2.2　人工智能的概念

人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考，也可能超过人的智能。

人工智能的定义可以分为两部分，即“人工”和“智能”。人工比较好理解，争议性也不大。有时我们会考虑什么是人力所能及的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，人工就是通常意义下的人工系统。

从感觉到记忆，再到思维这一过程称为“智慧”，智慧的结果产生了行为和语言；行为和语言的表达过程称为“能力”，两者合称“智能”；感觉、记忆、回忆、思维、语言、行为的整个过程称为智能过程，它是智力和能力的表现。智能过程又可以用“智商”和“能商”来描述其在个体中发挥智能的程度。

人工智能是研究使用计算机模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似人脑智能的计算机，使计算机能实现更高层次的应用。

2.2.1　人工智能的发展史

人工智能的发展比预想的要慢，但一直在前进，从出现至今，已经出现了许多AI程序，并且它们也影响了其他技术的发展。

2.2.2　人工智能的研究目标

关于人工智能的研究目标，目前还没有统一的意见。斯洛曼（Sloman）于1978年规划了以下三个主要目标。

（1）对智能行为进行有效解释的理论分析。

（2）解释人类智能。

（3）构造智能的人工制品。

要实现斯洛曼的这些目标，就需要同时开展对智能机理和智能构造技术的研究。斯洛曼在描述智能机器时，尽管没有提到思维过程，但是想要真正实现这种智能机器，同样离不开对智能机理的研究。

因此，揭示人类智能的根本机理，用智能机器去模拟、延伸和扩展人类智能应该是人工智能的根本目标或远期目标。

人工智能的远期目标涉及认知科学、计算机科学、系统科学、微电子及控制方法论等多种学科，并有赖于这些学科的共同发展。但从目前这些学科的发展情况来看，实现人工智能的远期目标还需要很长的时间。

在这种情况下，人工智能的近期目标就是研究怎样使现有计算机更加“聪明”，即使计算机可以运用知识去处理问题、模拟人类的智能行为（如学习、分析、思考等）。

为了实现这个目标，需要大家根据现有计算机的特点，研究实现智能的有关方法和技术，并建立对应的智能系统。

实际上，人工智能的远期目标和近期目标是相辅相成的。远期目标为近期目标指明了方向，近期目标为远期目标奠定了理论和技术基础。同时，近期目标和远期目标并没有界限，近期目标会随着人工智能研究的发展而变化，并最终达到远期目标。

2.2.3　人工智能的研究方法

研究人工智能的主要物质基础，以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展史和计算机科学技术的发展史是联系在一起的。除了计算机科学，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等。

1．大脑模拟

20世纪40年代到50年代，许多研究者探索神经病学、信息理论及控制论之间的联系。其中，还造出了一些使用电子网络构造的初步智能，如W.Grey Walter的乌龟和约翰霍普金斯兽。这些研究者还经常在普林斯顿大学和英国的无线电俱乐部举行技术协会会议，直到1960年，大部分人已经放弃了这个方法。

2．符号处理

20世纪40年代，数字计算机研制成功，研究者开始探索人工智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学、斯坦福大学和麻省理工学院，各自都有其独立的研究风格。John Haugeland称这些方法为GOFAI（出色的老式人工智能）。20世纪60年代，符号方法在小型证明程序上模拟高级思考取得了很大的成就，基于控制论或神经网络的方法则置于次要位置；60年代到70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时将其作为他们的目标。

认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类解决问题的能力并尝试将其形式化，他们为人工智能的基本原理打下了基础，如认知科学、运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题的方法的程序。

这个方法一直在卡内基梅隆大学沿袭下来，并在20世纪80年代于SOAR（Security Orchestration Automation and Response）发展到高峰。基于逻辑与艾伦·纽厄尔和赫伯特·西蒙的逻辑不通，John Mccarthy认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室里致力于使用形式化逻辑解决多种问题，包括知识表示、智能规划和机器学习。致力于逻辑方法的还有爱丁堡大学，这促成了欧洲的其他地方开发编程语言Prolog和逻辑编程科学。

