越來越多的人關注和研究AI，那么AI到底是什么？我們今天就來全面的解析一下，AI是什么？

人工智能（AI）是機器智能和計算機科學的一個分支，是一門研究機器智能和智能機器的新型的、綜合性的、具有強大生命力的邊緣學科。

人工智能自二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智能）。也被認為是二十一世紀（基因工程、納米科學、人工智能）三大尖端技術之一。

這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，并取得了豐碩的成果，人工智能已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。

人工智能是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、制造類似于人腦智能的計算機，使計算機能實現更高層次的應用。人工智能將涉及到計算機科學、心理學、哲學和語言學等學科。

可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智能與思維科學的關系是實踐和理論的關系，人工智能是處于思維科學的技術應用層次，是它的一個應用分支。

從思維觀點看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進人工智能的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智能學科也必須借用數學工具，數學不僅在標準邏輯、模糊數學等范圍發揮作用，數學進入人工智能學科，它們將互相促進而更快地發展。

人工智能的主要特征

智能是知識與智力的總合。知識是智能行為的基礎；智力是獲取知識并運用知識求解問題的能力。智能具有以下特征：

1、具有感知能力：指人們通過視覺、聽覺、觸覺、味覺、嗅覺等感覺器官感知外部世界的能力；

2、具有記憶與思維的能力：這是人腦最重要的功能，亦是人之所以有智能的根本原因；

3、具有學習能力及自適應能力；

4、具有行為能力。

人工智能的起源及發展

1936年，24歲的英國數學家圖靈提出了“自動機”理論,把研究會思維的機器和計算機的工作大大向前推進了一步,他也因此被稱為“人工智能之父”。人工智能的研究從1956 年正式開始，這一年在達特茅斯大學召開的會議上正式使用了“人工智能”(Artificial Intelligence，AI)這個術語。

第一階段: 50 年代人工智能的興起和冷落。

人工智能概念首次提出后，相繼出現了一批顯著的成果，如機器定理證明、跳棋程序、通用問題s 求解程序、LISP 表處理語言等。但由于消解法推理能力的有限，以及機器翻譯等的失敗，使人工智能走入了低谷。這一階段的特點是：重視問題求解的方法，忽視知識重要性。

第二階段: 60 年代末到70 年代，專家系統出現，使人工智能研究出現新高潮。

DENDRAL 化學質譜分析系統、MYCIN 疾病診斷和治療系統、PROSPECTIOR 探礦系統、Hearsay-II 語音理解系統等專家系統的研究和開發，將人工智能引向了實用化。并且，1969 年成立了國際人工智能聯合會議（International Joint Conferences onArtificial Intelligence 即IJCAI）。

第三階段: 80 年代，隨著第五代計算機的研制，人工智能得到了很大發展。

日本1982 年開始了“第五代計算機研制計劃”，即“知識信息處理計算機系統K I P S”，其目的是使邏輯推理達到數值運算那么快。雖然此計劃最終失敗，但它的開展形成了一股研究人工智能的熱潮。

第四階段: 80 年代末，神經網絡飛速發展。

1987 年，美國召開第一次神經網絡國際會議，宣告了這一新學科的誕生。此后，各國在神經網絡方面的投資逐漸增加，神經網絡迅速發展起來。

第五階段: 90 年代，人工智能出現新的研究高潮。

由于網絡技術特別是國際互連網技術的發展，人工智能開始由單個智能主體研究轉向基于網絡環境下的分布式人工智能研究。不僅研究基于同一目標的分布式問題求解，而且研究多個智能主體的多目標問題求解，將人工智能更面向實用。

另外，由于Hopfield 多層神經網絡模型的提出，使人工神經網絡研究與應用出現了欣欣向榮的景象。人工智能已深入到社會生活的各個領域。

人工智能的數學基礎

人類智能在計算機上的模擬就是人工智能，而智能的核心是思維，因而如何把人們的思維活動形式化、符號化，使其得以在計算機上實現，就成為人工智能研究的重要課題。

在這方面，邏輯的有關理論、方法、技術起著十分重要的作用，它不僅為人工智能提供了有力的工具，而且也為知識的推理奠定了理論基礎。此外，概率論及模糊理論的有關概念及理論也在不確定性知識的表示與處理中占有重要地位。

