百度一下 藏锋者 就能快速找到本站! 每日资讯归档 下载藏锋者到桌面一键访问

当前位置:主页 > 人工智能 > 人工智能基于知识的系统

人工智能基于知识的系统

所在栏目:人工智能 时间:07-29 17:45 分享:

从1970年前后,人工智能从实验室走了出来,从一般思维规律的探讨转向知识工程的开发,进入了实际应用的时代。

这一时期的主要贡献包括下面一些方面。

1970年前后,涌现出了一大批实用的专家系统。代表性的有,用于诊断和治疗细菌感染性血液病的专家咨询系统MYCIN,该系统第一次使用了知识库的概念,并由于采用了可信度表示经验性知识和数据,可以进行不确定推理,对推理结果进行解释,涉及并基本解决了知识表示、知识获取、搜索策略、不精确推理和结构等重大问题,对以后的专家系统产生了很大的影响。并基于MYCIN专家系统,人们实现了专家系统工具EMYCIN。还有就是矿藏勘探专家系统PROSPECTOR,该系统采用语义网络表示知识,采用Bayes概率推理处理不确定的数据和知识,取得了重大的经济效益。

在这一时期,人们在知识表示、不确定性推理、人工智能语言等方面也取得了很大的进展。如1974年明斯基提出的框架理论,MYCIN中使用的确定性因子方法,PROSPECTOR中使用的主观Bayes方法,1972年出现的逻辑程序设计语言PROLOG等。

这一时期一个主要的成就就是知识工程概念的提出。

我们知道人工智能的研究目标是研究和总结人类思维的普遍规律,并在计算机上模拟和实现。在人工智能研究的早期,主要是以符号主义为主,所基于的基础是物理符号系统假设,建立万能的符号逻辑系统是计算机实现智能的关键。

基于数理逻辑和形式推理,人工智能的早期研究在机器定理证明、通用问题求解、搜索算法和模式识别等方面取得了很多成果,展示了人工智能的强大生命力。然而基于朴素信念的支配,通用问题求解策略和计算机的强大计算能力联合起来将产生超人的性能,人工智能学者试图开发出通用的问题求解系统,如赫伯特·西蒙和艾伦·纽威尔等人研制了GPS和SOAR系统。使人工智能的研究过于强调学术性,缺乏实用性。麦卡锡和尼尔森等人进一步认为物理符号系统核心是逻辑演绎方法,主张用逻辑来研究人工智能,即用形式化的方法来描述客观世界,人工智能的一切研究应该在一个类似逻辑的形式框架中进行。这就是人工智能研究的逻辑学派的思想。

然而,当人们在20世纪60年代末遇到困难并对以前的思想和方法重新检讨和分析时认为,万能的逻辑推理体系从根本上说就是不可能的。明斯基在80年代认为人的智能根本不存在统一的理论,他在《思维的社会》一书中指出:追求统一的知识表示和理论基础是错误的,人的智能中就不存在统一的理论,没有一致性、完备性[76]。麦卡锡等人明确地提出以下思想:知识是人类智慧的源泉,只有把相应的知识交给机器,机器才能表现出同人类一样的智能,完成类似的智能工作。知识就是力量!同时随着专家系统应用的不断深入,专家系统自身存在的问题也逐步暴露了出来,如:知识获取困难、应用领域狭窄、智能水平低、适应性差等,致使绝大多数仓促上马的所谓的专家系统因其脆弱性和不可靠性而滞留在原型阶段,无法投入实际应用。

人们认识到已有的人工智能系统最大问题是缺乏知识,这包括两个方面的问题:一是人类的知识不仅仅只是现成的数据和抽象的规则,还包括大量的难于用语言描绘的东西,所有这些知识共同指导人类的行为;二是推理系统本质上是搜索和匹配的过程,主要问题是组合爆炸,只有大量使用知识,使用和领域有关的知识才能克服组合爆炸问题,不存在无所不能的逻辑推理系统。

1977年,在第五届国际人工智能联合会(IJCAI)上,费根鲍姆(E.Feigen-baum)作了题为《人工智能的艺术:知识工程课题及实例研究》的报告,提出了知识工程的概念。他认为知识工程是研究知识信息处理的学科,它应用人工智能的原理和方法,为那些需要专家知识才能解决的应用难题提供了解决途径。采用恰当的方法实现专家知识的获取、表示、推理与解释,是设计基于知识的系统的重要技术问题。知识工程的兴起,确立了知识处理在人工智能学科中的核心地位,使人工智能摆脱了纯学术研究的困境,使人工智能的研究从理论转向应用,从基于推理的模型转向知识的模型,使人工智能的研究走向了实用。

