关键词：人工智能计算机技术
一、人工智能的定义
“人工智能”(ArtificialIntelligence)一词最初是在1956年Dartmouth学会上提出的。人工智能是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。人工智能理论进入21世纪,正酝酿着新的突破,人工智能的研究成果将能够创造出更多更高级的智能“制品”,并使之在越来越多的领域超越人类智能,人工智能将为发展国民经济和改善人类生活做出更大贡献。
二、人工智能的应用领域
1.在管理系统中的应用
(1)人工智能应用于企业管理的意义主要不在于提高效率,而是用计算机实现人们非常需要做,但工业工程信息技术是靠人工却做不了或是很难做到的事情。在《谈谈人工智能在企业管理中的应用》一文中刘玉然指出把人工智能应用于企业管理中,以数据管理和处理为中心,围绕企业的核心业务和主导流程建立若干个主题数据库,而所有的应用系统应该围绕主题数据库来建立和运行。换句话说,就是将企业各部门的数据进行统一集成管理,搭建人工智能的应用平台,使之成为企业管理与决策中的关键因子。
(2)智能教学系统(ITS)是人工智能与教育结合的主要形式,也是今后教学系统的发展方向。信息技术的飞速发展以及新的教学系统开发模式的提出和不断完善,推动人们综合运用超媒体技术、网络基础和人工智能技术区开发新的教学系统,计算机智能教学系统就是其中的典型代表。计算机智能教学系统包含学生模块、教师模块,体现了教学系统开发的全部内容,拥有着不可比拟的优势和极大的吸引力。
2.在工程领域的应用
(1)医学专家系统是人工智能和专家系统理论和技术在医学领域的重要应用,具有极大的科研和应用价值,它可以帮助医生解决复杂的医学问题,作为医生诊断、治疗的辅助工具。事实上,早在1982年,美国匹兹堡大学的Miller就发表了著名的作为内科医生咨询的Internist2Ⅰ内科计算机辅助诊断系统的研究成果,由此,掀起了医学智能系统开发与应用的高潮。目前,医学智能系统已通过其在医学影像方面的重要作用,从而应用于内科、骨科等多个医学领域中,并在不断发展完善中。
(2)地质勘探、石油化工等领域是人工智能的主要作用发挥领地。1978年美国斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECTOR”,该系统用于勘探评价、区域资源估值和钻井井位选择等,是工业领域的首个人工智能专家系统,其发现了一个钼矿沉积,价值超过1亿美元。
3.在技术研究中的应用
(1)在超声无损检测(NDT)与无损评价(NDE)领域中,目前主要广泛采用专家系统方法对超声损伤(UT)中缺陷的性质、形状和大小进行判断和归类;专家运用超声无损检测仪器,以其高精度的运算、控制和逻辑判断力代替大量人的体力与脑力劳动,减少了任务因素造成的无擦,提高了检测的可靠性,实现了超声检测和评价的自动化、智能化。
(2)人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展,网络技术的安全是我们关心的重点,因此我们必须在传统技术的基础上进行网络安全技术的改进和变更,大力发展数据挖掘技术、人工免疫技术等高效的AI技术,开发更高级AI通用和专用语言,和应用环境以及开发专用机器,而与人工智能技术则为我们提供了可能性。
三、人工智能的发展方向
1.专家系统是目前人工智能中最活跃、最有成效的一个研究领域,它是一种具有特定领域内大量知识与经验的程序系统。近年来,在“专家系统”或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识,所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识,也应该能解决人类专家所解决的问题,而且能帮助人类专家发现推理过程中出现的差错,现在这一点已被证实。
2.智能信息检索技术的飞速发展。人工智能在网络信息检索中的应用,主要表现在:(1)如何利用计算机软硬件系统模仿、延伸与扩展人类智能的理论、方法和技术。(2)由于网络知识信息既包括规律性的知识,如一般原理概念,也包括大量的经验知识这些知识不可避免地带有模糊性、随机性、不可靠性等不确定性因素对其进行推理,需要利用人工智能的研究成果。
3.SOAr是一种通用智能体系结构,其始终处在人工智能研究的前沿,已显示出强大的问题求解能力,它认为机器人的开发是人工智能应用的重要领域。在它的研究中突出4个概念:(1)所处的境遇机器人不涉及抽象的描述,而是处在直接影响系统的行为的境地。(2)具体化机器人有躯干,有直接来自周围世界的经验,他们的感官起作用后会有反馈。(3)智能的来源不仅仅是限于计算装置,也是由于与周围进行交互的动态决定。(4)浮现从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能。目前,国内外不少学者都对机器人足球系统颇感兴趣,足球机器人涉及机器人学、人工智能以及人工生命、智能控制等多个领域。足球机器人系统本身既是一个典型的多智能体系统,是一个多机器人协作自治系统,同时又为它们的理论研究和模型测试提供一个标准的实验平台。
参考文献:
[1]元慧.议当代人工智能的应用领域和发展状况[J].福建电脑,2008.
[2]刘玉然.谈谈人工智能在企业管理中的应用[J].价值工程,2003.
[3]焦加麟,徐良贤,戴克昌.人工智能在智能教学系统中的应用[J].计算机仿真,2003,(8).
[4]周明正.人工智能在医学专家系统中的应用[J].科技信息,2007.
[5]张海燕,刘镇清.人工智能及其在超声无损检测中的应用[J].无损检测,2001,(8).
[6]马秀荣,王化宇.简述人工智能技术在网络安全管理中的应用[J].呼伦贝尔学院学报,2005,(4).
自二十世纪九十年代以来，意识问题受到高度关注，众多的哲学家、心理学家与神经科学家在此领域开展深入的研究工作。与此同时，人们也开始使用计算方法试图让机器装置拥有意识能力。这类研究逐渐被称为“机器意识”的研究。早期有关机器意识的研究比较初步，研究工作较少得到学术界的认同，甚至早些年提到“机器意识”还有不合时宜的顾虑。
尽管哲学上关于“机器意识”有着不同观点的争论，但随着研究工作的不断深入，一些有远见的专家学者开始充分认识到开展机器意识研究的重要意义，并专门撰文进行了精辟论述。比如，英国皇家学院电子工程系的Aleksander教授根据学术界从上世纪九十年代到本世纪对机器意识态度的转变，指出机器意识的影响与日俱增，并预计了机器意识对科学与技术发展的潜在影响，特别是在改变人们对意识的理解、改进计算装置与机器人概念等方面的贡献尤为重大。
无独有偶，美国伊利诺伊大学哲学系Haikonen教授则专门撰文强调机器意识是新一代信息技术产业发展的新机遇，他认为新产品与系统的发展机会起因于信息技术的发展，而现有的人工智能基于预先编程算法，机器与程序并不能理解其所执行的内容。显而易见，不考虑意识就没有对自身行为的理解，而机器意识技术的涌现可以弥补这一缺失，因此机器意识技术可以为信息技术产业的发展提供新的契机。意大利巴勒莫大学机器人实验室的Chella教授则指出，开展机器意识不仅是一种技术挑战，也是科学和理论上开展人工智能和机器人研究的新途径。最近，土耳其中东技术大学的Gök和Sayan两位学者进一步认为，开展机器意识的计算建模研究还有助于推进对人类意识现象的理解，推动构建更加合理的意识理论。
上述这些学者的论述，无疑说明，机器意识研究不但对深化人工智能的研究有着重要的推动作用，对从科学上解释神秘的意识现象也同样具有非同寻常的意义。正因为机器意识研究有着如此重要的科学意义和推动未来信息技术革新的潜在价值，随着最近十年的研究发展，该领域已经成为学界广泛关注的热点。与此同时，数量相当可观的研究成果和实验系统已逐步形成，有些成果已经被运用到实际机器认知系统的开发之中。机器意识研究已经成为了人工智能最为前沿的研究领域。
机器意识研究的现状分析
2006年之前的有关机器意识的研究状况，英国皇家学院电子工程系的研究团队已经做过了比较全面的综述。因此，我们这里主要就在此之后国际上有关机器意识的研究概况和发展趋势进行分析。据我们的文献检索，截止到2015年底，在机器意识研究领域发表过的学术论文超过350余篇，其中最近十年发表的论文占了一半以上。归纳起来，由于对意识的哲学解释不同，目前机器意识方面的主流研究往往是以某种意识科学理论为出发点的具体建模研究和实现。由于涉及到的文献过多，无法一一列举，我们仅就一些影响较大的典型研究进行分析。
在意识科学研究领域，一种较早的理论观点是用量子机制来解释意识现象，这样的出发点也波及到有关机器意识建模的研究。利用量子理论来描述意识产生机制的有效性并不是说物质的量子活动可以直接产生意识，而是强调意识产生机制与量子机制具有跨越尺度的相似性。近年来，意识的量子模型发展又有了新的动向。比如，作为量子意识理论的进一步发展，中国科学院电子学研究所的高山(Gao Shan)提出了意识的一种量子理论，研究了量子塌缩与意识之间的关系，假定量子塌缩是一种客观的动态过程。日本Akita国际大学的Schroeder另辟蹊径，在构建统一意识模型中不涉及量子力学的量子相干性方面做出了全新的探索，主要目标是说明现象意识能够依据量子力学的物理解释，用量子力学的形式化代数性质来描述。此外，俄罗斯Lebedev物理研究所的Michael B. Mensky利用意识的量子概念提出了一种主观选择的数学模型，说明意识和超意识的特性如何能够通过简单的数学模型给出。当然，更多的是有关意识量子机制描述的可能性争论，正反两方面的观点都有。特别是在2012年的Physics of Life Reviews第9卷第3期，以Baars和Edelman所著论文“Consciousness， biology and quantum hypotheses”为核心，10余名相关领域的学者分别撰文对是否能够通过量子机制来描述意识现象展开了多方位的辩论。最近，Susmit Bagchi从分布式计算的角度，较为全面地讨论了生物演化与量子意识之间的关系。遗憾的是，迄今为止，学术界对此问题尚未达成一致的结论。
