人工智能的昨天、今天和明天 崔 林 中央广播电视大学工学院

人 工 智 能 人工智能(Artificial Intelligence, AI) 是50年代中期兴起的一门新兴边缘学科， 既是计算机科学的一个分支，又是计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学、哲学等多种学科相互渗透而发展起来的综合性学科。 人工智能研究的领域十分广泛，涉及专家系统、自然语言理解和机器翻译、数据库的智能检索、机器定理证明、自动程序设计、博奕和决策、机器人学、机器学习、模式识别等领域。

What is AI?

How do we classify research as AI?

1.1 人工智能的研究目标

何谓智能? 对”人类智能活动的能力”是什么含义, 大致可概括为: 1.1.1 什么是智能? 何谓智能? 对”人类智能活动的能力”是什么含义, 大致可概括为: 1, 认识和理解世界环境的能力。 2, 这就是提出概念、建立方法、进行演绎和归纳推理、作出决策的的能力。 3，学习的能力。 4，这就是自我适应的能力 总之，人类智能是涉及信息描述和信息处理的复杂过程。

“人工智能”至今没有统一的确定的定义，AI专家一般也回避这个问题,其主要原因大概有两点: 1.1.2 什么是人工智能? “人工智能”至今没有统一的确定的定义，AI专家一般也回避这个问题,其主要原因大概有两点: 一是不同学科的学者从各自的角度看AI,不会得到相同的定义； 二是最根本的一点就是人们尚未弄清人类表现出来的各种高度智能的本质或机制是什么。

人工智能的定义 狭义： 广义 计算机科学的一个分支，是智能计算机系统 (思维科学) 智能:与人的智能相当或相近 （对语言能理解、能学习、能推理） 广义 人类智能行为规律、智能理论方面的研究。

心理--如何模拟大脑的活动 目前研究人工智能主要有两条途径。 一条是心理学家、生理学家们，他们认为大脑是智能活动的物质基础，要揭示人类智能的奥秘，就必须弄清大脑的结构，即从大脑的神经元模型着手研究，搞清大脑信息处理过程的机理，这样AI的实现就可迎刃而解。创立“信息处理的智能理论”作为实现人工智能的长远研究目标（鸟飞派）

模拟人脑功能 另一条途径是计算机科学家们提出的从模拟人脑功能的角度来实现AI（把人脑看成一个黑盒，可以不知里面有什么东西，但可以模拟其功能----外部表现），也就是通过计算机程序的运行，从效果上达到和人们智能活动过程相类似作为研究目标，因而这派学者只是局限于解决“建造智能机器或系统为工程目标的有关原理和技术”作为实现AI的近期目标。这个观点比较实际，目前引起较多人的注意。（造飞机）

1.2 人工智能的发展简史(　昨　天　) 综合性新学科;三大尖端技术；最难的；很有希望的

1.2.1 形成及第一个兴旺期(1956-1966年) 萌　芽　期 诞 　生 兴 　旺

萌芽期 人工智能的思想自古中外均有萌芽。 公元前900多年,我国有歌舞机器人传说的记载。 公元850年,古希腊就有制造机器人帮助人们劳动的神话传说。

萌芽期 古希腊伟大的哲学家思想家Aristotle（亚里士多德）（前384-322），给出了形式逻辑的基本规律。为形式逻辑奠定了基础，演绎法。 十二世纪末十三世纪初西班牙神学家和逻辑学家Romen Luee试图制造一个能解决各种问题的通用逻辑机。 英国的哲学家、自然科学家Bacon（培根）（1561-1626），系统地给出了归纳法，“知识就是力量”

萌芽期 十七世纪法国物理学家、数学家B.Pascal制成了世界上第一台会演算的机械加法器。

萌芽期 十八世纪德国数学家、哲学家Leibnitz(莱布尼茨)作出了能做四则运算的手摇计算器并提出了关于数理逻辑的思想(把形式逻辑符号化)。从而能对人的思维进行运算和推理。做出了能做四则运算的手摇计算机

萌芽期 十九世纪英国数学家和力学家C.Babbage的差分机和分析机的设计思想.

