导读：本篇文章首席CTO笔记来给大家介绍有关人工智能从哪个地方编制的相关内容，希望对大家有所帮助，一起来看看吧。
人工智能研究是从什么时候开始的？
二战后，许多人开始独立地从事智能机器的研究工作。英国数学家艾伦?图灵（Alan Turing）可能是其中的第一位。他在1947年作了一个有关智能机器的演讲。他或许就是认定人工智能的研究最好是通过编制计算机程序而非制造机器的第一人。到了20世纪50年代后期，已有很多人在研究人工智能，他们的工作大都基于计算机程序设计。
旗鱼科技是润建股份控股子公司，在人工智能领域深耕多年，产品有巧见云3D内容生产平台、3D LED大屏、VR/AR眼镜、无线会议室等，与军方和学院都有密切合作，感兴趣的话可以搜索看看。
人工智能诞生于什么地方
人工智能诞生于什么地方？答案是A
A. Dartmouth B. London C. New York D. Las Vegas
1955年8月31日，“人工智能”这个词首次出现在一个持续2个月，只有10个人参加的研讨会提案上。在这一年之后的达特茅斯夏季研讨会（1956年Dartmouth Conference）则被广泛认为是人工智能研究的诞生之日。
赫伯特·A·西蒙的西蒙和人工智能
20世纪50年代以后，西蒙的研究方向发生了重大转移，逐渐转向了认知心理学和人工智能领域。西蒙认为，社会科学缺乏像自然科学一样的科学性，社会科学需要借鉴自然科学严格和精确的研究方法，才能成为真正意义上的科学。同时，在西蒙看来，经济学、管理学、心理学等学科所研究的课题，实际上都是“人的决策过程和问题求解过程”。要想真正理解组织内的决策过程，就必须对人及其思维过程有更深刻的了解。因此，借助于计算机技术的发展，西蒙与同事纽厄尔等人一起开始尝试用计算机来模拟人的行为，从而创建了认知心理学和人工智能研究新领域。西蒙认为，人的思维过程和计算机运行过程存在着一致性，都是对符号的系列加工，因此，可以用计算机来模拟人脑的工作。他甚至大胆地预言，人脑能做的事，计算机同样也可以完成。“初级知觉和记忆程序（EPAM）”和“通用问题求解系统（GPS）”等人工智能软件的问世，部分证实了西蒙的预言。
当时人工智能的主要学派有下列三家：①符号主义(Symbolicism)，又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)，其原理主要为物理符号系统假设和有限理性原理。这一学派认为人工智能源于数理逻辑。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流学派。这个学派的代表有纽厄尔、肖、西蒙和尼尔逊(Nilsson)等。②联结主义(Connectionism)，又称为仿生学派(Bionicsism)或生理学派(Physiologism)，其原理主要为神经网络及神经网络间的连接机制与学习算法。这一学派认为人工智能源于仿生学，特别是人脑模型的研究。从模型到算法，从理论分析到工程实现，为神经网络计算机走向市场打下了坚实的基础。③行为主义(Actionism)，又称进化主义(Evolutionism)或控制论学派(Cyberneticsism)，其原理为控制论及感知-动作型控制系统。他们对人工智能发展历史具有不同的看法，这一学派认为人工智能源于控制论。
西蒙在人工智能中做出的最基本贡献，是他提出了“物理符号系统假说”PSSH(Physical Symbol System Hypothesis)。在这一意义上，他是符号主义学派的创始人和代表人物之一。他的基本观点是：知识的基本元素是符号，智能的基础依赖于知识，研究方法则是用计算机软件和心理学方法进行宏观上的人脑功能的模拟。符号主义的主要依据是两个基本原理：①物理符号系统假设原理。②由西蒙提出的有限合理性原理。这一学说鼓励着人们对人工智能进行全面的探索。西蒙认为，任何一个物理符号系统如果是有智能的，则肯定能执行对符号的输入、输出、存储、复制、条件转移和建立符号结构这样六种操作。反之，能执行这六种操作的任何系统，也就一定能够表现出智能。根据这个假设，我们可以推出以下结论：人是具有智能的，因此人是一个物理符号系统；计算机是一个物理符号系统，因此它必具有智能；计算机能模拟人，或者说能模拟人的大脑功能。
