下载掌阅APP，畅读海量书库
立即打开
人工智能是自然科学和社会科学的交叉学科。信息论、控制论和系统论是人工智能诞生的基础。除了计算机科学以外，人工智能还涉及哲学、心理学、认知学、语言学、医学、数学、物理学、生物学等多门学科以及各种工程学方法。参与人工智能研究的人员也来自各个领域。所以，人工智能是一门综合性、理论性、实践性、应用性都很强的科学。
人工智能研究的一个原因是为了理解智能实体，即为了更好地理解我们自身。但是这和同样也研究智能的心理学和哲学等学科不一样。人工智能努力建造智能实体并且理解它们。再者，人工智能所构造出的实体都是可直接帮助人类的，都是对人类有直接意义的系统。虽然人们对人工智能的未来存在争议。但是毋庸置疑，人工智能将会对人类未来的生活产生巨大影响。
人工智能虽然涉及众多学科，从这些学科中借鉴了大量的知识、理论，并在很多方面取得了成功应用，但还是一门不成熟的学科，与人们的期望还有着巨大的差距。现在的计算机系统仍未彻底突破传统的冯·诺依曼体系结构。CPU的微观工作方式仍然是对二进制指令进行串行处理，具有很强的逻辑运算功能和很快的算术运算速度。这与人类对大脑结构和组织功能的认识有相当大的差异。人类大脑约有10 11 个神经元，按照并行分布式方式工作，具有很强的演绎、归纳、联想、学习和形象思维等能力，具有直觉，可以对图像、图形、景物、声音等信息进行快速响应和处理。而目前的智能系统在识别能力上才刚刚获得一点突破，在知识学习和推理方面还与人类有很大差距。
从长远角度看，人工智能的突破将会依赖于分布式计算和并行计算，并且需要全新的计算机体系结构，如量子计算、分子计算等。从目前条件来看，人工智能还主要依靠智能算法来提高现有计算机的智能化程度。人工智能系统和传统的计算机软件系统相比有很多特点。
首先，人工智能系统以知识为主要研究对象，而传统软件一般以数值（或者字符）为研究对象。虽然机器学习或者模式识别算法也是处理大量数据，但是它们的目的却是为了从数据中发现知识（规则），获取知识。知识是一切智能系统的基础，任何智能系统的活动过程都是一个获取知识或者运用知识的过程。
其次，人工智能系统大多采用启发式（Heuristics）方法而不用穷举的方法来解决问题。启发式就是关于问题本身的一些特殊信息。用启发式来指导问题求解过程，可以提高问题求解效率，但是往往不能保证结果的最优性，一般只能保证结果的有效性或者可用性。
再次，人工智能系统中一般都允许出现不正确结果。因为智能系统大多都是处理非良结构问题，或者时空资源受到较强约束，或者知识不完全，或者数据包含较多不确定性等。在这些条件下，智能系统有可能会给出不正确的结果。所以，在人工智能研究中，一般都用准确率或者误差等来衡量结果质量，而不要求结果一定是百分之百正确的。
由于对智能的本质有不同理解和认识，所以研究者们有不同的学术观点，产生了不同的研究方法和不同的研究途径。目前，人工智能研究中主要有符号主义、联结主义和行为主义三大基本思想，或者称为三个基本途径。
1.符号主义
符号主义（Symbolicism）又称为逻辑主义（Logicism）、心理学派（Psychologism）或计算机学派（Computerism），是基于物理符号系统假设和有限合理性原理的人工智能学派。纽厄尔和西蒙在1976年提出了物理符号系统假设（Physical Symbol System Hypothesis），他们认为物理符号系统具有必要且足够的方法来实现普通的智能行为。他们把智能问题都归结为符号系统的计算问题，把一切精神活动都归结为计算。所以，人类的认识过程就是一种符号处理过程，思维就是符号的计算。
符号（Symbol）既可以是物理的符号或计算机中的电子运动模式，也可以是头脑中的抽象符号，或者头脑中神经元的某种运动方式等。一个物理符号系统的符号操作功能主要有：输入、输出、储存、复制符号；建立符号结构，即确定符号间的关系，在符号系统中形成符号结构；条件性迁移，依赖已经掌握的符号继续完成行为。
按照这个假设，一个物理符号系统由什么构成并不重要，只要它能完成上述符号操作就是有智能的。任何一个系统如果能够表现出智能的话，一定能执行上述六种功能；反过来，如果任何系统具有以上六种功能，它就能表现出智能。计算机和人脑都是物理符号系统，都能操作符号，因此计算机和人脑可以进行功能类比。人们就能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。物理符号系统假设实际上肯定了这样的信念：计算机能够具有人的智能。
有限合理性原理是西蒙提出的观点。他认为，人类之所以能在大量不确定、不完全信息的复杂环境下解决那些难题，其原因在于人类采用了启发式搜索的试探性方法来求得问题的有限合理解。
符号主义观点认为，知识是信息的一种形式，是构成智能的基础。人工智能的核心问题是知识表示、知识推理和知识运用。知识可用符号表示，也可用符号进行推理，因而有可能建立基于知识的人类智能和机器智能的统一理论体系。但是“常识”问题、不确定事物的表示和处理问题是这种观点需要解决的巨大难题。
符号主义人工智能研究在自动推理、定理证明、机器博弈、自然语言处理、知识工程、专家系统等方面取得了显著成果。符号主义实际上是从功能上对人脑进行模拟。也就是根据人脑的心理模型，将问题或者知识表示成某种逻辑，采用符号推演的方法，实现搜索、推理、学习等功能，从宏观上模拟人脑的思维，实现机器智能。基于功能模拟的符号推演是人工智能研究中最早使用的并且至今仍然是一种主要的途径。基于这种研究途径的人工智能往往被称为“传统的人工智能”或者“经典的人工智能”。
