【www.myl5520.com--物理教案】
人工智能各学派简介
篇一:人工智能博士专业排名
人工智能各学派简介
目前人工智能的主要学派有下面三家：
(1)符号主义(symbolicism)，又称为逻辑主义(logicism)、心理学派(psychologism)或计算机学派(computerism)，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。
(2)连接主义(connectionism)，又称为仿生学派(bionicsism)或生理学派(physiologism)，其主要原理为神经网络及神经网络间的连接机制与学习算法。
(3)行为主义(actionism)，又称为进化主义(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。
1、符号主义
认为人工智能源于数理逻辑。数理逻辑从19世纪末起得以迅速发展，到20世纪30年代开始用于描述智能行为。
计算机出现后，又在计算机上实现了逻辑演绎系统。其有代表性的成果为启发式程序LT逻辑理论家，证明了38条数学定理，表明了可以应用计算机研究人的思维，模拟人类智能活动。
正是这些符号主义者，早在1956年首先采用“人工智能”这个术语。后来又发展了启发式算法->专家系统->知识工程理论与技术，并在20世纪80年代取得很大发展。
符号主义曾长期一枝独秀，为人工智能的发展做出重要贡献，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要的意义。
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派别。这个学派的代表人物有纽厄尔(Newell)、西蒙(Simon)和尼尔逊(Nilsson)等。
2、连接主义
认为人工智能源于仿生学，特别是对人脑模型的研究。
它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。
20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。
1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。
此后，连接主义势头大振，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基础。现在，对人工神经网络(ANN)的研究热情仍然较高，但研究成果没有像预想的那样好。
3、行为主义
认为人工智能源于控制论。
控制论思想早在20世纪40~50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。
维纳(Wiener)和麦克洛克(McCulloch)等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。
控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。
早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。
到20世纪60~70年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。
行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人的兴趣。这一学派的代表作首推布鲁克斯(Brooks)的六足行走机器人，它被看作是新一代的“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。
赫伯特·西蒙和艾伦·纽厄尔 ——人工智能符号主义学派的创始人
1975年度的图灵奖授予卡内基—梅隆大学的两位教授：赫伯特·西蒙(Herbert Alexander Simon)和艾伦·纽厄尔(Allen Newell)。他们两人曾是师生，后来成为极其亲密的合作者，共事长达42年，直至纽厄尔于1992年去世。这是图灵奖首次同时授予两位学者。
西蒙是一个令人敬佩而惊叹的学者，具有传奇般的经历。他多才多艺，兴趣广泛，会画画，会弹钢琴，既爱爬山、旅行，又爱学习各种外国语，能流利地说多种外语。作为科学家，他涉足的领域之多，成果之丰，影响之深远，令人叹为观止。 他和纽厄尔同获图灵奖，是因为他们在创立和发展人工智能方面的杰出贡献，当然是计算机科学家。但是西蒙在1978年更荣获诺贝尔经济学奖，不言而喻是世界一流的大经济学家。1986年他又因为在行为科学上的出色贡献而荣获美国全国科学奖章(National Medal of Science)。1969年，美国心理学会由于西蒙在心理学上的贡献而授予他“杰出科学贡献奖”(Distinguished Scientific Contributions Award)。而他1943年在匹兹堡大学研究生院毕业时被授予的是政治学博士头衔!