在机器意识研究中，第二种有重大影响的理论观点就是全局工作空间理论。全局工作空间理论(Global workspace theory)是由美国加利福尼亚大学圣地亚哥分校神经科学研究所的Baars研究员1988年提出的意识解释理论。在该理论的指导下，由Baars、Franklin和Ramamurthy等人组成的研究团队开展了长达20多年的机器意识研究工作，最终开发完成了LIDA认知系统。
LIDA(Learning Intelligent Distribution Agent)是在该研究团队等人早期开发的IDA(Intelligent Distribution Agent)基础上发展起来的，主要依据Baars全局工作空间理论，采用神经网络与符号规则混合计算方法，通过在每个软件主体建立内部认知模型来实现诸多方面的意识认知能力，如注意、情感与想象等。该系统可以区分有无意识状态，是否有效运用有意识状态，并具备一定的内省反思能力等。从机器意识的终极目标来看，该系统缺乏现象意识的特征，比如意识主观性、感受性和统一性均不具备。
指导机器意识研究的第三种重要理论观点是意识的信息整合理论。意识的信息整合理论是美国威斯康星—麦迪逊大学精神病学的Tononi教授1998年提出的。自该理论提出以来，不少研究团队以信息整合理论为依据，采用神经网络计算方法来进行机器意识的研究工作。其中，典型代表有英国Aleksander教授的研究团队和美国Haikonen教授的研究团队所开展的系统性研究工作。英国皇家学院的Aleksander教授领导的研究团队长期开展机器意识的研究工作，发表相关论文30余篇。早期的研究主要给出了有关意识的公理系统及其神经表征建模实现，比较强调采用虚拟计算机器来建模意识。最近几年，Aleksander研究团队采取仿脑策略，强调信息整合理论的运用，建立了若干仿脑(brain-inspired)意识实现系统，更好地实现了五个意识公理的最小目标。美国伊利诺伊大学哲学系Haikonen教授的研究团队则主要采用联想神经网络来进行机器意识系统的构建工作。自1999年以来，该团队开展了富有成效的研究工作。Haikonen教授在所提出的认知体系模型的基础上，构建了一个实验型认知机器人XCR-1系统。应该说，虽然Haikonen所开展的机器意识研究的出发点是为了揭示意识现象本性，但他的成果却是目前机器意识研究领域最为典范的工作之一。
在意识科学研究中，也有学者将人类的意识能力看作是一种高阶认知能力，提出意识的高阶理论。在机器意识研究中，以这样的高阶理论为指导，往往会采用传统的符号规则方法来建立某种具有自我意识的机器系统。其中，一个比较系统的研究工程就是意大利巴勒莫大学机器人实验室的Chella教授用10年时间开发的Cicerobot机器人研究项目。该机器人实现了一种自我意识的认知结构机制，该机制主要由三个部分构成：亚概念感知部分、语言处理部分和高阶概念部分。通过机器人的高阶感知(一阶感知是指对外部世界的直接感知，高阶是对机器人内部世界的感知)，就形成了具有自我反思能力的机器人。这项研究工作的主要特点是将逻辑形式化方法与概念空间组织相结合，强调对外部事物的一种心理表征能力，并对外部环境进行内部模拟。在高阶认知观点的自我意识建模研究方面，另一个做出突出贡献的是美国乔治梅森大学的Samsonovich教授率领的研究团队。该团队经过10余年的研究，开发了一个仿生认知体系GMU-BICA(George Mason University-Biologically Inspired Cognitive Architecture)。在该系统中定义的心理状态不但包含内容，还包含主观观察者，因此该系统拥有“自我”意识的主观能力。系统实验是利用所提出的认知结构模型来控制虚拟机器人完成一些简单的走迷宫活动，机器人可以表现出具有人类意识所需要的行为。相比而言，与Cicerobot机器人强调自我意识是反思能力的概念不同，GMU-BICA系统则将自我意识理解为“自我”的意识。当然，不管是Cicerobot还是GMU-BICA，这样的高阶认知模型往往对心理扫视、主观体验与统一意识等意识本质方面的表现兼顾不足。
除了上述介绍的这些有代表性的研究外，对于机器意识研究而言，还有如何判定机器具有意识能力的检验问题，这是目前机器意识研究领域十分重要的一个方面。显然，要判断开发的机器意识系统是否真正具备预期的意识能力，就需要开展相应的意识特性分析、评判标准建立以及检测方法实现等方面的研究工作。在这方面，由于目前对意识现象的认识存在许多争议，对于意识评测特性分析方面也难以有统一的认识。因此，目前的机器意识特性需求分析也比较零散。倒是在评判标准的建立方面，西班牙卡洛斯三世马德里大学计算机科学系Arrabales教授的研究团队做出了比较系统的研究。该团队自2008年开始就在这方面开展意识特性分析，给出了计算人工意识的一种量化测量方法ConsScale以及对感受质的功能性刻画。之后，该团队又进一步提出了ConsScale的修订版，并讨论了在机器中产生感受质和现象意识状态的可能性。最终，该团队成功构建了CERA-CRANIUM认知体系(采用意识全局工作空间理论建模)来检验产生的视觉感受质以及实现的内部言语。所有的这些成果为机器意识能力的初步检测提供了一种实用的标准。当然，也有将镜像认知看作是机器拥有自我意识能力的一种检测标准，该理论的依据是人类和其他一些动物能够在镜子中认出自己，这一能力被看作是拥有自我意识的明证。因此，Haikonen认为在镜像中的自我识别，即镜像测验，也可以用来确认机器潜在的自我意识能力。于是，在意识能力检测方法的研究中，许多研究工作都是通过镜像测试来确定意识能力的。但也有研究认为，镜像测验并不能证明意识能力的存在，要证明机器具有意识能力还需要通过更加复杂的测验。比如，Edelman就提出三种意识检验的途径，即意识的语言报告、神经生理信号以及意识行为表现。
总而言之，机器意识的研究主要围绕量子涌现机制、全局工作空间、信息整合理论、意识高阶理论以及意识能力检测这五个方面展开的。从研究的策略来看，主要分为算法构造策略(Algorithm)与仿脑构造策略(Brain-Inspiration)两种途径。从具体的实现方法上，主要可以分为三类：一是采用类神经网络的方法；二是采用量子计算方法；三是采用规则计算方法。虽然经过20多年的发展，机器意识的研究取得了众多的研究成果，但相对于人类意识表现方面，目前机器意识能力的表现还是非常局限的。根据笔者以及土耳其中东技术大学的Gök和Sayan发表的论文，目前机器意识系统主要具备的能力都是功能意识方面的，偶尔涉及自我意识和统一性意识(很难说是否真正实现了)。可见，意识计算模型的研究还有很长的路要走，特别是关于内省反思能力、可报告性能力、镜像认知能力、情感感受能力以及主观性现象等，这些方面更加需要进一步的研究和探索。
人类意识能力的唯识学分析
人类意识能力的基础是神经活动，尽管神经活动本身是意识不到的，也不是所有的神经活动都能产生意识，但神经活动却能够产生有意识的心理活动，这便形成了人类的意识能力。
根据现有的相关科学与哲学研究成果，人类意识的运行机制大致是这样的：物质运动变化创生万物，生物的生理活动支持着神经活动，神经活动涌现意识(有意识的心理活动)，意识感受生理表现并指导意向性心智活动的实现，从而反观认知万物之理。除了心理活动所涉及的神经系统外，主要的心理能力包括感觉(身体感受)、感知(对外部事物的感知能力，包括视、听、味、嗅、触)、认知(记忆、思考、想象等)、觉知(反思、意识、自我等)、情感(情绪感受)、行为(意志、愿望、情欲等)、返观(禅观、悟解)等。
必须强调的是，迄今为止，对有意识的心理能力最为系统解析的学说体系并非是现在的脑科学研究，而是起源于古印度的唯识学。唯识学所研究的对象就是心识问题，相当于本文界定的有意识的心理活动。如图1所示，其理论体系主要包括五蕴八识的心法体系。
第一，前五识归为色蕴，对应的心法称为色法，相当于当代心理学中的感知，其意识的作用称为五俱意识(所谓“俱”，就是伴随)。如果这种感知是真实外境的感知，则其伴随性意识称为同缘意识；如果是有错觉的感知，则称不同缘意识；如果这种感知活动产生后像效应，则称为五后意识(属于不相应法)。一般而言，色蕴对应的心理活动都是有意向对象的，因此属于意向心理活动。
第二，受蕴是一种心所法(具体的心理能力)，主要是指身体与情感状态的感受。注意这里要区分身识中的身体状态感受与色蕴是完全不同的心理能力，身识相当于触觉，是一种感知能力，而身体状态的感受不是感知能力，而是感受身体疼痛、暖冷等的体验能力。受蕴的心理活动，虽然具有意识，但不具有意向对象，因此不属于意向性心理活动。
第三，想蕴是另一种心所法，用现代认知科学的话讲，就是狭义的思维能力，如思考、记忆、想象等，属于认知的高级阶段，显然是属于意向性心理活动。
第四，行蕴也是一种心所法，主要指一切造作之心，用现代认知科学的话讲，如动机、欲望、意愿、行为等。唯识学中的“行”，与“业”的概念相互关联，一般分为三种，即身业(行动)、语业(说话)和意业(意想)，但都强调有意作为的方面，因此行蕴也属于意向性心理活动。
第五，识蕴是整体统一的心法，更加强调的是后两识(第七末那识、第八阿赖耶识)的心法，现代西方的认知科学尚无对应的概念。主要强调的是自我意识，特别是返观能力，即对根本心识的悟解能力。
