人工智能的研究领域
人类对人工智能的研究可以分成两种方式对应着 两种不同的技术,
– 传统的人工智能技术 ——心理的角度模拟
– 基于人工神经网络的技术 ——生理的角度模拟
人工神经网络（ Artificial Neural
Networks,简记作 ANN）,简单地讲，它是一个 数学模型,可以用 电子线路 来实现，也可以用 计算机程序 来模拟，是人工智能研究的一种方法。
两种人工智能技术的比较项目 传统的 AI技术 ANN技术基本实现方式串行处理；由程序实现控制并行处理；对样本数据进行多目标学习；通过人工神经元之间的相互作用实现控制基本开发方法设计规则,框架,程序；用样本数据进行调试 （ 由人根据已知的环境去构造一个模型 ）
定义人工神经网络的结构原型，通过样本数据，依据基本的学习算法完成学习 ——自动从样本数据中抽取内涵（自动适应应用环境）
适应领域精确计算：符号处理,数值计算非精确计算：模拟处理，
感觉，大规模数据并行处理模拟对象左脑 （ 逻辑思维 ）
右脑 （ 形象思维 ）
两种人工智能技术的比较（续）
人工神经网络的概念
1） Hecht—Nielsen（ 1988年 ）
人工神经网络是一个并行、分布处理结构，
它由处理单元及其称为联接的无向讯号通道互连而成。这些处理单元（ PE—Processing
Element） 具有局部内存，并可以完成局部操作。每个处理单元有一个单一的输出联接，
这个输出可以根据需要被分枝成希望个数的许多并行联接，且这些并行联接都输出相同的信号，即相应处理单元的信号，信号的大小不因分支的多少而变化。
人工神经网络的概念
（ 1） Hecht—Nielsen（ 1988年）（续）
处理单元的输出信号可以是任何需要的数学模型，每个处理单元中进行的操作必须是完全局部的。也就是说，它必须仅仅依赖于经过输入联接到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。
人工神经网络的概念
强调,
– ① 并行,分布处理结构；
– ② 一个处理单元的输出可以被任意分枝,且大小不变；
– ③ 输出信号可以是任意的数学模型；
– ④ 处理单元完全的局部操作人工神经网络的概念
别名人工神经系统 （ ANS）
神经网络 （ NN）
自适应系统 （ Adaptive Systems）,
自适应网 （ Adaptive Networks）
联接模型 （ Connectionism）
神经计算机 （ Neurocomputer）
生物神经网
1、构成胞体 (Soma)
枝蔓 （ Dendrite）
胞体 (Soma)
轴突（ Axon）
突触（ Synapse）
神经系统的基本构造是神经元 (神经细胞 )，它是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支 ——树突组成。
轴突是个突出部分，长度可达 1cm； 树突也是突出部分，但一般较短，且分枝很多。
轴突的功能是将本神经元的输出信号 (兴奋 )传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单地处理 (如：加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度 ——体现在权值上 ——有所不同 )后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。轴突和树突共同作用，实现了神经元间的信息传递。
2,六个基本特征,
– 1） 神经元及其联接 ；
– 2） 神经元之间的联接强度决定 信号传递 的强弱；
– 3） 神经元之间的联接强度是可以随 训练 改变的；
– 4） 信号可以是起 刺激 作用的,也可以是起 抑制作用的；
– 5） 一个神经元接受的信号的 累积效果 决定该神经元的状态；
– 6) 每个神经元可以有一个,阈值,。
人工神经元
神经元是构成神经网络的最基本单元
（ 构件 ） 。
人工神经元模型应该具有生物神经元的六个基本特性。
人工神经元的基本构成 （ P144）
人工神经元模拟生物神经元的 一阶特性 。
– 输入,X=（ x1,x2,…,xn）
– 联接权,W=（ w1,w2,…,wn） T
– 网络输入,net=∑xiwi
– 向量形式,net=XW
xn wn
∑
x1 w1
x2 w2
net=XW…
人工神经网络的 特点和优越性,主要表现在三个方面：
第一，具有自学习功能 。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其前途是很远大的。
第二，具有联想存储功能。人的大脑是具有联想功能的。如果有人和你提起你幼年的同学张某某，你就会联想起张某某的许多事情。用人工神经网络的反馈网络就可以实现这种联想。
第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
人工神经网络是未来微电子技术应用的新领域。智能计算机的构成，可能就是作为主机的冯 ·诺依曼计算机与作为智能外围机的人工神经网络的结合。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写,A”、
