掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
人工智能新視野 版權信息
- ISBN：9787030488107
- 條形碼：9787030488107 ; 978-7-03-048810-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能新視野 內容簡介
本書從仿生學的角度,闡述AI面臨的挑戰和前沿研究方向,同時融入作者在AI研究中部分近期新成果。反映了人工智能發展的近期新動態，為生物信息學或其他學科的特征分析提供手段和方法，為研究和開發更高層次的human-like智能打下基礎。本書強調新視野、優選性、實用性和可讀性，書中涉及的經典例子和算法都將提供程序實現，附在隨書光盤中。
人工智能新視野 目錄
目錄
**部分 生物啟發的人工智能
第1章 人工智能發展簡況1
1.1 人工智能領域主要研究成就回顧1
1.1.1 1956年：人工智能的信息處理觀2
1.1.2 20世紀60年代：啟發式搜索與知識表示3
1.1.3 20世紀80年代：人工神經網絡4
1.1.4 20世紀90年代：物化與多代理系統5
1.1.5 21世紀：符號動力學5
1.1.6 我國的人工智能研究6
1.2 人工智能的發展10
1.2.1 從圖靈測試到IBM的沃森10
1.2.2 谷歌的智能機器未來12
1.2.3 百度大腦14
1.2.4 微軟智能生態16
1.2.5 臉書的深臉18
1.2.6 三大突破讓人工智能近在眼前19
1.3 生物啟發的人工智能發展里程碑20
1.3.1 遺傳算法與進化計算21
1.3.2 神經網絡21
1.3.3 群體智能22
1.4 小結22
參考文獻23
第2章 進化計算、遺傳算法與人工生命25
2.1 受生物啟發的計算25
2.1.1 受生物啟發的計算科學：康莊大道還是荊棘叢生？25
2.1.2 什么是受生物啟發的計算？26
2.1.3 生物學在計算科學研究中的多重角色27
2.2 進化計算28
2.2.1 什么是進化計算？28
2.2.2 進化計算的基本框架與主要特點30
2.2.3 進化計算的分類32
2.2.4 進化計算的若干關鍵問題32
2.3 遺傳算法35
2.3.1 遺傳算法的概述36
2.3.2 遺傳算法的理論基礎38
2.3.3 遺傳算法的基本思想40
2.3.4 遺傳算法的一個簡單的應用實例44
2.4 人工生命46
2.4.1 機器人學1：包容性架構48
2.4.2 機器人學2：受細菌活動啟發的機器人趨向性技術49
2.4.3 機器人學3：能量和容錯性控制50
2.5 小結51
參考文獻51
第3章 神經計算52
3.1 人工神經網絡相關介紹52
3.1.1 人工神經網絡的起源與發展52
3.1.2 人工神經網絡的應用53
3.1.3 小結54
3.2 Hopfield神經網絡54
3.2.1 Hopfield神經網絡概述54
3.2.2 Hopfield神經網絡聯想記憶55
3.3 博弈與神經網絡的結合57
3.3.1 博弈論概述57
3.3.2 博弈模型與神經網絡模型結合的學習模型58
3.4 自組織特征映射網絡（SOM）65
3.4.1 快速SOM文本聚類法65
3.4.2 樸素貝葉斯與SOM相結合的混合聚類算法66
3.5 神經芯片與人工生命67
3.5.1 神經芯片的發展及其應用68
3.5.2 人工生命的相關應用69
3.6 深度學習71
3.6.1 深度學習的基本思想71
3.6.2 深度學習的典型結構71
3.6.3 深度學習的應用77
3.6.4 深度學習現狀及前景分析80
3.7 人工神經網絡與醫學影像81
3.7.1 人工神經網絡與醫學影像概述81
3.7.2 基于人工神經網絡的腦成像分類模型介紹82
參考文獻84
第4章 群體智能87
4.1 群體智能基本思想87
4.1.1 思想來源87
4.1.2 群體智能的優點及求解問題類型88
4.2 蟻群算法88
4.2.1 蟻群算法主要思想89
4.2.2 蟻群算法基本實現90
4.2.3 蟻群算法應用93
4.3 粒子群優化算法95
4.3.1 基本粒子群優化算法原理95
