清华大学出版社

人工智能是研究理解和模拟人类智能、智能行为及其规律的一门学科。其主要任务是建立智能信息处理理论，进而设计可以展现某些近似于人类智能行为的计算系统。本书介绍人工智能的理论、方法和技术及其应用，除了讨论那些仍然有用的和有效的基本原理和方法之外，着重阐述一些新的和正在研究的人工智能方法与技术，特别是近期发展起来的方法和技术。此外，用比较多的篇幅论述人工智能的应用，包括互联网智能等新增内容。 本书包括下列内容： ①简述人工智能的起源与发展，人工智能的定义、人工智能与计算机的关系以及人工智能的研究和应用领域； ②论述知识表示、推理和不确定推理的主要方法，包括谓词逻辑、产生式系统、语义网络、框架、脚本、面向对象、归结推理、非单调推理、主观Bayes方法、确定性理论、证据理论、模糊逻辑和模糊推理等； ③讨论常用搜索原理，如盲目搜索、启发式搜索、MIN-MAX搜索、α-β剪枝和约束满足等；并研究一些比较高级的搜索技术，如贪婪局部搜索、局部剪枝搜索、模拟退火算法和遗传算法等； ④介绍分布式人工智能与Agent、计算智能、机器学习、反向传播神经网络、Hopfield神经网络和知识发现等已成为当前研究热点的人工智能技术和方法； ⑤比较详细地分析人工智能的主要应用领域，涉及自动规划系统、自然语言处理、信息检索、语言翻译、语音识别、机器人和互联网智能等。 本书适合作为面向计算机专业大学高年级和非计算机专业研究生的人工智能课程的教材，也可作为希望深入学习人工智能的科技人员的参考书。

智能与意识、思维和记忆以及问题求解、直觉、创造性、语言和学习有关，而且还与理解和感觉，如运动技能、预测环境能力、处理复杂世界的能力、在学校的表现和智商（IQ）测试情况的表现等有关。 智能与人工智能 1. 智能的定义 智能的定义有多种，比如，“智能是进行抽象思维的能力。" ; “智能是学习或者从经验中获益的能力。" ; “智能是学习到的或者学习以调整自己适应环境的能力。" ; “智能是充分调整自己去适应生命中的相对较新的情况。" ; “智能是接受知识的能力以及所拥有的知识。" ，等等。但要理解这些定义，最好的方法是通过问题来体会。 通过寻找感兴趣的问题来推进研究（例如，狗如何会跑并且抓住飞盘？为什么老鼠很快学会在迷宫中寻找方向？蚂蚁在寻找食物的长途旅行之后如何会寻找到回到巢穴的路？人如何走路？人如何在一堆人当中认出一张面孔？) ，然后尝试去了解这种特定的行为如何产生。是否愿意把任何这些行为称作智能，依赖于个人偏好。 我们在直觉上认为的智能总是包括两个特殊性质： 顺应性和多样性。简而言之，主体（Agent）总是遵从其所处环境的自然和社会规则，利用这些规则去产生多样行为。例如，所有动物、人类以及机器人必须遵从存在重力和摩擦以及移动需要能量的事实，绝不可能完全摆脱这些。但是适应并以一定方式利用这些限制条件使我们能够走路、奔跑、从杯子中喝水、将盘子放到桌子上、踢足球或骑自行车。多样性意味着主体能够进行多种行为，这样他/它能够对给定的情况作出适当的反应。一个仅走路，或仅下棋，或仅奔跑的主体在直觉上比起能用积木搭出玩具汽车、把啤酒倒进杯子和在一群挑剔的听众面前讲课的主体缺少智能。在智能的许多定义中提到的学习是一种随时间而增加行为多样性的有效手段。 在直觉上，我们认为一些行为比另外一些需要更多的思考，一些动物比另外一些更聪明。在一般用法中，思考经常与有意识的思想相联系；认人工智能（第2版）第2版序知则更一般化，用于同感觉-运动过程非直接相关的行为当中；智能则更加一般化，包含各种对主体有益的认知和思考等抽象行为。智能是先天的还是后天的，即智能在多大程度上来自遗传或是在一生中所获取的？可以用智能来区分开人类和其他物种吗？ 2. 