萌芽期 1936年,年仅24岁的英国数学家A.M.Turing(图灵)在论文“理想计算机”中提出的图灵机模型以及1950年在“计算机能思维吗”一文中提出机器能够思维的论述(图灵实验－－机器智能检验)。

萌芽期 1946年美国科学家J.W.Mauchly和Eckert等人共同发明了世界上第一台电子数字计算机ENIAC,为AI研究奠定了物质基础.

萌芽期 Von Neumann(冯.诺伊曼),目前世界上占统治地位的仍是冯.诺伊曼的计算机。

萌芽期 美国数学家N.Wiener(威纳)控制论的创立、 美国数学家C.E.Shannon(申农)信息论的创立，都为人工智能学科的诞生做了理论和实验工具的巨大贡献。

诞生(1956年夏季) 但AI的产生却是出自1956年夏天的“侃谈会”和美国数学家计算机科学家J.McCarthy(麦卡锡)(常被人看作是“人工智能之父”)。 1956年夏季,在美国Dartmoth大学,由年轻数学助教J.McCarthy(现斯坦福大学教授)和他的三位朋友M.Minsky(哈佛大学年轻数学和神经学家,现MIT教授),N.Lochester(罗彻斯特)(IBM公司信息研究中心负责)、C.Shannon(申农)(贝尔实验室信息部数学研究员)共同发起，邀请IBM公司的T.Moore(摩尔)和A.Samuel(塞缪尔)、MIT的O.Selfridge和R.Solomonff(索罗蒙佛)以及RAND公司和Carnagie工科大学的A.Newell(艾伦.钮厄尔)和H.A.Simon(西蒙)(现均为CMU教授)等人参加夏季学术讨论会,历时二个月。在这次历史性的聚会上,第一次正式使用了"人工智能(AI)"这一术语,从而开创了人工智能的研究方向和学科。从此在美国形成了以人工智能为研究目标的几个研究组,并有了AI的第一个发展期(兴旺期)。

第一个兴旺期 在形成和第一个兴旺期，人工智能研究出现了一些较有代表性的工作（这个时期AI研究的主要方向是机器翻译、定理证明、博弈等）。

机器翻译 1953年，美国乔治敦大学组织了第一次机器翻译的实际实验。 1954年7月，IBM公司在701计算机上做了俄译英的公开表演。此后包括英国、苏联、中国在内的许多国家纷纷开展机器翻译的研究。

定理证明 利用计算机证明数学定理是又一项大胆的设想。1956年，Newell(艾伦.纽厄尔)和Simon(西蒙)等人首先取得突破，他们编的程序Logic Theorist(应用启发式技术)证明了《数学原理》第二章中的三十八条定理，又于1963年证明了该章中的全部五十二条定理，走向了以计算机程序来模拟人类思维的道路，第一次把求解方法和问题的领域知识分离开。 定理证明在1958年取得新成就，美籍数理逻辑学家王浩在IBM704计算机上以3-5分钟证明了《数学原理》有关命题演算的全部220条定理，还用了几分钟证明了该书中带等式的谓词演算的150条定理中的85%，1959年再接再厉，仅用了8.4分钟就证明了以上全部定理。也是在1959年，IBM公司的Gelernter(格伦特尔)研制出平面几何证明程序。

博弈 博弈同样是AI第一个时期的研究热点，1956年Samuel研制了跳棋程序，它在1959年击败了Samuel本人，又在1962年打败了美国一个州的跳棋冠军而荣获州级冠军。

模式识别 也在1956年，Selfridge研制出第一个字符识别程序，又在1959年推出功能更强的模式识别程序。

语言与GPS 1960年，McCarthy建立了人工智能程序设计语言LISP。从1957年开始，Newell、Shaw和Simon等人就开始研究一种不依赖于具体领域的通用解题程序GPS（持续研究了十年，69年发表最后版本）。

