人工智能的起源、发展和未来趋势

越来越多的人关注和研究AI，那么AI到底是什么？我们今天就来全面的解析一下，AI是什么？

人工智能（AI）是机器智能和计算机科学的一个分支，是一门研究机器智能和智能机器的新型的、综合性的、具有强大生命力的边缘学科。

人工智能自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）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。

这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。

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。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。

可以说几乎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。

人工智能的主要特征

智能是知识与智力的总合。知识是智能行为的基础；智力是获取知识并运用知识求解问题的能力。智能具有以下特征：

1、具有感知能力：指人们通过视觉、听觉、触觉、味觉、嗅觉等感觉器官感知外部世界的能力；

2、具有记忆与思维的能力：这是人脑最重要的功能，亦是人之所以有智能的根本原因；

3、具有学习能力及自适应能力；

4、具有行为能力。

人工智能的起源及发展

1936年，24岁的英国数学家图灵提出了“自动机”理论,把研究会思维的机器和计算机的工作大大向前推进了一步,他也因此被称为“人工智能之父”。人工智能的研究从1956 年正式开始，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。

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 onArtificial Intelligence 即IJCAI）。

第三阶段: 80 年代，随着第五代计算机的研制，人工智能得到了很大发展。

日本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K I P S”，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。人工智能已深入到社会生活的各个领域。

人工智能的数学基础

人类智能在计算机上的模拟就是人工智能，而智能的核心是思维，因而如何把人们的思维活动形式化、符号化，使其得以在计算机上实现，就成为人工智能研究的重要课题。

在这方面，逻辑的有关理论、方法、技术起着十分重要的作用，它不仅为人工智能提供了有力的工具，而且也为知识的推理奠定了理论基础。此外，概率论及模糊理论的有关概念及理论也在不确定性知识的表示与处理中占有重要地位。

因此，在系统学习人工智能的理论与技术之前，先掌握一些有关逻辑、概率论及模糊理论方面的知识是很有必要的。

人工智能中用到的逻辑可概括地划分为两大类。一类是经典命题逻辑和一阶渭词逻辑，其特点是任何一个命题的真值或者为“真”，或者为“假”，二者必居其一。

因为它只有两个真值，因此又称为二值逻辑。另一类是泛指除经典逻辑外的那些逻辑，主要包括三值逻辑、多值逻辑、模糊逻辑、模态逻辑及时态逻辑等，统称为非经典逻辑。

在非经典逻辑中，又可分为两种情况，一种是与经典逻辑平行的逻辑，如多值逻辑、模糊逻辑等，它们使用的语言与经典逻辑基本相同，主要区别是经典逻辑中的一些定理在这种非经典逻辑中不再成立，而且增加了一些新的概念和定理。另一种是对经典逻辑的扩充，如模态逻辑、时态逻辑等。

它们一般承认经典逻辑的定理，但在两个方面进行了扩充：一是扩充了经典逻辑的语言；二是补充了经典逻辑的定理。例如模态逻辑增加了两个新算子L(……是必然的)和A4(……是可能的)，从而扩大了经典逻辑的词汇表。概率论在人工智能中的应用主要体现在有关概率、条件概率等的概念以及BaYes定理等，多年来它一直是人工智能中处理不确定性的理论基础。

在科学研究和日常生活中，人们一直追求用确定的数学模型来描述现象或解决问题。随着通信、计算机和网络技术的飞速发展，随着基础软件、中间件和应用软件的广泛应用，计算机在数值计算、数据处理、信息查询、工业控制、符号推理乃至知识工程等方面发挥出来的能力已大大提高。但是，计算机在这些领域中所解决的问题往往都是“良性设定问题”，即求解问题的前提条件明确、数学模型精确，并且可以用计算机程序设计语言进行描述。

人工智能从来就是在数学的基础上发展起来的，为了解决人工智能中的各种不确定性问题，同样需要数学的支持。 

人工智能的体现形式和研究领域

博弈

博弈论，又称对策论，是使用严谨的数学模型研究冲突对抗条件下最优决策问题的理论。博弈思想在人工智能方面最早体现在计算机游戏方面，最早的计算机游戏（computer game）指的就是下棋, 为了设计可以和人类竞争甚至战胜人类的程序， 人们便开始研究如何使得计算机可以学习人类的思维模式，具备与人类一样的博弈能力。

