 |
人工智能(AI)是计算机科学的一个分支,研究计算要求任务,如感知、推理、学习和开发系统来执行这些任务。AI不同领域的研究人员解决各种问题,用多种方法,追求一个光谱的科学目标。例如,一些研究人员研究专家的要求表现在专门的任务,而另一些常识性的流程建模;一些研究人员解释行为的低级过程,使用模型受大脑的计算,而其他人解释它们的计划和目标等更高层次的心理结构。一些研究人员旨在促进对人类认知的理解,一些理解智力一般的要求(无论是人类还是机器),和一些开发的构件(如智能设备,自主代理和系统,与人合作,增强人类能力。
人工智能是一个年轻的领域,甚至它的名字,“人工智能”,只有在1956年创造的。人工智能的挑战之一是确定哪些任务研究——什么是一个“人工智能的问题”——和如何评估进展。早期的人工智能研究集中在任务通常需要高智商的人,如高质量的国际象棋。持怀疑态度的人认为这是一个不可能的任务,但AI取得快速进展。1960年,项目比赛的能力。1997年,在一次具有里程碑意义的比赛,象棋系统深蓝击败加里•卡斯帕罗夫世界人类的象棋冠军前十二年。然而,与此同时,人工智能研究照明常识的巨大困难任务,人们认为理所当然,如理解故事或对话。开发的程序可以在人类层面上处理丰富日常推理基础研究仍然是一个挑战。
第一个半个世纪的AI已经产生了广泛的结果。人工智能的研究已经照亮推理的本质问题,和智能系统的基本要求。人工智能研究领域的认知科学开发了模型有助于理解人类的认知。应用人工智能研究提供了高影响力应用系统在日常使用在世界各地。本章简要介绍人工智能的历史,草图一些主要的研究领域,关闭说明人工智能技术的实际影响。
“人工智能”这个名字只能追溯到1950年代,但其根源可以追溯到数千年,最早研究的知识和推理的本质。智能工件出现在希腊神话;发展方式自动执行推理的想法,并努力构建自动机来执行任务,比如玩游戏,可以追溯到几百年前。心理学家一直研究人类认知,帮助建立知识人类智能的本质。哲学家们分析了知识的性质,研究了身心问题精神状态如何与物理过程,探索正式框架派生的结论。
然而,电子计算机的出现,提供了一个革命性的进步研究情报的能力建设聪明的工件——系统执行复杂的推理任务——与他们的行为观察和实验,确定基本原则。阿兰·图灵在1950年,一个里程碑式的论文主张构建智能计算系统的可能性(Turing1950]。这篇论文提出了一个操作测试比较人类的智力和AI系统,现在通常被称为“图灵测试。“图灵测试,判断使用电传打字机与两名球员在其他房间:一个人,一台电脑。法官知道球员们只有通过匿名的标签,如“运动员”和“玩家B”的文本发送给他。通过输入玩家的问题,并检查他们的答案,法官试图决定哪个是哪个。人类和机器都试图说服他们是人类的提问者;机器的目标是回答,法官不能可靠地分辨哪个是哪个。
这个游戏的目的是提供丰富的知识能力的考验,与身体分离的能力。问题是不受限制的;图灵的样本范围从' '请给我写一首十四行诗的主题桥,”“增加34957到70764。“图灵的例子可能反应明确表示,其目的是模仿人类的智慧,而不是展示超人的能力:他的样本反应是“不要把我算在内。我从不写诗,“30秒的停顿之后,105621年——是错误的。
图灵测试的意义一直存在争议。内外AI,认为建立一个系统通过图灵测试应该是人工智能的目标。然而,其他人反对的目标开发系统来模仿人类的行为。福特和海耶斯(1998)之间用一个例子,来说明这一点发展人工智能和发展机械飞行。早期机械飞行是基于试图模仿鸟类飞行的,当时唯一可以飞行的例子。鸟类是如何飞并不理解,但他们的观察特性(等方面的喙、羽毛、和拍打翅膀)可以模仿,并成为模型飞机(甚至在某种程度上飞机的喙的表现在1900年代教科书上飞机设计!)机械飞行成功,然而,取决于取代尝试模仿飞行的功能需求,研究和开发的飞机使用所有可用的方法来实现这些目标。此外,通过图灵测试不是一个先决条件发展有用的实用系统。例如,一个智能系统来帮助医生或辅导学生只能有巨大的实际影响的能力在一个特定的函数,有限域。
