人工智能论文大全11篇

人工智能论文篇（1）

2信息安全与人类生活的关系

信息安全包含的范围很广，大到国家军事机密，小到如何防范商业秘密和人身秘密。在目前的网络信息社会中，信息安全的实质就是要保护信息系统或信息网络中的信息资源免受各种类型的威胁、干扰和破坏，但是在我们的日常生活中，这种事情还是屡有发生。

2.1信息安全对人们生活的影响

（1）对信息服务的破坏。

一是信息的泄露，被某个未被授权的实体或者是个人获得用于不法目的，而且在这个过程中，可能导致信息被非法转让、删减或者是破坏，让原来信息拥有者的信息失去真正的意义；二是被拒绝服务，这是对信息或者是相关资源的合法访问被无条件阻止。

（2）非法使用对合法权的破坏。

这主要是某一资源被某个非授权的人，或以非授权的方式使用。一是窃听。用各种可能的合法或非法的手段窃取系统中的信息资源和敏感信息。例如对通信线路中传输的信号搭线监听，或者利用通信设备在工作过程中产生的电磁泄露截取有用信息等。通过对系统进行长期监听，利用统计分析方法对诸如通信频度、通信的信息流向、通信总量的变化等参数进行研究，从中发现有价值的信息和规律。二是假冒。通过欺骗通信系统（或用户）达到非法用户冒充成为合法用户，或者特权小的用户冒充成为特权大的用户的目的。黑客大多是采用假冒攻击。攻击者利用系统的安全缺陷或安全性上的脆弱之处获得非授权的权利或特权。例如，攻击者通过各种攻击手段发现原本应保密，但是却又暴露出来的一些系统“特性”，利用这些“特性”，攻击者可以绕过防线守卫侵入系统的内部破坏

2.2信息安全受到威胁的分类

（1）授权侵犯

被授权以某一目的使用某一系统或资源的某个人，却将此权限用于其他非授权的目的，也称作“内部攻击”。在某个系统或某个部件中设置的“机关”，使得在特定的数据输入时，允许违反安全策略。

（2）木马攻击。

软件中含有一个觉察不出的有害的程序段，当它被执行时，会破坏用户的安全。这种应用程序称为特洛伊木马(TrojanHorse)。计算机病毒：一种在计算机系统运行过程中能够实现传染和侵害功能的程序。

(3)人为原因。

一个授权的人为了某种利益，或由于粗心，将信息泄露给一个非授权的人。信息被从废弃的磁碟或打印过的存储介质中获得。侵入者绕过物理控制而获得对系统的访问。重要的安全物品，如令牌或身份卡被盗。业务欺骗：某一伪系统或系统部件欺骗合法的用户或系统自愿地放弃敏感信息等等

3人工智能对信息安全的影响和未来发展趋势

随着人工智能的不断发展和应用方法的不断成熟，人工智能在信息安全保障的服务能力将更加强大，人工智能也将处于计算机网络发展的前沿，与计算机发展的轨迹同行。笔者仅就人工智能在信息安全的具体领域“数字水印”的研究展开论述，分析未来人工智能与信息安全的密切关系。

3.1数字水印的定义

数字水印技术的基本思想源于古代的密写术。古希腊的斯巴达人曾将军事情报刻在普通的木板上，用石蜡填平，收信的一方只要用火烤热木板，融化石蜡后，就可以看到密信。使用最广泛的密写方法恐怕要算化学密写了，牛奶、白矾、果汁等都曾充当过密写药水的角色。可以说，人类早期使用的保密通信手段大多数属于密写而不是密码。然而，与密码技术相比，密写术始终没有发展成为一门独立的学科，究其原因，主要是因为密写术缺乏必要的理论基础。

数字水印（DigitalWatermark）技术是指用信号处理的方法在数字化的多媒体数据中嵌入隐蔽的标记，这种标记通常是不可见的，只有通过专用的检测器或阅读器才能提取，因为当前的性信息安全技术都是以密码学为基础，计算机处理能力提高后，这种密保措施已经越来越不安全，因此数字水印就是人工智能跨速发展的结果，数字水印是信息隐藏技术的一个重要研究方向，这对于信息安全有着超强的保护能力。

3.2数字水印的特征

（1）隐蔽性：

在数字作品中嵌入数字水印不会引起明显的降质，并且不易被察觉。

（2）超强安全性：

水印信息隐藏于数据而非文件头中，文件格式的变换不应导致水印数据的丢失。

（3）不可丢失性：

是指在经历多种无意或有意的信号处理过程后，数字水印仍能保持完整性或仍能被准确鉴别。可能的信号处理过程包括信道噪声、滤波、数/模与模/数转换、重采样、剪切、位移、尺度变化以及有损压缩编码等。

3.3发展前景

（1）实现数字化作品产权信息保护。

计算机网络的发达，让数字作品（如电脑美术、扫描图像、数字音乐、视频、三维动画）的版权保护成为当前的热点问题。但是数字作品的拷贝、修改非常容易，而且可以做到与原作完全相同，“数字水印”利用数据隐藏原理使版权标志不可见或不可听，既不损害原作品，又达到了版权保护的目的。目前，用于版权保护的数字水印技术已经进入了初步实用化阶段，IBM公司在其“数字图书馆”软件中就提供了数字水印功能，Adobe公司也在其著名的Photoshop软件中集成了Digimarc公司的数字水印插件。

（2）商务票据信息安全保护。

随着高质量图像输入输出设备的发展，特别是精度超过1200dpi的彩色喷墨、激光打印机和高精度彩色复印机的出现，使得货币、支票以及其他票据的伪造变得更加容易。网络安全技术成熟以后，各种电子票据也还需要一些非密码的认证方式。数字水印技术可以为各种票据提供不可见的认证标志，从而大大增加了伪造的难度。

（3）重要声像数据信息安全保护。

人工智能论文篇（2）

2人工智能技术产生的误差小

人工智能技术在运行过程中基本不受到来自外界的影响，而且其本身的抗干扰能力就很强，所以，一旦提前对系统设定了参数，那么在操作过程中就不用担心参数发生变动。这些参数在整个过程中会保持在一个值域之内，所以不需要担心会有较大的差值，因此其工作效率也比较高。

3人工智能在电气自动化中的应用

3.1智能控制和保护功能

进行操作控制。在进行操作的过程中，使用人员可以通过键盘或鼠标对隔离开关、断路器等进行现场的或者远程的控制，对励磁电流进行精准的调整。除此之外，还能够进行带负荷操作和停机操作，对相关的人员的权限进行限制。对相关数据的收集和处理。人工智能技术对所有开关量、模拟量数据进行实时的采集，而且根据先前设计好的要求进行定时批量的存贮以及整理等工作。设置和修改某些参数，及时地保护软压板的退投。对设备的管理。人工智能在对电力系统进行管理的时候，可以对运行日志进行自动保存，并生成报表的存储或打印、描绘系统运行曲线等。实行有效的监控。智能技术能够对模拟量与开关量进行全程同步的监测，当检测过程发生异常时，则可以选择多种模式进行报警，同时还可有序地记录系统里的各项事件、在线分析负序量计算等。对画面的显示。人工智能技术可以运用图像生成软件进行真实画面模拟，可以对有关设备和整个系统的工作运行进行模拟，并且最终以画面的形式显现到屏幕上。进行故障录波。智能技术对故障波形的获取具有良好的功能，在获取的同时还可以做好相关的记录，对模拟量故障及时地进行录波和捕捉相关波形。

3.2智能信息检索

作为人类智能的模拟理论而产生的新兴技术方法，人工智能具有良好的信息检索功能。其不仅可以对网络中出现的较为模糊和不确定性的因素进行科学的换算以及推理，还可以根据信息检索的结果提出一些切实可行的解决方案。人工智能技术的优势还在于它可以将正确的指令精确无误的传达给各种机器，进而机器在接受到指令后能够进行正确、正常的运转，确保任务的完成。

3.3提高电气自动化性能，提高产品质量

人工智能系统具有优越的条件，其模拟人类智能，并将人工智能技术中的遗传算法投入到电器产品的应用中。利用人工智能技术，可以将产品的性能优化，假如可以科学合理地把人工智能技术运用到电气自动化的控制中，那么电子自动化性能就会得到显著的改善，电气设备的运行效率也会被大大提高，电气自动化控制的准确性便有所保障。这样一来，就可以减少在电气工程自动化中人力资源的使用，劳动成本也可以随之降低，进而推进电气工程事业的发展。此外，人工智能技术还可以在各种电器产品的会设计中辅助进CAD，使产品的开发周期得到有效缩短，并且能够对提高CAD技术的开发和应用程度有很大的帮助，设计难度也会有所降低，产品的质量自然就会提高。

3.4电气设备优化设计

有关电气设备的优化设计工作是比较复杂的，需要结合多方面的理论知识，比如电磁场、电机电器、电路等相关知识，此外还需要丰富的设计经验知识。过去的电气产品设计效率很低，一般是因为缺乏相关的技术的支持，再加上工作量本身就很大，所以整个设计就显得比较难，很少有科学合理的设计。但是如今计算机技术发展迅速，手工设计逐渐被计算机辅助设计（CAD）所代替，产品的开发周期缩短了，设计人员的设计产品质量和设计的效率也提高了，而且设计已经越来越趋于智能化和高效化。人工智能技术在电气产品的优化设计应用中，主要有两种方法，即专家系统和遗传算法。其中，遗传算法可以直接操作结构对象，对优化和自动获取搜索空间、自行调整搜索的方向方面具有指导作用，而且采用先进的计算方法，计算结果很精确，因此在电气产品的智能化优化设计中应用广泛。而专家系统则不同，它是主要依据相关领域的一个或是多个专家所提供经验与知识来进行工作的，它是一个对专家的决策过程进行模拟的过程，从而对需要人类专家处理的问题进行处理，这种方式也比较重要。当然，除此两种方法还有很多其他方法，比如神经网络、模糊逻辑等。

人工智能论文篇（3）

一、人工智能的定义

“人工智能”(ArtificialIntelligence)一词最初是在1956年Dartmouth学会上提出的。人工智能是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机，人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。

人工智能理论进入21世纪，正酝酿着新的突破，人工智能的研究成果将能够创造出更多更高级的智能“制品”，并使之在越来越多的领域超越人类智能，人工智能将为发展国民经济和改善人类生活做出更大贡献。

二、人工智能的应用领域

1.在管理系统中的应用

(1)人工智能应用于企业管理的意义主要不在于提高效率，而是用计算机实现人们非常需要做，但工业工程信息技术是靠人工却做不了或是很难做到的事情。在《谈谈人工智能在企业管理中的应用》一文中刘玉然指出把人工智能应用于企业管理中，以数据管理和处理为中心，围绕企业的核心业务和主导流程建立若干个主题数据库，而所有的应用系统应该围绕主题数据库来建立和运行。换句话说，就是将企业各部门的数据进行统一集成管理，搭建人工智能的应用平台，使之成为企业管理与决策中的关键因子。

(2)智能教学系统(ITS)是人工智能与教育结合的主要形式，也是今后教学系统的发展方向。信息技术的飞速发展以及新的教学系统开发模式的提出和不断完善，推动人们综合运用超媒体技术、网络基础和人工智能技术区开发新的教学系统，计算机智能教学系统就是其中的典型代表。计算机智能教学系统包含学生模块、教师模块，体现了教学系统开发的全部内容，拥有着不可比拟的优势和极大的吸引力。

2.在工程领域的应用

(1)医学专家系统是人工智能和专家系统理论和技术在医学领域的重要应用，具有极大的科研和应用价值，它可以帮助医生解决复杂的医学问题，作为医生诊断、治疗的辅助工具。事实上，早在1982年，美国匹兹堡大学的Miller就发表了著名的作为内科医生咨询的Internist2Ⅰ内科计算机辅助诊断系统的研究成果，由此，掀起了医学智能系统开发与应用的高潮。目前，医学智能系统已通过其在医学影像方面的重要作用，从而应用于内科、骨科等多个医学领域中，并在不断发展完善中。

(2)地质勘探、石油化工等领域是人工智能的主要作用发挥领地。1978年美国斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECTOR”，该系统用于勘探评价、区域资源估值和钻井井位选择等，是工业领域的首个人工智能专家系统，其发现了一个钼矿沉积，价值超过1亿美元。

3.在技术研究中的应用

(1)在超声无损检测(NDT)与无损评价(NDE)领域中，目前主要广泛采用专家系统方法对超声损伤(UT)中缺陷的性质、形状和大小进行判断和归类；专家运用超声无损检测仪器，以其高精度的运算、控制和逻辑判断力代替大量人的体力与脑力劳动，减少了任务因素造成的无擦，提高了检测的可靠性，实现了超声检测和评价的自动化、智能化。

(2)人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展，网络技术的安全是我们关心的重点，因此我们必须在传统技术的基础上进行网络安全技术的改进和变更，大力发展数据挖掘技术、人工免疫技术等高效的AI技术，开发更高级AI通用和专用语言，和应用环境以及开发专用机器，而与人工智能技术则为我们提供了可能性。

三、人工智能的发展方向

1.专家系统是目前人工智能中最活跃、最有成效的一个研究领域，它是一种具有特定领域内大量知识与经验的程序系统。近年来，在“专家系统”或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识，所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识，也应该能解决人类专家所解决的问题，而且能帮助人类专家发现推理过程中出现的差错，现在这一点已被证实。

2.智能信息检索技术的飞速发展。人工智能在网络信息检索中的应用，主要表现在:(1)如何利用计算机软硬件系统模仿、延伸与扩展人类智能的理论、方法和技术。(2)由于网络知识信息既包括规律性的知识，如一般原理概念，也包括大量的经验知识这些知识不可避免地带有模糊性、随机性、不可靠性等不确定性因素对其进行推理，需要利用人工智能的研究成果。

3.SOAr是一种通用智能体系结构，其始终处在人工智能研究的前沿，已显示出强大的问题求解能力，它认为机器人的开发是人工智能应用的重要领域。在它的研究中突出4个概念:(1)所处的境遇机器人不涉及抽象的描述，而是处在直接影响系统的行为的境地。(2)具体化机器人有躯干，有直接来自周围世界的经验，他们的感官起作用后会有反馈。(3)智能的来源不仅仅是限于计算装置，也是由于与周围进行交互的动态决定。(4)浮现从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能。目前，国内外不少学者都对机器人足球系统颇感兴趣，足球机器人涉及机器人学、人工智能以及人工生命、智能控制等多个领域。足球机器人系统本身既是一个典型的多智能体系统，是一个多机器人协作自治系统，同时又为它们的理论研究和模型测试提供一个标准的实验平台。

参考文献：

[1]元慧.议当代人工智能的应用领域和发展状况[J].福建电脑，2008.

