人工智慧都有那些分支

1. 人工智慧涉及哪些學科

人工智慧是一個綜合學科，其本身又分為多個方面如神經網路、機器識別、機器視覺、機器人等。一個人想自學所有人工智慧方面並不是很容易的一件事。對於你想知道人工智慧在編程方面需要多深的要求。怎麼說好呢無論C++還是匯編他都是一門語言主要會靈活運用。大多機器人模擬都用的混合編程模式，也就是運用多種編程軟體及語言組合使用。之所以這樣是為了彌補語言間的不足。prolog在邏輯演繹方面比突出。C++在硬體介面及windos銜接方面比較突出，MATLAB在數學模型計算方面比較突出。如果單學人工智慧演算法的話prolog足以，如果想開發機器模擬程序的話VC++ MATLAB應該多學習點。下面是小編整理的相關書籍，僅供參考。

1.人工智慧演算法方面:《人工智慧及其應用》第三版、人工智慧與知識工程。。第一本感覺能簡單並且全面點。這類書其實很多可是大多內容都是重復的所以買一到兩本即可。

2.機器視覺演算法方面:《機器視覺演算法與應用》這本書講的大多都是工業化生產中機器視覺應用。從內容來說並不是很簡單，建議不要當入門教材來學習。

3.機器人方面：新版《機器人技術手冊》日譯的書。這本書由基礎到應用以及一些機器人實際問題上講述得很全面。強烈建議買一本。

二、學習人工智慧AI需要下列最基礎的知識：

1.需要數學基礎：高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。

2.需要演算法的積累：人工神經網路，支持向量機，遺傳演算法等等演算法;當然還有各個領域需要的演算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM;總之演算法很多需要時間的積累。

3.需要掌握至少一門編程語言，畢竟演算法的實現還是要編程的;如果深入到硬體的話，一些電類基礎課必不可少。

人工智慧一般要到研究生才會去學，本科也就是蜻蜓點水看看而已，畢竟需要的基礎課過於龐大。

2. 人工智慧所涉及的范圍有哪些

人工智慧的涉及范圍
智能模擬
機器視、聽、觸、感覺及思維方式的模擬：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，邏輯推理，博弈，信息感應與辨證處理。
學科範疇
人工智慧目前是一門邊沿學科，屬於自然科學、社會科學、技術科學三向交叉學科。
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，社會結構學與科學發展觀。
研究范疇
語言的學習與處理，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，遺傳演算法人類思維方式，最關鍵的難題還是機器的自主創造性思維能力的塑造與提升。
應用領域
機器翻譯，智能控制，專家系統，機器人學，語言和圖像理解，遺傳編程機器人工廠，自動程序設計，航天應用，龐大的信息處理，儲存與管理，執行化合生命體無法執行的或復雜或規模龐大的任務等等。
值得一提的是，機器翻譯是人工智慧的重要分支和最先應用領域。不過就已有的機譯成就來看，機譯系統的譯文質量離終極目標仍相差甚遠；而機譯質量是機譯系統成敗的關鍵。中國數學家、語言學家周海中教授曾在論文《機器翻譯五十年》中指出：要提高機譯的質量，首先要解決的是語言本身問題而不是程序設計問題；單靠若干程序來做機譯系統，肯定是無法提高機譯質量的；另外在人類尚未明了大腦是如何進行語言的模糊識別和邏輯判斷的情況下，機譯要想達到「信、達、雅」的程度是不可能的。
安全問題
目前人工智慧還在研究中，但有學者認為讓計算機擁有智商是很危險的，它可能會反抗人類。這種隱患也在多部電影中發生過，其主要的關鍵是允不允許機器擁有自主意識的產生與延續，如果使機器擁有自主意識，則意味著機器具有與人同等或類似的創造性，自我保護意識，情感和自發行為。
實現方法
人工智慧在計算機上實現時有2種不同的方式。一種是採用傳統的編程技術，使系統呈現智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。這種方法叫工程學方法（Engineering approach），它已在一些領域內作出了成果，如文字識別、電腦下棋等。另一種是模擬法（Modeling approach），它不僅要看效果，還要求實現方法也和人類或生物機體所用的方法相同或相類似。遺傳演算法（Generic Algorithm，簡稱GA）和人工神經網路（Artificial Neural Network，簡稱ANN）均屬後一類型。遺傳演算法模擬人類或生物的遺傳-進化機制，人工神經網路則是模擬人類或動物大腦中神經細胞的活動方式。為了得到相同智能效果，兩種方式通常都可使用。採用前一種方法，需要人工詳細規定程序邏輯，如果游戲簡單，還是方便的。如果游戲復雜，角色數量和活動空間增加，相應的邏輯就會很復雜（按指數式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程序，重新編譯、調試，最後為用戶提供一個新的版本或提供一個新補丁，非常麻煩。採用後一種方法時，編程者要為每一角色設計一個智能系統（一個模塊）來進行控制，這個智能系統（模塊）開始什麼也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種復雜情況。這種系統開始也常犯錯誤，但它能吸取教訓，下一次運行時就可能改正，至少不會永遠錯下去，用不到發布新版本或打補丁。利用這種方法來實現人工智慧，要求編程者具有生物學的思考方法，入門難度大一點。但一旦入了門，就可得到廣泛應用。由於這種方法編程時無須對角色的活動規律做詳細規定，應用於復雜問題，通常會比前一種方法更省力。

