导读：

人工智能AI是指我们使用人工智能AI手段来创建具有类似于人工智能AI功能的机器。人们普遍认为，人工智能AI的基础是在1956年的达特茅斯会议上奠定的，在此期间的讨论引起了计算机界的关注，宣布了“人工智能AI”新学科的诞生。在达特茅斯会议后，人工智能AI幸免于几次潮热和“萧条”，才进入今天的新时代发展进程，主要是人工智能AI领域的三所学校，人工智能AI领域的重大成就和突破性进展情报。

一、人工智能AI研究的“三大学派”

关于如何实现AI方案，通常存在三种观点：第一种是模拟大脑的神经网络结构，即连接学校。第二是从简单生物与环境的互动适应，即行为学校，探索人工智能AI的解决方案。第三是传统的AI视图，统称为符号学派。

人工智能AI研究的“三大学派”

1、符号学派的人工智能AI

符号学派（也称为功能建模学院）认为，智力活动是基于物理符号系统的。符号主义的人工智能AI研究是按照一种理性的方法进行的，它使用基本的“符号”来研究人类的认知过程并将其视为信息处理的保守过程，因此，符号人工智能AI是符号的逻辑演变和推论。

符号系统的假设导致了三个重要的方法学保证：战斗符号的使用和符号系统在世界描述中的调解人：一种搜索方案，尤其是启发式搜索，用于探索这些符号系统可以支持的可能论证的空间：认知系统结构的分离，即假设符号设计合理，则系统可以提供因果关系的智力完整性，而无需考虑其实现。在此基础上，将符号学框架下的人工智能AI研究转化为经验和结构学科，旨在仅基于智能数学模型进行求解。

符号学派的人工智能AI

用人工智能AI和符号学的图根进行实验的想法是存在一种关系，即人工智能AI的研究并不一定局限于对生物智能的真实行为进行建模。这些努力在“计算机战争”中的计算机游戏（象棋）等领域取得了空前的成功。鉴于符号恢复学说基于复杂问题的简单显性分解原理，因此在处理复杂系统时无能为力，尤其是在关于歧义性的常识方面，是无能为力的答案。这样的问题，在80年代后符号学领域的人工智能AI发展步伐逐渐下降。

2、连接学派的人工智能AI

在20世纪8到90年代，对常识性问题的回答刺激了连接学校的人工智能AI研究的诞生。

基于神经元和神经网络以及学习算法的组合的人工智能AI系统是一个连接（Connectionisn），也被称为连接学派。它的主要特征是模拟人脑的结构，而不是他的思维方式。

人类的智慧来自由100亿个神经元细胞组成的神经网络的大脑，因此，对大脑神经网络的结构进行建模可能是人工智能AI研究的主题，即这是一个神经元网络，可将您的大脑连接到该神经网络，直接使用计算机进行建模，与之前从未研究过的“智能”形成对比，该网络具有这种学习能力。神经网络的最早研究始于1943年。在计算机发明之前，沃伦·麦卡洛克（WarrenMcCulloch）和沃尔特·皮茨（WalterPitts）。

连接学派的人工智能A

想象一下每个神经元的计算模型。弗兰克·罗森布拉特（FrankRosenblatt），1957年基于McCard-Pitz模型，提出了一种感觉装置模型。1974年，杰弗里·欣顿（GeoffreyHinton）提出将各种传感设备组合到一个层次网络中，并为它们配备一个多层次的神经网络，这将解决许多复杂的识别和预测问题。

您可以看到，通过恢复大脑的神经网络的结构来进行具有人类智能的学校交流建模。

尽管这种基于数学物理模型的神经元活动具有很强的生物学特性，但更普遍的是，在创建神经网络模型时，连接学派并未获得有效的分析方法。换句话说，对连接女学生的人工智能AI的研究只是试图在结构上创建神经网络的模型，而神经网络的真正机制并未得到确切的答案。

3、行为学派的人工智能AI

基于自然界中低水平生物智能行为共生的行为科学，将研究重点放在昆虫上的人工昆虫上，试图通过简单的生物探索人类智慧。人工智能AI行为学派认为，简单的动物也具有非凡的智力。

美国麻省理工学院机器人学专家罗德尼·布鲁克斯（RodneyBrooks）是AI行为学院的典型代表。它产生大量的东西，没有复杂的大脑，没有复杂的知识来表达和推理它的昆虫，摆脱了大脑，只有四肢和关节的协调，您才能很好地适应环境。布鲁克斯认为，情报实际上并不是从复杂的结构从上到下流动的，而是源于与环境的自下而上的交互作用，这种交互作用是由于有机体和环境的适应而“弹出”的。

行为学派的人工智能AI

与符号学模仿人工智能AI“软件”相比，将人工智能AI与“硬件”大脑联系起来建模和行为人工智能AI就是对“身体”的简单模仿。在计算机中，您可以使用二进制序列模拟自然界中生物从简单到复杂，从低到高的转变，而适应功能就是达尔文的进化。这称为遗传算法。与神经网络不同，行为智能可以在学习过程中很好地控制机器。

