關(guān)于人工智能利弊的論文(2)
關(guān)于人工智能利弊的論文
關(guān)于人工智能利弊的論文篇二
一、不確定性人工智能的研究方法
傳統(tǒng)的人工智能以確定性作為基礎(chǔ)，出現(xiàn)了以符號(hào)主義、連接主義、行為主義為代表的主流學(xué)派[1]，在研究初期分別取得了一系列的理論和應(yīng)用成果。隨著研究的深入和相關(guān)學(xué)科的發(fā)展，人們逐漸意識(shí)到要想徹底解決人工智能研究中遇到的難題，需要考慮到不確定性的因素，把確定性和不確定性有機(jī)統(tǒng)一，制造出真正“智能”的機(jī)器。
不確定性人工智能以不確定性為研究的重點(diǎn)和主要方面[2]，從嶄新的角度對(duì)人工智能進(jìn)行研究，彌補(bǔ)了傳統(tǒng)確定性人工智能的不足。當(dāng)前在不確定性人工智能國(guó)內(nèi)外認(rèn)可的理論是鐘義群教授提出的“機(jī)制主義”[3]。機(jī)制主義考慮到了智能生成機(jī)制中的不確定性，并結(jié)合隨機(jī)性、模糊性、不完備性、不協(xié)調(diào)性、非恒常性等不確定性特征對(duì)信息獲取、認(rèn)知、形成知識(shí)、決策等過(guò)程進(jìn)行了分析。為了盡可能將理論和應(yīng)用相結(jié)合，國(guó)內(nèi)外研究者先后提出了概率理論、模糊集、粗糙集、非單調(diào)函數(shù)、云模型、分形網(wǎng)絡(luò)、混沌等針對(duì)不確定性問(wèn)題的研究方法，本文將主要分析四種研究相對(duì)成熟的方法[4]。
1.概率理論
概率理論從事件發(fā)生的必然性和偶然性出發(fā)，是處理隨機(jī)性的最重要手段[5]，一直以來(lái)得到了很廣泛的應(yīng)用。例如：在產(chǎn)品生產(chǎn)中，通過(guò)抽樣來(lái)測(cè)試產(chǎn)品的合格率，通過(guò)標(biāo)準(zhǔn)差和方差來(lái)計(jì)算樣本的穩(wěn)定程度;在復(fù)雜系統(tǒng)中，通過(guò)分支線路的可靠性來(lái)評(píng)估系統(tǒng)整體的可靠性;在醫(yī)學(xué)上，通過(guò)馬爾可夫鏈來(lái)預(yù)測(cè)人群感染某類傳染病的程度等等。
2.模糊集
模糊集是用來(lái)表達(dá)模糊性概念的集合[6]。模糊集出現(xiàn)之前的集合都是具有某種屬性的對(duì)象的全體，屬性的劃分是確定性的，并且在對(duì)應(yīng)過(guò)程中，定義域中的一個(gè)值只能在值域中找到一個(gè)唯一與之對(duì)應(yīng)的值。但在模糊集中，定義域中的一個(gè)值可能會(huì)對(duì)應(yīng)值域中的兩個(gè)值，但到底更偏向于哪一個(gè)值，將通過(guò)隸屬度來(lái)考慮。隸屬度體現(xiàn)了元素對(duì)集合隸屬的程度，其取值范圍是[0，1]。通過(guò)引入隸屬度，使得元素和集合的關(guān)系從“屬于”和“不屬于”變成了“屬于”、“不屬于”和“隸屬度上屬于”三種情況。雖然概率論和模糊集是兩種不同的方法，在實(shí)際研究中，往往需要將兩種方法綜合起來(lái)考慮。模糊集運(yùn)算的基礎(chǔ)與隸屬度有關(guān)，而隸屬度的計(jì)算需要通過(guò)一定數(shù)量的知識(shí)積累才能達(dá)到所需的精確度，即需要先驗(yàn)知識(shí)。而先驗(yàn)知識(shí)的獲取過(guò)程往往要用到統(tǒng)計(jì)的方法。
3.粗糙集
粗糙集從知識(shí)分類入手，著手通過(guò)不確定性本身提供的信息來(lái)研究不確定性[7]。其主要思想是將不確定或不精確的知識(shí)用已有知識(shí)庫(kù)的知識(shí)來(lái)刻畫(huà)，具體做法是在保持分類能力不變的情況下，通過(guò)知識(shí)約簡(jiǎn)推導(dǎo)出概念的分類規(guī)則，得到不可區(qū)分的關(guān)系和等價(jià)類劃分所確定的近似域，從而找到數(shù)據(jù)中隱含的規(guī)律，把不確定性的知識(shí)放入對(duì)應(yīng)的集合中。