总之，色蕴是色法(感知能力)，受蕴、想蕴、行蕴都是心所法(具体的心理能力)，它们本身就是具有意识的心理活动(统归于心法)，其中色法的意识作用是伴随性的五俱意识，其他三蕴的意识作用与伴随性的意识则又有不同，称为独散意识(受蕴、想蕴、行蕴所涉及的意识，是一种周遍性意识活动)。
当然，如果所有意识作用出现在梦中，唯识学中则另外称之为梦中意识(做梦时的意识活动，属于不相应法)。在唯识学的五蕴学说中，识蕴比较复杂，它是唯识理论特别单列的一种根本心法，除了强调自我意识的末那识“我执”外，更是强调达到定中意识的阿赖耶识“解脱”，属于去意向性心理活动。
总之，从意向性的角度看，我们的心理能力可以分为无意向性的受蕴，意向性的色蕴(前五识)、想蕴、行蕴，元意向性的意识以及去意向性的识蕴。其中，识蕴是一种特定的禅悟能力，对其性质的认识与禅宗的心法观有关。
机器意识研究面临的困境
对于目前的人工智能研究而言，我们涉及到的心智能力，如果按照五蕴分类体系来分析，那么大致只有色蕴、想蕴与行蕴中的部分能力。如果考虑目前有关机器意识的研究，也仅仅涉及到五俱同缘的伴随性意识、想蕴与行蕴中的独散意识、识蕴中的自我意识以及意识活动本身的机制问题，其他意识比如不相应法的梦中意识、五后意识、定中意识、五俱不同缘意识等都没有涉及。
根据上述有关心识能力的唯识学分析，对于机器而言，真正困难的机器意识实现问题是受蕴性独散心识(体验性意识能力)与识蕴性心识两个方面，一个涉及无意向心理活动的表征问题，一个涉及去意向性心理活动的表征问题，这两方面都是目前计算理论与方法无法解决的问题。反过来讲，机器最有可能实现的心智能力部分应当是那些具有意向性的心识能力(色蕴、想蕴与行蕴)，即唯识学心法中的色法与若干心所法。
很明显，意向性心理活动一定伴随有意向对象，于是就有可能对此进行计算表证，并完成相关的某种计算任务。因此，反过来说，我们认为意向性心理能力是人工智能的理论限度(是上界，但并非是上确界)，机器实现的人类意识能力不可能超越意向性心识的范围。这也就是本文观点讨论的基点，并具体给出如下方面论据的分析。
首先，我们来分析心智机器的成功标准。从我们的立场看，如果要构建具有人类心智能力的机器，成功的标准起码应该通过图灵测验。主要理由是，由于“他心知”问题的存在，行为表现可能是唯一的判断标准，此时图灵测验不失为一种可行的测试途径，关键是“巧问”的设计。原则上，图灵测验通过言行交流，这是人类之间默认具有心智能力的唯一途径。再者，根据摩根准则，在没有把握的情况下，宁肯选择比较简单的解释。因而，对图灵测验的解释中，也必须注意摩根准则，诸如机器思维或者机器经过思考的行动这类有关心智能力的假设在大多数情况下应该丢弃。
现在我们就来一场图灵测验，看看机器到底会遭遇什么样的困境。为了看清本质，我们的提问异常简单，就是进行如下提问(所谓“多大年纪”思想实验，参见笔者以前的文章“重新发现图灵测验的意义”)：你多大年纪？此时会发生怎样复杂的情形呢？当提问者一而再、再而三不断重复这一问题时，机器很快就会暴露出其致命的缺陷，就是缺乏不可预见性反应能力。那么，面对这么简单的提问，机器为什么会无所适从呢？其实这跟机器形式系统的局限性有关。众所周知，图灵机是个形式系统，而哥德尔不完全性说明足够复杂的形式系统不能证明某些真命题。这是否说明人的某些知识是计算机器永远不能得到的？或者反过来说，是否说明不是所有的知识都能形式化呢？这样就引出了如下第二个论据的讨论。
从形式系统角度看，确实存在不可计算(证明)的问题，而且是大量的，但这些问题对于人类同样也是不可计算(证明)的。比如图灵停机问题，如果换成了人，结果是一样的。至于知识，可能首先要分清知识的含义与性质，知识是动词还是名词，要不要考虑元知识？如果这样看待知识，那么肯定不是所有知识都可以形式化的。因此，我们可以发现，问题不在于形式系统是否有局限性，而在于对于意识现象能不能给出一致性的形式描述。
那么，我们可以对人类的意识现象给出一致性描述吗？回答显然是否定的。因为在人类的意识现象中，存在着意识的自反映心理现象：我们的意识活动是自明性的。从逻辑上讲，如果一个系统允许自涉，那么该系统一定是不一致的，也就是说无法对该系统给出一致性的形式化描述。其实，人类的心理活动本来就是建立在神经集群活动的自组织涌现机制之上的。因此，出现意识的自明性现象是必然的。这也就是美国哲学家普特南给出“钵中之脑”思想实验所要说明的道理。比如，对于“我们都是钵中之脑”命题，在事先并不知晓这一事实的前提下，使用知道逻辑的反证法，可以明确加以否定。因此，我们人类的意识能力，显然不可能为机器所操纵。这样，由于计算机器形式化能力的局限性，靠逻辑机器是不可能拥有人类全部意识能力的，起码意识的自明性能力不可能为机器所拥有。
进一步，作为第三个论据讨论，我们再来看人类的意义指称能力问题。我们需要明确的问题是：机器能处理符号，但它能真正理解符号所代表的意义吗？如果人的概念依赖于人类的躯体和动机(涉身性认知)，那机器怎么可能掌握它们呢？这个问题主要是指机器是否能够拥有指称能力。塞尔的“中文之屋”提出了反对意见。其实这个问题的关键还是要弄清什么是“意义”？如果意义是指所谓抽象的“概念”内涵而非表征形式，那么就必然存在一条语义鸿沟，因为机器内部能够处理或变换的只是不同的形式语言而已。但如果意义是指“行为表现”，那么这个问题就回到了上面图灵测验的第一个论据上去了。
人类语言表达意义不在语言形式本身，而在于意识能力。正因为这样，才会有许多超出常规的意义表达方式。从根本上讲，我们也不必一一列举机器难以拥有的指称能力，诸如矛盾性言辞、元语言表述以及整体性语境等难以一致性描述的状况；而只需指出，机器不可能拥有人类的终极指称能力即可。那么什么是终极指称能力呢？宋代临济宗禅师惠洪在《临济宗旨》中指出：“心之妙不可以语言传，而可以语言见。盖语言者，心之源、道之标帜也。标帜审则心契，故学者每以语言为得道浅深之候。”其中所谓的“心之妙”者，就是终极指称。由于超越了概念分别，是难以用语言来描述的，这就为形式化描述带来了根本的困境。
第四个论据的讨论涉及到所谓预先设定程序的问题。我们知道，目前的机器只能遵循给定的程序运行(预先设定的程序)，这样的话，机器又怎么可能拥有真正的创造性和灵活性？也许人工智能的目的就是要让机器的“计算”更加“聪明”，但目前预先设定程序的机器不可能是灵活的，更不用说创造性能力了。显然，事情越有规则，机器就越能掌控，这就是预先设定程序的界限。比如对于表面复杂结构的分形图案，由于可以靠简单规则加以迭代产生，机器就可以靠预先编程规则自如产生。但是对于人类常常出现的出错性，由于毫无规律可言，机器便不可能预先加以编程，机器也就不可能拥有出错性了。人是易于犯错误的，而机器按照设定的程序运行，永远不会出错，这就是预先编程的一个致命弱点，这也是第一个论据讨论中机器无法通过图灵测验的根本原因。
要知道出错性表面上似乎是一个负面品质，但其实质上则包含着灵活性和创造性，是一切新事物涌现机制的基础。如果没有生物基因的出错性，自然选择就没有了作用的对象，繁复的生物多样性也就无从谈起。同样，如果没有了思想模因的出错性，文化选择也同样没有了作用的对象，博大的思想多样性同样无从谈起。可见，出错性是机器难以企及人类心智能力的一个分界线，而这一切都归结为机器的预先编程的局限性。
同样的道理，由于预先编程问题，也带来了机器不可能真正拥有情感能力的新问题，这也构成了机器难以拥有人类心识能力的第五个论据。我们知道，情感从某种意义上讲就是常规理性活动过程中的“出错性”，是非理性的，但基于逻辑的机器是理性的。也许人们会说，非理性的情感在心理表现中是不重要的，甚至是不起作用的。但我们要强调，即使是理性思维，情感和其他非理性因素也在其中扮演重要角色(倾向性指导作用)。如果说理性的认知能力是前进的方向，那么非理性的情感能力就是前进的动力，人类的心理活动中岂可或缺情感能力？！而对于机器而言，缺少了情感能力，机器怎么能够像人类一样思维？！
机器是逻辑的，难以体现情感本性，目前有关情感的计算只是实现了情感的理性成份。笔者比较赞同这样的观点：理智是方向性的舵手，情感是驱动性的马达，在航行中情感与理智相互依存。因此，如果情感不能计算，那么也谈不上实现人类意识的计算，因为情感难以计算的本质就是意识的感受问题。
机器能拥有意识能力吗
通过上述对机器实现人类心智能力所面临的困境的讨论，就可以进一步引申出机器是否能够跟人类一样拥有意识能力的问题。为了避免陷入不必要的信念之争，笔者认为学术辩论主要应对事实或可能事实开展分析讨论。由于计算机器的概念相对明确，争论的焦点多半会聚焦到有关人类“意识能力”的界定之上。所以，下面先给出笔者所理解的人类“意识能力”的分析描述，然后再围绕着我们讨论的主题，展开观点的陈述。
意识包括功能意识、自我意识和现象意识，其中功能意识大体上涉及到意向性的心理能力，除了前面已经讨论过的五个论据外，似乎并不存在特别的新困难。但自我意识和现象意识则不同，由于涉及到去意向性和非意向性的表征问题，这便构成了机器心识的最大困扰。首先，我们要清楚“自我意识”不是关于“自我”的意识，而是一种自身内省反思能力。因此，自我意识是意识的核心功能。其次，我们必须澄清所谓的“体验意识(qualia)”到底指什么？是精神的本性，还是虚构的对象？这涉及到哲学基本问题，非常复杂，观点纷呈。机器能否拥有意识能力的核心问题，其实就在于此。
由于涉及到心灵的一些本质问题，机器意识研究一开始就引起了哲学领域的广泛关注，有专家专门讨论机器意识研究的哲学基础，也有学者讨论机器意识会面临的困难，包括像意识(consciousness)、感受质(qualia)和自我觉知(self-awareness)这些回避不了的、显而易见的困难问题，以及一些与意识相关的认知加工，如感知、想象、动机和内部言语等方面的技术挑战。除此之外，更多的则是延续早期对人工智能的哲学反思，对机器意识的可能性提出质疑。涉及到强弱人工智能之争、人工通用智能问题、意识的难问题、“中文之屋”悖论的新应用、人工算法在实现意识能力方面的局限性、蛇神机器人不可能拥有主观性、现象意识等众多方面的争论。