人工智能的研究内容 人工智能研究的是智能行为中的机制，它是通过构造和评估那些试图采用这些机制的人工制品来进行研究的。在这个定义中，人工智能不像是关于智能机制的理论，而更像是一种经验主义的方法学，它的主要任务是构造和测试支持这种理论的可能模型。它是一种对实验进行设计、运行和评估的科学方法，其目的是细化精炼模型和进行更深入的实验。 人工智能的经验主义的方法学是一个重要的工具，也许它对于探索智能的本质来说是最好的工具。 人工智能属于交叉学科研究领域，本质上具有3个目标： ①了解生物系统（也就是引起人类或动物智能行为的机制）; ②智能行为一般原则的抽象提取； ③应用这些原则设计有用的人造物。这里的机制不仅是指神经机制或者大脑过程，也指主体的身体及其同真实世界的交互。如肌肉具有弹性，当一条腿抬起时另一条腿承受的重量增加的事实，和与步行紧密相关的反射和大脑中枢一样是步行机制的有机组成。 如果人工智能想达到科学的水平并成为智能系统科学的关键组成部分，那么就必须在它制造的人工制品的设计、执行和分析中包含分析和经验式的方法。从这种观点来看，每个人工智能程序都可以看做是一个实验： 它向现实世界提出问题，而答案就是现实世界对此做出的响应。现实世界对我们的设计做出的响应和程序式的承诺构成了对于智能的形式方法、机理以及智能本质的理解。 3. 智能的计算特性 智能的计算特性开始于对计算设备的抽象规范说明。20世纪30年代到50年代的研究开启了这一探索， Turing（图灵）、Post（波斯特）、Markov（马尔可夫）和Church（丘奇）等人在对计算的形式化描述方面做出了极大贡献。这些研究的目的不是仅仅指出计算的含义，而是还指出关于可计算的界限。通用图灵机是大家熟知的规约，波斯特重写规则可作为产生式系统的计算基础。基于部分递归函数的丘奇模型，支持诸如Scheme、Ocaml和Standard ML等现代高级函数式语言。 所有这些形式化方法都具有等价的计算能力。可以说通用图灵机等价于现代的任意计算设备。没有哪个计算模型能够定义得比这些已知模型更强（丘奇-图灵命题）。一旦建立了计算规约的等价性，就从这些规约的机械化工具中解放出来： 我们可以用电子管、硅芯片、细胞质或者普通玩具实现我们的算法。在一种媒介上的自动设计机制等价于在另外一种媒介上设计的机制。因此当我们在一种媒介上来测试在另一种媒介上实现的机制时，这就使得经验式探索的方法变得更加重要。 有一种可能就是图灵和波斯特的通用机器也许太泛化、太通用了。这里的矛盾是，智能可能并不需要很强的带集中控制的计算机制。Levesque等人提出，人的智能可能需要更多的计算性的有效的表示（比如用于推理的Horn子句）、对基文字的实际知识的约束以及可计算跟踪的真值维护系统的使用。智能的基于主体的模型和涌现模型似乎也支持这种观点。 由我们的机制模型的形式化等价性所引出的另一个论点是，二元性问题和心身（mind-body)问题。从笛卡儿时代以后，哲学家们就提出了智能、意识和身体之间的交互和整合问题。他们给出了每种可能的反应，从完全的唯物主义到对物质存在的否定，甚至到支持上帝的介入！人工智能和认知科学的研究否认了笛卡儿的二元论，而支持基于物理实现或者符号实例的智能的物质模型，支持管理这些符号的计算机制的形式化规约，支持表示范例的等价性，支持在具体模型中知识和技能的机械化。这种研究的成功表明了这种模型的有效性。 关于物理系统中智能的认识论基础 1. 表示问题 Allen Newell和Herbert Simon假定物理符号系统和搜索对于智能的特性是充分必要的。神经模型或子符号模型的成功、智能的遗传和涌现方法的成功与否是对物理符号假设的一种驳斥，或者它们是这种假设的简单实例吗？ 这种假设的弱解释--物理符号系统是智能的一个充分模型--在现代认知科学领域中也产生了许多强大的、有用的结果。