人工智能
概述什么是人工智能?人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它试图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样的思考，甚至超过人的智能。第一阶段:Python
利用Python解析数据速度,效率方面比较轻量级i.轻量级指的是部署到服务器里面,可以提高服务器访问并发ii.轻量级指的是业务与业务之间的逻辑性很强,兼容性很强,降低耦合度iii.轻量级指的是业务与数据之间的一种关系体现很轻,简单说:获取数据集的方式很快,多样化
Java语言也可以实现人工智能的数据操作—不建议—重量级i.重量级的操作不适合’数据集’的采集操作ii.重量级操作不适合数据集的清理操作iii.重量级的业务与数据之间很难进行数据解析操作
人工智能的历史
1956年夏天：达特茅斯会议，提出“人工智能“20世纪60年代：感知机20世纪70年代：专家系统、知识工程20世纪80年代：日本第五代机20世纪90年代：统计机器学习2006年：深度学习2012年：卷积神经网络…人工智能的分类弱人工智能ArtificialNarrowIntelligence(ANI):弱人工智能是擅长于单个方面的人工智能。强人工智能ArtificialGeneralIntelligence(AGI):人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。超人工智能ArtificialSuperIntelligence(ASI):知名人工智能思想家NickBostrom把超级智能定义为”在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能“。人工智能的机器学习机器学习需要’思考’
机器学习是一门从数据中研究算法的科学学科‘数据’---->>‘算法’如何实现’数据’到’算法’的过程?数据采集(Python)>>数据分析(Python)>>数据挖掘(Hadoop)>>模型建立(算法)>>预测未来
机器学习理性认识
机器学习的算法公式思想数据1:x轴x1,x2,x3…xn数据2:y轴y1,y2,y3…yn目标值:x---->y误差趋近于零的时候就是目标值,误差最小->数据输出
结果公式:{(x1,y1),(x2,y2),(x3,y3)…(xn,yn)}g:x->y备注:g表示最终的公式
导论结果:其实’数据集’就是一种算法的实现
算法(T):根据业务需要和数据特征选择的相关算法,也就是一个数学公式模型(E):基于数据和算法构件出来的模型评估/测试§：对模型进行评估的策略
训练数据:"训练"数据训练指的是是：一种学习行为----转化为：“经验”-----通过经验采集的数据才是训练数据！训练数据是存在很大的不合理性！并不能满足机器的学习使用！
数据集是训练数据吗？数据集可以让机器学习使用！
机器学习概念拟合构建的算法符合给定数据的特征x(i):表示第i个样本的x向量xi:x向量的第i维度的值
鲁棒性也就是健壮性、稳健性、强健性,是系统的健壮性；当存在异常数据的时候，算法也会拟合数据
过拟合算法太符合样本数据的特征，对于实际生产中的数据特征无法拟合,目标数据和预测数据差距太大！
欠拟合算法不太符合样本的数据特征
人工智能的3大框架sciket-learn(Python)基于Python语言开发的人工智能—大量使用(效率最高)http://scikit-learn.org/stable/
Mahout(Hadoop生态圈基于MapReduce)基于大数据Hadoop的人工智能—不建议(大数据直接与AI结合)—成本高http://mahout.apache.org/
SparkMLlib基于SparkMLlib处理数据解析数据集—处理数据集的速度高于hedoophttp://spark.apache.org/
OpenStack云机房很高端,但对技术要求过高