4.非單調(diào)邏輯
經(jīng)典邏輯都具備單調(diào)性，簡(jiǎn)要地說(shuō)，經(jīng)典邏輯一旦往一個(gè)方向發(fā)展后，就不會(huì)再回退，是一個(gè)不可逆的過(guò)程[8]。非單調(diào)邏輯屬于非標(biāo)準(zhǔn)邏輯的一種，是在人工智能研究的大背景下產(chǎn)生的，非單調(diào)邏輯隨著前提的增加，顯示出一種不確定性的狀態(tài)，其發(fā)展是可逆的，具有定義域的開(kāi)放性和值域的不確定性的特點(diǎn)，類似于人類常識(shí)推理非單調(diào)的特點(diǎn)。非單調(diào)邏輯是處理不確定性問(wèn)題的一種重要的方法。例如：新知識(shí)有可能對(duì)原有的知識(shí)進(jìn)行補(bǔ)充，原有的推理成立，繼續(xù)單調(diào)的發(fā)展;但新知識(shí)也有可能會(huì)與原有的知識(shí)沖突，這個(gè)時(shí)候原有的結(jié)論將不再成立，推理將不再具有單調(diào)性，需要回過(guò)頭對(duì)知識(shí)進(jìn)行更新或再劃分。
二、現(xiàn)有方法的局限性
雖然目前在不確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，應(yīng)用較廣的四種方法在實(shí)踐中暴露出了一定的局限性，需要有針對(duì)性地進(jìn)行改進(jìn)。
1.概率理論
概率理論中存在Zipf定理，即單詞出現(xiàn)的頻率與它的名次的常數(shù)次冪存在著簡(jiǎn)單的反比關(guān)系。Zipf定理給不確定性人工智能的研究帶來(lái)了一定的啟示。例如：在預(yù)測(cè)一周內(nèi)降雨概率的時(shí)候，其概率可能并不與長(zhǎng)期預(yù)測(cè)的結(jié)果相符合，因?yàn)榫唧w時(shí)間段受到客觀條件的影響比較大，規(guī)律并不容易把握。所以就短時(shí)期來(lái)說(shuō)，可以采用“學(xué)習(xí)”型概率。即將非單調(diào)邏輯和概率論相結(jié)合，也就是說(shuō)根據(jù)具體情況，不斷修正原有相對(duì)固定的概率，更有針對(duì)性地給出相對(duì)精確的天氣預(yù)測(cè)。
當(dāng)把不確定性引入專家系統(tǒng)中，也存在類似的問(wèn)題。專家系統(tǒng)的知識(shí)要想更具指導(dǎo)性，更類似真正的人類專家，還需要針對(duì)不同的情況及時(shí)進(jìn)行修正和更新，這也是基于非單調(diào)邏輯的考慮。另外，在考慮概率的情況下，還應(yīng)采用分區(qū)段學(xué)習(xí)的方法，將最新“學(xué)習(xí)”的經(jīng)驗(yàn)與原有概率相結(jié)合，形成更新后的概率，更靈活地處理實(shí)際情況。
2.模糊集
模糊集雖然能比較好地處理亦此亦彼的模糊關(guān)系，有利于對(duì)不確定性人工智能中人的形象思維進(jìn)行模擬，但存在一個(gè)比較大的局限性，即隸屬度的問(wèn)題。本文認(rèn)為隸屬度可以分為兩類，一種是確定性的隸屬度，一種是不確定性的隸屬度。通過(guò)全面的統(tǒng)計(jì)或科學(xué)的測(cè)量得到的隸屬度是確定性的隸屬度;而不全面的，帶有主觀偏向的隸屬度是不確定性的隸屬度。隸屬度主觀性過(guò)強(qiáng)，不適合大范圍或者長(zhǎng)時(shí)間的推廣。
其次，隸屬度還需要前期經(jīng)驗(yàn)知識(shí)的積累，是先驗(yàn)的。離開(kāi)了經(jīng)驗(yàn)，很難獲得隸屬度，而沒(méi)有隸屬
度，模糊集的后期 工作將難以開(kāi)展。因此，能否得到一種相對(duì)客觀、靈活性更強(qiáng)的隸屬度函數(shù)，成為能否促進(jìn)模糊集 發(fā)展的關(guān)鍵。當(dāng)前，隸屬度函數(shù)的確立還沒(méi)有一個(gè)統(tǒng)一的方法，比較常用的有模糊 統(tǒng)計(jì)法、例證法、專家 經(jīng)驗(yàn)法和二元對(duì)比排序法。這四種主要的方法各有不同的適用性，需要針對(duì)不同的階段與 環(huán)境選取合適的方法，獲得較為客觀和相對(duì)準(zhǔn)確的隸屬度。