博弈的过程包含着对问题的表示、分解、搜索和归纳这四个重要问题。计算机棋类博弈基本属于完全信息的动态博弈。也就是对弈双方不仅清楚当前的局面，了解对手以往的着数，而且了解对手接下来可能采取的着数。尽管双方可能采取的着法数以十计、百计，但毕竟还是有限的。计算机可以通过展开一颗根在上、叶在下的庞大的博弈树描述这一对弈过程。再利用自身在时间和空间上的强大能力，进行巧妙的搜索，从而找到可行解及近优解，亦即给出当前的着法。

显然，计算机的搜索能力是计算机智力水平的重要体现。搜索算法是机器“思维”的核心。包括着法生成，博弈树展开，各种剪枝搜索和各种启发式搜索。显而易见，搜索算法的设计和编写过程处处体现着人工智能的思想。机器博弈是既简单方便、经济实用，又丰富内涵、变化无穷的思维逻辑研究载体。

个把小时就可以下一盘棋，就可以对电脑的“智能”进行测试，而且可以悔棋、重试、复盘，可以一步步地发现电脑与人脑功能的差距，从而不断提高电脑的智力水平。毫无疑问的是，机器博弈的研究可以显著推动人工智能的发展。

专家系统

专家系统是一种具有大量专门知识和经验的智能程序系统，它能运用领域专家多年积累的经验和专门知识，模拟领域专家的思维过程，解决该领域中需要专家才能解决的复杂问题。专家系统是目前人工智能中最活跃，最有成效的一个研究领域，它是一种基于知识的系统，它从人类专家那里获得知识，并用来解决只有专家才能解决困难问题辅助教学系统。

人工智能专家系统常由知识库、是推理机等构成。推理机主要决定哪些规则满足事实或目标，并授予规则优先级，然后执行最高优先级规则来进行逻辑推理。知识获取机为用户建立的一个知识自动输入的确定方法。匹配模块是该人工智能专家系统的核心部分，匹配功能的实现关系到整个程序的实现，解释模块以及结果处理都依赖于它的执行结果。其过程如下图所示：

目前已研究的专家系统模型有很多种。其中较为流行的有如下几种：

基于规则的专家系统

基于规则推理( Rule Based Reasoning, RBR) 的方法是根据以往专家诊断的经验, 将其归纳成规则, 通过启发式经验知识进行推理。早期的专家系统大多数是用规则推理的方法, 如DENDRAL专家系统、MYCIN专家系统、PROSPECTOR 专家系统等。

基于案例的专家系统

基于案例推理( Case Based Reasoning, CBR) 的方法就是通过搜索曾经成功解决过的类似问题, 比较新、旧问题之间的特征、发生背景等差异, 重新使用或参考以前的知识和信息, 达到最终解决新问题的方法。第一个真正意义上的基于案例的专家系统是1983 年由耶鲁大学Janet Kolodner 教授领导开发的CYRUS 系统。它以Schank的动态存储模型和问题求解的MOP( Memory Organized Packet)理论为基础, 做与旅行相关的咨询工作。

基于框架的专家系统

框架( Frame) 是将某类对象的所有知识组织在一起的一种通用数据结构, 而相互关联的框架连接组成框架系统。

框架表示法最突出的特点是善于表达结构性的知识, 且具有良好的继承性和自然性。因此, 基于框架的专家系统适合于具有固定格式的事物、动作或事件。

基于模糊逻辑的专家系统

和二值的波尔逻辑不同，模糊逻辑是多值的。它处理归属的程度和可信的程度。模糊逻辑使用介于0（完全为假）和1（完全为真）之间逻辑值得连续区间。与非黑即白不同，它使用颜色的色谱，可以接受同时部分为真和部分未假的事物。

基于模糊逻辑的专家系统的优点在于: ① 具有专家水平的专门知识, 能表现专家技能和高度的技巧以及有足够的鲁棒性; ②能进行有效的推理, 具有启发性, 能够运用人类专家的经验和知识进行启发性的搜索、试探性的推理; ③具有灵活性和透明性。但是, 模糊推理知识获取困难, 尤其是征兆的模糊关系较难确定, 且系统的推理能力依赖模糊知识库, 学习能力差, 容易发生错误。由于模糊语言变量是用隶属函数表示的,实现语言变量与隶属函数之间的转换是一个难点。

