浅谈人工智能学习研究的现状及其发展趋势

浅谈人工智能学习研究的现状及其发展趋势
作者：
作者单位：
摘要：自上世纪五十年代以来，经过了几个阶段的不断探索和发展，人工智能在模式识别、知识工程、机器人等领域已经取得重大成就，但是离真正意义上的的人类智能还相差甚远。但是进入新世纪以来，随着信息技术的快速进步，与人工智能相关的技术水平也得到了相应的提高。尤其是随着因特网的普及和应用，对人工智能的需求，变得越来越迫切，也给人工智能的研究提供了新的更加广泛的舞台。 本文强调在当今的网络时代，作为信息技术的先导，人工智能学习在人工智能科学领域中是一个着非常值得关注的研究方向，要在学科交叉研究中实现人工智能学习的发展与创新，就要关注认知科学、脑科学、生物智能、物理学、复杂网络、计算机科学与人工智能之间的交叉渗透点，尤其是重视认知物理学的研究。自然语言是人类思维活动的载体，是人工智能学习研究知识表示无法回避的直接对象，要对语言中的概念建立起能够定量表示的不确定性转换模型，发展不确定性人工智能；要利用现实生活中复杂网络的小世界模型和无尺度特性，把网络拓扑作为知识表示的一种新方法，研究网络拓扑的演化与网络动力学行为，研究网络化了的智能，从而适应信息时代数据挖掘的普遍要求，迎接人工智能学习与应用领域新的辉煌。
1.前言
自20世纪90年代以来，随着全球化的形式与国际竞争的日益激烈，对人工智能技术的研究与应用变的越来越被人们关注，且人工智能在制造中的运用以成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。
人工智能已对现实社会做出了非常重大的贡献，而且其作用已在各领域发挥得淋漓尽致，特别是在计算机领域，人工智能的应用更加突出，可以说，哪里有计算机应用，哪里就在应用人工智能；哪里需要自动化或半自动化，哪里就在应用人工智能的理论、方法和技术。 目前，人工智能应用的主要领域，也就是计算机应用的主要领域。
人工智能是一门研究人类智能的机理以及如何用机器模拟人的智能的学科。从后一种意义上讲，人工智能又被称为“机器智能”或“智能模拟”。人工智能是在现代电子计算机出现之后才发展起来的，它一方面成为人类智能的延长，另一方面又为探讨人类智能机理提供了新的理论和研究方法。
学习机制的研究是人工智能研究的一项核心课题。它是智能系统具有适应性与性能自完善功能的基础。学习过程具有以下特点：学习行为一般具有明显的目的性，其结果是获取知识；学习系统中结构的变化

是定向的，要么由学习算法决定，要么由环境决定；学习系统是构造智能系统的中心骨架，它是全面组织与保存系统知识的场所；学习机制与知识表达方式密切相关，神经 HYPERLINK "https://www.wendangku.net/doc/fa15203556.html,/" \o "网络" \t "_blank" 网络 表示形式的知识可以用ANN算法或GA算法来获取，也可以用加强算法来获取。因此，人工智能学习研究的一个主要目的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。但是，不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在电子计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，于是当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”。可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能学习这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，一方面又转向更有意义、更加困难的目标。
一.人工智能学习的历史性基础和发展步伐
人工智能学习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。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。
? 一般认为，人工智能的思想萌芽可以追溯到德国著名数学家和哲学家莱布尼茨(Leibnitz，1646-1716)提出的"通用语言"设想。这一设想的要点是：建立一种通用的符号语言，用这个语言中的符号表达“思想内容”，用符号之间的形式关系表达“思想内容”之间的逻辑关系。于是，在“通用语言”中可以实现“思维的机械化”这一设想可以看成是对人工智能的最早描述。
计算机科学的创始人图灵被认为是“人工智能之父”，他着重研究了一台计算机应满足怎样的条件才能称为是“有智能的”。1950年他提出了著名的“图灵实验”：让一个人和一台计算机分别处于两个房间里，与外界的联系仅仅通过键盘和打印机。由人类裁判员向房间里的人和计算机提问(比如：“你是机器还是人?”或“你是男人还是女人?”等等)，并通过人和计算机的回答来判断哪个房间里是人、哪个房间里是计算机。图灵认为，如果“中等程度”的裁判员不能正确地区分，则这样的计算机可以称为是有智能的。“图灵实验”是关于智能标准的一个明确定义。有趣的是，尽管后来有些计算机已经通过了图灵实验，但人们并不承认这些计算机是有智能的。这反映出人们对智能标准的认识更深入、对人工智能的要求更高了。