4.3.2 粒子群優化算法的改進研究97
4.3.3 粒子群優化算法的相關應用99
參考文獻101
第5章 變形蟲模型與應用105
5.1 變形蟲的生物學機理105
5.1.1 迷宮實驗106
5.1.2 自適應網絡設計實驗107
5.2 變形蟲模型109
5.2.1 Jones多Agent模型說明109
5.2.2 Gunji等CELL模型說明110
5.2.3 Tero等數學模型說明112
5.3 多Agent模型系統113
5.3.1 系統相關介紹114
5.3.2 模擬變形蟲網絡118
5.3.3 迷宮求解120
5.4 變形蟲IBTM模型系統122
5.4.1 IBTM改進策略介紹122
5.4.2 IBTM模型算法描述125
5.4.3 IBTM模型仿真實驗125
5.5 數學模型系統應用129
5.5.1 變形蟲多入口多出口數學模型129
5.5.2 基于變形蟲多入口多出口模型改進蟻群算法129
5.5.3 實驗分析130
5.6 小結134
參考文獻135
第6章 智能Agent與多Agent系統137
6.1 智能Agent與Agent模擬軟件137
6.1.1 NetLogo138
6.1.2 Swarm138
6.1.3 Repast138
6.1.4 TNG Lab139
6.2 基于Agent的生物免疫系統模擬139
6.2.1 生物免疫系統建模的基本方法139
6.2.2 生物免疫系統建模的方法對比141
6.2.3 基于Agent的生物免疫系統建模方法142
6.2.4 基于Agent免疫系統建模展望145
6.3 基于Agent的經濟模擬146
6.3.1 經濟與復雜性146
6.3.2 基于Agent的計算經濟學147
6.3.3 經濟系統模擬案例150
參考文獻159
第二部分 人工智能熱門研究問題
第7章 AI研究熱點161
7.1 人工智能與機器學習161
7.1.1 機器學習簡述162
7.1.2 機器學習研究熱點（1）——表示學習162
7.1.3 機器學習研究熱點（2）——機器學習理論研究163
7.1.4 機器學習研究熱點（3）——基于人類認知的學習方法164
7.1.5 機器學習研究熱點（4）——復雜問題的遺傳編程求解165
7.2 人工智能與交叉學科166
7.2.1 人工智能在交叉學科中的應用簡述166
7.2.2 人工智能在交叉學科中的應用（1）——AI與經濟學166
7.2.3 人工智能在交叉學科中的應用（2）——AI與算法生物學168
7.2.4 人工智能在交叉學科中的應用（3）——AI與人類計算169
7.3 人工智能與自然語言處理170
7.3.1 自然語言處理簡述170
7.3.2 自然語言處理研究熱點（1）——AI與語言學170
7.3.3 自然語言處理研究熱點（2）——AI與自然語言理解171
7.4 人工智能與數據科學172
7.4.1 異構數據的信息提取172
7.4.2 社交網絡中的信任關系研究173
7.4.3 大規模社交媒體數據分析174
7.4.4 基于社交媒體的應用（1）——事件檢測與預測175
7.4.5 基于社交媒體的應用（2）——市場預測177
7.5 人工智能與多Agent系統178
7.5.1 多Agent系統的理論研究（1）——獎勵機制178
7.5.2 多Agent系統的理論研究（2）——協作機制179
7.5.3 多Agent系統的理論研究（3）——聯盟機制180
7.5.4 多Agent系統的理論研究（4）——優化選擇182
7.5.5 人工智能與機器人研究（1）——自動駕駛汽車183
7.5.6 人工智能與機器人研究（2）——與機器人對話184
7.5.7 人工智能與機器人研究（3）——多機器人控制185
7.6 人工智能與邏輯學186
7.6.1 邏輯學簡述186
7.6.2 邏輯學研究熱點（1）——人類級AI187
7.6.3 邏輯學研究熱點（2）——結合邏輯與統計概率AI188
7.6.4 邏輯學研究熱點（3）——驗證信息物理融合系統190
7.6.5 邏輯學研究熱點（4）——AI與描述邏輯191
7.7 人工智能與語義學192
7.7.1 語義學簡述192
