义，而非人类如何思考，在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。随着计算机为解决新任务挑战而升级换代并推而广之，人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以，人工智能的定义随着时间而演变，这一现象称之为“人工智能效应”，概括起来就是“人工智能就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。”

2、人工智能的历史

人工智能在20世纪50年代就已经开始启动，这段探索的历史喧嚣与渴望、挫折与失望交替出现的时代。

20世纪50年代明确了人工智能要模拟人类智慧这一目标，从此研究人员开展了一系列贯穿20世纪60年代并延续到70年代的研究项目，这些项目表明，计算机能够完成一系列所本只属于人类能力范畴之内的任务，例如证明定理、求解微积分、通过规划来响应命令、履行物理动作，甚至是模拟心理学家、谱曲这样的活动。

但是，过分简单的算法、匮乏的难以应对不确定环境（这种情形在生活中无处不在）的理论，以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题。伴随着对缺乏继续努力的失望，人工智能于20世纪70年代中期逐渐淡出公众视野。

20世纪80年代早期，日本发起了一个项目，旨在开发一种在人工智能领域处于领先的计算机结构。西方开始担心会在这个领域输给日本，这种焦虑促使他们决定重新开始对人工智能的投资。20世纪80年代已经出现了人工智能技术产品的商业供应商，其中一些已经上市，例如Intellicorp、 Symbolics、和Teknowledge。

20世纪80年代末，几乎一半的“财富500强”都在开发或使用“专家系统”，这是一项通过对人类专家的问题求解能力进行建模，来模拟人类专家解决该领域问题的人工智能技术。

对于专家系统潜力的过高希望彻底掩盖了它本身的局限性，包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本，当这一点被越来越多的人所认识到时，人工智能研究再一次脱离轨道。

20世纪90年代在人工智能领域的技术成果始终处于低潮，成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注，这一方面是因为这些技术避免了专家系统的若干限制，另一方面是因为新算法让它们运行起来更加高效。

神经网络的设计受到了大脑结构的启发。遗传算法的机制是，首先迭代生成备选解决方案，然后剔除最差方案，最后通过引入随机变量来产生新的解决方案，从而“进化”出解决问题的最佳方案。

3、人工智能进步的催化剂

截止到21世纪前10年的后期，出现了一系列复兴人工智能研究进程的要素，尤其是一些核心技术。下面将对这些重要的因素和技术进行详细说明。

1）摩尔定律

在价格、体积不变的条件下，计算机的计算能力可以不断增长。这就是被人们所熟知的摩尔定律，它以Intel共同创办人Gordon Moore命名。Gordon Moore从各种形式的计算中获利，包括人工智

能研究人员使用的计算类型。数年以前，先进的系统设计只能在理论上成立但无法实现，因为它所需要的计算机资源过于昂贵或者计算机无法胜任。今天，我们已经拥有了实现这些设计所需要的计算资源。举个梦幻般的例子，现在最新一代微处理器的性能是1971年第一代单片机的400万倍。

2）大数据

得益于互联网、社交媒体、移动设备和廉价的传感器，这个世界产生的数据量急剧增加。随着对这些数据的价值的不断认识，用来管理和分析数据的新技术也得到了发展。大数据是人工智能发展的助推剂，这是因为有些人工智能技术使用统计模型来进行数据的概率推算，比如图像、文本或者语音，通过把这些模型暴露在数据的海洋中，使它们得到不断优化，或者称之为“训练”——现在这样的条件随处可得。

3）互联网和云计算

和大数据现象紧密相关，互联网和云计算可以被认为是人工智能基石有两个原因，第一，它们可以让所有联网的计算机设备都能获得海量数据。这些数据是人们推进人工智能研发所需要的，因此它可以促进人工智能的发展。第二，它们为人们提供了一种可行的合作方式——有时显式有时隐式——来帮助人工智能系统进行训练。比如，有些研究人员使用类似Mechanical Turk这样基于云计

算的众包服务来雇佣成千上万的人来描绘数字图像。这就使得图像识别算法可以从这些描绘中进行学习。谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量。

4）新算法

算法是解决一个设计程序或完成任务的路径方法。最近几年，新算法的发展极大提高了机器学习的能力，这些算法本身很重要，同时也是其他技术的推动者，比如计算机视觉（这项科技将会在后文描述）。机器学习算法目前被开源使用，这种情形将促成更大进步，因为在开源环境下开发人员可以补足和增强彼此的工作。

4、认知技术

我们将区分人工智能领域和由此延伸的各项技术。大众媒体将人工智能刻画为跟人一样聪明的或比人更聪明的计算机的来临。而各项技术则在以往只有人能做到的特定任务上面表现得越来越好。我们称这些技术为认知技术（下图），认知技术是人工智能领域的产物，它们能完成以往只有人能够完成的任务。而它们正是商业和公共部门的领导者应该关注的。下面我们将介绍几个最重要的认知技术，它们正被广泛采纳并进展迅速，也获得大量投资。

1）计算机视觉

是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如，一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。

计算机视觉有着广泛应用。其中包括，医疗成像分析被用来提高疾病的预测、诊断和治疗；人脸识别被Facebook用来自动识别照片里的人物；在安防及监控领域被用来指认嫌疑人；在购物方面，消费者现在可以用智能手机拍摄下产品以获得更多购买选择。

机器视觉作为一个相关学科，泛指在工业自动化领域的视觉应用。在这些应用里，计算机在高度受限的工厂环境里识别诸如生产零件一类的物体，因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究，而机器视觉则是“已经解决的问题”，是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大，计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。

2）机器学习

指的是计算机系统无需遵照显式的程序指令而只是依靠暴露在数据中来提升自身性能的能力。其核心在于，机器学习是从数据中自动发现模式，模式一旦被发现便可用于做预测。比如，给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库，系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多，预测就会越好。

机器学习的应用范围非常广泛，针对那些产生庞大数据的活动，它几乎拥有改进一切性能的潜力。除了欺诈甄别之外，这些活动还包括销售预测、库存管理、石油和天然气勘探、以及公共卫生。机器学习技术在其他的认知技术领域也扮演着重要角色，比如计算机视觉，它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。现如今，机器学习已经成为认知技术中最炙手可热的研究领域之一，在2011-2014年中这段时间内就已吸引了近十亿美

元的风险投资。谷歌也在2014年斥资4亿美金收购Deepmind这家研究机器学习技术的公司。

3）自然语言处理

是指计算机拥有的人类般文本处理的能力，比如，从文本中提取意义，甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式，但是它却可以用非常复杂与成熟的手段巧妙处理文本，例如自动识别一份文档中所有被提及的人与地点；识别文档的核心议题；或者在一堆仅人类可读的合同中，将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成，后者仅能针对简单的文本匹配与模式进行操作。请思考一个老生常谈的例子，它可以体现自然语言处理面临的一个挑战。在句子“光阴似箭（Time flies like an arrow）”中每一个单词的意义看起来都很清晰，直到系统遇到这样的句子“果蝇喜欢香蕉（Fruit flies like a banana）”，用“水果（fruit）”替代了“时间（time）”，并用“香蕉（banana）”替代“箭（arrow）”，就改变了“飞逝／飞着的（like）”与“像／喜欢（like）”这两个单词的意思。

自然语言处理，像计算机视觉技术一样，将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布，举例来说，就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字，通

过识别这些元素可以把某类文字同其他文字区别开来，比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准，用来决定一封邮件是否属于垃圾邮件。

