技术研究报告总结（精选2篇）

技术研究报告总结 篇1

浅谈逻辑学与人工智能

人工智能主要研究用人工方法模拟和扩展人的智能，最终实现机器智能。人工智能研究与人的思维研究密切相关。逻辑学始终是人工智能研究中的基础科学问题，它为人工智能研究提供了根本观点与方法。

1人工智能学科的诞生

12世纪末13世纪初，西班牙罗门·卢乐提出制造可解决各种问题的通用逻辑机。17世纪，英国培根在《新工具》中提出了归纳法。随后，德国莱布尼兹做出了四则运算的手摇计算器，并提出了“通用符号”和“推理计算”的思想。19世纪，英国布尔创立了布尔代数，奠定了现代形式逻辑研究的基础。德国弗雷格完善了命题逻辑，创建了一阶谓词演算系统。20世纪，哥德尔对一阶谓词完全性定理与N形式系统的不完全性定理进行了证明。在此基础上，克林对一般递归函数理论作了深入的研究，建立了演算理论。英国图灵建立了描述算法的机械性思维过程，提出了理想计算机模型(即图灵机)，创立了自动机理论。这些都为1945年匈牙利冯·诺依曼提出存储程序的思想和建立通用电子数字计算机的冯·诺依曼型体系结构，以及1946年美国的莫克利和埃克特成功研制世界上第一台通用电子数学计算机ENIAC做出了开拓性的贡献。

以上经典数理逻辑的理论成果，为1956年人工智能学科的诞生奠定了坚实的逻辑基础。

现代逻辑发展动力主要来自于数学中的公理化运动。20世纪逻辑研究严重数学化，发展出来的逻辑被恰当地称为“数理逻辑”，它增强了逻辑研究的深度，使逻辑学的发展继古希腊逻辑、欧洲中世纪逻辑之后进入第三个高峰期，并且对整个现代科学特别是数学、哲学、语言学和计算机科学产生了非常重要的影响。

2逻辑学的发展

2.1逻辑学的大体分类

逻辑学是一门研究思维形式及思维规律的科学。从17世纪德国数学家、哲学家莱布尼兹(G.LEibniz)提出数理逻辑以来，随着人工智能的一步步发展的需求，各种各样的逻辑也随之产生。逻辑学大体上可分为经典逻辑、非经典逻辑和现代逻辑。经典逻辑与模态逻辑都是二值逻辑。多值逻辑，是具有多个命题真值的逻辑，是向模糊逻辑的逼近。模糊逻辑是处理具有模糊性命题的逻辑。概率逻辑是研究基于逻辑的概率推理。

2.2泛逻辑的基本原理

当今人工智能深入发展遇到的一个重大难题就是专家经验知识和常识的推理。现代逻辑迫切需要有一个统一可靠的，关于不精确推理的逻辑学作为它们进一步研究信息不完全情况下推理的基础理论，进而形成一种能包容一切逻辑形态和推理模式的，灵活的，开放的，自适应的逻辑学，这便是柔性逻辑学。而泛逻辑学就是研究刚性逻辑学(也即数理逻辑)和柔性逻辑学共同规律的逻辑学。

泛逻辑是从高层研究一切逻辑的一般规律，建立能包容一切逻辑形态和推理模式，并能根据需要自由伸缩变化的柔性逻辑学，刚性逻辑学将作为一个最小的内核存在其中，这就是提出泛逻辑的根本原因，也是泛逻辑的最终历史使命。

3逻辑学在人工智能学科的研究方面的应用

逻辑方法是人工智能研究中的主要形式化工具，逻辑学的研究成果不但为人工智能学科的诞生奠定了理论基础，而且它们还作为重要的成分被应用于人工智能系统中。

3.1经典逻辑的应用

人工智能诞生后的xxxx年间是逻辑推理占统治地位的时期。1963年，纽厄尔、西蒙等人编制的“逻辑理论机”数学定理证明程序(LT)。在此基础之上，纽厄尔和西蒙编制了通用问题求解程序(GPS)，开拓了人工智能“问题求解”的一大领域。经典数理逻辑只是数学化的形式逻辑，只能满足人工智能的部分需要。

3.2非经典逻辑的应用

(1)不确定性的推理研究

人工智能发展了用数值的方法表示和处理不确定的信息，即给系统中每个语句或公式赋一个数值，用来表示语句的不确定性或确定性。比较具有代表性的有：1976年杜达提出的主观贝叶斯模型，1978年查德提出的可能性模型，1984年邦迪提出的发生率计算模型，以及假设推理、定性推理和证据空间理论等经验性模型。

归纳逻辑是关于或然性推理的逻辑。在人工智能中，可把归纳看成是从个别到一般的推理。借助这种归纳方法和运用类比的方法，计算机就可以通过新、老问题的`相似性，从相应的知识库中调用有关知识来处理新问题。