这种观点认为，我们可以实现那些能说明智能行为的物理符号系统。充分性使得我们能够为人所具有的许多方面的性能创建和测试基于符号的模型。但是这个假设的强解释--物理符号系统和搜索对于智能活动是必要的--仍然是个有待研究和解决的问题。 2. 认知中具体化的作用 物理符号系统的主要假定之一就是，物理符号系统的特定实例化是与其性能无关的；其主要内容是其形式化结构。许多研究者都对这一点提出了挑战，他们指出，智能行为的需求要求一种允许主体整合到世界中的物理具体化。现代计算机的结构并不允许这种程度的情形，而是要求一个人工智能通过极端有限的窗口（同时代的输入输出设备）来同世界进行交互。如果这种挑战是正确的，则尽管出现机器智能，它仍需要同时代的计算机提供一个非常相同的接口。 3. 文化与智能 传统上，人工智能侧重于把个体智能作为智能的来源；我们的行动好像在说，对于大脑编码和怎样管理知识的方法的解释可能是原始智能的一种完整解释。然而，我们也会认为知识最好被看做是基于社会的，而不是一个个体所构造的。在基于记忆的智能理论中，社会本身也带有智能的本质组件。对于智能理论来说，对知识的社会环境和人类行为的理解与对个体智能／大脑的理解是同等重要的。 4. 刻画解释的本质 在表示传统研究中，大多数模型一般工作在已经解释好的领域中： 即对于解释的上下文，系统设计者通常都会给出一些隐含的先验约定，在这种约定下，很难随着问题求解过程的进展而将上下文、目标或表示进行转换。目前还很少有成果能够阐明人类构造解释的过程。 Tarskian的观点“将语义作为符号和对象之间的映射”还是太弱，并不能解释某些事实，如一个领域在不同实践目标的指引下可能会有不同的解释。语言学家试图通过语用理论来弥补Tarskian语义的局限性。论述分析，基本依赖于上下文中符号的使用，已经在近几年中广泛地讨论了这些问题，但是这个问题涉及的内容事实上更加广泛，因为它通常还要处理参考工具的失败。 C. S. Peirce最先倡导符号语言学的传统，后续的研究者还有Eco、Seboek以及其他学者，他们对于语言采用了更为激进的方法。这种符号语言学的传统把符号表达式放在广泛的记号和记号解释中，它表明，符号的含义只有在它用做解释的上下文中才能够被理解，即在解释的上下文中或在与环境的交互中才能被理解。 5. 表示的不确定性 Anderson的表示不确定性猜想指出，在熟练性能的特定动作这种环境下，确定哪种表示模式最接近于人的问题求解器在理论上是不可能的。这种猜想是基于这样的事实，即每个表示模式不可避免地被连接到一个大型的计算结构，就像搜索策略一样。在对人类技能的详细分析中，我们不太可能充分地控制这个过程，使得我们能决定这个表示；也不可能为过程被唯一确定的那些点建立一个表示。由于物理的不确定原理，现象可以通过检验这个现象的过程来加以改变，因此，构造智能模型是需要重点关注的，但没有必要限制它们的利用。 6. 设计可以反证的计算模型的必要性 Popper等人指出科学理论必定是可以反证的，这就是说，必定存在一种环境，使得在此环境下的这个理论模型并不是对这种现象的成功的近似。任何数目的确定性实验实例都不能充分地确定一个模型。许多研究是在已有理论的失败的基础上进行的。 物理符号系统假设的一般本质正如智能的情景模型和涌现模型一样，可能会使它们不可能被歪曲，并作为一种模型在使用上受到限制。同样地，可以对关于现象学传统的假设进行批评。一些人工智能数据结构（比如语义网）还是很普通的，使得它们可以为几乎所有能够描述出的东西建模，或者正像通用图灵机一样，使得它们可以为任意的可计算函数建模。因此，一个人工智能研究者或者认知科学家被问到在什么条件下他们的智能模型不能用时，给出答案经常是很难的。 7. 