前言：中文期刊网精心挑选了纺织人工智能范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
纺织人工智能范文1
关键词:结构模拟;功能模拟;行为模拟;机制主义方法;人工智能统一理论
1人工智能成为信息科学技术的焦点
信息是事物存在方式和运动状态的表象;知识是由信息提炼出来的产物,是事物存在方式和运动规律的本质表征;智能是知识和目的演绎的结果,是运用知识来认识问题和解决问题的能力。信息科学技术的研究目标不仅是为了认识和利用信息本身,更重要的是为了“利用信息、提炼知识、生成智能、解决问题”。后者,就是“人工智能”的研究。
人,是地球上所存在的最高级信息系统。人体信息系统的进化表现了一个重要的科学规律:在感觉器官、神经系统、古皮层旧皮层、行动器官成熟之后,新皮层就成为整体发展的焦点。信息技术的发展也遵循同样的规律:在传感(感觉器官功能的扩展)、通信(传导神经系统功能的扩展)、计算(古皮层旧皮层功能的扩展)、控制(行动器官功能的扩展)充分发展起来之后,人工智能(新皮层功能的扩展)就成为信息技术整体发展的焦点。
进入21世纪,传感、通信、计算、控制以及基于通信和计算的互联网都获得了长足的发展,智能传感、智能通信、智能计算、智能控制、智能信息处理、智能机器人、智能信息安全、智能游戏等已经成为备受关注的方向,因而它们的共同基础――人工智能本身的发展客观上就成为了当代信息技术发展的焦点。
2人工智能研究现状简述
迄今,人工智能的研究形成了3种主流学说。
1) 1943年以来形成的模拟人脑结构的“结构模拟学说”[1-5],它的典型代表是人工神经网络(后来与模糊逻辑及进化计算相结合,称为计算智能)。它的特点是:通过对“信息样本的训练”获得经验知识和策略,用以解决形象思维一类智能问题。
2) 1956年以来兴起的模拟人脑逻辑思维功能的“功能模拟学说”[6-10],典型代表是符号逻辑系统(如专家系统)。它的特点是:通过获取领域相关的规范知识和运用逻辑演绎的方法获得求解问题的策略,求解逻辑思维一类智能问题。
3) 1990年前后发展起来的模拟智能系统行为的“行为模拟学说”[11],它的典型代表是黑箱系统(如感知―动作系统)。它的特点是:需要建立刺激与响应之间的关系(表现为常识知识),于是只要识别了刺激的类型,与之相关的响应就可以自动产生。
目前的人工智能研究还存在许多问题。主要问题之一是,在“三种学说”各自取得进展的同时,却很少互相沟通。不仅如此,互相之间还存有“孰优孰劣”的争论,有时争论还非常尖锐和激烈[12],表现出三者之间的不和谐,形成“鼎足三分”的格局。
这种“鼎足三分互不沟通”的状况,不能不使人们深思,并且逐渐醒悟:看来,现有人工智能的各种研究方法还没有真正抓住智能问题的本质,致使“三分”状态未能实现“归一”;为此,当务之急就是要加紧研究和发现更加深刻更加科学的研究方法。
3人工智能理论研究的新进展
3.1新进展之一:人工智能的第4方法――机制主义方法
智能是一种复杂的研究对象。智能系统的结构、功能、行为虽然都是窥探其中奥秘的重要观察窗口,却不是最根本的入口。
本文的研究发现:探索智能奥秘最具本质意义的途径,应当是探寻和阐明“智能生成的机制”,回答“智能是怎样生成的”这样根本的问题,特别要把注意力放在“智能生成的共性核心机制”的问题上。这就是人工智能研究的第4种方法的基本理念。
按照这个新的理念,我们分析了典型的智能活动过程,考察了隐藏其中的普遍规律。
典型的智能活动过程。
无论何种场合,典型的智能活动过程一般都应当包含以下6个基本步骤:
1) 给定问题P、目标G和环境E,称为“任务给定”。
2) 获得关于问题、目标、环境的信息,称为“信息获取”,符号表示为:I(P, G, E)。
3) 把这些信息加工成为相应的知识,称为“知识提炼”,符号表示为: = f (I)。
4) 在目标的引导下把知识和信息演绎成为解决问题的策略,称为“策略生成”,符号表示为: = g (K, I, D)。
5) 把策略转换为行为,求解问题,称为“策略执行”。
6) 把求解的效果(误差)作为新的信息反馈至2),通过2)至5)的步骤调整和优化策略,称为“反馈优化”;逐次逼近,直至满意。
智能活动过程的普遍规律。
考察上述典型的智能活动过程不难发现:通常,1)是由人给定的,2)至6)则可以由机器执行;而机器执行的这些步骤之中,2)至4)――信息获取、知识提炼、策略生成是核心步骤。考虑到“策略”是智能的集中体现,所以,策略生成也可以成为智能生成。于是,这些核心步骤也可以表示为:信息获取、知识提炼、智能生成。信息获取、知识提炼、智能生成是逐层递进的过程,由此可以得出结论:智能生成的共性核心机制是“信息―知识―智能转换”。符号表示为:
= g (, I, G)(1)
其中,
= f (I (P, G, E)) (2)
公式(2)表示的是由信息到知识的转换;公式(1)表示的是在目标制导下由信息和知识到智能的转换;两者的综合表示了“信息―知识―智能”的转换。关于公式中的转换g和f,原则上可以认为:f 是一类由大量信息样本提炼共性知识的“归纳算法”,而g则是在目标制导下由相关知识和信息演绎智能策略的“演绎算法”。因此,它们在原则上是可以操作和可以实现的。不过,关于g和f还需要做出如下的说明:
1) 在规范的场合,转换g和f可能由“数学”表达式来严格地表示并进行运算。
2) 在更多的场合,由于智能问题的复杂性,这些转换不一定能够用现有的数学表达式来表示。这时,可能要借助“逻辑”来表达和推理。
3) 在许多更为复杂的情形,现有的逻辑学也无能为力。这时,可以用“算法程序”来表示和处理。
4) 在那些极为复杂的情形,甚至还要借助“人工”的方法来处置。
本文确信,在各种智能问题求解需求的强烈推动之下,各种新的数学方法、逻辑方法和算法程序必将陆续应运而生。正像经典微积分方法处理不了随机现象的时候就诞生了概率论等统计数学方法,经典微积分和统计数学方法处理不了模糊现象的时候就催生了模糊数学方法一样。
于是,以公式(1)和(2)表示的“信息―知识―智能转换”就是“智能生成的共性核心机制”。只要给定了具体的问题、环境约束和目标,原则上就可以通过(1)和(2)的转换来获取信息、提炼知识、生成智能(策略),使问题得到满意的解决。
3.2新进展之二:知识的生态学结构
如上所见,智能生成的共性核心机制涉及到信息、知识、智能3个层次的理论。在这三者之中,信息是现象,知识是本质,智能是能力。信息来自现实世界,能力作用于现实世界,知识则是信息与智能之间的桥梁与中介。因此,知识在“智能生成的共性核心机制”中扮演着极其重要的作用。
本文研究发现:知识并非孤立静止的对象,相反,它是一个不断动态生长着的复杂运动过程。在先天知识的支持下,在各种信息的激励下,不断生长出“欠成熟”的经验知识,其中一些经验知识会成长为“成熟”的规范知识,并进一步成长为“过成熟”的常识知识;后者的一部分又可能沉淀成为下一代的先天知识。如此不断生长,不断进化,成为一个“有始无终”的开放的生态过程。这就是“知识的生态学”,它的结构也可以由图1表示。
图1知识的生态学系统
如果把这个知识生态学系统看作是知识内部生长过程的规律,称为“知识的内生态系统”,那么,前面所讨论的“信息―知识―智能转换”则可以看作是知识的“外部”生长过程的规律,称为“知识的外生态系统”。
3.3新进展之三:人工智能的统一理论
