-
浅谈人工智能学习研究的现状
及其发展趋势
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，<
/p>
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，
< br>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<
/p>
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
.
2
.
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，
< br>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<
/p>
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。
2.
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
.
3
.
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<
/p>
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
.
4
.
研究了人工智能。
从生物学的观点看，智能是进化的结果，
< br>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
< br>表
明
，
自
再
生
自
动
机
self-reproducing automaton<
/p>
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
< br>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
< br>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
< br>，
Newell
和
Simon<
/p>
后来被认为是美国人工智能界的“四大领袖”。与会者从不
.
5
.
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 Intelligen
ce)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<
/p>
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，
New
ell
，
Shaw
和
< br>Simon
完成了一个自动证
明数学定理的计算机程序<
/p>
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<
/p>
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<
/p>
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
< br>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
SAI
NT
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。
.
6
.
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
Si
mon
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 Theo
rist
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
< br>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
< br>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
.
7
.
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。
（注：
第一阶段是搜索解决问题）
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
< br>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
< br>年代中期，
Feigenbaum
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。
知识获取是究
怎样有效地获得专家知识；
知识表示是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；知识利用是究
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
.
8
.
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
< br>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
.
9