因为语境对于理解“time flies（时光飞逝）”和“fruit flies（果蝇）”的区别是如此重要，所以自然语言处理技术的实际应用领域相对较窄，这些领域包括分析顾客对某项特定产品和服务的反馈、自动发现民事诉讼或政府调查中的某些含义、以及自动书写诸如企业营收和体育运动的公式化范文等。

4）机器人技术

将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中，这就催生了新一代的机器人，它有能力与人类一起工作，能在各种未知环境中灵活处理不同的任务。例如无人机，还有可以在车间为人类分担工作的“cobots”，还包括那些从玩具到家务助手的消费类产品。

5）语音识别技术

主要是关注自动且准确的转录人类的语音。该技术必须面对一些与自然语言处理类似的问题，在不同口音的处理、背景噪音、区分同音异形异义词(“buy”和“by”听起来是一样的)方面存在一些困难，同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术，再辅以其他技术，比如描述声音

和其出现在特定序列和语言中概率的声学模型等。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino’s Pizza最近推出了一个允许用户通过语音下单的移动APP。上面提到的认知技术进步飞快并吸引了大量投资，其他相对成熟的认知技术仍然是企业软件系统的重要组成部分。这些日渐成熟的认知技术包括决策最优化——自动完成对复杂决策或者在资源有限

的前提下做出最佳权衡；规划和调度——使设计一系列行动流程来满足目标和观察约束；规则导向系统——为专家系统提供基础的技术，使用知识和规则的数据库来自动完成从信息中进行推论的处理过程。

三、认知技术的广泛使用

各种经济部门已经把认知技术运用到了多种商业职能中。

1）银行业

自动欺诈探测系统使用机器学习可以识别出预示着欺诈性付款行动的行为模式；借助语音识别技术能够自动完成电话客服；声音识别可以核实来电者的身份

2）医疗健康领域

美国有一半的医院采用自动语音识别来帮助医生自动完成医嘱抄录，而且使用率还在迅速增长；机器视觉系统自动完成乳房X光检

查和其他医学影响的分析；IBM 的Watson借助自然语言处理技术来阅读和理解大量医学文献，通过假设自动生成来完成自动诊断，借助机器学习可以提高准确率。

3）生命科学领域

机器学习系统被用来预测生物数据和化合物活动的因果关系，从而帮助制药公司识别出最有前景的药物。

4）媒体与娱乐行业

许多公司正在使用数据分析和自然语言生成技术，自动起草基于数据的的公文材料，比如公司营收状况、体育赛事综述等。

5）石油与天然气

厂商将机器学习广泛运用在矿藏资源定位、钻井设备故障诊断等众多方面。

6）公共部门

出于监控、合规和欺诈检测等特定目的，公共部门也已经开始使用认知技术。比如，乔治亚州正在通过众包的形式来进行财政披露和竞选捐助表格的数字化，在这个过程中他们就采用了一套自动手写识别系统。

7）零售商

零售商利用机器学习来自动发现有吸引力的交叉销售定价和有效的促销活动。

8）科技公司

它们正利用机器视觉、机器学习等认知技术来改进产品或者开发全新产品，比如 Roomba机器人吸尘器，Nest智能恒温器。

上述例子表明，认识技术的潜在商业收益远大于自动化带来的成本节约，这主要体现在：

更快的行动与决策（比如，自动欺诈检测，计划和调度）

更好的结果（比如，医学诊断、石油探测、需求预测）

更高的效率（亦即，更好的利用高技能人才和昂贵设备），

更低的成本（比如，自动电话客服减少了劳动成本）

更大的规模（亦即，开展人力无法执行的大规模任务）

产品与服务创新（从增加新功能到创造新产品）

四、认知技术影响力与日俱增的原因

在未来五年，认知技术在商业领域的影响力将显著增长。原因有二，首先，近些年来，技术性能有了实质进步，并处于持续研发状态。其次，数亿美元已经投入到技术商业化中，许多公司正致力于为各

商业部门的广泛需求提供定制化开发和打包方案，以使这些技术更易购买和配臵。虽然并非所有的技术提供商都能幸存，但他们的努力将共同推动市场前进。技术性能的改善和商业化正在共同扩大着认知技术的应用范围，这种情况在未来几年都将持续下去。

1、技术提升扩展了应用范围

认知技术大踏步前进的例子非常多。比如Google的语音识别系统，一份报告显示，Google用了不到两年时间就将语音识别的精准度从2012 年的84%提升到如今的98%。计算机视觉技术也取得了突飞猛进的发展。如果以计算机视觉技术研究者设臵的技术标准来看，自2010年到2014年，图像分类识别的精准度提高了4倍。Facebook 的DeepFace技术在同行评审报告（译者注：同行评审，是一种学术成果审查程序，即一位作者的学术著作或计划被同一领域的其他专家学者评审。）被高度肯定，其脸部识别率的准确度达到97%。2011年，IBM 为了让Watson在智力节目《危险边缘》中获胜，曾对Watson 进行优化，提升两倍的答案精确度。现在，IBM又宣称如今的Watson 比当时“智能”了2400%。

随着技术的改进和提高，技术应用的范围也在不断扩大。比如，在语音识别方面，机器曾经需要大量训练才能在有限词库里勉强识别出来，由语音识别技术延伸出的医疗应用程序也很难得到真正普及。而现在，每个月互联网上都会有数以百万次的语音搜索。另外，计算机视觉技术过去被狭隘的理解为部署在工业自动化方面，但现

在，我们早已看到这一技术被广泛运用到监控、安全以及各种各样的消费应用里。IBM如今正拓展Watson在竞赛游戏之外的应用，从医疗诊断到医学研究再到财务建议以及自动化的呼叫中心。

并不是所有的认知技术都有如此令人瞩目的发展。机器翻译有了一定发展，但幅度很小。一份调查发现，从2009年到2012年，将阿拉伯语翻译到英语的精确度仅仅提升了13%。尽管这些技术还不完美，但他们已经可以影响到专业机构的工作方式。很多专业翻译人员依靠机器翻译提升翻译精准度，并把一些常规翻译交给机器，自己专注在更具挑战性的任务上。

很多公司正努力将认知技术做进一步研发，并逐步将其融入到更多产品尤其是企业级产品里，以方便企业用户购买和部署。

2、对商业化进行的大规模投资

从2011年到2014年5月，超过20亿美元的风险投资流入到基于认知技术研究的产品和服务里。与此同时，超过100家的相关公司被兼并或收购，其中一些被互联网巨头如亚马逊、苹果、Google、IBM 或Facebook收购。所有这些投资都在培育一个多样化的公司图谱，这些公司正在加速认知技术的商业化进程。

在这里，我们并不会提供关于某公司在认知技术商业化方面的细节，我们希望说明，认知技术产品拥有丰富的多样性。下面就是致力于

认知技术商业化的公司名单，这个名单既不是完整无缺也非固定不变，而是一个动态的，用于推动和培育市场的指标。

数据管理和分析工具主要使用自然语言处理、机器学习等认知技术。这些工具利用自然语言处理来从非结构化的文本中提取出意思，或者借助机器学习帮助分析人员从大规模数据集中发现深层含义。这个领域的公司包括Context Relevant（译者注：美国的一家大数据挖掘和分析公司）、Palantir Technologies（译者注：这家公司称要将数据、技术、人类和环境连接起来）、以及Skytree（译者注：一家借助机器学习进行市场分析并提供决策依据的大数据公司）。认知技术的各个部分可以被整合到各种应用和商业决策中，分别起到增加功能和提高效率的作用。例如，Wise.io公司提供一套模块来促进商业决策，比如客户支持、营销和销售，这里面会用到机器学习模型来预测哪些客户比较容易流失，以及哪些潜在客户更加容易转化。Nuance公司通过提供一种语音识别技术来帮助开发者进行需要语音控制的移动APP的开发。