西蒙自己在他1991年出版的自传《我的生活的模型》(Models of My Life，Basic Books)一书中这样描写他自己：“我诚然是一个科学家，但是是许多学科的科学家。我曾经在许多科学迷宫中探索，这些迷宫并未连成一体。我的抱负未能扩大到如此程度，使我的一生有连贯性。我扮演了许多不同角色，角色之间有时难免互相借用。但我对我所扮演的每一种角色都是尽了力的，从而是有信誉的，这也就足够了”。
西蒙1916年6月15日生于威斯康辛州密歇根湖畔的密尔沃基(Milwaukee)，他的父亲是一个在德国出生的电气工程师，母亲则是颇为成功的钢琴演奏家(西蒙弹得一手好钢琴恐怕来自家教吧)。西蒙从小就很聪明好学，在密尔沃基的公立学校上学时跳了两级，因此在芝加哥大学注册入学时年方17。还在上大学时，西蒙就对密尔沃基市游乐处的组织管理工作进行过调查研究，这项研究激发起了西蒙对行政管理人员如何进行决策这一问题的兴趣，这个课题从此成为他一生 事业中的焦点。1936年他从芝加哥大学毕业，取得政治学学土学位以后，应聘到国际城市管理者协会ICMA(International City Managers’Association)工作，很快成为用数学方法衡量城市公用事业的效率的专家。在那里，他第一次用上了计算机(当然还只是机电式的)，因为他作为“城市年鉴”(Municipal Yearbook)的助理编辑，需要在计算机上对数据进行统计、分类、排序和制表。对计算机的兴趣和实践经验对他后来的事业产生了重要影响。
1939年，他转至加州大学伯克利分校，负责由洛克菲勒基金会资助的一个项目，这个项目是对地方政府的工作和活动进行研究。这期间，他完成了博士论文，内容就是关于组织机构如何决策的。经他的母校芝加哥大学进行评审与答辩后，被授予政治学博士学位。
1942年，在完成洛克菲勒基金项目以后，西蒙转至伊利诺伊理工学院政治科学系，在那里工作了7年，其间还担任过该系系主任。1949年他来到他最后一个落脚点卡内基—梅隆大学(当时还叫学院)，在新建的经济管理研究生院任教。他一生中最辉煌的成就就是在这里做出的。20世纪50年代，他和纽厄尔以及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(1ogicTheorist)。逻辑理论家证明了数学名著《数学原理》一书第二章52个定理中的38个定理(1963年对逻辑理论家进行改进后可证明全部52个定理)，受到了人们的高度评价，认为是用计算机探讨人类智力活动的第一个真正的成果，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。同时，逻辑理论家也开创了机器定理证明(mechanical theorem proving)这一新的学科领域。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种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(这个学院还因后来在1966年由John G．Kemeny和T．E．Kurtz发明简
单易学、使用方便的交互式语言BASIC而闻名于世)，即Dartmouth College，讨论如何用计算机模拟人的智能，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)。西蒙和纽厄尔参加了这个具有历史意义的会议，而且他们带到会议上去的“逻辑理论家”是当时唯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，被称为“人工智能之父”。
2014年博士招生试卷-人工智能试题
篇二:人工智能博士专业排名
人工智能博士专业排名。
马兆远关于人工智能看法的几个误区
篇三:人工智能博士专业排名
到底什么是人工智能? 纠正马兆远博士的几个错误假设 最近有一片物理学家看人工智能的文章，而且小编还用了博取眼球的标题：“物理学家：用数学理论证明人工智能无法超越人工智慧”。
首先，这个小编真是无良小编。对于物理和数学，“证明”是不可以乱说的。翻看马兆远博士原文，通篇没有什么“人工智能无法超越人工智慧”这种结论。马兆远博士更没有使用“证明”这样的词语。无良小编这样的误导马兆远博士的结论，他本人其实有义务出来澄清一下。
马兆远博士的论调本身，本身其实也不值得深究，毕竟不是物理论文，看起来只是茶余饭后一些不系统的思考。而且他本身也不是人工智能专家，隔行如隔山，所说的话其实不必多想。 但是作为我们研究人工智能15年以上的专业人士，若不出来说几句，让马兆远博士的错误看法流传下去，难免会对国家决策造成重大失误。
下面就直接谈谈我们对人工智能的理解和马兆远博士之间的不同。人工智能博士专业排名。
（1）马兆远博士先谈到了图灵机和哥德尔不完备定律。
根据百度百科，(虽然不够权威，但是下面这个解释还是通用的） 图灵机，又称图灵计算、图灵计算机，是由数学家阿兰·麦席森·图灵（1912～1954）提出的一种抽象计算模型，即将人们使用纸笔进行数学运算的过程进行抽象，由一个虚拟的机器替代人们进行数学运算。
所 谓的图灵机就是指一个抽象的机器，它有一条无限长的纸带，纸带分成了一个一个的小方格，每个方格有不同的颜色。有一个机器头在纸带上移来移去。机器头有一 组内部状态，还有一些固定的程序。在每个时刻，机器头都要从当前纸带上读入一个方格信息，然后结合自己的内部状态查找程序表，根据程序输出信息到纸带方格 上，并转换自己的内部状态，然后进行移动。
图灵机是什么：本质是一个信息处理系统。可以执行程序，可以有记忆。人工智能无非是用上面的方法来处理信息。其实任何一个智能体，都是信息处理系统，未必需要用图灵机这种特例。人类也是信息处理系统。
哥德尔不完备定律是什么？对于智能系统的含义是什么？马兆远博士说的含含糊糊。其实我们简单的说一下：就是一个系统没办法去预测自己。等于一面镜子，怎么映射自己？镜子里面还有镜子，无穷下去，永远扯不到尽头。好了，因此这个系统没法解决所有问题!