(2)不完全信息的推理研究

常识推理是一种非单调逻辑，即人们基于不完全的信息推出某些结论，当人们得到更完全的信息后，可以改变甚至收回原来的结论。非单调逻辑可处理信息不充分情况下的推理。20世纪80年代，赖特的缺省逻辑、麦卡锡的限定逻辑、麦克德莫特和多伊尔建立的NML非单调逻辑推理系统、摩尔的自认知逻辑都是具有开创性的非单调逻辑系统。常识推理也是一种可能出错的不精确的推理，即容错推理。

此外，多值逻辑和模糊逻辑也已经被引入到人工智能中来处理模糊性和不完全性信息的推理。多值逻辑的三个典型系统是克林、卢卡西维兹和波克万的三值逻辑系统。模糊逻辑的研究始于20世纪xxxx年代卢卡西维兹的研究。1972年，扎德提出了模糊推理的关系合成原则，现有的绝大多数模糊推理方法都是关系合成规则的变形或扩充。

4人工智能——当代逻辑发展的动力

现代逻辑创始于19世纪末叶和20世纪早期，其发展动力主要来自于数学中的公理化运动。21世纪逻辑发展的主要动力来自哪里?笔者认为，计算机科学和人工智能将至少是21世纪早期逻辑学发展的主要动力源泉，并将由此决定21世纪逻辑学的另一幅面貌。由于人工智能要模拟人的智能，它的难点不在于人脑所进行的各种必然性推理，而是最能体现人的智能特征的能动性、创造性思维，这种思维活动中包括学习、抉择、尝试、修正、推理诸因素。例如，选择性地搜集相关的经验证据，在不充分信息的基础上做出尝试性的判断或抉择，不断根据环境反馈调整、修正自己的行为，由此达到实践的成功。于是，逻辑学将不得不比较全面地研究人的思维活动，并着重研究人的思维中最能体现其能动性特征的各种不确定性推理，由此发展出的逻辑理论也将具有更强的可应用性。

5结语

人工智能的产生与发展和逻辑学的发展密不可分。

一方面我们试图找到一个包容一切逻辑的泛逻辑，使得形成一个完美统一的逻辑基础；另一方面，我们还要不断地争论、更新、补充新的逻辑。如果二者能够有机地结合，将推动人工智能进入一个新的阶段。概率逻辑大都是基于二值逻辑的，目前许多专家和学者又在基于其他逻辑的基础上研究概率推理，使得逻辑学尽可能满足人工智能发展的各方面的需要。就目前来说，一个新的泛逻辑理论的发展和完善需要一个比较长的时期，那何不将“百花齐放”与“一统天下”并行进行，各自发挥其优点，为人工智能的发展做出贡献。目前，许多制约人工智能发展的因素仍有待于解决，技术上的突破，还有赖于逻辑学研究上的突破。在对人工智能的研究中，我们只有重视逻辑学，努力学习与运用并不断深入挖掘其基本内容，拓宽其研究领域，才能更好地促进人工智能学科的发展。

技术研究报告总结 篇2

一、人工智能概述

人工智能（ArtificialIntelligence，简称AI），也称机器智能，它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统角度来看，人工智能是研究如何制造出智能机器或智能系统，实现模拟人类智能活动的能力，以延伸人们智能的科学。人工智能是一门交叉学科，是一门涉及心理学、认知科学、思维科学、信息科学、系统科学和生物科学等多学科的综合性技术学科，目前已在知识处理、模式识别、自然语言处理、博弈、自动定理证明、自动程序设计、专家系统、知识库、智能机器人等多个领域取得举世瞩目的成果，并形成了多元化的发展方向。

二、人工智能的发展过程

人工智能经历了三次飞跃阶段：第一次是实现问题求解，代替人完成部分逻辑推理工作，如机器定理证明和专家系统；第二次是智能系统能够和环境交互，从运行的环境中获取信息，代替人完成包括不确定性在内的部分思维工作，通过自身的动作，对环境施加影响，并适应环境的变化，如智能机器人；第三次是智能系统，具有类人的认知和思维能力，能够发现新的知识，去完成面临的任务，如基于数据挖掘的系统。

三、人工智能的研究热点

AI研究出现了新的高潮，这一方面是因为在人工智能理论方面有了新的进展，另一方面是因为计算机硬件突飞猛进地发展。随着计算机速度的不断提高、存储容量的不断扩大、价格的不断降低，以及网络技术的不断发展，许多原来无法完成的工作现在已经能够实现。目前人工智能研究的三个热点是：智能接口、数据挖掘、主体及多主体系统。

1.智能接口技术是研究如何使人们能够方便自然地与计算机交流。为了实现这一目标，要求计算机能够看懂文字、听懂语言、说话表达，甚至能够进行不同语言之间的翻译，而这些功能的实现又依赖于知识表示方法的研究。因此，智能接口技术的研究既有巨大的应用价值，又有基础的理论意义。目前，智能接口技术已经取得了显著成果，文字识别、语音识别、语音合成、图像识别、机器翻译及自然语言理解等技术已经开始实用化。