[2]刘玉然.谈谈人工智能在企业管理中的应用[J].价值工程，2003.

[3]焦加麟，徐良贤，戴克昌.人工智能在智能教学系统中的应用[J].计算机仿真，2003，(8).

[4]周明正.人工智能在医学专家系统中的应用[J].科技信息，2007.

[5]张海燕，刘镇清.人工智能及其在超声无损检测中的应用[J].无损检测，2001，(8).

人工智能论文篇（4）

2人工智能的发展

对于人工智能的研究一共可以分为五个阶段。第一个阶段是人工智能的兴起与冷落，这个时间是在20世纪的50年代。这个阶段是人工智能的起始阶段，人工智能的概念首次被提出，并相继涌现出一批科技成果，例如机器定理证明、跳棋程序、LISP表处理语言等。由于人工智能处于起始阶段，很多地方都存在着缺陷，在加上对自然语言的翻译失败等诸多原因，人工智能的发展一度陷入了低谷。同时在这一个阶段的人工智能研究有一个十分明显的特点：问题求解的方法过度重视，却忽视知识重要性。第二个阶段从20世纪的60年代末到70年代。专家系统的出现将人工智能的研究再一次推向高潮。其中比较著名的专家系统有DENDAL化学质谱分析系统、MTCIN疾病诊断和治疗系统、Hearsay-11语言理解系统等。这些专家系统的出现标志着人工智能已经进入了实际运用的阶段。同时国际人工智能联合会于1969年成立。第三个阶段是20世纪80年代。这个阶段伴随着第五代计算机的研制，人工智能的研究也取得了极大的进展。日本为了能够使推理的速度达到数值运算的速度那么快，于1982年开始了“第五代计算机研制计划”。这个计划虽然最终结果是以失败结束，但是它却带来了人工智能研究的又一轮热潮。第四个阶段是20世纪的80年代末。1987年是神经网络这一新兴科学但是的年份。1987年，美国召开了第一次神经网络国际会议，并向世人宣告了这一新兴科学的诞生。此后，世界各国在神经网络上的投资也开始逐渐的增加。第五个阶段是20世纪90年代后。网络技术的出现于发展，为人工智能的研究提供了新的方向。人工智能的研究已经从曾经的单个智能主体研究开始转向到基于网络环境下的分布式人工智能研究。在这个阶段人工智能不仅仅只对基于同一目标的分布式问题求解进行研究，同时还对多个智能主体的多目标问题求解进行研究，让人工智能有更多的实际用途。

3对人工智能的思考

3.1人工智能与人的智能

从哲学上的量变引起质变的角度来讲，人工智能在不断的发展过程中一定会产生质的飞跃。在最初，人工智能只具有简单的模拟功能，但是发展到现在已经具备了思考的能力（逻辑推理分析），这已经表明人工智能在不断量变的过程中已经发生了质变。有人认为有人会说人工智能不会超过人类的智能，理由是人工智能是人类创造出来的。但是现实中很多人类创造出来的东西已经在某一些方面超过了人类本身的能力，例如起重机的力气超过人类很多；汽车速度也远超过人类的速度。人类之所以会制造出各种各样的工具，其目的就是希望自身的能力能通过这些工具进行延伸和突破。人类研究人工智能就是希望人工智能帮助人类实现人类某些无法实现的东西。还有人认为人工智能是人类创造出来的，所以它一定存在着致命的弱点，也因此人的智能优于人工智能。但是殊不知人类与机器相比也有着十分明显的弱点，例如人类所需要的生存条件比机器更加的严格，人类思维会受到人的情绪所影响，而机器只是受到程序的影响，它们没有情绪的起伏。就目前的人工智能而言，它们在某一些领域比人类更强。但是目前我们必须正视人工智能的一些还没有办法改变的缺陷，那就是人工智能的学习能力与创新能力。人工智能的知识获取大部门都是人为的进行灌输，而无法像人类自身那样进行主动的学习。同时人工智能只能够利用已有的知识去解决一些问题，但是却还不能够创造性的提出一些新的东西。

3.2对机器人三大定律的困惑

美国最著名的科普作家艾萨克．阿西莫夫提出过比较著名的机器人三大定律：第一定律，机器人不得伤害人，或任人受到伤害而无所作为；第二定律，机器人应服从人的一切命令，但命令与第一定律相抵触时例外；第三定律，机器人必须保护自身的安全，但不得与第一、第二定律相抵触。虽然这只是科幻作家所提出的一家之言，但是也代表了人类对与人工智能发展的一种期望与担心。人们害怕自己所创造出来的人工智能会伤害人类自己。但是阿西莫夫所提出三大定律都是以人类为中心的，而忽视了人工智能本身。或许这是人类的一种天性，世间所有的事物都应该围绕人类自身来定义、发展。就好像人类自以为掌控了能够改变大自然的力量，最终却被大自然反噬一样。同时，随着科学技术的发展，人工智能已经不单单需要逻辑思维与模仿，同时还应该将情感赋予人工智能。因为随着科学家对人类大脑和精神系统的研究的深入，已经愈来愈肯定情感是智能的一部分。如果人工智能具有了情感之后，人类的自我中心又是否会伤害到人类自己创造出来的人工智能。

