關于人工智能的發展現狀及前景分析

李莫

摘 要：人工智能科學技術歸屬于計算機科學，是其中的一個重要分支，人工智能領域的研究主要包括圖像識別、語言識別、機器人、專家系統以及自然語言處理等。自誕生以來，人工智能理論和技術逐漸發展成熟，在社會、科技、文化、經濟等領域中發揮著越來越重要的作用。

關鍵詞：人工智能；發展現狀；前景

1人工智能綜述

1.1人工智能的概念

人工智能即AI，其英文全稱為ArtificialIntelligence。人工智能的概念要從人工和智能兩方面來了解，所謂人工就是指人工智能脫胎于人類的文明，是人類智慧的產物；而智能則是指具有人工智能的計算機或其他電子設備可以模擬人類的智能行為和思維方式，人工智能是計算機科學的一個分支，它的近期主要目標在于研究用機器來模仿和執行人腦的某些智能功能，并開發相關理論和技術。

1.2人工智能的現實應用

如今的人工智能機器，可以在勝任一些復雜腦力勞動的同時，輔助人類進行記憶和邏輯運算等活動。現階段學者已經研制出了一些可以模擬人類精神活動的電子機器，經過完善升級，這些電子機器將有希望超越人類的能力，協助人類完成一些執行難度較大的工作。但是目前研制出的自動化系統或者機器人雖然可以代替部分人類勞動，卻還沒有到達可以實現人類多方面協調和自我學習升級的智能水平，要制造出一款可以完全擁有人類智慧的機器，還需進一步深入研究。還有一些人工智能產物經常應用于各種商業用途，例如單位內部的客戶信息系統，決策支持系統，以及我們在世面上可以看見的醫學顧問、法津顧問等軟件。

2人工智能發展過程中面臨的問題

現階段，隨著信息技術、計算機技術的迅速發展，人類在人工智能方面取得了一定的研究成果，諸多人工智能產物已經投入實際應用，并為方便人類的工作、生活提供了良好的幫助。但是，任何一種技術都是有利有弊的，人工智能也不例外，超智能概念的提出，讓人們對智能機器產生了質疑與憂慮。正如電影情節中一樣，隨著人工智能的高速發展，未來是否會有一天人類世界被智能機器所統治，這是擺在人類面前的一個重要問題。然而，若是因為害怕人工智能產物的負面影響，而采取抑制人工智能的發展的這一措施，卻是萬萬不可取的。面對風險，我們應該勇于接受挑戰，積極尋求有效的方法去促進人工智能更好、更穩定、更安全的發展。

就目前來說，人類在應用電腦進行模式識別方面已經得到了一定的研究成果，一些相關產品也已經投入使用，但無論是在理論上還是方法上，其與人的感官識別機制存在著很大的差異。現階段，模式識別主要是語音識別以及圖形識別。語音識別是對語音信號的各種分類進行研究，近年來該項技術得到了迅速發展，但語音識別容易受到諸多因素的影響，如普通話不標準等，也會給語音識別造成極大的影響；圖形識別主要是指紋圖形識別、手寫體文字識別、各種印刷體識別，但目前只能開展小規模測試，對相似度太高或特征不明顯的東西，圖形識別難度相對來說較大，且容易出現識別錯誤的問題。

隨著人工智能的迅速發展，智能機器也變得越來越“聰明”，如何與這些智能機器交流、如何介入智能機器的想法與行為，成為困惑人們的首要問題。為了解決這些具有挑戰性的問題，可以通過設計一個專門的系統，來權衡人類與智能機器的交流。

GPS，即全球定位系統，是致力于實現不依賴領域知識解決人工智能問題的一種通用方法，但人工智能問題的內部表達形式與領域知識之間密切相關，用GPS這一人工智能通用方法或者是用謂詞邏輯來開展定理歸結，均可以在分析表達能力方面發現其局限性，這就給人工智能的發展與應用帶來了諸多不利影響。

3人工智能的發展現狀

3.1專家系統

專家系統（ExpertSystem）具有相當于專家知識和經驗水平以及解決專門問題的能力的計算機系統，是人工智能應用研究最活躍和最廣泛的應用領域之一。專家系統是第一批真正成功的人工智能（AI）軟件，它被設計為通過推理知識來解決復雜的問題，主要表現為IF-THEN規則而不是通過傳統的程序代碼。第一個專家系統在20世紀70年代創建，在20世紀80年代興起。ES系統能夠高效，迅速，準確地工作，突破時間和空間的限制，進行有效推理決策，解決那些只有專家才能解決的高難度的復雜問題。主要在醫療，交通，家居綜合性領域應用，其中醫學專家系統研究最多而卓有成效的要數醫學專家系統。而研制實用的，高性能的專家系統是當前人工智能研究的一項主要任務。隨著計算機網絡技術的不斷發展和多媒體技術的突破，專家系統的研究勢必更加深入，取得突破性進展。

3.2神經網絡

人工神經網絡開始于20世紀80年代，隨著計算機技術的大力發展以及研究者們不斷對算法進行優化改進，以其驚人的處理速度和較強的容錯能力，表現出良好的智能化。神經網絡已被用于解決使用普通的基于規則的編程難以解決的各種各樣的任務，如計算機視覺和語音識別，且成功率已達到百分之八九十。人工神經網絡與他技術組合產生模糊神經網絡，廣泛應用到醫學圖像處理與分析各領域。在像素化圖像方面，隨著圖片模糊程度增加，神經網絡的成功率會降低，但仍然能夠達到50%到75%的成功率。神經網絡計算科學領域與生物神經系統理論分析和計算建模相關，為此神經科學家正在觀察生物過程（數據）、神經處理和生物似然機制（生物神經網絡模型），努力建立統計學習理論和信息理論之間的聯系，使得人工神經網絡技術能夠邁向新的臺階。

3.3模式識別

人工智能方法在模式識別，數學邏輯等領域同樣廣泛運用。模式識別主要是對已知數據樣本中的模式和規則進行識別和提取，通常旨在為所有可能的輸入提供合理的答案，并考慮到它們的統計變化來執行輸入的“最可能”匹配。通過計算機來對文字，圖像，聲音，物體等模式的自動識別，是智能機器開發的關鍵點。目前模式識別的識別速度快，識別效率和精度也比較高，但主要還是無監督學習，人為構造算法的成分比較大。

結論

綜上所述，在科學技術迅速發展的背景下，人工智能也走向了加速發展的新階段。但是，任何新事物的發展都不是一帆風順的，在不斷發展的過程中，人工智能也會遇到各種各樣的問題，甚至會給人工智能帶來巨大的挫折，但相信經過多方面的努力，人們終會找到一條推動人工智能和諧發展的道路，讓人工智能更好地造福人類社會。

參考文獻

[1]韓曄彤.人工智能技術發展及應用研究綜述[J].電子制作，2016，（12）：95.

[2]賀倩.人工智能技術發展研究[J].現代電信科技，2016，46（02）：18-21+27.

（作者單位：遼寧萬恒信息技術有限公司遼沈分公司）