2.数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道的、但是又潜在有用的信息和知识的过程。数据挖掘和知识发现的研究目前已经形成了三根强大的技术支柱：数据库、人工智能和数理统计。主要研究内容包括基础理论、发现算法、数据仓库、可视化技术、定性定量互换模型、知识表示方法、发现知识的维护和再利用、半结构化和非结构化数据中的知识发现及网上数据挖掘等。

3.主体系统是具有信念、愿望、意图、能力、选择、承诺等心智状态的实体，比对象的粒度更大，智能性更高，而且具有一定的自主性。主体试图自治、独立地完成任务，而且可以和环境交互，与其他主体通信，通过规划达到目标。多主体系统主要研究在逻辑上或物理上分离的多个主体之间进行协调智能行为，最终实现问题求解。多主体系统试图用主体来模拟人的理，主要应用在对现实世界和社会的模拟、机器人及智能机械等领域。目前对主体和多主体系统的研究主要集中在主体和多主体理论、主体的体系结构和组织、主体语言、主体之间的协作和协调、通信和交互技术、多主体学习及多主体系统应用等方面。

四、人工智能的应用领域

1.专家系统

专家系统是一个具有大量专门知识与经验的程序系统，专家系统存储着某个专门领域中经过事先总结、分析并按某种模式表示的专家知识，以及拥有类似于领域专家解决实际问题的推理机制。专家系统的开发和研究是人工智能中最活跃的一个应用研究领域，涉及社会各个方面。

2.知识库系统

知识库系统也叫数据库系统，是储存某学科大量事实的计算机软件系统，它可以回答用户提出的有关该学科的各种问题。知识库系统的设计是计算机科学的一个活跃的分支。为了有效地表示、储存和检索大量事实，已经发展出了许多技术。但是在设计智能信息检索系统时还是遇到很多问题，包括对自然语言的理解，根据储存的事实演绎答案的问题、理解询问和演绎答案所需要的知识都可能超出该学科领域数据库所表示的知识。

3.物景分析

计算机视觉已从模式识别的一个研究领域发展为一门独立的学科。视觉是感知问题之一。整个感知问题的要点是形成一个精练的表示，以表示难以处理的、极其庞大的未经加工的输入数据。最终表示的性质和质量取决于感知系统的目标。机器视觉的前沿研究领域包括实时并行处理、主动式定性视觉、动态和时变视觉、三维景物的建模与识别、实时图像压缩传送和复原、多光谱和彩色图像的处理与解释等。机器视觉已在机器人装配、卫星图像处理、工业过程监控、飞行器跟踪和制导及电视实况转播等领域获得极为广泛的应用。

4.模式识别

模式识别就是识别出给定物体所模仿的标本或标识。计算机模式识别系统能够弥补计算机对外部世界感知能力低下的缺陷，使计算机能够通过感官接受外界信息，识别和理解周围环境。模式识别在二维的文字、图形和图像的识别方面已取得许多成果，在三维景物、活动目标的识别和分析方面是目前研究的热点，同时它还是智能计算机和智能机器人研究的十分重要的基础。此外，人工智能还在机器视觉、组合调度问题、自然语言理解、机器学习、博弈、定理证明等研究应用领域发挥着重要作用。可以说人工智能已深入各行各业，对人类社会作出了巨大的贡献。

5.机器人

机器人学所研究的问题，从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法，无所不包。尽管已经建立了一些比较复杂的机器人系统，但是现在工业上运行的机器人都是一些按预先编好的程序执行某些重复作业的简单装置，大多数工业机器人是“盲人”。机器人和机器人学的研究促进了许多人工智能思想的发展。智能机器人的研究和应用体现出广泛的学科交叉，涉及众多课题。机器人已在工业、农业、商业、旅游业、空中和海洋及国防等多个领域获得越来越普遍的应用。

五、人工智能的未来发展

目前绝大多数人工智能系统都是建立在物理符号系统假设之上的。在尚未出现能与物理符号系统假设相抗衡的新的人工智能理论之前，无论从设计原理还是从已取得的实验结果来看，Soar在探讨智能行为的一般特征和人类认知的具体特征的艰难征途上都取得了有特色的进展或成就，处在人工智能研究的前沿。上世纪80年代，以NewellA为代表的研究学者总结了专家系统的成功经验，吸收了认知科学研究的最新成果，提出了作为通用智能基础的体系结构Soar。目前的Soar已经显示出强大的问题求解能力。在Soar中已实现了30多种搜索方法，实现了若干知识密集型任务（专家系统），如RI等。对于人工智能未来的发展方向，专家们通过一些前瞻性研究可以看出未来人工智能可能会向以下几个方面发展：模糊处理、并行化、神经网络及其情感。

目前，人工智能的推理功能已获突破，学习及联想功能正在研究之中，下一步就是模仿人类右脑的模糊处理功能和整个大脑的并行化处理功能。人工神经网络是未来人工智能应用的新领域。未来智能计算机的构成，可能就是作为主机的冯诺依曼型机与作为智能的人工神经网络的结合。研究表明：情感是智能的一部分，而不是与智能相分离的，因此人工智能领域的下一个突破可能在于赋予计算机情感能力。情感能力对于计算机与人的自然交往至关重要。