关于人工智能的论文_有关人工智能论文
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。以下是我精心整理的有关人工智能论文的相关资料，希望对你有帮助! 有关人工智能论文篇一 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20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20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。
人工智能的利弊论文【关于人工智能大学的论文】
在倡导智能化的信息时代，人工智能在新世纪科学体系中占有重要的地位，但人工智能课程因有不同于其他课程的鲜明特点，不能适应传统的教学模式。以下是我精心整理的关于人工智能大学的论文的相关资料，希望对你有帮助!
关于人工智能大学的论文篇一
信息时代的人工智能教学研究
摘 要：在倡导智能化的信息时代，人工智能在新世纪科学体系中占有重要的地位，但人工智能课程因有不同于其他课程的鲜明特点，不能适应传统的教学模式。为推动我国人工智能教育的发展、培养和造就更多的“智能”人才，研究、改进人工智能的课程教学方法尤为必要。通过探讨人工智能学科的独特性质，指出了人工智能教学中存在的若干关键问题。结合《人工智能》课程的授课实践，从选择教材、课堂教学与课程实践等方面提出提高人工智能教学质量的途径。?
关键词：信息时代;人工智能;课程教学?
人工智能(Artificial Intelligence，AI)是计算机科学的一个分支，是一门研究运用计算机模拟和延伸人脑功能的综合性学科。换言之，人工智能研究如何用计算机模仿人脑的推理、证明、识别、理解、设计、学习、思考、规划以及问题求解等思维活动，解决领域专家才能处理的复杂问题[1]。人工智能研究处于信息技术的前沿，它的研究、应用和发展在一定程度上决定着计算机技术的发展方向[2]。人工智能的不少研究领域如自然语言理解、模式识别、机器学习、数据挖掘、智能检索、机器人技术、人工神经网络等都走在了信息技术的前沿，有许多研究成果已经进入人们的生活、学习和工作中，并对人类的发展产生了重要影响。同时，信息技术的广泛应用也对人工智能技术的发展提出了急切的需求。
为了适应人工智能技术日益广泛的需要，国内外高校普遍开设了人工智能方面的课程，并作为计算机专业的核心课程之一。美国的麻省理工学院(MIT)是众多美国大学中人工智能教育的代表，该学校开设的《Artificial Intelligence》面向计算机本科专业二、三年级的学生，重点在于讲授人工智能的概念和思考方法。国内中南大学开设的《人工智能》是国家级精品课程，是信息类专业高年级本科生以及低年级研究生的必选课程，目的是培养学生的“智能”观念，掌握人工智能的基本理论、基本方法和基本技术。
人工智能研究领域涉及到计算机科学、自动控制、高等数学、心理学、哲学等众多学科，所以内容抽象、不易理解。在授课过程中学生有畏难情绪，同时教师在教材选择、教学方法和教学实验等方面存在困难，对教学效果产生很大的影响。为了更好地实现人工智能的教学目标、提高教学质量、更好的普及智能知识，本文结合中南大学《人工智能》课程的特色教学，思考和探讨教材选择、课堂讲授与实践环节，并提出了改进方法，以期提高《人工智能》课程的教学质量，培养与造就更多的理论与应用型的复合人才，推动当今社会信息化、智能化的发展。
一、教材选择—博采众长且因地制宜
由于对人类认知的不同理解，人工智能研究者采取的研究方法也不尽相同，偏重于数学逻辑方法的符号主义、着重结构模拟的联结主义与采用行为模拟方法的行为主义是人工智能研究的三大流派，不同流派的研究途径与指导思想存在很大的差异，这种差异也体现在不同高校编写或选用的教材上，如麻省理工学院和中南大学的教学侧重点就各不相同。除包含不同的学术流派外，人工智能研究领域中还存在众多相对独立的研究方向，不同研究方向的思考方法各有特色。此外，人工智能的研究要结合当地社会经济发展才会有更广阔的发展空间，而不同国家、地区经济发展对人工智能的要求不同，这对作为基础学科的人工智能课程的教材提出新的要求。
不同的流派、众多的研究方向、复杂的应用背景虽然拓宽了人工智能的研究范围，但也给如何选择人工智能教材提出新的挑战。因此如何选择人工智能教材,使之既能让学生了解研究领域的概貌又易于接受，是一件重要而困难的事情。基于以上的思考，作为基础智能学科的人工智能在教材选择上要遵循以下两个原则：第一，切实从授课对象的角度出发，充分考虑他们的知识储备与接受能力。在选择教材时兼顾广度和深度、基础知识和新兴技术，并有一个明确的教学中心。还要注意前期相关课程如离散数学、数据结构、概率论、程序设计语言、系统仿真、自动控制等的衔接问题，让学生能够将人工智能纳入已有的知识体系，激发学习兴趣，从而达到普及智能教育的目的。第二，切实从本地区的长期发展出发,结合本地的经济特点选择合适的教材。机械制造、软件开发、电子商务、智能决策等领域均可直接应用人工智能的相关知识。因此作为涉及众多学科、应用广泛的基础学科，在设置人工智能教学内容时要充分考虑本地区的经济发展方向，为当地的经济发展服务。中南大学人工智能国家级教学团队考虑到湖南长沙是机械重工企业重镇，选择教材与制定 教学计划 以智能控制为中心，不仅为人工智能找到切实的应用背景，而且增加了学生的就业就会，这是非常值得推广的宝贵?经验。