表面上看,这里所揭示的“知识内生态系统”并没有什么新奇而不可理解或不可接受的概念。然而,正是这个“知识内生态系统”与“知识外生态系统(即智能生成的共性核心机制)”结合在一起,却产生了一个非常有意义的重要结果,这就是:依所用知识类型的不同,机制主义方法有A、B、C型之分;而神经网络(结构模拟)、专家系统(功能模拟)、感知―动作系统(行为模拟)分别是A、B、C型的机制主义方法特例,如表1所示。
表1说明:机制主义方法的实现是“信息―知识―智能转换”;当其中的知识属于经验知识的时候,机制模拟可以退化为“结构模拟”;当其中的知识属于规范知识的时候,机制模拟可以退化为“功能模拟”;当其中的知识属于常识知识的时候,机制模拟可以退化为“行为模拟”。换言之,结构模拟、功能模拟、行为模拟都是机制模拟分别在经验知识、规范知识、常识知识条件下的特例,而根据知识的内生态结构,经验知识可以成长为规范知识并进而可能成长为常识知识。因此,结构模拟、功能模拟、行为模拟之间构成了一种各司其职、相互支持和相辅相成的生态关系,而不存在先前那种“孰优孰劣”的矛盾。
这样,如果令表示机制模拟方法,和分别表示“信息―知识―智能转换”的知识和智能策略,令(S)、(F)和(B)分别表示结构模拟方法、功能模拟方法和行为模拟方法,令(E)、(R)和(C)分别表示经验知识、规范知识和常识知识,(E)、(R)和(C)表示经验性智能策略、规范性智能策略和常识性智能策略,那么,就分别有:
(S),若 = (E)(3)
和
(F),若 = (R) (4)
以及
(B),若 = (C) (5)
且有
(S) (F) (B) (6)
上述公式的含义和表1的含义完全等效,两者都说明:人工智能的结构模拟方法、功能模拟方法和行为模拟方法在机制模拟方法的框架内实现了和谐的统一。
4进展的学术意义
当今社会已经进入信息时代,信息化(利用信息技术促进经济与社会发展)正如火如荼地展开。但是,理论预测和实践经验都表明,信息化发展到一定程度就必须向智能化的水平提升,否则就会进入“休眠期”。因此,“智能化”正越来越强烈地成为社会各行各业共同的呼声。这便是今天发展人工智能科学技术的意义。
由于国际上迄今所建立的结构模拟、功能模拟、行为模拟3种方法各自都具有明显的局限性,在相当程度上制约了人工智能的发展。本文提出的“机制模拟方法”(即人工智能研究的第4方法)比已有的3种方法更加深刻地触及了智能生成的本质机制――“信息―知识―智能转换”,为人工智能的研究提供了更为科学的研究方法。只有方法更科学,才能使研究取得更好的进步。这是三大进展的学术意义之一。
知识生态结构理论的发现,不仅使人们理解了“知识”的生态规律,而且使人们认识到原来“鼎足三分,势不两立”的人工智能三种研究方法之间并非水火不容。恰恰相反,它们之间正是处在“知识生态结构”的不同部位,是可以通过一定的措施实现互相转化的,从而可以结束以前互不认可的局面。这是本文三大进展的学术意义之二。
基于前面两大进展,本文证明了:结构模拟方法、功能模拟方法、行为模拟方法都可以在机制模拟方法的框架内实现和谐的统一。这样,原先看似独立的“人工神经网络学说”(也称为计算智能,结构主义或者并行联接主义)、“(狭义的)人工智能学说”(也称为专家系统,功能主义或者符号逻辑主义)和“感知动作系统学说”(也称为黑箱系统,行为主义)就在“机制主义方法”的基础上形成了人工智能的统一理论。或者说,人工智能的结构主义方法、功能主义方法、行为主义方法都成为了机制主义方法的3个相辅相成的特例。3个原来不和谐的“分力”形成和谐一致的“合力”,这是本文提出的三大进展的学术
意义之三。
总之,本文获得的三大进展――新的研究方法、新的知识理论、统一的人工智能理论将使人工智能学科的理论更为深刻、更为成熟、更为完善。因此,一方面对学科的发展具有重要意义,同时对人工智能学科的教学也具有重要意义。
5结论
本文注意到人工智能研究领域三大主流学说之间存在“互不认可”的矛盾,认识到其中的本质问题是研究方法不完善,于是笔者通过深入研究提出和建立了“机制主义方法”,进而又发现和总结了“知识内生态结构”与“知识外生态结构”。综合以上提出的方法和两项发现,建立了人工智能的统一理论,使整个人工智能的研究由原来“鼎足三分”的状态转变为“三分归一”。这一研究成果,对于人工智能理论研究的进一步发展具有重要的意义。
参考文献:
[1]W. C. McCulloch and W. Pitts. A Logic Calculus of the Ideas Immanent in Nervous Activity[J]. Bulletin of Mathematical Biophysics,1943(5):115-133.
[2]Rosenblatt, F. The Perceptrom: A Probabilistic Model for Information Storage and Organization in the Brain[J]. Psych.Rev.,1958(65):386-408.
[3]Hopfield, J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities[J]. Proc. Natl.Acad,1982(79):2554-2558.
[4]Grossberg, S. Studies of Mind and Brain: Neural Principles of Learning Perception, Development, Cognition, and Motor Control[M]. Boston:Reidel Press,1982.
[5]Rumelhart, D.E.Brain Style Computation: Leaning and Generalization[M]//Introduction to Neural and Electronic Networks[M]. New York:Academic Press,1990.
[6]Newell,A. and Simon,H.A.A Program That Simulates Human Thought[M]//Computers and Thought. New York:McGraw-Hill, 1963:279-293.
[7]Feigenbaum,E.A.,J.Feldman. Computers and Thought[M]. New York:McGraw-Hill,1963.
[8]Simon,H.A. The Sciences of Artificial[M]. Cambridge:The MIT Press,1969.
[9]Newell,A.,H.A. Simon. Human Problem Solving[M]. Englewood Cliffs:Prentice-Hall,1972.
[10]Minsky,M.L. The Society of Mind [M]. New York:Simon and Schuster,1986.
[11]Brooks,R.A. Intelligence without Representation[J]. Artificial Intelligence,1991(47):139-159.
[12]钟义信. 机器知行学原理:信息-知识-智能转换理论[M]. 北京:科学出版社,2007.