因此，在系統學習人工智能的理論與技術之前，先掌握一些有關邏輯、概率論及模糊理論方面的知識是很有必要的。

人工智能中用到的邏輯可概括地劃分為兩大類。一類是經典命題邏輯和一階渭詞邏輯，其特點是任何一個命題的真值或者為“真”，或者為“假”，二者必居其一。

因為它只有兩個真值，因此又稱為二值邏輯。另一類是泛指除經典邏輯外的那些邏輯，主要包括三值邏輯、多值邏輯、模糊邏輯、模態邏輯及時態邏輯等，統稱為非經典邏輯。

在非經典邏輯中，又可分為兩種情況，一種是與經典邏輯平行的邏輯，如多值邏輯、模糊邏輯等，它們使用的語言與經典邏輯基本相同，主要區別是經典邏輯中的一些定理在這種非經典邏輯中不再成立，而且增加了一些新的概念和定理。另一種是對經典邏輯的擴充，如模態邏輯、時態邏輯等。

它們一般承認經典邏輯的定理，但在兩個方面進行了擴充：一是擴充了經典邏輯的語言；二是補充了經典邏輯的定理。例如模態邏輯增加了兩個新算子L(……是必然的)和A4(……是可能的)，從而擴大了經典邏輯的詞匯表。概率論在人工智能中的應用主要體現在有關概率、條件概率等的概念以及BaYes定理等，多年來它一直是人工智能中處理不確定性的理論基礎。

在科學研究和日常生活中，人們一直追求用確定的數學模型來描述現象或解決問題。隨著通信、計算機和網絡技術的飛速發展，隨著基礎軟件、中間件和應用軟件的廣泛應用，計算機在數值計算、數據處理、信息查詢、工業控制、符號推理乃至知識工程等方面發揮出來的能力已大大提高。但是，計算機在這些領域中所解決的問題往往都是“良性設定問題”，即求解問題的前提條件明確、數學模型精確，并且可以用計算機程序設計語言進行描述。

人工智能從來就是在數學的基礎上發展起來的，為了解決人工智能中的各種不確定性問題，同樣需要數學的支持。?

人工智能的體現形式和研究領域

博弈

博弈論，又稱對策論，是使用嚴謹的數學模型研究沖突對抗條件下最優決策問題的理論。博弈思想在人工智能方面最早體現在計算機游戲方面，最早的計算機游戲（computer game）指的就是下棋, 為了設計可以和人類競爭甚至戰勝人類的程序， 人們便開始研究如何使得計算機可以學習人類的思維模式，具備與人類一樣的博弈能力。

博弈的過程包含著對問題的表示、分解、搜索和歸納這四個重要問題。計算機棋類博弈基本屬于完全信息的動態博弈。也就是對弈雙方不僅清楚當前的局面，了解對手以往的著數，而且了解對手接下來可能采取的著數。盡管雙方可能采取的著法數以十計、百計，但畢竟還是有限的。計算機可以通過展開一顆根在上、葉在下的龐大的博弈樹描述這一對弈過程。再利用自身在時間和空間上的強大能力，進行巧妙的搜索，從而找到可行解及近優解，亦即給出當前的著法。

顯然，計算機的搜索能力是計算機智力水平的重要體現。搜索算法是機器“思維”的核心。包括著法生成，博弈樹展開，各種剪枝搜索和各種啟發式搜索。顯而易見，搜索算法的設計和編寫過程處處體現著人工智能的思想。機器博弈是既簡單方便、經濟實用，又豐富內涵、變化無窮的思維邏輯研究載體。

個把小時就可以下一盤棋，就可以對電腦的“智能”進行測試，而且可以悔棋、重試、復盤，可以一步步地發現電腦與人腦功能的差距，從而不斷提高電腦的智力水平。毫無疑問的是，機器博弈的研究可以顯著推動人工智能的發展。

