① 我是學生物工程的,現在想找一家基因工程和人工智慧結合起來做的公司,現在有這樣的公司嗎

什麼是人工智慧近年來，隨著計算機技術的迅猛發展和日益廣泛的應用，自然地會提出人類智力活動能不能由計算機來實現的問題。幾十年來，人們一向把計算機當作是只能以極快地、熟練地、准確地運算數字的機器。但是在當今世界要解決的問題並不完全是數值計算，像語言的理解和翻譯、圖形和聲音的識別、決策管理等都不屬於數值計算，特別像醫療診斷要有專門的特有的經驗和知識的醫師才能作出正確的診斷。這就要求計算機能從「數據處理」擴展到還能「知識處理」的范疇。計算機能力范疇的轉化是導至「人工智慧」快速發展的重要因素。人工智慧的定義：著名的美國斯坦福大學人工智慧研究中心尼爾遜教授對人工智慧下了這樣一個定義：「人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。」而另一個美國麻省理工學院的溫斯頓教授認為：「人工智慧就是研究如何使計算機去做過去只有人才能做的智能工作。」這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智能活動的規律，構造具有一定智能的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟硬體來模擬人類某些智能行為的基本理論、方法和技術。人工智慧（ArtificialIntelligence，簡稱AI）是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀（基因工程、納米科學、人工智慧）三大尖端技術之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。人工智慧是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具，數學不僅在標准邏輯、模糊數學等范圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。從實用觀點來看，人工智慧是一門知識工程學：以知識為對象，研究知識的獲取、知識的表示方法和知識的使用。計算機與智能通常我們用計算機，不僅要告訴計算機，要做什麼，還必須詳細地、正確地告訴計算機怎麼做。也就是說，人們要根據任務的要求，以適當的計算機語言，編制針對該任務的應用程序，才能應用計算機完成此項任務。這樣實際上是在人完全控制計算機完成的，是談不上計算機有「智能」。大家都知道，世界國際象棋棋王卡斯帕羅夫與美國IBM公司的RS／6000（深藍）計算機系統於1997年5月11日進行了六局「人機大戰」，結果「深藍」以3.5比2.5的總比分獲勝。比賽結束了給人們留下了深刻的思考；下棋要獲勝要求選手要有很強的思維能力、記憶能力、豐富的下棋經驗，還得及時作出反映，迅速進行有效的處理，否則一著出錯滿皆輸，這顯然是個「智能」問題。盡管開發「深藍」計算機的IBM專家也認為它離智能計算機還相差甚遠，但它以高速的並行的計算能力（2r108步／秒棋的計算速度）。實現了人類智力的計算機上的部分模擬。從字面上看，「人工智慧」就是用人工的方法在計算機上實現人的智能，或者說是人們使計算機具有類似於人的智能。智能與知識在20世紀70年代以後，在許多國家都相繼開展了人工智慧的研究，由於當時對實現機器智能理解得過於容易和片面，認為只要一些推理的定律加上強大的計算機就能有專家的水平和超人的能力。這樣，雖然也獲得一定成果，但問題也跟著出現了，例如機器翻譯當時人們往往認為只要用一部雙向詞典及詞法知識，就能實現兩種語言文字的互譯，其實完全不是這么一回事，例如，把英語句子「Timeflieslikeanarrow」（光陰似箭）翻譯成日語，然後再譯回英語，竟然成為「蒼蠅喜歡箭」；當把英語「」（心有餘而力不足）譯成俄語後，再譯回來竟變成「」（酒是好的但肉已變質）。在其它方面也都遇到這樣或者那樣的困難。這時，本來對人工智慧抱懷疑態度的人提出指責，甚至把人工智慧說成是「騙局」、「庸人自擾」，有些國家還削減人工智慧的研究經費，一時人工智慧的研究進入了低潮。然而，人工智慧研究的先驅者們沒有放棄，而是經過認真的反思、總結經驗和教訓，認識到人的智能表現在人能學習知識，有了知識，能了解、運用已有的知識。