机器学习之商业个性化推荐：个性化指的是根据各种因素来改变用户体验和呈现给用户内容，这些因素可能包含用户的行为数据和外部因素；推荐常指系统向用户呈现一个用户可能感兴趣的物品列表。精准营销：从用户群众中找出特定的要求的营销对象。客户细分：试图将用户群体分为不同的组，根据给定的用户特征进行客户分组。预测建模及分析：根据已有的数据进行建模，并使用得到的模型预测未机器学习、数据分析、数据挖掘区别与联系数据分析：数据分析是指用适当的统计分析方法对收集的大量数据进行分析，并提取有用的信息，以及形成结论，从而对数据进行详细的研究和概括过程。在实际工作中，数据分析可帮助人们做出判断；数据分析一般而言可以分为统计分析、探索性数据分析和验证性数据分析三大类。
数据挖掘：一般指从大量的数据中通过算法搜索隐藏于其中的信息的过程。通常通过统计、检索、机器学习、模式匹配等诸多方法来实现这个过程。
机器学习：是数据分析和数据挖掘的一种比较常用、比较好的手段。
机器学习分类有监督学习用已知某种或某些特性的样本作为训练集，以建立一个数学模型，再用已建立的模型来预测未知样本，此种方法被称为有监督学习，是最常用的一种机器学习方法。是从标签化训练数据集中推断出模型的机器学习任务。
重点算法判别式模型(DiscriminativeModel)：直接对条件概率p(y|x)进行建模，常见判别模型有：线性回归、决策树、支持向量机SVM、k近邻、神经网络等；
生成式模型(GenerativeModel)：对联合分布概率p(x,y)进行建模，常见生成式模型有：隐马尔可夫模型HMM、朴素贝叶斯模型、高斯混合模型GMM、LDA等；
区别:
生成式模型更普适；判别式模型更直接，目标性更强生成式模型关注数据是如何产生的，寻找的是数据分布模型；判别式模型关注的数据的差异性，寻找的是分类面由生成式模型可以产生判别式模型，但是由判别式模式没法形成生成式模型无监督学习与监督学习相比，无监督学习的训练集中没有人为的标注的结果，在非监督的学习过程中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。
无监督学习试图学习或者提取数据背后的数据特征，或者从数据中抽取出重要的特征信息，常见的算法有聚类、降维、文本处理(特征抽取)等。
无监督学习一般是作为有监督学习的前期数据处理，功能是从原始数据中抽取出必要的标签信息
半监督学习(SSL)考虑如何利用少量的’标注样本’和大量的’未标注样本’进行训练和分类的问题，是有监督学习和无监督学习的结合
主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。半监督学习对于减少标注代价，提高学习机器性能具有非常重大的实际意义。
SSL的成立依赖于模型假设，主要分为三大类：平滑假设、聚类假设、流行假设；其中流行假设更具有普遍性。
SSL类型的算法主要分为四大类：半监督分类、半监督回归、半监督聚类、半监督降维。
缺点：抗干扰能力弱，仅适合于实验室环境，其现实意义还没有体现出来；未来的发展主要是聚焦于新模型假设的产生
机器学习分类2分类通过分类模型，将样本数据集中的样本映射到某个给定的类别中聚类通过聚类模型，将样本数据集中的样本分为几个类别，属于同一类别的样本相似性比较大回归反映了样本数据集中样本的属性值的特性，通过函数表达样本映射的关系来发现属性值之间的依赖关系关联规则获取隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现频率机器学习算法算法名称算法描述C4.5分类决策树算法，决策树的核心算法，ID3算法的改进算法。CART分类与回归树(ClassificationandRegressionTrees)kNNK近邻分类算法；如果一个样本在特征空间中的k个最相似的样本中大多数属于某一个类别，那么该样本也属于该类别NaiveBayes贝叶斯分类模型；该模型比较适合属性相关性比较小的时候，如果属性相关性比较大的时候，决策树模型比贝叶斯分类模型效果好(原因：贝叶斯模型假设属性之间是互不影响的)SVM支持向量机，一种有监督学习的统计学习方法，广泛应用于统计分类和回归分析中。EM最大期望算法，常用于机器学习和计算机视觉中的数据集聚领域Apriori关联规则挖掘算法K-Means聚类算法，功能是将n个对象根据属性特征分为k个分割(kAI(人工智能)的英文全称是什么?AI指什么?包含什么?