那么机器能够拥有这种现象意识状态吗？对于现象意识的存在性问题，有截然相左的两种观点。一种是神秘论的观点，认为我们神经生物系统唯一共有的就是主观体验，这种现象意识是不可还原为物理机制或逻辑描述的，靠人类心智是无法把握的。另一种是取消论的观点，认为机器仅仅是一个蛇神(zombie)而已，除了机器还是机器，不可能具有任何主观体验的东西。在这两种极端观点之间，还存在各种不同偏向的观点，如还原论、涌现论、唯心论、二元论，等等。其实，依笔者看来，无需做上述复杂的讨论，只须从意向性的角度来看，便可以澄清机器意识的可能性问题。笔者观点是，凡是具有意向性的心理能力，理论上机器均有可能实现，反之则肯定不能实现。因为一旦缺少了意向对象，机器连可表征的内容都不存在，又如何形式化并进行计算呢！
通过上述分析讨论，可以发现，机器意识难以达成的主要困境可以归纳为这样三个方面。第一个是形式化要求，特别是一致性要求导致的局限性，使得机器智能局限于具有意向性的心识能力，如色蕴、想蕴、行蕴。第二个则是机器缺乏不预见性的反应能力，只能通过预先设定的程序来应对环境。第三个就是无法拥有终极指称能力，无法实现去意向性的识蕴能力。最后补充一点则是，对于涉及到现象意识的感受性能力(受蕴)，由于没有意向对象可以作为形式化的载体，因而对其进行的计算完全无从入手。
于是，我们可以很清楚地看到，意向性就是实现机器意识能力的一条不可逾越之界线。用数学的术语说，机器能够拥有的意识能力的上界就是意向性心识能力。当然这并非是上确界，因为不可预见性的反应能力也属于意向性能力，但从前面的分析中可以看出，目前基于预先编程的机器仍然无法拥有不可预见的反应能力。或许我们可以期待更为先进的量子计算机器来突破预先编程能力，但意向性心识能力的边界，依然是无法突破的。
因此，当我们把目前有关机器意识的研究分为面向感知能力实现的、面向具体特定意识能力实现的、面向意识机制实现的、面向自我意识实现的以及面向受蕴能力实现的这五个类别时，就可以同唯识学中意识的五蕴学说相对比，从而更加清楚地认识其中的本质问题所在。我们的结论是，对于机器意识的研究与开发，应当搁置有争论的主观体验方面(身心感受)的实现研究，围绕意向性心识能力(环境感知、认知推理、语言交流、想象思维、情感发生、行为控制)，采用仿脑与量子计算思想相结合的策略，来开发具有一定意向能力的机器人，并应用到社会服务领域。
机器意识研究未来展望
围绕着上述分析所得出的主要结论，我们认为，未来机器意识的研究，主要应该开展如下5个方面的研究工作。
首先，构建面向机器实现的意识解释理论。由于意识问题本身的复杂性，目前存在众多不同的意识解释理论，其中只有部分理论用于指导机器意识的研究。为了更好地开展机器意识研究工作，取得更加理想的机器意识表现效果，必须直接面向机器意识实现问题本身，综合并兼顾已有意识解释理论，提出一种更加有利于机器意识研究的、有针对性的、全新的意识解释理论。提出的新理论应该不但能够清晰地刻画各种意识特性及其关系，而且应该符合机器意识实现的要求，更好地用以指导机器意识的开展。为此，具体需要开展现有意识解释理论的梳理研究、机器意识限度与范围的分析研究、意识特性刻画标准规范的构建研究等方面的研究工作。
其次，探索机器意识的计算策略与方法。过去的研究表明，要想让机器拥有意识能力，传统的人工智能方法是无能为力的，我们必须寻找全新的计算方法。因此，机器意识的深入展开，需要有不同于传统人工智能的计算策略和方法。就目前机器意识研究中所遇到的问题而言，在计算方法方面起码需要开展亚符号(神经信号)表征到符号(逻辑规则)表征之间的相互转换计算方法、在非量子体系中实现类量子纠缠性的计算方法，以及神经联结与符号规则相互融合的计算方法等方面的研究。而在计算策略方面则需要开展仿脑与算法相结合策略的研究。只有确定了行之有效的计算策略和方法，才能真正推动机器意识进一步深入发展。
第三，构建机器意识的综合认知体系。作为机器意识研究的主要任务，就是要构建具有(部分)意识现象表现的机器认知体系。给出的意识机器认知体系应该满足一些基本需求，起码应该包括：实现具有感受质和外部感知对象的感知过程；实现过程内容的内省反思；允许各模块无缝整合的可报告性以及配备本体感知系统的基本自我概念。因此，这部分的研究内容应该结合机器意识计算策略与方法的探索，参照已有各种机器意识认知体系的优点，有针对性地进行构建工作，以期满足基本的意识特性需求。
第四，开发实验性的意识机器人系统。在已有智能机器人开发平台的基础上，嵌入构建好的机器意识综合认知体系，形成具体的意识机器人系统，并开展具体的系统实验分析研究。通过各种意识特性的实验，检验机器意识综合认知体系的性能是否满足基本的意识特性需求，最终给出一种实验性意识机器人系统的范例。
1.1集先进性、实用性和前沿性为一体的教学内容改革对国内外优秀的人工智能教材[2-6]的内容进行整合，建立人工智能的知识体系，并提取人工智能课程的知识要点，确定集先进性、实用性和前沿性为一体的教学内容。人工智能的核心思想是研究人类智能活动规律和模拟人类智能行为的理论、方法和技术，因此人工智能应围绕“智能”这个中心。由于智能本身的复杂性，难以用单一的理论与方法来描述，因此可以通过建立人工智能的不同层次来刻画智能这个主题。人工智能的主要内容可按图1所示划分为最底层、抽象层、逻辑层和应用层这4个不同层次。在最底层，神经网络与演化计算辅助感知以及与物理世界的交互。抽象层反映知识在智能中的角色和创建，围绕问题求解对知识进行抽象、表示与理解。逻辑层提出学习、规划、推理、挖掘的模型与方式。应用层构造智能化智能体以及具有一定智能的人工系统。将人工智能划分为这4个层次可确定人工智能课程的教学内容，并保证教学内容的循序渐进。
1.2基于人工智能知识体系的教学案例库建设根据所确定的教学内容、知识重点和知识难点，从国内外经典教材、科研项目、研发设计、生产建设以及国内外人工智能网站等多种途径，收集案例素材，加以整理，撰写各知识要点的教学案例及其内容。表1给出基于人工智能知识体系的教学案例示例。
2人工智能课程教学案例的详细设计
在教学案例具体设计时应包括章节、知识重点、知识难点、案例名称、案例内容、案例分析过程、案例教学手段、思考/讨论内容等案例规范，分别从以下单一案例、一题多解案例和综合应用案例3种情况进行讨论。
2.1单一案例设计以人工智能课程中神经网络课堂教学内容为例，介绍基于知识点的单一案例的设计。神经网络在模式识别、图像处理、组合优化、自动控制、信息处理和机器人学等领域具有广泛的应用，是人工智能课程的主要内容之一。教学内容主要包括介绍人工神经网络的由来、特性、结构、模型和算法，以及神经网络的表示和推理。这些内容是神经网络的基础知识。其重点在于人工神经网络的结构、模型和算法。难点是人工神经网络的结构和算法。从教学要求上，通过对该章节内容的学习，使学生掌握人工神经网络的结构、模型和算法，了解人工神经网络的由来和特性，一般性地了解神经网络的表示和推理方法。采用课件PPT和演示手段，由简单到复杂，在学生掌握人工神经网络的基本原理和方法之后，再讲解反向传播BP算法，然后运用“手写体如何识别”案例，引导学生学习理解人工神经网络的核心思想及其应用方法。从国外教材中整理和设计该案例，同时应包括以下规范内容。章节：神经网络。知识重点：神经网络。知识难点：人工神经网络的结构、表示、学习算法和推理。案例名称：手写体如何识别。案例内容：用训练样本集训练一个神经网络使其推广到先前训练所得结果，正确分类先前未见过的数据。案例分析过程：①训练数字识别神经网络的样本位图；②反向传播BP算法；③神经网络的表示；④使用误差反向传播算法训练的神经网络的泛化能力；⑤一个神经网络训练完毕后，将网络中的权值保存起来供实际应用。案例教学手段：手写体识别的神经网络演示。思考/讨论内容：①训练改进与权值调整改进；②过学习/过拟合现象，即在一个数据集上训练时间过长，导致网络过拟合于训练数据，对未出现过的新数据没有推广性。
2.2一题多解案例设计一题多解案例有助于学生把相关知识点联系起来，形成相互关联的知识网络。以人工智能课程中知识及其表示教学内容为例，介绍一题多解案例的设计。知识及其表示是人工智能课程三大内容（知识表示、知识推理、知识应用）之一。教学内容主要包括知识表示的各种方法。其重点在于状态空间、问题归约、谓词逻辑、语义网络等知识表示方法。难点是知识表示方法的区别及其应用。从教学要求上，通过对该章节内容的学习，使学生掌握利用状态空间法、问题归约法、谓词演算法、语义网络法来描述和解决应用问题，重点掌握几种主要知识表示方法之间的差别，并对如何选择知识表示方法有一般性的了解。通过讲解和讨论“猴子和香蕉问题”案例，来表示抽象概念。该案例从国内外教材中进行整理和设计，同时包括以下规范内容。章节：知识及其表示。知识重点：状态空间法、问题归约法、谓词逻辑法、语义网络法等。知识难点：知识表示方法的区别及其应用。案例名称：分别用状态空间表示法与谓词逻辑法表示猴子和香蕉问题。案例内容：房间内有一只机器猴、一个箱子和一束香蕉。香蕉挂在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多种知识表示方法表示和求解该问题？案例分析过程：①状态空间法的解题过程。用n元表列表示该问题的状态；定义问题的操作算符；定义初始状态变换为目标状态的操作序列；画出该问题的状态空间图。②谓词逻辑法的解题过程。定义问题的常量；定义问题的谓词；根据问题描述用谓词公式表示问题的初始状态、中间状态和目标状态。案例教学手段：猴子和香蕉问题的演示。思考/讨论内容：①选择知识表示方法时，应考虑哪些主要因素？②如何综合运用多种知识表示方法获得最有效的问题解决方案?