几乎在图灵上述工作的同时，冯·诺依曼从生物学角度研究了人工智能。从生物学的观点看，智能是进化的结果，而进化的基本条件之一是“繁殖”。为此， 冯·诺依曼构造了“自再生自动机”，这是一种有“繁殖”能力的数学模型。 冯·诺依曼的分析表明， 自再生自动机的内容结构对于“繁殖”是充分的和必要的。他进而推测，这种结构必定存在于活的细胞之中。五年之后，克里克和沃森关于DNA结构的重大发现完全证实了冯·诺依曼的猜测： 自再生自动机的几个功能模块均有生物学上的对应物。其中，模块A对应于核糖体，B对应于RND酶和DNA聚合酶，D对应于RNA和DNA，E对应于阻遏控制分子和抗阻遏控制分子等。 冯·诺依曼的工作为后来人工智能中的一条研究路线(人工生命)提供了重要的基础。
图灵和冯·诺依曼的上述工作，以及麦克考洛和匹茨对神经元网的数学模型的研究，构成了人工智能的初创阶段，这其实也是人工智能学习的开始。
1956年夏天举行的达德茅斯研讨会，被认为是人工智能作为一门独立学科正式诞生的标志。这次研讨会聚集了来自数学、信息科学、心理学、神经生理学和计算机科学等不同领域的领导者，包括Minsky，Rochester， Simon， Solonio和Mccarthy等。其中，Miusky，Mccarthy，Newell和Simon后来被认为是美国人工智能界的“四大领袖”。与会者从不同角度搜索了使机器具有智能的途径和方式，并决定用“人工智能”(Artificial Intelligence)一词来概括这一新的研究方向。达德茅斯研讨会开创了人工智能的第一个发展时期。在这个时期里，研究者们展开了一系列开创性工作，并取得了引人注目的成果。
会后不久，Newell，Shaw和Simon完成了一个自动证明数学定理的计算机程序Logic Theorist (此前Martin和Davis曾编制了一个算术定理的证明程序，但未发表)，证明了《数学原理》第二章中的38条定理，由此开创了人工智能中“自动定理证明”这一分支。
1958年，美籍逻辑学家王浩在自动定理证明中取得的重要进展。他的程序在IBM　704计算机上用不到5分钟的时间证明了《数学原理》中“命题演算”的全部220条定理。1959年，王浩的改进程序用8.4分钟证明了上述220条定理及谓词演算的绝大部分定理。
1983年，美国数学学会将自动定理证明的第一个“里程碑奖”授予王浩，以表彰他的杰出贡献(自动定理证明的“里程碑奖”每25年评选一次，由此可见其份量)。受王浩工作的鼓舞，自动定理证明的研究形成一股热潮。比如，Slagle的符号积分程序SAINT经测试已达到了大学

生的积分演算水准;而Mosis的SIN程序的效率比SAINT提高了约三倍，被认为达到了专家水平。
自动定理证明的理论价值和应用范围并不局限于数学领域。事实上，很多问题可以转化为定理证明问题，或者与定理证明有关。可以认为，自动定理证明的核心问题是自动推理，而推理在人的智能行为中起普遍性的重要作用。基于这一看法，在自动定理证明的基础上进一步研究通用问题求解，是一个值得探索的课题。从1957年开始，Newell，Shaw和Simon等人着手研究不依赖于具体领域的通用解题程序，称之为GPS，它是在Logic Theorist的基础上发展起来的，虽然后来的实践表明，GPS作为一个独立的求解程序，其能力是有限的，但在GPS中发展起来的技术对人工智能的发展有重要意义．
人工智能早期研究给人的深刻印象是博羿，1956年，Samnel研制了一个西洋跳棋程序，该程序“天生”下跳棋水平很低，远远不是Samuel的对手。但它有学习能力，能从棋谱中学习，也能在实践中总结提高。经过三年的“学习”，该程序与1959年打败了Samuel;又经过三年，打败了美国一个州的冠军。值得注意的是，虽然下棋至多只能算是一项体育运动，下棋的程序似乎只是一种游戏程序，但Samuel工作的意义十分重大：它同时刺激了“搜索”和“机器学习”这两个人工智能重要领域的发展。
与自动定理证明的研究意义不限于数学一样，搜索的研究意义也不限于博弈。根据认知心理学的信息处理学派的观点，人类思维过程的很大一部分可以抽象为从问题的初始状态经中间状态到达终止状态的过程，因此可以转化为一个搜索问题，由机器自动地完成。例如“规划”问题。设想一台机器人被要求完成一项复杂任务，该任务包含很多不同的子任务，其中某些子任务只有在另一些子任务完成之后才能进行。这时，机器人需要事先“设想”一个可行的行动方案，使得依照该方案采取行动可以顺利完成任务。“规划”即找出一个可行的行动案，可以通过以其子任务为状态、以其子任务间依赖关系为直接后继关系的状态空间中的搜索来实现。
人工智能的早期研究还包括自然语言理解、计算机视觉和机器人等等。通过大量研究发现，仅仅依靠自动推理的搜索等通用问题求解手段是远远不够的。Newell和Simon等人的认知心理学研究表明，各个领域的专家之所以在其专业领域内表现出非凡的能力，主要是因为专家拥有丰富的专门知识(领域知识和经验)。70年代中期，Feigenbau