1956年，西蒙、纽厄尔和另一位著名学者约翰·肖(John Cliff Shaw)一起，成功开发了世界上最早的启发式程序“逻辑理论家”LT(1ogic Theorist) ,从而使机器迈出了逻辑推理的第一步。在卡内基-梅隆大学的计算机实验室，西蒙和纽厄尔从分析人类解答数学题的技巧入手，让一些人对各种数学题作周密的思考，要求他们不仅写出求解的答案，而且要说出自己推理的方法和步骤。通过对实例的大量观察，西蒙和纽厄尔广泛收集了人类求解一般性问题的各种方案。他们发现，人们求解数学题时，通常采用试凑的办法。试凑时并不一定列出所有的可能性，而是用逻辑推理来迅速缩小搜索的范围。人类证明数学定理也有类似的思维规律，通过把一个复杂问题分解成几个简单的子问题，以及利用已知常量代入未知变量等方法，用已知的公理、定理或解题规则进行试探性推理，直到所有的子问题最终都变成已知的，然后根据记忆中的公理和已被证明的定理，运用代入法、替换法来解决子问题，最终解决整个问题。人类求证数学定理同样也是一种启发式搜索，与电脑下棋的原理有异曲同工之妙。在这一基础上，他们利用“逻辑理论家”程序向数学定理发起挑战，建立了机器证明数学定理的启发式搜索法，并用计算机证明了罗素、怀特海的数学名著《数学原理》一书第二章52个定理中的38个定理（1963年，经过改进的“逻辑理论家”程序在一部更大的电脑上，最终完成了第二章全部52条数学定理的证明）。
基于这一成功，西蒙和纽厄尔把“逻辑理论家”程序扩充到了人类求解一般问题的过程，设想用机器模拟具有普遍意义的人类思维活动。“逻辑理论家”受到了人们的高度评价，认为它是用计算机探讨人类智力活动的第一个真正意义上的成果，也是图灵关于机器可以具有智能这一论断的第一个实际的证明。在开发“逻辑理论家”程序的过程中，西蒙首次提出并成功应用了“链表”（list）作为基本的数据结构，并设计与实现了表处理语言IPL (Information Processing Language)。在人工智能的历史上，IPL是所有表处理语言的始祖，也是最早使用递归子程序的语言。其基本元素是符号，并首次引进表处理方法。IPL最基本的数据结构是表结构，可用以代替存储地址或有规则的数组，这有助于将程序员从繁琐的细节中释放出来而在更高的水平上思考问题。IPL的另一特点是引进了生成器，每次产生一个值，然后挂起，等待被调用，在调用时从被挂起的地方开始。早期的很多人工智能程序都是用表处理语言编制而成的。表处理语言本身也因此经历了一个发展与完善的过程，其最后一个版本IPLⅤ可以处理树形结构的表。
1956年夏天，数十名来自数学、心理学、神经学、计算机科学与电气工程等各领域的学者聚集在位于美国新罕布什尔州汉诺威市的达特茅斯学院，讨论如何用计算机模拟人的行为，并根据麦卡锡(J．McCarthy，1971年图灵奖获得者)的建议，正式把这一学科领域命名为“人工智能”(Artificial Intelligence)。会议的召开标志着人工智能这一学科正式诞生。赫伯特·西蒙指出，人工智能的研究是学会怎样编制计算机程序来完成人类机智的行为。西蒙带到会议上去的“逻辑理论家”是当时惟一可以工作的人工智能软件，引起了与会代表的极大兴趣与关注。因此，西蒙、纽厄尔，以及达特茅斯会议的发起人麦卡锡和明斯基(M．L．Minsky，1969年图灵奖获得者)，被公认为是人工智能的奠基人。他们四人于1960年组成了第一个人工智能研究小组，有力地推动了人工智能的发展。
1960年，西蒙夫妇做了一个有趣的心理学实验，这个实验表明人类解决问题的过程是一个搜索的过程，其效率取决于启发式函数(heuristic function)。在这个实验的基础上，西蒙、纽厄尔和肖又一次成功地合作开发了能解答11种类型不同问题的“通用问题求解系统”GPS(General Problem Solver)。这一求解系统的基本原理，是找出目标要求与当前态势之间的差异，选择有利于消除差异的操作，以逐步缩小差异并最终达到目标。西蒙曾多次强调指出，科学发现只是一种特殊类型的问题求解，因此也可以用计算机程序来实现。1976～1983年间，西蒙和兰利(Pat W．Langley)、布拉茨霍夫(Gary L.Bradshaw)合作，设计了有六个版本的BACON系统发现程序，重新发现了一系列著名的物理、化学定律，证明了西蒙的上述论点。从而开拓出人工智能中“问题求解”的一大领域。