3.3对人工智能未来的思考

人工智能论文篇（5）

【内容提要】本文从法律推理与人工智能的关系角度探讨了人工智能法律系统的历史及发展动力，人工智能法律系统研制对法学理论和法律实践的价值和意义，特别是为法理学研究提供方法论启示和思想实验手段以及辅助司法审判和法律教育培训中的作用。法理学不仅为人工智能法律系统的研究提供了丰富的思想来源，而且也为其提供了直接的理论指导。此外，还探讨了人工智能法律系统研发的困难、策略和应用前景，其中包括立足于人机功能互补而提出的人机系统解决方案。【关 键 词】法理学/法律推理/人工智能【正 文】 一、人工智能法律系统的历史 计算机先驱思想家莱布尼兹曾这样不无浪漫地谈到推理与计算的关系：“我们要造成这样一个结果，使所有推理的错误都只成为计算的错误，这样，当争论发生的时候，两个哲学家同两个计算家一样，用不着辩论，只要把笔拿在手里，并且在算盘面前坐下，两个人面对面地说：让我们来计算一下吧！”（注：转引自肖尔兹著：《简明逻辑史》，张家龙译，商务印书馆1977年版，第54页。） 如果连抽象的哲学推理都能转变为计算问题来解决，法律推理的定量化也许还要相对简单一些。尽管理论上的可能性与技术可行性之间依然存在着巨大的鸿沟，但是，人工智能技术的发展速度确实令人惊叹。从诞生至今的短短45年内，人工智能从一般问题的研究向特殊领域不断深入。1956年纽厄尔和西蒙教授的“逻辑理论家”程序，证明了罗素《数学原理》第二章52个定理中的38个定理。塞缪尔的课题组利用对策论和启发式探索技术开发的具有自学习能力的跳棋程序，在1959年击败了其设计者，1962年击败了州跳棋冠军，1997年超级计算机“深蓝”使世界头号国际象棋大师卡斯帕罗夫俯首称臣。 20世纪60年代，人工智能研究的主要课题是博弈、难题求解和智能机器人；70年代开始研究自然语言理解和专家系统。1971年费根鲍姆教授等人研制出“化学家系统”之后，“计算机数学家”、“计算机医生”等系统相继诞生。在其他领域专家系统研究取得突出成就的鼓舞下，一些律师提出了研制“法律诊断”系统和律师系统的可能性。（注：Simon Chalton,Legal Diagnostics,Computers and Law,No.25,August 1980.pp.13-15.Bryan Niblett,Expert Systems for Lawyers,Computers and Law,No.29,August 1981.p.2.） 1970年Buchanan & Headrick发表了《关于人工智能和法律推理若干问题的考察》，一文，拉开了对法律推理进行人工智能研究的序幕。文章认为，理解、模拟法律论证或法律推理，需要在许多知识领域进行艰难的研究。首先要了解如何描述案件、规则和论证等几种知识类型，即如何描述法律知识，其中处理开放结构的法律概念是主要难题。其次，要了解如何运用各种知识进行推理，包括分别运用规则、判例和假设的推理，以及混合运用规则和判例的推理。再次，要了解审判实践中法律推理运用的实际过程，如审判程序的运行，规则的适用，事实的辩论等等。最后，如何将它们最终运用于编制能执行法律推理和辩论任务的计算机程序，区别和分析不同的案件，预测并规避对手的辩护策略，建立巧妙的假设等等。（注：Buchanan & Headrick,Some SpeculationAbout Artificial Intelligence and Legal Reasoning,23 StanfordLaw Review(1970).pp.40-62.）法律推理的人工智能研究在这一时期主要沿着两条途径前进：一是基于规则模拟归纳推理，70年代初由Walter G.Popp和Bernhard Schlink开发了JUDITH律师推理系统。二是模拟法律分析，寻求在模型与以?爸娴幕∈葜浣⑹导柿担⒔鲆勒庵止亓南嗨菩远贸鼋崧邸effrey Meld-man  ;1977年开发了计算机辅助法律分析系统，它以律师推理为模拟对象，试图识别与案件事实模型相似的其他案件。考虑到律师分析案件既用归纳推理又用演绎推理，程序对两者都给予了必要的关注，并且包括了各种水平的分析推理方法。 专家系统在法律中的第一次实际应用，是D.沃特曼和M.皮特森1981年开发的法律判决辅助系统(LDS)。研究者探索将其当作法律适用的实践工具，对美国民法制度的某个方面进行检测，运用严格责任、相对疏忽和损害赔偿等模型，计算出责任案件的赔偿价值，并论证了如何模拟法律专家意见的方法论问题。（注：'Models of LegalDecisionmaking Report',R-2717-ICJ(1981).） 我国法律专家系统的研制于20世纪80年代中期起步。（注： 钱学森教授：《论法治系统工程的任务与方法》（《科技管理研究》1981年第4期）、《社会主义和法治学与现代科学技术》（《法制建设》1984年第3期）、《现代科学技术与法和法制建设》（《政法论坛》）1985年第3期）等文章，为我国法律专家系统的研发起了思想解放和理论奠基作用。）1986年由朱华荣、肖开权主持的《量刑综合平衡与电脑辅助量刑专家系统研究》被确定为国家社科“七五”研究课题，它在建立盗窃罪量刑数学模型方面取得了成果。在法律数据库开发方面，1993年中山大学学生胡钊、周宗毅、汪宏杰等人合作研制了《LOA律师办公自动化系统》。（注：杨建广、骆梅芬编著：《法治系统工程》，中山大学出版社1996年版，第344-349页。）1993年武汉大学法学院赵廷光教授主持开发了《实用刑法专家系统》。（注：赵廷光等著：《实用刑法专家系统用户手册》，北京新概念软件研究所1993年版。）它由咨询检索系统、辅助定性系统和辅助量刑系统组成，具有检索刑法知识和对刑事个案进行推理判断的功能。 专家系统与以往的“通用难题求解”相比具有以下特点：(1)它要解决复杂的实际问题，而不是规则简单的游戏或数学定理证明问题；(2)它面向更加专门的应用领域，而不是单纯的原理性探索；(3)它主要根据具体的问题域，选择合理的方法来表达和运用特殊的知识，而不强调与问题的特殊性无关的普适性推理和搜索策略。 法律专家系统在法规和判例的辅助检索方面确实发挥了重要作用，解放了律师一部分脑力劳动。但绝大多数专家系统目前只能做法律数据的检索工作，缺乏应有的推理功能。20世纪90年代以后，人工智能法律系统进入了以知识工程为主要技术手段的开发时期。知识工程是指以知识为处理对象，以能在计算机上表达和运用知识的技术为主要手段，研究知识型系统的设计、构造和维护的一门更加高级的人工智能技术。（注：《中国大百科全书·自动控制与系统工程》，中国大百科全书出版社1991年版，第579页。）知识工程概念的提出，改变了以往人们认为几个推理定律再加上强大的计算机就会产生专家功能的信念。以知识工程为技术手段的法律系统研制，如果能在法律知识的获得、表达和应用等方面获得突破，将会使人工智能法律系统的研制产生一个质的飞跃。 人工智能法律系统的发展源于两种动力。其一是法律实践自身的要求。随着社会生活和法律关系的复杂化，法律实践需要新的思维工具，否则，法律家（律师、检察官和法官）将无法承受法律文献日积月累和法律案件不断增多的重负。其二是人工智能发展的需要。人工智能以模拟人的全部思维活动为目标，但又必须以具体思维活动一城一池的攻克为过程。它需要通过对不同思维领域的征服，来证明知识的每个领域都可以精确描述并制造出类似人类智能的机器。此外，人工智能选择法律领域寻求突破，还有下述原因：(1)尽管法律推理十分复杂，但它有相对稳定的对象（案件）、相对明确的前提（法律规则、法律事实）及严格的程序规则，且须得出确定的判决结论。这为人工智能模拟提供了极为有利的条件。(2)法律推理特别是抗辩制审判中的司法推理，以明确的规则、理性的标准、充分的辩论，为观察思维活动的轨迹提供了可以记录和回放的样本。(3)法律知识长期的积累、完备的档案，为模拟法律知识的获得、表达和应用提供了丰富、准确的资料。(4)法律活动所特有的自我意识、自我批评精神，对法律程序和假设进行检验的传统，为模拟法律推理提供了良好的反思条件。 二、人 工智能法律系统的价值 人工智能法律系统的研制对法学理论和法律实践的价值和意义，可以概括为以下几点： 一是方法论启示。P.Wahlgren说：“人工智能方法的研究可以支持和深化在创造性方法上的法理学反思。这个信仰反映了法理学可以被视为旨在于开发法律分析和法律推理之方法的活动。从法理学的观点看，这种研究的最终目标是揭示方法论的潜在作用，从而有助于开展从法理学观点所提出的解决方法的讨论，而不仅仅是探讨与计算机科学和人工智能有关的非常细致的技术方面。”（注：P.Wahlgren,Automationof Legal Reasoning:A Study on Artificial Intelligence and Law,Computer Law Series 11.Kluwer Law and Taxation Publishers.Deventer Boston 1992.Chapter 7.）在模拟法律推理的过程中，法学家通过与工人智能专家的密切合作，可以从其对法律推理的独特理解中获得有关方法论方面的启示。例如，由于很少有两个案件完全相似，在判例法实践中，总有某些不相似的方面需要法律家运用假设来分析已有判例与现实案件的相关性程度。但法学家们在假设的性质问题上常常莫衷一是。然而HYPO的设计者，在无真实判例或真实判例不能充分解释现实案件的情况下，以假设的反例来反驳对方的观点，用补充、删减和改变事实的机械论方法来生成假设。这种用人工智能方法来处理假设的办法，就使复杂问题变得十分简单：假设实际上是一个新的论证产生于一个经过修正的老的论证的过程。总之，人工智能方法可以帮助法学家跳出法理学方法的思维定势，用其他学科的方法来重新审视法学问题，从而为法律问题的解决提供了新的途径。 二是提供了思想实验手段。西蒙认为，尽管我们还不知道思维在头脑中是怎样由生理作用完成的，“但我们知道这些处理在数字电子计算机中是由电子作用完成的。给计算机编程序使之思维，已经证明有可能为思维提供机械论解释”。（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）童天湘先生认为：“通过编制有关思维活动的程序，就会加深对思维活动具体细节的了解，并将这种程序送进计算机运行，检验其正确性。这是一种思想实验，有助于我们研究人脑思维的机理。”（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）人工智能法律系统研究的直接目标是使计算机能够获取、表达和应用法律知识，软件工程师为模拟法律推理而编制程序，必须先对人的推理过程作出基于人工智能理论和方法的独特解释。人工智能以功能模拟开路，在未搞清法律家的推理结构之前，首先从功能上对法律证成、法律检索、法律解释、法律适用等法律推理的要素和活动进行数理分析，将法理学、诉讼法学关于法律推理的研究成果模型化，以实现法律推理知识的机器表达或再现，从而为认识法律推理的过程和规律提供了一种实验手段。法学家则可以将人工智能法律系统的推理过程、方法和结论与人类法律推理活动相对照，为法律推理的法理学研究所借鉴。因此，用人工智能方法模拟法律推理，深化了人们对法律推理性质、要素和过程的认识，使法学家得以借助人工智能科学的敏锐透镜去考察法律推理的微观机制。正是在这个意义上，Bryan Niblett教授说：“一个成功的专家系统很可能比其他的途径对法理学作出更多的（理论）贡献。”（注：Bryan Niblett,ExpertSystems for Lawyers,Computers and Law,No.29,August 1981.note14,p.3.） 三是辅助司法审判。按照格雷的观点，法律专家系统首先在英美判例法国家出现的直接原因在于，浩如烟海的判例案卷如果没有计算机编纂、分类、查询，这种法律制度简直就无法运转了。（注：Pamela N.Gray Brookfield,Artificial Legal Intelligence,VT:DartmouthPublishi ng Co.,1997.p.402.）其实不仅是判例法，制定法制度下的律师和法官往往也要为检索有关的法律、法规和司法解释耗费大量的精力和时间，而且由于人脑的知识和记忆能力有限，还存在着检索不全面、记忆不准确的问题。人工智能法律系统强大的记忆和检索功能，可以弥补人类智能的某些局限性，帮助律师和法官从事相对简单的法律检索工作，从而极大地解放律师和法官的脑力劳动，使其能够集中精力从事更加复杂的法律推理活动。 四是促进司法公正。司法推理虽有统一的法律标准，但法官是具有主观能动性的差异个体，所以在执行统一标准时会产生一些差异的结果。司法解释所具有的建构性、辩证性和创造性的特点，进一步加剧了这种差异。如果换了钢铁之躯的机器，这种由主观原因所造成的差异性就有可能加以避免。这当然不是说让计算机完全取代法官，而是说，由于人工智能法律系统为司法审判提供了相对统一的推理标准和评价标准，从而可以辅助法官取得具有一贯性的判决。无论如何，我们必须承认，钢铁之躯的机器没有物质欲望和感情生活，可以比人更少地受到外界因素的干扰。正像计算机录取增强了高考招生的公正性、电子监视器提高了纠正行车违章的公正性一样，智能法律系统在庭审中的运用有可能减少某些徇私舞弊现象。 五是辅助法律教育和培训。人工智能法律系统凝聚了法律家的专门知识和法官群体的审判经验，如果通过软件系统或计算机网络实现专家经验和知识的共享，便可在法律教育和培训中发挥多方面的作用。例如，(1)在法学院教学中发挥模拟法庭的作用，可以帮助法律专业学生巩固自己所学知识，并将法律知识应用于模拟的审判实践，从而较快地提高解决法律实践问题的能力。(2)帮助新律师和新法官全面掌握法律知识，迅速获得判案经验，在审判过程的跟踪检测和判决结论的动态校正中增长知识和才干，较快地接近或达到专家水平。(3)可使不同地区、不同层次的律师和法官及时获得有关法律问题的咨询建议，弥补因知识结构差异和判案经验多寡而可能出现的失误。(4)可以为大众提供及时的法律咨询，提高广大人民群众的法律素质，增强法律意识。 六是辅助立法活动。人工智能法律系统不仅对辅助司法审判有重要的意义，而且对完善立法也具有实用价值。（注：Edwina L.Rissland,Artificial Intelligence and Law:Stepping Stones to a Modelof Legal Reasoning,The Yale Law Journal.(Vol.99:1957-1981).）例如，伦敦大学Imperial学院的逻辑程序组将1981年英国国籍法的内容形式化，帮助立法者发现了该法在预见性上存在的一些缺陷和法律漏洞。（注：Edwina L.Rissland,Artificial Intelligence and Law:Stepping Stones to a Model of Legal Reasoning,The Yale LawJournal.(Vol.99:1957-1981).）立法辅助系统如能应用于法律起草和法律草案的审议过程，有可能事先发现一些立法漏洞，避免一个法律内部各种规则之间以及新法律与现有法律制度之间的相互冲突。 三、法理学在人工智能法律系统研究中的作用 1.人工智能法律系统的法理学思想来源 关于人工智能法律系统之法理学思想来源的追踪，不是对法理学与人工智能的联系作面面俱到的考察，而旨在揭示法理学对人工智能法律系统的发展所产生的一些直接影响。 第一，法律形式主义为人工智能法律系统的产生奠定了理论基础。18-19世纪的法律形式主义强调法律推理的形式方面，认为将法律化成简单的几何公式是完全可能的。这种以J·奥斯汀为代表的英国分析法学的传统，主张“法律推理应该依据客观事实、明确的规 则以及逻辑去解决一切为法律所要求的具体行为。假如法律能如此运作，那么无论谁作裁决，法律推理都会导向同样的裁决。”（注：（美）史蒂文·J·伯顿著：《法律和法律推理导论》，张志铭、解兴权译，中国政法大学出版社1998年9月版，第3页。）换言之，机器只要遵守法律推理的逻辑，也可以得出和法官一样的判决结果。在分析法学家看来，“所谓‘法治’就是要求结论必须是大前提与小前提逻辑必然结果。”（注：朱景文主编：《对西方法律传统的挑战》，中国检察出版社1996年2月版，第292页。）如果法官违反三段论推理的逻辑，就会破坏法治。这种机械论的法律推理观，反映了分析法学要求法官不以个人价值观干扰法律推理活动的主张。但是，它同时具有忽视法官主观能动性和法律推理灵活性的僵化的缺陷。所以，自由法学家比埃利希将法律形式主义的逻辑推理说称为“自动售货机”理论。然而，从人工智能就是为思维提供机械论解释的意义上说，法律形式主?宥苑赏评硭鞯幕德劢馐停∏∥斯ぶ悄芊上低车目⑻峁┝丝赡艿那疤帷4尤斯ぶ悄芊上低逞兄频氖导使汤纯矗谄淦鸩浇锥危斯ぶ悄茏艺歉莘尚问街饕逅峁┑睦砺矍疤幔紫妊袢温垩菀锿评斫心D猓蒞alter G.Popp和Bernhard Schlink在20世纪70年代初开发了JUDITH律师推理系统。在这个系统中，作为推理大小前提的法律和事实之间的逻辑关系，被计算机以“如果A和B，那么C”的方式加以描述，使机器法律推理第一次从理论变为现实。 第二，法律现实主义推动智能模拟深入到主体的思维结构领域。法律形式主义忽视了推理主体的社会性。法官是生活在现实社会中的人，其所从事的法律活动不可能不受到其社会体验和思维结构的影响。法官在实际的审判实践中，并不是机械地遵循规则，特别是在遇到复杂案件时，往往需要作出某种价值选择。而一旦面对价值问题，法律形式主义的逻辑决定论便立刻陷入困境，显出其僵化性的致命弱点。法律现实主义对其僵化性进行了深刻的批判。霍姆斯法官明确提出“法律的生命并不在于逻辑而在于经验”（注：（美）博登海默著：《法理学——法哲学及其方法》，邓正来、姬敬武译，华夏出版社1987年12月版，第478页。）的格言。这里所谓逻辑，就是指法律形式主义的三段论演绎逻辑；所谓经验，则包括一定的道德和政治理论、公共政策及直觉知识，甚至法官的偏见。法律现实主义对法官主观能动性和法律推理灵活性的强调，促使人工智能研究从模拟法律推理的外在逻辑形式进一步转向探求法官的内在思维结构。人们开始考虑，如果思维结构对法官的推理活动具有定向作用，那么，人工智能法律系统若要达到法官水平，就应该通过建立思维结构模型来设计机器的运行结构。TAXMAN的设计就借鉴了这一思想，法律知识被计算机结?褂镅砸杂镆逋绲姆绞阶槌刹煌墓嬖蛳低常馐统绦颉⑿鞒绦颉⑺得鞒绦蚍直鸲酝缃峁怪械氖淙牒褪涑鲂畔⒔卸峁沟髡佣视α酥墩系男枰4蠊婺V断低车腒BS(Knowledge Based System)开发也注意了思维结构的整合作用，许多具有内在联系的小规模KBS子系统，在分别模拟法律推理要素功能（证成、法律查询、法律解释、法律适用、法律评价、理由阐述）的基础上，又通过联想程序被有机联系起来，构成了具有法律推理整体功能的概念模型。（注：P.Wahlgren,Automation of Legal Reasoning:A Study onArtificial Intelligence and Law,Computer Law Series 11.KluwerLaw and Taxation Publishers.Deventer Boston 1992.Chapter 7.） 第三，“开放结构”的法律概念打开了疑难案件法律推理模拟的思路。法律形式主义忽视了疑难案件的存在。疑难案件的特征表现为法律规则和案件之间不存在单一的逻辑对应关系。有时候从一个法律规则可以推出几种不同的结论，它们往往没有明显的对错之分；有时一个案件面对着几个相似的法律规则。在这些情况下，形式主义推理说都一筹莫展。但是，法律现实主义在批判法律形式主义时又走向另一个极端，它否认具有普遍性的一般法律规则的存在， 试图用“行动中的法律”完全代替分析法学“本本中的法律”。