正向思維科學所說「智能的核心是思維，人的一切智慧或智能都來自大腦思維活動，人類的一切知識都是人們思維的產物。」「一個系統之所以有智能是因為它具有可運用的知識。」要讓計算機「聰明」起來，首先要解決計算機如何學會一些必要知識，以及如何運用學到的知識問題。只是對一般事物的思維規律進行探索是不可能解決較高層次問題的。人工智慧研究的開展應當改變為以知識為中心來進行。自從人工智慧轉向以知識為中心進行研究以來，以專家知識為基礎開發的專家系統在許多領域里獲得成功，例如：地礦勘探專家系統（PROSPECTOR）擁有15種礦藏知識，能根據岩石標本及地質勘探數據對礦產資源進行估計和預測，能對礦床分布、儲藏量、品位、開采價值等進行推斷，制定合理的開采方案，成功地找到了超億美元的鉬礦。又如專家系統（MYCIN）能識別51種病菌，正確使用23種抗菌素，可協助醫生診斷、治療細菌感染性血液病，為患者提供最佳處方，成功地處理了數百個病例。它還通過以下的測試：在互相隔離的情況下，用MYCIN系統和九位斯坦福大學醫學院醫生，分別對十名不清楚感染源的患者進行診斷和處方，由八位專家進行評判，結果是MYCIN和三位醫生所開出的處方對症有效；而在是否對其它可能的病原體也有效而且用葯又不過量方面，MYCIN則勝過了九位醫生。顯示出較高的水平。專家系統的成功，充分表明知識是智能的基礎，人工智慧的研究必須以知識為中心來進行。由於知識的表示、利用、獲取等的研究都取得較大的進展。因而，人工智慧的研究得以解決了許多理論和技術上問題。人工智慧研究的目標1950年英國數學家圖靈（A.M.Turing,1912—1954）發表了」計算機與智能」的論文中提出著名的「圖靈測試」，形象地提出人工智慧應該達到的智能標准；圖靈在這篇論文中認為「不要問一個機器是否能思維，而是要看它能否通過以下的測試；讓人和機器分別位於兩個房間，他們只可通話，不能互相看見。通過對話，如果人的一方不能區分對方是人還是機器，那麼就可以認為那台機器達到了人類智能的水平。圖靈為此特地設計了被稱為「圖靈夢想」的對話。在這段對話中「詢問者」代表人，「智者」代表機器，並且假定他們都讀過狄更斯（C.Dickens）的著名小說《匹克威克外傳》，對話內容如下：詢問者：在14行詩的首行是「你如同夏日」，你不覺得「春日」更好嗎？智者：它不合韻。詢問者：「冬日」如何？它可完全合韻的。智者：它確是合韻，但沒有人願意被比作「冬日」。詢問者：你不是說過匹克威克先生讓你想起聖誕節嗎？智者：是的。詢問者：聖誕節是冬天的一個日子，我想匹克威克先生對這個比喻不會介意吧。智者：我認為您不夠嚴謹，「冬日」指的是一般冬天的日子，而不是某個特別的日子，如聖誕節。從上面的對話可以看出，能滿足這樣的要求，要求計算機不僅能模擬而且可以延伸、擴展人的智能，達到甚至超過人類智能的水平，在目前是難以達到的，它是人工智慧研究的根本目標。人工智慧研究的近期目標；是使現有的計算機不僅能做一般的數值計算及非數值信息的數據處理，而且能運用知識處理問題，能模擬人類的部分智能行為。按照這一目標，根據現行的計算機的特點研究實現智能的有關理論、技術和方法，建立相應的智能系統。例如目前研究開發的專家系統，機器翻譯系統、模式識別系統、機器學習系統、機器人等。人工智慧的研究領域目前，人工智慧的研究是與具體領域相結合進行的。基本上有如下領域；專家系統專家系統是依靠人類專家已有的知識建立起來的知識系統，目前專家系統是人工智慧研究中開展較早、最活躍、成效最多的領域，廣泛應用於醫療診斷、地質勘探、石油化工、軍事、文化教育等各方面。它是在特定的領域內具有相應的知識和經驗的程序系統，它應用人工智慧技術、模擬人類專家解決問題時的思維過程，來求解領域內的各種問題，達到或接近專家的水平。機器學習要使計算機具有知識一般有兩種方法；一種是由知識工程師將有關的知識歸納、整理，並且表示為計算機可以接受、處理的方式輸入計算機。另一種是使計算機本身有獲得知識的能力，它可以學習人類已有的知識，並且在實踐過程中不總結、完善，這種方式稱為機器學習。機器學習的研究，主要在以下三個方面進行：一是研究人類學習的機理、人腦思維的過程；和機器學習的方法；以及建立針對具體任務的學習系統。機器學習的研究是在信息科學、腦科學、神經心理學、邏輯學、模糊數學等多種學科基礎上的。