对于“反逻辑”，斯坦福大学的研究者（如马文·闵斯基和西摩尔·派普特）发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案。他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。

Roger Schank描述他们的反逻辑方法为“SCRUFFY”。常识知识库（如Doug Lenat的Cyclopaedia）就是SCRUFFY的例子，因为他们必须人工一次性编写一个复杂的概念。

基于知识，大约在1970年出现了大容量内存计算机，研究者分别以三种方法开始把知识构造成应用软件。这场“知识革命”促成了专家系统的开发与计划，这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。

3．子符号方法

20世纪80年代，符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知、机器人、机器学习和模式识别。因此很多研究者开始关注子符号方法，以解决特定的人工智能问题。

新式人工智能机器人领域相关的研究者，如Rodney Brooks否定了符号人工智能，而专注于机器人移动和求生等基本的工程问题。他们再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的：更高的智能需要个体的表征（如移动、感知和形象）。20世纪80年代，David Rumelhart等再次提出了神经网络和联结主义，这和其他的子符号方法（如模糊逻辑控制和进化计算）都属于计算智能学科的研究范畴。

4．统计学法

20世纪90年代，人工智能研究发展出了复杂的数学工具，以解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，也是人工智能成功的原因。公用的数学语言也允许与已有学科（如数学、经济或运筹学）合作。

5．集成方法

智能范式Agent（代理）是一个会感知环境并做出行动以达成目标的系统。最简单的智能Agent是那些可以解决特定问题的程序，更复杂的Agent包括人类和人类组织（如公司）。

这些范式智能可以让研究者研究单独的问题并找出有用且可验证的方案，而无须考虑单一的方法。一个解决特定问题的Agent可以使用任何可行的方法。一些Agent使用符号方法和逻辑方法，一些使用子符号神经网络或其他新的方法。

范式智能同时给研究者提供了一个与其他领域沟通的共同语言，如决策论和经济学（也使用抽象代理的概念）。20世纪90年代，智能范式Agent被广泛接受。Agent体系结构和认知体系结构研究者设计出了一些系统以处理多Agent系统中智能Agent之间的相互作用。

一个系统中包含符号和子符号部分的系统称为混合智能系统，对这种系统的研究就是人工智能系统集成。分级控制系统给反应级别的子符号人工智能和最高级别的传统符号人工智能提供了桥梁，同时放宽了规划和世界建模的时间。Rodney Brooks的Subsumption Architecture就是一个早期的分级系统计划。

总之，不论从什么角度研究人工智能，都是通过计算机实现的，可以说，人工智能的中心目标是要清楚实现人工智能的有关原理，使计算机拥有智慧而更聪明、更有用。

2.2.4　人工智能的分类

人工智能的分类方法主要表现为以下几种分析法。

1．越界分析

越界分析的功能主要表现为：通过设置虚拟围篱，对周界进行侦测。当发现可疑人员或物体穿越围篱时，即触发报警，并将报警信号上传至监控管理中心。同时可将报警画面通过网络上传至远程客户端。

越界分析主要应用于交通马路人行横道或斑马线、厂区重点区域围墙、学校、看守所围墙等。

2．入侵分析

入侵分析的功能主要表现为：在监控画面上将某一区域设置（可设置任意形状）为警戒状态，当有物体非法闯入警戒区后，即触发报警，并同时对闯入物体进行分析。例如，当有人进入警戒区时，即报警有人非法闯入禁区；当有汽车进入警戒区时，即报警有非法车辆闯入禁区。