7.7.2 語義學研究熱點（1）——語義網絡192
7.7.3 語義學研究熱點（2）——多模態感知人類非語言行為194
7.7.4 語義學研究熱點（3）——AI和本體技術195
7.7.5 語義學研究熱點（4）——語義技術應用196
7.7.6 語義學研究熱點（5）——關聯數據分析197
7.8 人工智能與可視化198
7.8.1 可視化簡述198
7.8.2 可視化研究熱點（1）——可視化搜索與分析198
7.8.3 可視化研究熱點（2）——計算攝影中的圖像統計199
7.8.4 可視化研究熱點（3）——視覺場景的學習表示201
7.9 小結202
參考文獻202
第8章 Turing開創性工作對人工智能研究的啟示208
8.1 Turing與人工智能208
8.1.1 孕育人工智能的自然科學208
8.1.2 承載人工智能的計算機科學211
8.1.3 激勵人工智能的交叉學科212
8.2 人工智能的發展213
8.3 計算機界的諾貝爾獎——Turing獎214
參考文獻214
第三部分 建模、模擬與應用
第9章 社會網絡分析215
9.1 基于微博的熱點信息發現215
9.1.1 研究內容216
9.1.2 利用外部知識庫挖掘熱點話題216
9.1.3 基于MA-LDA挖掘熱點話題217
9.1.4 基于LDA與MA-LDA挖掘熱點話題比較217
9.2 中文微博情感分析222
9.2.1 研究內容222
9.2.2 情感分析模型222
9.2.3 文本預處理與詞典構建223
9.2.4 特征值統計方法223
9.2.5 多模型分類結果比較224
9.3 中文微博實體鏈接225
9.3.1 研究內容225
9.3.2 鏈接整體框架225
9.3.3 構建實體詞典226
9.3.4 模型設計227
9.5 社交網絡推薦系統230
9.5.1 研究內容230
9.5.2 基于社交標注網絡的推薦系統230
9.5.3 基于隱馬爾可夫模型的位置推薦系統232
9.5.4 信任傳播推薦系統233
9.5.5 基于多屬性的概率矩陣分解推薦系統238
9.6 鏈接預測241
9.6.1 研究內容241
9.6.2 社會化網絡的鏈接預測241
9.7 小結243
參考文獻244
第10章 語義網技術及其應用245
10.1 語義網技術及其在資源整合中的應用245
10.1.1 語義網的概念和體系結構245
10.1.2 本體簡介247
10.1.3 基于語義網技術的資源整合方法250
10.1.4 語義網技術在資源整合中的應用251
10.2 語義網技術在農業農村信息化中的應用257
10.2.1 農業農村信息化257
10.2.2 語義網技術在柑橘種植中的應用257
10.2.3 基于語義網技術的柑橘施肥決策
**部分 生物啟發的人工智能
第1章 人工智能發展簡況1
1.1 人工智能領域主要研究成就回顧1
1.1.1 1956年：人工智能的信息處理觀2
1.1.2 20世紀60年代：啟發式搜索與知識表示3
1.1.3 20世紀80年代：人工神經網絡4
1.1.4 20世紀90年代：物化與多代理系統5
1.1.5 21世紀：符號動力學5
1.1.6 我國的人工智能研究6
1.2 人工智能的發展10
1.2.1 從圖靈測試到IBM的沃森10
1.2.2 谷歌的智能機器未來12
1.2.3 百度大腦14
1.2.4 微軟智能生態16
1.2.5 臉書的深臉18
1.2.6 三大突破讓人工智能近在眼前19
1.3 生物啟發的人工智能發展里程碑20
1.3.1 遺傳算法與進化計算21
1.3.2 神經網絡21
1.3.3 群體智能22
1.4 小結22
參考文獻23
第2章 進化計算、遺傳算法與人工生命25
2.1 受生物啟發的計算25
2.1.1 受生物啟發的計算科學：康莊大道還是荊棘叢生？25
2.1.2 什么是受生物啟發的計算？26
2.1.3 生物學在計算科學研究中的多重角色27
2.2 進化計算28
2.2.1 什么是進化計算？28
2.2.2 進化計算的基本框架與主要特點30
2.2.3 進化計算的分類32
2.2.4 進化計算的若干關鍵問題32
2.3 遺傳算法35