Mechanism Approach and Unified AI Theory
ZHONG Yi-xin
(Department of Intelligence Science, Beijing University of Posts and Telecommunications, Beijing 100876, China)
纺织人工智能范文2
关键词:人工智能;专家系统;ARM;单片机
人工智能(AI)[1]是计算机科学的重要分支,是计算机科学与技术专业的核心课程之一。本课程在介绍人工智能的基本概念、基本方法的基础上,主要是研究如何用计算机来模拟人类智能,即如何用计算机实现诸如问题求解、规划推理、模式识别、知识工程、自然语言处理、机器学习等只有人类才具备的“智能”,本课程重点阐明这些方法的一般性原理和基本思想,使得计算机更好得为人类服务。
1人工智能课程体系
人工智能主要研究传统人工智能的知识表示方法,包括状态空间法、问题归约法谓词逻辑法、语义网络法、框架表示、剧本表示等;搜索推理技术主要包括盲目搜索、启发式搜索、消解原理、规则演绎算法和产生式系统等。
人工智能的研究论题包括计算机视觉、规划与行动、多Agent系统、语音识别、自动语言理解、专家系统和机器学习等。这些研究论题的基础是通用和专用的知识表示和推理机制、问题求解和搜索算法,以及计算智能技术等。
人工智能课程在我校计算机科学与工程学院是作为大三年级的一门专业选修课开设,总共学时数为:60(其中理论学时为36,实验学时为24),随着计算机技术的不断更新发展,人工智能的应用领域变得越来越广,因此人工智能(AI)这个学科已不再陌生,很多学生对其充满兴趣,所以在选课人数上远远超过其他选修课的人数,另外结合我校的实际情况,部分理论或实验设计项目可以与其他相关专业结合起来而应用。
2人工智能教学实践
50多年以来,人工智能获得很大的发展,已经引起众多学科和不同专业背景学者们的日益重视,成为一门广泛的交叉和前沿科学,但是到目前为止人工智能至今仍尚无统一的定义,要给人工智能下一个准确、科学和严谨的定义也是困难的。
由于人工智能[2]是一门交叉性的学科,涉及到了控制论、语言学、信息论、神经生理学、心理学、数学、哲学等许多学科。所以该学科具有知识点多、涉及面广、内容抽象、不易理解、理论性强、需要较好的数学基础和较强的逻辑思维能力等特点,导致了在教学过程中老师讲得吃力、学生听得吃力。尽管在多年的教学过程中积累了一些经验,但是对于如何把握这门课程的特点,提高学生的学习兴趣,帮助学生更好的理解这门课程,目前仍然有很多问题需要研究解决。
目前在整个教学过程中存在的主要问题[3]是:
1) 教学内容陈旧,部分参考书相关内容或案例都过于陈旧。在整个教学过程中,多数教学案例涉及到人工智能理论的高级应用――机器人,目前在国际及国内机器人的水平已经达到相当高的水平,但是部分教科书中仍沿用关节型机器人为例,教学内容稍显陈旧。
2) 教材难易程度不均匀,部分章节学生难以理解。由于人工智能课程的部分章节,本身就可以独立成一门课程,但由于是面向本科生的内容,因此很多内容压缩于一章来讲解,同时由于课时所限,完全不能将相关的内容讲透讲通;例如:神经计算中的神经网络,与模糊逻辑控制的相关理论与应用。
3) 教学手段单一,教学过程中缺乏师生之间的沟通与交流。经过自己的实践教学及对兄弟院校的人工智能的教学内容与教学手段的调研,同时也在学生之间进行沟通交流,发现多数同学反映,理论与应用虽然前沿,但是在学习过程中,教师教学手段单一,内容枯燥乏味,一般的教学模式,多采用“老师讲,学生听”的方法,整个教学效果并不理想。
4) 考核方法不科学,不能体现学生实际的学习情况。目前对于课程学习的考核采用闭卷考试的方式,很多考点有的同学根本不理解,完全死记硬背,考后又将内容丢弃,从学习的效果来讲,收获甚微且完全没有达到真正学习及应用的能力。
3教学方法改进
3.1注重激发学生的学习兴趣
科学家爱因斯坦曾说过:“兴趣是最好的老师。”如何在教学工作中激发和培养学生的学习兴趣,提高他们学习的主动性和积极性是当前教学改革中迫切需要解决的重要问题。
在实际的课堂教学中发现,刚开始听课由于有兴趣学生整体学习的积极性很高,但是一段时间过后发现部分学生由于教学内容抽象,难点比较多,不便于理解,兴趣日渐变少,针对此种情况,可以采用任务驱动式教学或案例教学。
例如:在讲专家系统章节时,在授课之前先通过互联网,采取案例教学法,给学生们实时在线演示一个医疗专家诊断系统,演示其中的功能,同时与学生互动,以问答式与学生互动,了解目前专家系统的具体应用、可以解决的问题、给人民生活带来的益处等。通过这种教学的形式,一方面可以激发学生的学习兴趣;另一方面也使同学们体会到人工智能与我们生活的贴近程度。第二步,采用任务驱动法,具体来说,它是指教学全过程中,以医疗专家诊断系统若干个具体任务为中心,通过完成任务的过程,介绍和学习基本知识和具体设计方法。
3.2注重教材选择
这一任务的执行者主要是由教研室主任或任课老师来完成。目前在各高校中所使用的人工智能相关教材的种类繁多,章节和内容的设置上也存在差别。笔者在订阅教材或参加教材展销的活动中,都比较重视人工智能教材的情况,通过比较发现,有的教材内容及难度太低,完全不符合高等本科院校的要求,而部分出版社的教材则是内容及章节安排内容太多太泛,有些知识点讲的又过于深奥,限于学时所限也不适合选用。在选教材方面,除了关注内容方面外,还要注重书上所讲的一些实例,注重这些例子的典型性、时效性及新颖性,例如,部分教材在自动规划这一章,选用机械手作为例子来说明积木世界的机器人规划问题,还有一些选择关节机器人,前些年这样的机器人技术确实是个难点,但是依据现在成熟的机器人技术,无论是国际还是国内都已不再是技术难点,再拿这个例子去配合理论去讲解,无论内容还是形式都稍显陈旧,目前机器人技术发展水平基本上达到尽可能高仿真状态。
3.3运用现代化的多媒体教学手段
针对人工智能课程相关内容比较抽象,公式推导比较繁琐,除了具有完善的教学大纲、合理的教学计划以及好的教材外,还应该根据学校的实际硬件条件尽可能地选择多媒体教学手段来辅助教学。因此在实践教学中,配合教学内容,充分利用计算机、投影仪以及互联网的优势,结合多种教学方法与手段组织整个教学过程。例如:在讲述搜索推理技术时,使用一些小的演示软件,将相关推理技术的理论通过动画的形式一步一步演示出来;在讲专家系统相关理论知识时,尤其是各种类型的专家系统,采用互联网上的一些在线视频资源为例,给同学进行详细讲解,同时结合农业院校的特点,在线资源有如农业专家系统或动物专家诊断系统等,这样学生可以加强对理论知识的理解,同时也体会到理论不再是抽象空洞的文字描述;在自动规划这一章,给同学们选择演示发达国家目前研制的各种类型机器人,通过这些形象生动、行为举止逼近真实人的机器人来给学生讲理论,这样学生通过观看视频资源,不仅可以拓宽知识面及视野,同时也可以及时地了解国际及国内机器人的发展水平及差距,不断更正自己的错误观点并更新自己新的专业认识,另一个方面也可以同时激发学生们的学习热情和积极性,这一点在课堂实践教学中得到验证,得到广大同学的认可和接受,整个教学课堂不再那么单调枯燥呆板了,基本可以达到在娱乐中传授专业知识。