这种矫枉过正的做法虽然是使法律推理摆脱机械论束缚所走出的必要一步，然而，法律如果真像现实主义法学所说的那样仅仅存在于具体判决之中，法律推理如果可以不遵循任何标准或因人而异，那么，受到挑战的就不仅是法律形式主义，而且还会殃及法治要求实现规则统治之根本原则，并动摇人工智能法律系统存在的基础。哈特在法律形式主义和法律现实主义的争论中采取了一种折中立场，他既承认逻辑的局限性又强调其重要性；既拒斥法官完全按自己的预感来随意判案的见解，又承认直觉的存在。这种折中立场在哈特“开放结构”的法律概念中得到了充分体现。法律概念既有“意义核心”又有“开放结构”，逻辑推理可以帮助法官发现问题的阳面，而根据社会政策、价值和后果对规则进行解释则有助于发现问题的阴面。开放结构的法律概念，使基于规则的法律推理模拟在受到概念封闭性的限制而对疑难案件无能为力时，找到了新的立足点。在此基础上，运用开放结构概念的疑难案件法律推理模型，通过逻辑程序工具和联想技术而建立起来。Gardner博士就疑难案件提出两种解决策略：一是将简易问题从疑难问题中筛选出来，运用基于规则的技术来解决；二是将疑难问题同“开放结构”的法律概念联系在一起，先用非范例知识如规则、控辩双方的陈述、常识来获得初步答案，再运用范例来澄清案件、检查答案的正确性。 第四，目的法学促进了价值推理的人工智能研究。目的法学是指一种所谓直接实现目的之“后法治”理想。美国法学家诺内特和塞尔兹尼克把法律分为三种类型。他们认为，以法治为标志的自治型法，过分强调手段或程序的正当性，有把手段当作目的的倾向。这说明法治社会并没有反映人类关于美好社会的最高理想，因为实质正义不是经过人们直接追求而实现的，而是通过追求形式正义而间接获得的。因此他们提出以回应型法取代自治型法的主张。在回应型法中，“目的为评判既定的做法设立了标准，从而也就开辟了变化的途径。同时，如果认真地对待目的，它们就能控制行政自由裁量权，从而减轻制度屈从的危险。反之，缺少目的既是僵硬的根源，又是机会主义的根源。”（注：（美）诺内特、塞尔兹尼克著：《转变中的法律与社会》，张志铭译，中国政法大学出版社1994年版，第60页。）美国批判法学家昂格尔对形式主义法律推理和目的型法律推理的特点进行了比较，他认为，前者要求使用内容明确、固定的规则，无视社会现实生活中不同价值观念的冲突，不能适应复杂情况和变化，追求形式正义；后者则要求放松对法律推理标准的严格限制，允许使用无固定内容的抽象标准，迫使人们在不同的价值观念之间做出选择，追求实质正义。与此相应，佩雷尔曼提出了新修辞学(New Rhetoric)的法律理论。他认为，形式逻辑只是根据演绎法或归纳法对问题加以说明或论证的技术，属于手段的逻辑；新修辞学要填补形式逻辑的不足，是关于目的的辩证逻辑，可以帮助法官论证其决定和选择，因而是进行价值判断的逻辑。他认为，在司法三段论思想支配下，法学的任务是将全部法律系统化并作为阐释法律的大前提，“明确性、一致性和完备性”就成为对法律的三个要求。而新修辞学的基本思想是价值判断的多元论，法官必须在某种价值判断的指示下履行义务，必须考虑哪些价值是“合理的、可接受的、社会上有效的公平的”。这些价值构成了判决的正当理由。（注：沈宗灵著：《现代西方法理学》，北京大学出版社1992年版，第443-446页。）制造人工智能法律系统最终需要解决价值推理的模拟问题，否则，就难以实现为判决提供正当理由的要求。为此，P.Wahlgren提出的与人工智能相关的5种知识表达途径中，明确地包括了以道义为基础的法律推理模型。（注：P.Wahlgren,Automation of Legal Reasoning:A Study on ArtificialIntelligence and Law,Computer Law Series 11.Kluwer Law andTaxation Publishers.Deventer Boston 1992.Chapter 7.）引入道义逻辑，或者说在机器中采用基于某种道义逻辑的推理程序，强调目的价值，也许是制造智能法律系统的关键。不过，即使把道义逻辑硬塞给计算机，钢铁之躯的机器没有生理需要，也很难产 生价值观念和主观体验，没办法解决主观选择的问题。在这个问题上，波斯纳曾以法律家有七情六欲为由对法律家对法律的机械忠诚表示了强烈怀疑，并辩证地将其视为法律发展的动力之一。只有人才能够平衡相互冲突的利益，能够发现对人类生存和发展至关重要的价值。因此，关于价值推理的人工智能模拟究竟能取得什么成果，恐怕还是个未知数。 2.法理学对人工智能法律系统研制的理论指导作用 Gold and Susskind指出：“不争的事实是，所有的专家系统必须适应一些法理学理论，因为一切法律专家系统都需要提出关于法律和法律推理性质的假设。从更严格的意义上说，一切专家系统都必须体现一种结构理论和法律的个性，一种法律规范理论，一种描述法律科学的理论，一种法律推理理论”。（注：Gold and Susskind,ExpertSystems in Law:A Jurisprudential and Formal SpecificationApproach,pp.307-309.）人工智能法律系统的研究，不仅需要以法理学关于法律的一般理论为知识基础，还需要从法理学获得关于法律推理的完整理论，如法律推理实践和理论的发展历史，法律推理的标准、主体、过程、方法等等。人工智能对法律推理的模拟，主要是对法理学关于法律推理的知识进行人工智能方法的描述，建立数学模型并编制计算机应用程序，从而在智能机器上再现人类法律推理功能的过程。在这个过程中，人工智能专家的主要任务是研究如何吸收法理学关于法律推理的研究成果，包括法理学关于人工智能法律系统的研究成果。 随着人工智能法律系统研究从低级向高级目标的推进，人们越来越意识到，对法律推理的微观机制认识不足已成为人工智能模拟的严重障碍。P.Wahlgren指出，“许多人工智能技术在法律领域的开发项目之所以失败，就是因为许多潜在的法理学原则没有在系统开发的开始阶段被遵守或给予有效的注意。”“法理学对法律推理和方法论问题的关注已经有几百年，而人工智能的诞生只是本世纪50年代中期的事情，这个事实是人工智能通过考察法理学知识来丰富自己的一个有效动机。”（注：P.Wahlgren,Automation of Legal Reasoning:A Study onArtificial Intelligence and Law,Computer Law Series 11.KluwerLaw and Taxation Publishers.Deventer Boston 1992.Chapter 7.）因此，研究法律推理自动化的目标，“一方面是用人工智能（通过把计算机的应用与分析模型相结合）来支撑法律推理的可能性；另一方面是应用法理学理论来解决作为法律推理支撑系统的以及一般的人工智能问题。”（注：P.Wahlgren,Automation of Legal Reasoning:A Studyon Artificial Intelligence and Law,Computer Law Series 11.Kluwer Law and Taxation Publishers.Deventer Boston 1992.Chapter 7.）在前一方面，是人工智能法律系统充当法律推理研究的思想实验手段以及辅助司法审判的问题。后一方面，则是法律推理的法律学研究成果直接为人工智能法律系统的研制所应用的问题。例如，20世纪70年代法理学在真实和假设案例的推理和分析方面所取得的成果，已为几种人工智能法律装置借鉴而成为其设计工作的理论基础。在运用模糊或开放结构概念的法律推理研究方面，以及在法庭辩论和法律解释的形式化等问题上，法理学的研究成果也已为人工智能法律系统的研究所借鉴。 四、人工智能法律系统研究的难点 人工智能法律系统的研究尽管在很短的时间 内取得了许多令人振奋的成果，但它的发展也面临着许多困难。这些困难构成了研究工作需要进一步努力奋斗的目标。 第一，关于法律解释的模拟。在法理学的诸多研究成果中，法律解释的研究对人工智能法律系统的研制起着关键作用。法律知识表达的核心问题是法律解释。法律规范在一个法律论点上的效力，是由法律家按忠实原意和适合当时案件的原则通过法律解释予以确认的，其中包含着人类特有的价值和目的考虑，反映了法律家的知识表达具有主观能动性。所以，德沃金将解释过程看作是一种结合了法律知识、时代信息和思维方法而形成的，能够应变的思维策略。（注：Dworkin,Taking RightsSeriously,Harvard University Press Cambridge,Massachusetts1977.p.75.）目前的法律专家系统并未以知识表达为目的来解释法律，而是将法律整齐地“码放”在计算机记忆系统中仅供一般检索之用。然而，在法律知识工程系统中，法律知识必须被解释，以满足自动推理对法律知识进行重新建构的需要。麦卡锡说：“在开发智能信息系统的过程中，最关键的任务既不是文件的重建也不是专家意见的重建，而是建立有关法律领域的概念模型。”（注：McCarty,Intelligent legalinformation systems:problems and prospects,op.cit.supra,note25,p.126.）建立法律概念模型必须以法律家对某一法律概念的?彩段。煌姆杉叶酝环筛拍钔胁煌慕馐筒呗浴？踔了担杭词乖诠诜煊蛞材岩孕纬梢桓觥澳芄挥美葱鹗鲆欢ǚ晒餐宓氖翟诜ǖ幕靖拍睢薄＃ㄗⅲ海ò拢骸斗ㄓ牍业囊话憷砺邸罚蜃诹橐耄泄蟀倏迫槌霭嫔?996年版，第1页。）尽管如此，法理学还是为法律概念模型的重建提供了一些方法。例如，德沃金认为，法官在“解释”阶段，要通过推理论证，为自己在“前解释”阶段所确定的大多数法官对模糊法律规范的“一致看法”提供“一些总的理由”。获取这些总的理由的过程分为两个步骤：首先，从现存的明确法律制度中抽象出一般的法律原则，用自我建立的一般法律理论来证明这种法律原则是其中的一部分，证明现存的明确法律制度是正当的。其次，再以法律原则为依据反向推出具体的法律结论，即用一般法律理论来证明某一法律原则存在的合理性，再用该法律原则来解释某一法律概念。TAXMAN等系统装置已吸收了这种方法，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序使计算机根据案件事实来执行某条法律规则，并在新案件事实输入时对法律规则作出新的解释后才加以调用。不过，法律知识表达的进展还依赖于法律解释研究取得更多的突破。 第二，关于启发式程序。目前的法律专家系统如果不能与启发式程序接口，不能运用判断性知识进行推理，只通过规则反馈来提供简单解释，就谈不上真正的智能性。启发式程序要解决智能机器如何模拟法律家推理的直觉性、经验性以及推理结果的不确定性等问题，即人可以有效地处理错误的或不完全的数据，在必要时作出猜测和假设，从而使问题的解决具有灵活性。在这方面，Gardner的混合推理模型，Edwina L.Rissland运用联想程序对规则和判例推理的结果作集合处理的思路，以及Massachusetts大学研制的CABARET（基于判例的推理工具），在将启发式程序应用于系统开发方面都进行了有益的尝试。但是，法律问题往往没有唯一正确的答案，这是人工智能模拟法律推理的一个难题。选择哪一个答案，往往取决于法律推理的目的标准和推理主体的立场和价值观念。但智能机器没有自己的目的、利益和立场。这似乎从某种程度上划定了机器法律推理所能解决问题的范围。 第三，关于法律自然语言理解。在设计基于规则的程序时，设计者必须假定整套规则没有意义不明和冲突，程序必须消灭这些问题而使规则呈现出更多的一致性。就是说，尽管人们对法律概念的含义可以争论不休，但输入机器的法律语言却不能互相矛盾。机器语言具有很大的局限性，例如，LDS基于规则来模拟严格责任并计算实际损害时，表现出的最大弱点就是不能使用不精确的自然语言进行推理。然而，在实际的法律推理过程中，法律家对某个问题的任何一种回答都可根据上下文关系作多种解释，而且辩论双方总是寻求得出 不同的结论。因此，智能法律专家系统的成功在很大程度上还依赖于自然语言理解研究工作的突破。牛津大学的一个程序组正在研究法律自然语言的理解问题，但是遇到了重重困难。原因是连法学家们自己目前也还没有建立起一套大家一致同意的专业术语规范。所以Edwina L.Rissland认为，常识知识、意图和信仰类知识的模拟化，以及自然语言理解的模拟问题，迄今为止可能是人工智能面临的最困难的任务。对于语言模拟来说，像交际短语和短语概括的有限能力可能会在较窄的语境条件下取得成果，完全的功能模拟、一般“解决问题”能力的模拟则距离非常遥远，而像书面上诉意见的理解则是永远的终极幻?搿＃ㄗⅲ篍dwina L.Rissland,ArtificialIntelligence and Law:Stepping Stones to a Model of LegalReasoning,The Yale Law Journal.(Vol.99:1957-1981).） 五、人工智能法律系统的开发策略和应用前景 我们能够制造出一台什么样的机器，可以证明它是人工智能法律系统？从检验标准上看，这主要是法律知识在机器中再现的判定问题。根据“图灵试验”原理，我们可将该检验标准概括如下：设两间隔开的屋子，一间坐着一位法律家，另一间“坐着”一台智能机器。一个人（也是法律家）向法律家和机器提出同样的法律问题，如果提问者不能从二者的回答中区分出谁是法律家、谁是机器，就不能怀疑机器具有法律知识表达的能力。 依“图灵试验”制定的智能法律系统检验标准，所看重的是功能。只要机器和法律家解决同样法律问题时所表现出来的功能相同，就不再苛求哪个是钢铁结构、哪个是血肉之躯。人工智能立足的基础，就是相同的功能可以通过不同的结构来实现之功能模拟理论。 从功能模拟的观点来确定人工智能法律系统的研究与开发策略，可作以下考虑： 第一，扩大人工智能法律系统的研发主体。现有人工法律系统的幼稚，暴露了仅仅依靠计算机和知识工程专家从事系统研发工作的局限性。因此，应该确立以法律家、逻辑学家和计算机专家三结合的研发群体。在系统研发初期，可组成由法学家、逻辑与认知专家、计算机和知识工程专家为主体的课题组，制定系统研发的整体战略和分阶段实施的研发规划。在系统研发中期，应通过网络等手段充分吸收初级产品用户（律师、检察官、法官）的意见，使研发工作在理论研究与实际应用之间形成反馈，将开发精英与广大用户的智慧结合起来，互相启发、群策群力，推动系统迅速升级。 第二，确定研究与应用相结合、以应用为主导的研发策略。目前国外人工智能法律系统的研究大多停留在实验室领域，还没有在司法实践中加以应用。但是，任何智能系统包括相对简单的软件系统，如果不经过用户的长期使用和反馈，是永远也不可能走向成熟的。从我国的实际情况看，如果不能将初期研究成果尽快地转化为产品，我们也难以为后续研究工作提供雄厚的资金支持。因此，人工智能法律系统的研究必须走产研结合的道路，坚持以应用开路，使智能法律系统尽快走出实验室，同时以研究为先导，促进不断更新升级。 第三，系统研发目标与初级产品功能定位。人工智能法律系统的研发目标是制造出能够满足多用户（律师、检察官、法官、立法者、法学家）多种需要的机型。初级产品的定位应考虑到，人的推理功能特别是价值推理的功能远远超过机器，但人的记忆功能、检索速度和准确性又远不如机器。同时还应该考虑到，我国目前有12万律师，23万检察官和21万法官，每年1.2万法学院本科毕业生，他们对法律知识的获取、表达和应用能力参差不齐。因此，初级产品的标准可适当降低，先研制推理功能薄弱、检索功能强大的法律专家系统。可与计算机厂商合作生产具有强大数据库功能的硬件，并确保最新法律、法规、司法解释和判例的网上及时更新；同时编制以案件为引导的高速检索软件。系统开发的先期目标应确定为：(1)替律师起草仅供参考的起诉书和辩护词；(2)替法官起草仅供参考的判决书；(3)为法学院学生提供模拟法庭审判的通用系统软件，以辅助学生在起诉、辩护和审判等诉讼的不同阶段巩固所学知识、获得审判经验。上述软件旨在 提供一个初级平台，先解决有无和急需，再不断收集用户反馈意见，逐步改进完善。 第四，实验室研发应确定较高的起点或跟踪战略。国外以知识工程为主要技术手段的人工智能法律系统开发已经历了如下发展阶段：(1)主要适用于简单案件的规则推理；(2)运用开放结构概念的推理；(3)运用判例和假设的推理；(4)运用规则和判例的混合推理。我们如确定以简单案件的规则推理为初级市场产品，那么，实验室中第二代产品开发就应瞄准运用开放结构概念的推理。同时，跟踪运用假设的推理及混合推理，吸收国外先进的KBS和HYPO的设计思想，将功能子系统开发与联想式控制系统结合。HYPO判例法推理智能装置具有如下功能：(1)评价相关判例；(2)判定何方使用判例更加贴切；(3)分析并区分判例；(4)建立假设并用假设来推理；(5)为一种主张引用各种类型的反例；(6)建立判例的引证概要。HYPO以商业秘密法的判例推理为模拟对象，假设了完全自动化的法律推理过程中全部要素被建立起来的途径。值得注意的是，HYPO忽略了许多要素的存在，如商业秘密法背后的政策考虑，法律概念应用于实际情况时固有的模糊性，信息是否已被公开，被告是否使用了对方设计的产品，是否签署了让与协议，等等。一个系统设计的要素列表无论多长，好律师也总能再多想出一些。同样，律师对案件的分析，不可能仅限于商业秘密法判例?箍赡茉秩ǚɑ蜃ɡǖ呐欣饩龆似鹚咴涤傻亩嘀挚赡苄浴shley还讨论了判例法推理模拟的其他困难：判例并不是概念的肯定的或否定的样本，因此，要通过要素等简单的法律术语使模糊的法律规则得到澄清十分困难，法律原则和类推推理之间的关系还不能以令人满意的方式加以描述。（注：Edwina L.Rissland,Artificial Intelligence and Law:Stepping Stones toa Model of Legal Reasoning,The Yale Law Journal.(Vol.99:1957-1981).）这说明，即使具有较高起点的实验室基础研究，也不宜确定过高的目标。因为，智能法律系统的研究不能脱离人工智能的整体发展水平。 第五，人－机系统解决方案。人和机器在解决法律问题时各有所长。人的优点是能作价值推理，使法律问题的解决适应社会的变化发展，从而具有灵活性。机器的长处是记忆和检索功能强，可以使法律问题的解决具有一贯性。人－机系统解决方案立足于人与机器的功能互补，目的是解放人的脑力劳动，服务于国家的法治建设。该方案的实施可以分为两个阶段：第一阶段以人为主，机器为人收集信息并作初步分析，提供决策参考。律师受理案件后，可以先用机器处理大批数据，并参考机器的起诉和辩护方案，再做更加高级的推理论证工作。法官接触一个新案件，或新法官刚接触审判工作，也可以先看看“机器法官”的判决建议或者审判思路，作为参考。法院的监督部门可参照机器法官的判决，对法官的审判活动进行某种监督，如二者的判决结果差别太大，可以审查一下法官的判决理由。这也许可以在一定程度上制约司法腐败。在人－机系统开发的第二阶段，会有越来越多的简单案件的判决与电脑推理结果完全相同，因此，某些简单案件可以机器为主进行审判，例如，美国小额法庭的一些案件，我国法庭可用简易程序来审理的一些案件。法官可以作为“产品检验员”监督和修订机器的判决结果。这样，法官的判案效率将大大提高，法官队伍也可借此“消肿”，有可能大幅度提高法官薪水，吸引高素质法律人才进入法官队伍。 未来的计算机不会完全取代律师和法官，然而，律师和法官与智能机器统一体的出现则可能具有无限光明的前景。（注：Smith,J.C,Machine Intelligence and Legal Reasoning,Chicago-Kent LawReview,1998,Vol.73,No.1,p277.）可以预见，人工智能将为法律工作的自动化提供越来越强有力的外脑支持。电脑律师或法官将在网络所及的范围内承担起诸如收债、税务、小额犯罪诉讼等职能。自动法律推理系统将对诉讼活动发挥越来越多的辅助作用，例如，通过严密的演绎逻辑使用户确信全部法律结论得出的正当性；在解决相互冲突的规则、判例和政策问题