符号积分程序 1963年Slagle发表了符号积分程序SAINT，用86道积分题做实验（其中54道选自麻省理工学院的大学考题），结果做出了其中的84道。

机器视觉 1965年Roberts编制了可以分辨积木构造的程序，开创了计算机视觉的新领域。

归结法与定理证明 1965年Robinson独辟蹊径，提出了与传统的自然演绎法完全不同的消解法，当时被认为是一项重大突破，掀起了研究计算机定理证明的又一高潮。

乐观的预言: 一连串的胜利使人们盲目乐观，醉心于AI远景的专家们做出了种种乐观的预言，58年，Newell和Simon充满自信地说：

: 乐观的预言 不出十年，计算机将成为世界冠军； 不出十年，计算机将要发现和证明重要的数学定理； 不出十年，计算机将能谱写具有优秀作曲家水平的乐曲； 不出十年，大多数心理学理论将在计算机上形成。 有人甚至断言：照此趋势下去，80年代将是全面实现AI的年代；到了2000年 ，机器的智能就可以超过人了。

危机 此时，兴奋的人们并未意识到初期的研究虽然很有成效，但并未抓到本质，危机正潜伏在初战告捷的欢乐中。

1.2.2 萧条波折期（1967年-70年代初期） 当人们进行了比较深入的工作后，发现人工智能研究碰到的困难比原来想象的要多得多。

困难重重 例如：65年发明的消解法(归结原理)曾给人们带来了希望，可很快就发现了消解法的能力也有限，证明“连续函数之和仍连续“是微积分中的简单事实，可是用消解法(归结法)来证明时，推了十万步（归结出几十万个子句）尚无结果；

困难重重 Samuel的下棋程序当了州冠军之后没能进一步当上全国冠军更不要说世界冠军。65年世界冠军Helmann与Samuel的程序对弈了四局获得全胜，仅有的一个和局是因为世界冠军“匆忙地同时和几个人对弈”的结果；

困难重重 已过去了十年计算机并未证明出重要的人还未证明出的定理；

困难重重 最糟糕的还是机器翻译，最初采用的主要办法是依靠一部词典的词到词的简单映射方法，结果没有成功，还出现了笑话，如英语和俄语之间的翻译：句子“out of sight, out of mind(眼不见心不烦)”译成俄文时却成了“又瞎又疯”；

困难重重 从神经生理学角度研究AI的人发现他们遇到了几乎是不可逾越的困难：以电子线路模拟神经元及人脑都并没有成功。

人脑的复杂 60年代中期至70年代初期AI受到了各种责难，进入了萧条波折期。人的脑子有1010（百亿）以上的神经元，生理学家认为，每个神经元可能不只是一个信息存储转送单位，而是一台完整的自动机，当时的计算技术要把1010（百亿）台机器组成一个联合运行的网络是不可能的。

组合爆炸 问题求解中的组合爆炸问题，例如国际象棋走第一步有10120种可能，用原有的计算机速度要1090年，而宇宙的年龄是1010年，所以有人讲，计算机下棋走第一步要走到“世界的末日”，由此可见不能光靠把所有可能性存入计算机，而要研究人的思维方法。

语言的多义性 又如机器翻译失败的原因：初期机器翻译只是采取“查词典→词到词翻译→重新排序”。而实际的语言之间的翻译很复杂，每种语言的句子的句法结构、语义结构、译词选择等都是多义的或有岐义，还有成语、熟语、习惯用法、指代、照应等问题，用词到词的简单映射是解决不了的。

美国 1966年在AI的发源地，美国政府按照“自动化语言处理咨询委员会（ALPAC）”的报告（又称黑皮书）宣布机器翻译研究失败，近期内不再搞MT。于是AI的形象大大降低，研究得不到支持。

英国 1971年剑桥大学的应用数学家James先生应政府要求起草了一份综合报告(1972年发表)中，指责AI的研究既使不是骗局至少也是庸人自扰.报告被英政府采纳了,于是形势急转直下,AI的研究经费被削减，研究机构被解散。

敢问路在何方? 这一切都说明：由于50年代的盲目乐观和期望值过高，没有充分估计困难，没有抓到本质，因此，AI的发展要比平时慢得多，而且遇到了严重的困难。

研究遇到波折进入萧条期 自1966年到70年代初期，AI研究遇到波折进入萧条期.