2.联结主义
联结主义（Connectionism）又称为仿生学派（Bionicsism）或生理学派（Physiologism），是基于神经元及神经元之间的网络联结机制来模拟和实现人工智能。简单地说，联结主义就是用人工神经网络来研究人工智能。联结主义认为，人类智能的物质基础是神经系统，其基本单元是神经元。搞清楚人脑的结构及其信息处理机理和过程，就有望揭示人类智能的奥秘，从而真正实现人类智能在机器上的模拟。
联结主义实际上是从结构上对人脑进行模拟。也就是根据人脑的生理模型，采用数值计算的方法，从微观上模拟人脑，实现机器智能。这种方法一般先通过神经网络的学习获得知识，再利用知识解决问题。神经网络以分布式方式存储信息，以并行方式处理信息，具有很强的鲁棒性和容错性，也具有实现自组织、自学习能力。所以，它适合模拟人脑形象思维，能够快速得到近似解，便于实现人脑的低级感知功能。
自从1943年W.S.McCulloch和W.Pitts提出第一个神经元数学模型——MP模型以来，人工神经网络为人工智能研究开创了一条新途径。近年来深度学习在图像处理、模式识别、自然语言处理、机器学习等方面展示出了人工神经网络的强大优势。
由于人们还没有完全弄清楚人脑的生理结构和工作机理。所以，目前的人工神经网络还只能对人脑的局部近似模拟，还不适合模拟人类的逻辑思维过程，其基础理论研究也有很多难点。因此，单靠联结机制解决人工智能的所有问题也是不现实的。
3.行为主义
行为主义（Actionism）又称为进化主义（Evolutionism）或控制论学派（Cyberneticsism），是基于控制论和“感知-动作”型控制系统的人工智能学派。行为主义认为，智能取决于感知和行为，取决于对外界复杂环境的适应，而不是表示和推理。这种观点认为，人类的智能是经过了漫长时代的演化才形成的。为了制造出真正的智能机器，我们也应该沿着进化的步骤走。这种观点还认为，智能机器是由蛋白质还是由半导体构成是无关紧要的。智能行为是由“亚符号处理”，即“信号处理”，而不是“符号处理”产生的。例如，识别人脸对人来说易如反掌，但是对机器来说就很困难了。最好的解释就是人类把图像或者图像的各个部分作为多维信号而不是符号来处理。因此，我们应该以复杂的现实世界为背景，研究简单动物（如昆虫等）的信号处理能力，并对其模拟和复制，沿着进化的阶梯向上进行。
行为主义的基本观点可以概括为：
● 知识的形式化表达和模型化方法是人工智能的重要障碍之一。
● 智能取决于感知和行动，在直接利用机器对环境作用后，以环境对作用的响应为原型。
● 智能行为只能体现在世界中，通过周围环境交互表现出来。
● 人工智能可以像人类智能一样逐步进化，分阶段发展和增强。
行为主义还认为，符号主义（还包括联结主义）对真实世界客观事物的描述及其智能行为工作模式是过于简化的抽象，因而不能真实地反映客观存在。1991年，麻省理工学院的布如克斯（R.Brooks）提出了无须知识表示的智能和无须推理的智能。他认为智能只是在与环境交互作用中才表现出来，不应采用集中式的模式，而是需要具有不同的行为模式与环境交互，以此来产生复杂行为。布如克斯成功研制出了一种六足机器虫，用一些相对独立的功能单元，分别实现避让、前进、平衡等基本功能，组成分层异步分布式网络，取得了成功。
行为主义实际上是从行为上模拟和体现智能。也就是说，模拟人在控制过程中的智能活动和行为特性（如自寻优、自适应、自学习、自组织等）来研究和实现人工智能。行为主义思想在智能控制、机器人领域获得了很多成就。行为主义学派的兴起表明控制论、系统工程的思想将进一步影响人工智能的发展。
上述三大思想反映了人工智能研究的复杂性。每种思想都从某种角度阐释了智能的特性，同时每种思想都具有各自的局限。时至今日，研究者们仍然对人工智能理论基础争论不休，所以人工智能没有一个统一的理论体系。这又促进了各种新思潮、新方法不断涌现，极大地丰富了人工智能的研究。现在有一种重要的研究方法就是把不同的思想体系融合在一起，取长补短。例如，模糊神经网络把模糊逻辑和神经网络等结合起来。这样可以发挥各自的优势，设计出具有更强学习能力和知识处理能力的系统。
人工智能的研究和应用非常广泛。除了经典的著作和教材以外，在互联网上有更多的学习资源可以利用。为了便于读者关注和跟踪人工智能领域的最新成果，了解最新动态和研究热点，下面罗列了部分人工智能领域中比较知名的期刊、会议和网站。如果要了解更多的文献、会议和网站，读者可以使用搜索引擎从互联网上搜索。
1.部分著名期刊
Artificial Intelligence
Artificial Intelligence Review
Journal of AI Research
Machine Learning
Journal of Machine Learning Research
IEEE Trans on Pattern Analysis and Machine Intelligence
International Journal of Computer Vision
AI Magazine
Applied Artificial Intelligence
Computational Intelligence
IEEE Trans on Neural Networks