AI(ArtificialIntelligence,人工智能).“人工智能”一词最初是在1956年Dartmouth学会上提出的.从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展.人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学.人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作.但不同的时代、不同的人对这种“复杂工作”的理解是不同的.例如繁重的科学和工程计算本来是要人脑来承担的,现在计算机不但能完成这种计算,而且能够比人脑做得更快、更准确,因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”,可见复杂工作的定义是随着时代的发展和技术的进步而变化的,人工智能这门科学的具体目标也自然随着时代的变化而发展.它一方面不断获得新的进展,一方面又转向更有意义、更加困难的目标.目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学与技术的发展史联系在一起的.除了计算机科学以外,人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科. 人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面. 知识表示是人工智能的基本问题之一,推理和搜索都与表示方法密切相关.常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等. 常识,自然为人们所关注,已提出多种方法,如非单调推理、定性推理就是从不同角度来表达常识和处理常识的. 问题求解中的自动推理是知识的使用过程,由于有多种知识表示方法,相应地有多种推理方法.推理过程一般可分为演绎推理和非演绎推理.谓词逻辑是演绎推理的基础.结构化表示下的继承性能推理是非演绎性的.由于知识处理的需要,近几年来提出了多种非演泽的推理方法,如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等. 搜索是人工智能的一种问题求解方法,搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系.可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索.启发式知识常由启发式函数来表示,启发式知识利用得越充分,求解问题的搜索空间就越小.典型的启发式搜索方法有A*、AO*算法等.近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题.机器学习是人工智能的另一重要课题.机器学习是指在一定的知识表示意义下获取新知识的过程,按照学习机制的不同,主要有归纳学习、分析学习、连接机制学习和遗传学习等.知识处理系统主要由知识库和推理机组成.知识库存储系统所需要的知识,当知识量较大而又有多种表示方法时,知识的合理组织与管理是重要的.推理机在问题求解时,规定使用知识的基本方法和策略,推理过程中为记录结果或通信需设数据库或采用黑板机制.如果在知识库中存储的是某一领域(如医疗诊断)的专家知识,则这样的知识系统称为专家系统.为适应复杂问题的求解需要,单一的专家系统向多主体的分布式人工智能系统发展,这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题.一、人工智能的历史 人工智能（AI）是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学.人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能的目的就是让计算机这台机器能够象人一样思考.这可是不是一个容易的事情.如果希望做出一台能够思考的机器,那就必须知识什么是思考,更进一步讲就是什么是智慧,它的表现是什么,你可以说科学家有智慧,可你决不会说一个路人什么也不会,没有知识,你同样不敢说一个孩子没有智慧,可对于机器你就不敢说它有智慧了吧,那么智慧是如何分辨的呢?我们说的话,我们做的事情,我们的想法如同泉水一样从大脑中流出,如此自然,可是机器能够吗,那么什么样的机器才是智慧的呢?科学家已经作出了汽车,火车,飞机,收音机等等,它们模仿我们身体器官的功能,但是能不能模仿人类大脑的功能呢?