敢问路在何方? 必须检讨过去的战略思想,以找到问题的症结。

敢问路在何方? 知识 研究和总结人类思维的普遍规律并用计算机模拟它的实现,创造一个万能的逻辑推理体系。 而年轻一代(以斯坦福大学的年轻教授Feigenbaum为代表)认为,万能的逻辑推理体系根本就不可能存在,它最大的弱点是缺乏知识,它的主要技术(状态空间搜索技术)的主要困难是“组合爆炸”.要摆脱困境,只有大量使用 知 识。 THERE IS POWER IN THE KNOWLEDGE 知识

敢问路在何方? 总之,在这个波拆萧条期,很多国家的AI研究人员并没有灰心,而是扎扎实实的做工作,不仅是加强基础理论研究,而且在专家系统、自然语言理解、机器人、计算机视觉等方面作出了很有成效的工作。

代表性的工作 这个时期出现了不少较有代表性的工作。下面简单介绍这个时期的几个具有代表性的专家系统、自然语言理解系统等应用系统。

代表性的工作 1.ELIEA：1968年J.Weizenbaum在美国麻省理工学院设计的基于“模式匹配”的自然语言系统中最有名的一个。ELIEA模拟一位心理治疗医生(机器)同一位患者(用户)进行交谈.

代表性的工作 2.DENDRAL：斯坦福大学计算机科学系费根鲍姆(E.A.Feigenbaum)(1970年)和化学家C.Djerassi以及J.Leberberg等人研制出的世界上第一个专家系统。该系统具有非常丰富的化学知识,是根据质谱数据帮助化学家推断分子结构,被广泛地应用于世界各地的大学及工业界的化学实验室。

代表性的工作 3.MYCIN：肖特立夫(E.H.Shortliffe)等人1972年-1974年研制(1976年发表)的医疗专家系统。用于诊断和治疗血液感染和脑炎感染,可给出处方建议(提供抗菌剂治疗建议),不但具有很高的性能,而且具有解释功能和知识获取功能。

代表性的工作 4.SHRDLU(又称积木世界)：麻省理工学院的维诺格拉德(T.Winograd)1972年研制成功的在“积木世界”中进行英语对话的自然语言理解系统。系统模拟一个能操纵桌子上一些玩具积木的机器人手臂,用户通过英语人机对话方式命令机器人摆弄那些积木块,系统则通过屏幕来给出回答并显示现场相应情景.SHRDLU具有200个单词和场景知识,利用句法、语义、推理来理解语言,是最早尝试把语言知识和人的推理机制结合起来的系统之一。

代表性的工作 5.STUDENT：1968年美国麻省理工学院的博士生D.Bobrow完成的一个基于模式匹配(加上一些精心设计的启发式信息)的自然语言理解系统。系统能理解和求解用英语表达的中学文字数学题.

这期间发生的重要事件还有： 1968年奎连(Quilian)提出了语义网络知识表示法,试图解决记忆的心理学模型,后来西蒙(Simon)等人在用语义网络表达自然语言理解方面取得了很大的成效(R.F.Simon(1973年)等人的语义网结构); 1973年R.C.Schamk提出的概念从属理论; 1974年明斯基(Minsky)提出表示知识的另一种方法框架(Frame)理论,又称画面理论.框架理能较好地描述范围较广泛的一类问题,所以一经提出就得到了广泛的应用; 1970年由英国爱丁堡大学的柯瓦斯基(R.Kowalski)首先提出以逻辑为基础的程序设计语言Prolog,1972年由法国马赛大学的科麦瑞尔(A.Colmeraues)及其研究小组实现了第一个Prolog系统。Prolog和LISP一样被称为面向AI的语言,成为继LISP语言之后的最主要的一种人工智能语言.