入侵分析主要应用在某些重点保护区域，如银行金库、景点区域、易发生危险地带、军事禁区、博物馆、码头、医院等。

3．丢失分析

丢失分析的功能主要表现为：在监控画面上画出一块存有重要物品的区域作为警戒区域，只要此物品离开了警戒区域，就会立即触发报警，并将报警信号上传至远程客户端。

丢失分析主要应用于重点保护区域，如博物馆、展览厅、拍卖会、金银店等。

4．方向分析

方向分析的功能主要表现为：在实际监控中，人们可能关心的只是人流的方向和车流的运动方向，通过方向的识别可以判断目标是否为不合法走动或行驶，如果出现逆向行驶，则目标会被自动锁定，并同时报警。

方向分析主要应用于单向行驶的道路、重要出入口等。

5．滞留分析

滞留分析的功能表现为：对于特定区域内的逗留人或物体进行分析，当目标超过设定的时间时，系统会认为其为可疑物体并报警，也可以将报警信号上传至远程客户端。

滞留分析主要应用于重要的监控区域、非有关人员禁入区域。

6．智能跟踪

智能跟踪的功能主要表现为：对可疑人或物体进行目标锁定，同时，摄像机将跟随目标转动并报警，也可以将报警信号上传至远程客户端。

智能跟踪主要应用于小区、非有关人员禁入区域、机密区域、重要保护区域等。

2.2.5　人工智能的特征

人工智能作为一门科学，有其独特的技术特征，主要表现在以下几方面。

1．利用搜索

从求解角度看，环境给智能系统（人或机器系统）提供的信息有以下三种可能。

（1）完全知识。用现成的方法可以求解，这不是人工智能的范围，如用消除法求解线性方程组。

（2）部分知识。无现成的方法可用。

（3）完全无知。无现成的方法可用。

对于部分知识和完全无知，如下棋、法官判案、医生诊病等，有些问题有规律，但往往需要边试探边求解。

2．利用知识

从赫伯特·西蒙和艾伦·纽厄尔的通用问题求解系统到专家系统，都认识到了利用问题领域知识求解问题的重要性。但知识有几大难以处理的属性。

（1）现在的知识非常庞大，人们处在“知识爆炸”的时代。

（2）知识难于精确表达，如足球大师的经验、医师的经验。

（3）由于如今科学在快速发展，知识也经常变化，所以要经常进行知识更新。因此，有人认为人工智能技术就是一种开发知识的方法。

除此之外，知识还具有模糊性、不完全性等属性。有些问题（如下棋）只在理论上存在可计算性，但在实际中无法实现。对于知识的处理，必须做到以下几点。

（1）需要能被提供和接受知识的人理解，只有这样才能顺利使用知识。

（2）因为知识在不断变化，所以知识的处理要易于修改。

（3）能抓住一般性，避免浪费时间、空间去寻找存储知识。

（4）尽量缩小考虑可能性的范围，以帮助减少知识的容量。

3．利用抽象

抽象是用以区分重要与非重要的特征，借助抽象可将处理问题中的重要特征和变式与大量非重要特征和变式区分开来，使处理变得更有效、灵活。

人工智能技术利用抽象还表现为在人工智能程序中采用叙述性的知识表示方法，这种方法把知识当作一种特殊的数据来处理。在程序中，只有把知识和知识之间的联系表达出来，把非知识的处理截然分开，知识才能十分清晰、明确、易于理解。对于用户来说，往往只需知道“是什么问题”“要做什么”即可，而把“怎么做”留给人工智能程序来完成。

4．利用推理

基于知识表示的人工智能程序主要利用推理在形式上的有效性，即在问题求解过程中，人工智能程序使用知识的方法和策略应较少地依赖知识的具体内容。

通常，人工智能程序系统中都采用推理机制与知识相分离的典型体系结构。这种结构是从模拟人类思维的一般规律出发来使用知识的。

实际上，形式推理只是人工智能的早期研究成果。目前，人工智能工作者已经研究出了逻辑推理、必然推理、定性推理、模糊推理等各种有效的推理技术和控制策略，为人工智能的运用开辟了广阔前景。