核心方法

人工智慧是關於知識的學科及怎樣表示知識以及怎樣獲得知識並使用知識的學科。在計算機科學領域，核心方法是指實現軟體或產品的某種功能的關鍵技術，核心方法是一個產品主要競爭力的體現。核心方法的分類一般是根據實際套用情況而定。

基本介紹

• 中文名：核心方法
• 外文名：kernel method
• 學科：計算機
• 定義：實現某種功能的關鍵技術
• 意義：核心競爭力體現
• 領域：人工智慧

簡介

核心方法是指實現軟體或產品的某種功能的關鍵技術。在人工智慧中，核心方法的創新可以極大地促進人工智慧在更多領域套用。人工智慧的核心方法經歷了以知識為中心的發展的階段，到越來越多的人認識到知識在模擬智慧型中的重要性，圍繞知識表示、推理、機器學習，以及結合問題領域知識的新認知模擬進行了更加深入的探索。

問題求解

問題求解，即解決管理活動中由於意外引起的非預期效應或與預期效應之間的偏差。 能夠求解難題的下棋 (如西洋棋 )程式的出現，是人工智慧發展的一大成就。在下棋程式中套用的推理，如向前看幾步，把困難的問題分成一些較容易的子問題等技術，逐漸發展成為搜尋和問題歸約這類人工智慧的基本技術。搜尋策略可分為無信息導引的盲目搜尋和利用經驗知識導引的啟發式搜尋，它決定著問題求解的推理步驟中，使用知識的優先關係。另一種問題的求解程式，是把各種數學公式符號彙編在一起，其性能已達到非常高的水平，並正在被許多科學家和工程師所套用，甚至有些程式還能夠用經驗來改善其性能。例如，1993 年美國發布的一個叫做 MACSYMA 的軟體，它能夠進行較複雜的數學公式符號運算。如前所述 , 尚未解決的問題包括人類棋手具有的表達的能力，如西洋棋大師們洞察棋局的能力； 另一個未解決的問題涉及問題的原概念，在人工智慧中叫做問題表示的選擇。人們常常能夠找到某種思考問題的方法從而使求解變得容易而最終解決該問題。

專家系統

專家系統ES （Expert System）是人工智慧研究領域中另一重要分支，它將探討一般的思維方法轉入到運用專門知識求解專門問題，實現了 人工智慧從理論研究向實際套用的重大突破；專家系統可看作一類具有專門知識的計算機智慧型程式系統，它能運用特定領域中專家提供的專門知識和經驗，並採用人工智慧中的推理技術來求解和模擬通常由專家才能解決的各種複雜問題。總的來說，專家系統是一種具有智慧型的軟體，它求解方法是一種啟發式方法，專家系統所要解決的問題一般無算法解，並且與傳統的電腦程式上不同之處在於，它要經常在不完全、不精確或不確定的信息基礎上做出結論。在近年來的專家系統或 “知識工程”的研究中，已經出現了成功和有效套用人工智慧技術的趨勢，具有有代表性的是用戶與專家系統進行 “諮詢對話” ，如同其與專家面對面的進行對話是一樣的： 解釋問題並建議進行某些試驗，向專家系統詢問以期得到有關解答等。當前的實驗系統，在比如化學和地質數據分析、計算機系統結構、建築工程以及醫療診斷等諮詢任務方面，已達到很高的水平。另外，還有很多研究主要是集中在讓專家系統能夠說明推理的能力，從而使諮詢更好地被用戶接受，同時還能幫助人類發現系統推理過程中所出現的差錯。發展專家系統的關鍵在於表達和運用專家知識，即來自人類專家的且已被證明能夠解決某領域內的典型問題的有用的事實和過程。不同領域與不同類型的專家系統，它們的體系結構和功能是有一定的差異的，但它們的組成基本一致。一個基本的專家系統主要由知識庫、資料庫、推理機、解釋機制、知識獲取和用戶界面六部分組成。