專家系統

專家系統是一種具有大量專門知識和經驗的智能程序系統，它能運用領域專家多年積累的經驗和專門知識，模擬領域專家的思維過程，解決該領域中需要專家才能解決的復雜問題。專家系統是目前人工智能中最活躍，最有成效的一個研究領域，它是一種基于知識的系統，它從人類專家那里獲得知識，并用來解決只有專家才能解決困難問題輔助教學系統。

人工智能專家系統常由知識庫、是推理機等構成。推理機主要決定哪些規則滿足事實或目標，并授予規則優先級，然后執行最高優先級規則來進行邏輯推理。知識獲取機為用戶建立的一個知識自動輸入的確定方法。匹配模塊是該人工智能專家系統的核心部分，匹配功能的實現關系到整個程序的實現，解釋模塊以及結果處理都依賴于它的執行結果。其過程如下圖所示：

目前已研究的專家系統模型有很多種。其中較為流行的有如下幾種：

基于規則的專家系統

基于規則推理( Rule Based Reasoning, RBR) 的方法是根據以往專家診斷的經驗, 將其歸納成規則, 通過啟發式經驗知識進行推理。早期的專家系統大多數是用規則推理的方法, 如DENDRAL專家系統、MYCIN專家系統、PROSPECTOR 專家系統等。

基于案例的專家系統

基于案例推理( Case Based Reasoning, CBR) 的方法就是通過搜索曾經成功解決過的類似問題, 比較新、舊問題之間的特征、發生背景等差異, 重新使用或參考以前的知識和信息, 達到最終解決新問題的方法。第一個真正意義上的基于案例的專家系統是1983 年由耶魯大學Janet Kolodner 教授領導開發的CYRUS 系統。它以Schank的動態存儲模型和問題求解的MOP( Memory Organized Packet)理論為基礎, 做與旅行相關的咨詢工作。

基于框架的專家系統

框架( Frame) 是將某類對象的所有知識組織在一起的一種通用數據結構, 而相互關聯的框架連接組成框架系統。

框架表示法最突出的特點是善于表達結構性的知識, 且具有良好的繼承性和自然性。因此, 基于框架的專家系統適合于具有固定格式的事物、動作或事件。

基于模糊邏輯的專家系統

和二值的波爾邏輯不同，模糊邏輯是多值的。它處理歸屬的程度和可信的程度。模糊邏輯使用介于0（完全為假）和1（完全為真）之間邏輯值得連續區間。與非黑即白不同，它使用顏色的色譜，可以接受同時部分為真和部分未假的事物。

基于模糊邏輯的專家系統的優點在于: ① 具有專家水平的專門知識, 能表現專家技能和高度的技巧以及有足夠的魯棒性; ②能進行有效的推理, 具有啟發性, 能夠運用人類專家的經驗和知識進行啟發性的搜索、試探性的推理; ③具有靈活性和透明性。但是, 模糊推理知識獲取困難, 尤其是征兆的模糊關系較難確定, 且系統的推理能力依賴模糊知識庫, 學習能力差, 容易發生錯誤。由于模糊語言變量是用隸屬函數表示的,實現語言變量與隸屬函數之間的轉換是一個難點。

基于D-S 證據理論的專家系統

證據理論是由Dempster于1967年首先提出，由他的學生Shafer于1976年進一步發展起來的一種不精確推理理論，也稱為Dempster/Shafer 證據理論(D-S證據理論)，屬于人工智能范疇，最早應用于專家系統中，具有處理不確定信息的能力。作為一種不確定推理方法，證據理論的主要特點是：滿足比貝葉斯概率論更弱的條件；具有直接表達“不確定”和“不知道”的能力.。當約束限制為嚴格的概率時, 它就成為概率論。

基于Web的專家系統

基于Web的專家系統是Web數據交換技術與傳統專家系統集成所得到的一種先進專家系統。它利用Web瀏覽器實現人機交互，基于Web專家系統中的各類用戶都可通過瀏覽器訪問專家系統。從結構上，它由瀏覽器、應用服務器和數據庫服務器三個層次所組成，包括Web接口、推理機、知識庫、數據庫和解釋器。