科学方法的局限性 许多研究者们宣称智能最重要的方面就是没有被模型化，并且原则上不可能被模型化，且特别是不能使用任意的符号表示来模型化。这些领域包括学习、自然语言理解、说话动作的产生等。这些问题已经深深地植根于我们的哲学理念中。 现代人工智能的大部分假设究其根源，可以回溯到Carnap、Frege和Leibniz，再远回溯到Hobbes、Locke和Hume，直至回溯到亚里士多德。这种传统观点认为： 智能的处理过程符合通用法则，并且在原则上是可以理解的。 Heideggei和他的追随者们描述了一种可选择的方法来理解智能。对于Heidegger来说，思考的意识是源于具体经验的世界（一种生命世界）. Winograd、Flores和Dreyfus等人认为一个人对事物的理解是扎根于在每天的世界中“使用”这些理解的实际活动中。这种世界在本质上是一种环境，其中包括按社会方式组织的各种作用和目的。而这种环境以及其中的人的功能不是通过命题解释的，也不是能够被定理所理解的。它更像是一种不断形成的流程。在基本意义上，人类专家并不知道“是什么”，而只是知道在进化的社会标准和隐含的目的不断发展的世界中，它是怎么样的。我们不能自然地就把我们的知识和大多数智能行为放入语言中，不管是形式的，还是自然的。 现在让我们来考虑上述这种观点。首先，作为对纯理性主义传统的批判，这种观点是正确的。理性主义者断言，所有的人类活动、智能和责任，至少原则上能够被表示、形式化和理解。大多数喜欢思考的人们并不相信这种情形，他们认为情感、自我主张和有责任的承诺等（至少）也是很重要的。在科学方法的领域之外，还有很多人类活动在可靠的人类交互中起着本质的作用。这些不可能被机器再生或者取消。 然而，检查数据、构造模型、运行实验以及为了进一步实验而使用模型精炼来检查结果等这些科学传统已经进入了理解、解释和预言人类社会能力这样的一个重要的层次。科学方法是提高人类理解能力的一个有力工具。尽管如此，对于这种方法，这里仍然有许多的告诫是研究人员必须理解的。 首先，研究人员不要把这个模型与被建模的现象相混淆。模型能允许我们不断地逼近这种现象；通常这里必然有一些不能使用经验解释的“残留物”。在这种意义上，表示不确定性并不是一个问题。一个模型是用来探索、解释和预言的；如果它允许研究人员来完成这些任务，则它就是成功的。对于一种简单的现象，不同的模型可以用来解释这种现象的不同方面。 此外，当研究者们主张智能现象的各个方面已经在科学传统的范围和方法之外时，这种说法本身也只能用那些科学传统来验证。科学方法只是一种工具，它可以用来解释在什么意义上问题仍然是在我们当前的理解之外。每种观点，甚至是来自现象学传统的观点，如果它是有一定含义的，那么它一定跟我们当前某些解释的概念相关，甚至它是与那些不能解释的现象相关联的。 人工智能研究中最让人振奋的方面是对我们必须解决的这些问题做出不懈的努力和贡献。为了理解问题求解、学习和语言，我们必须领会表示和知识的哲学层面含义。我们被要求用一种谦卑的方式来解决亚里士多德的理论和实践之间的关系问题，以形成理解和实践的统一、理论和实践的统一，在科学与艺术中生活。 人工智能工作者是工具的制造者。我们的表示、算法和语言都是一些工具，用来设计和建立那些展现智能行为的机制。通过实验，我们同时检验了它们解决问题的计算适合性，也检验了我们自己对智能现象的理解。 智能系统 人工智能研究的一个最重要的动力是建立智能系统以求解困难问题。20世纪80年代以来，知识工程成为人工智能应用最显著的特点，专家系统、知识库系统和智能决策系统等智能系统得到广泛应用。知识库系统是把知识以一定的结构存入计算机，进行知识的管理和问题求解，实现知识的共享。 建造智能系统可以模仿、延伸和扩展人的智能，实现某些“机器思维”，具有极大的理论意义和实用价值。