基于D-S 证据理论的专家系统

证据理论是由Dempster于1967年首先提出，由他的学生Shafer于1976年进一步发展起来的一种不精确推理理论，也称为Dempster/Shafer 证据理论(D-S证据理论)，属于人工智能范畴，最早应用于专家系统中，具有处理不确定信息的能力。作为一种不确定推理方法，证据理论的主要特点是：满足比贝叶斯概率论更弱的条件；具有直接表达“不确定”和“不知道”的能力.。当约束限制为严格的概率时, 它就成为概率论。

基于Web的专家系统

基于Web的专家系统是Web数据交换技术与传统专家系统集成所得到的一种先进专家系统。它利用Web浏览器实现人机交互，基于Web专家系统中的各类用户都可通过浏览器访问专家系统。从结构上，它由浏览器、应用服务器和数据库服务器三个层次所组成，包括Web接口、推理机、知识库、数据库和解释器。

模式识别

广义地说，存在于时间和空间中可观察的事物，如果我们可以区别他们是否相同或者是否相似，都可以称之为模式。但需要注意的是，模式并不是指向事物本身，而是我们从事物获得的信息。因此，模式往往表现为具有时间或空间分布的信息。人们为了掌握客观事物，按事物相似的程度组成类别。模式识别的作用和目的就在于面对某一具体事物时将其正确的归入某一类别。

模式识别系统有两个过程组成，即设计和实现。设计是指用一定数量的样本（训练集或学习集）进行分类器的设计。实现是指用所涉及的分类器对待识别的样本进行分类决策。基于统计方法的模式识别系统主要由4个部分组成：数据获取，预处理，特征提取和选择，分类决策，如下图所示：

概括地说，模式识别中的最基本的问题是解决模式的分类。较全面的看，是研究模式的描述、分析、分类、理解和综合。更高层次的模式识别应该还包括对模式的学习、判断、自适应、自寻优和自动发现规律等。

所以，模式识别在某种意义上和人工智能中的“学习”“概念形成”相近。模式识别与及其职能的结合将开辟广阔的应用前景。

人工神经网络

众所周知，人类大脑的组织结构和运行机制有其绝妙的特点，从模仿人脑智能的角度出发，来探寻新的信息表示、储存和处理方式，设计全新的计算机处理结构模型，构建一种更接近人类智能的信息处理系统来解决实际工程和科学研究领域中难以解决的问题，一定能够极大推动科研进步，这些促成了人工神经网络（ANN）的出现。

简单的说，ANN是模仿人脑工作方式而设计的一种机器，它可用电子或光电元件实现，还可以用软件在计算机上进行仿真模拟，甚至最新的研究成果显示人类已经使用DNA在试管中制造出了首个人造神经网络（这个相互作用的分子组成的电路能像人脑一样，基于不完整的模式进行回）；人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。

神经网络发展很快，已经被广泛应用在市场的方方面面。

自然语言理解

自然语言理解一直是智能领域研究的重要课题之一，因为自然语言本身具有独特的魅力，其一，如果计算机能够理解自然语言，那么人机交互将变得前所未有的畅通，那将是对计算机技术的重大突破，其二，创造和使用自然语言是人类几千年智慧的结晶，研究自然语言更有助于解开人工智能的奥秘。

对自然语言的理解，有以下四条准则：问答、文摘生成、释义、翻译。与之对应就可以得到，自然语言理解的处理过程为：语言形式化描述、处理算法设计、处理算法实现和评估。其中语言形式化描述就是通过对自然语言自身规律进行研究，进而采用数学的方法将其描述出来，以便于计算机处理，也可认为是对自然语言进行数学建模。处理的算法设计就是将数学形式化描述的语言变换为计算机可操作、控制的对象。处理算法实现和评估就是通过程序设计语言(如C语言)将算法实现出来，并对其性能和功能进行评估。

自然语言理解的智能应用主要体现在翻译方面。

人工智能的现在与未来

如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。

大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。

现在，研究和应用从实验室到工业现场、从家电到火箭制导，已经广泛用于武器控制、机器人规划与控制、（制造业采矿业等的）自动加工系统的智能控制、故障检测与诊断、飞行器的智能控制医用智能控制、智能仪器等。

