人工智能的分支(人工智能的四大分支)

 

人工智能有哪些分支呢？

这里有份清单，但肯定不完整，因为还没有人确定到底有哪些分支。清单中有些条目可以看作是概念和主题，而不是完整的分支。

逻辑人工智能（logical AI）

程序所认知的世界，一般来说是其作用于特定状态的事实，和程序的目标都是用某种数理逻辑语言的语句来表示。程序先推断确定适合达到目标的操作再决定去做什么。该想法在文章[McC59]中首次提出。文献[McC89]是一个近期的总结，[McC96b]列出了一些逻辑人工智能所涉及的概念，而[Sha97 ]是一本重要的教材。

搜索（search）

人工智能程序经常需要检验大量的可能性，譬如，国际象棋棋子可能的移动或定理证明程序中可能的推理。在不同领域，人们都不断有如何进行更有效检验的发现。

模式识别（pattern recognition）

当进行某种观测时，程序经常被设计得将其所观测到的与某个模式相比较。比如，视觉程序可以尝试匹配场景中眼睛和鼻子的模式来找到面部。已被研究的更复杂的模式还包括出现在自然语言文本、国际象棋的棋盘状态或某些历史事件中的种种模式。与已经广泛研究的简单模式相比，这些复杂模式的研究更需要颇为不同的方法。

表示（representation）

有关现实世界的事实必须以某种方式表示。数理逻辑语言通常被用于此类表示。

推断（inference）

从某些事实可以推断出另外一些事实。数理逻辑的演绎推理在某些情形是合适的，但自1970年以来，非单调推理的新方法也逐步发展起来。最简单的一类非单调推理是默认推理，其中结论是要通过默认推出，而结论可以撤回如果存在相反证据。譬如，当我们听到鸟叫时，我们可以推断它会飞。这一结论在我们听出它是一只企鹅后可以被推翻。有可能，推理的结论也必须撤回，这就形成了推理的非单调特征。通常的逻辑推理，在能从一组假设得出的结论组是这些假设的单调递增函数这个意义下，都是单调的。限定推理是非单调推理的另一种形式。

常识知识与推理（common sense knowledge and reasoning）

尽管常识知识与推理自20世纪50年代以来一直是一个活跃的研究领域，但它仍是人工智能与人类智能水平相差最远的领域。尽管在非单调推理系统研发和行为理论研究等方面已有相当多的进展，但更多新思想仍然是迫切需要的。Cyc系统收集了为数众多但良莠不齐的常识事实。

互联网小常识：网络服务器的类型可以分为：文件服务器、数据库服务器、Internet通用服务器与应用服务器。应用服务器是基于B/S工作模式的。

经验学习（learning from experience）

程序自己学习。基于连接主义和神经网络的人工智能方法擅长于此。也有由逻辑表达的规律学习。[Mit97]是一本关于机器学习的综合性本科教材。程序只能学习其形式体系能表示的事实或行为，但不幸的是，学习系统几乎都是基于表示信息能力非常有限的形式体系。

规划（planing）

从有关现实世界的一般事实（特别是有关行为效果的事实）、有关特定场景的事实以及目标陈述开始，规划程序生成一个达到目标的策略。在最常见的情形，策略就是一系列的动作。

认识论（epistemology）

认识论研究解决现实问题所需的那种知识。

本体论（ontology）

本体论研究存在的那种事物。在人工智能中，程序和语句处理各种对象，而我们研究的是，这种对象是什么，它们的基本特性是什么。本体论在20世纪90年代开始受到重视。

启发式策略（heuristics）

启发式策略是一种尝试发现事物的方式或者嵌入到程序中的想法。该术语在人工智能领域被广泛使用。在某些搜索方法中，启发式函数被用于度量搜索树中的节点与搜索目标大致相差有多远。用于比较搜索树两个节点以确定一个是否比另外一个更好（也即确定前者是否朝着目标更进一步）的启发式谓词或许更有用。 [我的观点]

互联网小常识：电子邮件系统使用的协议主要有：简单邮件传送协议（SMTP,端口25）；邮局协议第三版（POP3，端口110）；Internet消息访问协议版本4(IMAP4，端口143)，可以用telnet IP port的方法测试服务是否正常。

遗传程序设计（genetic programming）

遗传程序设计是一种让程序通过配对随机Lisp程序和选取数百万后代中的最优者来完成任务的技术。该技术由约翰·科扎（John Koza）的研究小组开发，这里有一个教程。

互联网小常识：STP的配置任务包括：打开或关闭交换机的STP，设置STP的根网桥和备份网桥，配置生成树优先级、配置路径代价和配置STP可选功能等。

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186