2.3.1 遺傳算法的概述36
2.3.2 遺傳算法的理論基礎38
2.3.3 遺傳算法的基本思想40
2.3.4 遺傳算法的一個簡單的應用實例44
2.4 人工生命46
2.4.1 機器人學1：包容性架構48
2.4.2 機器人學2：受細菌活動啟發的機器人趨向性技術49
2.4.3 機器人學3：能量和容錯性控制50
2.5 小結51
參考文獻51
第3章 神經計算52
3.1 人工神經網絡相關介紹52
3.1.1 人工神經網絡的起源與發展52
3.1.2 人工神經網絡的應用53
3.1.3 小結54
3.2 Hopfield神經網絡54
3.2.1 Hopfield神經網絡概述54
3.2.2 Hopfield神經網絡聯想記憶55
3.3 博弈與神經網絡的結合57
3.3.1 博弈論概述57
3.3.2 博弈模型與神經網絡模型結合的學習模型58
3.4 自組織特征映射網絡（SOM）65
3.4.1 快速SOM文本聚類法65
3.4.2 樸素貝葉斯與SOM相結合的混合聚類算法66
3.5 神經芯片與人工生命67
3.5.1 神經芯片的發展及其應用68
3.5.2 人工生命的相關應用69
3.6 深度學習71
3.6.1 深度學習的基本思想71
3.6.2 深度學習的典型結構71
3.6.3 深度學習的應用77
3.6.4 深度學習現狀及前景分析80
3.7 人工神經網絡與醫學影像81
3.7.1 人工神經網絡與醫學影像概述81
3.7.2 基于人工神經網絡的腦成像分類模型介紹82
參考文獻84
第4章 群體智能87
4.1 群體智能基本思想87
4.1.1 思想來源87
4.1.2 群體智能的優點及求解問題類型88
4.2 蟻群算法88
4.2.1 蟻群算法主要思想89
4.2.2 蟻群算法基本實現90
4.2.3 蟻群算法應用93
4.3 粒子群優化算法95
4.3.1 基本粒子群優化算法原理95
4.3.2 粒子群優化算法的改進研究97
4.3.3 粒子群優化算法的相關應用99
參考文獻101
第5章 變形蟲模型與應用105
5.1 變形蟲的生物學機理105
5.1.1 迷宮實驗106
5.1.2 自適應網絡設計實驗107
5.2 變形蟲模型109
5.2.1 Jones多Agent模型說明109
5.2.2 Gunji等CELL模型說明110
5.2.3 Tero等數學模型說明112
5.3 多Agent模型系統113
5.3.1 系統相關介紹114
5.3.2 模擬變形蟲網絡118
5.3.3 迷宮求解120
5.4 變形蟲IBTM模型系統122
5.4.1 IBTM改進策略介紹122
5.4.2 IBTM模型算法描述125
5.4.3 IBTM模型仿真實驗125
5.5 數學模型系統應用129
5.5.1 變形蟲多入口多出口數學模型129
5.5.2 基于變形蟲多入口多出口模型改進蟻群算法129
5.5.3 實驗分析130
5.6 小結134
參考文獻135
第6章 智能Agent與多Agent系統137
6.1 智能Agent與Agent模擬軟件137
6.1.1 NetLogo138
6.1.2 Swarm138
6.1.3 Repast138
6.1.4 TNG Lab139
6.2 基于Agent的生物免疫系統模擬139
6.2.1 生物免疫系統建模的基本方法139
6.2.2 生物免疫系統建模的方法對比141
6.2.3 基于Agent的生物免疫系統建模方法142
6.2.4 基于Agent免疫系統建模展望145
6.3 基于Agent的經濟模擬146
6.3.1 經濟與復雜性146
6.3.2 基于Agent的計算經濟學147
6.3.3 經濟系統模擬案例150
參考文獻159
第二部分 人工智能熱門研究問題
第7章 AI研究熱點161
7.1 人工智能與機器學習161
7.1.1 機器學習簡述162
7.1.2 機器學習研究熱點（1）——表示學習162
7.1.3 機器學習研究熱點（2）——機器學習理論研究163
7.1.4 機器學習研究熱點（3）——基于人類認知的學習方法164
7.1.5 機器學習研究熱點（4）——復雜問題的遺傳編程求解165
7.2 人工智能與交叉學科166
