探索人工智能在12.4控制中的应用

机器人自治和信息物理空间的发展自然而然地指向了由阿兰图灵创立的人工智能这个研究课题。因为对自然智能的理解一直是激发对控制论探究兴趣的动力之一，因此人工智能是一个有趣的发展方向。

在控制中，对于智能控制的追求体现了这一趋势。但因为它给人一种其他控制方法都不智能的印象，这个术语多少有些争议。

基于机器学习和机器推理技术的人工智能的概念已经证明了在理论和实际应用中的有效性。机器学习非常适合处理复杂的概念，至少在原则上对于理解易处理问题和不易处理问题的区别是很有用的。解决建模和控制的机器学习方法目前还在发展阶段。成功的应用实例已经开始出现，尤其在难以量化的过程控制上以及在经验和定性描述起主要作用的领域。

神经网络、模糊逻辑、专家系统、进化算法都是这个研究领域的概念。目前，已经有了很多不错的研究成果，但是理论和实践仍然处于初级阶段。可以说，离拥有可靠的灵活的学习（可以总结并结构化的经验）和处理非结构化环境的自主决策能力，还有很长的路要走。

专家系统是人工智能中首先发展起来的。利用逻辑推理和决策图表，专家系统可以解决很多有趣的问题，提供了很好的工具可以用系统的方法获取人类专业知识，并且可以辅助人的推理。例如，大规模紧急情况下的伤员分类可以从专家系统上获得极大的帮助，指导经验不足的医护人员。它们也可以用来协助训练新职员，例如训练复杂仪器的维护人员或通过模拟场景来训练职员处理紧急情况的能力。获取人类经验和建立复杂专家系统的工具仍然十分有限，许多原始研究的问题，尤其是围绕自动推理和新知识开发的问题，在很大程度上仍然没有得到解决。

人工神经网络利用逼近法在强非线性过程的建模上已经有了重要的应用。它们在故障诊断上同样有效，尤其是故障特性和报警条件与强非线性特性和观测量多样性有关。已经有研究人工神经网络的理论和应用的重要文章出现。IEEE神经网络协会将这个领域的研究定义为，出于生物学和语言学目的的计算范式的理论、设计、应用和发展，这种计算范式涉及神经网络、联结机制系统、遗传算法、进化设计、模糊系统和包含以上各种形式的混合智能系统^[3]。(www.xing528.com)

模糊逻辑或是模糊系统，视为神经网络的一个分支，用来系统地处理近似的知识、定性概念甚至是事实带有矛盾的方法。模糊系统大量利用集理论概念，建立概率理论概念（尤其用来调整不完整信息）来描述不确定性。它易于实现的特点引起了很多关注。模糊逻辑概念用在类似洗衣机、洗碗机和录像机这样的消费品上，提供了增强的功能。

神经网络中支持学习、建模和控制的技术利用了遗传算法和进化设计的概念。这些技术的核心本质上是利用拥有良好的全局可逼近特性的特定类型非线性模型处理大量变量的优化方法。直观地来看，它们借助了生物进化理论这一概念。

在控制和系统工程学背景下的机器学习基础理论概述可以在Vidyasagar（1996）中找到。

尽管神经网络的研究已经取得了巨大的进展，并有着广泛的应用，但是人工神经网络理论和实践仍然与实现完全自主的、可以在监控和不监控两种环境下学习，以及可以推理和挖掘新知识的人工类人脑设备的目标相差甚远。在我们看来，在没有解开人脑功能结构之前这个目标是不会实现的。从设备的角度来说，（超级）计算机可以用人脑细胞数量（1000亿个晶体管是可以想象的）的元件来建成。而且这些电子设备可以用神经细胞刺激的百万倍速度来切换，原则上它们可以用连续不断的方式这样切换几年。仍然处于落后地位的电子世界依旧保持着原始的输入输出能力（包括传感器的多样性和原始的输入带宽，人脑的输入带宽可以达到每秒切换10¹⁸件事，这是根据输入到皮质的突触数量估计而来的）和实际的学习储存知识的特性。能量消耗和储存密度是人脑与人工大脑十分不同的另一方面，人脑要超过人工大脑几个数量级。没有大量专注于人脑的研究成果是不可能的。毕竟心理健康的前沿领域才是最能引起挑战性兴趣的，在有云计算和流计算的稳定进展后，我们可以在21世纪末看到拥有人脑一样能力和功能的人工大脑。