依賴於這些學科而共同發展。目前已經取得很大的進展，但還沒有能完全解決問題。模式識別模式識別是研究如何使機器具有感知能力，主要研究視覺模式和聽覺模式的識別。如識別物體、地形、圖象、字體（如簽字）等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發展起來應用模糊數學模式、人工神經網路模式的方法逐漸取代傳統的用統計模式和結構模式的識別方法。特別神經網路方法在模式識別中取得較大進展。理解自然語言計算機如能「聽懂」人的語言（如漢語、英語等），便可以直接用口語操作計算機，這將給人們帶極大的便利。計算機理解自然語言的研究有以下三個目標：一是計算機能正確理解人類的自然語言輸入的信息，並能正確答復（或響應）輸入的信息。二是計算機對輸入的信息能產生相應的摘要，而且復述輸入的內容。三是計算機能把輸入的自然語言翻譯成要求的另一種語言，如將漢語譯成英語或將英語譯成漢語等。目前，研究計算機進行文字或語言的自動翻譯，人們作了大量的嘗試，還沒有找到最佳的方法，有待於更進一步深入探索。機器人學機器人是一種能模擬人的行為的機械，對它的研究經歷了三代的發展過程：第一代（程序控制）機器人：這種機器人一般是按以下二種方式「學會」工作的；一種是由設計師預先按工作流程編寫好程序存貯在機器人的內部存儲器，在程序控制下工作。另一種是被稱為「示教—再現」方式，這種方式是在機器人第一次執行任務之前，由技術人員引導機器人操作，機器人將整個操作過程一步一步地記錄下來，每一步操作都表示為指令。示教結束後，機器人按指令順序完成工作（即再現）。如任務或環境有了改變，要重新進行程序設計。這種機器人能盡心盡責的在機床、熔爐、焊機、生產線上工作。日前商品化、實用化的機器人大都屬於這一類。這種機器人最大的缺點是它只能刻板地按程序完成工作，環境稍有變化（如加工物品略有傾斜）就會出問題，甚至發生危險，這是由於它沒有感覺功能，在日本曾發生過機器人把現場的一個工人抓起來塞到刀具下面的情況。第二代（自適應）機器人：這種機器人配備有相應的感覺感測器（如視覺、聽覺、觸覺感測器等），能取得作業環境、操作對象等簡單的信息，並由機器人體內的計算機進行分析、處理，控制機器人的動作。雖然第二代機器人具有一些初級的智能，但還需要技術人員協調工作。目前已經有了一些商品化的產品。第三代（智能）機器人：智能機器人具有類似於人的智能，它裝備了高靈敏度的感測器，因而具有超過一般人的視覺、聽覺、嗅覺、觸覺的能力，能對感知的信息進行分析，控制自己的行為，處理環境發生的變化，完成交給的各種復雜、困難的任務。而且有自我學習、歸納、總結、提高已掌握知識的能力。目前研製的智能機器人大都只具有部分的智能，和真正的意義上的智能機器人，還差得很遠。智能決策支持系統決策支持系統是屬於管理科學的范疇，它與「知識—智能」有著極其密切的關系。在80年代以來專家系統在許多方面取得成功，將人工智慧中特別是智能和知識處理技術應用於決策支持系統，擴大了決策支持系統的應用范圍，提高了系統解決問題的能力，這就成為智能決策支持系統。人工神經網路人工神經網路是在研究人腦的奧秘中得到啟發，試圖用大量的處理單元（人工神經元、處理元件、電子元件等）模仿人腦神經系統工程結構和工作機理。在人工神經網路中，信息的處理是由神經元之間的相互作用來實現的，知識與信息的存儲表現為網路元件互連間分布式的物理聯系，網路的學習和識別取決於和神經元連接權值的動態演化過程。多年來，人工神經網路的研究取得了較大的進展，成為具有一種獨特風格的信息處理學科。當然目前的研究還只是一些簡單的人工神經網路模型。要建立起一套完整的理論和技術系統，需要作出努力和探討。然而人工神經網路已經成為人工智慧中極其重要的一個研究領域。結束語：人類經過五千的發展進入了基於知識的「知識經濟」。人類社會空前地高速發展。知識是智能的基礎，知識只有轉化為智能才能發揮作用，知識無限的積累，智能也就將在人類社會起越來越大的作用，更有人提出：知識經濟的進一步發展將是「智能經濟」。「智能經濟」是基於「廣義智能」的經濟，「廣義智能」包含：人的智能、人工智慧以及人和智能機器相結合的「集成智能」。可以想像基於廣義智能的「智能經濟」將比基於知識的「知識經濟」將具有更高的智能水平，更高更快發展速度。葉秀松電子委轉載：CA01KH03.htm謝謝您選用！