根据智能系统具有的知识和处理范型的情况，可以分成4类： ①单领域知识单处理范型智能系统； ②多领域知识单处理范型智能系统； ③单领域知识多处理范型智能系统； ④多领域知识多处理范型智能系统。 1. 单领域知识单处理范型智能系统 系统具有单一领域的知识，并且只有一种处理范型。例如，第一代、第二代专家系统和智能控制系统就属于这种类型。 专家系统是运用特定领域的专门知识，通过推理来模拟通常由人类专家才能解决的各种复杂的、具体的问题，达到与专家具有同等解决问题能力的计算机智能程序系统。它能对决策的过程做出解释，并有学习功能，即能自动增长解决所需的知识。第一代专家系统（如DENDRAL和MACSYMA等）以高度专业化、求解专门问题的能力强为特点，但在体系结构的完整性和可移植性等方面存在缺陷，求解问题的能力弱。第二代专家系统（如MYCIN、CASNET、PROSPECTOR和HEAR-SAY等）属于单学科专业型、应用型系统，其体系结构较完整，移植性方面也有所改善，而且在系统的人机接口、解释机制、知识获取技术、不确定推理技术、增强专家系统的知识表示和推理方法的启发性、通用性等方面都有所改进。 2. 多领域知识单处理范型智能系统 多领域知识单处理范型智能系统具有多种领域的知识，而处理范型只有一种。大多数分布式问题求解系统和多专家系统属于这种类型。一般采用专家系统开发工具和环境来研制这种大型综合智能系统。 由于智能系统在工程技术、社会经济、国防建设和生态环境等各个领域的广泛应用，对智能系统的功能提出多方面的要求。许多实际问题的求解，如医学诊治、经济计划、军事指挥、金融工程、作物栽培和环境保护等，往往需要应用多学科、多专业的专家知识和经验。现有的许多专家系统大多数是单学科、专门性的小型专家系统，不能满足用户的实际需求。建立多领域知识单处理范型智能系统在一定程度上可以达到用户的要求。 这类智能系统的特点是： 面向用户实际的复杂问题求解；应用多学科、多专业、多专家的知识和经验，进行并行协同求解；基于分布式、开放性软硬件和网络环境；利用专家系统开发工具和环境；实现知识共享与知识重用。 3. 单领域知识多处理范型智能系统 单领域知识多处理范型智能系统具有单一领域的知识，而处理范型有多种。例如，混合智能系统属于这种类型。一般可以用神经网络通过训练，获得知识。然后，转换成产生式规则，提供给推理机在求解问题时使用。 在进行问题求解时，也可以采用多种机制处理同一个问题。例如，疾病诊断系统，既可采用符号推理的方法，也可通过人工神经网络。让它们同时处理相同的问题，然后比较它们的结果，这样容易取得正确的结果，避免片面性。 4. 多领域知识多处理范型智能系统 这种系统具有多种领域的知识，而且处理范型也有多种。这种系统包含一个集体智能模块，其含义是，在多种处理范型的环境下，各种处理机制各行其是，各司其职，协调工作，表现为集体的智能行为。 综合决策系统和综合知识系统属于多领域知识多处理范型智能系统。在这种系统中，基于推理的抽象思维采用符号处理的方法，而基于模式识别和图像处理之类的形象思维采用神经计算。 在总结和分析已有智能系统的设计方法和实现技术的基础上，采用智能主体（Agent）技术，实现具有多种知识表示、综合知识库、自组织协同工作和自动知识获取等功能的大型综合智能系统。这类系统是当前实现多领域知识多处理范型智能系统的主要途径。 现实世界的问题多数具有病态结构，研究的对象也在不断地变化，很难找到一种精确的算法进行求解。构造人机统一、与环境进行交互、反馈的开放系统是解决这类智能问题的途径。所谓开放系统是指系统在操作过程中永远有难以预料的后果，并能在任何时候从外部接收新的信息。 互联网已经成为各类信息资源的聚集地。在这些海量的、异构的Web信息资源中，蕴涵着具有巨大潜在价值的知识。