到目前为止,我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官,我们对这个东西知之甚少,模仿它或许是天下最困难的事情了. 在定义智慧时,英国科学家图灵做出了贡献,如果一台机器能够通过称之为图灵实验的实验,那它就是智慧的,图灵实验的本质就是让人在不看外型的情况下不能区别是机器的行为还是人的行为时,这个机器就是智慧的.不要以为图灵只做出这一点贡献就会名垂表史,如果你是学计算机的就会知道,对于计算机人士而言,获得图灵奖就等于物理学家获得诺贝尔奖一样,图灵在理论上奠定了计算机产生的基础,没有他的杰出贡献世界上根本不可能有这个东西,更不用说什么网络了.科学家早在计算机出现之前就已经希望能够制造出可能模拟人类思维的机器了,在这方面我希望提到另外一个杰出的数学家,哲学家布尔,通过对人类思维进行数学化精确地刻画,他和其它杰出的科学家一起奠定了智慧机器的思维结构与方法,今天我们的计算机内使用的逻辑基础正是他所创立的. 我想任何学过计算机的人对布尔一定不会陌生,我们所学的布尔代数,就是由它开创的.当计算机出现后,人类开始真正有了一个可以模拟人类思维的工具了,在以后的岁月中,无数科学家为这个目标努力着,现在人工智能已经不再是几个科学家的专利了,全世界几乎所有大学的计算机系都有人在研究这门学科,学习计算机的大学生也必须学习这样一门课程,在大家不懈的努力下,现在计算机似乎已经变得十分聪明了,刚刚结束的国际象棋大赛中,计算机把人给胜了,这是人们都知道的,大家或许不会注意到,在一些地方计算机帮助人进行其它原来只属于人类的工作,计算机以它的高速和准确为人类发挥着它的作用.人工智能始终是计算机科学的前沿学科,计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在. 现在人类已经把计算机的计算能力提高到了前所未有的地步,而人工智能也在下世纪领导计算机发展的潮头,现在人工智能的发展因为受到理论上的限制不是很明显,但它必将象今天的网络一样深远地影响我们的生活. 在世界各地对人工智能的研究很早就开始了,但对人工智能的真正实现要从计算机的诞生开始算起,这时人类才有可能以机器的实现人类的智能.AI这个英文单词最早是在1956年的一次会议上提出的,在此以后,因此一些科学的努力它得以发展.人工智能的进展并不象我们期待的那样迅速,因为人工智能的基本理论还不完整,我们还不能从本质上解释我们的大脑为什么能够思考,这种思考来自于什么,这种思考为什么得以产生等一系列问题.但经过这几十年的发展,人工智能正在以它巨大的力量影响着人们的生活.让我们顺着人工智能的发展来回顾一下计算机的发展,在1941年由美国和德国两国共同研制的第一台计算机诞生了,从此以后人类存储和处理信息的方法开始发生革命性的变化.第一台计算机的体型可不算太好,它比较胖,还比较娇气,需要工作在有空调的房间里,如果希望它处理什么事情,需要大家把线路重新接一次,这可不是一件省力气的活儿,把成千上万的线重新焊一下我想现在的程序员已经是生活在天堂中了. 终于在1949发明了可以存储程序的计算机,这样,编程程序总算可以不用焊了,好多了.因为编程变得十分简单,计算机理论的发展终于导致了人工智能理论的产生.人们总算可以找到一个存储信息和自动处理信息的方法了.虽然现在看来这种新机器已经可以实现部分人类的智力,但是直到50年代人们才把人类智力和这种新机器联系起来.我们注意到旁边这位大肚子的老先生了,他在反馈理论上的研究最终让他提出了一个论断,所有 人类智力的结果都是一种反馈的结果,通过不断地将结果反馈给机体而产生的动作,进而产生了智能.我们家的抽水马桶就是一个十分好的例子,水之所以不会常流不断,正是因为有一个装置在检测水位的变化,如果水太多了,就把水管给关了,这就实现了反馈,是一种负反馈.如果连我们厕所里的装置都可以实现反馈了,那我们应该可以用一种机器实现反馈,进而实现人类智力的机器形式重现.这种想法对于人工智能早期的有着重大的影响. 在1955的时候,香农与人一起开发了TheLogicTheoriST程序,它是一种采用树形结构的程序,在程序运行时,它在树中搜索,寻找与可能答案最接近的树的分枝进行探索,以得到正确的答案.这个程序在人工智能的历史上可以说是有重要地位的,它在学术上和社会上带来的巨大的影响,以至于我们现在所采用的方法思想方法有许多还是来自于这个50年代的程序.1956年,作为人工智能领域另一位著名科学家的麦卡希（就是右图的那个人）召集了一次会议来讨论人工智能未来的发展方向.从那时起,人工智能的名字才正式确立,这次会议在人工智能历史上不是巨大的成功,但是这次会议给人工智能奠基人相互交流的机会,并为未来人工智能的发展起了铺垫的作用.在此以后,工人智能的重点开始变为建立实用的能够自行解决问题的系统,并要求系统有自学习能力.