1.2.3 第二个兴旺期(70年代中期-80年代中期)

知识就是力量! 1977年第五届国际人工智能联合会会议上,费根鲍姆(Feigenbaum)教授在一篇题为“人工智能的艺术：知识工程课题及实例研究”的特约文章中系统地阐述了专家系统的思想并提出“知识工程”的概念.至此人工智能的研究又有新的转折点,即从获取智能的基于能力的策略,变成了基于知识的方法研究.知识作为智能的基础开始受到重视,知识工程的方法很快渗透了AI各个领域,促使AI从实验室研究走向实际应用。

蓬勃发展的专家系统带动AI RI系统用作VAX计算机的组装每年为DEC公司节约2000万美元; 斯坦福大学1976年开始研制的用于地质勘探的专家系统PROSPECTOR在1982年预测了华盛顿州的一个勘探地段的钼矿位置,其开采价值超过了一亿美元; 由于智能机器人和第五代计算机研制计划的产生,使人工智能研究从萧条期转入第二个兴旺期并进入黄金时代。 机器翻译研究全面复苏并从实验室走向实用走向市场。 数百家计算机公司卷入了计算机视觉系统的研制,已有很多可以满足简单的视觉应用的商用产品面世。 智能机器人的研制形成高潮。

五代机引发高科技领域的竞争（1982年） 日本1981年10月向全世界公布了它制造第五代电子计算机的十年计划(1982年-1991年), 该计划全面采用人工智能技术,采用Prolog作为核心语言,目标是研制出具有智能接口、知识库管理、能够自动学习、联想、作出推论、具有并行处理特征、能理解讲话和看懂照片的智能电子计算机。日本的第五代机计划在世界范围内引起了强烈的反响。 美国1983年制定了6—10年的研制规划，投资6亿多美元拟研制能看、听、说和思考的新一代电子计算机，并有18家计算机公司联合起来组成了“美国微电子学和计算机技术联合公司（MCC）”。 英国于1982年10月制定了在5年内集资5.5亿美元来发展自己的 第五代电子计算机的阿尔维计划。 欧洲共同体也于1983年11月提出一项“欧洲信息技术研究开发战略计划（ESPRIT）”准备在机器人学、微电子学、人工智能和软件方面采取联合行动 中国也制定了七.五攻关计划和863高技术计划，把人工智能列为重点研究技术之一。 世界一时惊呼：人工智能对世界的挑战！在这期间，分布式人工智能（DAI）的研究 也受到各国科学家的重视，并投入大量的人力进行研究。

阶段性的顶峰 80年代，人工智能发展达到阶段性的顶峰。 87,89年世界大会有６－７千人参加。 在专家系统及其工具越来越商品化的过程中,国际软件市场上形成了一门旨在生产和加工知识的新产业——知识产业。应该说，知识工程和专家系统是近十余年来人工智能研究中最有成就的分支之一。 同年代，1986年Rumlhart领导的并行分布处理研究小组提出了神经元网络的反向传播学习算法，解决了神经网络的根本问题之一。从此，神经网络的研究进入新的高潮。

否定之否定规律---再次反思 十年过去了，日本的第五代机计划未能达到预期效果而不了了之。八十年代中期、后期，人们想研究通用的智能机器或专家系统的设想或计划开始出现危机，引起反思。 一是智能系统的实时性以及与环境的交互性不尽人意，感知问题要解决很不容易，声音、图象、文字信息等多媒体信息处理也是个问题，而要模拟人的直觉、顿悟、灵感等智能就更难了； 二是人工智能问题在规模扩大后有了新问题，例如专家系统走向一般化时出现了问题，问题不在存储量和检索速度，而在于专家系统的专用领域有质的变化，目标判断（属于哪个领域的问题）要求更高层的知识、常识、推理知识、通用概念和理论等； 三是推理问题，常识的形式化问题没有解决，常用的一阶谓词推理与常识推理有较大差别。 AI科学工作者开始再次反思反省，意识到：(1)目前做通用智能机器或系统是不可能的；(2)对一阶谓词推理的局限性要有正确估计；(3)人工智能的学习问题很重要但很不容易解决。