“B”两个字母的识别为例进行说明，规定当,A”输入网络时，应该输出,1”，而当输入为,B”时，输出为,0”。所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予 (0,1)区间内的随机值，将,A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为,1”和,0”的概率各为 50%，也就是说是完全随机的。
这时如果输出为,1” (结果正确 )，则使连接权值增大，以便使网络再次遇到,A”模式输入时，仍然能作出正确的判断。如果输出为,0” (即结果错误 )，
则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到,A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母,A”,“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，
则它能记忆、识别的模式也就越多。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。神经网络研究热潮的兴起是本世纪末人类科学技术发展全面飞跃的一个组成部分。它与多种科学领域的发展密切相关，纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子、
生命起源等科学领域的进程之中历经了崎岖不平之路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。
中国人民大学信息学院 杜小勇许多的人工智能领域的研究论文中
Agent都是用的英文单词，据说中文的翻译有两种,智能代理和智能主体，到底哪一种更合适，各有各的理由。我想这反映了人们对于 Agent的不同理解，或者说对 Agent的各个特征的重要性的不同理解。
有一种理解认为,Agent是一类自动程序，
它能够代替人完成某些任务。例如邮件 Agent
可以代替人对收到的邮件进行分类并处理。
这种 Agent不仅能够了解企业或人对于邮件处理的规则和习惯，而且在很多情况下比人做得还要好。它的作用就像是我们在日常生活中的旅行代理、税务代理、保险代理等，能够帮助我们完成一些特定的任务。很显然，
在这类 Agent中，强调的是程序的自治能力和学习能力，把这类 Agent翻译成智能代理是合适的。
另一种理解认为,Agent是功能单一的主体，换句话说，它只是解决某一方面的问题，但是，通过群体 Agent的通信和协调，
它们可以共同解决非常复杂的问题。在这类系统中，智能并不是体现在个体 Agent上，
而是体现在群体 Agent上。我个人认为，尽管第一种意义下的 Agent也有广泛的应用，
但是，从问题求解方法论的角度上讲，单纯的代理行为意义不大。而如果一些简单的
Agent能够通过协作完成复杂的任务是我们非常希望的一种解决问题的方式，因此是
Agent研究背后的真正动机 。
什么是 Agent？
实际上并没有一个公认的定义，这也充分说明这还是一个发展中的学科。我比较认同下面的定义,Agent是为了达到某个特定的目标，在与外部环境的相互作用基础上，通过对环境状态的认识以及和其他 Agent的协作，自律地推进问题解决的处理单位。从这个定义来看,Agent应具有以下四种基本特征。
Autonomy(自律性 ):
Agent拥有内部自治机制和问题解决机制，能够控制自己的行为和内部状态。无需他人的干涉即可根据自己的知识和捕捉到的信息进行判断和行为。 Agent自律性的高低在很大程度上决定了其智能的高低。
Social ability（ 社会性）,
Agent不是孤立的，而是一个相互作用的群体。 Agent间可以按照某种协议或者语言进行通信和对话。从而形成一个小组来协作完成某一特定的任务。
Reactivity(反应性 ):
指 Agent具有外部环境的反射作用。能够识别外部环境的变化并作出适当反应。但是这种反应可以是简单的反射 (reactive
agent),也可以是深思熟虑的反应
(deliberative agent)。
Pre-activeness(自发性 ):
指 Agent具有对目标的能动性，为了达到目标,Agent 能够自发地参加到某些处理或者协作中，表现出有目标的行为。
基于 Agent的方法就是 MAS方法，也就是定义多个自律 Agent,通过它们的相互协作来解决复杂的问题。在这里我们不强调单个
Agent的功能有多强，相反我们希望每个
Agent的功能越单一越好，因为单一的功能容易确保其操作正确和可靠，在实现上也比较容易。 Agent的智能不是体现在其功能的强弱上，而是体现在相互协作上。如果把重点放在单个 Agent的智能上，强调它的学习能力，那么 Agent就和一般的具备学习功能的 AI程序没有什么区别,Agent也就仅仅是一个新名词而已，没有什么本质的意义。