图灵的论文调查许多常见参数对人工智能的可能性,并提供了对每个人的反应。这些观点之一是,机器“只能做他们的本能使然,”的一些结论,计划永远不可能“让我们措手不及。“图灵的论文的出现后不久,一个程序提供具体的证明程序可以超越他们的创造者:亚瑟写第一checkers-playing计划,学习技术用来发展tournament-level技能,超越它的创造者的能力(Samuel1963]。
早期的人工智能研究快速开发系统来执行各种任务常与情报的人,包括几何定理证明,象征性的集成,解决类比推理问题解决方程,甚至有时发现人类智力测试类型。然而,研究还显示,工作方法在小样本域不可能“扩大”更大的和更丰富的任务,导致了意识的巨大困难的问题,旨在解决。一个典型的例子问题早在机器翻译工作,这是公认的在1960年代比预期的更困难的问题,导致终止对机器翻译研究的资助。
两个障碍,早期人工智能系统的广泛应用他们的一般方法和缺乏知识。为小任务,详尽考虑可能性可能是实际的,但对于丰富的任务,需要专业知识来关注推理。观察导致以知识为基础的系统研究,这表明有一个重要的类的问题要求深而窄的知识,这系统捕获知识规则的形式可以为这些任务实现的专家级的性能。一个早期的例子,DENDRAL [费根鲍姆和Buchanan1993),用规则关于质谱和其他数据假设结构化合物。只使用简单的推理方法,它实现了的专家级的性能和结果发表在化学文献的来源。这样的系统提供大量的基础应用人工智能系统(见专家系统)。持续研究揭示了需要开发等任务的其他方法获得的知识系统,处理不完整或不确定的信息,并自动适应新任务和环境。
伴随时间轴由布鲁斯·布坎南,提供了一个列表的主要里程碑的人工智能的发展,和拉塞尔和Norvig提供历史的总结在第1章的AI教科书(罗素和Norvig1995]。一篇文章由赫斯特和赫希(赫斯特和Hirsh2000)提出了一系列的观点在人工智能和争议最大的趋势,从人工智能发展的领军人物。
就像人工智能研究人员必须选择他们将追求的目标,他们必须选择的框架内追求它们。这些框架提供了一个视角的人工智能问题,塑造研究者的选择来解决的问题,如何解决这些问题,和什么是答案。可以被描述为一个角度生物形态的从生物系统,需要灵感。神经网络模型,例如,灵感是由大脑中的神经元(神经网络)。另一个例子是遗传算法,把他们的灵感来自进化,“进化”有前途的解决方案通过一个模拟自然选择的过程(见遗传算法和进化计算)。这样的模型不仅可以用于解决困难问题的务实的目标,而且研究的生物过程模型,以增加对影响因素的理解生物体(见人工生命)。
另一个视角的灵感来源于人类认知,关注功能约束而非生物机制。插图是研究基于实例推理(CBR),这是灵感来自记忆人类解决问题的作用。例如,医生治疗疾病时使用案例推理通过记住以前类似的情况下,治疗前患者相似的症状之前,适应治疗适应改变了的情况下(例如,调整药物的剂量对孩子)(见案例推理)。这种观点的解决问题的建议学习等问题如何记忆的情况下必须有组织的人类推理者的检索模型,可以提供关于人类推理的假设以及有用的AI系统的机制。(Leake1998)描述了如何对认知科学的案例推理提供了一种立场,和[Leake1996主要趋势的概述在CBR研究和应用程序。
另一个角度更技术:研究需求和情报的机制,没有限制的机制。从业者寻求发展有用的系统,研究人员感兴趣的理解一般智力的本质,不需要受到生物学或心理学,在人类进化的过程推理者不一定是最好的实现高质量的智能机器的性能。例如,国际象棋心理学的研究表明,象棋大师考虑也许两步每秒,识别已知董事会模式与他们的能力发挥关键作用在他们所选择的行动。然而,深蓝击败加里·卡斯帕罗夫利用一个特殊的结构,使其考虑每秒2亿个职位(见人工智能和游戏)。