人工智能论文篇（6）

随着计算机技术与网络技术的普及和发展，数字图书馆在我国高校、政府以及科研机构都得到了有效发展。数字图书馆来源于图书馆馆藏的数字化从而充分地高效地利用图书馆信息资源。现有的图书馆资料主要是书籍、杂志、报刊、技术报告等。人们希望利用因特网把所有的数字化的资源站点连接起来，这样要管理的信息除了图书馆中的文本信息外，还希望管理博物馆、展览馆、档案馆、学术组织以及其它Web站点上千差万别的信息。

面对浩瀚无边的数字化信息使得数字图书馆关键核心技术之一的文本分类成为一个日益重要的研究领域。文本分类技术是人工智能和信息获取技术的结合，是基于内容的自动信息管理的核心技术。

二、文本分类技术的基本原理

数字图书馆是一个巨大的知识宝库。数字图书馆的服务重点是以人为主，而不是以馆以书为主。数字图书馆的特点使得其服务要深入到知识的层次，通过对信息内容的组织和加工的自动化，把资源组织成一个知识系统。文本的自动分类是为提高信息内容服务的质量而产生的文本处理技术。它们的出现使得信息内容服务出现了新的局面。

文本分类是指根据文本的内容或属性，将大量的文本归到一个或多个类别的过程。文本分类算法是有监督学习的算法，它需要有一个己经手工分好类的训练文档集，文档的类别已标识，在这个训练集上构造分类器，然后对新的文档分类。如果训练集的类别未标识，就是无监督的学习算法，无监督学习算法从数据集中找出存在的类别或者聚集。

从数学角度来看文本分类是个映射程，它将未标明类别的文本映射到已有的类别中，用数学公式表示如下：

f：AB其中，A为待分类的文本集合，B为分类体系中的类别集合

文本分类的映射规则是系统根据已经掌握的每类若干样本的数据信息，总结出分类的规律性而建立的判别公式和判别规则。然后在遇到新文本时，根据总结出的判别规则，确定文本相关的类别。但是由于大量的文本信息是一维的线性字符流，因此文本自动分类首先要解决的问题就是文本信息的结构化。在模式识别领域里，把文本信息的结构化称为"特征提取"。在文本信息内容处理领域，这项工作被称为文本的"向量空间表示"。其基本流程如图1所示：

系统使用训练样本进行特征选择和分类器训练。系统根据选择的特征将待分类的输入样本形式化，然后输入到分类器进行类别判定，得到输入样本所属的类别。

三、文本分类技术在数字图书馆中的应用分析

为了提高数字图书馆中分类准确率，加快系统运行速度，需要对文本特征进行选择和提取。两者的差别在于，特征选择的结果是初始特征项集合的子集，而特征提取的结果不一定是初始特征项集合的子集(例如初始特征项集合是汉字，而结果可能是汉字组成的字符串)。特征选择、提取和赋权方法对分类结果都有明显影响。

（一）文本特征项

文本的特征项应该具有以下特点:特征项是能够对文本进行充分表示的语言单位;文本在特征项空间中的分布具有较为明显的统计规律;文本映射到特征项空间的计算复杂度不太大。对于计算机来说，文本就是由最基本的语言符号组成的字符串。西文文本是由字母和标点符号组成的字符串，中文文本就是由汉字和标点符号组成的字符串。

概念也可以作为特征项，"计算机"和"电脑"具有同义关系，在计算文档的相似度之前，应该将两个词映射到同一个概念类，可以增加匹配的准确率。但是概念的判断和处理相对复杂，自然语言中存在同义关系(如老鼠、耗子)、近义关系(如忧郁、忧愁)、从属关系(如房屋、房顶)和关联关系(如老师、学生)等各种关系。如何很好地划分概念特征项，确定概念类，以及概念类的数量都是需要反复尝试和改进的问题。

（二）特征项选择

不同的特征项对于文档的重要性和区分度是不同的，通常高频特征项在多个类中出现，并且分布较为均匀，因此区分度较小;而低频特征项由于对文档向量的贡献较小，因此重要性较低。

文档频次就是文档集合中出现某个特征项的文档数目在特征项选择中计算每个特征项在训练集合中出现的频次，根据预先设定的闽值去除那些文档频次特别低和特别高的特征项。

信息增益方法是机器学习的常用方法，在分类问题中用于度量特征项在某种分类下表示信息量多少，通过计算信息增益得到那些在正例样本中出现频率高而在反例样本中出现频率低的特征项，以及那些在反例样本中出现频率高而在正例样本中出现频率低的特征项。

（三）特征值的提取

人工智能论文篇（7）

1.1搬运机器人在汽车制造业中应用

汽车桥箱类零件具有精度高、加工工序多、形状复杂、重量重的特点。为提高其加工精度及生产效率，各重型汽车生产厂家纷纷采用数控加工中心来加工此类零部件。而在使用数控加工中心加工工件时，要求工件在工作台上具有非常高的定位精度，且需要保证每次上料的一致性。由于人工上料此类的工件具有劳动强度高、上料精度不好控制等缺点现在正逐步被工业机器人或专机进行上下料所取代。工业机器人具有重复定位精度高、可靠性高、生产柔性化、自动化程度高等、突出的优势，与人工相比，能够大幅度提高生产效率和产品质量，与专机相比具有可实现生产的柔性化、投资规模小等特点。机器人智能化自动搬运系统作为减速器壳体加工的重要生产环节，虽然已经在国内重型汽车厂内取得成功的应用，但依然尚未普及。在国家经济建设飞速发展的进程中，重型载重汽车的生产能力及生产力水平亟待有一个质的飞跃，而工业机器人即是提升生产力水平的强力推进器。

1.2焊接机器人在汽车制造业中的应用

汽车行业的发展水平，代表了一个国家的综合技术水平，汽车工业的发展将会带动其他行业的发展。各厂商为了在日渐激烈的竞争中立于不败之地，必须率先实现焊接自动化。因此，今后除了如汽车、摩托车这样的大批量生产行业。一些产品多样化的企业，为了提高焊接质量，也将会考虑使用焊接机器人，如钢结构等行业，与此同时，对焊接机器人的要求也必然会逐步提高，如说对焊道的自动跟踪系统的需求会逐步加大等。作为焊接机器人和焊接机的专业生产厂家，OTC公司将继续为提高中国的高速、高效、自动化焊机做出自己的贡献。对于在汽车工业中的点焊应用来说，目前已广泛采用电驱动的伺服焊枪。日本丰田公司已决定将这种技术作为标准来装备其日本国内和海外的所有点焊机器人。