2.3综合应用案例设计与单一案例、一题多解案例相比，综合应用案例能更加有效地启发学生全方位地思考和探索问题的解决方法。以机器人行动规划模拟为例，介绍人工智能综合应用案例的设计，该案例包括以下规范内容。章节：人工智能综合应用。知识重点：人工智能的研究方向和应用领域。知识难点：人工智能的技术集成。案例名称：机器人行动规划模拟。案例内容：综合应用行为规划、知识表示方法、机器人学、神经网络、人工智能语言等多种人工智能技术与方法，对机器人行动规划问题进行描述和可视化。案例分析过程：①机器人行为规划问题求解。采用状态归约法与分层规划技术，将机器人须完成的总任务分解为若干依序排列的子任务；依据任务进程，确定若干关键性的中间状态，将状态对应为进程子规划的目标；确定规划的执行与操作控制，以及机器人过程控制与环境约束。②基于谓词逻辑表示的机器人行为规划设计。定义表达状态的谓词逻辑；用谓词逻辑描述问题的初始状态、问题的目标状态以及机器人行动规划过程的中间状态；定义操作的约束条件和行为动作。③机器人控制系统。定义机器人平台的控制体系结构，包括反应式控制、包容结构以及其他控制系统等。④基于神经网络的模式识别。采用神经网络方法以及BP算法对桌面茶壶、杯子等物体进行识别，提取物体图形特征。⑤机器人程序设计语言。运用人工智能语言实现机器人行动规划行为的可视化。案例教学手段：机器人行动规划的模拟演示。思考/讨论内容：人工智能将会怎样发展？应该在哪些方面进一步开展研究？
3案例教学环节和过程的具体实施细节
人工智能案例教学的实施面向笔者所在学院软件工程专业三年级本科生展开。具体实施细节如下。（1）教学内容的先进性、实用性和前沿性。引进和整合国外著名人工智能教材内容，保证课程内容具有先进性。同时将前沿人工智能的研究成果与技术有机地融入课程案例教学之中。（2）案例教学的创新教学模式。在教师的引导下，将案例中涉及的人工智能内容推广到对人工智能的一般性认识。案例的教学过程，成为认识人工智能、初步运用人工智能的理论与方法分析和解决实际应用问题的过程，使学生具备运用人工智能知识解决实际问题的意识和初步能力。在课程教学中，打破国内常规教学方式，建立和实施开放式案例教学模式。采用动画课件、录像教学、实物演示、网络教学等多种多媒体教学手段，以及集中讲授与专题讨论相结合的教学方式将理论、方法、技术、算法以及实现有机结合，感性认识与理性认识相结合，理论与实际相结合，极大地激发学生自主和创新性学习的热情。（3）“课堂教学—实践活动—现实应用”的有机融合。在案例教学过程中，从传统教学观以学会为中心转化为创新应用型教学观以创新为中心，以及从传统教学的以课堂教学为中心转化为以课堂教学与实践活动并重为中心，构造具体问题场景以及设计教学案例在情境中的现实应用，加深学生对教学内容的理解，同时提高学生的思考能力和实际综合应用能力。
4结语
关键词 多元智能理论 高职 语文教学
中图分类号：G712 文献标识码：A
1 多元智能理论的提出
1983年心理学家霍华德·加德纳出版专著《智能的结构》，在书中他首次提出了多元智能理论，他认为每个人都不止拥有一种智能，而是拥有一组相对独立的智能。每个学生都拥有不同于他人的若干种智能，只是组合的方式和发挥的程度不尽相同而已。加德纳把智能定义为：“智能是一种计算能力——即处理特定信息的能力，这种能力源自人类生物的和心理的本能，是一种解决问题或创造产品的能力。”
多元智能理论强调智能类型的不同，不认同智力水平的高低。这与传统的智力理论正好相反。他认为：人的各项智能是相对独立且相互关联的，没有高低主次之分。每一个学生都能够通过后天的努力，发掘自己的优势智能和组成自己的优势智能结构。同时，人的智能并非单一的，每个人都有多种智能，只是智能的高低强弱不同而已。教育工作者应该一视同仁，帮助学生认识并展示各自的优势智能，重视自己的弱势智能，使各项智能都能得到发展。
2 多元智能理论对高职语文教学的意义和启示
2.1 多元智能理论有助于高职语文《课程标准》的实现
2.1.1 多元智能理论有助于语文课堂工具性与人文性的统一
《课程标准》指出：“五年制高职语文课程，以提高学生的语文应用能力和人文素养为宗旨”。由此可见高职语文教学除了注重实用性之外，更应该关注对学生人文素养的培训，教会学生学做真人。多元智能理论则强调要发掘人的潜能，关注人的全面发展，这与高职校的教育理念不谋而合。
高职语文课的作用是通过语文学习，提高学生的语文素养，充分发挥语文课的育人功能。而多元智能理论的引入，不仅为教学实践提供理论导向的支撑，而且将从形式上为学生创设一个活泼的学习空间，该理论将帮助语文课堂教学更生动、形象，更具感染力，很好贯彻了以人为本的思想。
2.1.2 多元智能理论进入语文课堂为学生拥有综合职业能力奠定基础
多元智能理论认为：智能是个体拥有的各种解决现实生活中实际问题的能力。在解决一些复杂问题的时候，需要综合运用多项智能。例如职场中，如何最快速适应环境是企业对每个员工的考评标准之一，而对新工作环境的适应需要许多知识来支撑，会用到人际关系智能、语言智能、自我认知智能、自然观察者智能等智能组合，一个平时在学校就训练有素的学生，就能在最短时间内适应岗位并取得优异的成绩。多元智能理论的这种思想符合《课程标准》中提倡的文化课与专业课相互配合，相互借鉴的要求。
2.1.3 多元智能理论能促使学校对学生进行更积极合理的评价
多元智能理论一向认为：所有智能只有所属领域的不同，而不存在高低优劣之分。所以我们的每个学生都有其优势智能领域，学校不能简单粗暴地下定论。而应当促使他的优势智能向其他的智能领域迁移。另外，多元智能理论中的智能主要指的是人解决问题和生产产品的能力。这些在学校开展的对学生进行的评价活动中极具指导意义，能帮助学校改变传统的以考试为主的评价观，探索更适合高职学生的、多元的评价观。这种良性的互动将优化学生的智能组合，提升其解决问题和创造新产品的能力。
2.2 多元智能理论进入语文课堂，有助于（下转第67页）（上接第43页）激发学生自信
高职学生大多在成绩上有些自卑，对课堂较为抵触。教师须根据“每个人都有其智能优势”这一点，采用多样化的教学手段，激发同学的优势智能，帮助他们重新认识自己。例如在课堂上采用分组的形式，学生根据各自的特长分配工作；让学生尝试用图表的形式来归纳课文内容；根据课文内容绘制插图；鼓励学生用有声的方式来解读诗歌，例如朗诵、吟唱；用表演的形式来加深对话剧单元中人物性格的理解。同时，教师的评价标准也应从传统的只关注个别智能转向关注学生身上的所有智能，不仅仅看重与语文学习有关的智能，而是要关注到学生各方面的潜能。评价的目的是为了帮助学生认识自我、全面发展、个性化发展。
2.3 多元智能理论进入语文课堂，有助于活跃语文课堂气氛，提升学生综合素养
加德纳指出：一个人在解决某项问题的时候，不是一种智能起作用，而是所有智能相互协作，共同作用的一个过程。而学生的情况也并非基本相似，而是各个不同。这两个特点要求我们的语文老师调整自己的教学设计，为所有学生各方面共同发展而尽可能采用适合每一个人的教学方法。多元智能理论进入课堂后，教学工作不一定拘泥于教室，户外也是一个相当好的课堂，在进行户外授课时，有较高自然观察者智能的同学便能汲取更多不易被一般人察觉的信息，这类信息也会很快传递给所有同学，有助于启发所有的同学观察、思考各类现象和现象背后事物的内在联系。同样，分组项目式教学也是一个不错的教学模式，学生不再静坐着一味等着教师单方面的传播，而是通过与小组成员的配合，分工完成教师布置的任务。在分组教学中，有着较高人际交往智能的同学能在小组中发挥积极的组织、管理、协调作用，提高小组的学习效能。由于有着不同智能特长的同学在课堂上都能各得其所，通过与同学的合作与交流，吸收他人的长处，正视自己的不足，课堂气氛也会由以往的沉闷转向活跃。
2.4 多元智能理论启示教师，多样化的课堂情境有助于优化学生的思维方式
多元智能理论认为不同环境和教育条件对个体的影响极大，所以为学生创设怎样的教学情境，将直接对学生的发展起相应的作用。语文教师也需要在课堂为学生创设有利于其发展的情境——一种民主、平等、和谐的情境。例如教师在进行抒情散文教学时，可借助音乐的形式渲染课堂气氛，为学生营造出的相应情境，有利于学生对课文内容的理解，产生精神上的共鸣。图片展示法也是能让学生有效深入理解课文的方式之一，教师出示与课文有关的图片或由学生展示自己搜集的能反映课文主题的图片，都能让学生对文章有直观的认识，激发对课文的好奇感，进而能对课文展开新的思索。抓住恰当的时机，为学生创设一个对话的情境，能强化学生的课堂主人翁意识，提高口语交际能力。
参考文献
[1] 霍华德·加德纳著.智能的结构.沈致隆,译.中国人民大学出版社,2008.