一般而言，参与人工智能AI研究的三个高等教育机构代表着人类智能建模的三个不同研究领域，分别是：分别以“软件”，“硬件”和“身体”来建模和理解智能。尽管这三所高等教育机构之间存在明显的差异，但它们并没有完全分散，根据一个人整体上最聪明的模型之一，它没有研究层次。因此，未来的人工智能AI如果打破了学校之间的障碍，无疑将为监管和观点整合领域的技术发展做出贡献。

二、人工智能AI的主要科研应用

人工智能AI是一门跨学科的科学，包括哲学，它的应用主要是研究机器如何模仿和实现人类的智力行为。经过数十年的发展，人工智能AI研究的成果已广泛应用于工业生活的许多领域。

语言是共享信息的重要方式。自然语言处理主要是关于如何使机器理解人类语言以及人类与自然语言之间的机器交互的研究。自然语言学习是通过听，说，读，写等与诸如语言学，计算机科学，数学，心理学和心理学等学科相关的跨学科学科的用户和用户所熟悉的自然语言与计算机进行通信的技术。声学。

1.智能感知领域：自然语言处理

自然地，语音理解是允许计算机通过阅读文本资料，即创建一个软件环境，在其中可以生成和理解将基于计算机程序的人工智能AI创建的语言。自然语言处理应理解为在计算机程序中完成的映射，其中自然语言和机器语言作为变量输入，而软件作为复杂的功能程序输入。对于自然语言的处理最重要的是对自然语言的感知和处理，在自然语言中输入信息以及形成适当的表达方式。这些转换的机制是自然语言的复杂编码和解码，它涵盖了语言的各个层次，例如语音，语法，语义和语用学，通过创建知识结构和自我表达理论，自然语言将被机器语言深深地改造，之后是语言并思考相同的转换，因此，通过模拟代表人类智能的语言，实现模拟人类的人工智能AI。

智能感知领域：自然语言处理

2、智能推理领域：专家系统

专家系统（ExpertSysten）是从具有计算机智能软件系统经验和知识的知识库和结论中启动的。专家系统模仿复杂的问题，通常由专家通过使用代表人工智能AI中知识和智力的方法来模拟人们解决问题的能力来解决。

智能推理领域：专家系统

从功能的角度来看，专家系统可以定义为“在一个领域或另一个领域具有专家步骤能力的软件系统”，基于此的逻辑推理也是人工智能AI研究中最强大的子领域之一。当前的专家系统可以分为解释性，预测性，诊断性，设计性，教育性，计划性，适应性，监督性和维修性。斯坦福大学的爱德华·费根鲍姆（EdwardFeigenbaum）教授认为，专家系统是一种智能计算机程序，利用知识和结论来解决复杂的问题。所谓的专家系统，只是因为对这些问题的解决以前取决于专家知识的特定结构，现在将它们转移到计算机上，以使用算法模拟专家决策，从而实现用机器系统和人力资源专家替代专家。

3、智能学习领域：机器学习

从心理学的角度来看，学习是一种新的行为模式的形成，学习是人类思想的主要标志和获取知识的主要手段。学习能力无疑是人工智能AI研究中最引人注目的也是最重要的方面之一。没有学习能力的计算机系统，实际上不是智能系统。从这个意义上讲，基于人工智能AI的培训可以理解为一个过程，在该过程中，系统将增强或提高其连续工作的能力，以便将来比以前更有效地执行相同或相似的任务。

智能学习领域：机器学习

机器学习的知识领域是系统地改善自身特征的过程；由于自动学习，获得知识，机器可以不断提高自己。近年来，人工智能AI技术在机械研究中取得了长足的进步，其应用可分为机械训练，教与学，类比研究，归纳和观察发现。当前，国外的人工智能AI的发展集中在模拟人脑学习的机器的开发上，以打开研究人脑的机制以及大脑皮层的结构特征。因此，在机器学习领域的智力学习中，人工智能AI是理论研究的密切关注的课题，其方法和工具也是最先进的，但与理想状态相比还存在很多距离。

4、智能行动领域：智能机器人

智力行为-这是对机器人技术，智能控制，智能搜索，智能规划和控制，分布式人工智能AI和代理，数据挖掘，知识发现，人工生命，机器感知等的研究，典型的应用是智能机器人。

机器人是可以重新编程的多功能设备。从广义上讲，模拟人的视力，听力并控制人的步行，视力和听力的机器人很难研究。到目前为止，机器人的发展主要分为三代：第一代机器人可分为两类：没有工作程序的工人。具有工作程序的机器人可以执行工作任务，而无需考虑人员。没有工作程序的机器人没有外界意识，绝对需要在人为控制下进行工作。