7.2.1 人工智能在交叉學科中的應用簡述166
7.2.2 人工智能在交叉學科中的應用（1）——AI與經濟學166
7.2.3 人工智能在交叉學科中的應用（2）——AI與算法生物學168
7.2.4 人工智能在交叉學科中的應用（3）——AI與人類計算169
7.3 人工智能與自然語言處理170
7.3.1 自然語言處理簡述170
7.3.2 自然語言處理研究熱點（1）——AI與語言學170
7.3.3 自然語言處理研究熱點（2）——AI與自然語言理解171
7.4 人工智能與數據科學172
7.4.1 異構數據的信息提取172
7.4.2 社交網絡中的信任關系研究173
7.4.3 大規模社交媒體數據分析174
7.4.4 基于社交媒體的應用（1）——事件檢測與預測175
7.4.5 基于社交媒體的應用（2）——市場預測177
7.5 人工智能與多Agent系統178
7.5.1 多Agent系統的理論研究（1）——獎勵機制178
7.5.2 多Agent系統的理論研究（2）——協作機制179
7.5.3 多Agent系統的理論研究（3）——聯盟機制180
7.5.4 多Agent系統的理論研究（4）——優化選擇182
7.5.5 人工智能與機器人研究（1）——自動駕駛汽車183
7.5.6 人工智能與機器人研究（2）——與機器人對話184
7.5.7 人工智能與機器人研究（3）——多機器人控制185
7.6 人工智能與邏輯學186
7.6.1 邏輯學簡述186
7.6.2 邏輯學研究熱點（1）——人類級AI187
7.6.3 邏輯學研究熱點（2）——結合邏輯與統計概率AI188
7.6.4 邏輯學研究熱點（3）——驗證信息物理融合系統190
7.6.5 邏輯學研究熱點（4）——AI與描述邏輯191
7.7 人工智能與語義學192
7.7.1 語義學簡述192
7.7.2 語義學研究熱點（1）——語義網絡192
7.7.3 語義學研究熱點（2）——多模態感知人類非語言行為194
7.7.4 語義學研究熱點（3）——AI和本體技術195
7.7.5 語義學研究熱點（4）——語義技術應用196
7.7.6 語義學研究熱點（5）——關聯數據分析197
7.8 人工智能與可視化198
7.8.1 可視化簡述198
7.8.2 可視化研究熱點（1）——可視化搜索與分析198
7.8.3 可視化研究熱點（2）——計算攝影中的圖像統計199
7.8.4 可視化研究熱點（3）——視覺場景的學習表示201
7.9 小結202
參考文獻202
第8章 Turing開創性工作對人工智能研究的啟示208
8.1 Turing與人工智能208
8.1.1 孕育人工智能的自然科學208
8.1.2 承載人工智能的計算機科學211
8.1.3 激勵人工智能的交叉學科212
8.2 人工智能的發展213
8.3 計算機界的諾貝爾獎——Turing獎214
參考文獻214
第三部分 建模、模擬與應用
第9章 社會網絡分析215
9.1 基于微博的熱點信息發現215
9.1.1 研究內容216
9.1.2 利用外部知識庫挖掘熱點話題216
9.1.3 基于MA-LDA挖掘熱點話題217
9.1.4 基于LDA與MA-LDA挖掘熱點話題比較217
9.2 中文微博情感分析222
9.2.1 研究內容222
9.2.2 情感分析模型222
9.2.3 文本預處理與詞典構建223
9.2.4 特征值統計方法223
9.2.5 多模型分類結果比較224
9.3 中文微博實體鏈接225
9.3.1 研究內容225
9.3.2 鏈接整體框架225
9.3.3 構建實體詞典226
9.3.4 模型設計227
9.5 社交網絡推薦系統230
9.5.1 研究內容230
9.5.2 基于社交標注網絡的推薦系統230
9.5.3 基于隱馬爾可夫模型的位置推薦系統232
9.5.4 信任傳播推薦系統233
9.5.5 基于多屬性的概率矩陣分解推薦系統238
9.6 鏈接預測241
9.6.1 研究內容241
9.6.2 社會化網絡的鏈接預測241
9.7 小結243
參考文獻244
第10章 語義網技術及其應用245