3.粗糙集
粗糙集與模糊集相比有一個(gè)重要的優(yōu)勢(shì)在于不需要先驗(yàn)數(shù)據(jù)，得到的數(shù)據(jù)比較客觀，但其本身仍然存在一定的局限性。如 果將 應(yīng)用推廣到地震預(yù)報(bào)、投資分析等需要大規(guī)模的數(shù)據(jù)，并且數(shù)據(jù)之間關(guān)系錯(cuò)綜復(fù)雜的問(wèn)題上，不可避免地會(huì)出現(xiàn)數(shù)據(jù)之間的沖突或同一數(shù)據(jù)具有過(guò)多的屬性值的情況，如何高效地進(jìn)行約簡(jiǎn)并作出正確的決策成為比較困難的問(wèn)題，如果解決不好這個(gè)問(wèn)題，將導(dǎo)致組合爆炸，粗糙集的優(yōu)勢(shì)也難以體現(xiàn)出來(lái)。
由于經(jīng)典的粗糙集理論是基于完備的系統(tǒng)來(lái)進(jìn)行推導(dǎo)和制定策略的，因此在處理不完備系統(tǒng)的時(shí)候，容易因?yàn)闃颖緮?shù)據(jù)丟失、損壞和不全面影響到推導(dǎo)和決策。此外，粗糙集要求所處理的信息是離散的。但是人們除了需要處理離散的信息，更多需要處理連續(xù)的信息，對(duì)于粗糙集來(lái)說(shuō)，連續(xù)的信息將導(dǎo)致其很難進(jìn)行類屬的劃分，即使劃分出來(lái)，也將因?yàn)榉诸愡^(guò)細(xì)導(dǎo)致復(fù)雜性大大增加，失去了不確定性問(wèn)題處理的低代價(jià)的優(yōu)勢(shì)，因此在處理連續(xù)數(shù)據(jù)的時(shí)候，可以考慮將粗糙集的思想和模糊集的理論結(jié)合起來(lái)，相輔相成解決問(wèn)題。
4.非單調(diào)邏輯
非單調(diào)邏輯在不確定性人工智能的研究中雖然較好地符合了人類常識(shí)推理的特性，但由于更偏向于思維層次的否定之否逼近真理的過(guò)程，而不是一種具體的操作方法，因此不能單獨(dú)使用。要想解決不確定性的問(wèn)題，必須根據(jù)待處理問(wèn)題的特點(diǎn)，有針對(duì)性地將非單調(diào)邏輯和概率理論、模糊集、粗糙集等具體方法有機(jī)結(jié)合起來(lái)，從而不斷地完善、逐步求精，最終得到滿意的結(jié)果。
三、結(jié)語(yǔ)
本文選取了在處理人工智能不確定性問(wèn)題應(yīng)用比較多的概率理論、模糊集、粗糙集、非單調(diào)邏輯等研究手段來(lái)進(jìn)行分析，雖然提出了其方法局限性以及個(gè)人的建議，但并不是對(duì)這些方法的否認(rèn)。正如其不確定性的特征一樣，這是一個(gè)包容性很強(qiáng)的領(lǐng)域，允許不同方法相互完善，共同為不確定性人工智能的研究搭建堅(jiān)實(shí)的基礎(chǔ)。
隨著不確定性人工智能相關(guān)理論和研究方法的完善[9]，人工智能很有可能在兩個(gè)方面有所突破：(1)人是 社會(huì)性的人，智能是無(wú)法離開(kāi)人類社會(huì)而單獨(dú)發(fā)展，所以軟件設(shè)計(jì)方面，未來(lái)的研究方法將有針對(duì)性地模擬“社會(huì)性”的屬性，將社會(huì)屬性作為不同智能機(jī)器交流的接口，從而迸發(fā)出單個(gè)機(jī)器無(wú)法比擬的集體智能。(2)物質(zhì)決定意識(shí)，當(dāng)前的 計(jì)算機(jī)硬件基礎(chǔ)仍然是基于馮諾依曼體系結(jié)構(gòu)的，要想機(jī)器徹底體現(xiàn)出智能，未來(lái)計(jì)算機(jī)的硬件基礎(chǔ)很可能會(huì)顛覆現(xiàn)有體系結(jié)構(gòu)，從根本上實(shí)現(xiàn)不確定性。
看了“關(guān)于人工智能利弊的論文”的人還看了：
3.人工智能利弊論文