单点解决方案。众多认知技术成熟的标志是它们正在被不断的嵌入到特定商业问题的解决方案中。这些解决方案的设计初衷是要比公司原有的解决方案更加有效，并且几乎不需要认知技术方面的专业人员。普及度比较高的应用领域包括广告、营销和销售自动化、预测以及规划。

技术平台。平台的目的是为建立高度定制化的商业解决方案提供基础。它们会提供一系列功能，包括数据管理、机器学习工具、自然语言处理、知识表示和推理、以及将这些定制化软件整合在一起的统一框架。

3、新兴应用

如果这些技术的表现和商业化趋势继续发展，我们就能够大胆预测认知技术的应用将更加广泛，被接受程度也会大大增加。数亿美金的投资涌入这些基于机器学习、自然语言处理、机器视觉或者机器人技术的公司，这预示着许多新应用即将投入市场。在商业机构依托认知技术构建自动化业务流程、增强产品和服务方面，我们也看到了巨大空间。

五、认知技术在企业的应用路径

认知技术将在接下来几年里变得流行。在未来2-5年，技术层面的进步和商业化将扩大认知技术对企业的影响。越来越多的企业会找到一些创新性应用来显著改善他们自身的表现或者创造新功能，以增强他们的竞争地位。企业的IT部门现在可以行动起来，增加对这些技术的了解，评估出适用这些技术的机会，将这些技术可能带来的价值向领导进行汇报。高级商务和公共部门的领导应该思考认知技术将对他们的部门以及整个公司产生何种影响，这些技术将如何激发创新并提升经营表现。

(发展战略)人工智能的发展及应用最全版

（发展战略）人工智能的发 展及应用

人工智能的发展及应用 这是个信息爆炸自动控制飞速发展的时代，而在这样的时代中，人工智能也取得了飞速的发展。成为了最前沿最热门的学科和研究方向之壹。 人工智能的定义 “人工智能”(ArtificialIntelligence)壹词最初是在1956年Dartmouth学会上提出的。人工智能是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的壹门新的技术科学。人工智能是计算机科学的壹个分支,它企图了解智能的实质,且生产出壹种新的能以人类智能相似的方式做出反应的智能机器。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学和技术的发展史联系在壹起的。 人工智能理论进入21世纪,正酝酿着新的突破,人工智能的研究成果将能够创造出更多更高级的智能“制品”,且使之在越来越多的领域超越人类智能,人工智能将为发展国民经济和改善人类生活做出更大贡献。 人工智能的应用领域 1.在管理系统中的应用 (1)人工智能应用于企业管理的意义主要不在于提高效率,而是用计算机实现人们非常需要做,但工业工程信息技术是靠人工却做不了或是很难做到的事情。在《谈谈人工智能在企业管理中的应用》壹文中刘玉然指出把人工智能应用于企业管理中,以数据管理和处理为中心,围绕企业的核心业务和主导流程建立若干个主题数据库,而所有的应用系统应该围绕主题数据库来建立和运行。换句话说,就是将企业各部门的数据进行统壹集成管理,搭建人工智能的应用平台,使之成为企业管理和决策中的关键因子。

2.在工程领域的应用 (1)医学专家系统是人工智能和专家系统理论和技术在医学领域的重要应用,具有极大的科研和应用价值,它能够帮助医生解决复杂的医学问题,作为医生诊断、治疗的辅助工具。事实上,早在1982年,美国匹兹堡大学的Miller就发表了著名的作为内科医生咨询的Internist2Ⅰ内科计算机辅助诊断系统的研究成果,由此,掀起了医学智能系统开发和应用的高潮。目前,医学智能系统已通过其在医学影像方面的重要作用,从而应用于内科、骨科等多个医学领域中,且在不断发展完善中。 (2)地质勘探、石油化工等领域是人工智能的主要作用发挥领地。1978年美国斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECTOR”,该系统用于勘探评价、区域资源估值和钻井井位选择等,是工业领域的首个人工智能专家系统,其发现了壹个钼矿沉积,价值超过1亿美元。 3.在技术研究中的应用 (1)在超声无损检测(NDT)和无损评价(NDE)领域中,目前主要广泛采用专家系统方法对超声损伤(UT)中缺陷的性质、形状和大小进行判断和归类;专家运用超声无损检测仪器,以其高精度的运算、控制和逻辑判断力代替大量人的体力和脑力劳动,减少了任务因素造成的无擦,提高了检测的可靠性,实现了超声检测和评价的自动化、智能化。 (2)人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展,网络技术的安全是我们关心的重点,因此我们必须在传统技术的基础上进行网络安全技术的改进和变更,大力发展数据挖掘技术、人工免疫技术等高效的AI技术,开发更高级AI通用和专用语言,和应用环境以及开发专用机器,而和人工智能技术

人工智能的核心技术【精选】整理版

人工智能的核心技术是什么？ 《人工智能标准化白皮书（2018）》 1 机器学习 机器学习（Machine Learning）是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。 （1）根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。 监督学习 监督学习是利用已标记的有限训练数据集，通过某种学习策略/方法建立一个模型，实现对新数据/实例的标记（分类）/映射，最典型的监督学习算法包括回归和分类。监督学习要求训练样本的分类标签已知，分类标签精确度越高，样本越具有代表性，学习模型的准确度越高。监督学习在自然语言处理、信息检索、文本挖掘、手写体辨识、垃圾邮件侦测等领域获得了广泛应用。 无监督学习 无监督学习是利用无标记的有限数据描述隐藏在未标记数据中的结构/规律，最典型的非监督学习算法包括单类密度估计、单类数据降维、聚类等。无监督学习不需要训练样本和人工标注数据，便于压缩数据存储、减少计算量、提升算法速度，还可以避免正、负样本偏移引起的分类错误问题。主要用于经济预测、异常检测、数据挖掘、图像处理、模式识别等领域，例如组织大型计算机集群、社交网络分析、市场分割、天文数据分析等。 强化学习 强化学习是智能系统从环境到行为映射的学习，以使强化信号函数值最大。由于外部环境提供的信息很少，强化学习系统必须靠自身的经历进行学习。强化学习的目标是学习从环境状态到行为的映射，使得智能体选择的行为能够获得环境最大的奖赏，使得外部环境对学习系统在某种意义下的评价为最佳。其在机器人控制、无人驾驶、下棋、工业控制等领域获得成功应用。 （2）根据学习方法可以将机器学习分为传统机器学习和深度学习。 传统机器学习 传统机器学习从一些观测（训练）样本出发，试图发现不能通过原理分析获得的规律，实现对未来数据行为或趋势的准确预测。相关算法包括逻辑回归、隐马尔科夫方法、支持向