② 人工智慧的利與弊分別是什麼

1、人工智慧的利

目前人工智慧已經為人類創造出了非常可觀的經濟效益，人工智慧可以代替人類做大量人類不想做、不能做的工作，而且機器犯錯誤的概率比人低，並且能夠持續工作，大大的提升工作效率。

雖然可能會帶來大量的失業，但是這本來就是社會前進必須經歷的過程，當新技術被發明出來時一定會影響某些群體的既得利益，然而只要這個前進的方向是對的，也就無可厚非了，畢竟被取代的是所需能力不高的工種，只能怨自身沒有什麼不可替代的價值了。



③ 人工智慧學什麼

人工智慧是什麼?工智能（Artificial Intelligence，簡稱AI）是研究人類智能活動的規律，內 構造具有一定智能的容人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作， 也就是研究如何應用計算機的軟硬體來模擬人類某些智能行為的基本理論、方法和技術。 人工智慧是計算機學科的一個分支，既被稱為20世紀世界三大尖端科技之一（空間技術、能源技術、人工智慧）， 也被認為是21世紀三大尖端技術之一（基因工程、納米科學、人工智慧）

④ 人工智慧的主要應用領域有哪些最好具體點

機器視來覺，指紋識自別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等。

人工智慧就其本質而言，是對人的思維和信息過程的模擬。對於人的思維模擬可以從兩條途徑進行，一是結構模擬，仿照人腦的結構機制，製造出「類人腦」的機器；二是功能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬。現代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬。

圖奕具有專業的網路科技相關技術。目前，公司擁有近百人的軟體研發團隊，遵循行業技術、管理及安全標准，團隊人員配備完整公司研發方向包含了傳統互聯網、移動互聯網、物聯網、空間地理信息、音視頻處理、大數據分析及應用服務、分布式計算、分布式存儲，自動化發布、自動化部署、自動化測試、持續集成、智能化運維、智能客服、智能推薦等方面，公司長期以科技創新為核心驅動力，與國內眾多知名軟體企業形成戰略合作關系，軟體產品研發能力已成為全省軟體企業前列。

