1. 國內外人工神經網路的研究現狀

基於人工神經網路的土壩病害診斷知識獲取方法
摘要：以土壩測壓管水位異常診斷為實例，對反向傳播(BP)神經網路進行訓練，然後通過典型示例經網路計算生成顯式的診斷規則，為專家系統診斷推理時直接調用。該方法是土壩病害診斷知識獲取的一種新方法，是對傳統知識獲取方式的拓展和補充。

關鍵詞：土壩；病害診斷；測壓管異常；神經網路；知識獲取

我國目前已修建各種類型水庫8.6萬余座（是世界水庫最多的國家之一），大中型水閘7.6萬座，河道堤防20多萬公里。這些水利工程和設施所發揮的巨大作用和效益大大促進了社會和經濟的發展。然而從另一方面還應看到，在已建的水利工程中尚存許多不安全因素，由於修建當時的經濟、技術條件限制以及其它一些因素的影響，使很多工程存在病害或隱患，另外，由於長期受各種自然或人為因素影響，加之年久失修，管理跟不上，老化現象也很嚴重，很大程度上影響了工程正常運行和效益的發揮，有些工程因此而失事。僅就土石壩而，歷年累積潰壩率就高達3.4%。因此如何准確、及時地診斷出建築物的隱患和病害，並對建築物的安全性做出合理科學的評價意義十分重大。是當前水利工程管理中亟待解決的一項重要課題。水工建築物的病害診斷是一項非常復雜的工作，需要有豐富經驗的專家才能勝任。解決上述問題的一個好的辦法是在做好監測的基礎上，把專家經驗、人工智慧（AI）技術、計算機應用技術以及數值分析計算等有機結合起來，建造專家系統（Expert System簡稱：ES）。而專家系統開發中最關鍵的「瓶頸」問題就是知識獲取，它既包括知識的體系結構、內容等難於獲取，也包括推理規則中的推理參數（如可信度）難以確定等。筆者以土壩為研究對象開發了具有學習功能的土壩病害診斷專家系統ESLEDFDS[1,2]，在系統開發中為解決知識獲取問題，採取了傳統的訪談（Interview）式的知識獲取與從病害工程實例中抽取知識（事例學習）相結合的形式。實踐證明該形式效果良好。論文將以土壩測壓管水位異常診斷知識的獲取為例，介紹一種基於人工神經網路事例學習的土壩病害診斷知識的獲取方法。

1 知識源分析及知識獲取方法的選擇

土壩病害診斷的知識源主要有3個：（1）壩工診斷專家。大量的經驗性知識存在於專家的大腦中，具有專有性和潛在性等特點。有時連專家本人也不容易系統地總結、歸納自己的知識，而且不易做出解釋。這也就決定了它的難於獲取，但它是ES知識的主要來源。（2）相關文獻資料。文獻資料作為一種信息載體，包含了大量理論和經驗知識。其特點是量大、分散。而且，由於不同的文獻來源於不同的著者，對同一問題的看法和分析結果可能有所差異，甚至相悖，所以有助於消除單個專家知識的片面性。但從大量分散的文獻中抽取ES知識庫所需的知識和方法，需經反復分析比較。（3）實例。一般情況下，專家頭腦中知識的存儲往往是片斷的、非系統的，以訪談的形式，讓專家敘述自己的知識時，一個個片斷很難一下子系統地組織起來。而一旦真正面對實際問題（實例）壩工診斷專家卻能夠作很好的分析，說明這種刺激能使專家自覺或不自覺地去組織自己的知識。所以，同專家一同分析實例，可以了解專家的推理過程及所用知識，同時，經過專家分析的工程實例中蘊涵了專家的經驗知識和推理判斷，並且大多實例分析結果的正確與否已經得到實際驗證。因此，實例是一種非常重要的知識源，可以通過一些模型、方法對實例進行學習，提煉出蘊涵在實例中的診斷知識。

筆者在ESLEDFDS的知識獲取中綜合利用了以上3種知識源。通過走訪專家、同專家一起分析文獻資料，把診斷知識整理成一條條規則，存儲於外部知識庫中。此外，為補充專家經驗知識的不足，還對收集的80餘例土壩病害實例，應用人工神經元網路進行了事例學習和新規則生成。
......