西蒙转向计算机技术后，就一直研究计算机下棋问题。1966年，西蒙、纽厄尔和贝洛尔(Baylor)合作，开发了最早的下棋程序MATER。1997年，IBM的“深蓝”(Deep Blue)计算机打败了白俄罗斯的国际特级大师卡斯帕罗夫以后，81岁的西蒙还和俄亥俄州立大学的人工智能专家T．Munakata一起，在《ACM通信》杂志的8月号上发表了《人工智能给我们的教训》(AI Lessons)一文，对此事进行了评论，指出一个运行于计算机上的国际象棋程序拥有2600分等级分，相当于白俄罗斯国际象棋世界冠军卡斯帕罗夫的级别水平。
西蒙在人工智能方面的另一大贡献，是发展与完善了语义网络的概念和方法，把它作为知识表示(knowledge representation)的一种通用手段，并取得了很大成功。在知识表示方法中，语义网络(semantic network)是—种重要而有效的方法。这种表示法是奎林(M．R．Quillian)在20世纪60年代后期提出来的，作为人类联想记忆的一个显示心理学模型。奎林在开发TLC系统(Teachable Language Comprehender)中用它来描述英语的词义，模拟人类的联想记忆。但用语义网络作为一般的知识表示方法，则是西蒙在1970年研究自然语言理解的过程中把它的各种概念基本明确下来的。20世纪70年代中期，西蒙和CAD专家依斯特曼(C．M．Eastman) 合作，研究住宅的自动空间综合，不仅开了“智能大厦”(intelligent building)的先河，还成为智能CAD即ICAD研究的开端。
起源于20世纪60年代末70年代初，当前受到极大重视的决策支持系统DSS(Decision Support System)，其概念的核心是关于决策模式的理论，而这个理论也是由西蒙奠定基础的。在不确定条件下的决策模型除了贝叶斯模型外，另一个比较重要的理论模型是采用Von Neumann-Morgenstern效用函数的期望值最大模型。西蒙在《人的模型》一书中形成了电子计算机能模拟人的思维的思想，开始了人工智能的系列研究。针对效用函数的期望值最大模型，西蒙提出了有限合理性模型。有限合理性模型的基本思想是：首先，所有的决策者涉及到的是一个有限的范围；其次，我们不能对将来给出一个概率值，但最好有一个关于将来事件的大致概念；第三，如果后者不以前者为转移的话，我们在一个领域中的愿望可能与在另一个领域中的愿望完全不同；最后，我们更注重搜集信息而不是分析需求，在收集信息后，最通常的抉择是基于直觉。基于西蒙关于决策模式的理论，凯恩(P. G. Keen)提出了一种设计方法，称为“自适应法”(self-adaptive method)，把决策支持系统当成一种自适应系统，由DSS应用系统、DSS生成系统和DSS工具三个技术层次组成，由决策者运行，且能适应时间的变化。西蒙曾称赞这样的系统“能适应三个时间范围内的各种变化，即在短期运行中，系统能在一个相对狭窄的范围内寻求答案；在中期运行中，系统能通过修改其功能和活动而学会适应；在长期运行中，系统能发展到适应差别极大的行为风格和功能”。这些研究，使计算机技术与管理决策紧密连接起来。
人工智能的发展,主要经历哪几个阶段?
1 孕育阶段
这个阶段主要是指1956年以前。自古以来，人们就一直试图用各种机器来代替人的部分脑力劳动，以提高人们征服自然的能力，其中对人工智能的产生、发展有重大影响的主要研究成果包括：
早在公元前384-公元前322年，伟大的哲学家亚里士多德(Aristotle)就在他的名著《工具论》中提出了形式逻辑的一些主要定律，他提出的三段论至今仍是演绎推理的基本依据。
英国哲学家培根(F. Bacon)曾系统地提出了归纳法，还提出了“知识就是力量”的警句。这对于研究人类的思维过程，以及自20世纪70年代人工智能转向以知识为中心的研究都产生了重要影响。
德国数学家和哲学家莱布尼茨(G. W. Leibniz)提出了万能符号和推理计算的思想，他认为可以建立一种通用的符号语言以及在此符号语言上进行推理的演算。这一思想不仅为数理逻辑的产生和发展奠定了基础，而且是现代机器思维设计思想的萌芽。
英国逻辑学家布尔(C. Boole)致力于使思维规律形式化和实现机械化，并创立了布尔代数。他在《思维法则》一书中首次用符号语言描述了思维活动的基本推理法则。
英国数学家图灵(A. M. Turing)在1936年提出了一种理想计算机的数学模型，即图灵机，为后来电子数字计算机的问世奠定了理论基础。