但是且慢，so what? 人类的大脑不存在这个问题吗？一个人可以完全理解自己吗？德尔不完备定律不是一样适应人类吗？（大家开始呵呵了吗？） 人工智能所面临的数学问题，和人类大脑所面临的数学问题，（很抱歉，这个数学问题的具体表述，其实是人工智能的核心问题，是我们公司的核心机密，
大家再呵呵一下吧），以及这个世界上所有的智能系统，包括外星人，外星人和他们的机器人，也许还有God，都是同一个问题。
大家先姑且承认有这么一个数学问题，马兆远博士的潜台词也是承认有这么一个数学问题的。那么好了，我们有了一个问题，怎么去解？
人工智能领域早有定论，这问题是NP-Hard,也就是说需要无穷多的计算资源，无穷多的时间，才能去解决。马兆远博士说了一遍我们早就知道的事情，还搬出了钱德拉塞卡极限证明。
这下好玩了，无解的事情，人脑怎么做到的？？？
其实，人脑也没有做到。人脑就是一堆生物装置，哪有那种解决NP-Hard的神通？人脑智慧其实是个很有限的系统，虽然设计精妙，但是离开提供一个完美的解决方案，还差的相当遥远。举个例子，你口渴的时候，拿到一瓶水就喝吧？其实这瓶水是有可能被下过毒的，你不去化验一下？你怎么知道你这个决定就正确啊？哥德尔不完备定律？有没有看起来很相似？
人工智能从来没有宣称要找到完美解。人工智能本身就是一个工程学问题。工程学大家懂吧？近似解，近似解，近似解！
既然是近似解，就可以有多种实现方案。人脑无非是一个近似解，一个工程解决方案。人工智能也可以找个近似解，超过人脑这个近似解虽然不容易，但是怎么就做不到了？人工智能博士专业排名。
说到这里，大家也懂了，马兆远博士玩了偷换概念的游戏。我们本来是在工程上去找一个近似解，但是马兆远博士首先把人脑等同于这个问题的完美解，然后来证明我们人工智能达不到完美解。人工智能工作者们30年前就知道这个完美解是难以实现的。但是完全可以提出一个近似解，去超越另外一个近似解（人脑），我暂时还想不到为什么这是不可能的。
下面再谈谈马兆远博士有关钱德拉塞卡极限证明的这个好玩的假设。（这个假设让我怀疑马兆远是不是博士？） 他假设130亿个细胞，每个细胞有6个关联，每个关联用3个电子存储，这样得到所需要的质量：
130 X (10^8) X 6 X 3 X 9 X (10^(-31)) = 4.2X(10^(-19))Kg
上面这个微不足道的质量就能引起黑洞效应了？马兆远博士的计算公式显然不是这样，不知道为什么马兆远博士说这里是130亿的6次方。大脑里面有这么多的连接？大脑怎么放下的？举个例子，如果大脑里面只有2个细胞，那么这两个细胞之间就会有32个关联。显然现代神经学没有这个发现，这是马兆远博士想当然犯的一个低级错误。这个例子也许说明，对自己不懂的行业，最好还是先花点时间研究一下，随便根据自己的道听途说去评论另外一门科学，难免闹笑话。
其实计算机里面说的更多的是存储。130亿脑细胞，就算每个细胞相关的关联2000个，总共130X2000/2 = 13B X 1K = 13T。 每个关联用512个bit, 64个字节去表示精度（人的神经元精度应该是远远低于这个级别）， 也不过是13T*64 = 832T的存储量。现在1000T的存储，放在一个42U机架就可以解决，10来万美金的价格级别。对于人脑里面存的那点东西，足够了。不过话说回来，我们是在找一个近似解，不同近似解方法可能完全不一样，那么我们其实根本没有必要去在意到底人脑里面的存储量。跟人脑这么一对一去比较，完全是线性思维在作怪。苹果手机1GB内存完胜安卓系统的3GB，60岁老人记忆不如20岁青年，但是经验却让他有更多的智慧。这些都说明硬指标去对比两个系统，思维上犯了怎样的错误。