通过Web内容发现、结构发现和使用发现等，能够从Web上快速、有效地发现资源和知识，提高在Web上检索信息和利用信息的效率。互联网上的维基百科反映了集体智能的特点和优势，受到社会的欢迎和好评。 展望智能科学与技术 智能科学与技术正在向理论创新的深入和大规模实际应用发展。在2009年中国科学技术协会公布的“10项引领未来的科学技术”评选结果中，作为智能科学与技术核心的“人工智能技术”排在第4位，作为智能科学与技术重要应用的“未来家庭服务机器人”排在第2位，这充分显示了智能科学与技术的巨大潜力和极其广泛的社会影响。 在过去50多年的人工智能研究中，人们一直沿着“模拟脑”的方向做出努力，分别从智能系统的结构、功能和行为3个基本侧面展开对智能的研究。这样，便先后形成了模拟大脑抽象思维功能的符号智能学说、模拟大脑结构的神经网络学说以及模拟智能系统行为的感知-动作系统学说。由于社会的迫切需要，呼唤着智能科学与技术在理论上取得突破，在应用上广泛普及。展望智能科学与技术的发展，可以开展以下3方面的研究： (1) 智能科学。智能科学是脑科学、认知科学和人工智能等的交叉学科，研究智能的理论和技术。智能科学不仅要进行智能的功能仿真，而且要研究智能的机理。脑科学从分子层次、细胞层次和行为层次研究自然智能机理，建立脑模型，揭示人脑的本质。认知科学是研究人类感知、学习、记忆、思维和意识等人脑心智活动过程的科学。人工智能研究用人工的方法和技术，模仿、延伸和扩展人的智能，实现机器智能。 (2) 互联网智能。互联网为智能科学与技术提供了重要的研究、普及和应用平台。作为知识处理和智能行为交互的基本环境，今天的互联网，最为丰富的就是信息，最为缺乏的就是智能。如何为在海量信息面前无所适从的用户提供有效的检索手段，如何剔除有害的、无用的垃圾邮件，如何使远方的机器人成为你放心的智能代理，都对网络信息的智能化提出了迫切的需求，也是智能科学与技术发展的巨大动力。基于互联网的集体智能，通过大规模协作和综合集成，将为科学决策提供有效的途径。 (3) 智能机器人。智能机器人是将体力劳动和智力劳动高度结合的产物。智能机器人是一种具有智能的、高度灵活性的、自动化的机器，具备感知、规划、动作和协同等能力，是多种高新技术的集成体。 欧盟委员会于2011年5月评出了对未来影响最大的6项前沿技术。这6项技术目前还处于研究阶段，前3项分别是未来信息分析模拟技术、石墨烯科技和纳米级传感器技术。后3项与人工智能有关，分别是： (1) 人脑工程技术。这一技术可用于对人脑的低能耗、高效率进行研究。人脑的学习功能、联想功能和创新功能都是目前计算机不具备的。另外，具有如此巨大功能的人脑又是节能减排的典范，它的功耗只有20～30W，相当于一盏白炽灯。人脑的这些神奇之处一旦破解，将为信息技术研发提供借鉴。 (2) 医学信息技术。有关研究旨在推动信息技术在医药领域的大规模应用。此类技术还将对海量传输健康信息、利用人工智能技术处理这些信息并做出个性化治疗方案提出新要求。 (3) 伴侣型机器人开发。这一项目旨在研制具有一定感知、交流和情感表达能力的仿真机器人，为人类特别是小孩和老人提供无微不至的服务。这一项目将有两大亮点，一是依靠先进的人工智能技术，使机器人初步具有像人一样的感知、交流和情感表达能力；二是开发出制造机器人的新材料，可以让机器人看起来、摸起来像真人一样。 中国计算机学会《技术动态》评出“2011年度十大新闻”，其中3条与人工智能有关： “脑神经元连接同步定位首获成功”, "IBM成功构建模拟人脑功能的认知计算机芯片”和“美研发光子神经元系统引计算机速度革命”. 本书在《人工智能》 (2006版）的基础上，吸取了国内外人工智能教材的优点，增补了国际上最新的研究成果修订而成。