美国神经生理学家麦克洛奇(W. McCulloch)与匹兹(W. Pitts)在1943年建成了第一个神经网络模型(M-P模型)，开创了微观人工智能的研究领域，为后来人工神经网络的研究奠定了基础。
美国爱荷华州立大学的阿塔纳索夫(Atanasoff)教授和他的研究生贝瑞(Berry)在1937年至1941年间开发的世界上第一台电子计算机“阿塔纳索夫-贝瑞计算机(Atanasoff-Berry Computer，ABC)”为人工智能的研究奠定了物质基础。需要说明的是：世界上第一台计算机不是许多书上所说的由美国的莫克利和埃柯特在1946年发明。这是美国历史上一桩著名的公案。
由上面的发展过程可以看出，人工智能的产生和发展绝不是偶然的，它是科学技术发展的必然产物。
2 形成阶段
这个阶段主要是指1956-1969年。1956年夏季，由当时达特茅斯大学的年轻数学助教、现任斯坦福大学教授麦卡锡(J. MeCarthy)联合哈佛大学年轻数学和神经学家、麻省理工学院教授明斯基(M. L. Minsky)，IBM公司信息研究中心负责人洛切斯特(N. Rochester)，贝尔实验室信息部数学研究员香农(C. E. Shannon)共同发起，邀请普林斯顿大学的莫尔(T.Moore)和IBM公司的塞缪尔(A. L. Samuel)、麻省理工学院的塞尔夫里奇(O. Selfridge)和索罗莫夫(R. Solomonff)以及兰德(RAND)公司和卡内基梅隆大学的纽厄尔(A. Newell)、西蒙(H. A. Simon)等在美国达特茅斯大学召开了一次为时两个月的学术研讨会，讨论关于机器智能的问题。会上经麦卡锡提议正式采用了“人工智能”这一术语。麦卡锡因而被称为人工智能之父。这是一次具有历史意义的重要会议，它标志着人工智能作为一门新兴学科正式诞生了。此后，美国形成了多个人工智能研究组织，如纽厄尔和西蒙的Carnegie-RAND协作组，明斯基和麦卡锡的MIT研究组，塞缪尔的IBM工程研究组等。
自这次会议之后的10多年间，人工智能的研究在机器学习、定理证明、模式识别、问题求解、专家系统及人工智能语言等方面都取得了许多引人注目的成就，例如：
在机器学习方面，1957年Rosenblatt研制成功了感知机。这是一种将神经元用于识别的系统，它的学习功能引起了广泛的兴趣，推动了连接机制的研究，但人们很快发现了感知机的局限性。
在定理证明方面，美籍华人数理逻辑学家王浩于1958年在IBM-704机器上用3~5min证明了《数学原理》中有关命题演算的全部定理(220条)，并且还证明了谓词演算中150条定理的85%，1965年鲁宾逊(J. A. Robinson)提出了归结原理，为定理的机器证明作出了突破性的贡献。
在模式识别方面，1959年塞尔夫里奇推出了一个模式识别程序，1965年罗伯特(Roberts)编制出了可分辨积木构造的程序。
在问题求解方面，1960年纽厄尔等人通过心理学试验总结出了人们求解问题的思维规律，编制了通用问题求解程序(General Problem Solver，GPS)，可以用来求解11种不同类型的问题。
在专家系统方面，美国斯坦福大学的费根鲍姆(E. A. Feigenbaum)领导的研究小组自1965年开始专家系统DENDRAL的研究，1968年完成并投入使用。该专家系统能根据质谱仪的实验，通过分析推理决定化合物的分子结构，其分析能力已接近甚至超过有关化学专家的水平，在美、英等国得到了实际的应用。该专家系统的研制成功不仅为人们提供了一个实用的专家系统，而且对知识表示、存储、获取、推理及利用等技术是一次非常有益的探索，为以后专家系统的建造树立了榜样，对人工智能的发展产生了深刻的影响，其意义远远超过了系统本身在实用上所创造的价值。
在人工智能语言方面，1960年麦卡锡研制出了人工智能语言(List Processing，LISP)，成为建造专家系统的重要工具。
1969年成立的国际人工智能联合会议(International Joint Conferences On Artificial Intelligence，IJCAI)是人工智能发展史上一个重要的里程碑，它标志着人工智能这门新兴学科已经得到了世界的肯定和认可。1970年创刊的国际性人工智能杂志《Artificial Intelligence》对推动人工智能的发展，促进研究者们的交流起到了重要的作用。
3 发展阶段
