3 人工智能研究的课题

　　当前人工智能这门学科仍处在蓬勃发展中，并已取得许多研究成果。和其他学科的发展一样，人工智能目前也总结出若干个对实现人工智能系统来说具有一般意义的核心课题，这就是：
　　（1） 知识的模型化和表示方法；
　　（2） 启发式搜索理论；
　　（3） 各种推理方法（演绎推理、规划、常识性推理、归纳推理等）；
　　（4） 人工智能系统结构和语言。
　　显然这些课题的新成果都将进一步推动人工智能应用课题的研究。此外，目前人工智能的研究更多的是结合具体应用领域来进行的。下面就来介绍几个主要的应用领域。

1. 自然语言理解（Natural Language Understanding）
　　自然语言是人类之间信息交流的主要媒介，由于人类有很强的理解自然语言的能力，因此互相间的信息交流显得轻松自如。然而目前计算机系统和人类之间的交互几乎还只能使用严格限制的各种非自然语言，因此解决计算机系统能理解自然语言的问题，引起人们的兴趣和重视，一直是人工智能领域的重要研究课题之一。此外实现机器翻译过程中，如果计算机确实会理解一个句子的意义，那么就可能进行释义，从而能较通顺地给出译文。目前人工智能研究中，在理解有限范围的自然语言对话和理解用自然语言表达的小段文章或故事方面的程序系统已有一些进展，但由于理解自然语言涉及对上下文背景知识的处理以及根据这些知识进行推理的一些技术，因此实现功能较强的理解系统仍是一个比较艰巨的任务。

2. 数据库的智能检索（Intelligent Retrieval from Database）
　　数据库系统是存储某个学科大量事实的计算机系统，随着应用的进一步发展，存储信息量愈来愈庞大，因此解决智能检索的问题便具有实际意义。
　　智能信息检索系统应具有如下的功能：
　　（1）能理解自然语言，允许用自然语言提出各种询问；
　　（2）具有推理能力，能根据存储的事实，演绎出所需的答案；
　　（3）系统拥有一定常识性知识，以补充学科范围的专业知识。系统根据这些常识，将能演绎出更一般询问的一些答案来。
　　 实现这些功能要应用人工智能的方法。

3. 专家咨询系统（Expert Consulting Systems）
　　所谓专家咨询系统就是一种智能的计算机程序系统，该系统存储有某个专门领域中经事先总结，并按某种格式表示的专家知识（构成知识库），以及拥有类似于专家解决实际问题的推理机制（组成推理系统）。系统能对输入信息进行处理，并运用知识进行推理，做出决策和判断，其解决问题的水平达到专家的水准，因此能起到专家的作用或成为专家的助手。专家系统的开发和研究是人工智能研究中面向实际应用的课题，受到人们的极大重视。已开发的系统数以百计，应用领域涉及化学、医疗、地质、气象、交通、教育、军事等，可以说只要有专家工作的场合，就可以开发专家系统。
　　目前专家系统主要采用基于规则的演绎技术，开发专家系统的关键问题是知识表示，应用和获取技术，困难在于许多领域中专家的知识往往是琐碎的，不精确的或不确定的，因此目前研究仍集中在这一核心课题。此外对专家系统开发工具的研制发展也很迅速，这对扩大专家系统应用范围，加快专家系统的开发过程，起到了积极的作用。

4. 定理证明（Theorem Proving）
　　数学领域中对臆测的定理寻求一个证明，一直被认为是一项需要智能才能完成的任务。证明定理时，不仅需要有根据假设进行演绎的能力，而且需要有某些直觉的技巧。例如数学家在求证一个定理时，会熟练地运用他丰富的专业知识，猜测应当先证明哪一个引理，精确判断出已有的哪些定理将起作用，并把主问题分解为若干子问题，分别独立进行求解。因此人工智能研究中机器定理证明很早就受到注视，并取得不少成果。
　　定理证明的研究在人工智能方法的发展中曾起过重要的作用，例如使用谓词逻辑语言，其演绎过程的形式体系研究，帮助人们更清楚地理解推理过程的各个组成部分。许多其他领域的问题，也可以转化为定理证明问题，因此机器定理证明的研究具有普遍意义。

5. 博弈（Game Playing）
　　博弈被认为是智能的活动，人工智能中主要是研究下棋程序，在六十年代就出现了很有名的西洋跳棋和国际象棋的程序，并达到了大师的水平。进入90年代，IBM公司以其雄厚硬件基础，支持开发后来被称之为"深蓝"的国际象棋系统，并为此开发了专用的芯片，以提高计算机的搜索速度。1996年2月，与国际象棋世界冠军卡斯帕罗夫进行了第一次比赛，经过六个回合的比赛之后，"深蓝"以2：4告负。1997年5月，系统经过改进以后，"深蓝"又第二次与卡斯帕罗夫交锋，并最终以3.5：2.5战胜了卡斯帕罗夫，在世界范围内引起了轰动。
　　博弈问题为搜索策略，机器学习等问题的研究课题提供了很好的实际背景，所发展起来的一些概念和方法对其他人工智能问题也很有用。