论文摘要：随着计算机技术的发展和应用，制造也得发展已经离不开计算机了，计算机辅助工艺设计和人工智能应运而生，当很多非专业性人士对此概念十分模糊，本文初步解释两个概念和其应用范围。
计算机辅助工艺设计(CAPP：Computer Aided ProeessPlanning)，自1965年由挪威人Nikbel提出以来，其系统特性经历了检索式、派生式、混合式、创成式、智能化等过程，智能化CAPP是当前CAPP系统的研究热点。CAPP是现代制造业信息化的一部分，是计算机集成制造系统(CIMS：Computer IntegratedManufacturing Systems)中的桥梁和纽带。“人工智能”(Artificial Intelligence)简称AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能研究如何用计算机去模拟、延伸和扩展人的智能；如何把计算机用得更聪明；如何设计和建造具有高智能水平的计算机应用系统；如何设计和制造更聪明的计算机以及智能水平更高的智能计算机等。人工智能是相对于人类智能而言的，它是采用人工的方法和技术来模拟、延伸和扩展人类智能行为的一门综合学科。
将人工智能技术(AI技术)应用到CAPP系统开发中，使CAPP系统在知识获取、知识推理等方面模拟人的思维方式，解决复杂的工艺规程设计问题，使其具有人类“智能”的特性即为智能化CAPP，是AI在CAPP中的一种应用。
CAPP系统分为专用型和工具型系统。前者可以根据用户的特定需求定制开发，针对性强，具有较好的实用性，但对系统进行功能扩展困难；后者可以由用户根据自身特定的要求进行二次开发，可以实现更多的柔性和开放性，这种系统与CAD(计算机辅助设计)、CAM(计算机辅助制造)、PDM(产品数据管理)等系统的信息共享存在缺陷。
CAPP设计理论目前研究的很少，机械产品设计理论研究的较多，有学者认为设计理论与方法由设计理论基础层、设计工具和支持技术平台层等三大部分组成。有的学者提出四理论框架，即设计过程理论、性能需求理论、知识流理论和多方利益协调理论。CAPP设计理论与机械产品设计理论既有共同性又有特殊性，特别在智能化设计方法方面有较大的差别，因此认为面向智能化的CAPP设计理论与方法体系结构由有三层组成，即基础科学层、信息技术层和智能化设计方法层。
在机械产品工艺设计中，存在大量的不确定因素，许多问题需要靠经验来解决，早期建立在单纯依赖于成组技术基础上的CAPP系统，不能很好地解决这些离散知识的获取问题，只能设计出检索式或派生式系统。近年来，人工智能技术在CAPP系统
开发中的应用，使CAPP技术得到了较大的发展，人工神经网络技术就是AI在CAPP系统中一大应用。人工神经网络(ANN： ArtificialNeuralNetwork)是按照生物神经系统原理处理真实世界的客观事物，它由大量的简单的非线性处理单元高度并联而成，具有信息的分布式存储、并行处理、自组织和自学习及联想记忆等特性；多层前馈网络误差反向传播(ErrorBack Propagation，简称BP)算法。反向传播算法(BP)是一种监督训练多层神经网络的算法，每一个训练范例在网络中经过两遍传递计算：第一遍向前推算，从输入层开始，传递各层并经过处理后，产生一个输出，并得到一个该实际输出和所需输出之差的差错矢量；第二遍向后推算，从输出层至输入层，利用差错矢量对权值进行逐层修改。转贴于
AI在CAPP中的另一应用——粗糙集技术。粗糙集(RS：Rough Set)理论是一种擅长处理含糊和不确定问题的数学工具，在理论中“知识”被认为是一种对对象的分类能力，通常采用二维决策表来描述论域的信息，其中列表示属性，行表示对象，每行表示该对象的一条信息。属性分为条件属性和决策属性，论域中的对象根据条件属性的不同，被划分到具有不同决策属性的决策类中。在CAPP系统中，可以用RS理论构建专家系统，对知识进行获取及优化，其基本思路是：将各种零件的加工特征和已知加工方法表达成条件属性和决策属性的形式，一行表示一种零件，多种零件构成一个二维表，对属性进行量化，组织决策表，再采用一定的约简算法对属性集和属性值进行约简，去掉冗余的条件属性和决策规则，得到最小化决策规则集，当输入待加工的零件加工特征时，就可得到优化的加工工艺。
遗传算法，AI在CAPP系统的又一应用。遗传算法(Genetic Algorithm)是模拟达尔文遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成，每个个体实际上是带有染色体特征的实体。因此，在一开始需要实现从表现型到基因型的映射即编码工作，如二进制编码。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小挑选个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
智能化CAPP系统开发中还有模糊推理、混沌理论等智能化方法，实际应用中，往往将多种智能技术相互结合，综合运用，发挥各自的特长，如人工神经网络具有知觉形象思维的特性，而模糊推理等具有逻辑思维的特性，将这些方法相互渗透和结合，可起到互补的作用，提高智能化水平。
智能化是今后CAPP系统发展的主要趋势，但从目前的人工智能技术水平来看，不可能使CAPP系统在智能化水平上有实质性的突破，因为目前的人工智能技术主要是模拟人的逻辑思维和逻辑推理方面的能力，不能有效地模拟人的形象思维、抽象思维和创造性思维能力，而CAPP系统不仅要有推理的功能，还要有“联想”的功能， CAPP系统开发是要解决大量的人类思维活动方面的智能问题。因此要提高CAPP系统的智能化水平，必须在人工智能技术方面有新的发展，要解决人工智能技术方面的问题，必须在一些基础
理论和基础科学方面有新的突破，如在生命科学、数学等方面要有新的突破。由此可见，在可以预见的将来，智能化CAPP系统的发展仍将是在充分发挥人的智能优势的基础上，综合应用各种人工智能技术，实现CAPP系统的智能化。
通过以上论述，相信大家对计算机辅助工艺设计与人工智能以及AI在CAPP中的应用有了一定的了解。人工智能技术的不断发展，智能化CAPP系统必将在知识获取、表达和处理的灵活性和有效性上得到进一步的发展，提高CAPP系统的智能化水平，从而提高现代制造技术水平，是我国由制造大国成为制造强国。
参考文献：
本文从探讨人工智能的定义出发，阐述了对“智能”的理解在研究中的地位，指出结合计算机对人脑认知过程进行建模研究的重要性。简要介绍了人工智能的三个阶段的发展简史、当前的研究与应用热点，并分析其在21世纪中的发展趋势，主要包括模糊处理、机器情感、神经网络等等，并指出人工智能的进一步发展依赖于更先进的数学工具。对这些问题的研究有助于进一步推动人工智能的发展。
关键词 人工智能 自然智能 计算机模拟 认知模型 模糊处理 机器情感 多值模糊逻辑
论文结构与主要内容
1 讨论人工智能定义，对“智能”的理解在研究中的重要性，指出“智能”具有综合性的特点，而这是人工智能研究的弱点。
2 指出人类的认识过程可以抽象为一个符号操作系统，而计算机同样也可作为一个符号操作系统，因此可以使用计算机对人脑认识模型进行建模研究。
3 简要介绍人工智能的发展史及研究热点
4 分析人工智能的发展趋势，并指出人工智能的进一步发展依赖于数学工具的进一步发展。
关键词：高等职业教育 多元智能 英语教学 策划
一、多元智能理论的内涵和特征
1、多元智能理论的内涵
美国哈佛大学霍华德·加德纳教授，于1983年在《智能的结构》(Frames of Mind)一书中提出了多元智能理论。其核心是：人的智力结构是多方面的，在每个人的智力结构中，包含有语言智能、数理逻辑智能、空间感知智能、音乐智能、肢体运动智能、人际交往智能、内省智能和自然观察智能。每个人都或多或少具有这八种智能，只是其组合和发挥程度不同，即每个人都有自己相对的优势智能和弱势智能，而适当的教育与训练可以使每一种智能都有在某方面发展的潜能和机会，在许多方面都能达到比较高的水平。因此，教育应该在全面开发学生大脑中的八种智能的基础上，给每个人以多样化的选择，使其扬长避短，从而激发每个人潜在的智能水平，充分发挥每个人的个性。
2、多元智能理论的特征
霍华德·加德纳教授提出的多元智能理论，不仅阐述了智能的结构理论，更为重要的是给教育教学提供了方法论基础。主要体现了以下基本特征：