1976年,纽威尔和西蒙纽威尔和Simon1976)提出,智能操纵的行为出现符号——实体代表其他实体,这情报产生的过程启发式搜索。搜索是一个制定和检查方案的过程。它从一个初始状态开始,一组候选人的行为,为识别目标和标准状态。通常是启发式的指导下,或“拇指规则”,这通常是有用的,但不能保证做出最好的选择。从初始状态开始,搜索过程选择的行动改变状态进入新的状态,这本身是转化为更多的新状态,直到生成一个目标状态。例如,考虑一个搜索程序来解决“8-puzzle”儿童,如图1。孩子解决难题通过滑动编号瓷砖(没有取消)达到配置的瓷砖都是数值顺序,如第二板图所示。当8难题被认为是一个搜索问题,初始状态是一个董事会的位置开始,每个行动是可能的移动一个瓷砖,下来,左,或右(位置时它将是空白),目标是第二个状态图1。这里一个启发式函数可能建议候选人通过比较他们的结果移动到目标,为了支持这些举措似乎向解决方案取得进展。对于这个搜索的问题,感兴趣的是解决方案的路径,解决方案是如何生成的。然而,对于一些问题,只有最终状态是很重要的,一个设计师只能产生一个成功的设计感兴趣,而不是它是如何生成的。
搜索是一个核心问题组合爆炸选择需要考虑。例如,如果从每个国家有10个可能的行动,5移动有一百万后考虑下一步行动的可能性。许多技术已经发展到提高搜索性能,和智能的组合策略和专用计算硬件使AI系统快速搜索的巨大空间的选择。例如搜索的作用在两个特定人工智能领域,看到自动推理和人工智能和游戏。
为了指导搜索,甚至来描述问题,行动,和解决方案——相关领域知识必须编码的形式,可以有效地操纵程序。更普遍的是,任何推理过程的有效性不仅取决于推理过程本身,而且还拥有正确的知识和代表在这个项目可以使用一种形式。
logicist知识表示方法和推理、信息编码为断言在一个逻辑和系统吸引了结论的演绎那些断言(见自动推理)。其他研究non-deductive形式的推理、类比推理等和诱导的推理,推断的过程为一组事实最好的解释。诱导的推理并不能保证良好的结论,但非常有用的医学诊断等任务,必须假设的推理程序引起的一组症状。
获取所需的知识AI系统已经被证明是一个具有挑战性的任务。例如,基于规则的专家系统的知识表示形式的规则清单条件检查,结论是,如果这些条件满足。例如,一个规则可能状态如果一定条件下保存(例如,病人有一定的症状),然后应得出某些结论(例如,病人有特殊情况或疾病)。一个自然的方式来生成这些规则是采访专家。不幸的是,专家们可能无法充分解释他们的决定基于规则的方式,导致“知识获取瓶颈”阻碍系统开发。
减轻知识获取问题的一个方法是开发可共享的知识来源,代表知识的形式,可以跨多个任务重用。节律的项目,例如,是一个巨大的持续努力,编码的“共识”知识常识推理(Lenat1995]。当前的知识表示研究发展共享本体表示特定的域。本体提供一个正式规范的概念域及其关系,为开发知识库作为基础和促进知识共享Chandrasekaranet al。1999年]。
AI系统,像人一样,必须经常行为尽管部分和不确定的信息。首先,接收到的信息可能是不可靠的(例如,一个病人可能mis-remember疾病开始的时候,也可能没有注意到一个症状是重要的诊断)。此外,规则连接真实的事件不能包括所有的因素可能会决定他们的结论是否真的适用(例如,基于诊断是实验室测试的正确性取决于是否有可能造成假阳性的条件,测试正确,结果与正确的病人,等等),因此为了得出有用的结论,AI系统必须能够思考事件的概率,鉴于当前的知识(见概率)。研究贝叶斯推理提供了这些概率计算方法。贝叶斯网络感兴趣的、图形化的模型变量之间的关系,已经应用于广泛的任务,包括自然语言理解、用户建模、和医疗诊断。例如Intellipath、商业系统病理学诊断,通过美国医学协会,并部署在世界各地数以百计的医院中。诊断推理也可能与推理相结合的价值选择行为,以选择行动最大的期望效用。例如,医学决策系统可能决定通过考虑病人有特定条件的概率,治疗的副作用的可能性及其严重程度,和不良影响的概率和严重程度如果治疗没有执行。
