关于人工智能利弊的论文(2)
关于人工智能利弊的论文
关于人工智能利弊的论文篇二
一、不确定性人工智能的研究方法
传统的人工智能以确定性作为基础，出现了以符号主义、连接主义、行为主义为代表的主流学派[1]，在研究初期分别取得了一系列的理论和应用成果。随着研究的深入和相关学科的发展，人们逐渐意识到要想彻底解决人工智能研究中遇到的难题，需要考虑到不确定性的因素，把确定性和不确定性有机统一，制造出真正“智能”的机器。
不确定性人工智能以不确定性为研究的重点和主要方面[2]，从崭新的角度对人工智能进行研究，弥补了传统确定性人工智能的不足。当前在不确定性人工智能国内外认可的理论是钟义群教授提出的“机制主义”[3]。机制主义考虑到了智能生成机制中的不确定性，并结合随机性、模糊性、不完备性、不协调性、非恒常性等不确定性特征对信息获取、认知、形成知识、决策等过程进行了分析。为了尽可能将理论和应用相结合，国内外研究者先后提出了概率理论、模糊集、粗糙集、非单调函数、云模型、分形网络、混沌等针对不确定性问题的研究方法，本文将主要分析四种研究相对成熟的方法[4]。
1.概率理论
概率理论从事件发生的必然性和偶然性出发，是处理随机性的最重要手段[5]，一直以来得到了很广泛的应用。例如：在产品生产中，通过抽样来测试产品的合格率，通过标准差和方差来计算样本的稳定程度;在复杂系统中，通过分支线路的可靠性来评估系统整体的可靠性;在医学上，通过马尔可夫链来预测人群感染某类传染病的程度等等。
2.模糊集
模糊集是用来表达模糊性概念的集合[6]。模糊集出现之前的集合都是具有某种属性的对象的全体，属性的划分是确定性的，并且在对应过程中，定义域中的一个值只能在值域中找到一个唯一与之对应的值。但在模糊集中，定义域中的一个值可能会对应值域中的两个值，但到底更偏向于哪一个值，将通过隶属度来考虑。隶属度体现了元素对集合隶属的程度，其取值范围是[0，1]。通过引入隶属度，使得元素和集合的关系从“属于”和“不属于”变成了“属于”、“不属于”和“隶属度上属于”三种情况。虽然概率论和模糊集是两种不同的方法，在实际研究中，往往需要将两种方法综合起来考虑。模糊集运算的基础与隶属度有关，而隶属度的计算需要通过一定数量的知识积累才能达到所需的精确度，即需要先验知识。而先验知识的获取过程往往要用到统计的方法。
3.粗糙集
粗糙集从知识分类入手，着手通过不确定性本身提供的信息来研究不确定性[7]。其主要思想是将不确定或不精确的知识用已有知识库的知识来刻画，具体做法是在保持分类能力不变的情况下，通过知识约简推导出概念的分类规则，得到不可区分的关系和等价类划分所确定的近似域，从而找到数据中隐含的规律，把不确定性的知识放入对应的集合中。
4.非单调逻辑
经典逻辑都具备单调性，简要地说，经典逻辑一旦往一个方向发展后，就不会再回退，是一个不可逆的过程[8]。非单调逻辑属于非标准逻辑的一种，是在人工智能研究的大背景下产生的，非单调逻辑随着前提的增加，显示出一种不确定性的状态，其发展是可逆的，具有定义域的开放性和值域的不确定性的特点，类似于人类常识推理非单调的特点。非单调逻辑是处理不确定性问题的一种重要的方法。例如：新知识有可能对原有的知识进行补充，原有的推理成立，继续单调的发展;但新知识也有可能会与原有的知识冲突，这个时候原有的结论将不再成立，推理将不再具有单调性，需要回过头对知识进行更新或再划分。
二、现有方法的局限性
虽然目前在不确定性人工智能研究方面取得了一系列的成果，但就其研究方法而言，应用较广的四种方法在实践中暴露出了一定的局限性，需要有针对性地进行改进。
1.概率理论
概率理论中存在Zipf定理，即单词出现的频率与它的名次的常数次幂存在着简单的反比关系。Zipf定理给不确定性人工智能的研究带来了一定的启示。例如：在预测一周内降雨概率的时候，其概率可能并不与长期预测的结果相符合，因为具体时间段受到客观条件的影响比较大，规律并不容易把握。所以就短时期来说，可以采用“学习”型概率。即将非单调逻辑和概率论相结合，也就是说根据具体情况，不断修正原有相对固定的概率，更有针对性地给出相对精确的天气预测。