模式識別

廣義地說，存在于時間和空間中可觀察的事物，如果我們可以區別他們是否相同或者是否相似，都可以稱之為模式。但需要注意的是，模式并不是指向事物本身，而是我們從事物獲得的信息。因此，模式往往表現為具有時間或空間分布的信息。人們為了掌握客觀事物，按事物相似的程度組成類別。模式識別的作用和目的就在于面對某一具體事物時將其正確的歸入某一類別。

模式識別系統有兩個過程組成，即設計和實現。設計是指用一定數量的樣本（訓練集或學習集）進行分類器的設計。實現是指用所涉及的分類器對待識別的樣本進行分類決策。基于統計方法的模式識別系統主要由4個部分組成：數據獲取，預處理，特征提取和選擇，分類決策，如下圖所示：

概括地說，模式識別中的最基本的問題是解決模式的分類。較全面的看，是研究模式的描述、分析、分類、理解和綜合。更高層次的模式識別應該還包括對模式的學習、判斷、自適應、自尋優和自動發現規律等。

所以，模式識別在某種意義上和人工智能中的“學習”“概念形成”相近。模式識別與及其職能的結合將開辟廣闊的應用前景。

人工神經網絡

眾所周知，人類大腦的組織結構和運行機制有其絕妙的特點，從模仿人腦智能的角度出發，來探尋新的信息表示、儲存和處理方式，設計全新的計算機處理結構模型，構建一種更接近人類智能的信息處理系統來解決實際工程和科學研究領域中難以解決的問題，一定能夠極大推動科研進步，這些促成了人工神經網絡（ANN）的出現。

簡單的說，ANN是模仿人腦工作方式而設計的一種機器，它可用電子或光電元件實現，還可以用軟件在計算機上進行仿真模擬，甚至最新的研究成果顯示人類已經使用DNA在試管中制造出了首個人造神經網絡（這個相互作用的分子組成的電路能像人腦一樣，基于不完整的模式進行回）；人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入－輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果，這種學習分析的過程被稱為“訓練”。

神經網絡發展很快，已經被廣泛應用在市場的方方面面。

自然語言理解

自然語言理解一直是智能領域研究的重要課題之一，因為自然語言本身具有獨特的魅力，其一，如果計算機能夠理解自然語言，那么人機交互將變得前所未有的暢通，那將是對計算機技術的重大突破，其二，創造和使用自然語言是人類幾千年智慧的結晶，研究自然語言更有助于解開人工智能的奧秘。

對自然語言的理解，有以下四條準則：問答、文摘生成、釋義、翻譯。與之對應就可以得到，自然語言理解的處理過程為：語言形式化描述、處理算法設計、處理算法實現和評估。其中語言形式化描述就是通過對自然語言自身規律進行研究，進而采用數學的方法將其描述出來，以便于計算機處理，也可認為是對自然語言進行數學建模。處理的算法設計就是將數學形式化描述的語言變換為計算機可操作、控制的對象。處理算法實現和評估就是通過程序設計語言(如C語言)將算法實現出來，并對其性能和功能進行評估。

自然語言理解的智能應用主要體現在翻譯方面。

人工智能的現在與未來

如今人工智能已經不再是幾個科學家的專利了，全世界幾乎所有大學的計算機系都有人在研究這門學科，學習計算機的大學生也必須學習這樣一門課程，在大家不懈的努力下，如今計算機似乎已經變得十分聰明了。

大家或許不會注意到，在一些地方計算機幫助人進行其它原來只屬于人類的工作，計算機以它的高速和準確為人類發揮著它的作用。人工智能始終是計算機科學的前沿學科，計算機編程語言和其它計算機軟件都因為有了人工智能的進展而得以存在。

現在，研究和應用從實驗室到工業現場、從家電到火箭制導，已經廣泛用于武器控制、機器人規劃與控制、（制造業采礦業等的）自動加工系統的智能控制、故障檢測與診斷、飛行器的智能控制醫用智能控制、智能儀器等。