機器學習

機器學習 （Machine Learning）是研究如何使用計算機模擬或實現人類的學習活動。它是繼專家系統之後人工智慧的又一重要套用領域，是使計算機具有智慧型的根本途徑，也是人工智慧研究的核心課題之一，它的套用遍及人工智慧的各個領域。

學習是人類智慧型的重要特徵，是獲得知識的基本手段，而機器學習也是使計算機具有智慧型的根本途徑，如香克所說： “一台計算機若不會學習，就不能稱為具有智慧型的。 ”除此之外，機器學習還有助於發現人類學習的機理和揭示人腦的奧秘。學習是一個有特定目的的知識獲取過程，它的內部主要表現為新知識結構的不斷建立和修改，外部表現為性能的改善。一個學習過程本質上講，就是學習系統把導師 （或專家）提供的信息轉換成能被系統理解並套用的形式的過程。按照系統對導師的依賴程度可將學習方法分類為： 機械式學習 （Rotelearning） 、講授式學習 （Learning from instruction） 、類比學習(Learning by analogy） 、歸納學習 （Learning from induction） 、觀察發現式學習 （learning by observation and discovery）等。

神經網路

人工神經網路 （Aficial Neural Network） ，是由大量處理單元即神經元互連而成的網路，也常簡稱為神經網路或類神經網路。神經網路是一種由大量的節點 （或稱神經元）和之間相互聯接構成的運算模型，是對人腦或自然神經網路一些基本特性的抽象和模擬，其目的在於模擬大腦的某些機理與機制，從而實現某些方面的功能。通俗地講，人工神經網路是仿真研究生物神經網路的結果。詳細地說， 人工神經網路是為獲得某個特定問題的解，

根據所掌握的生物神經網路機理，按照控制工程的思路及數學描述方法，建立相應的數學模型並採用適當的算法，而有針對性地確定數學模型參數的技術。神經網路的信息處理是由神經元之間的相互作用實現的：知識與信息的存貯主要表現為網路元件互連間分散式的物理聯繫。人工神經網路具有很強的自學習能力，它可以不依賴於 “專家” 的頭腦， 而自動從已有的實驗數據中總結規律。由此，人工神經網路擅長於處理複雜多維的非線性問題，不但可以解決定性問題，也可解決定量的問題，同時還具有大規模並行處理和分布的信息存儲能力，具有良好的自適應、自組織性以及很強的學習、聯想、容錯和較好的可靠性。

模式識別

計算機人工智慧所研究的模式識別是指用計算機代替人類或幫助人類感知模式。其主要的研究對象是計算機模式識別系統，也就是讓計算機系統能夠模擬人類通過感覺器官對外界產生的各種感知能力。

人工生命

人工生命 ( Artificial Life, 簡稱 AL) 是由美國聖菲研究所非線性研究組的計算機科學家 Christopher Langton 於1987 年與 Los Alamos National Laboratory 召開的 “生成以及模擬生命系統的國際會議”上首先提出的。它主要是通過人工模擬生命系統來研究生命的領域。AL 的概念主要包括兩方面內容：1）計算機科學領域的虛擬生命系統，主要涉及計算機軟體工程和人工智慧技術 ； 2）基因工程技術人工改造生物的工程生物系統，主要涉及合成生物學技術。相比於傳統的人工智慧和神經網路，人工生命不論在理論上還是方法上都有很大的區別。人工生命主要是通過計算機仿真生命現象來體現自適應機理，對相關非線性對象進行更真實的動態描述以及動態特徵研究。人工生命學科主要包括仿生系統、人工建模與仿真、人工生命的計算理論、進化動力學、進化與學習綜合系統以及人工生命的套用等研究內容。現階段比較典型的人工生命研究有： 計算機病毒、 計算機進程、進化機器人、 自催化網路、 細胞自動機、 人工核苷酸和人工腦等。