这个阶段主要是指1970年以后。进入20世纪70年代，许多国家都开展了人工智能的研究，涌现了大量的研究成果。例如，1972年法国马赛大学的科麦瑞尔(A. Comerauer)提出并实现了逻辑程序设计语言PROLOG；斯坦福大学的肖特利夫(E. H. Shorliffe)等人从1972年开始研制用于诊断和治疗感染性疾病的专家系统MYCIN。
但是，和其他新兴学科的发展一样，人工智能的发展道路也不是平坦的。例如，机器翻译的研究没有像人们最初想象的那么容易。当时人们总以为只要一部双向词典及一些词法知识就可以实现两种语言文字间的互译。后来发现机器翻译远非这么简单。实际上，由机器翻译出来的文字有时会出现十分荒谬的错误。例如，当把“眼不见，心不烦”的英语句子“Out of sight，out of mind”。翻译成俄语变成“又瞎又疯”；当把“心有余而力不足”的英语句子“The spirit is willing but the flesh is weak”翻译成俄语，然后再翻译回来时竟变成了“The wine is good but the meat is spoiled”，即“酒是好的，但肉变质了”；当把“光阴似箭”的英语句子“Time flies like an arrow”翻译成日语，然后再翻译回来的时候，竟变成了“苍蝇喜欢箭”。由于机器翻译出现的这些问题，1960年美国政府顾问委员会的一份报告裁定：“还不存在通用的科学文本机器翻译，也没有很近的实现前景。”因此，英国、美国当时中断了对大部分机器翻译项目的资助。在其他方面，如问题求解、神经网络、机器学习等，也都遇到了困难，使人工智能的研究一时陷入了困境。
人工智能研究的先驱者们认真反思，总结前一段研究的经验和教训。1977年费根鲍姆在第五届国际人工智能联合会议上提出了“知识工程”的概念，对以知识为基础的智能系统的研究与建造起到了重要的作用。大多数人接受了费根鲍姆关于以知识为中心展开人工智能研究的观点。从此，人工智能的研究又迎来了蓬勃发展的以知识为中心的新时期。
这个时期中，专家系统的研究在多种领域中取得了重大突破，各种不同功能、不同类型的专家系统如雨后春笋般地建立起来，产生了巨大的经济效益及社会效益。例如，地矿勘探专家系统PROSPECTOR拥有15种矿藏知识，能根据岩石标本及地质勘探数据对矿藏资源进行估计和预测，能对矿床分布、储藏量、品位及开采价值进行推断，制定合理的开采方案。应用该系统成功地找到了超亿美元的钼矿。专家系统MYCIN能识别51种病菌，正确地处理23种抗菌素，可协助医生诊断、治疗细菌感染性血液病，为患者提供最佳处方。该系统成功地处理了数百个病例，并通过了严格的测试，显示出了较高的医疗水平。美国DEC公司的专家系统XCON能根据用户要求确定计算机的配置。由专家做这项工作一般需要3小时，而该系统只需要0.5分钟，速度提高了360倍。DEC公司还建立了另外一些专家系统，由此产生的净收益每年超过4000万美元。信用卡认证辅助决策专家系统American Express能够防止不应有的损失，据说每年可节省2700万美元左右。
专家系统的成功，使人们越来越清楚地认识到知识是智能的基础，对人工智能的研究必须以知识为中心来进行。对知识的表示、利用及获取等的研究取得了较大的进展，特别是对不确定性知识的表示与推理取得了突破，建立了主观Bayes理论、确定性理论、证据理论等，对人工智能中模式识别、自然语言理解等领域的发展提供了支持，解决了许多理论及技术上的问题。
人工智能在博弈中的成功应用也举世瞩目。人们对博弈的研究一直抱有极大的兴趣，早在1956年人工智能刚刚作为一门学科问世时，塞缪尔就研制出了跳棋程序。这个程序能从棋谱中学习，也能从下棋实践中提高棋艺。1959年它击败了塞缪尔本人，1962年又击败了一个州的冠军。1991年8月在悉尼举行的第12届国际人工智能联合会议上，IBM公司研制的“深思”(Deep Thought)计算机系统就与澳大利亚象棋冠军约翰森(D. Johansen)举行了一场人机对抗赛，结果以1:1平局告终。1957年西蒙曾预测10年内计算机可以击败人类的世界冠军。虽然在10年内没有实现，但40年后深蓝计算机击败国际象棋棋王卡斯帕罗夫(Kasparov)，仅仅比预测迟了30年。