人工智能或许会成为第四次工业革命的核心技术

人工智能或许会成为第四次工业革命的核心技术 现今，人工智能在世界范围内的重视程度早已不亚于能源研究了，而人工智能的普及也将成为科学发展的必然趋势，因此人工智能或许会成为第四次工业革命的核心技术，我相信未来巨大的投资机会就在其中。 今天的世界仍朝着美好的未来积极进取，而激烈的社会斗争却成为了人类美好愿望的绊脚石，经济危机的漩涡将世界搅得不得安宁，贫穷，战乱，饥饿在21世纪的今天仍随处可见。在国际关系混乱不堪，经济压力日益凸显，社会资源分配不均的今天，我们需要一次全面的工业革命来提高生产力，提高经济效益以应对目前尖锐的社会矛盾。 第一次工业革命将人类推向崭新的蒸汽动力时代，实现了机械自动化基本取代人力畜力，大大提高了社会生产力。而第二次工业革命则是将人类带入了新能源时代，电气，化石燃料第一次投入生产使用。第三次工业革命让人类全面走向科技时代，航天技术，生物克隆技术，信息技术在这一时代如雨后春笋般欣欣向荣，蓬勃发展。2014年德国汉诺威工业博览会提出，还未到来的第四次工业革命必将以深度网络化，数字化及机器自组织为核心内容，人类或许将由此进入数据时代。 人类生产不同类型的计算机，各司其职。某些特定功能的计算机可以通过一个新的专业维度感知周围事物，并获取主要信息，将之反馈到数据处理中心，通过人类收集的大数据不断计算，分析并得出最

优处理方案，然后通过输出特殊指令完成某项工作。不同的处理结果将再次反馈至数据处理中心，进行各项指令的微调。这样不断的调整使得计算机得出自己对指令的理解，当计算机拥有独特且准确的处理方案时，它便掌握了这项技能。计算机对不断分析数据、积累知识，它的智能水平也就越来越高。 各个简单的指令有序的组合即可完成某些复杂的程序，人工智能也能模拟人类自主思维甚至超越人类。谷歌人工智能系统“阿尔法围棋”终以4比1胜韩国职业棋手李世石九段的比赛，引起了世界的关注。这让人看到了人工智能技术的发展，真是到了让人震撼的程度。新的时代，机器通过不断地吃进数据和提高技能，能够取代很多电脑做的有智能的工作。机器人工智能的提高更好的为人类服务，另一方面也给人类带来深深地隐忧，到2020年将造成全球逾500万人失业。 除此之外，2014年谷歌公司宣布自动驾驶汽车成功行驶20万公里，并于2015年取得美国首个自动驾驶车辆许可证。这样的消息也推动了汽车行业的一次重要改革，同年中国互联网巨头百度公司也宣布与宝马公司合作研发自动驾驶技术。新型的自动化汽车或许将于不久后向市场推广，其优越的安全性能，低耗能将成功的吸引大众的眼球，这也预示着自动化汽车将会在世界范围内普及。 人工智能将会渗透入各个方面，机器翻译，智能控制，语言及图像理解，自动程序设计，航天应用，军事领域，信息储存，科学研究甚至其他的人类无法执行的复杂且庞大的任务。 人工智能将以其优越的服务能力基本取代人类服务，带来危险的

人工智能发展与应用简介

人工智能发展与应用综述 摘要：概要的阐述了人工智能的概念、发展历史、当前研究热点和实际应用以及未来的发展趋势 20世纪是自然科学发展史上最为辉煌的时代，生物科学是自然科学中发展最迅速的学科。因为生物科学与人类生存、人民健康、社会发展密切相关，必然成为21世纪初的主导学科。在20世纪生物科学的发展中有许多重大突破，出现了许多新观念、新思想、新成果和新技术。特别是20世纪50年代以来，随着数理科学广泛深入地渗透到生物科学以及一些先进的仪器设备和研究技术的问世，生物科学已经从基本上是静态的、以形态描述与分析为主的学科演化发展成动态的、以实验为基础的定量的学科，逐步发展为自动化、智能化。在生物系统的领域，人工智能的发展尤为令人关注。 一．人工智能的概念 人工智能领域的研究是从1956年正式开始的，这一年在达特茅斯大学召开的会议上正式使用了“人工智能”(Artificial Intelligence，AI)这个术语。 人工智能也称机器智能，它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的角度出发，人工智能是研究如何制造智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。如果仅从技术的角度来看，人工智能要解决的问题是如何使电脑表现智能化，使电脑能更灵活方效地为人类服务。只要电脑能够表现出与人类相似的智能行为,就算是达到了目的，而不在乎在这过程中电脑是依靠某种算法还是真正理解了。人工智能就是计算机科学中涉及研究、设计和应用智能机器的—个分支，人工智能的目标就是研究怎样用电脑来模仿和执行人脑的某些智力功能，并开发相关的技术产品，建立有关的理论。 人工智能是在计算机科学、控制论、信息论、心理学、语言学等多种学科相互渗透的基础发展起来的一门新兴边缘学科，主要研究用机器（主要是计算机）来模仿和实现人类的智能行为. 二．人工智能的发展历史 50年代人工智能的兴起和冷落人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是：重视问题求解的方法，忽视知识重要性。 60年代末到70年代，专家系统出现，使人工智能研究出现新高潮DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、

人工智能复习题 答案

一：单选题 1. 人工智能的目的是让机器能够（D），以实现某些脑力劳动的机械化。 A. 具有完全的智能 B. 和人脑一样考虑问题 C. 完全代替人 D. 模拟、延伸和扩展人的智能 2. 下列关于人工智能的叙述不正确的有（C）。 A. 人工智能技术它与其他科学技术相结合极大地提高了应用技术的智能化水平。 B. 人工智能是科学技术发展的趋势。 C. 因为人工智能的系统研究是从上世纪五十年代才开始的，非常新，所以十分重要。 D. 人工智能有力地促进了社会的发展。 3. 自然语言理解是人工智能的重要应用领域，下面列举中的（C）不是它要实现的目标。 A. 理解别人讲的话。 B. 对自然语言表示的信息进行分析概括或编辑。 C. 欣赏音乐。 D. 机器翻译。 4. 下列不是知识表示法的是（A）。 A. 计算机表示法 B. 谓词表示法 C. 框架表示法 D. 产生式规则表示法 5. 关于“与/或”图表示知识的叙述，错误的有（D）。 A. 用“与/或”图表示知识方便使用程序设计语言表达，也便于计算机存储处理。 B. “与/或”图表示知识时一定同时有“与结点”和“或结点”。 C. “与/或”图能方便地表示陈述性知识和过程性知识。 D. 能用“与/或”图表示的知识不适宜用其他方法表示。 6. 一般来讲，下列语言属于人工智能语言的是（D）。 A. VJ B. C# C. Foxpro D. LISP 7. 专家系统是一个复杂的智能软件，它处理的对象是用符号表示的知识，处理的过程是（C）的过程。 A. 思考 B. 回溯 C. 推理 D. 递归 8. 确定性知识是指（A）知识。 A. 可以精确表示的 B. 正确的 C. 在大学中学到的知识 D. 能够解决问题的 9. 下列关于不精确推理过程的叙述错误的是（B）。 A. 不精确推理过程是从不确定的事实出发 B. 不精确推理过程最终能够推出确定的结论 C. 不精确推理过程是运用不确定的知识 D. 不精确推理过程最终推出不确定性的结论 10. 我国学者吴文俊院士在人工智能的（A）领域作出了贡献。 A. 机器证明 B. 模式识别 C. 人工神经网络 D. 智能代理