人类对人工智能的研究可以分成两种方式对应着 两种不同的技术,
– 传统的人工智能技术 ——心理的角度模拟
– 基于人工神经网络的技术 ——生理的角度模拟
人工神经网络（ Artificial Neural
Networks,简记作 ANN）,简单地讲，它是一个 数学模型,可以用 电子线路 来实现，也可以用 计算机程序 来模拟，是人工智能研究的一种方法。
两种人工智能技术的比较项目 传统的 AI技术 ANN技术基本实现方式串行处理；由程序实现控制并行处理；对样本数据进行多目标学习；通过人工神经元之间的相互作用实现控制基本开发方法设计规则,框架,程序；用样本数据进行调试 （ 由人根据已知的环境去构造一个模型 ）
定义人工神经网络的结构原型，通过样本数据，依据基本的学习算法完成学习 ——自动从样本数据中抽取内涵（自动适应应用环境）
适应领域精确计算：符号处理,数值计算非精确计算：模拟处理，
感觉，大规模数据并行处理模拟对象左脑 （ 逻辑思维 ）
右脑 （ 形象思维 ）
两种人工智能技术的比较（续）
人工神经网络的概念
1） Hecht—Nielsen（ 1988年 ）
人工神经网络是一个并行、分布处理结构，
它由处理单元及其称为联接的无向讯号通道互连而成。这些处理单元（ PE—Processing
Element） 具有局部内存，并可以完成局部操作。每个处理单元有一个单一的输出联接，
这个输出可以根据需要被分枝成希望个数的许多并行联接，且这些并行联接都输出相同的信号，即相应处理单元的信号，信号的大小不因分支的多少而变化。
人工神经网络的概念
（ 1） Hecht—Nielsen（ 1988年）（续）
处理单元的输出信号可以是任何需要的数学模型，每个处理单元中进行的操作必须是完全局部的。也就是说，它必须仅仅依赖于经过输入联接到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。
人工神经网络的概念
强调,
– ① 并行,分布处理结构；
– ② 一个处理单元的输出可以被任意分枝,且大小不变；
– ③ 输出信号可以是任意的数学模型；
– ④ 处理单元完全的局部操作人工神经网络的概念
别名人工神经系统 （ ANS）
神经网络 （ NN）
自适应系统 （ Adaptive Systems）,
自适应网 （ Adaptive Networks）
联接模型 （ Connectionism）
神经计算机 （ Neurocomputer）
生物神经网
1、构成胞体 (Soma)
枝蔓 （ Dendrite）
胞体 (Soma)
轴突（ Axon）
突触（ Synapse）
神经系统的基本构造是神经元 (神经细胞 )，它是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支 ——树突组成。
轴突是个突出部分，长度可达 1cm； 树突也是突出部分，但一般较短，且分枝很多。
轴突的功能是将本神经元的输出信号 (兴奋 )传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单地处理 (如：加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度 ——体现在权值上 ——有所不同 )后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。轴突和树突共同作用，实现了神经元间的信息传递。
2,六个基本特征,
– 1） 神经元及其联接 ；
– 2） 神经元之间的联接强度决定 信号传递 的强弱；
– 3） 神经元之间的联接强度是可以随 训练 改变的；
– 4） 信号可以是起 刺激 作用的,也可以是起 抑制作用的；
– 5） 一个神经元接受的信号的 累积效果 决定该神经元的状态；
– 6) 每个神经元可以有一个,阈值,。
人工神经元
神经元是构成神经网络的最基本单元
（ 构件 ） 。
人工神经元模型应该具有生物神经元的六个基本特性。
人工神经元的基本构成 （ P144）
人工神经元模拟生物神经元的 一阶特性 。
– 输入,X=（ x1,x2,…,xn）
– 联接权,W=（ w1,w2,…,wn） T
– 网络输入,net=∑xiwi
– 向量形式,net=XW
xn wn
∑
x1 w1
x2 w2
net=XW…
人工神经网络的 特点和优越性,主要表现在三个方面：
第一，具有自学习功能 。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其前途是很远大的。
第二，具有联想存储功能。人的大脑是具有联想功能的。如果有人和你提起你幼年的同学张某某，你就会联想起张某某的许多事情。用人工神经网络的反馈网络就可以实现这种联想。
第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
人工神经网络是未来微电子技术应用的新领域。智能计算机的构成，可能就是作为主机的冯 ·诺依曼计算机与作为智能外围机的人工神经网络的结合。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写,A”、
