代，联结主义，尤其是对以感知机(perceptron)为代表的脑模型的研究曾出现过热潮，由于当时的理论模型、生物原型和技术条件的限制，脑模型研究在70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络时，联结主义又重新抬头。1986年鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播(BP)算法。此后，联结主义势头大振，从模型到算法，从理论分析到工程实现，为神经网络计算机走向市场打下基础。现在，对ANN的研究热情仍然不减。 3.行为主义
认为人工智能源于控制论。控制论思想早在40-50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。到60-70年代，控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在80年代诞生了智能控制和智能机器人系统。行为主义是近年来才以人工智能新学派的面孔出现的，引起许多人的兴趣与研究。
1.3.2 对人工智能基本理论的争论
不同人工智能学派对人工智能的研究方法问题也有不同的看法。这些问题涉及人工智能是否一定采用模拟人的智能的方法?若要模拟又该如何模拟?对结构模拟和行为模拟、感知思维和行为、对认知与学习以及逻辑思维和形象思维等问题是否应分离研究?是否有必要建立人工智能的统一理论系统?若有，又应以什么方法为基础? 1.符号主义
认为人的认知基元是符号，而且认知过程即符号操作过程。它认为人是一个物理符号系统，计算机也是一个物理符号系统，因此，我们就能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。也就是说，人的思维是可操作的。它还认为，知识是信息的一种形式，是构成智能的基础。人工智能的核心问题是知识表示、知识推理和知识运用。知识可用符号表示，也可用符号进行推理，因而有可能建立起基于知识的人类智能和机器智能的统一理论体系。 2.联结主义
认为人的思维基元是神经元，而不是符号处理过程。它对物理符号系统假设持反对意见，认为人脑不同于电脑，并提出联结主义的大脑工作模式，用于取代符号操作的电脑工作模式。 他们对人工智能发展历史具有不同的看法。 3.行为主义
认为智能取决于感知和行动(所以被称为行为主义)，提出智能行为的\感知-动作\模式。行为主义者认为智能不需要知识、不需要表示、不需要推理；人工智能可以象人类智能一样逐步进化(所以称为进化主义)；智能行为只能在现实世界中与周围环境交互作用而表现出来。行为主义还认为：符号主义(还包括联结主义)对真实世界客观事物的描述及其智能行为工作模式是过于简化的抽象，因而是不能真实地反映客观存在的。 1.3.3 对人工智能技术路线的争论
如何在技术上实现人工智能系统、研制智能机器和开发智能产品，即沿着什么技术路线和策略来发展人工智能，也存在有不同的派别，即不同的路线。 1.专用路线
强调研制与开发专用的智能计算机、人工智能软件、专用开发工具、人工智能语言和其它专用设备。 2.通用路线
认为通用的计算机硬件和软件能够对人工智能开发提供有效的支持，并能够解决广泛的和一般的人工智能问题。通用路线强调人工智能应用系统和人工智能产品的开发，应与计算机立体技术和主流技术相结合，并把知识工程视为软件工程的一个分支。 3.硬件路线
认为人工智能的发展主要依靠硬件技术。该路线还认为智能机器的开发主要有赖于各种智能硬件、智能工具及固化技术。 4.软件路线
强调人工智能的发展主要依靠软件技术。软件路线认为智能机器的研制主要在于开发各种智能软件、工具及其应用系统。
从上面的讨论我们可以看到，在人工智能的基本理论、研究方法和技术路线等方面，存在几种不同的学派，有着不同的论点；对其中某些观点的争论是十分激烈的。从\一枝独秀\的符号主义发展到多学派\百花争艳\，是一件大好事，必将促进人工智能的进一步发展。 对人工智能各种问题的争论可能还要持续几十年甚至几百年。尽管未来的人工智能系统很可能是集各家之长的多种方法之结合，但是单独研究各种方法仍然是必要的和有价值的。在努力实现某种主要目标之前，很可能有几种方法相互竞争和角逐。人工智能的研究者们已经开发和编制出许多表演系统和实用系统，这些系统显示出有限领域内的优良智能水平，有的系统甚至已具有商业价值。然而，已实现的人工智能系统仍远未达到人类所具有的那些几乎是万能的认知技巧。研究工作沿着许多不同的途径和方法继续进行，每种方法都有它的热烈的支持者和实践者。也许终有一天，他们会携起手来，并肩开创人工智能的新世界。 1.4 人工智能的研究和应用领域