⑤ 1 人工智慧的研究領域具體包含哪些是機器人和演算法嗎還有沒有其他

人工智慧(Artificial Intelligence) ，英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。「人工智慧」一詞最初是在1956 年Dartmouth學會上提出的。從那以後,研究者們發展了眾多理論和原理,人工智慧的概念也隨之擴展。人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。例如繁重的科學和工程計算本來是要人腦來承擔的，現在計算機不但能完成這種計算, 而且能夠比人腦做得更快、更准確，因之當代人已不再把這種計算看作是「需要人類智能才能完成的復雜任務」, 可見復雜工作的定義是隨著時代的發展和技術的進步而變化的, 人工智慧這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，一方面又轉向更有意義、更加困難的目標。目前能夠用來研究人工智慧的主要物質手段以及能夠實現人工智慧技術的機器就是計算機, 人工智慧的發展歷史是和計算機科學與技術的發展史聯系在一起的。除了計算機科學以外, 人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。人工智慧學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。
[編輯本段]【人工和智能】
人工智慧的定義可以分為兩部分，即「人工」和「智能」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或著人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。
關於什麼是「智能」，就問題多多了。這涉及到其它諸如意識（consciousness）、自我（self）、思維（mind）（包括無意識的思維（unconscious_mind）等等問題。人唯一了解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能的必要元素也了解有限，所以就很難定義什麼是「人工」製造的「智能」了。因此人工智慧的研究往往涉及對人的智能本身的研究。其它關於動物或其它人造系統的智能也普遍被認為是人工智慧相關的研究課題。
人工智慧目前在計算機領域內，得到了愈加廣泛的重視。並在機器人，經濟政治決策，控制系統，模擬系統中得到應用。
[編輯本段]【人工智慧的定義】
著名的美國斯坦福大學人工智慧研究中心尼爾遜教授對人工智慧下了這樣一個定義：「人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。」而另一個美國麻省理工學院的溫斯頓教授認為：「人工智慧就是研究如何使計算機去做過去只有人才能做的智能工作。」這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智能活動的規律，構造具有一定智能的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟硬體來模擬人類某些智能行為的基本理論、方法和技術。
人工智慧（Artificial Intelligence，簡稱AI）是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀（基因工程、納米科學、人工智慧）三大尖端技術之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。
人工智慧是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具，數學不僅在標准邏輯、模糊數學等范圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。
[編輯本段]【實際應用】
機器視覺:指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統,智能搜索，定理證明，博弈，自動程序設計，還有航天應用等。
[編輯本段]【學科範疇】
人工智慧是一門邊沿學科，屬於自然科學和社會科學的交叉。
[編輯本段]【涉及學科】
哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論，仿生學，
[編輯本段]【研究范疇】
自然語言處理，知識表現，智能搜索，推理，規劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計，軟計算，不精確和不確定的管理，人工生命，神經網路，復雜系統，遺傳演算法
[編輯本段]【應用領域】
智能控制，機器人學，語言和圖像理解，遺傳編程
[編輯本段]【意識和人工智慧的區別】
人工智慧就其本質而言，是對人的思維的信息過程的模擬。
對於人的思維模擬可以從兩條道路進行，一是結構模擬，仿照人腦的結構機制，製造出「類人腦」的機器；二是功能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬。現代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬。
人工智慧不是人的智能，更不會超過人的智能。
「機器思維」同人類思維的本質區別：
1.人工智慧純系無意識的機械的物理的過程，人類智能主要是生理和心理的過程。
2.人工智慧沒有社會性。
3.人工智慧沒有人類的意識所特有的能動的創造能力。
4.兩者總是人腦的思維在前，電腦的功能在後。
[編輯本段]【強人工智慧和弱人工智慧】
人工智慧的一個比較流行的定義，也是該領域較早的定義，是由約翰·麥卡錫（John McCarthy|）在1956年的達特矛斯會議（Dartmouth Conference）上提出的：人工智慧就是要讓機器的行為看起來就象是人所表現出的智能行為一樣。但是這個定義似乎忽略了強人工智慧的可能性（見下）。另一個定義指人工智慧是人造機器所表現出來的智能性。總體來講，目前對人工智慧的定義大多可劃分為四類，即機器「像人一樣思考」、「像人一樣行動」、「理性地思考」和「理性地行動」。這里「行動」應廣義地理解為採取行動，或制定行動的決策，而不是肢體動作。
強人工智慧
強人工智慧觀點認為有可能製造出真正能推理（Reasoning）和解決問題（Problem_solving）的智能機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類：
類人的人工智慧，即機器的思考和推理就像人的思維一樣。
非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。
弱人工智慧
弱人工智慧觀點認為不可能製造出能真正地推理（Reasoning）和解決問題（Problem_solving）的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。
主流科研集中在弱人工智慧上，並且一般認為這一研究領域已經取得可觀的成就。強人工智慧的研究則出於停滯不前的狀態下。
對強人工智慧的哲學爭論
「強人工智慧」一詞最初是約翰·羅傑斯·希爾勒針對計算機和其它信息處理機器創造的，其定義為：
「強人工智慧觀點認為計算機不僅是用來研究人的思維的一種工具；相反，只要運行適當的程序，計算機本身就是有思維的。」（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）這是指使計算機從事智能的活動。在這里智能的涵義是多義的、不確定的，象下面所提到的就是其中的例子。利用計算機解決問題時，必須知道明確的程序。可是，人即使在不清楚程序時，根據發現（heu- ristic）法而設法巧妙地解決了問題的情況是不少的。如識別書寫的文字、圖形、聲音等，所謂認識模型就是一例。再有，能力因學習而得到的提高和歸納推理、依據類推而進行的推理等，也是其例。此外，解決的程序雖然是清楚的，但是實行起來需要很長時間，對於這樣的問題，人能在很短的時間內找出相當好的解決方法，如競技的比賽等就是其例。還有，計算機在沒有給予充分的合乎邏輯的正確信息時，就不能理解它的意義，而人在僅是被給予不充分、不正確的信息的情況下，根據適當的補充信息，也能抓住它的意義。自然語言就是例子。用計算機處理自然語言，稱為自然語言處理。
關於強人工智慧的爭論不同於更廣義的一元論和二元論（alism）的爭論。其爭論要點是：如果一台機器的唯一工作原理就是對編碼數據進行轉換，那麼這台機器是不是有思維的？希爾勒認為這是不可能的。他舉了個中文房間的例子來說明，如果機器僅僅是對數據進行轉換，而數據本身是對某些事情的一種編碼表現，那麼在不理解這一編碼和這實際事情之間的對應關系的前提下，機器不可能對其處理的數據有任何理解。基於這一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有思維和意識。