为了适应人工智能和知识工程发展的需要,进入20世纪80年代,日本在1981年宣布了第五代电子计算机的研制计划。其研制的计算机的主要特征是具有智能接口、知识库管理、自动解决问题的能力,并在其他方面具有人的智能行为。由于这一计划的提出,形成了一股热潮,促使世界上重要的国家都开始制定了对新一代智能电子计算机的开发和研制计划。这时人工智能进入了一个兴旺时期。

到了20世纪80年代末,各国的智能计算机计划相继遇到了困难,难于达到预期的目标。这些问题的出现,让人们重新对原来的思想和方法进行分析,人们发现,这些困难不是个别的,而是涉及人工智能的根本性问题,主要包括下面几个问题:一是所谓的交互问题,即传统的方法只能模拟人类深思熟虑的行为,而不包括人与环境的交互行为;二是扩展问题,即所谓的大规模的问题,传统的人工智能方法只适合于建造领域狭窄的专家系统,不能把这种方法简单地推广到规模更大、领域更宽的复杂系统中去;三是人工智能和专家系统热衷于自成体系的封闭式研究,这种脱离主流计算(软硬件)环境的倾向严重阻碍了专家系统的实用化。莱纳特(D.Lenat)和费根鲍姆在1987年的IJCAI会议上提出了所谓的知识原则:一个系统展示高级的智能理解和行为,主要是因为拥有应用领域特有的知识,概念、事实、表示、方法、模型、隐喻和启发式[62]。在此之前的人工智能研究者主要致力于搜索和推理方法的研究,但收效不太大。随着一些专家系统的成功应用,如MYCIN,使人们认识到了知识对于智能行为的重要性。这些专家系统有一个共同的特点,就是都由启发式知识指导问题求解。相比之下,它们的推理机只包含了普通的关于推理控制的知识。由此可见,系统的能力主要由知识库中包含的领域特有的知识来决定。基于上面的思想,以知识处理为核心去实现软件的智能化,开始成为人工智能应用技术的主流开发方法。它要求知识处理建立在对应用领域和问题求解任务的深入理解的基础上,并扎根于主流计算环境,从而促使人工智能的研究和应用走上了稳健发展的道路。

知识工程的困境也动摇了传统的人工智能物理符号系统对于智能行为是必要的也是充分的基本假设,促进了区别于符号主义的连接主义和行为主义智能观的兴起。

作为连接主义的代表的神经网络理论和技术在暗淡了20年后终于有了新的突破和发展。在20世纪80年代中期,由于理论研究的进展,特别是有效学习算法的提出,如BP算法等,神经网络研究开始复苏。1985年,塞杰诺斯克(Se-jnowsk)研制的基于神经网络的NETtalk英语语音学习系统,经过3个月的学习所达到的水平可以和经过20年研制成功的语音合成系统相媲美。同年,用神经网络技术求解旅行商问题显示了它具有很强的问题求解能力。1987年在美国召开了第一次神经网络国际会议,1988年各主要国家在神经网络方面投资逐渐增加,促进了该领域的研究。但是随着神经网络研究和应用的深入,人们又发现人工神经网络模型和算法也存在问题。如神经计算由于不依靠先验知识,是靠学习与训练从数据中取得规律和知识,这固然是优点,但同时也带来困难,如效率问题,学习的复杂性也是困扰神经网络研究的一大难题。其次,由于先验知识少,神经网络的结构就很难预先确定,只能通过反复地学习寻找一个合适的结构,因此由此所确定的结构也就很难为人理解。

总而言之,尽管人工智能的发展经历了曲折的过程,但人工智能工作者仍坚持努力工作,在理论和应用等很多方面取得了大量的进展和成果。许多应用领域将知识和智能思想引入其中,使一些问题得以解决。应该说,人工智能的成就是巨大的,影响是深远的。 

人工智能基于知识的系统 免费邮件订阅: 邮件订阅

图片推荐

热点排行榜

CopyRight? 2013 www.cangfengzhe.com All rights reserved