IEEE Trans on Systems，Man，& Cybernetics，Part A & B
Neural Networks
Pattern Recognition
Robotica
2.部分著名会议
IJCAI：International Joint Conference on AI (1969-)
AAAI：American Association for AI National Conference (1980-)
ICML：International Conference on Machine Learning (1984-)
NIPS：Neural Information Processing Systems (1987-)
ACL：Annual Meeting of the Association for Computational Linguistics(since 1963)
CVPR：IEEE Conference on Computer Vision and Pattern Recognition(since 1988)
ICCV：International Conference on Computer Vision(since 1987)
ICLR：International Conference on Learning Representations (2013-)
SIGIR：ACM SIGIR Conference on Information Retrieval (1971-)
KDD：ACM SIGKDD Conference on Knowledge Discovery and Data Mining (1995-)
SIGMOD：ACM SIGMOD International Conference on Management of Data (1975-)
ICDM：IEEE International Conference on Data Mining (2001-)
ECAI：European Conference on AI (1974-)
ECML：European Conference on Machine Learning (1986-)
IAAI：Innovative Applications of AI (1989-)
ICTAI：IEEE Conference on Tools with AI (1989-)
ICNN/IJCNN：International (Joint-) Conference on Neural Networks (1989-)
UAI：Conference on Uncertainty in AI (1985-)
ICPR：International Conference on Pattern Recognition (1989-)
AGENTS：International Conference on Autonomous Agents (1997-)
3.部分综合性人工智能网站
The Association for the Advancement of Artificial Intelligence (AAAI)：http://www.aaai.org/
MIT Computer Seience & Artificial Intelligence Lab：http://www.csail.mit.edu
Stanford Artificial Intelligence Laboratory（SAIL）：http://ai.stanford.edu/
CMU Artificial Intelligence：http://www.csd.cs.cmu.edu/research-areas/artificial-intelligence
AIMA：http://aima.cs.berkeley.edu/index.html
The Center for Machine Learning and Intelligent Systems at the University of California：http://cml.ics.uci.edu/
UCI Machine Learning Repository：http://archive.ics.uci.edu/ml/index.php
UW AI：http://www.cs.washington.edu/research/ai/
AI Magazine：http://www.aaai.org/Magazine/magazine.php
ACM SIGART(Special Interest Group on Artificial Intelligence)：http://www.acm.org/sigart/
AI Game Programmers Guild（AIGPG）：http://www.gameai.com/
中国人工智能学会：http://caai.cn/
International Conference on Artificial Intelligence in China：http://www.chinaai.org/
北京大学信息科学技术学院人工智能实验室（AILab）：http://ai.pku.edu.cn/
清华大学智能技术与系统国家重点实验室：http://www.csai.tsinghua.edu.cn/