3. 什麼是人工智慧 機器人為什麼是人工智慧的一個重要分支

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。

機器人對人工智慧非常重要，所以是人工智慧的一個重要分支。

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。

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。

(3)人工智慧都有那些分支擴展閱讀：

早期的人工智慧研究人員直接模仿人類進行逐步的推理，就像是玩棋盤游戲或進行邏輯推理時人類的思考模式。到了1980和1990年代，利用概率和經濟學上的概念，人工智慧研究還發展了非常成功的方法處理不確定或不完整的資訊。

對於困難的問題，有可能需要大量的運算資源，也就是發生了「可能組合爆增」：當問題超過一定的規模時，電腦會需要天文數量級的存儲器或是運算時間。尋找更有效的演算法是優先的人工智慧研究項目。

人類解決問題的模式通常是用最快捷，直觀的判斷，而不是有意識的，一步一步的推導，早期人工智慧研究通常使用逐步推導的方式。

人工智慧研究已經於這種「次表徵性的」解決問題方法取得進展：實體化AGENT研究強調感知運動的重要性。神經網路研究試圖以模擬人類和動物的大腦結構重現這種技能。

4. 人工智慧的分類包括哪些

人工智慧的概念在很久以前就被提出來了，關於人工智慧，在網路上給出的定義是這樣的：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。
人工智慧我們大多數人都知道，但是關於人工智慧的分類，想必還是有很多人不太了解的。人工智慧有三種類型，分別是弱人工智慧、強人工智慧、超人工智慧。下邊我們就來分別介紹一下這三大類型。

弱人工智慧
弱人工智慧的英文是Artificial Narrow Intelligence，簡稱為ANI， 弱人工智慧是擅長於單個方面的人工智慧。
比如有能戰勝象棋世界冠軍的人工智慧阿爾法狗，但是它只會下象棋，如果我們問它其他的問題那麼它就不知道怎麼回答了。只有擅長單方面能力的人工智慧就是弱人工智慧。

強人工智慧
強人工智慧的英文是Artificial General Intelligence，簡稱AGI，這是一種類似於人類級別的人工智慧。強人工智慧是指在各方面都能和人類比肩的人工智慧，人類能乾的腦力活它都能幹。
創造強人工智慧比創造弱人工智慧難得多，我們現在還做不到。強人工智慧就是一種寬泛的心理能力，能夠進行思考、計劃、解決問題、抽象思維、理解復雜理念、快速學習和從經驗中學習等操作。強人工智慧在進行這些操作時應該和人類一樣得心應手。

超人工智慧
超人工智慧的英文是Artificial Superintelligence，簡稱ASI，科學家把超人工智慧定義為在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創新、通識和社交技能。
超人工智慧可以是各方面都比人類強一點，也可以是各方面都比人類強萬億倍的。超人工智慧也正是為什麼人工智慧這個話題這么火熱的緣故，同樣也是為什麼永生和滅絕這兩個詞總是出現在人們的口中。所以對於超人工智慧的發展還是需要我們好好把控的。

