人工智能7大应用领域-人工智能的第一个大成就是发展了能够求解难题的下棋

在大多数学科中存在着几个不同的研究领域，每个领域都有其特有的感兴趣的研究课题、研究技术和术语。在人工智能中，这样的领域包括自然语言处理、自动定理证明、自动程序设计、智能检索智能调度、机器学习、机器人学、专家系统、智能控制、模式识别、视觉系统、神经网络、agent、计算智能、问题求解、人工生命、人工智能方法和程序设计语言等。在过去50多年中，已经建立了一些具有人工智能的计算机系统，例如，能够求解微分方程的，下棋的，设计分析集成电路的，合成人类自然语言的，检索情报的，诊断疾病以及控制太空飞行器、地面移动机器人和水下机器人的具有不同程度人工智能的计算机系统。

值得指出的是，正如不同的人工智能子领域不是完全独立的一样，这里简介的各种智能特性也不是互不相关的。把它们分开来介绍只是为了便于指出现有的人工智能程序能够做些什么和还不能做什么。大多数人工智能研究课题都涉及许多智能领域。

1. 问题求解与博弈

人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序(已在本章1.2.3节有详细介绍)。在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题消解(归约)这样的人工智能基本技术。

通用人工智能是人工智能领域的一项重大挑战，其目标是让机器能够像人一样完成各种各样的任务。具体到游戏领域通用对弈游戏(general game playing，GGP)致力于开发一种能够以人类水准玩任意已知或未知游戏的人工智能系统。IBM的超级计算机“深蓝”战胜国际象棋冠军卡斯帕罗夫标志着人工智能到达了一个新的高度。然而，“深蓝”的智能至少在两个方面还存在局限性：其一是只能玩国际象棋这一种游戏不具有通用性；其二是依赖于大量的人类游戏经验，不具有完全自主学习的能力。GGP研究的目标就是突破这些局限，它设置的环境要求机器必须在没有人类游戏经验的指导下玩各种各样的游戏。因此，GGP研究的进展反映了机器游戏智能在通用性和自主学习方面的发展，GGP比赛则成为一种评价机器游戏智能的标准。

今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋、中国象棋和国际象棋，并取得前面提到的计算机棋手战胜国际和国家象棋冠军的成果。另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平人工智能7大应用领域，并正在为许多科学家和工程师所应用。有些程序甚至还能够用经验来改善其性能。

如前所述，这个问题中未解决的问题包括人类棋手具有的但尚不能明确表达的能力，如国际象棋大师们洞察棋局的能力。另一个未解决的问题涉及问题的原概念，在人工智能中叫做问题表示的选择。人们常常能够找到某种思考问题的方法从而使求解变易而解决该问题。到目前为止，人工智能程序已经知道如何考虑它们要解决的问题，即搜索解答空间，寻找较优的解答。

2. 逻辑推理与定理证明

早期的逻辑演绎研究工作与问题和难题的求解相当密切。已经开发出的程序能够借助于对事实数据库的操作来“证明”断定；其中每个事实由分立的数据结构表示，就像数理逻辑中由分立公式表示一样。与人工智能的其他技术的不同之处是，这些方法能够完整和一致地加以表示。也就是说，只要本原事实是正确的，那么程序就能够证明这些从事实得出的定理，而且也仅仅是证明这些定理。

逻辑推理是人工智能研究中最持久的子领域之一。特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。

对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。但是至少在当前，人工智能在数学推理中的表现显得并不尽如人意。这种推理对人工系统具有很大的挑战性，因为它不仅仅涉及处理数字，还需要一套认知能力，包括学习基本公理以及以正确的顺序进行推理、计划和做事的能力。

3. 计算智能

计算智能(computational intelligence)涉及神经计算、模糊计算、进化计算、粒群计算、自然计算、免疫计算和人工生命等研究领域。

进化计算(evolutionary computation)是指一类以达尔文进化论为依据来设计、控制和优化人工系统的技术和方法的总称，它包括遗传算法(genetic algorithm)、进化策略(evolutionary strategy)和进化规划(evolutionary programming)。自然选择的原则是适者生存，即物竞天择，优胜劣汰。

自然进化的这些特征早在20世纪60年代就引起了美国的霍兰(Holland)的极大兴趣。受达尔文进化论思想的影响，他逐渐认识到在机器学习中，为获得一个好的学习算法，仅靠单个策略的建立和改进是不够的，还要依赖于一个包含许多候选策略的群体的繁殖。他还认识到，生物的自然遗传现象与人工自适应系统行为的相似性，因此他提出在研究和设计人工自主系统时可以模仿生物自然遗传的基本方法。70年代初，霍兰提出了“模式理论”，并于1975年出版了《自然系统与人工系统的自适应》专著，系统地阐述了遗传算法的基本原理，奠定了遗传算法研究的理论基础。

遗传算法、进化规划、进化策略具有共同的理论基础，即生物进化论，因此，把这三种方法统称为进化计算，而把相应的算法称为进化算法。

人工生命是1987年提出的，旨在用计算机和精密机械等人工媒介生成或构造岀能够表现自然生命系统行为特征的仿真系统或模型系统。自然生命系统行为具有自组织、自复制、自修复等特征以及形成这些特征的混沌动力学、进化和环境适应。

人工生命的理论和方法有别于传统人工智能和神经网络的理论和方法。人工生命把生命现象所体现的自适应机理通过计算机进行仿真，对相关非线性对象进行更真实的动态描述和动态特征研究人工生命学科的研究内容包括生命现象的仿生系统、人工建模与仿真、进化动力学、人工生命的计算理论、进化与学习综合系统以及人工生命的应用等。

4. 分布式人工智能与Agent

分布式人工智能(Distributed AI，DAI)是分布式计算与人工智能结合的结果。DAI系统以鲁棒性作为控制系统质量的标准，并具有互操作性，即不同的异构系统在快速变化的环境中具有交换信息和协同工作的能力。

分布式人工智能的研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型。DAI中的智能并非独立存在的概念，只能在团体协作中实现，因而其主要研究问题是各agent间的合作与对话，包括分布式问题求解和多agent系统(Multi-Agent System，MAS)两领域MAS更能体现人类的社会智能人工智能7大应用领域，具有更大的灵活性和适应性，更适合开放和动态的世界环境，因而倍受重视，已成为人工智能乃至计算机科学和控制科学与工程的研究热点。MAS解决实际问题的方式可以理解为一种基于agent的协作问题，而分布式约束则可以描述领域对象的性质、相互关系、任务要求、目标，因此可以作为一种有效的方法表示这种agent间的协作关系。

(人工智能知识系列由樊重俊教授人工智能团队编写，转发本文请标明作者与出处。欢迎关注，带你一起长知识！)