1996年2月10日至17日，为了纪念世界上第一台电子计算机诞生50周年，美国IBM公司出巨资邀请国际象棋棋王卡斯帕罗夫与IBM公司的深蓝计算机系统进行了六局的“人机大战”。这场比赛被人们称为“人脑与电脑的世界决战”。参赛的双方分别代表了人脑和电脑的世界最高水平。当时的深蓝是一台运算速度达每秒1亿次的超级计算机。第一盘，深蓝就给卡斯帕罗夫一个下马威，赢了这位世界冠军，给世界棋坛以极大的震动。但卡斯帕罗夫总结经验，稳扎稳打，在剩下的五盘中赢三盘，平两盘，最后以总比分4:2获胜。一年后，即1997年5月3日至11日，深蓝再次挑战卡斯帕罗夫。这时，深蓝是一台拥有32个处理器和强大并行计算能力的RS/6000SP/2的超级计算机，运算速度达每秒2亿次。计算机里存储了百余年来世界顶尖棋手的棋局，5月3日棋王卡斯帕罗夫首战击败深蓝，5月4日深蓝扳回一盘，之后双方战平三局。双方的决胜局于5月11日拉开了帷幕，卡斯帕罗夫在这盘比赛中仅仅走了19步便放弃了抵抗，比赛用时只有1小时多一点。这样，深蓝最终以3.5：2.5的总比分赢得这场举世瞩目的“人机大战”的胜利。深蓝的胜利表明了人工智能所达到的成就。尽管它的棋路还远非真正地对人类思维方式的模拟，但它已经向世人说明，电脑能够以人类远远不能企及的速度和准确性，实现属于人类思维的大量任务。深蓝精湛的残局战略使观战的国际象棋专家们大为惊讶。卡斯帕罗夫也表示：“这场比赛中有许多新的发现，其中之一就是计算机有时也可以走出人性化的棋步。在一定程度上，我不能不赞扬这台机器，因为它对盘势因素有着深刻的理解，我认为这是一项杰出的科学成就。”因为这场胜利，IBM的股票升值为180亿美元。
4 人工智能的学派
根据前面的论述，我们知道要理解人工智能就要研究如何在一般的意义上定义知识，可惜的是，准确定义知识也是个十分复杂的事情。严格来说，人们最早使用的知识定义是柏拉图在《泰阿泰德篇》中给出的，即“被证实的、真的和被相信的陈述”(Justified true belief，简称JTB条件)。
然而，这个延续了两千多年的定义在1963年被哲学家盖梯尔否定了。盖梯尔提出了一个著名的悖论(简称“盖梯尔悖论”)。该悖论说明柏拉图给出的知识定文存在严重缺陷。虽然后来人们给出了很多知识的替代定义，但直到现在仍然没有定论。
但关于知识，至少有一点是明确的，那就是知识的基本单位是概念。精通掌握任何一门知识，必须从这门知识的基本概念开始学习。而知识自身也是一个概念。因此，如何定义一个概念，对于人工智能具有非常重要的意义。给出一个定义看似简单，实际上是非常难的，因为经常会涉及自指的性质(自指：词性的转化——由谓词性转化为体词性，语义则保持不变)。一旦涉及自指，就会出现非常多的问题，很多的语义悖论都出于概念自指。
自指与转指这一对概念最早出自朱德熙先生的《自指与转指》(《方言》1983年第一期，《朱德熙文集》第三卷)。陆俭明先生在《八十年代中国语法研究》中(第98页)说：“自指和转指的区别在于，自指单纯是词性的转化－由谓词性转化为体词性，语义则保持不变；转指则不仅词性转化，语义也发生变化，尤指行为动作或性质本身转化为指与行为动作或性质相关的事物。”
举例：
①教书的来了(“教书的”是转指，转指教书的“人”)；教书的时候要认真(“教书的”语义没变，是自指)。
②Unplug一词的原意为“不使用(电源)插座”，是自指；常用来转指为不使用电子乐器的唱歌。
③colored在表示having colour(着色)时是自指。colored在表示有色人种时，就是转指。
④rich，富有的，是自指。the rich，富人，是转指。
知识本身也是一个概念。据此，人工智能的问题就变成了如下三个问题：一、如何定义(或者表示)一个概念、如何学习一个概念、如何应用一个概念。因此对概念进行深人研究就非常必要了。
那么，如何定义一个概念呢？简单起见，这里先讨论最为简单的经典概念。经典概念的定义由三部分组成：第一部分是概念的符号表示，即概念的名称，说明这个概念叫什么，简称概念名；第二部分是概念的内涵表示，由命题来表示，命题就是能判断真假的陈述句。第三部分是概念的外延表示，由经典集合来表示，用来说明与概念对应的实际对象是哪些。
举一个常见经典概念的例子——素数(prime number)，其内涵表示是一个命题，即只能够被1和自身整除的自然数。
概念有什么作用呢？或者说概念定义的各个组成部分有什么作用呢？经典概念定义的三部分各有作用，且彼此不能互相代替。具体来说，概念有三个作用或功能，要掌握一个概念，必须清楚其三个功能。