1.3装配机器人在汽车制造业中的应用

在国内外各大汽车公司装配生产线上被广泛采用的装配机器人。一方面使汽车装配自动化水平大大提高，目前，国外某些大批量生产的轿车的装配自动化程度已达50%~65%。另一方面，有效地减轻了工人的劳动强度，提高了装配质量并明显地提高了生产率。在汽车整车装配中，机器人不仅用于挡风玻璃的密封济涂覆、安装和车轮备胎、仪表盘总成、后悬梁、车门、蓄电池等部件的安装。

1.4喷涂机器人在汽车制造业中的应用

喷涂机器人在汽车制造业中可喷涂形态复杂的汽车工件而且生产效率和很高。多用于汽车车体的喷涂作业，如喷漆、喷釉等。除了上述机器人以外，汽车制造业中应用的机器人还有用于特殊加工的激光加工机器人用于部件形状测量、装配检查和产品缺陷检查的检测机器人，抑制尘埃粒子大小及数量的水切割机器人和净化机器人等。

2人工智能在汽车制造业中的进展分析

随着中国汽车工业的迅猛发展，机器人在先进汽车制造中的重要性也越来越凸显。机器人的产品应用广泛，覆盖焊接、物料搬运、装配、喷涂、精加工、拾料、包装、货盘堆垛、机械管理等领域。在汽车行业的应用主要分为以下五大部分。车身系统中，采用虚拟仿真等手段，主要针对车身覆盖件不断开发出新的标准化、模块化解决方案，动力总成系统中，提供了涵盖汽车传动系统核心部件，发动机、变速箱和传动轴的全套装配测试系统。在冲压自动化系统方面从卷材与堆垛到零件的码垛，从提供控制系统到企业ERP，从设计到生产支持与效率优化，拥有全面的工程能力，涂装自动化系统方面，以高柔性高精度的喷涂机器人来帮助客户提升涂装质量，减少生产废料，而在焊接自动化系统中，机器人比较典型的应用是电阻点焊、电弧焊，其最新一代机器人配套提供一系列高度人性化的软件工具。汽车工业的最大特点是产量大，生产节拍快，产品一致化程度高。消费者对汽车质量要求越来越高，是促使机器人应用越来越普遍的一个重要原因。机器人本身只是集装箱里的一个货物，随机器人的设备功能越来越精细，客户的思维在这时候逐渐走向成熟，在采购时不再单单考虑某生产工位的瓶颈，而更多地考虑到长期战略因素，如维护成本加入的高低，长期投资回报是否划算，服务涵盖地域是否广泛，响应是否及时，全球技术支持能力有多强，中期后期不同阶段解决问题的能力有多大等等。这时，产品本身的价格和意义相对弱化而长期的价值越发凸显。

人工智能论文篇（8）

2人工智能技术在电气自动化控制中的应用

2.1人工智能控制实现了数据的采集及处理功能

在电气设备的运行过程中，数据的采集和处理是了解电气设备自动化控制情况，发现运行过程中的问题和提出解决办法的重要依据。在传统的自动化控制中，由于技术水平和实际运行中的动态变化，数据的采集和传输无法做到准确和稳定，保存数据容易出现丢失的情况。人工智能技术的使用，可以保障电气自动化运行过程中对动态信息的及时收集和稳定传输，对相关数据的保存工作也更安全，这就提高了电气自动化的控制水平，充分保障了电气运行中的安全性和稳定性。

2.2人工智能控制实现了系统运行监视机报警功能

电气自动化控制是用电气的可编程控制器，控制继电器，带动执行机构，完成预期设计动作的过程。在此过程中，系统内部各部分之间的运行都要严格按照设计模型和函数计算的基础上进行，如果系统中的一点出现问题，就会造成整个自动控制系统的故障。在以往的自动化控制系统运行中，对系统内部各部分之间的运行数据和运行状态进行实时监测，对运行中的特殊情况进行及时的报警处理，帮助自动化系统及时处理可能出现的故障，提醒电气管理人员加强对电气系统的管理。

2.3人工智能控制实现了操作控制功能

电气自动化控制的主要特征之一就是通过计算机的一键操作，就可以实现对电气系统的整体控制，保障电气自动化运行符合现实的需要。传统的自动化系统的操作，需要靠人工对系统各个环节进行人工操作，从而促进自动化系统内部的协调和配合，这种方式既降低了自动化运行的效率，也增加了自动化系统的故障发生频率。人工智能技术对电气自动化系统的控制，是通过各种先进的算法，按照电气自动化的需求，对自动化系统进行自动化和智能化设计，从而实现对电气自动化控制系统的同时操作，大大提高了自动化控制的效率，减少了单独指令操作中容易出现的不协调情况的发生。

3人工智能技术在电气自动化控制中的控制方式

3.1模糊控制

模糊控制以模糊推理和模糊语言变量等为理论基础，并以专家经验作为模糊控制的规则。模糊控制就是在被控制的对象的模糊模型的基础之上，运用模糊控制器，实现对电气控制系统的控制。在实际控制设计过程中，通过对计算机控制系统的使用，使电气自动化系统形成具有反馈通道的闭环结构的数字控制系统，从而达到对电气自动化系统的科学控制。

3.2专家控制

专家控制是指在进行电气自动化控制过程中，利用相关的系统控制理论和控制技术的结合，通过对以往控制经验的模拟和学习，实现电气自动化控制中智能控制技术的实施。这种控制方式具有很强的灵活性，在实际运行中，面对控制要求和系统运行情况，专家控制可以自觉选取控制率，并通过自我调整，强化对工作环境的适应。

3.3网络神经控制

网络神经控制的原理就是基于对人脑神经元的活动模拟，以逼近原理为依据的网络建模。神经控制是有学习能力的，属于学习控制，对电气自动化控制中出现的新问题可以及时提出有效的解决办法，并通过对相关技术问题的分析解决，提高自身的人工智能水平。

人工智能论文篇（9）

高校培养人才的目的是为社会输送人才，尤其是为当地社会输送人才，服务于当地经济的建设，因此做好调研工作，必须依托于当地企业。调研工作不能流于表面，要发动整个教学团队的力量。首先，从专业层面应该有整体规划，确定调研的时间段、调研哪些企业，到具体实施阶段，老师下去调研的时候不能仅仅是盖个章回来就了事，应该提供现场调研的图片、个人小结等资料，另外为了调动老师的积极性，专业层面可以发放调研津贴。材料收集好之后，要依据材料进行细致的分析、总结工作，提炼出对制订人才培养方案有用的信息，尤其是企业需要什么样的综合人才、岗位能力分析、职业资格证书的获取情况等。

1.2充分发挥校企合作委员会的作用

每个专业都有自己的专业指导委员会或是校企合作委员会，要充分发挥其作用。首先在人选是一定要经过筛选，务必选择一个对整个专业发展能够提供指导性意见的人，这就需要他有在这个行业多年的工作经验，另外需要热爱教育事业，不能只是来挂个名，开个会，还需要在平时的各项工作中直到作用。

2.做好课程体系建设

2.1根据专业情况重新整合课程体系

每个专业发展的沿革不一样，所以制订课程体系时绝不能照抄照搬别人的。尤其是楼宇智能化工程技术专业，很多课程的开设是需要硬件支撑的，因此有些课程其他学校能开，本校可能开不了。另外，要充分考虑到师资情况，校内教师上不了的课程，要请企业老师来上课，如果连企业老师也找不到合适的，就得考虑这门课程是否能开设。

2.2注重实践课程的教学设计

高职高专的学生，人才培养的目标并不是研究型人才，而是技术型人才，因此要充分做好实践课程体系的建设。首先，理实一体课程要采用一体化的教学模式。教学决不能只在黑板上写写划划了，现如今90后的学生，接受信息的渠道很多，老师一定要充分备课。师生双方应该在实验实训室边教、边学、边做、边评定，把理论与实践教学紧密地联系在一起。其次，做好学期实训课程的教学设计。每个学期的实训内容可以是基于某门课程的也可以是基于多门课程的，以楼宇智能化工程技术专业来说，可以基于电工电子技术进行维修电工的实训，也可以综合楼宇智能化工程技术、安防技术、消防技术等进行智能管理系统综合实训。这种生产性的实训课程要尽量聘请资深的企业人员参加，这样对于教师和学生提高专业技能都有帮助。另外，做好顶岗实习和毕业项目设计。教师在给学生顶岗实习成绩评定时要有充分的依据，不能依照个人的喜好，这就需要专业层面制订合理的规章制度。最后，做好职业认证工作。要为学生制订弹性的证书获取机制，每个学期的实训课程尽量为学生提供考证的机会，告诉学生哪个证是必考的，哪些证书是选考的。这样学生可以根据自己的需求选考合适的证书。

2.3改革创新考核方式和评价模式

考核的目的是对学生的知识和技能掌握程度的评价，也是对教学效果的一种评估。在改革创新考核形式上，可以根据课程性质的不同采用多种多样的考核形式，可以积极推进过程考核，让学生付出的每一份努力都能够得到回报。总之，真实、客观的评价对于促进学生的学习是非常有帮助的，不仅能提升学生学习的动力，还能让其明白处于集体中的责任。

2.4注重综合素质的培养

人才培养方案制订过程中要充分注重对于学生综合素质的培养。尤其是楼宇智能化工程技术这种偏理工科的专业，要让学生明白一个人以后想在社会上立足并且过得幸福，这跟人的综合素质是分不开的，并不完全依赖于个人的技能。因此在开设课程时要充分考虑到上述能力的培养，可以开设大学生就业创业、法律法规常识、大学生心理健康教育等公共基础课，也可以开设电影艺术欣赏、围棋、书法等素质拓展课。另外，可以在以专业为单位积极鼓励学生创办或参加社团，这对于学生综合能力的培养非常有帮助，让他们提前了解和融入社会。

人工智能论文篇（10）

人工智能(ArtificialIntelligence，以下简称AI)成为全球热点，各国抢先布局人工智能战略。近5年来，各国纷纷出台人工智能战略计划，如美国《为人工智能的未来做好准备》与《国家人工智能研究与发展战略规划》报告，英国《人工智能：未来决策制定的机遇与影响》报告等。在世界各国纷纷规划人工智能发展的情况下，中国政府也加紧人工智能顶层设计。

“人工智能”首次写入中国政府工作报告。在2017年全国两会上，国务院总理李克强在政府工作报告中指出，要“全面实施战略性新兴产业发展规划，加快新材料、人工智能、集成电路、生物制药、第五代移动通信等技术研发和转化”。[1]这是政府工作报告中首次提及人工智能，体现出国家最高领导层对人工智能的高度重视。

中国政府推动顶层设计迭代升级，加快细化人工智能发展战略。2016年5月，国家发改委、科技部、工信部、中央网信办4部委联合《“互联网+”人工智能3年行动实施方案》。2017年7月，国务院正式《新一代人工智能发展规划》，12月14日，工信部印发《促进新一代人工智能产业发展三年行动计划（2018-2020年）》。可以看出，政府正在加紧细化发展“人工智能”的战略规划，其中《新一代人工智能发展规划》指出：“当前，我国国家安全和国际竞争形势更加复杂，必须放眼全球，把人工智能发展放在国家战略层面系统布局、主动谋划，牢牢把握人工智能发展新阶段国际竞争的战略主动，打造竞争新优势、开拓发展新空间，有效保障国家安全。”[2]

2017年11月15日，科技部宣布国家15个部门联合成立新一代人工智能发展规划推进办公室，负责推进新一代人工智能发展规划和重大科技项目的组织实施，标志着新一代人工智能发展规划和重大科技项目进入全面启动实施阶段，再次彰显政府大力发展人工智能的决心，人工智能产业政策环境利好。

(二)人工智能投融资金额呈增长趋势，资本驱动市场快速发展人工智能作为重要发展战略，带给产业市场新发展机遇，吸引互联网企业与创业公司纷纷进入。近年来，资本市场高度重视人工智能产业，市场投融资不断增长。根据统计数据显示，2012-2017年中国人工智能产业投融资金额呈增长趋势，其中2017年融资额创历史新高，达435.2亿元（见图1）。其中，2017年旷视科技C轮融资达4.6亿美元，单轮融资金额创新高。同时，短短几年内人工智能领域迅速出现独角兽企业，2017年国内寒武纪、旷视科技、出门问问、商汤科技企业估值已超10亿美金[3]

图1 2012-2017年中国人工智能投融资发展状况

数据来源：DCCI互联网数据研究中心

中美引领人工智能未来发展，中国人工智能市场应用发展迅速。美国人工智能市场发展较早，技术研发实力较强，中国市场紧随其后，数据显示（见图2），亚欧及北美地区人工智能创新技术企业较多，其中，美国和中国领先全球其他国家。同时，相比欧美国家市场，中国市场拥有更加庞大的用户规模及应用场景，人工智能应用范围广泛。

