人工智能的目标与实现方法

人工智能的目标包括：

·知识表示和推理包括：命题演算和归结，谓词演算和归结，可以进行一些公式或定理的推导。

·自动规划包括机器人的计划、动作和学习，状态空间搜索，敌对搜索，规划等内容。

·机器学习是用来帮助机器和软件进行自我学习来解决遇到的问题。

·自然语言处理是用来帮助机器与真人进行沟通交流。

·计算机视觉是用来辨认和识别机器所能看到的物体。

·机器人学是用来给一个机器赋予实际的形态以完成实际的动作。

1.知识的表示和推理

知识表示包括：基于知识的系统，表示常识知识等。传统的知识表示已经很成熟了，包括了描述逻辑，也包括了语义网（资源描述框架RDF）。知识推理建立在逻辑上，首先需要庞大的数据集，比如freebase；其次需要关系抽取自动化工具；最后需要合理的知识存储结构，比如资源描述框架RDF。谷歌提的知识图谱概念就是一种知识工程，它有庞大的知识库和基于知识库的各种服务。早年业界研究的知识本体也是一种知识工程，研究成果有FrameNet、WordNet、中文知网HowNet等。

IBM在2011年研发了Watson问答系统。谷歌在2012年提出知识图谱，作为谷歌的两大重要技术储备，一个是深度学习，形成了谷歌大脑；另一个就是知识图谱，用来支撑下一代搜索和在线广告业务。Facebook公司利用知识图谱技术构建兴趣图谱，用来连接人、分享的信息等，并基于此构建了graph search。其他的工业应用还有：SIRI、EVI、Google Now、Dbpedia、freebase等。

2.自动规划

提到自动规划的首先要说一下有限状态机（FSM），一般应用于游戏机器人，网络协议，正则表达式，词法语法分析，自动客服等。

其次是状态空间搜索，最简单粗暴的是盲目搜索，就像特斯拉评价爱迪生：“如果说有一根针掉进草垛了，让他去找，他会毫不犹豫的，一根一根草挑出来找”。优化改进的版本是启发式搜索。这方面的应用有国际象棋Deepblue，围棋AlphaGo。AlphaGo在蒙特卡洛树搜索（Monte Carlo Tree Search，MCTS）基础上使用了深度学习、监督学习和增强学习等方法。“蒙特卡洛树搜索”是一类启发式的搜索策略，能够基于对搜索空间的随机抽样来扩大搜索树，始终保证选取当前抽样中的最优策略从而不断接近全局最优，确定每一步棋应该怎么走才能够创造更好机会。另外还包括：计划、动作和学习，敌对搜索，基于逻辑的规划方法，状态演算等内容。

3.机器学习

机器学习是一门从数据中研究算法的多领域交叉学科，研究计算机如何模拟或实现人类的学习行为，根据已有的数据或以往的经验进行算法选择、构建模型，预测新数据，并重新组织已有的知识结构使之不断改进自身的性能。

换一种说法，机器学习是一类算法的总称，这些算法企图从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类，更具体的说，机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，只是这个函数过于复杂，以至于不太方便形式化表达，如图7-9所示。需要注意的是，机器学习的目标是使学到的函数很好地适用于“新样本”，而不仅仅是在训练样本上表现很好。学到的函数适用于新样本的能力，称为泛化（Generalization）能力。

通常学习一个好的函数，分为以下三步：

1.选择一个合适的模型，这通常需要依据实际问题而定，针对不同的问题和任务需要选取恰当的模型，模型就是一组函数的集合。

2.判断一个函数的好坏，这需要确定一个衡量标准，也就是我们通常说的损失函数（Loss Function），损失函数的确定也需要依据具体问题而定，如回归问题一般采用欧式距离，分类问题一般采用交叉熵代价函数。

3.找出“最好”的函数，如何从众多函数中最快的找出“最好”的那一个，这一步是最大的难点，做到又快又准往往不是一件容易的事情。常用的方法有梯度下降算法，最小二乘法等和其他一些技巧（tricks）。(www.xing528.com)

学习得到“最好”的函数后，需要在新样本上进行测试，只有在新样本上表现很好，才算是一个“好”的函数。

4.自然语言处理（Natural Language Processing，NLP）

自然语言处理是人工智能的另一个目标，用于分析、理解和生成自然语言，以方便人和计算机设备进行交流，以及人与人之间的交流。它的应用领域包括：机器翻译，文本、语音、图片转换，聊天机器人，自动摘要，情感分析，文本分类，信息提取等。图7-10给出了自然语言处理简要的知识架构图。

图7-9　机器学习

图7-10　自然语言处理的知识架构

5.计算机视觉

视觉对人很重要，人类获得讯息90％以上是依靠眼睛的，那么对于计算机要想获得人获取信息的能力，重点是解决计算机视觉系统。目前计算机视觉已经可以做到很多事情，比如识别人脸、标志和文字；探测物体并了解其环境的应用，如自动驾驶无人车等；检测的事件，对视频监控和人数统计；组织信息，如对于图像和图像序列的索引数据库；造型对象或环境，医学图像分析系统或地形模型；自动检测，如在制造业的应用程序。

6.机器人学和强人工智能

机器人学是一个交叉学科，主要研究包括环境适应机器仿生，机器人自主行为，人机协作，制造装备机器人、科学工程机器人、服务型机器人等。目前国内的机器人行业还没有形成规模，商业化做得好的比如大疆、沈阳新松机器人公司。

强人工智能是人工智能研究的最主要目标之一，强人工智能也指通用人工智能（artificial general intelligence，AGI），或具备执行一般智慧行为的能力。强人工智能通常把人工智能和意识、感性、知识和自觉等人类的特征互相连结。实现强人工智能至少需要拥有以下能力：

·自动推理，使用一些策略来解决问题，在不确定性的环境中作出决策；

·知识表示，包括常识知识库；

·自动规划；

·学习；

·使用自然语言进行沟通；

·整合以上这些手段来达到同一个的目标。

目前的强人工智能还只能出现在电影或小说里，比如斯皮尔伯格导演的《人工智能》里面的机器男孩大卫。

人类智慧是人类的“隐性智慧”与“显性智慧”相互作用相互促进相辅相成的能力体系。其中，“隐性智慧”主要是指人类发现问题和定义问题从而设定工作框架的能力，由目的、知识、直觉能力、抽象能力、想象能力、灵感能力、顿悟能力和艺术创造能力所支持，具有很强的内隐性，因而不容易被确切理解，更难以在机器上进行模拟；“显性智慧”主要是指人类在隐性智慧所设定工作框架内解决问题的能力，依赖于收集信息、生成知识和创生解决问题的策略并转换为行动等能力的支持，具有较为明确的外显性，因而有可能被逐步理解并在机器上模拟出来。

目前，几乎所有的人工智能都只能模仿人类的解决问题的能力，而没有发现问题、定义问题的能力。因此，“人工智能将全面超越人类智慧”的说法没有科学根据，目前的人工智能只是帮助人类提高生产力的工具而已。