m提出知识工程概念，标志着人工智能进入第二个发展时期。知识工程强调知识在问题求解中的作用；相应地，研究内容也划分为三个方面：知识获取，知识表示和知识利用。知识获取研究怎样有效地获得专家知识；知识表示研究怎样将专家知识表示成在计算机内易于存储、易于使用的形式；知识利用研究怎样利用已得到恰当表示的专家知识去解决具体领域内的问题。知识工程的主要技术手段是在早期成果的基础上发展起来的，特别是知识利用，主要依靠自动推理和搜索的技术成果。在知识表示方面，除使用早期工作中出现的逻辑表示法和过程表示法之外，还发展了在联想记忆和自然语言理解研究中提出的语义网表示法，进而引入了框架表示法，概念依赖和脚本表示法以及产生式表示法等等各种不同方法。与早期研究不同，知识工程强调实际应用。主要的应用成果是各种专家系统。专家系统的核心部件包括：
(a)表达包括专家知识和其他知识的知识库。
(b)利用知识解决问题的推理机。
大型专家系统的开发周期往往长达10余年，其主要原因在于知识获取。领域专家虽然能够很好地解决问题，却往往说不清自己是怎么解决的，使用了哪些知识。这使得负责收集专家知识的知识工程师很难有效地完成知识获取任务。这种状况极大的激发了自动 知识获取----机器学习研究的深入发展。已经得到较多研究的机器学习方法包括：归纳学习、类比学习、解释学习、强化学习和进化学习等等。机器学习的研究目标是：让机器从自己或“别人”的问题求解经验中获取相关的知识和技能，从而提高解决问题的能力。
80年代以来，随着计算机网络的普及，特别是Internet的出现，各种计算机技术包括人工智能技术的广泛应用推动着人机关系的重大变化。据日美等国未来学家的预测，人机关系正在迅速地从“以人为纽带”的传统模式向“以机为纽带”的新模式转变人机关系的这一转变将引起社会生产方式和生活方式的巨大变化，同时也向人工智能乃至整个信息技术提出了新的课题。这促使人工智能进入第三个发展时期。
在这个新的发展时期中，人工智能面临一系列新的应用需求。
首先是需要提供强有力的技术手段，以支持分布式协同工作方式，现代生产是一种社会化大生产，来自不同专业的工作者在不同或相同的时间、地点从事着同一任务的不同子任务。这要求计算机不仅为每一项子任务提