也有哲學家持不同的觀點。Daniel C. Dennett 在其著作 Consciousness Explained 里認為，人也不過是一台有靈魂的機器而已，為什麼我們認為人可以有智能而普通機器就不能呢？他認為像上述的數據轉換機器是有可能有思維和意識的。
有的哲學家認為如果弱人工智慧是可實現的，那麼強人工智慧也是可實現的。比如Simon Blackburn在其哲學入門教材 Think 里說道，一個人的看起來是「智能」的行動並不能真正說明這個人就真的是智能的。我永遠不可能知道另一個人是否真的像我一樣是智能的，還是說她／他僅僅是看起來是智能的。基於這個論點，既然弱人工智慧認為可以令機器看起來像是智能的，那就不能完全否定這機器是真的有智能的。Blackburn 認為這是一個主觀認定的問題。
需要要指出的是，弱人工智慧並非和強人工智慧完全對立，也就是說，即使強人工智慧是可能的，弱人工智慧仍然是有意義的。至少，今日的計算機能做的事，像算術運算等，在百多年前是被認為很需要智能的。
[編輯本段]【人工智慧簡史】
人工智慧的傳說可以追溯到古埃及，但隨著1941年以來電子計算機的發展，技術已最終可以創造出機器智能，「人工智慧」(Artificial Intelligence)一詞最初是在1956年Dartmouth學會上提出的，從那以後,研究者們發展了眾多理論和原理，人工智慧的概念也隨之擴展，在它還不長的歷史中，人工智慧的發展比預想的要慢，但一直在前進，從40年前出現到現在，已經出現了許多AI程序，並且它們也影響到了其它 技術的發展。
計算機時代
1941年的一項發明使信息存儲和處理的各個方面都發生了革命.這項同時在美國和德國出現的 發明就是電子計算機.第一台計算機要佔用幾間裝空調的大房間,對程序員來說是場惡夢:僅僅為運行一 個程序就要設置成千的線路.1949年改進後的能存儲程序的計算機使得輸入程序變得簡單些,而且計算機 理論的發展產生了計算機科學,並最終促使了人工智慧的出現.計算機這個用電子方式處理數據的發明, 為人工智慧的可能實現提供了一種媒介.
AI的開端
雖然計算機為AI提供了必要的技術基礎,但直到50年代早期人們才注意到人類智能與機器之間 的聯系. Norbert Wiener是最早研究反饋理論的美國人之一.最熟悉的反饋控制的例子是自動調溫器.它 將收集到的房間溫度與希望的溫度比較,並做出反應將加熱器開大或關小,從而控制環境溫度.這項對反饋 迴路的研究重要性在於: Wiener從理論上指出,所有的智能活動都是反饋機制的結果.而反饋機制是有可 能用機器模擬的.這項發現對早期AI的發展影響很大.
1955年末,Newell和Simon做了一個名為"邏輯專家"(Logic Theorist)的程序.這個程序被許多人 認為是第一個AI程序.它將每個問題都表示成一個樹形模型,然後選擇最可能得到正確結論的那一枝來求解 問題."邏輯專家"對公眾和AI研究領域產生的影響使它成為AI發展中一個重要的里程碑.1956年,被認為是 人工智慧之父的John McCarthy組織了一次學會,將許多對機器智能感興趣的專家學者聚集在一起進行了一 個月的討論.他請他們到 Vermont參加 " Dartmouth人工智慧夏季研究會".從那時起,這個領域被命名為 "人工智慧".雖然 Dartmouth學會不是非常成功,但它確實集中了AI的創立者們,並為以後的AI研究奠定了基礎.
Dartmouth會議後的7年中,AI研究開始快速發展.雖然這個領域還沒明確定義,會議中的一些思想 已被重新考慮和使用了. Carnegie Mellon大學和MIT開始組建AI研究中心.研究面臨新的挑戰: 下一步需 要建立能夠更有效解決問題的系統,例如在"邏輯專家"中減少搜索;還有就是建立可以自我學習的系統.
1957年一個新程序,"通用解題機"(GPS)的第一個版本進行了測試.這個程序是由製作"邏輯專家" 的同一個組開發的.GPS擴展了Wiener的反饋原理,可以解決很多常識問題.兩年以後,IBM成立了一個AI研 究組.Herbert Gelerneter花3年時間製作了一個解幾何定理的程序.