6. 机器人学（Robotics）
　　随着工业自动化和计算机技术发展，到六十年代机器人开始进入大量生产和实际应用的阶段。尔后由于自动装配、海洋开发、空间探索等实际问题的需要，对机器的智能水平提出了更高的要求。特别是危险环境，人们难以胜任的场合更迫切需要机器人，从而推动了智能机器的研究。
　　机器人学的研究推动了许多人工智能思想的发展，有一些技术可在人工智能研究中用来建立世界状态模型和描述世界状态变化的过程。关于机器人动作规划生成和规划监督执行等问题的研究，推动了规划方法的发展。此外由于智能机器是一个综合性的课题，除机械手和步行机构外，还要研究机器视觉、触觉、听觉等传感技术，以及机器人语言和智能控制软件等。可以看出这是一个涉及精密机械、信息传感技术、人工智能方法、智能控制以及生物工程等学科的综合技术。这一课题研究有利于促进各学科的相互结合，并大大推动人智能技术的发展。

7. 自动程序设计（Automatic Programming）
　　自动程序设计的任务是设计一个程序系统，它接受关于所设计的程序要求实现某个目标的非常高级的描述作为其输入，然后自动生成一个能完成这个目标的具体程序。在某种意义上来说，编译程序实际就是去做"自动程序设计"的工作。编译程序接受一段有关干某件事情的源码说明（源程序），然后转换成一个目标码程序（目的程序）去完成这件事情。而这里所说的自动程序设计相当于一种"超级编译程序"，它要求能对高级描述进行处理，通过规划过程，生成得到所需的程序。因而自动程序设计所涉及的基本问题与定理证明和机器人学有关，要用到人工智能方法来实现，它也是软件工程和人工智能相结合的课题。
　　自动编制出一份程序来获得某种指定结果的任务同论证一份给定的程序将获得某种指定结果的任务是紧密相关的，前者也称程序综合，后者称为程序验证。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的收益。
　　自动程序设计研究的重大贡献之一是把程序调试的概念作为问题求解的策略来使用。实践已经发现，对程序设计或机器人控制问题，先产生一个代价不太高的有错误的解，然后再进行修改的作法，要比坚持要求第一次得到的解就完全没有缺陷的作法，通常效率要高得多。

8. 组合调度问题（Combinatorial and Scheduling Problems）
　　有许多实际的问题是属于确定最佳调度或最佳组合的问题，例如旅行商问题就是其中之一。这个问题是要求给推销员确定一条最短的旅行路线，他的旅程是从某一个城市出发，然后遍访他所要访问的城市，而且每个城市只访问一次，然后回到出发城市。该问题的一般化提法是：对由几个节点组成的一个图的各条边，寻找一条最小耗费的路径，使得这条路径只对每一个节点穿行一次。
　　在大多数的这类问题中，随着求解问题规模的增大，求解程序都面临着组合爆炸问题。这些问题中有几个（包括旅行商问题）是属于计算理论家称为NP-完全性一类的问题。
　　他们是根据理论上最佳方法计算出所要求解时间（或步数）的最严重情况来排列不同问题的困难程度。这个时间（或步数）是随着问题大小的某种变量（如旅行商问题中，城市数目就是问题大小的一种变量）而增长。例如问题的困难程度可随问题大小按线性、多项式或指数方式增长。
　　用现在知道的最佳方法求解NP-完全性问题，所花费的时间是随着问题规模增大按指数方式增长，但迄今还不知道是否有更快的方法（如只涉及多项式时间）存在。人工智能学者们曾经研究过若干种组合问题的求解方法，他们的努力主要集中在使"时间-问题大小"曲线的变化尽可能地缓慢，即使它必须按指数方式增长。此外有关问题领域的知识，确实是一些较有效的求解方法的关键因素，为处理组合问题而发展起来的许多方法，对其他组合爆炸不甚严重的问题也是有用的。

9. 感知问题（Perception Problems）
　　人工智能研究中，已经给计算机系统装上摄象机输入以便能够"看见"周围的东西，或者装上话筒以便能"听见"外界的声音。视觉和听觉都是感知问题，都涉及到要对复杂的输入数据进行处理。实验表明有效的处理方法要求具有"理解"的能力，而理解则要求大量有关感受到的事物的许多基础知识。
　　在人工智能中研究的感知过程通常包含一组操作，例如可见的景物由传感器编码，并被表示为一个灰度数值的矩阵，这些灰度数值由检测器加以处理，检测器搜索主要图象的成份，如线段、简单曲线、角等等。这些成份又被处理以便根据景物的表面和形状来推测有关景物三维特征的信息，其最终目标则是利用某个适当的模型来表示该景物。例如一个高层描述组成的模型是："一座山，山顶上有一棵树，山上牛正在吃草"。
　　整个感知问题的要点是建立一个精炼的表示来取代难以处理的极其庞大的、未经加工的输入数据，这种最终表示的性质和质量取决于感知系统的目标。例如若颜色是重要的，则系统必须予以重视；若空间关系和变量是重要的，则系统必须给予精确的判断。不同的系统将有不同的目标，但所有的系统都必须把来自输入多得惊人的感知数据压缩为一种容易处理和有意义的描述。
　　在视觉问题中，感知一幅景物的主要困难是候选描述的数量太多。有一种策略是对不同层次的描述作出假设，然后再测试这些假设，这种假设-测试的策略给这个问题提供了一种方法，它可应用于感知过程的不同层次上。此外假设的建立过程还要求大量有关感知对象的知识。
　　感知问题除了信号处理技术外，还涉及知识表示和推理模型等一些人工智能技术。