第一，多元智能理论的实践性特征。霍华德·加德纳把智能作为解决实践问题的能力，这是智能理论发展的一个突破性进展。他认为智能不是上天赐予少数幸运者的一种特殊的脑内物质，而是每个人在不同方面能解决现实生活中的实际问题，是发现新知识、生产及创造社会需要的有效产品的能力。这充分表明了以多元智能理论指导教学是培养学生解决实际问题的客观需要。
第二，多元智能理论的差异性特征。霍华德·加德纳认为，每个人都同时拥有相对独立的八种智能，并以不同形式、不同程度而存在，使得每个人的智能各具特点，这就是智能的差异性。这种差异性虽然指的是先天与生俱来的能力，但是我们仍强调后天环境的重要性。若能给予适当的鼓励、指导和培养，每个人都有能力使所有的八项智能发展到相当的水准。这充分表明了人的智能是发展的，是可以培养的，只要在良好的社会文化环境和教育条件下就能得到发展。多元智能理论为培养学生的个性发展提供了理论依据。
第三，多元智能理论的开发性特征。霍华德·加德纳认为，人的多元智能发展水平的高低关键在于开发。他强调，帮助每一个人彻底地开发他（她）的潜在能力，需要建立一种教育体系，能够以精确的方法来描述每个人智能的演变。学校的教育是开发智能的教育，其宗旨应是开发学生的智能，并帮助发现其智能的特点和业余爱好，培养学生持续发展的能力。
第四，多元智能理论的整体性特征。霍华德·加德纳认为，人类拥有多种智能，每一种智能在人类认识世界和改造世界的过程中都发挥着巨大的用，如果仅凭一、两种智能，是不能快速、有效地解决现实问题的。他还认为，智能不是一种能力而是一组能力。这说明智能是可以组合的，解决问题的过程是各种智能相互协作、共同作用的过程。面对不同的问题情境，各种智能所起的作用是不同的，这为我们培养学生的综合素养提供了方法论基础。
二、多元智能理论下的高职英语教学策划
为了适应高职英语教育教学，培养高职学生的多元智能，培养适应社会需要的应用型人才，高职英语教师应改变传统的教育教学观，要认真分析学生的智能结构，通过课堂教学，提高高职学生的英语应用能力，广泛地吸收多元文化，开阔眼界、拓展创业意识和创业能力。
1、多元智能年级经营策略
霍华德·加德纳认为，每一种智能代表着一种不同于其他智能的独特思考模式。根据八种智能的思考模式，在年级经营上，教学体系应当按照八种智能的逻辑联系，实施重点培养开发策略，即由易到难、由浅入深、由单项到多项、由部分到整体、由基础能力培养到岗位应用能力培养，分年级层次递进教学。
一年级侧重于语言智能、逻辑数理智能、空间感知智能、音乐智能、肢体运动智能的培养与开发。
二年级侧重人际交往智能、内省智能、自然观察智能、专业英语及应用能力的培养与开发。
2、多元智能教材谋划策略
教材是知识传授活动中的主要信息媒介，是教师和学生沟通的桥梁。它是教师表达思想观点、传播理论知识和专业实践的主要窗口，是学生了解和掌握专业知识最重要的平台。教材建设的好坏直接关系到学习智能的提高、知识的构建、能力的培养的效果。教材是根据一定的学科任务，编写和组织具有一定范围和深度的知识和技能的体系，包括教科书、参考书刊及教学辅导材料(如教学影片、唱片、录音、录像磁带等)。因此，教材编写应把握四个贴近：
（1）贴近学习对象。高职高专学生生源渠道复杂，包括普通高考学生和中专、职高、技校升格的学生。他们虽然总成绩差异不大，但英语成绩的差距非常突出。这就要求教材要符合个性化学习的需要，选择多元智能理论作为教材建设的指导思想，让学生能够自由选择知识点、学习模式和途径，这必将促进每个学生最大限度地发展。
（2）贴近学习专业。职业教育具有较强的专业性质，专业知识和工作能力需要较强的综合思维，其根本目的是培养学生的实际工作能力，与多元智能具有紧密的内在联系。
以多元智能理论为指导，与职业教育应用性、操作性强的特点相结合编写英语教材，对多元开发学生智能、提高学习效果和工作能力具有重要意义。
（3）贴近工作任务。每一章节以一个任务为主题， 划分教材模块。任务就是日常生活中人们所做的事情，如填写表格、买东西、订机票、阅读产品说明书等等。 教材的编写应围绕社会对高职学生的需求，紧密模仿或真实反映工作任务实际，改变以学科、学术内容为体系的传统模式，以任务为主题确定相关学习实践内容，让学生创设该主题的情境，突出内容的适用性和针对性。
（4）贴近生活实际。生活是一种非常复杂的思维活动，又是一种快乐的行为方式。日常生活与多元情境、多元智能开发具有密切的内在联系。要把每一种智能与日常生活相融合，使各种智能成为我们日常认知、情感和感觉生活的一部分，使学生能够尽其所能，发展其优势，在真实世界中运用智能解决问题，以启导和开发学生的多元智能。
3、多元智能教学运用策略
每一种智能代表着一种不同于其他智能的独特的思考模式，但它们并非是独立运作的，而是同时并存、相互补充、综合实现的。
（1）多元导入，激发情趣。多元智能理论认为多元情境化教学是激发学生学习兴趣的有效办法，要将英语课从学生爱听的故事、关注的环境、直观的动画或动人的音乐导入，使教学内容快速调动起学生的多种智能，引发学生的思考，使学生在愉悦情趣之中学习。这样，每位学生可以依照自己的特长智能来学习，以吸取知识的精华，使学习成为快乐的事，培养学生自主学习的能力，并达到教育的目的，有效地实现事半功倍的效果。
（2）任务驱动，整合智能。任何一项工作任务都是由多种要素、诸多环节和工作环境构成的，必然要启用多种知识和智能的思维。任何一项工作任务都可以采用不同的策略、不同的途径、不同的方法去完成，以工作任务为主题开展教学，就能充分发挥每一位学生的智能优势，挖掘每一位学生的智能潜力，满足每一位学生的学习需求，使每一个学生都能得到全面的智能开发。
以工作任务为主题的教学方式，也是整合智能的有效方式。高等职业教育培养的目标是技能型应用人才，必须掌握熟练的专业技能，完成特定的工作任务。以工作任务为主题的教学方式，将语言学习与其他专业内容相整合，是实现职业教育教学目标的有效途径。
（3）差异组合，合作学习。差异组合就是以学生智能发展的个体差异性和学习型态的相似性，组成智能特色的异质性或同质性学习小组。合作学习（Cooperative Learning）就是学习小组按照一定的学习目标和任务，通过问题讨论、操作活动、切块拼接以及角色表演等形式进行的共同学习活动。“差异组合，合作学习”的教学模式，给学生提供了一个相互激发、公平宽松的学习环境。轻松和谐的学习环境使学生心理上得到了满足和美感，能充分发挥学生的性格爱好、兴趣特点、特殊才能等内在特质，形成强烈的学习动力；同时，能够有效开发学生的语言智能、视觉空间智能、身体运动智能、音乐智能等，使学生的语言能力、探究能力、创造能力、表演能力、协作能力、心理应变能力等形成有机整体，协同发展。
4、多元智能教学检测策略
教学实务的改变，应当改变教学检测方法。长期以来，人们多采用单一的理论考试，这种方法不利于检验学生对掌握知识的应用能力，也不利于培养学生的实际工作能力。应当采用理论考试与实训技能考试相结合、笔试与口试相结合、课程阶段考试与课程综合考试相结合、育人单位考试与用人单位考核相结合的方式。检测方法一般包括理论检测、技能检测和岗位检测。
一是理论检测。检测是测验学习效果的手段。学生在参与八项智能的培训和经历之后，是否实现了八项智能的提高，是否实现了教学任务的目标，应当按课程进度和任务特点，依教学阶段进行八项智能检测。
二是技能检测。高等职业教育的主要任务是为地方经济建设和社会发展需要培养技能应用型人才，尤其是为地方培养生产、建设、管理、服务第一线的技能应用型人才。因此，在进行理论检测的基础上，应当开展应用技能检测。多元智能理论的八项智能分别存在不同的表现形式，这也意谓着任何目标和任务都可以用八种不同的方式来测验。
三是岗位检测。职业教育培养的是生产第一线的技能型、应用型人才。除了接受学校教育的检测外，更重要的是接受市场检测，特别要注重用人单位的检测，包括行业、企业、中介组织和用人单位的参与。同时，检测指标也应当是多元的，不仅涉及基础能力检测，更重要的是专业能力和应用能力的检测。岗位检测是推动英语教学发展的主要动力。
多元智能理论不仅给我们提供了教育教学的理论基础，拓展了我们的教学视野，也给我们提供了教育教学的方法论基础，为教育理论的丰富和发展开辟了新的空间。
参考文献