10.1 語義網技術及其在資源整合中的應用245
10.1.1 語義網的概念和體系結構245
10.1.2 本體簡介247
10.1.3 基于語義網技術的資源整合方法250
10.1.4 語義網技術在資源整合中的應用251
10.2 語義網技術在農業農村信息化中的應用257
10.2.1 農業農村信息化257
10.2.2 語義網技術在柑橘種植中的應用257
10.2.3 基于語義網技術的柑橘施肥決策
展開全部
人工智能新視野 節選
**部分 生物啟發的人工智能 第1章 人工智能發展簡況 人工智能（Artificial Intelligence，AI）是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學，是計算機科學的一個重要分支，被認為是21世紀（基因工程、納米科學、人工智能）三大尖端技術之一。自從“人工智能”一詞于1956年在美國達特茅斯提出以來，人工智能發展迅速，取得了驚人的成就，對我們的日常生活產生了深遠的影響，許多專有的AI系統在我們日常使用的汽車、筆記本電腦、智能手機等中均存在。它的誕生與發展是20世紀*偉大的科學成就之一，也是新世紀中引領未來發展的主導學科之一。隨著21世紀人類全面進入信息社會，信息成為*關鍵的戰略物資之一，人類對智能化的追求將導致“智能革命”，即人的自然智能通過人工智能的模仿和擴展。毫無疑問，未來AI對我們生活的影響將進一步增加，并使人與機器之間已經模糊的邊界更加模糊。 人工智能在機器人、模式識別、自然語言處理、智能規劃、博弈、搜索、自動定理證明和專家系統等領域具有非常廣泛的應用。本章簡要概述在人工智能誕生近60年來，在該領域國內外取得的突出成就。在此基礎上，通過對IBM、谷歌等國際大公司在AI領域的發展戰略介紹，讓讀者對人工智能的實際應用有一個概貌性的認識。由于本書的重點在于介紹生物啟發的人工智能（Bio-Inspired AI），因此在1.3節，對生物啟發的人工智能的發展里程碑予以必要的點擊。*后，作為本章的小結，也是對AI的展望，對斯坦福大學新近發布的“AI100研究計劃”進行了簡要的介紹。 1.1 人工智能領域主要研究成就回顧 人工智能在過去近60年里，有許多事件令人稱道。其一，AI被普遍認為是信息技術創新的*大驅動力量。*初計算機被人們看作只會計算的機器，是AI將其邊界拓展，提出可能的愿景并開發相應的技術予以實現。其二，關于AI的應用，知識系統在20世紀70年代末還很稀少，而如今以Web方式無處不在。知識系統已能夠例行處理金融與法律問題、診斷與維護電力系統、進行調度等。像谷歌這樣的搜索引擎，其創新之處極大地依賴于信息提取、數據挖掘、語義網絡及機器學習等在AI中率先發展起來的技術，復雜的語言處理能力現已嵌入像微軟Word這樣的文字處理系統中。上千萬的人每天都在使用AI技術，盡管大家不一定知道或者不太明白為何這些信息系統如此聰明。人工智能領域過去近60年的研究與發展，成果卓著，試圖在有限的篇幅進行全面的回顧是不太現實的，作者的能力也難以企及。為給讀者尤其是準備涉足AI領域的讀者一個概貌性的了解，本節從AI發展的幾個時段進行簡要回顧，并對我國學者在這一領域的主要成就做一簡介。1.1.1～1.1.5節主要根據文獻[1]第1章和文獻[2]綜合編譯而成，1.1.6節主要參考陸汝鈐院士等在IEEE智能系統雜志上的文章[3]。 1.1.1 1956年：人工智能的信息處理觀 在1956年達特茅斯的AI奠基會議上[4]，人們就清楚地理解并闡述了一個觀點：大腦可以看作一部信息處理器。這一簡單而強大的想法應該說是AI的開端。計算機即信息處理器的例子，當然，信息處理的概念是非常寬泛的。我們可以通過一個由很多狀態構成的物理系統為例：在這一系統中，這些‘狀態’可以系統地對應到‘信息狀態’，而‘加工’則是將這些狀態系統地轉換為其他狀態的同時，保持或實現某些（數學）功能。從生物學的角度來看，神經元是在一個更大網絡中生長并生存的細胞，生物學家研究這些神經元如何工作及如何保持其自身，類似于他們研究肝臟細胞或免疫系統的方法。而信息處理觀則引入了對大腦全新的認識，神經元或神經元網絡被看成能夠保持并轉換信息的設備，相應的問題就變為：神經元保存了什么樣的信息，而對這些信息又進行什么樣的轉換。