自然科学方面，AI与其它学科相互交叉、相互渗透和相互促进。AI向其它学科提供了工具和方法，如知识表示和推理机制、问题求解和搜索算法，模糊逻辑推理和非单调推理技术，以及计算智能技术等，可以解决从前难以解决的问题。而其他学科的重要概念，在AI研究中也得到发展。如计算机系统的分时系统、编目处理系统和交互调试系统等。

社会科学方面也是如此。在需要使用数学－计算机工具解决问题的学科（如经济学），AI带来的帮助不言而喻。

更重要的是，AI反过来有助于人类最终认识自身智能的形成。在重新阐述知识历史的过程中，AI有望解决知识的模糊性，消除知识的不一致性。这将导致逻辑和哲学等等方面的改善,影响到心理学、认知学的核心理论，对于哲学社会学方面的理论也将带来彻底的变革。

此外，综合应用语法、语义和AI的形式知识表示方法，有可能改善知识的自然语言表达形式与此同时，潜在的知识，直感灵感等等也能够阐述为适用的AI形式。从而扩大知识的领域，以及对现有知识进行提纯。

如果说生物计算机、量子计算机、光子计算机是未来计算机硬件系统的发展方向，那么实现人工智能就是日后计算机软件的努力目标，但是，从某种意义上来说，人工智能的发展目标却是脱离计算机，不再作为一个独立的子系统来存在。它将渗透入我们社会的方方面面，润物无声。

可以预见，随着人工智能的完善，它将对人类整体的文明产生巨大冲击，事实上，这个冲击已然产生，只是它的步步推进不足以产生爆炸性的效果，因而，注意者并不包括大多数人。

人工智能对经济的影响

成功的专家系统能为它的建造者、拥有者和用户带来明显的经济效益 。在信息爆炸的知识经济时代，优秀的信息处理便是财富，它会为部分人的经济效益做出极大贡献。同时，尽管人工智能的发展目标是脱离计算机，成为独立的应用，但未来很长一段时间内，它还会依托于计算机存在，越来越优秀的人工智能对计算机的软硬件都提出了新的要求，这将会成为计算机行业的一个推动力。

人工智能对社会的影响

人工智能和机器人行业几乎是亲密无间，在欧美，工业过程控制系统、智能机器人系统和智能化生产系统开始起步。我国也从无到有，出现了机械手生产厂家，机器人产业的雏形已经形成，在10～20年后有望形成规模，脱离自动化而形成独立的产业。这却带来了劳务就业问题。由于AI 在科技和工程中的应用，能够代替人类进行各种技术工作和脑力劳动，将迫使人们工作方式的巨大改变，甚至造成失业，数字巨大的失业者将成为社会的不安定因素。

人工智能对人类思维的影响

伴随着机器变得越来越“聪明”，人们越来越相信智能机器的判断和决定。这在某种程度上会导致人类失去对问题及其求解任务的责任感和敏感性 。进而致使认知能力下降，思维变得懒惰。通俗来说，就是变蠢。人类用了200万年进化成现在的智慧生物，在人工智能的“帮助”下，这一逆过程或许不需这么久。

至于所谓的“人工智能失控”、“智能机器人反噬人类”，好莱坞已经做出了太多猜测，但不得不说，所谓的“阿西莫夫三定律”真的能永远束缚机器人（狭义上的人工智能）吗？这很难说。自然是难以揣测的，两个原子的偶然碰撞擦出了生命的第一缕火花，那无数个0、1的组合难道没有那灵光一闪的瞬间吗？混沌机制向来是上帝的领域，数字生命无穷小的诞生概率在数学上可以被认为为零，但现实中却存在可能。

但我们不能因噎废食，人工智能已经——或正在——或即将证明它在人类社会中的的巨大作用，对于人工智能的未来发展，我们应当持乐观态度。我们相信人工智能有个更加美好的未来；尽管这一天的到来，需要付出辛勤劳动和昂贵代价，需要好几代人的持续奋斗 。一代代科学家为我们提供了巨人的肩膀，正是为了让我们立于其上，继往开来。

编辑：黄飞