第一个功能是概念的指物功能，即指向客观世界的对象，表示客观世界的对象的可观测性。对象的可观测性是指对象对于人或者仪器的知觉感知特性，不依赖于人的主观感受。举一个《阿Q正传》里的例子：那赵家的狗，何以看我两眼呢？句子中“赵家的狗”应该是指现实世界当中的一条真正的狗。但概念的指物功能有时不一定能够实现，有些概念其设想存在的对象在现实世界并不存在，例如“鬼”。
第二个功能是指心功能，即指向人心智世界里的对象，代表心智世界里的对象表示。鲁迅有一篇著名的文章《论丧家的资本家的乏走狗》，显然，这个“狗”不是现实世界的狗，只是他心智世界中的狗，即心里的狗(在客观世界，梁实秋先生显然无论如何不是狗)。概念的指心功能一定存在。如果对于某一个人，一个概念的指心功能没有实现，则该词对于该人不可见，简单地说，该人不理解该概念。
最后一个功能是指名功能，即指向认知世界或者符号世界表示对象的符号名称，这些符号名称组成各种语言。最著名的例子是乔姆斯基的“colorless green ideas sleep furiously”，这句话翻译过来是“无色的绿色思想在狂怒地休息”。这句话没有什么意思，但是完全符合语法，纯粹是在语义符号世界里，即仅仅指向符号世界而已。当然也有另外，“鸳鸯两字怎生书”指的就是“鸳鸯”这两个字组成的名字。一般情形下，概念的指名功能依赖于不同的语言系统或者符号系统，由人类所创造，属于认知世界。同一个概念在不同的符号系统里，概念名不一定相同，如汉语称“雨”，英语称“rain”。
根据波普尔的三个世界理论，认知世界、物理世界与心理世界虽然相关，但各不相同。因此，一个概念的三个功能虽然彼此相关，也各不相同。更重要的是，人类文明发展至今，这三个功能不断发展，彼此都越来越复杂，但概念的三个功能并没有改变。
在现实生活中，如果你要了解一个概念，就需要知道这个概念的三个功能：要知道概念的名字，也要知道概念所指的对象(可能是物理世界)。更要在自己的心智世界里具有该概念的形象(或者图像)。如果只有一个，那是不行的。
知道了概念的三个功能之后，就可以理解人工智能的三个学派以及各学派之间的关系。
人工智能也是一个概念，而要使一个概念成为现实，自然要实现概念的三个功能。人工智能的三个学派关注于如何才能让机器具有人工智能，并根据概念的不同功能给出了不同的研究路线。专注于实现AI指名功能的人工智能学派成为符号主义，专注于实现AI指心功能的人工智能学派称为连接主义，专注于实现AI指物功能的人工智能学派成为行为主义。
1. 符号主义
符号主义的代表人物是Simon与Newell，他们提出了物理符号系统假设，即只要在符号计算上实现了相应的功能，那么在现实世界就实现了对应的功能，这是智能的充分必要条件。因此，符号主义认为，只要在机器上是正确的，现实世界就是正确的。说得更通俗一点，指名对了，指物自然正确。
在哲学上，关于物理符号系统假设也有一个著名的思想实验——本章1.1.3节中提到的图灵测试。图灵测试要解决的问题就是如何判断一台机器是否具有智能。
图灵测试将智能的表现完全限定在指名功能里。但马少平教授的故事已经说明，只在指名功能里实现了概念的功能，并不能说明一定实现了概念的指物功能。实际上，根据指名与指物的不同，哲学家约翰·塞尔勒专门设计了一个思想实验用来批判图灵测试，这就是著名的中文屋实验。
中文屋实验明确说明，即使符号主义成功了，这全是符号的计算跟现实世界也不一定搭界，即完全实现指名功能也不见得具有智能。这是哲学上对符号主义的一个正式批评，明确指出了按照符号主义实现的人工智能不等同于人的智能。
虽然如此，符号主义在人工智能研究中依然扮演了重要角色，其早期工作的主要成就体现在机器证明和知识表示上。在机器证明方面，早期Simon与Newell做出了重要的贡献，王浩、吴文俊等华人也得出了很重要的结果。机器证明以后，符号主义最重要的成就是专家系统和知识工程，最著名的学者就是Feigenbaum。如果认为沿着这条路就可以实现全部智能，显然存在问题。日本第五代智能机就是沿着知识工程这条路走的，其后来的失败在现在看来是完全合乎逻辑的。
实现符号主义面临的观实挑成主要有三个。第一个是概念的组合爆炸问题。每个人掌握的基本概念大约有5万个，其形成的组合概念却是无穷的。因为常识难以穷尽，推理步骤可以无穷。第二个是命题的组合悖论问题。两个都是合理的命题，合起来就变成了没法判断真假的句子了，比如著名的柯里悖论(Curry’s Paradox)(1942)。第三个也是最难的问题，即经典概念在实际生活当中是很难得到的，知识也难以提取。上述三个问题成了符号主义发展的瓶颈。
