1.CYC是什么意思

全称为CYC项目，CYC项目始于1984年，由当时的微电子与计算机技术公司开发。

Cyc"名字的来源是 "encyclopedia"，发音很像syke，是美国得克萨斯州奥斯丁的Cycorp公司的有效注册商标，Cycorp是一家由Douglas Lenat领导的致力于实现人工智能的公司。Cyc项目大部分的工作仍然是以知识工程为基础的。

大部分的事实是通过手工添加到知识库中，并在这些知识基础上进行高效推理的。Cyc知识库中表示的知识一般形如“每棵树都是植物”、“植物最终都会死亡”。

下图为cyc工程的室内设计。扩展资料：CYC项目的缺点：Cyc项目被誉为是“人工智能历史上最有争议的项目”之一，因此难免对它有批评的意见，这些意见可以概括为：系统的复杂度：该系统具有创建百科全书式知识库的野心，却手动添加所有的知识到系统中；知识表示广泛的具体化引发的可扩展性问题，特别是以常量的形式进行；对物质概念的解释难以令人满意，对内在属性和外在属性区分不清晰；缺乏对Cyc推理引擎效率测试的有意义的标准测试及与其他类似系统的比较；目前该系统在深度和广度上都有待完善，然而测度该系统的完备性本身就是很困难的；参考资料来源：百度百科-CYC项目。

2.ios围棋app

下面例了45个最有趣的AI项目：IBM 在AI领域，IBM是早期先锋，当年它为大众带来了现代AI,IBM沃森（Watson ）参与过电视节目Jeopardy。

IBM在介绍AI解决方案时喜欢引用一个术语“认知运算（cognitive computing）”，它打着“沃森”的名字销售产品。到目前为止，IBM已经拥有几十个不同的AI产品和服务，这些产品和服务大体可以分成两类：开发者工具，预制应用。

IBM还赞助500万美元，让创业公司参加挑战赛，用AI解决世界性的大难题。 1、沃森API 主要针对开发者，这些工具可以让企业在自己的APP中调用IBM沃森的认知运算能力。

目前IBM总共开通了19个不同的API，这些API能够提供不同的功能，比如概念扩充、对话、语言翻译、个性化洞察力、语气分析、关系提取、将语音转化为文本、将文本转化为语音、视觉识别和分析。客户可以通过IBM沃森开发者云服务（Watson Developer Cloud）获得这些功能。

2、沃森Marketplace 在沃森Marketplace内，IBM提供各种应用，这些应用是根据认知运算技术开发的，当中包括沃森Trend（一个个性化购物APP）、沃森Analytics、Talent Insights、面向社交媒体的分析工具（Analytics for Social Media）、临床实验匹配工具（Watson for Clinical Trial Matching）。 3、SystemML IBM开放了一些机器学**技术，包括SystemML。

作为一个Apache孵化器项目（Apache Incubator Project）,SystemML的目标是为ML算法提供弹性规范，为单节内存运算、MapReduce或者Spark运算分配等一系列任务自动规划混合执行时间。谷歌 大家都知道，谷歌在研究领域投入了巨大的资源，在公司内部，有一个名叫“Google Brain”的团队从事AI项目的开发。

他们的许多工作成果应用在谷歌其它产品中，包括搜索、谷歌Now和Android个人助手。谷歌团队的一些工作成果是开源的，团队还发表了一些AI方面的论文。

4、TensorFlow TensorFlow是谷歌的一个开源AI项目，它由“Google Brain”开发。Tensor Flow利用数据流向图建立数值计算库，它已经开通了Python和C++ API，允许开发者在自己的APP中使用谷歌AI技术。

5、谷歌云计算机器学**项目（Google Cloud Machine Learning） 通过云计算平台，谷歌将一些机器学**技术提供给开发者。在谷歌自己的许多产品中也使用相同的服务，包括图片搜索、语音搜索、翻译和Gmail智能回复。

6、DeepMind 2014年，谷歌收购伦敦AI创业公司DeepMind。到目前为止，DeepMind团队最耀眼的工作就是开发了AlphaGo系统，正是因为有了它，计算机程序首次在围棋棋盘上打败了人类职业选手。