专业技术人员继续教育《人工智能技术发展趋势和应用》试题和答案涵盖80%内容

《人工智能技术发展趋势及应用》试题及答案 (一) 单选题，每题 2 分，共 20 题。 1. 下列有关人工智能的说法中，不正确的是（）。 (A)人工智能是以机器为载体的智能 (B)人工智能是以人为载体的智能 (C)人工智能是相对于动物的智能 (D)人工智能也叫机器智能 2. 以下属于素养性知识的是（）。 (A)为人处事方面的知识 (B)行业性知识 (C)分析性知识 (D)创造性知识 3. 本课程提到，人工智能皇冠上的明珠是（）。 (A)数据智能 (B)读写智能 (C)逻辑智能 (D)语言智能 4. 根据本课程，以下哪项不属于情感分析四维模型的内容（）。 (A)读音知情 (B)读脸知情

(C)读搏知情 (D)读书知情 5. 人工神经网络发展的第一次高潮是（）。 (A)1986年启动“863计划” (B)1977年，吴文俊创立吴方法 (C)1957年，罗森布拉特提出感知机神经元关系 (D)1985-1986年提出误差反向传播算法 6. 人工智能在围棋方面的应用之一是AlphaGo通过（）获得“棋感”。 (A)视觉感知 (B)扩大存储空间 (C)听觉感知 (D)提高运算速度 7. 以下哪项不属于教育信息化的三个阶段（）。 (A)教育创新化 (B)教育技术化 (C)教育智能化 (D)教育智慧化 8. 以下不属于人工智能对当前经济社会冲击最大的四个领域的是（）。 (A)制造 (B)教育

(C)艺术 (D)金融 9. 2013年，麻省理工学院的基础评论把（）列为第一大技术突破。 (A)机器学习 (B)人工智能 (C)智能围棋 (D)深度学习 10. 根据本课程，过去生产一台哈雷机车需要21天，但在工业4.0时代，只需要（）就可以把私人定制的摩托车交给客户，极大提高了生产效率，同时满足用户的个性化需求。 (A)2天 (B)24小时 (C)12小时 (D)6小时 11. 根据本课程，根据相关机构数据分析，中国制造业总体成本与美国相比（） (A)远远低于美国 (B)远远高于美国 (C)已经几乎相等同 (D)无法判断 12. 根据本课程，高速公路自动驾驶属于智能网联汽车的哪个发展阶段？（） (A)驾驶辅助 (B)部分自动驾驶

人工智能发展史解读

人工智能学科诞生于20世纪50年代中期，当时由于计算机的产生与发展，人们开始了具有真正意义的人工智能的研究。（虽然计算机为AI提供了必要的技术基础,但直到50年代早期人们才注意到人类智能与机器之间的联系. Norbert Wiener是最早研究反馈理论的美国人之一.最熟悉的反馈控制的例子是自动调温器.它将收集到的房间温度与希望的温度比较,并做出反应将加热器开大或关小,从而控制环境温度.这项对反馈回路的研究重要性在于: Wiener从理论上指出,所有的智能活动都是反馈机制的结果.而反馈机制是有可能用机器 模拟的.这项发现对早期AI的发展影响很大。） 1956年夏，美国达特莫斯大学助教麦卡锡、哈佛大学明斯基、贝尔实验室申龙、IBM公司信息研究中心罗彻斯特、卡内基——梅隆大学纽厄尔和赫伯特.西蒙、麻省理工学院塞夫里奇和索罗门夫，以及IBM公司塞缪尔和莫尔在美国达特莫斯大学举行了以此为其两个月的学术讨论会，从不同学科的角度探讨人类各种学习和其他职能特征的基础，并研究如何在远离上进行精确的描述，探讨用机器模拟人类智能等问题，并首次提出了人工智能的术语。从此，人工智能这门新兴的学科诞生了。这些青年的研究专业包括数学、心理学、神经生理学、信息论和电脑科学，分别从不同角度共同探讨人工智能的可能性。他们的名字人们并不陌生，例如申龙是《信息论》的创始人，塞缪尔编写了第一个电脑跳棋程序，麦卡锡、明斯基、纽厄尔和西蒙都是“图灵奖”的获奖者。 这次会议之后，在美国很快形成了3个从事人工智能研究的中心，即以西蒙和纽威尔为首的卡内基—梅隆大学研究组，以麦卡锡、明斯基为首的麻省理工学院研究组，以塞缪尔为首的IBM公司研究组。随后，这几个研究组相继在思维模型、数理逻辑和启发式程序方面取得了一批显著的成果： （1）1956年，纽威尔和西蒙研制了一个“逻辑理论家“（简称LT）程序，它将每个问题都表示成一个树形模型,然后选择最可能得到正确结论的那一枝来求解问题，证明了怀特黑德与罗素的数学名著《数学原理》的第2章中52个定理中的38个定理。1963年对程序进行了修改，证明了全部定理。这一工作受到了人们的高度评价，被认为是计算机模拟人的高级思维活动的一个重大成果，是人工智能的真正开端。 （2）1956年，塞缪尔利用对策论和启发式搜索技术编制出西洋跳棋程序Checkers。该程序具有自学习和自适应能力，能在下棋过程中不断积累所获得的经验，并能根据对方的走步，从许多可能的步数中选出一个较好的走法。这是模拟人类学习过程第一次卓有成效的探索。这台机器不仅在1959年击败了塞缪尔本人，而且在1962年击败了美国一个州的跳棋冠军，在世界上引起了大轰动。这是人工智能的一个重大突破。 （3）1958年，麦卡锡研制出表处理程序设计语言LISP，它不仅可以处理数据，而且可以方便的处理各种符号，成为了人工智能程序语言的重要里程碑。目前，LISP语言仍然是研究人工智能何开发智能系统的重要工具。 （4）1960年纽威尔、肖和西蒙等人通过心理学实验，发现人在解题时的思维过程大致可以分为3个阶段：1。首先想出大致的解题计划；2。根据记忆中的公理、定理和解题规划、按计划实施解题过程；3.在实施解题过程中，不断进行方法和目标分析，修改计划。这是一个具有普遍意义的思维活动过程，其中主要是方法和目的的分析。（也就是人们在求解数学问题通常使用试凑的办法进行的试凑是不一定列出所有的可能性，而是用逻辑推理来迅速缩小搜索范围的办法进行的），基于这一发现，他们研制了“通用问题求解程序GPS”，用它来解决不定积分、三角函数、代数方程等11种不同类型的问题，并首次提出启发式搜索概念，从而使启发式程序具有较普遍的意义。

人工智能的发展及应用()

人工智能的发展及应用 学院： 班级： 姓名： 学号： 人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能几乎涉及到是自然科学和社会科学的所有学科，其范围

已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。 人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识、自我、思维等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。关于人工智能一个大家比较容易接受的定义是这样的：人工智能是人造的智能,是计算机科学、逻辑学、认知科学交叉形成的一门科学，简称AI。 人工智能体现在思维、感知、行为三个层次。它主要模拟眼神、扩展人的智能。其研究内容可以分为机器思维和思维机器、机器行为和行为机器、机器感知和感知机器、三个层次。人工智能研究与应用虽然取得了不少成果，但离全面推广应用还有很大距离，还有很多问题需要许多学科的共同研究。 人工智能有两种实现方式，第一种叫做工程学方法（Engineering approach），是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。它已在一些领域内作出了成果，如文字识别、电脑下棋等。第二种是模拟法（Modeling approach），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。第一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁,非常麻烦。采用第二种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。 人工智能的发展: 人工智能的研究经历了以下几个阶段: 孕育阶段:古希腊的Aristotle（亚里士多德）（前384-322），给出了形式逻辑的基本规律。英国的哲学家、自然科学家Bacon（培根）（1561-1626），系统地给出了归纳法。“知识就是力量”德国数学家、哲学家Leibnitz（布莱尼兹）（1646-1716）。提出了关于数理逻辑的思想，把形式逻辑符号化，从而能对人的思维进行运算和推理。做出了能做四则运算的手摇计算机英国数学家、逻辑学家Boole（布尔）（1815-1864）实现了布莱尼茨的思维符号化和数学化的思想,提出了一种崭新的代数系统——布尔代数。 第一阶段:50年代人工智能的兴起和冷落人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序LISP表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是：重视问题求解的方法，忽视知识重要性。 第二阶段:60年代末到70年代，专家系统出现，使人工智能研究出现新高潮DENDRAL 化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR探矿系统、Hearsay-II语