從生化、電子觀到信息處理觀的轉換，與生物學的其他領域，尤其是遺傳、分子和發育生物學對信息產生重視，發生在同一時期，這是非常耐人尋味的。進入21世紀，信息處理觀已占主導地位[5]。 AI并未直接回答神經信息處理的問題，而是從設計的角度切入：大腦到底需要什么樣的信息處理才能展示出我們從生命有機體實際觀察到的，令人驚嘆的智能行為？例如，要從幾分之一秒長的一段視頻流中認出某一個人到底需要什么樣的信息結構和加工過程？對充滿歧義且具有復雜句法結構的自然語言句子進行分析，并依據特定情景進行解釋，又需要什么樣的信息處理？如何形成一個規劃以實現復雜的協同行為，該規劃又如何被執行、監督和調整？從原理上研究智能需要什么樣的處理加工，具有兩個方面的重要意義。其一，如果沒有強大的工具來幫助我們理解神經網絡系統可能是如何工作的，僅靠（Nuclear Magnetic Resonance Tmaging）（核磁共振成像）或正電子發射計算機斷層掃描（Positron Emission Computed Tomography，PET），很難想象我們將能夠真正理解數以億計的神經元及其相互連接構成的復雜神經系統的工作原理。這就像我們在沒有其他深入的知識，而僅有大致統計信息的情況下，試圖理解每秒能執行幾百萬條指令的計算機以及由上千萬計算機互聯起來構成的互聯網巨系統的結構和操作，是極其困難的。其二，神經與心理學觀察，如腦成像、神經錯亂、衰老的影響等，能夠告訴我們大腦的某一部分參與了特定的認知活動，但卻不能告訴我們為什么某種類型的加工處理是必須的。為了找到問題的答案，我們必須探尋其他的機制并研究其對性能的影響，即使有些機制并不出現在自然界中。 信息處理是一種觀點而非一個系統固有的性質。因此，計算機很適合用于研究自然信息處理系統的行為，用于測試一種理論是否有效也很直截了當。如果我們有一種想法，認為對某一項任務，某種特定的信息處理是必須的，則我們就可以建造一個人工系統來執行這一任務，任何人都能夠觀測此人工系統是否展現出所需的性能。 信息處理觀在研究大腦方面帶來了一場真正的革命，在1956年達特茅斯AI奠基會議之后迅速傳播開來，*初主要是對心理學和語言學帶來了沖擊，這一時期的代表人物有杰羅姆 布魯納（Jerome Bruner）、喬治 米勒（George Miller）、阿倫 紐厄爾（Alan Newell）和希爾伯特 西蒙（Herbert Simon）。信息處理觀一經接受，下一步便是更加艱辛的工作以及找出更加詳盡的具體的實例。*初，人們認為，或許可以找到像牛頓定律這樣通用且簡單的原理，可以解釋所有的智能行為。于是，紐厄爾和西蒙提出了通用問題求解器，羅森布拉特（Rosenblatt）提出了感知器等。但逐漸地，隨著人們試圖解決越來越多的問題，人們清楚地認識到，智能需要海量的高度復雜的信息以及自適應程度很高的信息處理。明斯基（Minsky）很快就認識到，人的大腦是一臺巨大的、分支復雜但運轉靈活的組裝電腦，而非人們一般認為的井井有條的通用機器，當然，這在生命系統中并非罕見，畢竟人體本身也是一臺巨大的、分支復雜但運轉靈活的組裝電腦，含有無數交錯的生化過程，且出故障的概率很高。實際上，令人驚嘆的是，我們的身體很多時候運轉得很好。 絕大多數AI局外人（包括許多哲學家、神經科學家和心理學家）仍不太相信，要實現智能竟如此復雜。他們仍然希望存在某種捷徑，能夠使今天的視覺系統（對輸入視頻流進行過濾、分割與聚合并將其與復雜的自頂向下的期望刺激進行匹配）顯得多余。他們或許也認為，自然語言處理不會太復雜，因為我們人腦能夠快速且輕松地進行處理。這也折射出20世紀生物學家曾面臨的困惑：他們難于接受所有生命*終都是由化學物質實現的。*初他們并不相信，人體具有高度復雜的高分子，具有高度復雜的新陳代謝周期，且這些周期很多是自組織的，并由其他分子所控制。幾百年過去了，人們才接受分子生物學作為生命的物理基礎。或許在信息處理的復雜性被完全接受以前，也需要更多的時間。與此同時，人們專注于信息處理觀到底能干什么，而非爭論其是否適合于用來研究智能。 