参考史忠植教授的教材，本书新增一章“互联网智能”，包括语义网与本体、Web技术、Web挖掘和集体智能等内容。结合教学实际，以附录形式增加了“人工智能大作业”，包括28个问题（选题），并明确了大作业组织形式及要求。 本书第3、4、9、10章由张彦铎撰写，其余各章由贲可荣撰写。全书由贲可荣统稿。蔡敦波对第3章进行了修订，郑笛参与了第4、10章的修订，陈志刚教授对全书进行了认真审校，特此致谢。 感谢所有参考文献的作者，感谢《中国计算机学会通讯》、中国计算机学会《技术动态》部分论文的作者。 贲可荣2012年8月 智能（Intelligence）是人类所特有的区别于一般生物的主要特征。智能解释为“感知、学习、理解、知道的能力，思维的能力”。智能通常被理解为“人认识客观事物并运用知识解决实际问题的能力，……，往往通过观察、记忆、想象、思维、判断等表现出来。" 人工智能就是用计算机来模拟人的智能，因此又叫做机器智能。研究人工智能的目的，一方面是要制造出具有智能的机器，另一方面是要弄清人类智能的本质。通过研究和开发人工智能，可以辅助、部分代替甚至拓宽人的智能，使计算机更好地造福于人类。 信息经抽象结晶为知识，知识构成智能的基础。因此，信息化到知识化再到智能化，必将成为人类社会发展的趋势。人工智能已经并正在广泛而深入地结合到科学技术的各门学科和社会的各个领域中，它的概念、方法和技术，正在各行各业广泛渗透。智能已成为当今各种新产品、新装备的发展方向。 随着人工智能学科的发展，课程的内容也要不断更新。在美国，由IEEE Computer Society和ACM计算教程联合工作组共同制订了《计算教程2001》 (Computing Curricula 2001，简称CC2001) ，它主要修订了CC1991，以反映计算机领域十余年来的发展。从CC2001可以看出，人工智能课程除包括人工智能概论、问题状态与搜索、知识表示和机器人学等传统部分外，还增加了机器学习、智能体、自然语言处理、语音处理、知识库系统、神经网络和遗传算法等内容。这充分反映了CC2001对人工智能课程的重视。在我国，从20世纪70年代末开始，随着改革开放政策的实施，人工智能的教学和科研逐步展开。 本书介绍人工智能的理论、方法和技术及其应用，除了讨论那些仍然有用的和有效的基本原理和方法之外，着重阐述一些新的和正在研究的人工智能方法与技术，特别是近期发展起来的方法和技术。此外，用比较多的篇幅论述人工智能的应用，包括人工智能新的应用研究。具体包括下列内容。 (1) 简述人工智能的起源与发展，讨论人工智能的定义、人工智能与计算机的关系以及人工智能的研究和应用领域。 (2) 论述知识表示、推理和不确定推理的主要方法，包括谓词逻辑、产生式系统、语义网络、框架、面向对象、归结推理、非单调推理、主观Bayes方法、确定性理论、证据理论、模糊逻辑和模糊推理等。 (3) 讨论常用搜索原理，如盲目搜索、启发式搜索、MIN-MAX搜索、α-β剪枝和约束满足等；并研究一些比较高级的搜索技术，如贪婪局部搜索、局部剪枝搜索、模拟退火算法和遗传算法等。 (4) 介绍近期发展起来的已成为当前研究热点的人工智能技术和方法，即分布式人工智能与Agent、计算智能、机器学习、反向传播神经网络、Hopfield神经网络和知识发现等。 (5) 比较详细地分析人工智能的主要应用领域，涉及自动规划系统、自然语言处理、信息检索、语言翻译、语音识别和机器人等。 本书第3、4、9、10章由张彦铎撰写，其余各章由贲可荣撰写。全书由贲可荣统稿。吴荣华撰写了附录初稿。陈志刚教授对全书进行了认真审校，特此致谢。 在本书编写过程中，参考和引用了许多专家、学者的著作和论文，正文中未一一注明。在此，作者谨向相关参考文献的作者表示衷心的感谢。 不当之处，恳请读者批评指正。 作者2006年1月

版权图片链接