图2 全球人工智能市场创新技术企业地域分布

数据来源：DCCI互联网数据研究中心

二、硬件升级与平台开放驱动人工智能加速前进

(一)芯片、算法等软硬件技术不断升级2017年人工智能芯片化进程加快，更多符合人工智能设计的芯片出现在市场中。芯片是人工智能应用的硬件基础，随着人工智能的快速发展，原有CPU的运算能力已经不能满足人工智能计算的需要，比如谷歌的GoogleBrain项目，为训练超过10亿个神经元的深度神经网络，使用包含16000个CPU核的并行计算平台。近年来，人工智能计算芯片正在从以传统CPU为主转变为通用及专用人工智能芯片，越来越多的GPU（Graphics Processing Unit，图形处理器）、FPGA（Field－Programmable Gate Array，现场可编程门阵列）等芯片技术应用在市场中。与CPU相比，GPU在浮点运算、并行计算等方面能够提供数十倍的CPU性能，FPGA处理特定数据更有优势，矩阵运算等灵活性、适用性更强。2017年5月，谷歌正式推出人工智能芯片第二代TPU（Tensor Processing Unit，张量处理单元）；9月华为集成NPU(Neural Network Processing Unit， 嵌入式神经网络处理器)专用硬件处理单元的人工智能芯片麒麟970；11月，寒武纪科技新一代人工智能芯片1H8、1H16、1M。从CPU到GPU、FPGA，再到TPU、概率芯片等，人工智能硬件设施逐渐完善，硬件市场从计算通用设施向满足人工智能发展需求的新一代硬件设施发展。

人工智能算法与研究模型不断完善，加速人工智能市场应用。算法是人工智能技术的核心，从AlphaGo到AlphaZero，算法升级推动人工智能技术不断提高，其中常用的机器学习算法有回归、贝叶斯、正则化、降维、决策树、神经网络、机器学习等。现有算法技术不断优化，如标准人脸识别数据集LFW(自然场景下标注的人脸数据库)上，现有算法的识别准确率已高达99.8%，超过人类的识别精度。而且，在天池AI医疗大赛中，机器对肺部结节图像的智能诊断达到专业医生级的水准，3毫米及以上的微小结节的检测准确率超过95%。

随着人工智能市场兴起，中国市场对人工智能领域的研究迅速发展。近年来中国企业与高校纷纷投入对人工智能研究分析，其中百度、腾讯、阿里、360等企业及清华、北大、同济、西安科技等高校陆续建立人工智能相关实验室或研究院。中国人工智能相关文献及期刊数量也在不断增长，根据国内知网数据显示，2017年相关文献和期刊数量同比2016年分别增长62.5%、64.8%（见图3）。

图3 2012-2017年中国人工智能相关文献与期刊数量状况

资料来源：中国知网

(二)国内外企业加速布局开源与开放平台平台开源与开放能够加速人工智能市场化发展，是现阶段人工智能快速发展的需要。人工智能平台开源、开放能够快速积累数据资源，不断检验算法模型，在实践中优化人工智能技术，提升人工智能平台应用能力。同时开源、开放的思维能够降低算法与数据的技术门槛，推广通用技术应用，降低市场开发成本，并促使社会各界协同运作，提升企业内部与外部专业人才协作能力。

为加速市场应用，国内外企业加快布局开源、开放。此前，国外互联网巨头纷纷开源深度学习等项目，如谷歌开源TensorFlow，脸谱开源Torch，微软开源CNTK，IBM开源SystemML，亚马逊开源MXnet。2017年，中国企业加速布局开源、开放平台，如百度开源自动驾驶系统Apollo，DuerOS开放平台。同时，中国政府高度重视开放平台的发展，2017年11月科技部公布首批国家新一代人工智能开放创新平台名单，包括百度（自动驾驶）、阿里云（城市大脑）、腾讯（医疗影像）、科大讯飞（智能语音）。

三、移动互联网推动人工智能加深应用

(一)移动互联网为人工智能技术提供丰富应用场景人工智能技术是推动移动互联网智能化发展的核心力量。近年来中国移动互联网用户人口红利逐渐消失，移动互联网进入平稳发展阶段，智能化成为移动互联网发展的下一波浪潮，人工智能技术成为突破点。通过计算机视觉、语音语义识别等，人工智能技术将能替代重复性劳动工作，并提供智能语音、智能检索、图片识别与处理、数据挖掘与分析等服务，在降低人力成本的同时创新服务模式。

人工智能市场空间巨大，领先技术试水应用，其中移动互联网为人工智能提供丰富的应用场景。中国移动网民规模庞大，用户触网移动化趋势加深，根据中国互联网络信息中心（CNNIC）统计数据显示，截至2017年12月，中国手机网民规模达7.53亿，使用手机上网的网民占比由2016年的95.1%提升至97.5%[4]。庞大的用户规模带动网络数据规模增长，助力人工智能技术提升。同时，在人工智能真正走向产业、市场的过程中，移动互联网提供丰富的应用场景，涵盖通信、新闻、音乐、视频、游戏、购物、银行支付等多个领域。现阶段在生活中，计算机视觉、语音语义识别等技术在图片美化、会议翻译、防盗预警、语音助手等方面已经发挥作用。

(二)移动互联网垂直领域加深应用人工智能

从被广泛认知到应用于各个行业，人工智能技术发展迅速。2016年，AlphaGo与世界围棋大师的比赛引发热议，人工智能的认知度明显提高。2017年，越来越多人工智能技术广泛应用于交通、医疗、教育等行业中。人工智能技术能够从底层推动服务升级，具有显著溢出效应，其广泛应用将改变生活。根据中国《新一代人工智能发展规划》，制造、农业、物流、金融、商务、家居成为中国开展人工智能应用试点的六大重点行业和领域，结合移动互联网市场特点，以下我们将从交通、医疗、教育、电商零售、生活娱乐五个场景中分析人工智能的应用方式。

1.交通：人工智能深入交通管理体系，升级出行应用服务。

在交通领域，人工智能主要应用于改善城市交通管理及升级交通出行方式，其中，在交通管理方面，人工智能可以识别城市交通实时状况，立体化监管交通安全，合理调度出行资源，提升交通运营效率。2017年杭州市上线“城市数据大脑”，它能够判断路况，实时提出信号灯调整建议，提前干预、防控拥堵，监控交通乱象并报警，在试点区域高峰期间使平均行车速度提升15%，120救护车到达现场时间缩短一半[5]。在出行方面，人工智能技术广泛应用于自动驾驶、无人驾驶等自主无人系统，而基于人工智能的类脑操作能够变革汽车等交通出行方式。中国已开始试水自动驾驶，如2017年在百度AI开发者大会上，李彦宏直播驾驶无人车参会。同时，随着福特、大众等传统汽车厂商与谷歌、百度等互联网公司的加速布局，移动出行也被看做人工智能领域的重要战场。

在移动互联网中，人工智能还能升级地图、打车等出行服务。地图导航等应用集合POI[6]、路况、卫星影像、街景等多种复杂数据信息，而人工智能提升应用平台数据信息处理效率，提升躲避拥堵、路径规划的能力，其中ETA（Estimated Time of Arrival，预计到达时间）误差率已降低到15.13%[7]。同时，在打车场景中，估价、拼车及订单分配、运力调度的背后都有人工智能技术的支持。

2.医疗：从辅助诊疗到疾病检测，人工智能提升医疗服务效率与准确率。

人工智能在医疗领域应用前景广阔，资本市场十分活跃。近年来，全球医疗人工智能产业投资呈增长趋势，根据IDC数据显示，2016年总交易额就已达7.48亿美元，交易数量达90个（见图4）。

图4 2012-2016年全球医疗人工智能投融资情况

数据来源：IDC

基于医疗数据的采集、计算、分析与判断，人工智能应用于辅助诊疗、药物研发、医疗机器人、基因测序等多个方面。在辅助诊疗方面，人工智能在医疗图像诊断中应用较多，即通过计算机视觉和深度学习技术，对X光、超声、CT等医疗图像分析，判别肺结核、甲亢、乳腺癌等多种疾病，精准定位病灶。在移动医疗服务中，智能语音助手还能够辅助医生在问询过程中记录病历，其医学术语识别准确率高于98%，而且人工智能技术能够增强远程采集医疗数据的准确性，实时管理健康数据，提供用药提醒、辅助诊疗等服务。人工智能还可结合患者病史、相关案例用药记录等数据，整理临床治疗经验，为不同患者治疗提供合理建议。在药物研发方面，人工智能可以整合药物实验数据，模拟药物发现过程中的HTS（高通量筛选）过程，缩短药物发现及实验的时间，提高药物研发成功率，降低药物研发成本。在医疗机器人方面，手术机器人带有机器人视觉、智能控制系统，现阶段主要应用在外科手术中，具有创伤小、手术精准度高、机体损伤小、术后恢复快等优势。在基因测序方面，人类基因组含有约31.6亿个DNA碱基对，约有20000到25000个蛋白质编码基因，人工智能技术依靠智能运算和分析能力，通过模型训练，能够提升基因测序水平。整体来看，人工智能在医疗领域的应用能够覆盖“治疗前-治疗中-治疗后及康复”的全过程，有望降低误诊率漏诊率，提升诊疗效率，解决优质资源分配不均等问题。

3.教育：人工智能带动个性化教育，促进教育体系智能化。

对于教师及学校而言，人工智能能够解放教师在重复性工作中的时间，提升学校运营效率。近年来，运用人工智能等多种技术的智能教学系统（ITS）、智能计算机辅助教学（CAI）迅速发展，以人工智能为基础，结合电子校务应用、辅助教学课件、辅助学习应用、网络教学平台等，学校教育体系趋于智能化。其中，人工智能可以替代老师完成作业批改、成绩测评等部分工作，还可以辅助教育工作者管理校车、辅助备课等教育研发及学校的管理工作。

对于学生而言，人工智能应用于题目搜寻、制定学习计划中，或以虚拟助手的形式辅助完成学习等，推动教育更具针对性、更个性化。现今市场中题库等学习应用辅助教学，可实现拍照答题、语音找题、对话与听力练习等，能够针对经常出现的错题多次投放相似题型，基于一段时间的学习成果进行评定与建议等。传统教育中强调“因材施教”，人工智能能够带动个性化教育，在机器系统与用户不断一对一练习的过程中，产品应用不断了解和掌握学生的学习状况，从而有针对性地辅助学习。

4.电商零售：从供应体系到营销、客服，人工智能深入电商零售服务。

在电商零售中，人工智能助力精准营销，颠覆交易方式。基于应用使用行为及消费数据等，人工智能技术能够分析用户对产品颜色、品牌、类型等喜好状况，并推荐给用户优选方案，助力电商营销。此外，2017年“淘咖啡”“缤果盒子”等无人便利店在中国首次崭露头角，人误识别率0.02%， 商品误识别率0.1%，其中计算机视觉、生物识别、传感是核心应用技术，它的出现颠覆了原有的零售方式。

人工智能升级物流运送模式，提高供应体系运营效率。产品供应与物流体系智能化是大势所趋，2017年亚马逊启用“无人驾驶”智能供应链，基于云技术、大数据分析、机器学习和智能系统等，可以自动预测、自动采购、自动补货、自动分仓，精准发货，库存自动化管理，过程中零人工干预，同时中国京东建成无人仓，实现收货、存储、订单拣选、包装的无人化智能操作。此外，2017年结合人工智能的无人机、无人车不断试水配送服务。

5.生活娱乐：人工智能引领社交升级，创新服务生活

人工智能创新交互方式，引领社交升级。2017年，以语音语义识别、机器学习技术为核心的语音助手不断完善，苹果Siri、微软小娜、亚马逊Alexa及百度度、搜狗语音助手、科大讯飞灵犀语音等不断升级服务能力，这种语音助手已经成为移动搜索和多种服务的入口，其便利性、趣味性丰富大众生活。

同时，人工智能服务还可以助力媒体、娱乐。在冗杂的信息内容中，人工智能通过文本分析及计算机视觉等筛查涉黄、暴力、等违法及不良信息，构建舆情分析等信息监测系统，维护健康的媒体环境，同时，基于机器学习的自动化新闻写作机器人还可以从事部分新闻编辑工作。在娱乐中，人工智能技术能够辅助创作虚拟人物，如结合VR（虚拟现实）、AR（增强现实）、MR（混合现实）等技术，提升游戏人物的真实性等。

四、人工智能发展面临的挑战与发展建议

（一）技术发展面临的挑战与建议 1.人工智能专业人才稀缺。

人工智能发展迅速，技术人才缺失成为发展掣肘。人工智能市场发展迅速，专业人才需求增长迅速，现阶段技术人才的有效供给不能满足当前市场的需要，中国人工智能人才缺口较大，国内人才市场面临专业对口人才数量少、相关技术人才技能水平较低、经验丰富人才稀缺等问题。随着人工智能企业增多，专业技术人才成为企业竞争的战场，中国需要加速人工智能专业人才的培养。

专业技术人才是人工智能产业发展的重要力量，培养人工智能技术人才需要政府、学校和企业协同运作。政府加强人工智能人才战略设计，通过政策扶持，吸引国内应用数学、计算机网络、生物科技等相关学科人才或程序员等相关专业人才，同时积极吸纳海外专家人才，加强高端人才储备；学校在基础教育增加人工智能相关学科知识，在高等教育中增设人工智能专业学科，建立适应人工智能发展需要的复合型人才培养计划，加强扶持人工智能科研工作，同时校企合作，提升储备人才的实战能力；企业和教育培训机构应加强相关技能培训，加深与国际顶尖行业专家的交流，或通过融资并购等吸纳更多专业人才。