团队正在增强机器学**的学**能力，将深度学**技术应用于医疗健康领域。 7、RankBrain 在搜索引擎的排序中，起决定作用的因素到底有哪些？谷歌并没有透露过详细细节，但是公司之前曾经说过，它在算法中部分使用了名叫RankBrain的AI技术。

RankBrain可以猜测搜索术语的意义，之前RankBrain并没有看到过术语，但它可以提供相关的结果。RankBrain无法下载，也没有销售，科技产业对它很感兴趣。

微软 和其它大型科技企业一样，在微软内部也有一个庞大的机器学**、AI团队。该团队下面有许多子团队，专注于算法经济（algorithmic economics）、深度学**、机器学**、机器教学、自然语言运算及其它项目的研究，在公司的网站上列出了一大堆当前正在进行的项目。

机器学**、AI团队的创新也已经整合到微软产品和服务中去。 8、Cortana Cortana是微软推出的个人助手软件，它可能也是最著名的AI软件。

Cortana与Windows 10整合在一起，还进入了Android和iOS平台。Cortana能够执行一些任务，比如提醒用户、处理自然语言搜索。

9、CNTK 最近几年，微软开始拥抱“开源”概念，现在它已经在GitHub上公布了一些AI技术。CNTK是“Computational Network Toolkit”的缩写，它是一个工具，开发者可以在自己的项目中利用该工具部署分布式深度学**功能。

最近微软对CNTK进行升级，性能更强大，扩展性更好了。 10、DMLT DMLT是“分布式机器学**工具包（Distributed Machine Learning Toolkit）”的缩写，它也是一个开源项目，可以辅助训练机器学**应用的大型模型。

DMLT包括了DMLT框架（DMTK Framework）。 11、微软认知服务（Cognitive Services） 微软向开发者提供一些AI API，有些需要付费使用，也有一些免费产品。

目前微软提供的API涉及计算机视觉（Computer Vision）、情绪、面部、视频、必应语音、语言理解、知识探索、推荐等功能。微软还利用这些API开发模板应用，一些模板已经在社交媒体中扩散开来。

12、Project Malmo 这是一个有趣的项目，微软研究人员试图将AI引入到Minecraft。研究者正在训练AI，让它们理解复杂的环境，彼此学**，将学**技巧用于解决新的问题。

13、Tay 2016年3月，微软推出了AI聊天机器人Tay，它可以在Twitter上与用户互动，可以不断学**。一天之内，Twitter用户“教会了”Tay什么是种族主义、什么是攻击性命令，微软被迫撤下Tay。

一周之后，微软再次推出Tay，同样的问题依然存在。微软宣称，一旦机器人可以安全使用，就会再次在Twitter上推。

3.九、什么是人工智能、虚拟技术、语音识

人工智能（计算机科学的一个分支） 人工智能（Artificial Intelligence），英文缩写为AI。

它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。

人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。 人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。

人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。

有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。

关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND）等等问题。

人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。

因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。

人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。

人工智能机器人 著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”

这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。

人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。

这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。 人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。

从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。 2研究价值编辑 具有人工智能的机器人 例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。

它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。 通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。

还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。

计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可。

4.将人工智能应用于网贷,是一种怎样的体验

人工智能（计算机科学的一个分支） 人工智能（Artificial Intelligence），英文缩写为AI。

它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。

人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。 人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。

人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。

有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。

关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND）等等问题。

人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。

因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。

人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。

人工智能机器人 著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”

这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。

人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。

这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。 人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。

从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。 贰研究价值编辑 具有人工智能的机器人 例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。

它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。 通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。

还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。

计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一。

5.如何评价国产机器人将参加2017年高考

继 AlphaGo与众多围棋高手对战之后，人工智能挑战中国高考成为新的热点：两款数学高机器人参加今年的高考，包括由国家科技部 863计划牵头研制的机器人 AI-MATHS，以及 K12 在线教育公司学霸君旗下的 Aidam。

2011年，IBM 沃森在智力问答竞赛中击败人类，赢得冠军，成为人工智能史上一个里程碑。此后，IBM沃森向医疗、法律等领域拓展，转型成为智能医疗系统，以及如果高考机器人考上清华北大，也许会成为另一个里程碑。