智能行动领域：智能机器人

第二代机器人具有归纳能力，可以从外部来源（如触觉）接收简单信息。在第二代机器人中，如果它们依靠关键信息中的适当提示，则机器人可以对运动做出简单的结论和反馈。从某种意义上说，第三代人才是真正的智能机器人。第三代机器人通过与机器对话来实现识别，逻辑推理和环境判断等功能，这些功能可以根据实际情况独立工作，还可以听取命令并执行既定计划。当前，第三代机器人正在开发中，其中一些还用于官方目的，主要用于国防，工业，海洋发展，贸易，卫生，农业，航空运输，教育，旅游等领域。

三、人工智能AI的发展趋势及动因

专有算法将借助大数据和互联网技术促进人工智能AI的未来朝着“深度学习”的方向发展！

1、人工智能AI的发展方向

从哲学的角度来看，为了思考人工智能AI的未来发展，人们可以将人工智能AI的每一个高潮都视为技术思想哲学的过时哲学，重新包装它，而这种技术义务哲学如果不能实现，则会导致衰落。这种技术进步的基础哲学是人类超越自身的另一种技术出口，即未来人工智能AI的发展将是高度智能，因此“深度学习”机器将能够独立思考和分析，成为人工智能AI发展的重要方向。

未来，人工智能AI将成为三个主要特征：首先，人工智能AI的未来发展将是一个指数爆炸，可以在短时间内吸收人类长期知识以提高自身水平；其次，人工智能AI将在“深度学习”时代全面引入。，使用大型人工智能AI数据将特征映射到深入的开发模型中，并挖掘基础知识。最后，人工智能AI使用衍生产品来实现更明智的人机交互。未来人工智能AI的发展将大大减少对自身技术的限制，因此，随着其学习能力和相对于衍生产品的相对独立性的提高，人工智能AI的自我发展将获得更多优势。

人工智能AI的发展方向

人工智能AI技术的飞速发展在某种程度上是一个福音，但我们也应注意人工智能AI为人类带来的问题，例如传统职业的消失，思维方式的改变，机器人的道德观等，但我们始终对技术持乐观态度。。人工智能AI技术的发展仍然是为社会服务的，以人为本的人工智能AI技术的研究可能成为该技术发展的障碍，但更是对其发展的一种激励。应该注意的是，人工智能AI技术的未来发展并不是要创建真正具有像人一样思维能力的机器。即使人工智能AI没有生命，但不能阻止机器像人类一样变得智能，这仅意味着它们没有自己的意识。只要计算机能够充分有效地工作，弱小的人工智能AI就足以改变我们的生活并看到深远的强大的人工智能AI阴影。

可以说，无论是理论上的“高级训练”，还是语音识别，图像识别和自然语言处理的特定应用，人工智能AI未来发展的主要动力是互联网技术和大数据处理技术的进一步应用和发展。一方面，人工智能AI技术的大数据为学习提供了大量的材料；另一方面，在吸收了大量有关数据的信息之后，人工智能AI的学习能力变得更强。就像生物进化一样，“只有到今天，才有足够的营养（大数据）并且进化非常强大的消化系统（GPU，云计算），对怪物的深入研究终于为恢复提供了机会。”

2、人工智能AI发展的原因

在21世纪，互联网的普及和大数据的出现再次导致人工智能AI的出现达到了一个新的高峰，这也成为未来人工智能AI发展的两个主要动力。

人工智能AI技术快速发展的主要因素是数据及其处理数据的能力。人工智能AI是计算机科学的一个分支，从本质上讲，人工智能AI是解决问题的操作能力，因此数据和操作能力应成为其发展的重要引擎。目前，这种能量极大地提高了计算机技术中的数据处理速度，这是推动人工智能AI技术发展的重要动力。另一方面，大数据处理技术的出现也为“深度学习”方向的人工智能AI发展提供了重要的信息基础。“阿尔法元素”之所以赢得了反人类游戏的胜利，恰恰是因为它取材于人类历史上的数据样本，并且还因为经过深入的培训，它在做出艰难的决定方面向前迈进了一步。因此，在原型受到限制的情况下，恰恰发生了大数据处理技术和操作能力的现代化，从而克服了人类的机器智慧。

人工智能AI发展的原因：软硬件和互联网的快速发展

互联网未来是推动人工智能AI未来发展的另一大动力。一方面，互联网是用于传输海量数据的重要空间，另一方面，它开始将人与人之间的通信转换为人与物之间的通信，而物与物之间的通信网络的发展使计算机变得更加复杂。硬件开发计划和算法优化。可以说，物理网络技术的发展刺激了人工智能AI的研究，结合人工智能AI和云计算方法，计算机算法离人们越来越近，学习和判断的自主权正在扩大。人工智能AI的创造和发展是指计算机可以在诸如计算，分析，决策等方面帮助人们，促进脑力劳动。

总结：

当前，用于处理数据样本的设备的人工智能AI已经远远超过人脑的能力，这使得人类在过去复杂的脑力劳动中无法轻易地转移人工智能AI来执行。未来，人工智能AI技术突破了人体的规律和进化速度，通过对智能机器的深入研究可以不断提高自身，变得更加智能和强大。