人工智能历史、核心技术和应用

人工智能历史、核心技术和应用 一、概述 2011年以来，开发与人工智能相关的产品和技术并商业化的公司已获得超过总计20亿美元的风险投资，还有数十亿美元的投资收购人工智能初创公司。巨额投资、计算机导致失业等问题也开始浮现，计算机比人更加聪明并有可能威胁到人类生存这类论断被媒体四处引用并引发广泛关注。 IBM承诺拨出10亿美元来使他们的认知计算平台Watson商业化。谷歌在最近几年里的投资主要集中在人工智能领域，比如收购了8个机器人公司和1个机器学习公司。Facebook聘用了人工智能学界泰斗Yann LeCun 来创建人工智能实验室。牛津大学研究人员的报告，美国约47%的工作因为机器认知技术自动化而变得岌岌可危。 纽约时报畅销书《The Second Machine Age》论断，数字科技和人工智能带来巨大积极改变的时代已经到来，但是随之而来的也有引发大量失业等负面效应。 硅谷创业家Elon Musk 则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。著名理论物理学家Stephen Hawking认为，如果成功创造出人工智能则意味着人类历史的终结，“除非我们知道如何规避风险。”

二、人工智能与认知科技 揭秘人工智能的首要步骤就是定义专业术语，勾勒历史，同时描述基础性的核心技术。 1、人工智能的定义 人工智能领域苦于存在多种概念和定义，有的太过有的则不够。作为该领域创始人之一的Nils Nilsson先生写到：“人工智能缺乏通用的定义。”一本如今已经修订三版的权威性人工智能教科书给出了八项定义，但书中并没有透露其作者究竟倾向于哪种定义。实用的定义为——人工智能是对计算机系统如何能够履行那些只有 依靠人类智慧才能完成的任务的理论研究。例如，视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。 比起研究人类如何进行思维活动，从人类能够完成的任务角度对人工智能进行定义，而非人类如何思考，在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。随着计算机为解决新任务挑战而升级换代并推而广之，人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以，人工智能的定义随着时间而演变，这一现象称之为“人工智能效应”，概括起来就是“人工智能就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。” 2、人工智能的历史

人工智能发展史

人工智能发展史 人工智能学科诞生于20世纪50年代中期，当时由于计算机的产生与发展，人们开始了具有真正意义的人工智能的研究。（虽然计算机为AI提供了必要的技术基础,但直到50年代早期人们才注意到人类智能与机器之间的联系. Norbert Wiener是最早研究反馈理论的美国人之一.最熟悉的反馈控制的例子是自动调温器.它将收集到的房间温度与希望的温度比较,并做出反应将加热器开大或关小,从而控制环境温度.这项对反馈回路的研究重要性在于: Wiener从理论上指出,所有的智能活动都是反馈机制的结果.而反馈机制是有可能用机器模拟的.这项发现对早期AI的发展影响很大。） 1956年夏，美国达特莫斯大学助教麦卡锡、哈佛大学明斯基、贝尔实验室申龙、IBM公司信息研究中心罗彻斯特、卡内基——梅隆大学纽厄尔和赫伯特.西蒙、麻省理工学院塞夫里奇和索罗门夫，以及IBM公司塞缪尔和莫尔在美国达特莫斯大学举行了以此为其两个月的学术讨论会，从不同学科的角度探讨人类各种学习和其他职能特征的基础，并研究如何在远离上进行精确的描述，探讨用机器模拟人类智能等问题，并首次提出了人工智能的术语。从此，人工智能这门新兴的学科诞生了。这些青年的研究专业包括数学、心理学、神经生理学、信息论和电脑科学，分别从不同角度共同探讨人工智能的可能性。他们的名字人们并不陌生，例如申龙是《信息论》的创始人，塞缪尔编写了第一个电脑跳棋程序，麦卡锡、明斯基、纽厄尔和西蒙都是“图灵奖”的获奖者。 这次会议之后，在美国很快形成了3个从事人工智能研究的中心，即以西蒙和纽威尔为首的卡内基—梅隆大学研究组，以麦卡锡、明斯基为首的麻省理工学院研究组，以塞缪尔为首的IBM公司研究组。随后，这几个研究组相继在思维模型、数理逻辑和启发式程序方面取得了一批显著的成果： （1）1956年，纽威尔和西蒙研制了一个“逻辑理论家“（简称LT）程序，它将每个问题都表示成一个树形模型,然后选择最可能得到正确结论的那一枝来求解问题，证明了怀特黑德与罗素的数学名著《数学原理》的第2章中52个定理中的38个定理。1963年对程序进行了修改，证明了全部定理。这一工作受到了人们的高度评价，被认为是计算机模拟人的高级思维活动的一个重大成果，是人工智能的真正开端。 （2）1956年，塞缪尔利用对策论和启发式搜索技术编制出西洋跳棋程序Checkers。该程序具有自学习和自适应能力，能在下棋过程中不断积累所获得的经验，并能根据对方的走步，从许多可能的步数中选出一个较好的走法。这是模拟人类学习过程第一次卓有成效的探索。这台机器不仅在1959年击败了塞缪尔本人，而且在1962年击败了美国一个州的跳棋冠军，在世界上引起了大轰动。这是人工智能的一个重大突破。 （3）1958年，麦卡锡研制出表处理程序设计语言LISP，它不仅可以处理数据，而且可以方便的处理各种符号，成为了人工智能程序语言的重要里程碑。目前，LISP语言仍然是研究人工智能何开发智能系统的重要工具。 （4）1960年纽威尔、肖和西蒙等人通过心理学实验，发现人在解题时的思维过程大致可以分为3个阶段：1。首先想出大致的解题计划；2。根据记忆中的公理、定理和解题规划、按计划实施解题过程；3.在实施解题过程中，不断进行方法和目标分析，修改计划。这是一个具有普遍意义的思维活动过程，其中主要是方法和目的的分析。（也就是人们在求解数学问题通常使用试凑的办法进行的试凑是不一定列出所有的可能性，而是用逻辑推理来迅速缩小搜索范围的办法进行的），基于这一发现，他们研制了“通用问题求解程序GPS”，用