供辅助和支持，更需要为子任务之间的协调提供辅助和支持。由于各个子任务在很大程度上可以独立地进行，子任务之间的关系必然呈现出动态变化和难以预测的特点。于是，子任务之间的协调（即对分布协同工作的支持）向人工智能乃至整个信息技术以及基础理论提出了巨大的挑战。
其次，网络化推进了信息化，使原本分散孤立的数据库形成一个互连的整体，即一个共同的信息空间。尽管现有的浏览器和搜索引擎为用户在网上查找信息提供了必要的帮助，这种帮助是远远不够的，以至于“信息过载”与“信息迷失”状况日益严重。更强大的智能型信息服务工具已成为广大用户的迫切需要。另一方面，信息空间对人类的价值不仅在于单独的信息条目（比如某厂家生产出了某一新产品的信息），还远在于一大类信息中隐藏着的普遍性知识（比如某个行业供求关系的变化趋势）。于是，数据中的知识发现也成为一项迫切的研究课题。机器人始终是现代工业的迫切需求。随着机器人技术的发展，研究重点已经转向能在动态、不可预测环境中独立工作的自主机器人，以及能与其他机器人（包括人）协作的机器人。显然，这种机器人之间的合作可以看成是物理世界中的分布式协同工作，因而包括相同的理论和技术问题。
由此可见，人工智能第三发展时期的突出特点是研究能够在动态、不可预测环境中自主、协调工作的计算机系统，这种系统被称为Agent 。目前，正围绕着Agent的理论、Agent的体系结构和Agent语言三个方面展开研究，并已产生一系列重要的新思想、新理论、新方法和新技术。在这一研究中，人工智能呈现一种与软件工程、分布式计算以及通讯技术相互融合的趋势。Agent研究的应用不限于生产和工作，还深入到人们的学习和娱乐等各个方面。例如，Agent与虚拟现实相结合而产生的虚拟训练系统，可以使学生在不实际操纵飞机的情况下学飞行的基本技能；类似地，也可使顾客“享受”实战的“滋味”。
我国也先后成立中国人工智能学会、中国计算机学会人工智能和模式识别专业委员会和中国自动化学会模式识别与机器智能专业委员会等学术团体，开展这方面的学术交流。此外国家还着手兴建了若干个与人工智能研究有关的国家重点实验室，这些都将促进我国人工智能的研究，为这一学科的发展作出贡献。
综观人工智能学习的发展历程，可以看出它始终遵循的基本思路。首先是强调人类智能的人工实现而不是单纯的模拟，以便尽可能地为人

类的实际需要服务。其次是强调多学科的交叉结合，数学、信息科学、生物学、心理学、生理学、生态学以及非线性科学等等越来越多的新生学科被融入到人工智能学习的研究之中。
二.人工智能学习的研究途径和主要流派
从国际范围来看，人工智能的研究途径主要有三条。第一，生理学途径，采用仿生学的方法，模拟动物和人的感官以及大脑的结构和机能，制成神经元模型和脑模型；第二，心理学途径，应用实验心理学方法，总结人们思维活动的规律，用电子计算机进行心理模拟；第三，工程技术途径，研究怎样用电子计算机从功能上模拟人的智能行为。目前，第三种研究方法发展较快。它也从前两种方法中吸收新的思想，依靠新的启示扩大自己的成果。
　传统人工智能是符号主义，它以Newell和Simon提出的物理符号系统假设为基础。物理符号系统是由一组符号实体组成，它们都是物理模式，可在符号结构的实体中作为组成成分出现，可通过各种操作生成其它符号结构。物理符号系统假设认为：物理符号系统是智能行为的充分和必要条件。主要工作是“通用问题求解程序“（General?Problem?Solver,?GPS）：通过抽象，将一个现实系统变成一个符号系统，基于此符号系统，使用动态搜索方法求解问题。?
???? ?连接主义学派是从人的大脑神经系统结构出发，研究非程序的、适应性的、大脑风格的信息处理的本质和能力，研究大量简单的神经元的集团信息处理能力及其动态行为。
????? 人们也称之为神经计算。研究重点是侧重于模拟和实现人的认识过程中的感觉、知觉过程、形象思维、分布式记忆和自学习、自组织过程。? ?
三.人工智能学习的主要技术及其发展趋势
目前人工智能学习研究的3个热点是： 智能接口、数据挖掘、主体及多主体系统。
智能接口技术是研究如何使人们能够方便自然地与计算机交流。为了实现这一目标，要求计算机能够看懂文字、听懂语言、说话表达，甚至能够进行不同语言之间的翻译，而这些功能的实现又依赖于知识表示方法的研究。因此，智能接口技术的研究既有巨大的应用价值，又有基础的理论意义。目前，智能接口技术已经取得了显著成果，文字识别、语音识别、语音合成、图像识别、机器翻译以及自然语言理解等技术已经开始实用化。
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘和知识发现的研