2. 在人工智慧和機器學習領域中國和國外存在哪些差距有多大

高校建立的實驗室與大公司有所不同，其研究項目除了偏應用科學的領域，還有一些屬回於基礎理答論研究的項目，是無法從具體的產品上表現的，通常高校實驗室會同時進行兩種領域的研究甚至側重後者，考慮到高校在學術界的地位，人們在關注實驗室研究內容的時候除了關注它的產品，同時也應該注意其在基礎研究領域的水平。
麻省理工學院
MIT的人工智慧實驗室全稱叫CSAIL (ComputerScience and Artificial Intelligence Laboratory)。最初，這是兩個實驗室：計算機實驗室創辦於1963年，人工智慧實驗室創辦於1959年，兩個實驗室在2003年正式合並。
CSAIL是MIT最大的實驗室，也是世界上最重要的信息技術研發中心。CSAIL的成員創立了多於100家知名公司 ，包括機器人之父科林·安格爾，iRobot公司創始人之一海倫·格雷納，波士頓動力公司創始人馬克·雷伯特，還有卡內基·梅隆大學機器人研究所的負責人馬特·梅森。
MIT也幾乎是頂尖技術的代名詞。它在去年底發布了2015年CSAIL的主要創新，包含3D列印心臟，可以爬樓梯、開門甚至駕車的機器人，癌症預測工具等。

3. 人工智慧和量子技術在國內外發展現狀如何

目前人工智慧和量子科技在國內外的發展都算是如火如荼，其中，中國對於量子論的鑽研更深入一些；而海外的知名科技龍頭企業谷歌公司，對人工智慧領域的成就是有目共睹的。未來，我們或許就會用這兩大法寶，徹底改變科技時代，打開另一個天地的大門。

我們都知道，時至今日，人類已經在現代科學的道路上取得了無數成就和突破，物理學，生物學，醫學上的進步，都是無有時歇，有目共睹。同時，前沿科學界最熱門的兩大領域，莫過於人工智慧和量子力學了；

因此，可以說，這兩大方向，都是我們未來的康莊大道。

4. 現今人工智慧，機器學習領域研究的困難主要有哪些

人工智慧學習領域的困難關鍵是人工智慧慾望的預制。
需要與機主慾望一致。
而慾望預制的核心是對人工智慧注意力運行模式的設計。
人工智慧設備的關注內容必須符合機主的關注內容。

注意力運行模式的中心問題是，預制目標的現行攝取。
例如動用現有裝備，主動攝取輸入信息的智能設備自決權利的設計。
以智能手環為例，手環必須擁有啟動拍攝權，啟動聯網權，啟動存儲等權利。

要完美地滿足上述要求及其它必須要求，最核心技術是，
全部設備一體化理論及設計方案。

5. 美國,日本，歐洲，中國的機器人研究策略與現狀

工作精準方面，德國的工業機器人最發達，現代工場使用的，加工，焊接維修專等工作機器人都是德屬國起的步。

真正搞兩手兩腳，蹦蹦跳跳的機器人只有日本人在搞（歐美也有，都是私人興趣的，官方的少，中國農民也搞過），是本田老闆當年錢多燒的搞著玩的，沒有實際意義，你不要高達看多了，真以為擬人機器人有啥實際用處。

真正的機器人都是用於：
1工業生產：有效率的，不知疲勞的裝配機器人
2危險環境機器人： 倒倒核廢料啥的，排除地雷啥的
3探索機器人： 在火星，月球上來回跑的小車

人工智慧方面完全沒有突破，現在最高級的人工智慧也就是能下象棋，或陪你打魔獸。你要是搞出來能學習，能靠自己意識說話的人工智慧，你可以給諾貝爾頒獎了。

6. 目前，國內外人工智慧差距有多大深度學習的快速發展是否會短期遇到瓶頸

技術差距並不大，差距在於t應用，再高的智能也不如人，我們的人這么多，能用人的基本就不用人工智慧了

7. 人工智慧發展現狀和趨勢如何

人工智慧的發展現狀處於成長期，由於相關人才的數量比較少，人工智慧的人才市場處於空缺，出現了供不應求的狀況。加之國家發布相關政策促進人工智慧的發展；一些省份也比較重視人工智慧的發展