“B”两个字母的识别为例进行说明，规定当,A”输入网络时，应该输出,1”，而当输入为,B”时，输出为,0”。所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予 (0,1)区间内的随机值，将,A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为,1”和,0”的概率各为 50%，也就是说是完全随机的。
这时如果输出为,1” (结果正确 )，则使连接权值增大，以便使网络再次遇到,A”模式输入时，仍然能作出正确的判断。如果输出为,0” (即结果错误 )，
则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到,A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母,A”,“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，
则它能记忆、识别的模式也就越多。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。神经网络研究热潮的兴起是本世纪末人类科学技术发展全面飞跃的一个组成部分。它与多种科学领域的发展密切相关，纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子、
生命起源等科学领域的进程之中历经了崎岖不平之路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。
中国人民大学信息学院 杜小勇许多的人工智能领域的研究论文中
Agent都是用的英文单词，据说中文的翻译有两种,智能代理和智能主体，到底哪一种更合适，各有各的理由。我想这反映了人们对于 Agent的不同理解，或者说对 Agent的各个特征的重要性的不同理解。
有一种理解认为,Agent是一类自动程序，
它能够代替人完成某些任务。例如邮件 Agent
可以代替人对收到的邮件进行分类并处理。
这种 Agent不仅能够了解企业或人对于邮件处理的规则和习惯，而且在很多情况下比人做得还要好。它的作用就像是我们在日常生活中的旅行代理、税务代理、保险代理等，能够帮助我们完成一些特定的任务。很显然，
在这类 Agent中，强调的是程序的自治能力和学习能力，把这类 Agent翻译成智能代理是合适的。
另一种理解认为,Agent是功能单一的主体，换句话说，它只是解决某一方面的问题，但是，通过群体 Agent的通信和协调，
它们可以共同解决非常复杂的问题。在这类系统中，智能并不是体现在个体 Agent上，
而是体现在群体 Agent上。我个人认为，尽管第一种意义下的 Agent也有广泛的应用，
但是，从问题求解方法论的角度上讲，单纯的代理行为意义不大。而如果一些简单的
Agent能够通过协作完成复杂的任务是我们非常希望的一种解决问题的方式，因此是
Agent研究背后的真正动机 。
什么是 Agent？
实际上并没有一个公认的定义，这也充分说明这还是一个发展中的学科。我比较认同下面的定义,Agent是为了达到某个特定的目标，在与外部环境的相互作用基础上，通过对环境状态的认识以及和其他 Agent的协作，自律地推进问题解决的处理单位。从这个定义来看,Agent应具有以下四种基本特征。
Autonomy(自律性 ):
Agent拥有内部自治机制和问题解决机制，能够控制自己的行为和内部状态。无需他人的干涉即可根据自己的知识和捕捉到的信息进行判断和行为。 Agent自律性的高低在很大程度上决定了其智能的高低。
Social ability（ 社会性）,
Agent不是孤立的，而是一个相互作用的群体。 Agent间可以按照某种协议或者语言进行通信和对话。从而形成一个小组来协作完成某一特定的任务。
Reactivity(反应性 ):
指 Agent具有外部环境的反射作用。能够识别外部环境的变化并作出适当反应。但是这种反应可以是简单的反射 (reactive
agent),也可以是深思熟虑的反应
(deliberative agent)。
Pre-activeness(自发性 ):
指 Agent具有对目标的能动性，为了达到目标,Agent 能够自发地参加到某些处理或者协作中，表现出有目标的行为。
基于 Agent的方法就是 MAS方法，也就是定义多个自律 Agent,通过它们的相互协作来解决复杂的问题。在这里我们不强调单个
Agent的功能有多强，相反我们希望每个
Agent的功能越单一越好，因为单一的功能容易确保其操作正确和可靠，在实现上也比较容易。 Agent的智能不是体现在其功能的强弱上，而是体现在相互协作上。如果把重点放在单个 Agent的智能上，强调它的学习能力，那么 Agent就和一般的具备学习功能的 AI程序没有什么区别,Agent也就仅仅是一个新名词而已，没有什么本质的意义。