2.底层及核心技术有待提高，基础设施尚需完善。

人工智能产业尚不成熟，计算芯片、算法等技术亟需突破。现阶段，人工智能底层及核心技术应用以“弱人工智能”为主，无监督学习模型算法、语音语义识别技术等存在缺陷，情感表现等尚未突破，如当前的智能语音助手并不能完全理解复杂的人类语言，图像识别技术不能完全理解图片图像中的元素，核心技术的不成熟是人工智能应用受限的主要原因。同时人工智能安全技术也面临巨大的挑战，随着人工智能技术的普遍应用，复杂的人工智能相关软件在应用初期会存在多种可攻击途径。在这样的局势下，未来人工智能发展的空间仍十分巨大。

人工智能技术的成熟化应用是漫长而复杂的过程，行业参与者应更加理性看待。人工智能是一门复杂的综合性学科，需要多个技术领域的创新突破，在基础设施方面，要创新核心传感器、高速计算芯片、计算平台等关键技术，提升机器的感知与计算能力；在算法模型方面，要完善自然语言处理、深度学习、计算视觉等算法程序和框架模型，提升机器感知理解能力与分析决策水平，增强机器自主学习能力。在产业技术解决方案方面，在生物识别、人机接口、数据库系统等方面寻求更智能的识别、分析及决策的应对方案。同时，在开源开放环境下，需多方加强技术合作战略合作，共同构建智能生态。

（二）市场发展面临的挑战与建议 1.数据存储、计算市场迅速发展，但数据安全面临新挑战。

现阶段数据规模不能满足人工智能市场化应用的需要，数据存储、计算能力有待提升，同时开放环境下的数据隐私安全面临新挑战。人工智能所需数据需经过筛选，数据的标注和采集成本较高，同时，不同场景中的数据维度多样，数据标准不一，如何将现有数据维度转变为人工智能所需成为发展难题。现阶段人工智能对数据规模要求较高，但人工智能的目的是让计算机或机器等能够模拟人的思维和行为，人工智能技术的发展应避免过度依赖数据。此外，随着数据规模的增长，数据能否规范使用、用户隐私能不能得到保障也将成为市场健康发展面临的问题。

为推动数据使用规范化，政府与企业需要协同运作，建立合理的数据管理机制。如，在数据采集的过程中，改善数据测量方法，减少主观因素造成的误差，在不同行业逐渐完善数据采集标准，高效地将非结构化数据转化为机器识别所需数据。同时在数据管理时，明确数据采集、存储、分析的规范，设置权限管理，强化责任意识，并通过政策法规，加强行业自律。

2.市场应用刚刚起步，基础服务能力尚不足。

人工智能市场仍处于发展初级阶段，产品有待市场检验。人工智能产业技术门槛较高，同时公共数据资源分散，人工智能基础服务设施难以集中使用与管理，人才及技术成本较大，企业进入及发展难度较大。尽管语音助手等产品已开始应用，但服务水平高低不同，人工智能在交通、医疗、生活等领域的应用也才刚刚开始，诸多应用场景尚未挖掘。

市场发展需要增强企业协同能力，不断创新产品服务。市场通过打造资金、技术、数据资源整合的公众服务平台，可以加速孵化人工智能创新企业。同时，企业也要加大培养专业人才，多方联合加强对人工智能的研究，拓展深化人工智能应用场景。

五、人工智能发展趋势预测

人工智能论文篇（11）

中图分类号:TP18 文献标识码:A文章编号:1009-3044(2010)13-3507-03

Artificial Intelligence Overview

HU Qin

(Baiyun Middle School in Zongyang Country, Anqing 246728, China)

Abstract:The paper introduces current general research and hot research topic of artificial intelligence. The paper looks forward to the future development direction of artificial intelligence. In addition, the paper analyzes implication of concepts, theoretical foundation, discipline system, scientific approaches, scientific significance and application value of generalized artificial intelligence.

Key words: artificial intelligence; artificial intelligence research; generalized artificial intelligence

人工智能是计算机学科的一个分支,是一门正在发展中的综合性的前沿学科,它是研究人类智能活动的规律,并用于模拟、延伸和扩展人类智能的一门新的技术科学,是在计算机、控制论、信息论、数学、心理学等多种学科相互综合、相互渗透的基础上发展起来的一门新兴边缘学科[1]。人工智能目前已在指纹及人脸识别、专家系统、智能搜索、定理证明、博弈、自动程序设计以及航空航天领域取得了广义的应用。

1 人工智能研究概况

当20世纪40年代数字计算机研制成功时,当时的研究者就采用启发式思维,运用领域知识,编写了能够完成复杂问题求解的计算机程序,包括可以下国际象棋和证明平面几何定理的计算机程序[2]。运用计算机处理这些复杂问题的方法具有显著人类智能的特色,从而导致了人工智能的诞生。1956年,McCarthy决定把Dartmouth会议用人工智能来命名,开创了具有真正意义的人工智能的研究。

图灵(Alan Turing)所著的“计算机器与智能”[3]讨论了人类智能机械化的可能性,提出了图灵机的理论模型,为现代计算机的出现莫定了理论基础。同时该文中还提出了著名的图灵准则,在人工智能研究领域,“图灵检验”已成为最重要的智能机标准。同一时期,Warren McCullocli和Walter Pitts发表了“神经活动内在概念的逻辑演算”的开创之作[4],该文证明了:一定类型的可严格定义的神经网络,原则上能够计算一定类型的逻辑函数并开创了当前人工智能研究的两大类别:“符号论”和“联结论”。

从20世纪60年代至70年代初,人工智能领域有影响的工作是通用问题求解程序,主要包括:Robinson于1965年提出了归结原理,成为自动定理证明的基础[5] ;Feigenbaum于1968年研制成功了DENDRAL化学专家系统,是人工智能走向实用化的标志。Quillian于1968年提出了语义网络的知识表示等。20世纪70年代,人工智能研究以自然语言理解、知识表示为主。Winograd于1972年研制开发了自然语言理解系统Shrdlu,同时期Colmeraue创建了Prolog语言。Shank于1973年提出了概念从属理论。Minsky于1974年提出了框架知识表示法。1977年,Feigenbaum提出了知识工程,专家系统开始得到广泛应用。

20世纪80年代以来,以推理技术、知识获取机器视觉的研究为主。开始了不确定性推理和确定性推理方法的研究。日本计算机界推出了“第五代计算机研制计划”,该计划最终未能实现当初的目标―以非数字化方式在日常范围内全面的模仿人类行为,但该计划也为人工智能的进一步发展积累了很多经验。20世纪90年代,人工智能研究在博弈这一领域有了实质性的进展。1997年5月11日,一个名为“深蓝”的IBM计算机以2胜1负3平的成绩战胜了国际象棋世界冠军卡斯帕罗夫,这举世震惊的一步大大地振奋了整个人工智能界,而事实上“深蓝”打败卡斯帕罗夫仍是从专家系统提供的所有可能的走步中选择最优的,并未有理论上的实质性的突破。

中国人在人工智能领域的突出贡献主要有:1960年,华裔美国数理逻辑学家王浩提出了命题逻辑的机器定理证明的新算法,利用计算机证明了集合论中的300 多条定理。1977 年, 我国数学家、人工智能学家吴文俊提出了初等几何判定问题的机器定理证明方法,并进一步推广到初等微分几何、非欧几何领域,被称为“吴氏方法”。 80-90年代,我国高等院校和研究机构在智能控制与智能机器人的研究开发方面,取得了丰硕的成果。

回顾人工智能发展的历史进程,从科学方法论的角度分析,其发展有三条途径,分别是结构模拟、功能模拟和行为模拟。在学术观点上有人工神经网络、专家系统和智能机器人三大学派。

2 人工智能当前的热点研究

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。目前人工智能研究的3个热点是: 智能接口[6]、智能信息处理[7]、主体及多主体系统[8]。

2.1 智能接口技术

智能接口技术是研究如何使人们能够方便自然地使用计算机。这一目标的实现要求计算机能够看懂文字、听懂语言,甚至能够进行不同语言之间的翻译,而这些功能的实现又依赖于知识表示方法的研究。因此,智能接口技术的研究既有巨大的应用价值,目前,智能接口技术已经取得了显著成果,文字识别、语音识别、语音合成、图像识别、机器翻译以及自然语言理解等技术已经开始实用化,如:微软提出的云计算、百度提出的框计算都与智能接口技术有关。

2.2 智能信息处理

计算机的广泛应用是人类进入一个信息爆炸的时代,国民经济和社会信息化发展所面临的一个重要课题是如何把大量的数据转化为有用的知识,并将知识转化为智能,用于决策、管理、检索、过程控制等。智能信息处理使从海量数据中提起有用知识成为可能,当前,图形模式作为一种有效的智能数据处理手段正在引起人们的重视,图形模式具有多功能性、有效性及开放性等特征,能有效地转化数据为知识,并利用这些知识进行推理,以解决分类、聚类、预测和因果分析等问题,其有效性已在软件智能化、医疗故障诊断、金融风险分析、DNA 功能分析和 Web 采掘等方面得到验证。随着图形模式学习和基于图形模式推理等问题的解决,图形模式必将成为重要和有力的智能化数据分析与处理工具。

2.3 主体及多主体系统

主体是具有信念、愿望、意图、能力、选择等心智状态的智能性实体,而且具有一定自主性。主体试图自治地、独立地完成任务,同时又可以和环境交互,与其他主体通信,并通过规划达到目标。多主体系统主要研究在逻辑上或物理上分离的多个主体之间进行协调智能行为,最终实现问题求解。目前对主体和多主体系统的研究主要集中在主体和多主体理论、主体的体系结构和组织、主体语言、主体之间的协作和协调、通信和交互技术、多主体学习以及多主体系统应用等方面。

3 人工智能未来的研究方向

当前,人工智能学科已从学派分歧的、传统的、狭义的人工智能,走向多学派兼容、多层次结合现代的广义人工智能,并将发展成为人机集成的、群体协同的、未来的智能科学技术 [9]。广义人工智能学科的理论基础是广义智能信息系统论,主要包括广义智能论、智能信息论和智能系统论。

3.1 广义人工智能的概念涵义和学科体系

多学派人工智能是指模拟、延伸与扩展人的智能及其它动物智能,既研究机器智能,也开发智能机器。多层次人工智能是指不仅研究专家系统,而且研究人工神经网络、模式识别、智能机器人等。多智体人工智能研究群体的、网络的多智体、分布式人工智能。研究如何使分散的个体人工智能协调配合,形成协同的群体人工智能,模拟、延伸与扩展人的群体智能或其它动物的群体智能。

广义人工智能的研究对象是自然智能、人工智能、集成智能和协同智能,根据广义智能学的研究对象,广义人工智能学的学科体系主要包括四个方面:①自然智能学:自然智能学研究人的智能及其他生物智能的个体智能、群体智能的基本概念和特性。②人工智能学:人工智能学研究机器智能与智能机器二方面,思维、感知、行为三层次的广义人工智能的基本概念和特性,分析设计、协调协同、进化开拓、评价测度、信息处理、系统构成、管理控制的理论和方法。③集成智能学:集成智能学研究自然智能与人工智能,主要是人的智能与机器智能如何协调配合、取长补短、合理分工、智能结合,形成集成智能、构成人机和谐集成智能系统的基本理论和方法。④协同智能学:协同智能学研究智能个体如何相互协调、友好协商、分工协作,组成智能群体,组成分布式网络群体协同智能系统的基本理论和方法。

3.2 广义人工智能的科学方法

①多学科协同:广义人工智能是跨学科的综合性边缘学科,必须需要包含信息科学、生物科学、系统科学等多学科协同的科学研究方法。② 多途径结合:广义人工智能是对广义自然智能的模拟、延伸和扩展,需要采取功能模拟、结构模拟、行为模拟等定性研究与定量分析,综合集成的多途径相结合的科学方法。③多学派兼容:广义人工智能的研究应当也需要采取符号主义,联结主义,行为主义等多学派兼容的科学方法。

3.3 广义人工智能的科学意义

研究发展广义智能学具有重要科学意义和应用价值,广义人工智能协同地、综合地研究自然智能、人工智能,开发人机集成智能、群体协同智能的基础理论和方法,如:协同研究自然智能与人工智能;研究开发人机集成智能;研究开发群体协同智能;广义人工智能为研究人工智能和自热智能提供新思路和新方法,并为发展智能科学技术提供新理论。

4 结论

本文全面综述了人工智能的发展过程、研究热点和研究趋势,介绍了广义人工智能的基础理论和方法,认识到广义人工智能将为智能科学技术提供宽广、深厚的理论基础,并将有力促进智能科学技术的迅速发展与广泛应用。

参考文献:

[1] 马少平,朱小燕.人工智能[M].北京:清华大学出版社,2004.

[2] 石纯一,黄吕宁,土家钦.人工智能原理[M].北京:清华大学出版社,1993.

[3] L.A. Zadeh, Fuzzy Sets[J].Information and Control,1965(8).

[4] Bord M A. 人工智能哲学[M].刘西瑞,王汉琦,译.上海:上海译文出版社,2001.

[5] 刘叙华.基于归结方法的自动推理[M].北京:科学出版社,1994.

[6] 顾明.基于模糊ART神经网络的在线人脸识别模型的设计和实现[J].计算机科学,2007(8):92-94.