顶天立地 于是人工智能研究人员开始做“顶天立地”的工作。 “顶天”是指研究和解决AI的一系列关键技术问题，例如常识性知识表示、非单调推理、不确定推理、机器学习、分布式人工智能、智能机器体系结构等基础性研究，以期取得突破性进展。

顶天立地 “立地”是指研究人工智能的实际应用，特别是专家系统、自然语言理解、计算机视觉、智能机器人、机器翻译系统都朝实用化迈进。

网络化、智能化 90年代，计算机发展趋势为小型化、并行化、网络化、智能化。 人工智能技术逐渐与数据库、多媒体等主流技术相结合，并融合在主流技术之中，旨在使计算机更聪明、更有效、与人更接近。

1.2.4 新的神经元网络时代（80年代中～90年代初） BP网（算法），解决了多层网的学习问题 Hopfield网，成功求解了货郎担问题 存在问题： 理论依据 解决大规模问题的能力

1.2.5 数据与网络时代（90年代初～现在） 网络给AI带来无限的机会 知识发现与数据挖掘 AI走向实用化

今天的ＡI （1） 计算机智能化技术的主攻方向体现在 : 并行与分布式处理技术。 知识的获取、表示、更新和推理新机制。 ………. 功能的感知技术，包括对语音文字、图形与图像等信号的获取、识别、压缩与转化，以及多媒体输出和VR技术等。

今天的ＡI （2） 当前人工智能的研究热点 分布式处理 智能Agent 数据挖掘（Data Mining） 环境自适应

今天的ＡI （3） 人工智能发展的历史和现在 人工智能从以往的追求自主的系统，改变为人机结合的系统。 以前的是基于逻辑的深思熟虑；现在是直觉、形象思维与模式识别的结合、Situated AI ,Sensing and Acting的结合，并引入概率论、遗传算法等理论。 计算机的定量与人的定性信息处理相结合，取长补短，从以前单一的mind到mind and body。甚至提出了没有知识表示、没有推理的智能（六脚爬虫）。

ＡI的研究特点（1） 人工智能是一门知识的科学。以知识为对象，研究知识的获取、表示和使用。 数据处理->知识处理，数据->符号。 符号表示知识而不是数值、数据。 有启发，有推导。 人工智能是引起争论最多的科学之一 焦点：当前人工智能的研究应该以人类的普遍思维规律为主，还是以特定知识的处理和运用为主？智能的本质是什么？机器能达到人的水平吗？ 结论：人工智能研究是非常困难的

ＡI的研究特点（2） 人工智能的研究是十分困难的。 McCarthy： 人工智能的所有问题都是难解的。 Minsky： 人工智能是有史以来最难的科学之一。难在：实现智能需要浩繁的知识，而最难对付的知识是常识（不是专业知识）。 Dreyfus： 常识问题是实现人工智能的最大障碍。             

ＡI的研究特点（3）              结论： 万能的逻辑推理体系至今没有创造出来，并不是因为人工智能专家的本事不够，而是因为这种万能的体系从根本上就是不可能有的。他最大的弱点就是缺乏知识，缺乏人类在几千年的文明史上积累起来的知识，在实际生活中，人是根据知识行事的，而不是根据在抽象原则上的推理行事的。 即使就推理体系来说，它的主要技术是状态空间搜索，而在执行中遇到的主要困难就是“组合爆炸”，事实表明，单靠一些思维原则是解决不了组合爆炸问题的，要摆脱困境，只有大量使用理性的知识。