1.1.2 20世紀60年代：啟發式搜索與知識表示 類似于萬有引力定律這樣的“通用智能”機制，或許永遠都難以找到，其原因在于幾乎所有的非平凡問題都隱含著組合爆炸。實際上，這也是人們從早期博弈類程序所汲取的教訓。我們常常會碰到這樣的情況：難以立即確定如何求解一個問題，從而需要搜索眾多的途徑。例如，一個句子中的每一個單詞幾乎都有多重含義，按句法就可以有多種劃分。因此，適合一個完整句子的詞法分析只有在仔細推敲不同的組合（搜索路徑）之后才能找到，而有些搜索路徑可能是死胡同。在自然語言處理中，可能的搜索路徑增長極快，從而導致可能路徑的組合爆炸，使我們不再能夠考慮所有的可能。這樣的組合爆炸見諸于視覺感知、路徑規劃、推理、專家問題求解、存儲器存取等。實際上，在智能起作用的每一個領域都會出現。利用更強大的計算能力，可以在一定程度上對付組合爆炸問題，但在AI發展的*初10年（20世紀60年代）的關鍵洞察之一，就是組合爆炸的大數據遲早讓人束手無策。因此，搜索必須配以知識的運用：特定領域和與任務相關的經驗（啟發式）規則可以快速減小搜索空間，指導問題求解程序盡可能快地找到一個合理的解。在20世紀60年代，AI的主要目標便是開發用于組織搜索過程的技術，在評估函數或規則中表達啟發性信息，并在問題求解過程中試圖學習啟發式規則。AI的研究領域曾一度稱為啟發式搜索（Heuristic Search）。 到20世紀60年代末期，人們已清楚地看到：啟發式及有關問題領域信息的表示方式，對縮小搜索空間及應對現實世界的無限可變和噪聲，起著非常關鍵的作用。這誘發了另一個突破性想法的出現：表示方式的改變意味著找到解或陷入搜索泥潭的根本不同，許多新的搜索問題應運而生，用來探索知識表示和知識處理的各種不同的架構。許多源自邏輯的思想注入到AI中，同時，AI也給邏輯提出了諸如非單調推理問題這樣的新的挑戰。與此同時，在專家問題求解或自然語言理解中可能需要的各種概念也得到深入研究，使用這些概念的系統也被建造出來以測試這些概念。*初，人們期望找出核心的概念原語，羅杰 尚克（Roger Schank）的14個原語通用概念集便是一例[6]。但這樣的想法并不實際，于是一些如道格拉斯 萊納特（Doug Lenat）領導的CYC等大型項目開始啟動。CYC項目的目的是對人類所用的概念進行大規模分析，并以機器可用的形式保存起來，即構建一個巨大的人類常識庫[7]。 進入20世紀70年代，用于處理啟發式搜索和知識表示的想法與技術已足夠強大，可以用來建造實際應用系統。于是AI領域迎來了專家系統的**次浪潮，著名的系統有MYCIN、DENDRAL和PROSPECTOR。這些系統在醫學或工程領域，設計成可以模仿專家求解問題，進而催生了根據知識層級模型對問題求解的更深入的分析[8]。大型會議、風險投資、創業公司、工業展覽開始進入這一領域，從而徹底改變了AI。從80年代初開始，各種應用已成為AI不可分割的一部分。以應用為重點得以驗證AI理論研究方向的正確性，但同時也意味著基礎研究的步伐放緩。*初以理解智能為研究重點讓位于更加實用化的研究計劃，并追求有意義的實際應用，這一趨勢至今仍在繼續。 1.1.3 20世紀80年代：人工神經網絡 AI的早期努力（包括達特茅斯奠基會議上討論的）具有雙重性質。一方面，我們很清楚AI需要應對“符號”處理，世界各地的AI實驗室在這方面作出了主要貢獻，使計算機和程序設計語言具有了強大的符號處理能力并建造了大型復雜的符號處理系統。另一方面，感知與模式識別則需要將符號結構與現實世界關聯起來，似乎需要“次級符號”處理。符號世界與物理世界之間的鴻溝，需要以某種方式予以溝通。早期的神經網絡（如羅森布拉特的感知器）已經表現出在兩個世界間進行溝通的優勢：通過連續信號以不同權重與閾值在網絡中傳播而非符號表達式之間的變換，對實現智能的某些方面顯得更好些。當然，這并不意味著我們要拋棄信息處
書友推薦
- >
回憶愛瑪儂
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
煙與鏡
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
史學評論
- >
小考拉的故事-套裝共3冊
- >
巴金－再思錄
本類暢銷