会思考的高考机器人与 AlphaGo一样，高考机器人并没有实体，而是一个能自动解题的人工智能系统。据介绍，跟以图像识别和匹配为主的拍照搜题技术不同，通过提前学习和训练，高考机器人能够解答从未出现过的新题目，并给出详细的解题步骤。

为什么选择参加高考？日本高考机器人 Torobo-kun的研发团队曾对此作出过解释，计算机擅长计算，因此，它能够轻易在专业象棋、将棋等对弈游戏击败职业选手，但高考是人类社会的一项高难度测试，对计算机来说，答高考题需不仅仅需要强大的计算能力，更重要的是理解人类的思考过程，以及处理信息的过程。如果通过高考，也代表着人工智能领域的新突破。

学霸君创始人张凯磊称，希望通过此次 PK展示人工智能在教育领域的进展，他对这场特殊的高考充满信心，“在学习了几千万道题目之后，机器已经能够像人一样思考知识点，并一步一步输出解题过程，而不是简单的暴力计算”。据了解，AI-MATHS学习了小学到高中的 7000多个考点，运算量可达到 2的 800次方，其研发团队准星云学的创始人林辉认为，跟 AlphaGo相比，高考机器人的研发难度更大，原因在于，用计算机语言描述围棋规则相对容易，但研发高考机器人，首先需要让系统理解人类语言。

“比如遇到没学过的生词，人类会联系上下文去推测词义，猜对是比较容易的事；而机器人却会卡壳。”他解释说。

这正是日本高考机器人 Torobo-kun放弃高考的原因。自 2013年起，Torobo-kun每年都会参加日本高考，它的目标是考入东京大学，在此前的多次考试中，其物理成绩不错，但受制于语言处理能力，在其他科目的成绩并不理想。

日本高考机器人的研发负责人 Noriko Arai教授表示，在目前的技术条件下，考上东大很难，她解释道：“人工智能系统无法理解必要的信息，阅读和理解句子含义的能力存在局限。”接下来，放弃高考的 Torobo-kun会被应用到数据分析领域。

其实，早在高考机器人的概念成为热门关键词之前，针对各个专业领域知识处理的自动问答系统的研发，全球顶尖的研究机构已经有各类尝试。比如 1984年启动的塞克（Cyc）工程，其目标是建立一个庞大的人类常识知识库，用于回答和解决一系列的科学和技术难题。

2002年启动的 Project Halo则是要研发一个科学知识库，用于回答学生或专业人员提出的复杂科学问题，Project Aristo则致力于解答标准化考试问题。AI如何自动解题？自动解题系统是人工智能领域的前沿性研究，涉及到人工智能技术的多个领域，包括图像识别、语音识别、自然语言处理等，据学霸君的首席科学家陈锐锋介绍，其解题过程涉及到三个步骤：一是理解和识别人类语言，把题目变成机器人可解码、可理解的语言，即通过自然语言处理将人类语言转换为形式语言。

二是逻辑推理，利用计算机的知识语言网络，模拟人类处理信息的方式和策略，找出最佳解题路径。三是用人类的语言回答问题，并给出详细的解题步骤，即将形式语言转化为自然语言。

其中最大的难点在于让机器理解人类语言，这也是自动解题系统被公认的核心问题之一：自然语言处理中的语义分析。机器需要首先识别人类的语言，并分析其含义，其中包括各类常识、谜语等隐性的线索，比如数学经典问题鸡兔同笼，其隐含条件是鸡有两条腿，兔有四条腿，而计算机可能并不知道这类常识，它更擅长规则下的精确计算，但人类的自然语言并不精确。

比如在物理解题过程中，假设忽视物体的大小，以及假设摩擦为零之类的思考方式，计算机并不能理解。AI-MATHS同样遇到了这样的情况，当题目中出现机器人从未“学习”过的生词，比如投资、理财等，它会由于无法理解而卡住。

另外一点则是逻辑推理能力，不同国家的高考机器人研究团队发现同一个问题：在不同科目的尝试中，机器人在文科解题中表现更好。原因在于，理科强调逻辑理解和推理能力，而机器学习在这个领域还未取得重大进展，目前更强调记忆、计算等能力。