ＡI的研究内容（1） 理论 知识的模型化和表示方法 各种推理方法 启发式理论搜索 人工智能系统结构及语言 机器学习

ＡI的研究内容（2 ） 应用 自然语言理解 数据库的智能检索 专家系统 机器定理证明 博弈 机器人学 自动程序设计 组合调度 感知

ＡI的研究内容（3 ） 分类 瓶颈问题 主攻：利用计算机模拟人的行为（研究鸟飞）； 成功事例 ：国际象棋程序，平面几何定理证明 符号主义 连接主义 瓶颈问题 知识获取、（知识表示、机器学习）； 实现时的规模扩大问题； 应用前景（封闭的专家系统——机器学习问题） 主攻：利用计算机模拟人的行为（研究鸟飞）； 利用计算机构造智能系统（制造飞机） 成功事例 ：国际象棋程序，平面几何定理证明

人工智能研究的课题和应用领域(示例)

AI应用前景----广阔而诱人 为什么人工智能的发展、研究比预计的要慢得多但越来越多的国家和人（包括科学工作者、企业家）对它感兴趣？是因为人工智能有广泛的研究领域和潜在的广阔的应用前景。

几个主要的研究领域（或应用领域）： 应用领域人工智能的研究领域十分广泛，下面介绍几个主要的研究领域（或应用领域）：

专家咨询系统（Expert Consulting System）； ELIZA(心理医生与病人的对话）

自然语言理解（Natural Language Understanding）和机器翻译（Machine Translation）；

Natural Language: Translation “The flesh is weak, but the spirit is strong”  Translate to Russian  Translate back to English “The food was lousy, but the vodka was great!”

Natural Language Recognition

数据库的智能检索（Intelligent Retrieval from Database）；

博奕游戏和决策（Game Playing and Decision Making）； “All AI is search” Game theory Problem spaces Every problem is a “virtual” tree of all possible (successful or unsuccessful) solutions. The trick is to find an efficient search strategy.

IBM的“深蓝” 北京时间1997年5月12日凌晨4点50分，美国纽约，当IBM公司的“深蓝”超级电脑将棋盘上的一个兵走到C4的位置上时，国际象棋世界冠军卡斯帕罗夫对“深蓝”的人机大战落下帷幕，“深蓝” 以3.5：2.5的总比分战胜卡斯帕罗夫。

IBM的“深蓝”（续1） 96年2月第一次比赛结果： “深蓝”：胜、负、平、平、负、负 97年5月第二次比赛结果： “深蓝”：负、胜、平、平、平、胜

IBM的“深蓝”（续2） “深蓝”的技术指标： 32个CPU 每个CPU有16个协处理器 每个CPU有256M内存

计算机能做什么，计算机不能做什么？ 计算机能不能代替人脑？这是人工智能争议较长时间的一个问题，即：智能的本质是什么？机器能达到甚至超过人的智能水平吗？ 这涉及到以下几个问题或几种不同的解释： （1）计算机能不能完成一些迄今为止主要是靠人的大脑的活动完成的工作？ （2）计算机能不能完成一切这种工作？ 计算机能不能象人的大脑那样完成这种工作？

要计算机解决某个问题，有三个基本前提： 形式化 可计算 合理复杂度

1.必须把问题形式化。 必须先建立一个形式化系统，规定所用的符号，规定符号联接成合法符号串的规则（语法）以及合法符号串如何表示问题领域中的意义（解释）。然后建立一些规则，说明对这些符号可以进行一些什么样的处理。于是要解的问题就可以用符号串表示出来，怎样算是一个解，也可以表示为对符号串的一些要求或条件。这一整套办法简称为形式化。