在1957年,香农和另一些人又开发了一个程序称为GeneralProblemSolver(GPS),它对Wiener的反馈理论有一个扩展,并能够解决一些比较普遍的问题.别的科学家在努力开发系统时,右图这位科学家作出了一项重大的贡献,他创建了表处理语言LISP,直到现在许多人工智能程序还在使用这种语言,它几乎成了人工智能的代名词,到了今天,LISP仍然在发展.在1963年,麻省理工学院受到了美国政府和国防部的支持进行人工智能的研究,美国政府不是为了别的,而是为了在冷战中保持与苏联的均衡,虽然这个目的是带点火药味的,但是它的结果却使人工智能得到了巨大的发展.其后发展出的许多程序十分引人注目,麻省理工大学开发出了SHRDLU.在这个大发展的60年代,STUDENT系统可以解决代数问题,而SIR系统则开始理解简单的英文句子了,SIR的出现导致了新学科的出现：自然语言处理.在70年代出现的专家系统成了一个巨大的进步,他头一次让人知道计算机可以代替人类专家进行一些工作了,由于计算机硬件性能的提高,人工智能得以进行一系列重要的活动,如统计分析数据,参与医疗诊断等等,它作为生活的重要方面开始改变人类生活了.在理论方面,70年代也是大发展的一个时期,计算机开始有了简单的思维和视觉,而不能不提的是在70年代,另一个人工智能语言Prolog语言诞生了,它和LISP一起几乎成了人工智能工作者不可缺少的工具.不要以为人工智能离我们很远,它已经在进入我们的生活,模糊控制,决策支持等等方面都有人工智能的影子.让计算机这个机器代替人类进行简单的智力活动,把人类解放用于其它更有益的工作,这是人工智能的目的,但我想对科学真理的无尽追求才是最终的动力吧.二、人工智能的应用领域1、问题求解. 人工智能的第一大成就是下棋程序,在下棋程度中应用的某些技术,如向前看几步,把困难的问题分解成一些较容易的子问题,发展成为搜索和问题归纳这样的人工智能基本技术.今天的计算机程序已能够达到下各种方盘棋和国际象棋的锦标赛水平.但是,尚未解决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.另一个问题是涉及问题的原概念,在人工智能中叫问题表示的选择,人们常能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,人工智能程序已能知道如何考虑它们要解决的问题,即搜索解答空间,寻找较优解答.2、逻辑推理与定理证明. 逻辑推理是人工智能研究中最持久的领域之一,其中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的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.对数学中臆测的题.定理寻找一个证明或反证,不仅需要有根据假设进行演绎的能力,而且许多非形式的工作,包括医疗诊断和信息检索都可以和定理证明问题一样加以形式化,因此,在人工智能方法的研究中定理证明是一个极其重要的论题.3、自然语言处理. 自然语言的处理是人工智能技术应用于实际领域的典型范例,经过多年艰苦努力,这一领域已获得了大量令人注目的成果.目前该领域的主要课题是：计算机系统如何以主题和对话情境为基础,注重大量的常识——世界知识和期望作用,生成和理解自然语言.这是一个极其复杂的编码和解码问题.4、智能信息检索技术. 受"()*+(*)技术迅猛发展的影响,信息获取和精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题,将人工智能技术应用于这一领域的研究是人工智能走向广泛实际应用的契机与突破口.5、专家系统. 专家系统是目前人工智能中最活跃、最有成效的一个研究领域,它是一种具有特定领域内大量知识与经验的程序系统.近年来,在“专家系统”或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势.人类专家由于具有丰富的知识,所以才能达到优异的解决问题的能力.那么计算机程序如果能体现和应用这些知识,也应该能解决人类专家所解决的问题,而且能帮助人类专家发现推理过程中出现的差错,现在这一点已被证实.如在矿物勘测、化学分析、规划和医学诊断方面,专家系统已经达到了人类专家的水平.成功的例子如：PROSPECTOR系统发现了一个钼矿沉积,价值超过1亿美元.DENDRL系统的性能已超过一般专家的水平,可供数百人在化学结构分析方面的使用.MYCIN系统可以对血液传染病的诊断治疗方案提供咨询意见.经正式鉴定结果,对患有细菌血液病、脑膜炎方面的诊断和提供治疗方案已超过了这方面的专家.