当把不确定性引入专家系统中，也存在类似的问题。专家系统的知识要想更具指导性，更类似真正的人类专家，还需要针对不同的情况及时进行修正和更新，这也是基于非单调逻辑的考虑。另外，在考虑概率的情况下，还应采用分区段学习的方法，将最新“学习”的经验与原有概率相结合，形成更新后的概率，更灵活地处理实际情况。
2.模糊集
模糊集虽然能比较好地处理亦此亦彼的模糊关系，有利于对不确定性人工智能中人的形象思维进行模拟，但存在一个比较大的局限性，即隶属度的问题。本文认为隶属度可以分为两类，一种是确定性的隶属度，一种是不确定性的隶属度。通过全面的统计或科学的测量得到的隶属度是确定性的隶属度;而不全面的，带有主观偏向的隶属度是不确定性的隶属度。隶属度主观性过强，不适合大范围或者长时间的推广。
其次，隶属度还需要前期经验知识的积累，是先验的。离开了经验，很难获得隶属度，而没有隶属
度，模糊集的后期 工作将难以开展。因此，能否得到一种相对客观、灵活性更强的隶属度函数，成为能否促进模糊集 发展的关键。当前，隶属度函数的确立还没有一个统一的方法，比较常用的有模糊 统计法、例证法、专家 经验法和二元对比排序法。这四种主要的方法各有不同的适用性，需要针对不同的阶段与 环境选取合适的方法，获得较为客观和相对准确的隶属度。
3.粗糙集
粗糙集与模糊集相比有一个重要的优势在于不需要先验数据，得到的数据比较客观，但其本身仍然存在一定的局限性。如 果将 应用推广到地震预报、投资分析等需要大规模的数据，并且数据之间关系错综复杂的问题上，不可避免地会出现数据之间的冲突或同一数据具有过多的属性值的情况，如何高效地进行约简并作出正确的决策成为比较困难的问题，如果解决不好这个问题，将导致组合爆炸，粗糙集的优势也难以体现出来。
由于经典的粗糙集理论是基于完备的系统来进行推导和制定策略的，因此在处理不完备系统的时候，容易因为样本数据丢失、损坏和不全面影响到推导和决策。此外，粗糙集要求所处理的信息是离散的。但是人们除了需要处理离散的信息，更多需要处理连续的信息，对于粗糙集来说，连续的信息将导致其很难进行类属的划分，即使划分出来，也将因为分类过细导致复杂性大大增加，失去了不确定性问题处理的低代价的优势，因此在处理连续数据的时候，可以考虑将粗糙集的思想和模糊集的理论结合起来，相辅相成解决问题。
4.非单调逻辑
非单调逻辑在不确定性人工智能的研究中虽然较好地符合了人类常识推理的特性，但由于更偏向于思维层次的否定之否逼近真理的过程，而不是一种具体的操作方法，因此不能单独使用。要想解决不确定性的问题，必须根据待处理问题的特点，有针对性地将非单调逻辑和概率理论、模糊集、粗糙集等具体方法有机结合起来，从而不断地完善、逐步求精，最终得到满意的结果。
三、结语
本文选取了在处理人工智能不确定性问题应用比较多的概率理论、模糊集、粗糙集、非单调逻辑等研究手段来进行分析，虽然提出了其方法局限性以及个人的建议，但并不是对这些方法的否认。正如其不确定性的特征一样，这是一个包容性很强的领域，允许不同方法相互完善，共同为不确定性人工智能的研究搭建坚实的基础。
随着不确定性人工智能相关理论和研究方法的完善[9]，人工智能很有可能在两个方面有所突破：(1)人是 社会性的人，智能是无法离开人类社会而单独发展，所以软件设计方面，未来的研究方法将有针对性地模拟“社会性”的属性，将社会属性作为不同智能机器交流的接口，从而迸发出单个机器无法比拟的集体智能。(2)物质决定意识，当前的 计算机硬件基础仍然是基于冯诺依曼体系结构的，要想机器彻底体现出智能，未来计算机的硬件基础很可能会颠覆现有体系结构，从根本上实现不确定性。
看了“关于人工智能利弊的论文”的人还看了：
3.人工智能利弊论文