2. 连接主义
连接主义认为大脑是一切智能的基础，主要关注于大脑神经元及其连接机制，试图发现大脑的结构及其处理信息的机制、揭示人类智能的本质机理，进而在机器上实现相应的模拟。前面已经指出知识是智能的基础，而概念是知识的基本单元，因此连接主义实际上主要关注于概念的心智表示以及如何在计算机上实现其心智表示，这对应着概念的指心功能。2016年发表在Nature上的一篇学术论文揭示了大脑语义地图的存在性，文章指出概念都可以在每个脑区找到对应的表示区，确确实实概念的心智表示是存在的。因此，连接主义也有其坚实的物理基础。
连接主义学派的早期代表人物有麦克洛克、皮茨、霍普菲尔德等。按照这条路，连接主义认为可以实现完全的人工智能。对此，哲学家普特南设计了著名的“缸中之脑实验”，可以看作是对连接主义的一个哲学批判。
缸中之脑实验描述如下：一个人(可以假设是你自己)被邪恶科学家进行了手术，脑被切下来并放在存有营养液的缸中。脑的神经末梢被连接在计算机上，同时计算机按照程序向脑传递信息。对于这个人来说，人、物体、天空都存在，神经感觉等都可以输入，这个大脑还可以被输入、截取记忆，比如截取掉大脑手术的记忆，然后输入他可能经历的各种环境、日常生活，甚至可以被输入代码，“感觉”到自己正在阅读这一段有趣而荒唐的文字。
缸中之脑实验说明即使连接主义实现了，指心没有问题，但指物依然存在严重问题。因此，连接主义实现的人工智能也不等同于人的智能。
尽管如此，连接主义仍是目前最为大众所知的一条AI实现路线。在围棋上，采用了深度学习技术的AlphaGo战胜了李世石，之后又战胜了柯洁。在机器翻译上，深度学习技术已经超过了人的翻译水平。在语音识别和图像识别上，深度学习也已经达到了实用水准。客观地说，深度学习的研究成就已经取得了工业级的进展。
但是，这并不意味着连接主义就可以实现人的智能。更重要的是，即使要实现完全的连接主义，也面临极大的挑战。到现在为止，人们并不清楚人脑表示概念的机制，也不清楚人脑中概念的具体表示形式表示方式和组合方式等。现在的神经网络与深度学习实际上与人脑的真正机制距离尚远。
3. 行为主义
行为主义假设智能取决于感知和行动，不需要知识、表示和推理，只需要将智能行为表现出来就好，即只要能实现指物功能就可以认为具有智能了。这一学派的早期代表作是Brooks的六足爬行机器人。
对此，哲学家普特南也设计了一个思想实验，可以看作是对行为主义的哲学批判，这就是“完美伪装者和斯巴达人”。完美伪装者可以根据外在的需求进行完美的表演，需要哭的时候可以哭得让人撕心裂肺，需要笑的时候可以笑得让人兴高采烈，但是其内心可能始终冷静如常。斯巴达人则相反，无论其内心是激动万分还是心冷似铁，其外在总是一副泰山崩于前而色不变的表情。完美伪装者和斯巴达人的外在表现都与内心没有联系，这样的智能如何从外在行为进行测试？因此，行为主义路线实现的人工智能也不等同于人的智能。
对于行为主义路线，其面临的最大实现困难可以用莫拉维克悖论来说明。所谓莫拉维克悖论，是指对计算机来说困难的问题是简单的、简单的问题是困难的，最难以复制的反而是人类技能中那些无意识的技能。目前，模拟人类的行动技能面临很大挑战。比如，在网上看到波士顿动力公司人形机器人可以做高难度的后空翻动作，大狗机器人可以在任何地形负重前行，其行动能力似乎非常强。但是这些机器人都有一个大的缺点一能耗过高、噪音过大。大狗机器人原是美国军方订购的产品，但因为大狗机器人开动时的声音在十里之外都能听到，大大提高了其成为一个活靶子的可能性，使其在战场上几乎没有实用价值，美国军方最终放弃了采购。
人工智能的定义是什么？
人工智能(Artificial Intelligence) ，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，它企图了解智能的实质，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，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。“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
结语：以上就是首席CTO笔记为大家整理的关于人工智能从哪个地方编制的相关内容解答汇总了，希望对您有所帮助！如果解决了您的问题欢迎分享给更多关注此问题的朋友喔～