在大多数学科中存在着几个不同的研究领域，每个领域都有其特有的感兴趣的研究课题、研究技术和术语。在人工智能中，这样的领域包括语言处理、自动定理证明、智能数据检索系统、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。在过去30多年中，已经建立了一些具有人工智能的计算机系统；例如，能够求解微分方程的，下棋的，设计分析集成电路的，合成人类自然语言的，检索情报的，诊断疾病以及控制太空飞行器和水下机器人的具有不同程度人工智能的计算机系统。 1.4.1 问题求解
人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题归约这样的人工智能基本技术。今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和工程师所应用。有些程序甚至还能够用经验来改善其性能。
小知识：Deep Blue 简历：
1985年，美国卡内基-梅隆（Carnegie-Mellon）大学的博士生Feng-hsiung Hsu着手研制一个国际象棋的计算机程序：\年Hsu 与Murray Campbell加入了IBM的Deep Blue研究项目，最初研究目的是为了检验计算机的并行处理能力。几年后，研制小组开发了专用处理器，可以在每秒中计算2-3000步棋局。经历了数百次的失利，在科研人员的不断完善下，1997年，DeepBlue的硬件系统采用了32节点的大规模并行结构，每个节点由8片专用的处理器同时工作，这样，系统由256个处理器组成了一个高速并行计算机系统；研究小组又不断完善了博弈的程序。Deep Blue发展为高水平的博弈大师，在国际象棋比赛规定的每步棋限时3分钟里，可以推演1000-2000亿步棋局。Garry Kasparov的思考速度是200步/分。1997年5月11日，Deep Blue以3.5：2.5战胜了Garry Kasparov。
1.4.2 逻辑推理与定理证明
逻辑推理是人工智能研究中最持久的子领域之一。其中特别重要的是要找到一些方法，只把
用四种颜色标注不同的区域
注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。
1976年7月，美国的阿佩尔(K.Appel)等人合作解决了长达124年之久的难题--四色定理。他们用三台大型计算机，花去1200小时CPU时间，并对中间结果进行人为反复修改500多处。四色定理的成功证明曾轰动计算机界。
1.4.3 自然语言理解
NLP(Natural Language Processing)自然语言处理也是人工智能的早期研究领域之一，已经编写出能够从内部数据库回答用英语提出的问题的程序，这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。有些程序甚至能够在一定程度上翻译从话筒输入的口头指令(而不是从键盘打入计算机的指令)。目前语言处理研究的主要课题是：在翻译句子时，以主题和对话情况为基础，注意大量的一般常识--世界知识和期望作用的重要性。
人工智能在语言翻译与语音理解程序方面已经取得的成就，发展为人类自然语言处理的新概念。
1.4.4 自动程序设计
也许程序设计并不是人类知识的一个十分重要的方面，但是它本身却是人工智能的一个重要研究领域。这个领域的工作叫做自动程序设计。已经研制出能够以各种不同的目的描述(例如输入/输出对，高级语言描述，甚至英语描述算法)来编写计算机程序。这方面的进展局限于少数几个完全现成的例子。对自动程序设计的研究不仅可以促进半自动软件开发系统的发展，而且也使通过修正自身数码进行学习(即修正它们的性能)的人工智能系统得到发展。自动编制一份程序来获得某种指定结果的任务同证明一份给定程序将获得某种指定结果的任务是紧密相关的。后者叫做程序验证。许多自动程序设计系统将产生一份输出程序的验证作为额外收获。