3.4加强对实验教学的重视
目前高校在人工智能的教学过程中,实验所占的学时比较少,有的甚至就不安排实验课学时;另外实验内容也相对比较简单,应用不到理论课堂上所学到的人工智能原理,实验效果不是很好。面向人工智能课程的程序设计语言,多采用Prolog程序设计语言,该语言是一种基于一阶谓词的逻辑程序设计语言,它在AI和知识库的实现技术方面具有十分重要的作用,具有表达力强、表示方便、便于理解、语法简单等优点。但在整个实验教学环境也遇到了如下问题:首先是目前有关人工智能的专门配套实验教程很少;其次是即使有诸如《面向人工智能程序设计Prolog》教程,则主要是侧重介绍这门自然语言的程序设计,而其中很多部分与AI实验环节关联度不大,另外教材价位也比较高。针对此种情况,笔者在24个学时的实验教学过程中,安排7个实验内容,其中最后一个专家系统的设计与实现作为一个综合性实验来设计。在进行实验教学的过程中,首先参考多本Prolog程序设计教程,选择其中与实验教学计划中相关的内容,专门编写相应的电子教程,同时也结合我校学生本身的特点[4],有侧重地体现和编写,总的目的是给学生一份完整的、系统的、规范的电子教程。这样做的目的是:一方面作为学生参考的技术文档;另一方面也可以节省学生的部分经济开支。电子教程的结构分为三个部分来完成,首先为人工智能理论及原理,Prolog语言的使用说明;其次具体的例子演示(均经过调试正常运行);最后为布置给学生具体的实验内容及相关题目,以提供给学生自己动手实践的机会。此外在实验教学过程中,同时也会给学生们自由发挥的机会,比如专家系统的设计与实现作为一个综合性实验,学生可以采用Prolog编程实现,也可以采用其他自己擅长的程序设计语言,例如有的同学选择C语言、VC++、Visual Basic、Java及网页开发设计语言ASP/JSP等,此外在实验内容方面,实验递交的专家系统涉及多个领域(有动物辨别、医疗诊断、动物养殖咨询等专家系统)、范围也颇广,实验内容重复性很小,在设计过程中,绝大部分同学均是结合自己的兴趣爱好来完成设计。
4结语
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,同时将为发展国民经济和改善人类生活做出更大的贡献。作为一名当代的大学生有必要学好这门课程,但是根据实际教学情况,教师与学生仍然需要继续进行相应的研究与发展,只有不断地探索和提高,才能使我们的教学工作更上一层楼,才能培养出符合时代和社会需求的人才。另外人工智能与农业等方面存在很多结合应用的契机,这样计算机就可真正地服务于社会、服务于人类、服务于农业、应用于农业、发展农业。
参考文献:
[1] 蔡自兴. 人工智能及其应用[M]. 3版. 北京:清华大学出版社,2007.
[2] 陈峰,文运平. 浅谈人工智能课程的教学[J]. 消费导刊,2006(12):123.
[3] 赵蔓,何千舟. 面向21世纪的人工智能课程的教学思考[J]. 沈阳教育学院学报,2004,6(4):131-132.
[4] 王莲芝. 高等农林院校人工智能教学的探讨[J]. 高等农业教育,2003(12):64-65
Study of the Artificial Intelligence Teaching Methods
HAN Jie-qiong1, YU Yong-quan2
(1. School of Computer Science and Engineering, Zhongkai University of Agriculture and Engineering, Guangzhou 510225, China;
2. School of Computer, Guangdong University of Technology, Guangzhou 510075, China)
纺织人工智能范文3
1.1智能专家系统不完善
根据人工智能的发展来看，现在还存在着智能专家系统不完善的问题，因为要使人工智能取得良好的应用效果，必须要与专业知识进行充分的融合，从而可以使专业问题可以得到解决。然而，目前智能专家系统的不完善使得相关的专业问题在实际过程中不能够得到妥善的解决，在真正的系统当中，很多的相关知识领域都没有全部纳入系统中，因此，还存在着很多的不足。
1.2模式识别能力不足
在人工智能应用的过程中，智能系统模式识别的能力并不是非常足够，主要是在这个过程中，对于很多的模式都不能做到有效的识别，所以，在真正运用的过程中也存在着不小的问题，对于用户来说没有一个良好的使用体验。在人工智能系统的发展当中，这个问题的存在很在一定程度上阻碍着人工智能的发展。
1.3机器人缺乏自我意识
虽然机器人的研究在近些年来取得了不小的进步，但是在实际生活当中，机器人是不能够真正取代人类的，机器人的系统也是不能完全模拟人类的大脑的，主要表现为他们缺乏明显的自我意识，对于很多的工作都是机械性地完成，在本质上与人类有着非常显著的差别。
2人工智能在计算机网络技术中的应用技术
2.1模糊数据处理技术
在计算机网络技术当中，人工智能的应用其中一项就是模糊数据处理技术。例如，如果要进行一些数据的计算，那么一定首先要数据进行提前的采集，然后再对这些数据采取相关的操作处理，并利用相关的数据模型去进行计算。在很多其他的系统当中，所得到的答案往往都是封闭的，唯一的，但是利用人工智能却可以得到开放性的结果。
2.2人工智能决策技术
人工智能在计算机网络技术当中的另一项应用技术就是人工智能决策技术，主要表现为人工智能可以根据计算机当中所输入的信息去进行相应的决策。例如，如果人工机器人在与人类对话，在这个过程中，机器人可以对人类所给出的关键词进行提取，然后对自己数据库当中的一系列信息进行筛选，最后在这些信息当中选取一条符合人类对话的信息。人工智能系统的这种决策技术可以完美地选择最适合的那种方案。
2.3智能思维学习技术
人工智能与人类一样，拥有智能思维学习技术，并会得到慢慢的发展。例如，机器人与人类进行对话的时候，两者之间可能有着非常陌生的距离，机器人与人类交谈的内容可能存在着很大的差异，并且人类会对机器人所对答的结果不太满意。但是机器人会在与人类进行对话的过程中，逐渐地去学习人类所喜欢的话题等内容，从而学会与人类进行聊天，还会在聊天的过程中主动寻找话题。
3人工智能在计算机网络技术中的实现方法
3.1拓展计算机网络技术功能
在人工智能的不断发展中，计算机网络技术与其进行充分的融合，使得计算机网络得到了更多的发展，功能也得到了深入的挖掘。例如，在以前的生活当中，人们对于自己计算机网络的保密方式主要是通过密码保护的形式去进行的，体现为人们为了取得计算机的使用权限，设置一系列的密码，只有自己输入的密码与计算机当中预设的密码一致，才能够打开计算机进行使用。但是这种密保方式却存在着很大的安全隐患，主要是自己设置的密码很有可能被别人所盗窃，那么就会使计算机当中的隐私得到泄漏。所以，人工智能技术在计算机网络技术当中的应用，可以为人们在计算机当中设置人脸识别技术，这样就可以充分地提高了计算机使用的安全性，因为人的面容是独一无二的。所以，人工智能的应用可以进一步的拓展计算机网络技术功能。
