计算智能大有可为_邢方亮;.pdfVIP

计算机世界/2003 年/09 月/01 日/第B06 版 计算智能大有可为 计算智能作为AI 的一个极有前途且颇有成效的研究方向, 让AI 不 再是遥不可及的“阳春白雪”,使AI 真正走向应用。 邢方亮 　　通俗地理解人工智能,我们可以把 看成是模仿自然智能的人工产物。目前,研究人工智能有 两条途径。一方面, 有许多科学家,尤其是一些神经生物学家试图从生理上研究人脑,及其各部件 的关系,一旦摸清了大脑工作机制,就可以利用高度发展的光、电子以及生物器件构筑类似的结构。 但是,这种自然智能理论方面的研究举步维艰,离真正理解人脑复杂而庞大的神经网络及其工作方 式还有很长的距离。 另外一方面,科学家们从功能实现的角度入手,利用已有的计算工具去实现人脑的功能,取得 了许多成果,并让世人能够领略人工智能的魅力。 计算智能, 何方神圣? AI 来自对生物智能(Natural Intelligence)的模拟,而生物智能又是如何定义的呢?对人类而 言,智能是知识集合与智力的合称,是指人类认识客观事物并运用知识解决实际问题的能力。 集 中表现在反映客观事物深刻、正确、完全的程度, 以及运用知识解决实际问题的速度和质量上,往往 通过观察、判断、联想、创造等表现出来。牛津现代高级英语词典将之定义为学习、理解和推理的能 力。生物智能表现了人类智力活动的一般特征,包括生物智能的目的性、综合性及学习扩展性。这 些方面看似简单,实则相当复杂, 以致难以入手研究。比如人类对自己的视觉机理到现在也只是了 解了一小部分, 关于视皮层如何分析视觉信号,人类仍知之甚少。然而科学并未因此而停滞不前, 总是在可以突破的地方首先契入进去。 我们今天谈论AI 时, 通常是指狭义的AI, 也就是传统的基于符号推理的人工智能技术,其主 要目标是应用符号逻辑的方法模拟人的问题求解、推理、学习等方面的能力。这好像有点违背常 理,通常人们认为类似下棋、诊断、推理公式等事情只有专家才能做到尽善尽美,为什么计算机反而 容易模仿呢?原因就在于这些事情可以符号化,可以精确量化,可以在串行的Von Neumann 型计 算机上运行;相反,对于人类在日常生活中辨认人物、听懂语音等这些具有Common-sense 性质的 事情,计算机却很难做到。研究表明,这些事情涉及复杂的计算概念及过程, 虽然计算机运算速度 高于人脑,但是人脑是由1000 亿神经元互连后并行计算的,其效率和质量远远高于计算机。 所以近年来,在广义的AI 中包含了另一个很有前途的研究方向———计算智能(CI,Computa- tional Intelligence)。1994 年6 月, IEEE 召开了一次规模空前的CI 大会,论文总数超过 1600 篇。 CI 中包含了许多基于数值计算方法的智能计算方法, 这些方法在模拟人脑的联想、记忆、发散思 维、非线性推理、模糊概念等传统AI 难以胜任的方面表现优异,并受到人们的广泛关注。计算智 能方法也得到越来越多学者的研究和完善,并与传统的AI 技术互相交叉、取长补短,使得AI 研究 与应用呈现出向上的发展趋势。相信随着计算工具、计算智能方法的日趋完善,具有真正意义的智 能机器终会走入我们的工作与生活。 计算方法, 百家争鸣 常见的计算智能方法有神经计算、模糊计算、进化计算、混沌科学和分形等。 早在1943 年,心理学家Mclulloch 与Pitts 就总结了生物神经元的一些基本生理特征, 提出了 著名的MP 数学模型。1949 年 ebb 根据神经元联接强度的改变代表生物学习过程的假设提出了 ebb 学习规则。虽然从那以后神经网络的研究经历了几起几伏,但最终还是取得了许多丰硕成 果,典型的有 1982 年产生的 opfield 网络、1986 年的BP 网络,和 1977 年的Kohonen 无导师自组 织竞争网络等。神经网络由于其模型、拓扑关系、学习与训练算法等都建立在对生物神经元系统的 研究之上, 虽然离人们设想的程度还很远,但 仍是目前模拟人脑模式识别、联想、判断、决策和直 觉的理想工具。 具有高度的并行性、非线性全局作用, 以及良好的容错性与联想记忆能力, 同时 还以强大的学习能力和很好的自适应性在专家系统、知识获取、智能控制、自适应系统中有良好 表现。 模糊计算是计算智能的另一个重要方面。1965 年美国加州伯克利大学扎德教授发表论文,首 先提出