當越來越多的程序涌現時,McCarthy正忙於一個AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP語言. LISP到今天還在用."LISP"的意思是"表處理"(LISt Processing),它很快就為大多數AI開發者點贊.
1963年MIT從美國政府得到一筆220萬美元的資助,用於研究機器輔助識別.這筆資助來自國防部 高級研究計劃署(ARPA),已保證美國在技術進步上領先於蘇聯.這個計劃吸引了來自全世界的計算機科學家, 加快了AI研究的發展步伐.
大量的程序
以後幾年出現了大量程序.其中一個著名的叫"SHRDLU"."SHRDLU"是"微型世界"項目的一部分,包括 在微型世界(例如只有有限數量的幾何形體)中的研究與編程.在MIT由Marvin Minsky領導的研究人員發現, 面對小規模的對象,計算機程序可以解決空間和邏輯問題.其它如在60年代末出現的"STUDENT"可以解決代數 問題,"SIR"可以理解簡單的英語句子.這些程序的結果對處理語言理解和邏輯有所幫助.
70年代另一個進展是專家系統.專家系統可以預測在一定條件下某種解的概率.由於當時計算機已 有巨大容量,專家系統有可能從數據中得出規律.專家系統的市場應用很廣.十年間,專家系統被用於股市預 測,幫助醫生診斷疾病,以及指示礦工確定礦藏位置等.這一切都因為專家系統存儲規律和信息的能力而成為可能.
70年代許多新方法被用於AI開發,著名的如Minsky的構造理論.另外David Marr提出了機器視覺方 面的新理論,例如,如何通過一副圖像的陰影,形狀,顏色,邊界和紋理等基本信息辨別圖像.通過分析這些信 息,可以推斷出圖像可能是什麼.同時期另一項成果是PROLOGE語言,於1972年提出. 80年代期間,AI前進更為迅速,並更多地進入商業領域.1986年,美國AI相關軟硬體銷售高達4.25億 美元.專家系統因其效用尤受需求.象數字電氣公司這樣的公司用XCON專家系統為VAX大型機編程.杜邦,通用 汽車公司和波音公司也大量依賴專家系統.為滿足計算機專家的需要,一些生產專家系統輔助製作軟體的公 司,如Teknowledge和Intellicorp成立了。為了查找和改正現有專家系統中的錯誤,又有另外一些專家系統被設計出來.
從實驗室到日常生活
人們開始感受到計算機和人工智慧技術的影響.計算機技術不再只屬於實驗室中的一小群研究人員. 個人電腦和眾多技術雜志使計算機技術展現在人們面前.有了象美國人工智慧協會這樣的基金會.因為AI開發 的需要,還出現了一陣研究人員進入私人公司的熱潮。150多所像DEC(它雇了700多員工從事AI研究)這樣的公司共花了10億美元在內部的AI開發組上.
其它一些AI領域也在80年代進入市場.其中一項就是機器視覺. Minsky和Marr的成果現在用到了生產線上的相機和計算機中,進行質量控制.盡管還很簡陋,這些系統已能夠通過黑白區別分辨出物件形狀的不同.到1985年美國有一百多個公司生產機器視覺系統,銷售額共達8千萬美元.
但80年代對AI工業來說也不全是好年景.86-87年對AI系統的需求下降,業界損失了近5億美元.象 Teknowledge和Intellicorp兩家共損失超過6百萬美元,大約占利潤的三分之一巨大的損失迫使許多研究領 導者削減經費.另一個另人失望的是國防部高級研究計劃署支持的所謂"智能卡車".這個項目目的是研製一種能完成許多戰地任務的機器人。由於項目缺陷和成功無望,Pentagon停止了項目的經費.
盡管經歷了這些受挫的事件,AI仍在慢慢恢復發展.新的技術在日本被開發出來,如在美國首創的模糊邏輯,它可以從不確定的條件作出決策;還有神經網路,被視為實現人工智慧的可能途徑.總之,80年代AI被引入了市場,並顯示出實用價值.可以確信,它將是通向21世紀之匙. 人工智慧技術接受檢驗 在"沙漠風暴"行動中軍方的智能設備經受了戰爭的檢驗.人工智慧技術被用於導彈系統和預警顯示以 及其它先進武器.AI技術也進入了家庭.智能電腦的增加吸引了公眾興趣;一些面向蘋果機和IBM兼容機的應用 軟體例如語音和文字識別已可買到;使用模糊邏輯,AI技術簡化了攝像設備.對人工智慧相關技術更大的需求促 使新的進步不斷出現.人工智慧已經並且將繼續不可避免地改變我們的生活.

⑥ 人工智慧的應用領域有哪些

機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等。