究目前已经形成了三根强大的技术支柱： 数据库、人工智能和数理统计。主要研究内容包括基础理论、发现算法、数据仓库、可视化技术、定性定量互换模型、知识表示方法、发现知识的维护和再利用、半结构化和非结构化数据中的知识发现以及网上数据挖掘等。
主体是具有信念、愿望、意图、能力、选择和承诺等心智状态的实体，比对象的粒度更大，智能性更高，而且具有一定自主性。主体试图自治地、独立地完成任务，而且可以和环境交互，与其他主体通信，通过规划达到目标。多主体系统主要研究在逻辑上或物理上分离的多个主体之间进行协调智能行为，最终实现问题求解。目前对主体和多主体系统的研究主要集中在主体和多主体理论、主体的体系结构和组织、主体语言、主体之间的协作和协调、通信和交互技术、多主体学习以及多主体系统应用等方面。
新一代的智能技术是指80年代以来迅速发展起来的以神经网络（ANN）、进化计算、模糊逻辑、Agent为主要代表的计算只能技术，其中主要具有学习进化与自组织的能力。
神经网络也就是模拟人脑中神经元的功能，希望通过模拟人脑最基本的单位神经元功能来模拟人脑的功能。它通过一定的范例训练构成的神经网络，就象教一个小孩子一样，在训练结束后，这个神经网络就可以完成特定的功能了。它是通过范例的学习，修改了知识库和推理机的结构，达到实现人工智能的目的。
最后还有一个应用领域，就是模型识别，我想它应该在知识挖掘中应用不小，因为现在工程中的获得的数据越来越多，要想人为地从这些数据中确定某一规律都不容易，更不要说在这些数据中发现新规律了，因此有必要进行数据挖掘，它的应用对于决策支持系统将有着巨大的意义。
人可以思考，人工智能也需要思考，这就是推理；人可以学习，人工智能也就需要学习；人可以拥有知识，那么人工智能也就需要拥有知识。
人工智能是为了模拟人类大脑的活动的，人类已经可以用许多新技术新材料代替人体的许多功能，只要模拟了人的大脑，人就可以完成人工生命的研究工作，人创造自己，这不但在科学上，而且在哲学上都具有划时代的意义。
??学习是指系统适应环境而产生的适应性变化，它使得系统在完成类似任务时更加有效。80年代以来，ANN的学习机制再次得到人们的重视，基于连接机制的亚符号学习又一次成为的当今学习机制研究的热点，提出了竞争学习，进化学习、加强学习等各种新的学习机制。
机械式学习。它的另一个名称死记式学习能够直接体现它的特点，这是一种最简单的，最原始

的学习方法，也是机器的强项，人的弱项。
指导式学习。这种学习方式是由外部环境向系统提供一般性的指示或建议，系统把它们具体地转化为细节知识并送入知识库中，在学习过程中要对反复对知识进行评价，使其不断完善。
归纳学习。我们看到，机器所善长的不是归纳，而是演绎，它适用于从特殊到一般，而不太适应从一般到特殊，从特殊到一般的归纳是人类所特有的，是智慧的标志。具体的归纳学习方法有许多，但它们的本质就是让计算机学会从一般中得出规律。
类比学习。类比也就是通过对相似事物进行比较所进行的一种学习。它的基础是类比推理，也就是把新事物和记忆中的老事物进行比较，如果发现它们之间有些属性是相同的，那么可以（假定地）推断出它们的另外一些属性也是相同的。
基于解释的学习。这是近年来兴起的一种新的学习方法。它不是通过归纳或类比进行学习，而是通过运用相关的领域知识及一个训练实例来对某一目标概念进行学习，并最终生成这个目标概念的一般描述，这个一般描述是一个可形式化表示的一般性知识。
?增强式学习（Reinforcement Learning）是一种基于行为方法的半监督学习。一般的学习方法分两类，一类是上文提到的基于模型的，在这种方法，智能体需要环境确切的模型，具有较高的智能，但不适合于不确定的动态环境；另一种是基于行为的方法，在这种方法中，不需要环境的确切模型，采用分层结构，高层行为可以调整和抑制低层的行为能力，但每层中都具有其自主的确定权，如[3]中的Holonic智能制造系统。增强式具有这些优点，故常用于机器人足球赛[4]、狩猎问题、甚至战争指挥中[5]，但是这些都只是理论上的研究，因为机器人足球赛的本身目的也是为了测试人工智能的可用性，且更不可能去让战争去由电脑而不是人去指挥了。
使用强化学习的Agent最早是出现与遗传算法中，使用“Ethogenetics（行为遗传）”的思想，突破了人们长期以来关于一个编码串对应于组合优化问题所有策略变量的一个组合方式的传统、静态的认识，而将一个编码串看成某个智能主体(Agent)主动进行的一系列决策行为的结果。
人工智能学习可能会向以下几个方面发展： 模糊处理、并行化、神经网络和机器情感。目前，人工智能的推理功能已获突破，学习及联想功能正在研究之中，下一步就是模仿人类右脑的模糊处理功能和整个大脑的并行化处理功能。人工神经网络是未来人工智能应用的新领域，未来智能计算机的构成，可能就是作为主机的冯·诺依曼机与作为智能外围的人工神经网络的结合。研究