3.2优化计算机网络系统管理
在以前的计算机是用的过程中，人们只能通过被动管理的方式来对计算机采取管理，对于计算机当中所出现的各种故障和问题，计算机还是依赖人去进行管理，来对计算机系统进行相应的完善。但是人工智能的应用则可以有效的改变这一种情况，因为人工智能的应用可以对计算机系统当中的各种特点做到全面的把握，然后为计算机系统提出最完美的决策方案。例如，在计算机网络当中，人工智能的使用会对计算机网络当中的被攻击次数、软件漏洞等进行全面的统计。在这个过程中，再将所采集的数据进行处理，然后去对系统中最合适的决策方法去进行选择。通过这样的过程，人工智能得到了有效的应用，使系统的管理变得更加得主动。
3.3整合计算机网络数据信息
以前人们要想对数据库进行管理的话，都是采取手动操作，效率往往非常的低下，管理的效果也不是非常的理想。比如，如果有人发现了一种新型病毒，想要对这种病毒进行记录，就会手动将这种病毒记录在数据库当中。一旦没有对这种病毒进行及时的记录，那么将会造成巨大的损失，这种病毒很可能在这个时间间隙侵入到计算机网络当中，使计算机网络全面瘫痪。如果人工智能应用到计算机网络当中，就可以对这种情况进行有效的改善。人工智能会自动的将数据库进行更新。在进行相关判断的时候，它所采取的方式使否定判断的形式，对于生成的数字，去进行对比和分析，然后去删除这种字符串。在这种操作中，如果所采取的做法是符合实际情况的，就表示这种操作是正确的。
纺织人工智能范文4
关键词：大数据；工程造价；信息管理平台
1工程造价信息管理现状分析
1.1工程造价信息滞后。我国各地区的工程造价信息管理标准不统一，工程造价管理部门之间缺少有效的协调和沟通，各企业和工程造价管理部门之间信息交流少，渠道单一；同时工程造价信息化标准建设缓慢，工程指标信息滞后，且时间不稳定，从而导致工程造价信息缺乏时效性和约束力，无法提高造价控制的能力。
1.2工程造价信息相对孤立。目前不同工程造价信息系统之间无法相互兼容和进行数据交换，系统之间没有形成特定的接口协议，造成数据共享和交换率低下；工程造价各个阶段对造价数据的要求不同也导致不同阶段编制的数据相对孤立，没有形成有效的数据关联；同时各企业之间不愿意共享彼此所积累的造价信息，导致这些信息不能经过充分分析和深入挖掘。
1.3工程造价信息“地域性”现象明显。我国目前已经统一了工程清单计价规范，但是由于各地区经济发展不平衡，各地方的费用定额计算方法和程序等不尽相同，造成不同地区之间的造价依据差异很大；并且我国没有建立可以跨区域查询的造价信息管理系统，不同省市建筑要素价格的差异无法及时获知，往往造成工程造价的应用限制在某一地域内而不能达到区域经济效益的最优化。
2工程造价信息管理平台具体功能
2.1造价信息数据采集
工程造价信息数据采集是结合工程的实际情况，对造价相关基础数据进行统计，其主要包含相关规范、造价定额、机械设备信息以及供应商单位信息等内容，在对工程项目相关信息进行研究及分析的过程中，造价信息采集还需要包含行业动态信息、工程造价咨询以及从业人员信息等内容，在实现信息采集及控制的基础上，实现造价信息数据的管理及操作。在进行工程造价信息采集过程中，以工程造价信息管理平台内部采集、外部采集为中心，内部采集是在工程造价信息统一化的标准下，导入相关基础数据，并输人工程造价信息，将其存储到工程造价信息数据库中。外部采集则是通过工程造价信息管理平台与外部业务软件进行连接，实现造价相关信息的交换，但是，在进行数据交换的过程中，需要注意数据交换格式，在数据映射以及数据存储处理的前提下，实现数据分析及存储。不同的软件所需求的数据文件信息格式存在差异，所以，在进行数据交换处理的过程中，需要以标准格式进行数据采集，其中包含人工价格、材料价格、施工机械价格、工程造价信息等内容，施工机械价格是以拆迁、施工建设的运输成本等为主，工程造价信息采集则是从信息资源、行业政策以及工程实际情况等信息。
2.2造价信息数据
工程造价信息管理平台中的造价信息数据以价格分析、价格变化趋势为基础，执行人员可以根据工程造价的实际阶段以及实际情况，对工程造价的相关信息进行，为后续的招投标等经济工程造价成本控制等方面提供参考依据。在建立工程造价管理信息平台的前提下，需要从数据信息分析、数据信息等角度进行完善，在优化服务机制的前提下，满足工程造价管理的实际需求。造价信息数据的及更新与造价信息数据采集相一致，也是以人工价格、材料价格、施工机械价格、工程造价信息等信息为主，在进行的过程中，需要包含日期、价格、变化趋势等内容，在实现造价信息及管理操作的过程中，需要包含材料价格行情分析内容，以螺纹钢为例，在进行信息的过程中，需要对材料规格、材质、单位等方面进行分析，在进行信息及处理的前提下，通过造价信息及信息处理，满足工程造价管理的实际需求。
2.3工程造价信息数据检索
为方便客户端对工程造价信息的查询及分析，在实现工程造价信息检索及分析的过程中，可以通过信息数据检索功能的应用，实现对施工技术、造价成本信息、工程特征等方面的信息进行查阅。工程造价信息数据检索及操作，用戶可以通过关键词检索，对行业动态、施工技术、造价控制方案等信息进行查阅，进而实现工程造价管理效果的提升。工程造价信息检索以及信息操作处理须从检索关键词以及不同信息检索等角度进行完善，通过公告信息以及数据信息检索控制，进而实现造价信息的服务效果提升。
2.4工程造价信息数据分析
工程造价信息管理平台的信息数据分析是以造价信息的提取、整理、分析为基础，为实现工程造价信息的预测性，需要对工程造价指数预测、投资估算等方面进行检验及分析，这部分是信息管理平台的重要部分，也是管理平台的核心技术部分，其关键点是要将各种不同类型的数据转换、比较、输出，因为工程数据的数量巨大，且很多数据来源及格式并不兼容，需要从海量的数据中找出相关信息，是一个复杂的过程，需要专业的造价工程师与软件工程师充分沟通，建立一整套的计算分析体系才可能实现的，而且要根据时间、地点、用途等不同因素，不断优化调整，设定指标，是信息管理平台中较难的环节，也是各平台构建最终要达到的目的。
纺织人工智能范文5
在论坛中，九合联合创始人王啸认为阿尔法狗引起很多人关注，未来三到五年时间，人工智能这个领域可能会推动互联网向下一个方向演进。在谈到未来的投资方向时，几位嘉宾表示，未来三到五年的大的投资方向是VR、AR，还有大数据，基于大数据和人工智能和软件的服务。
其中真格基金合伙人李剑威、明势创始合作伙伴黄明明、联创永宣创始合作伙伴田野、九合联合创始人王啸、启明创始合伙人叶冠泰参与了投资嘉宾圆桌论坛环节，清华大学崔鹏博士担任论坛主持人。
以下是投资嘉宾圆桌论坛实录：
崔鹏：请各位首先介绍一下。
王啸：我现在做的基金叫九合创投，主天使和A轮的项目，过去四年多投了一百多个项目，主要是天使的。