每天除了处理不确定信息,推理者必须能够处理模糊的描述,比如提供自然语言。例如,医生告知病人“高烧,“必须能够思考的模糊概念“高烧。”是否一个特定的发烧是“高”不仅仅是一个正确或错误的决策决定一个截止点,而是一个程度的问题。模糊推理提供了关于模糊的知识推理方法(见模糊推理)。
结论的推理过程可以确定要实现的目标。计划解决的问题是如何确定一系列的行动来实现这些目标。由此产生的行动序列可能是设计应用在许多方面,如世界上由机器人,智能代理上网,甚至人类。规划系统可能使用许多技术规划过程实际,如分级规划、推理首先在更高的抽象级别,然后阐述细节在高层框架(例如,作为一个人会首先概述了总体规划行程时,然后考虑细粒度的详细信息,比如怎么去机场),和偏序规划,使行动计划以任意顺序插入,而不是按照时间顺序,子计划合并。迪恩和Kambhampati(1997)提供了一个广泛的调查。
在实际情况下,很少有可能提前生成一个完整的计划,然后执行它没有变化。世界的状态可能imperfectly-known,行动可能是不确定的影响,世界可能改变计划时生成或执行,和该计划可能需要协调多个合作代理,或干扰的对策来中和代理与反对的目标。确定世界的状态和指导行动需要收集信息关于这个世界的能力,尽管传感器如声纳或摄像头,来解释这些信息得出结论(见机器视觉)。此外,执行操作在一个混乱的重要事件和变化的世界可能需要快速反应(例如,机器人帮助车辆正确打滑),或一个持续的过程的快速选择基于当前上下文的操作(例如,当一个篮球运动员必须避免对手)。这些问题导致了活性研究计划,以及如何将反应性方法与协商方法提供长期指导(见机器人)。之间的联合赞助商举办的一年一度的一系列比赛机器人足球队作为演示实验新方法和扩展机器人的状态艺术(www.robocup.org)。
实现自然人类和机器之间的交互需要机器理解和生成语言。同样,理解人类交流需要理解如何处理语言的人。人类语言的自然语言处理系统提出了许多具有挑战性的问题:自然的语言是椭圆,留下了一个未明确说明的,它的意思是上下文相关的(“玛丽”服用阿司匹林会时具有不同的含义解释她从头痛、恢复或她被捕入店行窃)。一些自然语言处理方法研究语法解析算法,确定文本段落的语法结构;有人认为cognitively-inspired,学习知识结构的底层人类理解和建模的过程应用,甚至试图直接从内存到解析过程应用的期望。其他系统应用统计方法从报纸文章信息提取等任务。机器翻译系统,但仍远未取代人工翻译文学,现在可以生成有用的翻译(自然语言处理)。
在一个复杂的世界里,很难编码系统可能需要的所有知识,也可能很难保持最新的系统知识。机器学习研究侧重于AI系统如何增加或改进自己的知识来改善自己的表现。就像人们使用不同的学习技术,机器学习系统使用范围广泛的方法。其中的一些是监督,因为他们认为,学习者将获得正确答案;其他人则无人管理的,要求学习者进行反馈的不好处。
通过分析例子来归纳学习系统学习确定输入和输出之间的相关性。例如,输入过程神经网络模型的理想化的神经元网络,和学习算法,调整神经连接的权重根据输入和输出之间的相关性在训练的例子。面孔识别的神经网络系统可能被训练的一套数字化的照片脸上(输入)和相关的身份(输出),了解哪些面部特征与不同的个体(见神经网络)。Theory-driven学习方法使用背景知识指导推广,以专注于重要的类型的功能。基于实例的学习系统和基于案例推理者执行“懒惰学习:“而不是试图概括它们遇到的经验,案例推理系统按原样存储学习情况下,调整或推广他们的经验只有在需要解决新问题(见机器学习)。