人工智能的发展及应用

人工智能的发展及应用 这是个信息爆炸自动控制飞速发展的时代，而在这样的时代中，人工智能也取得了飞速的发展。成为了最前沿最热门的学科和研究方向之一。 人工智能的定义 “人工智能” (Artificial Intelligence) 一词最初是在1956 年Dartmouth 学会上提出的。人工智能是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支, 它企图了解智能的实质, 并生产出一种新的能以人类智能相似的方式做出反应的智能机器。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。 人工智能理论进入21 世纪, 正酝酿着新的突破,人工智能的研究成果将能够创造出更多更高级的智能“制品” , 并使之在越来越多的领域超越人类智能, 人工智能将为发展国民经济和改善人类生活做出更大贡献。 人工智能的应用领域 1. 在管理系统中的应用 (1) 人工智能应用于企业管理的意义主要不在于提高效率, 而是用计算机实现人们非常需要做, 但工业工程信息技术是靠人工却做不了或是很难做到的事情。在《谈谈人工智能在企业管理中的应用》一文中刘玉然指出把人工智能应用于企业管理中, 以数据管理和处理为中心, 围绕企业的核心业务和主导流程建立若干个主题数据库, 而所有的应用系统应该围绕主题数据库来建立和运行。换句话说, 就是将企业各部门的数据进行统一集成管理, 搭建人工智能的应用平台, 使之成为企业管理与决策中的关键因子。 2. 在工程领域的应用

(1) 医学专家系统是人工智能和专家系统理论和技术在医学领域的重要应用, 具有极大的科研和应用价值,它可以帮助医生解决复杂的医学问题, 作为医生诊断、治疗的辅助工具。事实上, 早在1982年, 美国匹兹堡大学的Miller 就发表了著名的作为内科医生咨询的Internist 2? 内科计算机辅助诊断系统的研究成果, 由此, 掀起了医学智能系统开发与应用的高潮。目前, 医学智能系统已通过其在医学影像方面的重要作用, 从而应用于内科、骨科等多个医学领域中,并在不断发展完善中。 (2) 地质勘探、石油化工等领域是人工智能的主要作用发挥领地。1978 年美国 斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECT”OR, 该系统用于勘探评价、区域资源估值和钻井井位选择等, 是工业领域的首个人工智能专家系统,其发现了一个钼矿沉积, 价值超过1 亿美元。 3. 在技术研究中的应用 (1) 在超声无损检测(NDT)与无损评价(NDE)领域中,目前主要广泛采用专家系统方法对超声损伤(UT)中缺陷的性质、形状和大小进行判断和归类；专家运用超声无损检测仪器, 以其高精度的运算、控制和逻辑判断力代替大量人的体力与脑力劳动减少了任务因素造成的无擦, 提高了检测的可靠性, 实现了超声检测和评价的自动化、智能化。 (2) 人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展,网络技术的安全是我们关心的重点, 因此我们必须在传统技术的基础上进行网络安全技 术的改进和变更，大力发展数据挖掘技术、人工免疫技术等高效的AI技术,开发更 高级AI 通用和专用语言, 和应用环境以及开发专用机器, 而与人工智能技术则为我们提供了可能性。 人工智能的发展 人工智能的发展也并不是一帆风顺的，人工智能的研究经历了以下几个阶段: 孕育阶段:古希腊的Aristotle( 亚里士多德)( 前384-322) ，给出了形式逻辑的基本规律。英国的哲学家、自然科学家Bacon(培根)(1561-1626)，系统地给出了归纳法。“知识就是力量”

我国人工智能发展历程及未来战略思路与重点教学文案

我国人工智能发展历程及未来战略思路与重点人工智能作为一种通用目的技术（GPT），是当前科技创新和推动产业升级转型的焦点。人工智能的发展及其在各个领域的应用，将会显著改变几乎所有行业原来发展的路径，不断催生新的业态和新的商业模式，形成新的发展空间，同时也为我国促进科技创新、提升国家竞争优势甚至赶超发达国家带来了新的机遇。 国内人工智能发展历程 在人工智能所带来的新赛场上，无论是从理论研究、技术研发方面，还是从产业基础方面来看，应该说我国的研究积累与发达国家相比差距不大。早在上世纪70年代后期，吴文俊就凭借几何定理的机器证明成果，成为国际自动推理界的领军人物，他所开创的数学机械化也在国际上被誉为"吴方法"。在人际对弈方面，浪潮天梭在2006年8月以3胜5平2负击败柳大华等5位中国象棋大师组成的联盟。近些年来，我国人工智能领域有取得了飞速发展。科大讯飞语音识别技术已经处于国际领先地位，其语音识别和理解的准确率均达到了世界第一，自2006年首次参加国际权威的BlizzardChallenge大赛以来，一直保持冠军地位。百度推出了度秘和自动驾驶汽车。腾讯推出了机器人记者Dreamwriter和图像识别产品腾讯优图。阿里巴巴推出了人工智能平台DTPAI和机器人客服平台。清华大学研发成功的人脸识别系统以及智能问答技术都已经获得了应用。中科院自动化所研发成功了"寒武纪"芯片并建成了类脑智能研究平台。华为也推出了MoKA 人工智能系统。 政府重视发展人工智能 我国一直政府也一直重视人工智能的发展。尤其是2015年将人工智能作为国家"互联网＋"战略中十一个具体行动之一，提出要"加快人工智能核心技术突破，培育发展人工智能新兴产业，推进智能产品创新，提升终端产品智能化水平"。2016年中，国家发改委、科技部、工信部、中央网信办联合发布了《"互联网＋"人工智能三年行动实施方案》，这是我国首次单独为人工智能发展提出具体的策略方案，也是对去年发布的"互联网＋"战略中人工智能部分内容的具体落实。该行动方案提出了三大方向共九大工程，系统地提出了我国在2016至2018年间推动人工智能发展的具体思路和内容，目的在于充分发挥人工智能技术创新的引领作用，支撑各行业领域"互联网＋"创业创新，培育经济发展新动能。这不仅在

完整word版,人工智能的发展应用与未来

人工智能的发展应用与未来 人工智能(Artificial Intelligence)。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。 人工智能作为二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能），同时也被认为是二十一世纪三大尖端技术之一（基因工程、纳米科学、人工智能）。人工智能在很多科学领域都获得了广泛应用，并取得了丰硕的成果，其发展之迅速给人类的生活水平带来了巨大的改善，而未来的发展趋势也无可限量。 1.人工智能的兴起和早期发展 人工智能的发展历程大致可以分为下面五个阶段。 第一阶段: 20世纪50年代，人工智能的兴起和冷落。人工智能概念在1956年首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但是由于消解法推理能力有限以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是重视问题求解的方法，而忽视了知识的重要性。 第二阶段: 60年代末到70年代，专家系统出现，使人工智能研究出现新高潮。DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR 探矿系统、Hearsay－II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议( International Joint Conferences on Artificial Intelligence即IJCAI)。 第三阶段: 80年代，随着第五代计算机的研制，人工智能得到了飞速的发展。日本在1982年开始了“第五代计算机研制计划”，即“知识信息处理计算机系统KIPS”，其目的是使逻辑推理达到数值运算那么快。虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮。 第四阶段: 80年代末，神经网络飞速发展，。1987年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。 第五阶段: 90年代，人工智能出现新的研究高潮。由于网络技术特别是国际互连网技术的发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问题求解，而且研究多个智能主体的多目标问题求解，将人工智能更面向实用。另外，由于Hopfield多层神经网络模型的提出，使人工神经网络研究与应用出现了欣欣向荣的景象 2.近年来人工智能的应用 （1）“人机大战” 在人工智能的发展史上，出现了很多堪称经典的“人机大战”。