1.4.5 专家系统 一般地说，专家系统是一个智能计算机程序系统，其内部具有大量专家水平的某个领域知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题。也就是说，专家系统是一个具有大量专门知识与经验的程序系统，它应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。
当前的研究涉及有关专家系统设计的各种问题。这些系统是在某个领域的专家(他可能无法明确表达他的全部知识)与系统设计者之间经过艰苦的反复交换意见之后建立起来的。在已经建立的专家咨询系统中，有能够诊断疾病的(包括中医诊断智能机)，估计潜在石油等矿藏的，研究复杂有机化合物结构的以及提供使用其它计算机系统的参考意见等。发展专家系统的关键是表达和运用专家知识，即来自人类专家的并已被证明对解决有关领域内的典型问题是有用的事实和过程。专家系统和传统的计算机程序最本质的不同之处在于专家系统所要解决的问题一般没有算法解，并且经常要在不完全、不精确或不确定的信息基础上作出结
论。
专家系统可以解决的问题一般包括解释、预测、诊断、设计、规划、监视、修理、指导和控制等。高性能的专家系统也已经从学术研究开始进入实际应用研究。随着人工智能整体水平的提高，专家系统也获得发展。正在开发的新一代专家系统有分布式专家系统和协同式专家系统等。在新一代专家系统中，不但采用基于规则的方法，而且采用基于模型的原理。 1.4.6 机器学习
学习能力无疑是人工智能研究上最突出和最重要的一个方面。人工智能在这方面的研究近年来取得了一些进展。学习是人类智能的主要标志和获得知识的基本手段。机器学习(自动获取新的事实及新的推理算法)是使计算机具有智能的根本途径。正如香克(R. Shank)所说：\一台计算机若不会学习，就不能称为具有智能的。\此外，机器学习还有助于发现人类学习的机理和揭示人脑的奥秘。所以这是一个始终得到重视，理论正在创立，方法日臻完善，但远未达到理想境地的研究领域。
您的位置：第1章>>第4节>>第7、8点； 学习状态：浏览学习 1.4.7 人工神经网络
由于冯·诺依曼(VanNeumann)体系结构的局限性，数字计算机存在一些尚无法解决的问题。人们一直在寻找新的信息处理机制，神经网络计算就是其中之一。 研究结果已经证明，用神经网络处理直觉和形象思维信息具有比传统处理方式好得多的效果。神经网络的发展有着非常广阔的科学背景，是众多学科研究的综合成果。神经生理学家、心理学家与计算机科学家的共同研究得出的结论是：人脑是一个功能特别强大、结构异常复杂的信息处理系统，其基础是神经元及其互联关系。因此，对人脑神经元和人工神经网络的研究，可能创造出新一代人工智能机--神经计算机。
对神经网络的研究始于40年代初期，经历了一条十分曲折的道路，几起几落，80年代初以来，对神经网络的研究再次出现高潮。霍普菲尔德(Hopfield)提出用硬件实现神经网络，鲁梅尔哈特(Rumelhart)等提出多层网络中的反向传播(BP)算法就是两个重要标志。现在，神经网络已在模式识别、图象处理、组合优化、自动控制、信息处理、机器人学和人工智能的其它领域获得日益广泛的应用。 1.4.8 机器人学
人工智能研究日益受到重视的另一个分支是机器人学，其中包括对操作机器人装置程序的研究。这个领域所研究的问题，从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法，无所不包。
机器人和机器人学的研究促进了许多人工智能思想的发展。它所导致的一些技术可用来模拟世界的状态，用来描述从一种世界状态转变为另一种世界状态的过程。它对于怎样产生动作序列的规划以及怎样监督这些规划的执行有了一种较好的理解。复杂的机器人控制问题迫使我们发展一些方法，先在抽象和忽略细节的高层进行规划，然后再逐步在细节越来越重要的低层进行规划。在本书中，我们经常应用一些机器人问题求解的例子来说明一些重要的思想。智能机器人的研究和应用体现出广泛的学科交叉，涉及众多的课题，如机器人体系结构、机构、控制、智能、视觉、触觉、力觉、听觉、机器人装配、恶劣环境下的机器人以及机器人语言等。机器人已在各种工业、农业、商业、旅游业、空中和海洋以及国防等领域获得越来越普遍的应用。 1.4.9 模式识别
计算机硬件的迅速发展，计算机应用领域的不断开拓，急切地要求计算机能更有效地感知诸如声音、文字、图象、温度、震动等等信息资料，模式识别便得到迅速发展。
\模式\一词的本意是指完美无缺的供模仿的一些标本。模式识别就是指识别出
