摘要：本文以人工智能的知识体系为研究内容，阐述人工智能的分支及其分类，以人工智能的知识单元为组织基础，总结与知识单元相关的学科、理论基础、代表性成果及方法，描述知识单元之间的层次关系，指出人工智能目前的重要研究问题。
关键词：人工智能；智能分类；知识体系
文章编号：1672-5913(2010)08-0025-04
中图分类号：G642
文献标识码：A
1 人工智能
斯坦福大学的Nilsson提出人工智能(ArtificialIntelligence AI)是关于知识的科学，即知识的表示、知识的获取以及知识的运用。人工智能在AI学科的基本思想和内容是研究人类智能活动规律，研究模拟人类某些智能行为的基本理论、方法和技术，构造具有一定智能的人工系统，让计算机去完成以往需要人的智力才能胜任的工作。
AI涉及计算机科学、控制论、信息论、神经心理学、哲学及语言学等多个学科，是一门新理论和新技术不断出现的综合性边缘学科。AI与思维科学是实践和理论的关系，属于思维科学的技术应用层次，延伸了人脑的功能，实现脑力劳动的自动化。
作为一门多学科交叉的课程，人工智能在机器学习、模式识别、机器视觉、机器人学、航空航天、自然语言理解、Web知识发现等领域取得了突破性进展。机器学习与知识表达的关系，模式识别与机器人学、机器视觉的关系，是学习的难点。人工智能的研究方法、学术流派、理论知识非常丰富，应用领域十分广泛。没有一个比较科学的AI知识体系，学生找不到体系和关系，会对AI产生神龙见首不见尾的感觉，严重影响学习兴趣。
本文从以下几个方面进行阐述：(1)智能与AI的关系；(2)AI的知识单元；(3)AI的相关学科、理论基础、代表性成果及方法；(4)AI的知识体系及应用。把握好上述的几个方面，就可以确准地表达知识，利用知识进行问题求解，掌握发现知识的方法，感知与理解智能系统构建的成果及技术。
2 AI及分类
认为智能源于脑，把脑(主要人脑)宏观层次的智能称为脑智能。而蜜蜂群、蚂蚁群等群体行为表现出的智能称为群智能。两种智能分属不同的层次和应用，脑智能是个体智能，群智能是社会智能或系统智能。模拟上述智能而生成的AI分两种，模拟脑智能的符号智能和模拟群智能的计算智能。
AI划分为符号智能和计算智能有些笼统。如进行仔细区分，AI来源于心理模拟、生理模拟、行为模拟和群体模拟。
2，1心理模型，符号推演
以心理模拟为依据，智能模型起源于数理逻辑。因人脑的记忆、联系、推理等思维活动在心理层面进行。Boole在《思维法则》中首次用符号语言描述思维活动的基本推理法则。
符号智能将信息和知识表示为符号形式，逻辑建模人的思维活动，通过逻辑推理，模拟人脑的思维过程进行问题求解。称为心理学派、逻辑学派或符号主义。
2，2生理模拟，神经计算
认为AI源于仿生学，特别是人脑模型。代表性成果是生理学家McCulloch和数理逻辑学家Pitts创立的脑模型，即MP模型。Hopfield提出用硬件模拟神经网络，Rumelhart提出多层网络中的反向传播BP算法。从模型到算法，从理论分析到工程实现，生理模拟及神经计算成为AI的一个研究流派。
2，3行为模拟，控制进化
基于行为模拟的AI称为行为主义及控制论学派。起源于控制论，模拟人及动物与环境交互、控制过程中的智能活动或行为，认为智能只有在环境中才是真正的智能。其批评符号主义和仿生学派对真实世界的过分简化。控制论的系统研究在上个世纪60年代播下智能控制和智能机器人的种子，在80年代诞生智能控制和智能机器人系统。
2，4群体智能，仿生计算
模拟生物群落的群体智能行为，将仿生计算的成果，直接付诸应用。代表性成果有遗传算法，进化计算，蚁群算法和粒子群算法等。计算智能以数据为基础，主要通过数值计算，运用算法进行问题求解。通过符号智能的知识表达、推理及模式识别等前期处理得到的数值，运用计算智能算法进行搜索计算。
AI主要体现为符号智能和计算智能，符号智能的研究内容主要有知识模型化及表示、搜索理论、推理、不确定性推理、系统结构和符号学习等。计算智能的研究内容有进化计算、模糊逻辑、神经计算和统计学习。这些研究内容所涵盖的研究方法在表1中进行详细的说明，同时较为完整地体现AI课程的知识体系结构。
3 AI的知识体系
从思维观点看，AI不仅仅限于逻辑思维，同时需要形象思维和灵感思维。数学是基础科学，也进入语言和思维领域，在逻辑、模糊数学等范围发挥作用。