人工智能技术有广泛的影响。人工智能组件嵌入在许多设备,如复印机,结合案例推理和模糊推理来自动调整复印机维护拷贝质量。人工智能系统也在日常使用识别信用卡欺诈等任务,配置产品,协助复杂的计划任务,并咨询医生。人工智能也发挥着越来越大的作用在企业知识管理,促进专业知识的获取和重用。智能辅导系统可以为学生提供更多个性化的关注,甚至为计算机听孩子说什么和应对它(http://www.cs.cmu.edu/ ~听/)。认知模型开发的人工智能还可以建议原则有效支持人类学习,指导教育系统的设计(Leake和Kolodner2001]。
人工智能技术用于独立自治代理监视周围环境,做出决策和行动来实现自己的目标而无需人工干预。例如,在太空探索,地球和探针之间的通信延迟时间让它必不可少的机器人太空探测器能够执行自己的决策,取决于地球和火星的相对位置,单向通信可以超过20分钟。在1999年的一次试验中,一个人工智能系统是主要控制宇宙飞船,美国宇航局的深空1,距离地球60000000英里,一步自主机器人太空探索(见rax.arc.nasa.gov)。方法从自治系统还承诺提供重要的技术来帮助人类。举个例子,在1996年的一次试验中被称为“没有手在美国,“拉尔夫系统(波默洛和Jochem1996),应用自适应系统学习道路功能,用于驱动车辆的98%来自华盛顿旅行,华盛顿特区圣地亚哥,保持白天的平均速度为每小时63英里,黄昏和夜晚驾驶条件。这样的系统不仅可以用于自主车辆,而且对安全系统警告司机如果他们的车辆偏离一个安全的路径。
在电子商务中,AI提供方法来确定哪些产品买家希望和配置来满足买家的需求。互联网的爆炸式增长也导致了日益增长的兴趣在互联网代理监控用户的任务,寻找需要的信息,并了解哪些信息是最有用的Hendler1999]。例如,沃森系统监控用户执行任务时使用标准的软件工具,如文字处理软件,并使用任务上下文集中搜索有用的信息提供给他们的工作(Budzik和Hammond2000]。
持续调查的基本方面的情报承诺广泛影响。例如,研究人员正在研究创造力的本质以及如何实现创造性的计算机系统,提供强有力的论点,创造力可以通过人工系统实现(Hofstadter1985]。许多项目开发任务,可以被认为是创造性的人类,如发现有趣的数学概念,在程序中是(Lenat1979),使绘画,在亚伦Cohen1995),并进行创造性的解释,在沼泽地褶皱翼和Leake1989]。的任务,例如,不是为了证明数学定理,而是去发现有趣的概念。程序只提供了基本的背景知识与数论(例如,集)的定义和修改现有的启发式的概念探索和选择有前途的概念。从这些知识,发现基本概念如加法、乘法,质数。它甚至重新发现了一个著名的数学猜想是不知道它的程序员:哥德巴赫猜想,猜想每个偶数大于2可以写成两个质数之和。布坎南(2001)调查的一些重要项目机器创造力和主张其对人工智能的未来的潜在影响。
此外,在人工智能的历史,人工智能的研究已经提供了源泉对计算机科学的贡献。例如,计算机语言Lisp, 1958年由约翰·麦卡锡,为早期人工智能系统的开发提供了一个工具使用符号计算,但至今仍在使用,内外的人工智能,有重大影响的面积编程语言。后来AI研究也带来了计算机语言,Prolog,用于逻辑编程。逻辑编程的一个关键概念是,程序员应该仅指定要解决的问题和约束的解决方案,使系统本身来确定应该如何获得解决方案的细节。
在其短暂的存在,AI增加了情报的本质的理解,并提供了一系列令人印象深刻的在广泛领域的应用。它加剧了人类推理的理解,一般智力的本质。与此同时,它揭示了人类推理建模的复杂性,为未来提供了新的领域和富有挑战。
AAAI,美国人工智能协会,维护一个广泛的在线图书馆关于人工智能的文章,从总体介绍文章关注特定领域,http://www.aaai.org/AITopics/。人工智能杂志AAAI的官方杂志,发表文章对当前研究和应用,以及教程在重要的人工智能领域。延迟后,全文电子版本的文章问题是免费的从杂志主页http://www.aimagazine.org。杂志IEEE智能系统和情报其他来源获取文章人工智能及其应用的新进展。
我想认为拉贾Sooriamurthi有用的评论本文的草稿。