科学网基于知识的智能生成策略及其局限性反思

来源：互联网   发布日期：2011-09-22 13:23:29   浏览：4449次  

文/黄富强
摘 要：本文扩展了以知识为核心的智能生成的策略与思想，强调数据、信息、知识、智能在机器认知生成过程中的阶段性和跃迁性。同时在每个转化阶段中引入正反馈补偿机制来增强模拟计算的可信性与相对完备性。最后从现实出发对智能生成策略进行实证分析及其局限性进行反思。

关键字：知识；智能生成策略；局限性；决策与判断；机器认知计算

     随着人工智能科学的不断发展，人工智能技术与产品研发不断走向深入，形成了大量的人工智能领域的人工制品，服务于社会的不同领域。机器人制造业是人工智能领域中一个相对发展迅速的产业，其中衍生出的一些思想、方法、理论可以应用到其它一些智能产品中，带动了一系列智能产品的发展，比如具有决策支持功能的专家系统、设备故障诊断系统、各种智能控制系统等。机器认知能力是这些机器智能系统要不断解决的关键问题，机器认知（Machine Cognition）研究的目的就是探索智能体的智能实现策略、理论和方法，智能体（Intelligence Agent）就是各种软硬件智能制品。智能体的智能水平高低是机器认知研究领域所关注的重要目标，这是科学家与工程师一直努力的方向。智能生成策略问题是机器认知研究的首要问题。
1问题提出及研究意义
    人工智能领域长期围绕着“智能体能否思维？”、“智能体能否具有自主决策与判断能力？”“智能体能否实现人的智能行为？”等问题争论不休。问题是科学发展的重要动力。人工智能理论与信仰在发展过程中经历了符号主义（Symbolicism）、联接主义（Connectionism）、行为主义（Actionism)三个研究范式的转换。符号主义要处理大量的规则与逻辑推理问题，根本无法建立统一的形式系统来模拟人的智能行为。进而受到联接主义的诟病与质疑，认为这种机械式的智能模拟思想违背了人类认知系统非线性的特质，人类认知系统是高度复杂、高度并行操作的系统，联接主义主张对大脑进行建模，模拟各种感官的结构和功能。但人脑的结构及其功能异常复杂，我们对其了解太少，建模难度可想而知，况且全脑机制与功能模拟对计算的时间与空间开销有可能难以满足。行为主义面对这种发展困境提出要从智能体与环境的动态交互的角度出发，注重智能体适应工作情境的进化能力，突出环境与智能体的具身性与学习能力。实际上，三个范式的思想与方法各有优缺点，在机器认知研究中可以相互补充。我的智能生成策略是基于行为主义的，秉承知识工程与专家系统之父费根鲍姆（Edward Albert Feigenbaum）[1]的理论与思想，以知识为主，注重知识对智能生成的基础作用。由于现在传感器件的丰富与发展，数据来源渠道与类型丰富，数据作为智能体重要的输入，为信息、知识、智能的产生奠定了重要基础，我进而提出能否从认知处理的对象之流中抽象出数据、信息、知识、智能这四个语境对象来探讨机器智能的生成策略。现有的智能体系统都是针对特定领域的，而且数据来源都是静态单一的，或者说智能体与工作语境的动

赞助本站