孙刚：我是高维资本的创始合伙人。我们也是主要做中早期的投资，从A轮到B轮的多一点，主要是投资大数据，AR和VA领域多一点，今天也是过来学习。
田野：我是联创永宣，我们主要投资的阶段相对跨度比较大，从天使就开始投资，人工智能这方向也是我们未来比较关注的领域。
黄明明：我们是专注在早期的投资，主要两大领域一个是工业升级，工业自动化和消费升级，机器人领域我们也投了几家不错的公司，希望今天有机会跟大家交流。
李剑威：真格基金是徐小平老师在2011年创立的机构，到目前为止投资了300多个公司，行业跨度比较大，我个人是看大数据和人工智能，包括智能硬件，在人工智能这个领域里我们也投了一些项目，包括像自动驾驶，包括余凯的地平线，最近会投一两个机器人和深度学习的项目，今天很高兴有机会跟大家交流一下。
叶冠泰：大家好我是启明创投的IT合伙人，我们公司成立了10年，现在投资了190多个项目，分布在互联网、IT和医疗这些技术。在IT这边，在人工智能方面，我们投资过像人脸识别，还有语音识别，还有像大数据我们投过一些反欺诈的大数据公司等等。
崔鹏：谢谢各位嘉宾的介绍，接下来我们创业者有几个问题各位嘉宾，大家想了解一下投资的方向。第一个话题，最近也是非常热门的，想知道各位投资人对阿尔法狗对智能产业到底产生什么影响？我们嘉宾比较多，请王总回答一下。
王啸：阿尔法狗确实会引起很多人关注，我们知道任何产业的变化都是因为资金密集的推动，目前是一个标志性的实践，大家认为人工智能对于很多事情的推动作用比较大，我个人判断，在未来三到五年时间，人工智能这个领域可能会推动互联网向下一个方向演进，这个演进的路径我把它归结到智能互联网。我们知道下一代互联网很大的特点是前端有各种各样的数据，后端有大数据的模型和深度学习的算法，帮助它调整应对的策略，这是一个基础的模型，我相信未来三五年以后来看这是一个起点，帮助机器下围棋，下过世界冠军，这只是一个非常单点突破的事，我相信它能做更多有价值的事情，下围棋这只是一个个别的事件，但我相信会有一些问题被解决，这就靠在座的各位花更多的钱，投入更多的资源做起来。
黄明明：对于阿尔法狗这个事情，这件事情它的象征意义会更大一点，因为从阿尔法狗事件以后，可能全社会，不管是不是在这个行业里，可能对人工智能这件事算是有了一个比较初级的认识，这次出现的是比较震撼的，它第一次表明了机器在这么复杂的局势判断中战胜人类，但是它离产业化的道路有非常大的距离。好处是说，通过这样的事件，会让整个社会的关注度集中到人工智能这个领域里来，相信对整个行业的推动和带动后续大量的资源、资本进入这个行业会有好处，但是我们也要清醒的看到，这件事还比较早，最近有很多朋友问我，因为这个结果带来的一些恐慌，我觉得这个还早。
李剑威：我觉得这次阿尔法狗对我来说是挺震撼的事情，而且是一个跨时代的，上一次人工智能给大家带来及是97年IBM深蓝，国际象棋那个，在围棋里面，赛前大家都觉得机器赢不了的情况下，形成这么大的反差，对业界和工业届都是特别大的冲击。其实我原来看智能硬件，我们也投了一些公司，包括小米平衡车，华米，还有谁上机器人，云舟智能，中国其实在人工智能行业其实已经不错了，在智能硬件这个点上，往上有两个层面，第一就是硬件层面中国做的不错，在感知层面，可能接下来会有巨大的突破，感知上面何以看到接下来两年会有巨大的突破。再往上就是智能，这次阿尔法狗给大家特别大的冲击，我感觉在未来会出现特别特别多的项目，会有特别多的钱会投进去。
崔鹏：好，各位投资人分享一下对三到五年发展趋势的判断，以及2016年投资的重点投资的方向？
叶冠泰：我觉得三到五年的投资方向，今天我们就在这个会议上，我们又是VC，肯定是三到五年的大方向，基本上都比较同意。我个人在今年，我们会比较关注的是VR、AR，还有大数据，基于大数据和人工智能和软件的服务，基本上我们现在看到有很多公司使用大数据，但是我们觉得更有价值的是用大数据预测一些方向，这个东西是我们在关注的，而且从计算能力来说，它可能还没有那么复杂，是可以做到的。这样的软件是跟2B行业结合，这种公司必须要有对行业的理解，必须能够推向客户，还是需要锁定这个行业。像我们已经在金融方面看到一些公司，像机器人我们也不断关注，还有VR、AR的结合，感知的一些技术。VR、AR这边现在的硬件基本上国外的公司制定一些标准，我自己觉得在纯硬件的地方，中国可能还落后一些，这方面比较难看到一些突破，但是在内容方面，在落地的文化新的方面会有一些突破。
李剑威：VC们关心的都差不多，前沿的大家都会看的很多，机器人，VR、AR，大数据这类的。我们感觉从对生活的改变角度来讲，我们可能对未来有一些想法，比如以后可能不会在大城市，比如美国的城郊到农村的地方，交通有一些改变，比如用184的无人机，或者说水面作战，不是航母对航母，以后就是无人船对无人船，或者无人航母对无人航母。而且我觉得未来三五年肯定会实现，从现在感知技术和智能技术的发展来看，可能会实现，所以我们也积极的在布局一些公司。VR、AR我们觉得稍微早一点，从消费者应用来讲，因为它的头盔太大，很重，戴起来视觉有冲击，但不是很方便，未来它会朝很轻量的方向发展。未来我们会远远低估五年内技术带来的变化，05年我们觉得智能手机不好意思，诺基亚的N71也不错，现在苹果有了128G的内存，匀速速度那么快，就像一个电脑一样，未来五年无人驾驶，包括无人机这些都会实现，希望我们有幸参与到这些浪潮里的优势公司。
黄明明：我先讲讲阿尔法狗的问题，其实讲点有意思的事情，大家知道什么人最感兴趣的吗，就是以前一批研究神经网络和深度学习这批人，其实深度学习和神经网络是在五六十年代这个提法就有了，我记得在我上大学的时候，当有人说我是搞神经网络学习的时候，基本上在国际上认为是骗子，这个可能是个玩笑，当时一个是算法理论，一个是当时的计算能力，后来这帮人搞不下去了，我换个名字叫深度学习，就能继续搞下去了，这是比较有意思的事情。但是今天我在下面听邓老师讲课非常羡慕，一个是给我们做了很好的讲座和普及，另外我们是做投资的，我们特别羡慕没有邓老师这样的奢侈，一个是畅想未来，第二个可以把未来很多前沿的东西做研究。
我一直讲我们做早期投资的，我们是站在未来看今天，如果站在特别远的未来，我是未来的科学家或者是学者，我们要做的是连接未来和今天的桥梁。我认为阿尔法狗的事件还是跨里程碑的实践，不管这些年的GPU，显卡能力计算能力的提升还是算法的突破，确实人计算第一次拥有了可以在非常复杂的非标准性的问题上可以第一次在这些问题上战胜人类的特点。从我们投资的角度，我们可以看到，刚才讲我们第一个领域就是出行领域，自动驾驶领域，大家有研究的，在美国已经是一个半成熟的技术，到2020年加州已经允许在马路上开始跑。在这个领域中国公司有机会，因为电动车和新能源汽车的普及，让中国的汽车工业第一次有弯道超车的机会，未来的交通一定是UBER模式加无人驾驶的模式。我们刚投资了汽车之家的李想的项目，我们觉得基于未来的新能源的个人出行工具和无人驾驶功能会在未来改变人类的生活。
第二块就是在感知方面，不管是机器、视觉，声音识别、图像识别人工智能是会产生有价值的领域，其实有很多公司已经有布局了，包括像激光雷达，室内识别这些技术上，在未来几年都是能看到的一些投资领域的机会。