三、人工智能理论的数学化趋势越来越突出 在现代科技高速发展的今天,许多科技理论都有赖于数学提供证明,有赖于数学对其的仿真.人工智能的发展也不例外,如何把人们的思维活动形式化、符号化,使其得以在计算机上实现,就成为人工智能研究的重要课题.在这方面,逻辑的有关理论、方法、技术起着十分重要的作用,它不仅为人工智能提供了有力的工具,而且也为知识的推理奠定了理论基础.人工智能中用到的逻辑可概括地分为两大类.一类是经典命题逻辑和一阶谓词逻辑,其特点是任何一个命题的真值或者是“真”,或者是“假”,二者必居其一.这一类问题可以用数学里的经典逻辑理论来解决.世界上事物千差万别,形形色色,除了确定性的事物或概念外,更广泛存在的是不确定性的事物或概念.这些不确定的事物是无法用经典逻辑理论来解决的.因此我们需要发展新的数学工具来表示这些问题.目前在人工智能中对不确定性的事物或概念是通过运用多值逻辑、模糊理论及概率来描述、处理的.多值逻辑、模糊理论及概率虽然都是通过在〔!,"〕上取值来刻画不确定性,但三者之间又存在着很大区别.多值逻辑是通过在真（"）与假（!）之间增加了若干中介真值来描述事物为真的程度的,但它把各个中介真值看作是彼此完全分立的,界限分明.而模糊理论认为不同的中介真值之间没有明确的界限,表现了不同中介值相互贯通、渗透的特征,从而更好地反映了不确定性的本质.概率用来度量事件发生的可能性,而事件本身的含义是明确的,只是在一定的条件下它可能不发生,它与模糊理论是从两个不同的角度来描述不确定性的,因而有人称模糊理论描述了事物内在的不确定性,而概率描述的是事物外在的不确定性.由上可以看出,数学使得人工智能能很好的模拟人类智能,大大推动了人工智能的向前发展.现在人工智能中还有一些问题用现在的数学很难表示出来,相信在数学知识不断发展之后,这些问题能很快得到解决.四、人工智能的发展现状及前景 目前绝大多数人工智能系统都是建立在物理符号系统假设之上的.在尚未出现能与物理符号系统假设相抗衡的新的人工智能理论之前,无论从设计原理还是从已取得的实验结果来看,SOAr在探讨智能行为的一般特征和人类认知的具体特征的艰难征途上都取得了有特色的进展或成就,处在人工智能研究的前沿.80年代,以NewellA为代表的研究学者总结了专家系统的成功经验,吸收了认知科学研究的最新成果,提出了作为通用智能基础的体系结构Soar.目前的Soar已经显示出强大的问题求解能力.在Soar中已实现了30多种搜索方法,实现了若干知识密集型任务(专家系统),如RI等.rOOks提出了人工智能的一种新的途径.它认为无需概念或者说无需符号表示,智能系统的能力可以逐步进化.在它的研究中突出4个概念:(1)所处的境遇机器人不涉及抽象的描述,而是处在直接影响系统的行为的境地.(2)具体化机器人有躯干,有直接来自周围世界的经验,他们的感官起作用后立即会有反馈.(3)智能智能的来源不仅仅是限于计算装置,也是由于与周围进行交互的动态决定.(4)浮现从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能.五、结语 人工智能不单单需要逻辑思维与模仿,科学家们对人类大脑和神经系统研究得越多,他们越加肯定:情感是智能的一部分,而不是与智能相分离的.因此人工智能领域的下一个突破可能不仅在于赋予计算机更多的逻辑推理能力,而且还要赋予它情感能力.许多科学家断言,机器的智能会迅速超过阿尔伯特·爱因斯坦和霍金的智能之和.到下世纪中叶,人类生命的本质也会发生变化.神经植入将增强人类的知识和思考能力,并且开始向一种复合的人/机关系过渡,这种复合关系将使人类逐渐停止对生物机体的需求.大量非常微小的机器人将在大脑的感觉区里占据一席之地,并且创造出真假难辨的虚拟现实的仿真效果. 人工智能的实现,不是天方夜谭.虽然会很辛苦,但是没有人规定只有人类可以思考.就像是生命的不同表现形式,动物,植物,微生物,是不同的生命的形式.人类可以以未知的方式思考,计算机也可以以另一种（并非一定要和人相同的）形式思考.著名软件公司ADOBE的专业制图软件Illustrator的一种文件格式!AI（ArtificialIntelligence）：人工智能.就是指计算机模仿真实世界的行为方式与人类思维与游戏的方式的运算能力.那是一整套极为复杂的运算系统与运算规则.此外,AI还代表ALLENIVERSON（阿伦·艾佛森）,他生于美国,是全世界最好的篮球联盟——“NBA”96黄金一代的代表人物,是NBA有史以来最好的后卫之一,他以183cm身高在众多魁梧的球员中灵动跳跃,独领风骚.他先后摘取过NBA得分王、抢断王等称号,还在2001年带领76人队闯进NBA总决赛.他以特立独行的风格和满身的纹身成为全球篮球青少年疯狂追捧的偶像.