自然科學方面，AI與其它學科相互交叉、相互滲透和相互促進。AI向其它學科提供了工具和方法，如知識表示和推理機制、問題求解和搜索算法，模糊邏輯推理和非單調推理技術，以及計算智能技術等，可以解決從前難以解決的問題。而其他學科的重要概念，在AI研究中也得到發展。如計算機系統的分時系統、編目處理系統和交互調試系統等。

社會科學方面也是如此。在需要使用數學－計算機工具解決問題的學科（如經濟學），AI帶來的幫助不言而喻。

更重要的是，AI反過來有助于人類最終認識自身智能的形成。在重新闡述知識歷史的過程中，AI有望解決知識的模糊性，消除知識的不一致性。這將導致邏輯和哲學等等方面的改善,影響到心理學、認知學的核心理論，對于哲學社會學方面的理論也將帶來徹底的變革。

此外，綜合應用語法、語義和AI的形式知識表示方法，有可能改善知識的自然語言表達形式與此同時，潛在的知識，直感靈感等等也能夠闡述為適用的AI形式。從而擴大知識的領域，以及對現有知識進行提純。

如果說生物計算機、量子計算機、光子計算機是未來計算機硬件系統的發展方向，那么實現人工智能就是日后計算機軟件的努力目標，但是，從某種意義上來說，人工智能的發展目標卻是脫離計算機，不再作為一個獨立的子系統來存在。它將滲透入我們社會的方方面面，潤物無聲。

可以預見，隨著人工智能的完善，它將對人類整體的文明產生巨大沖擊，事實上，這個沖擊已然產生，只是它的步步推進不足以產生爆炸性的效果，因而，注意者并不包括大多數人。

人工智能對經濟的影響

成功的專家系統能為它的建造者、擁有者和用戶帶來明顯的經濟效益 。在信息爆炸的知識經濟時代，優秀的信息處理便是財富，它會為部分人的經濟效益做出極大貢獻。同時，盡管人工智能的發展目標是脫離計算機，成為獨立的應用，但未來很長一段時間內，它還會依托于計算機存在，越來越優秀的人工智能對計算機的軟硬件都提出了新的要求，這將會成為計算機行業的一個推動力。

人工智能對社會的影響

人工智能和機器人行業幾乎是親密無間，在歐美，工業過程控制系統、智能機器人系統和智能化生產系統開始起步。我國也從無到有，出現了機械手生產廠家，機器人產業的雛形已經形成，在10～20年后有望形成規模，脫離自動化而形成獨立的產業。這卻帶來了勞務就業問題。由于AI 在科技和工程中的應用，能夠代替人類進行各種技術工作和腦力勞動，將迫使人們工作方式的巨大改變，甚至造成失業，數字巨大的失業者將成為社會的不安定因素。

人工智能對人類思維的影響

伴隨著機器變得越來越“聰明”，人們越來越相信智能機器的判斷和決定。這在某種程度上會導致人類失去對問題及其求解任務的責任感和敏感性 。進而致使認知能力下降，思維變得懶惰。通俗來說，就是變蠢。人類用了200萬年進化成現在的智慧生物，在人工智能的“幫助”下，這一逆過程或許不需這么久。

至于所謂的“人工智能失控”、“智能機器人反噬人類”，好萊塢已經做出了太多猜測，但不得不說，所謂的“阿西莫夫三定律”真的能永遠束縛機器人（狹義上的人工智能）嗎？這很難說。自然是難以揣測的，兩個原子的偶然碰撞擦出了生命的第一縷火花，那無數個0、1的組合難道沒有那靈光一閃的瞬間嗎？混沌機制向來是上帝的領域，數字生命無窮小的誕生概率在數學上可以被認為為零，但現實中卻存在可能。

但我們不能因噎廢食，人工智能已經——或正在——或即將證明它在人類社會中的的巨大作用，對于人工智能的未來發展，我們應當持樂觀態度。我們相信人工智能有個更加美好的未來；盡管這一天的到來，需要付出辛勤勞動和昂貴代價，需要好幾代人的持續奮斗 。一代代科學家為我們提供了巨人的肩膀，正是為了讓我們立于其上，繼往開來。

編輯：黃飛

?