刘星宝:
教材选择是提高教育质量的重要环节，人工智能因其流派纷呈、内容众多且与实际应用联系密切应该引起重视，以便使学生既掌握领域全貌又能学有所长。
二、分专题、分组讨论式教学
课堂讲授是学校教育的基本特征之一，这种一对多的方式最大可能的让更多的人获取知识。而课堂讲授以教师讲授为主，学生处于被动地位，从某种意义上来说课堂讲授忽略了学习的主体——学生。在该教学情形下学生没有参与到学习过程中，被动的接受授课内容，甚至可能出现不能跟上学习进度从而放弃听讲，出现教师和学生各自为战、互不关心的情况。在这种情况下不仅极难保证教学质量，还让学生丧失了对该门课程的兴趣，进而导致厌恶该领域。
虽然各门课程都会出现这种情况，但在人工智能课程的讲授过程中表现尤为突出，这是由人工智能的课程特点决定的。作为智能教育基础的人工智能课程涉及内容非常广泛，各章联系较少，内容相对相对独立。当学生接触到这些知识而又不能与原有的知识体系融合，必然产生畏难心理。为了改善这种状况，我们认为改变教学方式、发挥学生的主观能动性尤为必要。具体操作如下：第一，在授课之前要求学生预习教学内容，使之对将要讲述的课程有粗略印象与和一定的心理准备。通过这种方式培养学生“人工智能”的思考方法，并逐渐形成习惯性思考模式。第二，引导学生学会人工智能的思考方法后，按照兴趣爱好将学生分成若干兴趣小组。第三，授课教师根据每个小组的特点指定不同的专题，要求每个小组通过学习教材、搜索互联网等手段获得专题知识，按照给定的格式整理成流畅、可读的文档资料。第四，按照事先给定的顺序要求每个小组向全体师生讲解专题，同时将该组的专题文档资料预先发给所有学生，以便了解、领会该专题知识。第五，在聆听讲解与熟悉资料后、并在授课教师主持下，就该组讲述的专题进行深入的讨论或者辩论。第六，根据讨论的结果给该组打分，并计入课程总成绩。
由于人工智能课程各章节相对独立，非常适合分专题讨论式教学。在此过程中，授课老师扮演主持人的角色，起到发起和引导的作用，把时间交给学生掌握，让他们在讨论、辩论中充分发挥主体积极性，从而让学生主动获取知识、加深对知识的理解。在中南大学分别面向一年级研究生与博士生开设的人工智能教学中，教学团队采用了分专题分组教学，学生普遍反映很喜欢这种新颖的教学方式，并在学习过程中提出许多宝贵的意
见，促进了该模式的进一步成熟。
三、教学实验与社会实践
教学实验能够加深学生对知识的理解,给学生最直观的感受。虽然很多学科都要一定量的教学实验，但对人工智能课程而言，优质的教学实验具有非同寻常的意义，这也是由其学科特点决定的。在授课过程中我们发现，学生接触人工智能时通常存在以下疑问：第一，近乎日常用语的描述语言是否能够通过计算机实现;第二，人工智能是研究机器人的学科;第三，应用人工智能造出的机器人最终能否与影视作品中的机器人相媲美;第四，人工智能是否有助于就业。
即使授课教师在介绍人工智能课程时就给出了答案，以上几个问题在学生中间仍然普遍存在。若不能给学生确定的答案、彻底消除疑问，显然会影响学生的学习积极性。解答以上问题最好的方法是教学实验与社会实践，对此中南大学人工智能教学团队给出了富有启发性的设计方案。
在教学安排上,教学团队非常注意教材内容与联系实际。首先，增加实验课时数，以保证质量;其次，及时布置人工智能实验，加强讲授内容与实验的衔接。如在讲授产生式系统后，教学实验中及时安排产生式系统实验。相应的主观 Bayes网络实验、A系列搜索实验,以及应用Maltab工具箱操作的模糊控制位置跟踪系统仿真实验、神经网络模式识别仿真实验、进化算法优化计算等实验亦是如此。最后是提供优质的实验环境，教学团队设计了一套实验模拟软件，该软件直观、易于使用，为提高实验质量提供了良好的软件环境。通过具体的实验，教材内容不再枯燥，学生能够更深入触摸到的人工智能的本质。
另一方面，与科研结合、与企业联姻加强社会实践。中南大学人工智能教学团队成员大多浸淫人工智能的某一研究方向多年，获得了相当数量的研究成果。在社会实践中带领学生参观能够自动寻找路径的机器人、科研模拟环境等，引导学生进入奇妙的人工智能世界。教改结果表明，教学与科研的有效结合激发了学生对人工智能的强烈兴趣，已经有几名学生要求进入课题组。当前，基于人工智能理论的工业产品已经得到迅速的发展，中南大学人工智能教学团队与长沙重要的机械制造企业三一重工建立了良好的关系。在本课程的讲授过程中，请企业的相关研究人员为学生做人工智能应用方面的公开报告，拓宽学生的视野。在教学实践中带领学生到该企业参观，了解智能产品的工业生产流程。
教学实验与实践过程让学生更深刻的意识到人工智能已经和我们的生活密切联系在一起，而非空中楼阁。同时增强了学生的学习兴趣,加深学生对人工智能相关概念和难点的掌握,为从事人工智能研究与基于智能系统的应用开发夯实基础，达到培养新一代智能人才的目的。
四、结束语
本文对人工智能课程在教材选择、教学方法、教学实践与实验等方面进行了探讨,总结与探讨了该课程在教学与实践中出现的问题及提高途径，期望提高人工智能课程的教学质量，推进人工智能研究更快更好的发展。
本论文的教改思想来源于中南大学蔡自兴教授讲授的国家级精品课程《人工智能》，在此向蔡自兴教授及其领导的教学团队表示深深的感谢。