AI是一个庞大的家族，包括众多的基础理论、重要的成果及算法、学科分支和应用领域等。如果将AI家族作为一棵树来描述，智能机器应作为树的最终节点。将AI划分为问题求解、知识与推理、学习与发现、感知与理解、系统与建造等五个知识单元。表2总结了AI家族的知识体系及其相关的学科、理论基础、代表性成果及方法。
3，1问题求解
1957年，Newell和Simon通过心理学实验，发现人在问题求解时思维过程的一般规律大致可分为三个阶段：①先思考出大致的解题计划：②根据记忆中的公理、定理和推理规则组织解题过程：③进行方法和目的分析，不断修正解题计划。
搜索是问题求解的核心技术，符号智能进行图搜索，计算智能进行智能优化搜索。
3，2知识和推理
知识就是力量，知识是智能基础和来源。推理是人脑的基本功能，知识与推理是AI的重要内容，在表1中对这部分内容进行了详细描述。知识表示模型有谓词逻辑、产生式表示、语义网络、框架等方法。推理方法有自动推理和不确定推理等。
AI的研究对象，大多具有不确定性。不确定性是针对系统或问题含有的不确定结构、参数等信息，如天气预报下雨概率45.6％，此预报属结论的不确定性。
3，3学习与发现
机器学习是指机器对自身行为的修正或性能的改善，使计算机具有学习能力，自动获取新的事实及新的推理算法。机器学习的研究重点是学习过程的认知模型、机器学习的计算理论、新的学习算法、综合多种学习方法的机器学习系统等。主要有符号学习、连接学习和统计学习等。
机器发现客观规律的过程称为知识发现，主要从大规模数据集或数据库发现知识或模式。知识发现方法有统计方法、粗集和模糊集、机器学习、智能计算等方法。知识发现的任务分为数据总结、概念描述、分类、聚类及相关性分析等。
机器学习的研究成果主要是机器的直接学习，类似人类通过阅读、讲课等间接继承性学习涉及很少。在智能硬件方面却举步维艰，要实现人工智能的最终目标，作为载体的智能计算机系统必须由质的飞跃。
人工智能的研究仍然是机遇与挑战并存。
3，4感知与理解
机器感知涉及图像、声音、文字等信息的识别问题。
模式识别的主要目标是用计算机模拟人的识别能力，运用知识表达和推理方法，主要从图形、图像和语音抽取出模式，表征或刻画被识别对象类属特有的信息模型。模式识别前，先提取样例模式，通过模式辨识或机器学习识别出分类知识，并对新的待识别模式进行类比判决。
目前有基于模式、基于判别函数、基于统计决策、神经网络、自适应等模式识别方法。
理解包括自然语言、图形和图像的理解，是智能系统进行交流的关键。
自然语言理解需要大量知识表示方法和推理技术，在机器翻译和语音理解程序方面取得了长足进步。
机器视觉在图像处理基础上，需要模式识别、机器学习理解视觉对象。由低层视觉提取对象特征，通过机器学习理解视觉对象。
3，5系统与建造
自从1965年第一个专家系统DENDRAL问世后，出现了各种实用的系统。专家系统的发展依托大量知识表示技术和推理技术，是最先发展的智能系统。
Agent系统是典型的分布式智能系统，由多个智能个体协作或竞争体现智能，是比群智能高级的社会智能。Agent系统采用了知识表示、推理、机器学习、模式识别等领域知识。
智能机器人是一个具有感知机能、运动机能、思维机能、通信机能的Agent系统，需要Agent理论和多Agent协同系统的技术支持。机器人是人工智能标志性研究成果，是一个实用的Agent系统。是人工智能多个基础应用的综合，同时依据了融合了多种基础理论。
4 结论
人工智能源于数理逻辑，20世纪30年代开始用于描述智能行为。并在计算机上实现了逻辑演绎系统。正是这些符号主义者，首先采用“人工智能”这个术语，后来又发展了启发式算法一专家系统一知识工程理论与技术。专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际奠定了基础。在AI其它学派出现之后，符号主义仍然是主流派。
国家对AI的目前主要研究方向的规划为：视听觉信息处理的基础理论研究：在视听觉信息协同计算、自然语言(汉语)理解以及与视听觉认知相关的脑一机接口等关键技术方面取得突破。从人类视听觉认知机理出发，研究并构建新的计算模型与计算方法，克服图像、语音和文本信息处理所面临的瓶颈困难。
人工智能研究人员经过多年的辛勤工作，在专家系统、计算机视觉和机器人、自然语言理解和机器翻译领域取得了可观的研究和应用前景。出现了具有视觉、听觉和触觉等感知功能并能进行联想、归纳、推理和人机对话的各类机器人，并向实用化迈进。复杂的智能机器人系统仍然是人工智能的主要研究目标，需要新技术、新思想的支持。
推荐访问： 人工智能 综述 学科 体系 知识