因此，数学自动解题高考机器人如何改变教育？正如研发 IBM 沃森并不仅仅是为了参加智力答题竞赛，高考机器人也并不是人工智能系统研发的最终目的。从学术上来讲，高考机器人可以检验人工智能在多大程度上能够模拟人类的思考和理解过程，就实际应用而言，则是要利用技术进一步提升老师和学生教与学的效率与效果。

2014年，科技部启动 863项目“基于大数据的类人智能关键技术与系统”，讯飞研究院副院长王士进表示，三年来取得了很多进展，包括认知推理解题、语文学科自动作文写作、地理学科基于知识图谱自动知识抽取的主观题答题、历史学科基于深度学习的推理解题、基于 。

6.人工智能的技术研究

用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。

除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。

其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能？或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI（出色的老式人工智能）的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE,[29]这个概念后来被某些非GOFAI研究者采纳。大脑模拟主条目：控制论和计算神经科学20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。

其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960， 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。

符号处理主条目：GOFAI当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学， 斯坦福大学和麻省理工学院，而各自有独立的研究风格。

JOHN HAUGELAND称这些方法为GOFAI（出色的老式人工智能）。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。

基于控制论或神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。

认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学， 运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。

这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。

他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示， 智能规划和机器学习. 致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者 （如马文·闵斯基和西摩尔·派普特）发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 SCRUFFY .常识知识库 （如DOUG LENAT的CYC）就是SCRUFFYAI的例子，因为他们必须人工一次编写一个复杂的概念。

基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。

“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。子符号法80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。

很多研究者开始关注子符号方法解决特定的人工智能问题。自下而上， 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。

他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的：更高的智能需要个体的表征（如移动，感知和形象）。

计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。统计学法90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。

这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。

STUART J. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。

集成方法智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT。

7.人工智能的技术研究

用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。

除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。

其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能？或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI（出色的老式人工智能）的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE,[29]这个概念后来被某些非GOFAI研究者采纳。大脑模拟主条目：控制论和计算神经科学20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。

其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960， 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。

符号处理主条目：GOFAI当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学， 斯坦福大学和麻省理工学院，而各自有独立的研究风格。

JOHN HAUGELAND称这些方法为GOFAI（出色的老式人工智能）。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。

基于控制论或神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。

认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学， 运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。

这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。

他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示， 智能规划和机器学习. 致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者 （如马文·闵斯基和西摩尔·派普特）发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 SCRUFFY .常识知识库 （如DOUG LENAT的CYC）就是SCRUFFYAI的例子，因为他们必须人工一次编写一个复杂的概念。

基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。

“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。子符号法80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。

很多研究者开始关注子符号方法解决特定的人工智能问题。自下而上， 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。

他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的：更高的智能需要个体的表征（如移动，感知和形象）。

计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。统计学法90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。

这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。

STUART J. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。

集成方法智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT。

8.全球免费开放的电子图书馆有哪些呢

1。

澳大利亚国立大学ANU电子出版库： 27。Gallica。

bnf。fr （法兰西国家图书馆资助的网站，法文）：/life/books/openbooks/2005-02-01-abounding-gutter_x。 htm 32。

英语文学网站 （超过一千位学生为这个巨大的网站捐助成果，焦点是英语文学） / 33。计算机程序设计电子书 （包括：Abap, Java, Linux, Php, Oracle & Vb。

net 。 PDF 格式。

注意，在下载之前，需先建立一个账户） / 34。数学世界 （为学生，教育家，数学爱好者和研究者准备的全面地数学百科全书）/ 35。

在线医学百科全书 （超过1500主题的在线医学百科全书，包括康复，疾病，伤害，营养，手术，症状，试验）/ 36。医生的免费电子书（免费使用的医学电子书） / 37。奥地利文献 （超过12000 部奥地利文献，甚至包括明信片，可以在因特网上访问）http://www。

literature。at/default。

alo;jsessionid= 38。 GPO Access（美国政府文献）：http://www。

access。gpo。

gov/ 39。世界最大的社会科学文献网站（ICPSR） (Inter-university Consortium for Political and Social Research):http://www。

icpsr。umich。

edu/icpsrweb/ICPSR/ 40。