天才一秒记住【热天中文网】地址：https://www.rtzw.net
技术研究
用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。
除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。
人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
如今没有统一的原理或范式指导人工智能研究。
许多问题上研究者都存在争论。
其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？
智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”
的处理？johnhaund提出了gofai（出色的老式人工智能）的概念，也提议人工智能应归类为synthetictellince，[29]这个概念后来被某些非gofai研究者采纳。
20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。
其中还造出一些使用电子网络构造的初步智能，如wgreywalter的turtles和johnshopksbeast。
这些研究者还经常在普林斯顿大学和英国的ratiocb举行技术协会会议直到1960，大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。
当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。
研究主要集中在卡内基梅隆大学，斯坦福大学和麻省理工学院，而各自有独立的研究风格。
johnhaund称这些方法为gofai（出色的老式人工智能）。
[33]60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。
基于控制论或神经网络的方法则置于次要。
[34]60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。
认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学，运筹学和经营科学。
他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。
这方法一直在卡内基梅隆大学沿袭下来，并在80年代于ar发展到高峰。
基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，johnarthy认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。
他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示，智能规划和机器学习致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言prolog和逻辑编程科学“反逻辑”
斯坦福大学的研究者（如马文·闵斯基和西摩尔·派普特）发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。
rorschank描述他们的“反逻辑”
方法为“scruffy“常识知识库（如douglenat的cyc）就是“scruffy“ai的例子，因为他们必须人工一次编写一个复杂的概念。
基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。
这场“知识革命”
促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。
“知识革命”
同时让人们意识到许多简单的人工智能软件可能需要大量的知识。
80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。
很多研究者开始关注子符号方法解决特定的人工智能问题。
自下而上，接口ant，嵌入环境（机器人），行为主义，新式ai机器人领域相关的研究者，如rodneybrooks，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。
他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。
这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征（如移动，感知和形象）。
计算智能80年代中davidrulhart等再次提出神经网络和联结主义这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。
90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。
这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！