2.计算机要解决已形式化的问题，问题还必须是可计算的， 既一定要有算法。完全的定理证明系统之不可能，可以从理论上予以证明。另一方面，存在某个算法和找出这个算法是两码事，前者是客观的，后者是人脑的功能。要想用计算机代替人脑，就要找出一种算法来代替人脑寻找算法，这又遇到了回归。若有人认为：我们有搜索法，这是一种万能的算法。这其实是一种误会。搜索法在涉及无穷集合的问题中无法施展。一个问题（比如证明一个定理或命题），只有当它在某个形式化系统中可解的时候，才能指望着用搜索的办法求出解来，而在涉及无穷集合的问题中，如果问题无解，搜索过程并不能发现它无解。机器无法判断应在什么时候停下来，这样搜索法也就失灵了。

3.要用计算机实现一个算法以解决某个问题，这问题必须有合理的复杂度。 这常被说成避免指数爆炸。是否发生指数爆炸的情况是问题本身的性质，不是任何巧妙的技术可以绕过的。AI目前面临的多数难题都涉及指数爆炸。用搜索法求解问题更是如此。许多巧妙的设想在一定范围内似乎灵验，一旦问题稍稍扩大，目前的计算机就无法胜任。

智叟派的观点 由于计算机必须具备以上所述的三方面的条件，所以要计算机完成人脑能够做的一切工作是毫无希望的。这是一派学者（例如《计算机不能做什么》一书作者休伯特.德雷福斯)的观点(悲观派)。

AI---让我欢喜让我忧 总而言之，盲目的乐观固然不对，盲目的悲观也没有根据，两者都不利于向前发展。应看到远景美景，也看到困难和障碍。目前谈论人脑与计算机的彼此替代未免空泛、消极，目前不如研究 使两者取长补短的人机共生系统。

四类智能活动 领域1：意义与上下文环境、同有关活动无关的、各种形式的初级联想型行为。例如，查地图的游戏，机器词典，问题求解中的纯试错程序、模式识别中的根据固定模板匹配模式等。 领域2：简单形式化领域。由概念世界而不是由感知世界构成，问题完全形式化了，并完全可以计算。 领域3：复杂形式化领域。元素数量的增长，所需转换的数量随着其中元素数量按指数方式增长。例如，实际上不能用穷举算法处理，因而需要启发式规则的系统，这包括象棋、围棋等。 领域4：非形式化领域。包括有规律但无规则支配的我们人类世界中所有的日常活动。这一类活动需要人的直觉、洞察力、顿悟、灵感。例如，我们对自然语言中歧义、双关语、反话、隐喻的识别和理解，包括规则不确定的游戏，如猜迷游戏，军事指挥员对战略战术的决策等。

领域4---感知思维（问我爱你有多深？月亮代表我的心） How to computation ?

机器智能 >= 人 ？ 一种观点认为：在组织和统一我们关于事实的经验时躯体的不可缺少的作用；在提供一种背景使非规则式的行为成为有秩序的行为时，局势起着关键的 作用。机器永远无法做到人的一切智能。 另一种观点认为机器智能能超过人，他们寻求能达到甚至超过人类水平的人工智能系统，最终目标至少是制造出具有自己思维的机器，这种机器能发现新知识，并且可以从自己的错误中学习。他们认为现在问题不再是人工智能是否会产生具有内在智能的机器，而是会以多快的时间产生。乐观者大胆地预计，这一时间为10至15年, 50年。

TURING TEST

What is Intelligence? The Chinese Room

What is Intelligence? The Chinese Room

What is Intelligence? Replacing the brain （硅脑）

How far have we got? Our best systems have the intelligence of a frog

明天的问题 If in the future machines have the ability to reason, be self-aware and have feelings, then what makes a human being a human being, and a robot a robot? If you could have a robot that would do any task you like, a companion to do all the work that you'd prefer not to, would you? And if so, how do you think this might affect you as a person? Are there any kinds of robots that shouldn't be created? Or that you wouldn't want to see created? Why?

Artificial Intelligence（人工智能 ＡＩ） ---- 来 自 艺 术 家 的 思 考 1、人类是否有责任去爱具有感情的机器人； 2、什么是“爱”，施“爱”的主体，以及受“爱”的对象； 3、什么是“人”？

谢 观 看