最后说说量子力学，我最近也在重新学习这东西，只是为了帮助我去思考如果构造人工智能体系，从而能够去研究量子现象。马兆远博士没有引用任何现代的生物神经学结果，只是说人的记忆不随细胞消失而消失，就得出“大脑的这个行为，更像是量子化的长程关联”这种假设。自从2012年美国亚利桑那大学的研究者们发现细胞微管（microtubule）中的微观蛋白对于记忆的作用以来，越来越多的证据表明记忆是一个复杂的生物物理现象，而没有任何证据表明记忆是量子过程。（我不是这个领域的专家，只是随便网上搜索了一下这个领域的最新进展）马兆远博士再次拍脑袋去进行了一个没有任何客观证据的假设，然后再根据这个假设去进行一大段茶余饭后式的闲聊，从而试图得出人脑内部的思维过程是一个量子过程。从根本来看，任何过程都是量子过程。但是实际研究中，除非量子效应显著到了不能忽视的地步，我们才会去考虑量子效应对物理过程的影响。比如CPU的设计，在百兆赫兹阶段，是无需考虑电磁场量子力学效应的。但是到了千兆级别，就需要考虑这些效应了。CPU主频不能无限制升高，量子电动力学效应是一个重要因素。而人脑中的量子力学效应是否已经显著到了必须去考虑到地步？没有任何实验数据来支撑这个观点。
马兆远博士引用费曼所说的，“只有量子系统才能描述量子系统”，这也是一笔糊涂账。首先，人工智能一定要去描述量子系统，才能成为人工智能系统？1千年以前的人类不懂量子力学，就变成傻子了？很显然，一个系统是否可以近似地智能，跟这个系统能不能描述量子系统，完全没有关系。马兆远博士不断在偷换概念，犯逻辑学错误，让我对这个所谓的物理学家大跌眼镜。其所受的专业科学训练，都跑到哪里去了？
现在看看费曼这句话，本身我也是看不懂的。一本量子力学的书，描述了量子系统没有？那这本书就是量子系统？我不了解费曼这句话的来龙去脉，估计也不是什么物理学定律或者定理。不是定律或者定理的他人论断，怎么可以用来作为推论的前提？这是物理学家的思维吗？
一个号称孩子气的物理学家，不知道出于什么目的，用漏洞百出的逻辑去评论一个自己不了解的学科，我们姑且就当这是一个恶作剧吧。
作者是清华88级电子系校友，美国伊利诺伊大学电机工程博士，师从美国人机对话之父Stephen Levison博士和美国人机互动专家，工程学院院士Thomas
Huang博士，在人工智能体研究方面排世界前三大概没有问题（自封的，呵呵，不服来战。）
附录：马兆远原文：物理学家看人工智能大跃进
首先我申明，我不是做人工智能的出身，我做物理的出身，也还在做物理，只是从Common Sense 来看人工智能问题。做物理的说搞数学的是人文科学，因为自然科学的基本原则是实验来检验真理，废话少说，做实验给你看。数学不是不重要，只是数学是逻辑， 是研究自然科学的工具。基于有限的假设，这么说OK，那么说也OK，要能在某一个领域里得到应用才有意义。同样某一个物理理论能在某一个实验里得到证实才 重要，物理是实证的自然科学，因为它可以被证伪。就像我现在看投资项目，想法是最不值钱的，你一旦能在市场里证明盈利能力，估值会完全不同。
回到正题，物理出身，我看问题会更加基础，不会为人云亦云的说法鼓噪，这也符合我一贯烧冷灶的习惯。关于人工智能，回看历史至少引起过人类社会三次恐慌。
第 一次是在图灵的年代，美国大片这是个好东西。《模仿游戏》可以去看看。这次恐慌源于计算机的诞生，人们传统认为不可破译的密码，被计算机搞定了。这个趋势 发展下去，是不是迟早有一天计算机就可以超过人类？八十年代以后个人电脑的普及带来了又一次恐慌。美国电影《机械战警》、《终结者》都是这个时期的代表。 接下来就是这次了，又有《超能陆战队》、《Her》代表这一阶段。