第三点，我们这个基金针对国内的制造领域，在工业机器人领域我们认为有非常大的优势，我们会持续围绕机器人的上下游产业链进行布局。
田野：刚才几位介绍了他们对这个领域投资的一些思考，从我们的角度来讲，我们认为有几个机会吧。第一个从人工智能的角度来讲，我们认为在一些垂直领域，人工智能的应用能够最先获得成功，或者说能够实现产业化。因为一些垂直领域相对来说数据量比较小，所以机器深度学习能够做的用户体验比较好，这个中间我们比较看好在医疗、交通等领域的人工智能的应用。包括我们也投了一些人工智能在医疗影像，在医疗问答等方面的项目，另外，我们也投了利用人工智能技术在出行管理方向的应用，它会从每个人每天的日程管理开始，切入到用人工智能技术做整个人的生活助理这个方向。人工智能在大范围使用还不太现实，因为样本太大。从机器人角度来讲，我们目前投资了哈工大的机器人集团，我们认为在中国未来几年，机器换人的需求非常大，这个领域会出现很多的公司。大家知道中国在机器人这块的核心，零部件这些方面没有优势，但是结合中国应用场景的机器人技术的集成还是有比较大的机会，这个领域也会出来不少优秀的公司，这也是我们的重点投资方向。我们今天也在做了一个新的基金，是专注于在机器人、人工智能和智能制造这个领域的投资，所以我们也非常希望能够用我们的基金参与到更多的行业的优秀的企业里面。
孙刚：我很赞同前面几位说的，我从另外一个角度说说，你说热点在哪，方向就跟着天天投就行，你搜天天投很多的数据，你看到哪个板块交投特别活跃，标的特别多，那一定是方向。今天和上一场就是明显的例子，最主要就是考虑人工智能和大数据，还有就是VR、AR，前面做那一场我听说特别火爆。简单说，如果未来一两年，肯定是VR、AR这两个领域。但是我自己个人体会，我觉得这种非常大众化的，包括这种热点有时候也是不理智、不理性的，可是作为一个VC来说，我也没有办法，比如说我们在组合中，我们投的数量不多，但是我们觉得有些公司相当不错，需要一段时间去养，我们刚投了一个VR、AR的公司，没投三四个月，下一轮就有很多倍数被拿走了，我并不觉得这个公司有什么变化或者好，但是它的确就是热点，它是一个风口，所以我只想说明，如果是热点的话，这几位投很小离不开VR、AR这方面。另外有一个点，通过智能技术和大数据，在刚需方面的应用可能是我们非常关注的热点，它的底层是传统行业，通过和大数据和人工智能技术的融合，它会有一个质的区别。比如前两天投了一个企业叫小路美美，其实是做童装和妈妈类的服装，创始人是谷歌公司的分析师，然后做了金融的分析师，因为生了小孩，他太太就和他说了，他一点不懂服装，他用爬虫技术把中国很多母婴类公司的数据结合起来，预测下个季度或下个月，什么颜色，什么款式好卖，然后交给代工厂用它的品牌做而已，其实它做的就是传统的垂直的电商，只不过插了智能的数据，所以我们很关注这种在传统领域和智能技术和大数据结合的项目。
另外，我个人和团队讨论觉得文化娱乐方面是有不错的需求，VR、AR在很多领域都是视频直播，游戏类，都跟这方面有关系。大概就是这几个热点，还有智能制造这块也是。方向不光是领域，还有地点，经常投资人会谈到中国有些项目，像风险回报的比例不是很好了，有的去以色列和比利时看一些项目，阿尔法狗就是45个在伦敦的小伙子做的，后来大家知道伦敦在02年人工智能也很强，英国他们非常低调，不知道怎么宣传，不知道到中国来对接投资人，这点和美国和以色列的创业家完全不一样。
崔鹏：对，我们天天投后续会结合产业投资效应会推出投资地图，并且是在线的方式让大家看。如果用10平方公里做一个方格，比如说投智能硬件，你跑到江西这样的地方投是有问题的，你投医疗在成都是不错的。对于项目来讲，我认为地点决定了它的和周边的效率和成本，决定了产业政策，决定了这个公司运转的效率，这对创业公司来讲影响很大，我们会专门推出投资地图的产品，进行专业分析，邀请一些分析的专家协助我们做。
王啸：这个话题比较大，而且也不好做预测，现在如果能预测未来，每个人都会投的非常好。我想说的是，我们可以从简单的事情做判断，所谓的机器学习和大数据，前提是数据的累积和收集，没有这些数据阿尔法狗下围棋也下不好，最近各种各样的智能硬件不错，是因为它能收到大量的之前收集不到的数据。随着这些数据和大数据的算法结合会产生更多的东西，前一段我们有一个公司是专门做挥杆的，把数据精确捕捉到以后可以告诉你怎么样精确打球，其实不管是下围棋还是教你怎么挥杆，可以在细分领域找到一个突破点的。第二个我们看这个事情，看数据比较密集的地方，通过卫星数据能不能做一些农业的保险等等，可以通过一些数据和学习，结合产业的自身规律形成闭环的应用，就是解决一个问题能产生价值，这个事就是有基础，需要数据和产业当中结合，解决某一个具体的问题。人工智能解决我们面临太多的复杂性的东西也不现实，像自动驾驶这个也不复杂，但是谷歌这样的公司花了很长时间那么多人解决，我相信任何一个现实当中复杂的问题，它的解决是需要比较长的时间，而且一般来讲小公司不一定干得了，所以小公司做的话突破起来非常难。包括下围棋这样的事，如果一个小公司想获得那么多的支持是非常难的，这是第三个事情。第四个，如果数据标准化的地方容易形成创业公司突破的机会，刚才提到的医学影像，包括医学影像的数据通过互联网和移动互联网这么多年收集了大量的数据，这些事情做起来比较容易。像交通和卫星数据，有大量的数据存在，因为机器的计算能力不够，解决不了问题，这是我看到的趋势和方向。我相信还有很多看不到的东西才是有价值的，所有人都看到了，其实都是我们要一波一波通过天使和VC推动变成现实，这是我们的价值和意义。
崔鹏：最后一个问题，人工智能在金融领域，尤其像一级资本市场有没有可能应用？
叶冠泰：其实我们已经有一家公司，反欺诈的公司做大数据分析，他们已经开使用深度学习的算法，预测一个可能性的坏人的行为，再做出一些风险模型，提供给金融的客户们，已经在做这样的准备。除了风险预测之外，一级市场股票的波动，这方面我还没有类似的公司。我觉得深度学习可以应用在所有环节里面的东西，但是在每一个环节都有需要落地的地方，都有很多的已经积累的商业知识和行业规则，比如这个数据从哪里来，有这样的问题，我觉得可以分成几个类别。我们自己在大数据投资的时候，我们分成三个类别，第一个类别是它有数据，或者有分析能力能够拿到数据，大部分的时候，大数据在今天的层面上，小公司是没有数据的，你如何从大公司拿到数据，必须能够把它的数据，因为它不会卖数据给你，大公司不需要钱，你必须告诉它说你的数据有一部分是我加工给你的，这是一种，基本上数据模型在反欺诈或者安保，现在可以做到石油勘探方面。第二，也许可以做这些东西，我觉得未来数据本身不是计算，现在像做HADOOP，我们还投了一家做数据库的公司，像这样的东西都是用在金融本身的。
