一、人工智能的应用领域
1. 博弈
状态空间搜索的大多数早期研究都是针对常见的棋盘游戏来实现的, 例如夕阳淘气 ， 国际象棋等。
博弈过程中可能产生惊人庞大的搜索空间 ， 需要强大的技术来哦按段备择状态 ， 搜索问题空间。这些技术被称为启发式搜索 ， 是 AI 研究的一个重要领域。
因为我们大多数人都有玩这些简单游戏的经历 ， 所以我们可以很容易的设计出我们自己的启发性并测试其有效性。若是求解某些深奥领域 （ 如医学或者数学领域 ） 的问题就必须寻找并咨询该领域的专家。尽管博弈程序具有简洁性 ， 但其中也有很多难题 ， 比如不能确定性的预测出对手的走法 ， 对手的出现使程序设计更为复杂 ， 因为这加入了一种不可预测的因素 ， 要求我们必须考虑博弈策略中的心理和战术因素。
2. 自动推理和定理证明
自动定理证明是 AI 最古老的分支 ， 其根源可从 Newell 和 Simon 的”逻辑理论家“以及”通用问题求解程序“追溯到罗素和怀海德关于”可以吧数学看成是从基本公式推导出定理的过程“的努力。
其吸引力主要在于逻辑的严谨性和普遍性。因为他是一个正式系统 ， 所以是逻辑使其自动化。它的基础是把问题描述和背景信息表示为逻辑公理 ， 把问题的实例表示为要证明的定理。另外 ， 这样的系统不一定要在离开任何人类的帮助的情况下独立求解非常复杂的问题 ， 很多现代的定理证明程序往往是充当智能助手的 ， 人类只需要让定理证明程序完成比较简单但仍需要一些技巧的任务 ， 如证明引理 ， 验证较小的推测并完成它的人类同事列出的证明要点等。
由于任何具有一定复杂度的逻辑系统都不能产生无限数据 ， 缺少强大的技术来引导搜索 ， 为克服这种低效性 ， 唯一可选的方法是依赖人类在求解问题时使用的非正式的特别策略 （ 这就是开发专家系统的基本思想 ）。
3. 专家系统
专家系统从人类专家那里获取专业知识 ， 然后将其按照某种形式编码 ， 式计算机可以用这些知识来求解类似的问题。领域专家提供问题域中的必要知识 ，AI 专家 （ 知识工程师 ） 的任务是把知识实现为程序 ， 程序不仅要搞笑 ， 而且其行为又要具有明显的智能性。程序设计出来之后 ， 必须通过求解样例问题来提炼他的技能 ， 让领域专家来评判它的行为 ， 并对程序的知识做出必要的修改和补充 ， 重复这个过程直到这个程序已经满足了预定的性能要求。
这个领域最早的系统之一是 DENDRAL， 它根据化学分子式和大光谱信息来推测有机分子的结构 ；MYCIN 则奠定了当代专家系统方法的基础 ， 使用专业的医学知识来诊断脊髓脑膜炎和血液传染病 ， 并开具治疗处方 ； 其他经典专家系统包括 PROSPECTOR 程序 ， 他根据矿点的地理信息判断矿石储量的类型和可能位置 ；INTERNIST 程序 ， 可进行内科诊断 ；Dipmeter Advisor 可用来解释油井钻探记录的结果等等。
但专家系统也有一些不足 ： 难以表征问题域的深层知识 ， 缺乏灵活性 ， 不能提供深入的解释 ， 正确性难以验证 ， 根据经验学习的能力差。但它依然在很多领域证明了它的价值。
4. 自然语言理解和语义建模
AI 中一个经久不衰的目标就是开发出可以理解并产生人类语言的程序。自然语言理解自动化的主要问题就是完成以下的任务 ： 采集和组织这种背景知识 ， 以及如何以一种有助于领悟语言的方式来组织这些知识。