前一阵子遇到一个自封”人工智能狂热粉“的投资人，号称从互联网时代就创 业投资做高科技，说起来哪个方向都能整几句的主儿。我调侃的问他，为什么人工去年开始又火了。他说，硬件便宜了所以火了。我，呵呵，这么说，硬件总符合摩 尔定律，那为啥不是十年前，不是五年前，不是五年后，不是十年后，差那几块钱吗？这一次，我认为更多是因为谷歌和Facebook”应用了“我党提出的互 联网+的概念，把云端接入，相当于机器人前端有了一个强大计算能力的后端。于是有了软件机器人和云端的人工智能。当然，这个也能叫深度学习的策动。 这一次也许不过是前两次的重复。
我们直奔主题，简短洁说下面是我觉得大可不必忧心忡忡世界末日的几个观点
一、哥德尔不完备定律
1931年的时候哥德尔提出了哥德尔不完备证明。哥德尔证明我们以图灵机的方式是制造不出超过人类的计算机的。
哥德尔不完备性定理：任意一个包含一阶谓词逻辑与初等数论的形式系统，都存在一个命题，它在这个系统中既不能被证明也不能被否定。第二不完备性定理如果系统S含有初等数论，当S无矛盾时，它的无矛盾性不可能在系统内证明。从数学逻辑的基础上否定了计算机超过人类。
比 如“这句话是错的”，这句话到底是对的还是错的？图灵机是没法说明它是对的还是错的。这就给图灵机开了个后门。这是哥德尔证明的简版。这问题1931年被 提出来，图灵机一直没能解决这个问题。现在做线性系统的解决不了这个问题，人类会不断地去用更高维度的东西来解释低维度的东西，你总会在你的体系之外找到 你这个体系的漏洞，没法做出一个完全完备的系统。
二、钱德拉塞卡极限证明
另外一个证明就是我最近提出来的所谓 Chandrasekhar钱德拉塞卡证明。这个证明并不复杂，买杯啤酒用托盘纸的背面就能演算证明。如果我们认为人类的思维是线性的话，即我们现在计算 机的图灵模式，那么我们现在做的计算机接入互联网之后，大概六十万台计算机的计算单元已经与一个人的大脑可比，这也是现在大家炒的深度学习的人工智能的基 础。但是我们现在还没有看到互联网这样大规模的互联网有产生像人一样有学习行为。那说明在一定程度上人的思维模式可能不是线性的，不是像计算机这样的图灵 机模式。
那么在物理上存在两种信息模式，一种是所谓经典模式，一种是量子模式。我们的思维有没有可能是量子模式呢？量子本身讲的是关联的事 情。用量子模式考虑人的大脑: 大脑到底有多复杂？假设每个脑细胞跟6个脑细胞发生关联，这个关联的数量是多大呢？我用一个经典的存储单元来记录这个关联，先不管它这个关联是怎样工作 的，有一个关联你至少需要一个单元来记录这个关联。假设我们可以用一个经典的存储单元就能记录一个这样的关联。我们知道经典计算机，它的存储模式是“热投 票”。一个磁体计算单元，它存的到底是0还是1呢？去看这个磁畴的时候，我会看到比方说每个磁畴里面会有一万个小的磁畴，小的磁畴就是小的指南针了，当小 的指南针有超过百分之五十的指北的时候我会认为这个磁畴存的是1，当超过百分之五十指向南时，我们认为它存的是0。计算机的存储单元都是这样做的。根据大 量的热的平均的行为统计来确定这个单元存的是1或者是0。那么热投票最少需要三个粒子，才能投出大多数来。物理实现上，一个记忆单元我们只选三个电子来构 造一个经典的记忆单元，比电子轻的光子是没有意义的，它不能用来做记忆单元。
好，我们计算一下这个数量：130亿的脑细胞，每个脑细胞允许 跟6个别的脑细胞发生关联，然后每个关联用3个电子来记忆和存储。这是多大的数字呢？130亿的6次方再乘以3。每个电子都是有质量的，质量是不能忽略 的。再把电子质量乘进去，那么这个质量等于多大个数字呢？它等于钱德拉塞卡极限。
钱德拉塞卡极限是什么呢？在1938年，钱德拉塞卡提出 来：当一个恒星的质量超过钱德拉塞卡极限时，这个恒星则会自动坍缩成一个黑洞。你明白了吗？这说明如果真的用一个经典的存储计算机去模拟一个人的大脑行 为，当这个计算机还没做出来，其本身的质量已经把自己压成一个黑洞了。
博士生入学考试试题(人工智能)
篇四:人工智能博士专业排名
博士生入学考试人工智能试题