人工智能复习试题和答案及解析

一、单选题 1. 人工智能的目的是让机器能够（ D ），以实现某些脑力劳动的机械化。 A. 具有完全的智能 B. 和人脑一样考虑问题 C. 完全代替人 D. 模拟、延伸和扩展人的智能 2. 下列关于人工智能的叙述不正确的有（ C ）。 A. 人工智能技术它与其他科学技术相结合极大地提高了应用技术的智能化水平。 B. 人工智能是科学技术发展的趋势。 C. 因为人工智能的系统研究是从上世纪五十年代才开始的，非常新，所以十分重要。 D. 人工智能有力地促进了社会的发展。 3. 自然语言理解是人工智能的重要应用领域，下面列举中的（ C）不是它要实现的目标。 A. 理解别人讲的话。 B. 对自然语言表示的信息进行分析概括或编辑。 C. 欣赏音乐。 D. 机器翻译。 4. 下列不是知识表示法的是（）。 A. 计算机表示法 B. 谓词表示法 C. 框架表示法 D. 产生式规则表示法 5. 关于“与/或”图表示知识的叙述，错误的有（ D ）。 A. 用“与/或”图表示知识方便使用程序设计语言表达，也便于计算机存储处理。 B. “与/或”图表示知识时一定同时有“与节点”和“或节点”。 C. “与/或”图能方便地表示陈述性知识和过程性知识。 D. 能用“与/或”图表示的知识不适宜用其他方法表示。 6. 一般来讲，下列语言属于人工智能语言的是（ D ）。 A. VJ B. C# C. Foxpro D. LISP 7. 专家系统是一个复杂的智能软件，它处理的对象是用符号表示的知识，处理的过程是（ C ）的过程。 A. 思考 B. 回溯 C. 推理 D. 递归 8. 确定性知识是指（A ）知识。 A. 可以精确表示的 B. 正确的 C. 在大学中学到的知识 D. 能够解决问题的 9. 下列关于不精确推理过程的叙述错误的是（ B ）。 A. 不精确推理过程是从不确定的事实出发 B. 不精确推理过程最终能够推出确定的结论 C. 不精确推理过程是运用不确定的知识 D. 不精确推理过程最终推出不确定性的结论

(完整版)人工智能技术发展趋势及应用

一) 单选题，每题 2 分，共 20 题。 1. 下列有关人工智能的说法中，不正确的是（B）。 (A) 人工智能是以机器为载体的智能 (B) 人工智能是以人为载体的智能 (C) 人工智能是相对于动物的智能 (D) 人工智能也叫机器智能 2. 以下属于素养性知识的是（A）。 (A) 为人处事方面的知识 (B) 行业性知识 (C) 分析性知识 (D) 创造性知识 3. 本课程提到，人工智能皇冠上的明珠是（D）。 (A) 数据智能 (B) 读写智能 (C) 逻辑智能 (D) 语言智能 4. 根据本课程，以下哪项不属于情感分析四维模型的内容（D）。 (A) 读音知情 (B) 读脸知情 (C) 读搏知情

(D) 读书知情 5. 人工神经网络发展的第一次高潮是（C）。 (A) 1986年启动“863计划” (B) 1977年，吴文俊创立吴方法 (C) 1957年，罗森布拉特提出感知机神经元关系 (D) 1985-1986年提出误差反向传播算法 6. 人工智能在围棋方面的应用之一是AlphaGo通过（A）获得“棋感”。 (A) 视觉感知 (B) 扩大存储空间 (C) 听觉感知 (D) 提高运算速度 7. 以下哪项不属于教育信息化的三个阶段（A）。 (A) 教育创新化 (B) 教育技术化 (C) 教育智能化 (D) 教育智慧化 8. 以下不属于人工智能对当前经济社会冲击最大的四个领域的是（C）。 (A) 制造 (B) 教育

(C) 艺术 (D) 金融 9. 2013年，麻省理工学院的基础评论把（D）列为第一大技术突破。 (A) 机器学习 (B) 人工智能 (C) 智能围棋 (D) 深度学习 10. 根据本课程，过去生产一台哈雷机车需要21天，但在工业4.0时代，只需要（D）就可以把私人定制的摩托车交给客户，极大提高了生产效率，同时满足用户的个性化需求。 (A) 2天 (B) 24小时 (C) 12小时 (D) 6小时 11. 根据本课程，根据相关机构数据分析，中国制造业总体成本与美国相比（C） (A) 远远低于美国 (B) 远远高于美国 (C) 已经几乎相等同 (D) 无法判断

人工智能在军事领域的发展现状和应用前景

人工智能在军事领域的发展现状及应用前景 知远战略与防务研究所/威远编译自：俄罗斯外交和国 防政策委员会网站[知远导读]本文主要介绍了当今世界及 俄罗斯本国人工智能技术发展的现状以及未来该技术在军 事领域的应用前景.文章还重点分析了人工智能技术实现的 可能途径以及人工智能技术对人类战争活动的可能影响。文 章编译如下：目前.关于人工智能的说法和文章很多.这让人觉得.人工智能早已研究成熟且无处不在。事实上并未如此。 虽然自动化早已成为生产和指挥过程的一部分.而且计算机 已经学会语音和脸部识别.操控汽车和分析大量数据。图像 识别或者自动翻译属于利用人工智能方法并在完成类似任 务时选择存储结果的机器学习技术。人工智能目前还未实现.还需要进行研究.它的应用领域确实非常广泛。国防领域也 在其中。发展人工智能成为了保障国家安全的任务。美国和 中国希望在人工智能研究中占据领先地位并率先将其运用 到网络武器和既可用于监视敌人.也可用于袭击敌人的自主 式武器的研制当中。美国国防部在2017年开始抓紧落实所 谓的“第三次抵消战略”.该文件中提出的主要目标是“必 须集中力量进行创新.旨在通过创新发展美国近年来与对手 和敌人已经接近的关键能力.保持并恢复传统遏制力”.这 里说的对手和敌人指的也就是俄罗斯和中国。实际上.世界

上已经开始了创新武器竞赛.全部主要大国都将卷入其中。 此外.西方已经被普京总统2017年9月1日在雅罗斯拉夫尔公开讲话中提到的内容所震撼：“人工智能不仅仅是俄罗斯 的未来.也是全人类的未来。这包含着巨大的机遇和当今难 以预测的威胁。谁能成为该领域的领导者.谁就将主宰世界”。著名商人伊隆·马斯克称.人工智能最终将消灭人类。因此.他和另外116名专家、学者、新技术领域公司代表向 联合国发出请求书.呼吁禁止研制任何类型使用人工智能技 术的武器和自主技术装备。部分商业人士和学者强调.运用自主技术相当于继火药和核武器出现之后.战争中出现的第三次革命.毫无疑问.他们说的没错。但显而易见.联合国开始的关于禁止此类武器公约的讨论不是为了别的什么目的.而是美国及其盟友以讨论普世价值为掩护.阻止其地缘政治对手.首先是俄罗斯和中国研制人工智能武器。然而.履带式装甲车和打击无人机并非战略武器.而是战术武器。这些武 器对人类不构成任何威胁。“杀手机器人”的形象被好莱坞 复制了无数遍.但现实中的战斗系统未必与之有什么共同点。为了弄清楚.所谓的战斗机器人会不会对人类构成威胁.首先必须弄清.什么是人工智能.它与机器智能.超级计算机的深度学习有什么不同.还有最主要的是人工智能在军事领域 的地位和运用范围。国家安全领域人工智能的任务在可预见 的未来.新的世界技术竞赛将导致最新的技术革命延伸至军