表明：情感是智能的一部分，而不是与智能相分离的，因此人工智能领域的下一个突破可能在于赋予计算机情感能力。情感能力对于计算机与人的自然交往至关重要。
通过以上的学习方法就是为了得到知识，通过一种方便的方法得到知识。前面已经说过了，因为机器的思考方式和人类的思考方式大有不同之处，因此让机器通过自己学习生成自己便于理解和使用的知识，也不失为机器学习的目标之一。
人工智能一直处于计算机技术的前沿，人工智能研究的理论和发现在很大程度上将决定计算机技术的发展方向。
由于计算机芯片的微型化已接近极限。人们越来越寄希望于全新的计算机技术能够带动人工智能的发展。目前至少有三种技术有可能引发全新的革命，它们是光子计算机、量子计算机和生物计算机。
根据推测，未来光子计算机的运算速度可能比今天的超级计算机快１０００到１万倍。而一台具有５０００个左右量子位的量子计算机可以在大约３０秒内解决传统超级计算机需要１００亿年才能解决的素数问题。相对而言，生物计算机研究更加现实，美国威斯康星－麦迪逊大学已研制出一台可进行较复杂运算的ＤＮＡ计算机。据悉，一克ＤＮＡ所能存储的信息量可与１万亿张ＣＤ光盘相当。如果未来上述三种技术能够成熟运用，那将对人工智能的发展起到决定性的作用。
??4.结束语
许多科学家断言，机器的智慧会迅速超过阿尔伯特·爱因斯坦和斯蒂芬·霍金的智慧之和。著名物理学家斯蒂芬·霍金认为，就像人类可以凭借其高超的捣弄数字的能力来设计计算机一样，智能机器将创造出性能更好的计算机。最迟到本世纪中叶而且很可能还要快得多，计算机的智能也许就会超出人类的智能。
???本文对学习中的一些方法进行基本的叙述并阐述了其发展的趋势，但是在一般的学习中，使用基于行为的方法仍旧是最受人关注的；文中介绍了几种强化学习方法的变形，并对他们的运用进行了一定的叙述。在一定程度上，他们实现仿真的可行行。但是这些仿真大多都是验证性的，真正的人工智能在实际生产中的运用仍旧是一个需要研究的课题。最后，我们来总结一下，人工智能学习的各个研究领域。参照人在各种活动中的功能，我们可以得到人工智能的领域也不过就是代替人的活动而已。哪个领域有人进行的智力活动，哪个领域就是人工智能学习研究的领域。人工智能学习就是为了应用机器的长处来帮助人类进行智力活动。人工智能学习研究的目的就是要模拟人类神经系统的

功能。
但随着技术及技术的发展，人工智能学习的方法还会有所变化也更加会引起我们的关注。
参考文献
[1]《人工智能简史》孙兴 清华大学出版社， 1990年
[2]蔡自兴 徐光佑 《人工智能及其应用》 清华大学出版社 2002年1月
3] HYPERLINK "https://www.wendangku.net/doc/fa15203556.html,/forum-47-1.html" 机器学习(Machine Learning HYPERLINK "https://www.wendangku.net/doc/fa15203556.html,/index.php" https://www.wendangku.net/doc/fa15203556.html,/index.php
[4] HYPERLINK "https://www.wendangku.net/doc/fa15203556.html,/ai/index.htm" 人工智能与前沿科学学习与研究 HYPERLINK "https://www.wendangku.net/doc/fa15203556.html,/logs/18373.html" https://www.wendangku.net/doc/fa15203556.html,/logs/18373.html
[5] 机器学习理论为什么实现不了强人工智能https://www.wendangku.net/doc/fa15203556.html,/ruiaijun/blog/item/9c21c6f2f048b316b07ec5a5.html




***[JimiSoft: Unregistered Software ONLY Convert Part Of File! Read Help To Know How To Register.]***