最早开拓这种”微小世界“方法的程序之一是 Winograd 的 SHRDLU， 这个系统可以”谈论“不同形状和颜色的积木的简单布局。但是它不能从积木世界中推广到其他情况。用在这个程序中的表示技术过于简单 ， 以至于无法表征更丰富而且更复杂领域的语义结构。对语言的全面理解依然是目前尚无法实现的。
5. 对人类表现建模
设计可以显示的模拟人类表现的某些特征的系统 ， 一直是 AI 和心理学中的重要研究领域。
6. 规划和机器人
对规划的研究起始于设计机器人的努力 ， 也就是设计出具有一定灵活性并对外界具有响应性的机器人。很多原因导致规划成为一种复杂的问题 ， 比如让一个机器人在充满障碍的房间里移动 ， 可能产生大量的移动序列 ， 在这些序列中智能的发现最佳路径 ， 而不被强大的可能性所淹没。
人 类在规划中使用到的一种方法是层次化的问题分解。比如你规划一段旅行 ， 将分别处理准备机票、到达机场、转机等问题 ， 每个步骤都是整体计划的一部分 ， 也需要进行分别处理。这些步骤还可被分解为更小的子问题。这种方法不仅有效的限制了必要的搜索的空间的大小 ， 也可把经常使用的子规划保存起来以备将来使用。
规划研究目前已经原因超出了机器人领域的范围。包含了协调任何复杂的任务或目标集合 ， 现代规划程序已经被应用到主体以及粒子束加速器的控制之中。
7. 人工智能的语言和环境
AI 研究的最重要副产品就是促进编程语言和软件开发环境的发展。很多原因迫使 AI 程序员去开大一组强大的编程语言 ， 编程环境包括各种组织知识的技术 ， 比如面向对象编程和专家系统框架。
8. 机器学习
学习一直是 AI 中最具挑战的领域。大多数专家系统都被其问题的求解策略的死板性和修改大量代码的艰难性所阻碍。解决这些问题最明显的做法就是让程序去自己学习。这是一个很难得领域 ， 但很多程序证明这是可行的。一个惊人的程序就是被设计用来发现数学定律的 AM(Lenat)， 在被赋予集合理论的概念和公理后 ，AM 能推导出很多重要的数学概念 ， 比如集合的基数 ， 算数整数等。
9. 另类表示 ： 神经网络和遗传算法
神经结构是实现智能的一种有力机制 ， 传统 AI 程序比较脆弱而且对于噪声过于敏感。人类智能则要灵活的多 ， 而且善于解释有干扰的输入 ， 比如光线很暗的房间里的面容或者嘈杂聚会中的对话。因为神经结果使用分布在网络中精密组织的大量单元来捕捉只是 ， 所以它似乎更善于模糊的匹配带有 干扰的和不完整的数据。
神经结构和遗传算法都提供可一种并行化的自然模型 ， 因为每个神经元或解得片段都是一个独立的单元 ， 从神经或遗传的角度处理职能问题具有某种固定的吸引力。
10.AI 和哲学
二、人工智能的概括
前面的浏览向我们展示了 AI 这个年轻充满希望的研究领域 ， 其宗旨是寻找一种有效的方式来把只能的问题求解、规划和通信技巧应用到更广泛的实际问题中。有很多重要的特征是这个领域所有分支共有的 ：
1. 使用计算机来惊醒推理、模式识别、学习或其他形式的推断
2. 集中于不存在代数解的问题
3. 致力于那些需要利用不精确、有残缺或没有明确定义的信息来求解的问题
4. 推理目标是问题域的显著定性特征
5. 除了处理语法形式的问题 ， 还要试图处理予以含义的问题
6. 答案可能既不精确也不最优 ， 但从某种意义上来说是”充分的“
7. 使用大量针对某一领域的知识来求解问题
8. 使用元层次的知识来实现对问题求解策略的更周密控制
原文链接：https://blog.csdn.net/sinat_33397120/article/details/50809223