王啸：如果在一级市场很简单，如果回答YES的话，我们台上这些人都失业了。如果我告诉你在一级市场的VC和PE领域，如果人工智能有用的话我们大家多回家歇着去了。我觉得在二级市场，在过去几年，我的很多同学都可以做快速的炒股的，这个不新鲜了。但是我认为我们一定是有价值的，我们不会失业，对我们做VC的老板来说，阿尔法狗事件出来我们第一次开例会的时候，我就说人类区别于其他动物的，我们唯一最强的就是学习能力，我们没有老虎和马跑的快，我们人类之所以能生存下来就是学习能力，现在机器初步具备了学习能力，如果你们再不努力工作，先失业的就是你们，再失业就是我，一级市场最好的应用就是可以激励我的团队，这是我的回答。
黄明明：在二级市场刚刚也说了，我觉得在整个大金融领域里边，其实VC是最不具有金融属性的细分领域，本身金融就是数字游戏，它很容易被量化，只要容易被量化的东西都是人工智能可以逐渐突破和解决的，包括现在很多量化交易都在做了。对VC这个行业来讲，我觉得它更多在很大程度上对事情的判断是基于一种模糊的东西，刚刚邓教授介绍的，包括人工智能全世界没有做的灵感、顿悟还没有做，而做VC很大程度上需要一种直觉，这个工作有点偏向于手艺人的活，所以人工智能想替代的话有相当漫长的道路。单位人工智能对数据的分析，作为VC领域的辅助工具是有机会的，像天天投现在做的事情，不断搜集行业数据帮助我们形成投资决策的判断，在这个上面来讲可能还是有机会的。
崔鹏：其实我们的理解，第一个是信息优势，第二个是反复投资必须的大脑，这样的过程，天天投今天2.0战略，第一步希望我们在未来创业投资的数字信息方面建立优势，相对于任何投资机构的信息优势。第二个这个市场是不可能完全变化的，刚才各位说了，它很多有任性的判断，这是未来几十年可能更长远的周期无法量化的东西，但是有一种方法，可能通过群体的意志获得群体的智能，群体智能体现出来的东西会有可能应用在这个市场的。
纺织人工智能范文6
关键词：人工智能 科学方法 创新
中图分类号：TP18 文献标识码：A 文章编号：1007-9416（2015）03-0093-01
人工智能是一门涉及较广的边沿学科，它涉及哲学、数学、心理学、计算机科学等学科，其本身的性质也就需要从事这项工作的人必须要对人工智能所涉及的学科有一定的了解。近几年，我国在人工智能的理论和技术方面都有所突破，但是时代在快速发展着，这就需要人工智能研究不能一直保持原有的状态，还要有所创新，以顺应时代的变迁。
1 人工智能的发展历程
人工智能（Artificial Intelligence）一词最早是在1956年DARTMOUTH学会上提出的，这也就标志着人工智能的诞生。在1969年召开了第一届人工智能联合会议，以后每两年召开一次。1970年出现了《人工智能》国际杂志，推动了人工智能的学术研究及发展，从此以后，人工智能的研究形成热潮，不同人工智能学派的争论非常激烈，这使得人工智能得以进一步发展。而我国的人工智能研究开始的比较晚，在1978年“智能模拟”正式纳入国家计划开展研究。而且现在我国从事人工智能研究工作的除了科技人员还有很多的大学师生，从人工智能的发展前景来看，人工智能定会为我国的现代化建设做出重大贡献。
2 人工智能的突破及科学方法
2.1 对人工智能采用分散式的研究
由于人工智能的研究是很复杂的，很难进行整体性的研究，所以只能把它分成几个层面再各个击破。人类认为结构、功能、行为是系统能力的三个基本要素，所以对于人工智能的研究也可以分为结构模拟、功能模拟、行为模拟三种模拟方式。下面对人工智能的三种模拟方式进行举例分析[1]：
关于结构模拟就以人工神经网络的研究为例。根据结构模式的思想，人工智能的研究人员尝试建造人工的神经网络模拟人类的思维能力。20世纪50年代，出现了感知机，它是用人工神经元电路构造的，这也说明了人工神经网络的智能性。后期也出现人类利用少数神经元的网络设计模拟高等动物反射能力的实例，展现了人工神经网络的发展前景。但是，在人工神经网络的研究中如果想有效的模拟人类的思维能力就需要有接近人类大脑新皮层的人工神经网络，在制造技术上存在很大的困难；如果降低人工神经网络的复杂程度，那它的智能化就会退化。基于功能模式的物理符号系统研究实例。基于功能模拟的物理符号系统的研究也取得了很多的成果，比如：通过图灵测试的血液感染疾病诊断专家系统和战胜过国际象棋世界冠军的“深兰”专家系统。但是专家系统需要拥有专业的高水平知识，但是这种知识的获取是很困难的，不仅如此，就现在的逻辑理论而言，就算获得了必要的知识，也不能支持知识的推理与表达。
2.2 发现了智能生成的核心机制和知识的生态学结构在本能知识下的知识转换
人工智能的定义是非常复杂的，简单来说，人工智能是为了实现人类改善生存与发展条件的目的，面对具体环境时，根据现有的知识去发现问题、确定解决问题的目标；再针对问题和已定的目标获得必要的信息，进而利用所获得的信息和现有的知识想出解决问题的智能方法，并实施这个方法，以达到解决问题的目的。人工智能实际上模拟的是人类智能“确定解决问题的目标、获得信息、找出解决办法”的能力。也就是说可以说，人工智能工作前提是“给出有待解决的问题、知识和明确的目标”，工作内容是“获得必要的信息，进而利用所获得的信息和现有的知识想出解决问题的智能方法”，因为找到解决问题的方法是智能的表现，所以可以理解为，人工智能的核心就是在给定条件的制约下信息知识的智能转换。在这种方法的引导下就可以建立人工智能新的机制模拟方法了。
我们已经发现人工智能的核心机制是：信息知识的智能转换，也就是说，信息和知识在人工智能的研究中发挥着很重要的作用。研究发现，知识并不是固定不变的，它具有自己的生态学结构。在本能和外界信息的刺激下，人类不断的学习并不成熟的经验知识，然后根据自己本身的理解和思考把经验知识变成规范知识最后成为常识性知识。发现知识的生态学结构不只是可以加深对知识的理解，还拓展了人工智能的研究视野，对人工智能的研究有着很重要的意义[2]。
2.3 把智能生成的机制与知识的生态学结构相结合
把智能生成的核心机制与知识的生态学结构相结合建立新的模拟方法，就会发现一直处在独立发展的结构模拟、功能模拟、行为模拟都是机制模拟方法的特例。比如：结构模拟可以说是，信息与经验知识的经验型智能转换；功能模拟就是把信息与规范知识的规范型智能转换；行为模拟是信息与常识性知识的智能转换，而且经验知识、规范知识、常识知识之间在机制模拟中是相继环节，所以结构模拟、功能模拟、行为模拟也应是机制模拟中的相继环节[3]。在“以信息观、系统观、机制观为主要标志的系统科学方法论”的观念下，原来看似无关的人工智能的三种模拟方式，竟然有着相互的关系，把原来看不到的本质给展示出来，就是科学方法的厉害之处。
3 结语
通过研究发现，在人工智能的模拟研究中一直处在独立发展的结构模拟、功能模拟、行为模拟都是机制模拟方法的特例。这也就说明智能生成的机制与知识的生态学结构的结合是人工智能研究的统一理论和方法。这一结果为人工智能的发展开辟了一条新的道路，人工智能的研究的这一突破主要依靠科学方法的创新。所以，在今后的人工智能研究方面应注重科学方法的研究、应用和创新，以使人工智能研究事业在未来的发展道路上越走越远。
参考文献
[1]钟义信.人工智能的突破与科学方法的创新[J].模式识别与人工智能，2012（3）：456-461.