5. 人工智慧有哪幾個主要學派

目前人工智慧的主要學派有下面三家：
(1)符號主義(symbolicism)，又稱為邏輯主義(logicism)、心理學派(psychologism)或計算機學派(computerism)，其原理主要為物理符號系統(即符號操作系統)假設和有限合理性原理。
(2)連接主義(connectionism)，又稱為仿生學派(bionicsism)或生理學派(physiologism)，其主要原理為神經網路及神經網路間的連接機制與學習演算法。
(3)行為主義(actionism)，又稱為進化主義(evolutionism)或控制論學派(cyberneticsism)，其原理為控制論及感知-動作型控制系統。
他們對人工智慧發展歷史具有不同的看法。
1、符號主義認為人工智慧源於數理邏輯。數理邏輯從19世紀末起得以迅速發展，到20世紀30年代開始用於描述智能行為。計算機出現後，又再計算機上實現了邏輯演繹系統。其有代表性的成果為啟發式程序LT邏輯理論家，證明了38條數學定理，表了可以應用計算機研究人的思維多成，模擬人類智能活動。正是這些符號主義者，早在1956年首先採用「人工智慧」這個術語。後來又發展了啟發式演算法->專家系統->知識工程理論與技術，並在20世紀80年代取得很大發展。符號主義曾長期一枝獨秀，為人工智慧的發展作出重要貢獻，尤其是專家系統的成功開發與應用，為人工智慧走向工程應用和實現理論聯系實際具有特別重要的意義。在人工智慧的其他學派出現之後，符號主義仍然是人工智慧的主流派別。這個學派的代表任務有紐厄爾(Newell)、西蒙(Simon)和尼爾遜(Nilsson)等。
2、連接主義認為人工智慧源於仿生學，特別是對人腦模型的研究。它的代表性成果是1943年由生理學家麥卡洛克(McCulloch)和數理邏輯學家皮茨(Pitts)創立的腦模型，即MP模型，開創了用電子裝置模仿人腦結構和功能的新途徑。它從神經元開始進而研究神經網路模型和腦模型，開辟了人工智慧的又一發展道路。20世紀60~70年代，連接主義，尤其是對以感知機(perceptron)為代表的腦模型的研究出現過熱潮，由於受到當時的理論模型、生物原型和技術條件的限制，腦模型研究在20世紀70年代後期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年發表兩篇重要論文，提出用硬體模擬神經網路以後，連接主義才又重新抬頭。1986年，魯梅爾哈特(Rumelhart)等人提出多層網路中的反向傳播演算法(BP)演算法。此後，連接主義勢頭大振，從模型到演算法，從理論分析到工程實現，偉神經網路計算機走向市場打下基礎。現在，對人工神經網路(ANN)的研究熱情仍然較高，但研究成果沒有像預想的那樣好。
3、行為主義認為人工智慧源於控制論。控制論思想早在20世紀40~50年代就成為時代思潮的重要部分，影響了早期的人工智慧工作者。維納(Wiener)和麥克洛克(McCulloch)等人提出的控制論和自組織系統以及錢學森等人提出的工程式控制制論和生物控制論，影響了許多領域。控制論把神經系統的工作原理與信息理論、控制理論、邏輯以及計算機聯系起來。早期的研究工作重點是模擬人在控制過程中的智能行為和作用，如對自尋優、自適應、自鎮定、自組織和自學習等控制論系統的研究，並進行「控制論動物」的研製。到20世紀60~70年代，上述這些控制論系統的研究取得一定進展，播下智能控制和智能機器人的種子，並在20世紀80年代誕生了智能控制和智能機器人系統。行為主義是20世紀末才以人工智慧新學派的面孔出現的，引起許多人的興趣。這一學派的代表作者首推布魯克斯(Brooks)的六足行走機器人，它被看作是新一代的「控制論動物」，是一個基於感知-動作模式模擬昆蟲行為的控制系統

6. 人工智慧有哪些分支領域和研究方向

人工智慧的定義可以分為兩部分，即「人工」和「智能」。「人工」比較好回理解，爭議性也答不大。有時我們會要考慮什麼是人力所能及製造的，或者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。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。

7. 人工智慧有哪些分支和領域

人工智慧有一些細分領域，例如計算機視覺、自然語言處理、圖像識別、語音識別等。現在國內在每個領域都有一些研發的比較領先的公司。