[1][美]JoeL.Kincheloe 主编 多元智力再思考[M].霍力岩 李敏谊 等译 中国轻工业出版社，2004，第一版。
[2]苏贺明 促进团队成员多元智能发展的项目学习模式研究[J].吉林大学硕士学位论文，2006.7。
[3]王培军 我国当代大学生素质教育及培养探析[J].黑龙江大学硕士学位论文，2002.6。
[4]梁彩玲 多元智能与国中英语教学[J].英语教学，24 (1):74-85，1999。
[5]赵子嘉 谈霍华德·加德纳的多元智能理论和英语教学[J].英语教学，24(2): 47-62，1999。
[6]李平 译 经营多元智能：开展以学生为中心的教学[M].(Translated from Armstrong，T.1994. Multiple Intelligences in the Classroom.New York：St.Martin Press.)台北：远流出版社，1997。
关键词：人工智能；智能分类；知识体系
文章编号：1672-5913(2010)08-0025-04
中图分类号：G642
文献标识码：A
1 人工智能
斯坦福大学的Nilsson提出人工智能(ArtificialIntelligence AI)是关于知识的科学，即知识的表示、知识的获取以及知识的运用。人工智能在AI学科的基本思想和内容是研究人类智能活动规律，研究模拟人类某些智能行为的基本理论、方法和技术，构造具有一定智能的人工系统，让计算机去完成以往需要人的智力才能胜任的工作。
AI涉及计算机科学、控制论、信息论、神经心理学、哲学及语言学等多个学科，是一门新理论和新技术不断出现的综合性边缘学科。AI与思维科学是实践和理论的关系，属于思维科学的技术应用层次，延伸了人脑的功能，实现脑力劳动的自动化。
作为一门多学科交叉的课程，人工智能在机器学习、模式识别、机器视觉、机器人学、航空航天、自然语言理解、Web知识发现等领域取得了突破性进展。机器学习与知识表达的关系，模式识别与机器人学、机器视觉的关系，是学习的难点。人工智能的研究方法、学术流派、理论知识非常丰富，应用领域十分广泛。没有一个比较科学的AI知识体系，学生找不到体系和关系，会对AI产生神龙见首不见尾的感觉，严重影响学习兴趣。
本文从以下几个方面进行阐述：(1)智能与AI的关系；(2)AI的知识单元；(3)AI的相关学科、理论基础、代表性成果及方法；(4)AI的知识体系及应用。把握好上述的几个方面，就可以确准地表达知识，利用知识进行问题求解，掌握发现知识的方法，感知与理解智能系统构建的成果及技术。
2 AI及分类
认为智能源于脑，把脑(主要人脑)宏观层次的智能称为脑智能。而蜜蜂群、蚂蚁群等群体行为表现出的智能称为群智能。两种智能分属不同的层次和应用，脑智能是个体智能，群智能是社会智能或系统智能。模拟上述智能而生成的AI分两种，模拟脑智能的符号智能和模拟群智能的计算智能。
AI划分为符号智能和计算智能有些笼统。如进行仔细区分，AI来源于心理模拟、生理模拟、行为模拟和群体模拟。
2，1心理模型，符号推演
以心理模拟为依据，智能模型起源于数理逻辑。因人脑的记忆、联系、推理等思维活动在心理层面进行。Boole在《思维法则》中首次用符号语言描述思维活动的基本推理法则。
符号智能将信息和知识表示为符号形式，逻辑建模人的思维活动，通过逻辑推理，模拟人脑的思维过程进行问题求解。称为心理学派、逻辑学派或符号主义。
2，2生理模拟，神经计算
认为AI源于仿生学，特别是人脑模型。代表性成果是生理学家McCulloch和数理逻辑学家Pitts创立的脑模型，即MP模型。Hopfield提出用硬件模拟神经网络，Rumelhart提出多层网络中的反向传播BP算法。从模型到算法，从理论分析到工程实现，生理模拟及神经计算成为AI的一个研究流派。
2，3行为模拟，控制进化
基于行为模拟的AI称为行为主义及控制论学派。起源于控制论，模拟人及动物与环境交互、控制过程中的智能活动或行为，认为智能只有在环境中才是真正的智能。其批评符号主义和仿生学派对真实世界的过分简化。控制论的系统研究在上个世纪60年代播下智能控制和智能机器人的种子，在80年代诞生智能控制和智能机器人系统。
2，4群体智能，仿生计算
模拟生物群落的群体智能行为，将仿生计算的成果，直接付诸应用。代表性成果有遗传算法，进化计算，蚁群算法和粒子群算法等。计算智能以数据为基础，主要通过数值计算，运用算法进行问题求解。通过符号智能的知识表达、推理及模式识别等前期处理得到的数值，运用计算智能算法进行搜索计算。
AI主要体现为符号智能和计算智能，符号智能的研究内容主要有知识模型化及表示、搜索理论、推理、不确定性推理、系统结构和符号学习等。计算智能的研究内容有进化计算、模糊逻辑、神经计算和统计学习。这些研究内容所涵盖的研究方法在表1中进行详细的说明，同时较为完整地体现AI课程的知识体系结构。
3 AI的知识体系
从思维观点看，AI不仅仅限于逻辑思维，同时需要形象思维和灵感思维。数学是基础科学，也进入语言和思维领域，在逻辑、模糊数学等范围发挥作用。
AI是一个庞大的家族，包括众多的基础理论、重要的成果及算法、学科分支和应用领域等。如果将AI家族作为一棵树来描述，智能机器应作为树的最终节点。将AI划分为问题求解、知识与推理、学习与发现、感知与理解、系统与建造等五个知识单元。表2总结了AI家族的知识体系及其相关的学科、理论基础、代表性成果及方法。
3，1问题求解
1957年，Newell和Simon通过心理学实验，发现人在问题求解时思维过程的一般规律大致可分为三个阶段：①先思考出大致的解题计划：②根据记忆中的公理、定理和推理规则组织解题过程：③进行方法和目的分析，不断修正解题计划。
搜索是问题求解的核心技术，符号智能进行图搜索，计算智能进行智能优化搜索。
3，2知识和推理
知识就是力量，知识是智能基础和来源。推理是人脑的基本功能，知识与推理是AI的重要内容，在表1中对这部分内容进行了详细描述。知识表示模型有谓词逻辑、产生式表示、语义网络、框架等方法。推理方法有自动推理和不确定推理等。
AI的研究对象，大多具有不确定性。不确定性是针对系统或问题含有的不确定结构、参数等信息，如天气预报下雨概率45.6％，此预报属结论的不确定性。
3，3学习与发现
机器学习是指机器对自身行为的修正或性能的改善，使计算机具有学习能力，自动获取新的事实及新的推理算法。机器学习的研究重点是学习过程的认知模型、机器学习的计算理论、新的学习算法、综合多种学习方法的机器学习系统等。主要有符号学习、连接学习和统计学习等。
机器发现客观规律的过程称为知识发现，主要从大规模数据集或数据库发现知识或模式。知识发现方法有统计方法、粗集和模糊集、机器学习、智能计算等方法。知识发现的任务分为数据总结、概念描述、分类、聚类及相关性分析等。
机器学习的研究成果主要是机器的直接学习，类似人类通过阅读、讲课等间接继承性学习涉及很少。在智能硬件方面却举步维艰，要实现人工智能的最终目标，作为载体的智能计算机系统必须由质的飞跃。 人工智能的研究仍然是机遇与挑战并存。
3，4感知与理解
机器感知涉及图像、声音、文字等信息的识别问题。
模式识别的主要目标是用计算机模拟人的识别能力，运用知识表达和推理方法，主要从图形、图像和语音抽取出模式，表征或刻画被识别对象类属特有的信息模型。模式识别前，先提取样例模式，通过模式辨识或机器学习识别出分类知识，并对新的待识别模式进行类比判决。
目前有基于模式、基于判别函数、基于统计决策、神经网络、自适应等模式识别方法。
理解包括自然语言、图形和图像的理解，是智能系统进行交流的关键。
自然语言理解需要大量知识表示方法和推理技术，在机器翻译和语音理解程序方面取得了长足进步。
机器视觉在图像处理基础上，需要模式识别、机器学习理解视觉对象。由低层视觉提取对象特征，通过机器学习理解视觉对象。
3，5系统与建造
自从1965年第一个专家系统DENDRAL问世后，出现了各种实用的系统。专家系统的发展依托大量知识表示技术和推理技术，是最先发展的智能系统。
Agent系统是典型的分布式智能系统，由多个智能个体协作或竞争体现智能，是比群智能高级的社会智能。Agent系统采用了知识表示、推理、机器学习、模式识别等领域知识。
智能机器人是一个具有感知机能、运动机能、思维机能、通信机能的Agent系统，需要Agent理论和多Agent协同系统的技术支持。机器人是人工智能标志性研究成果，是一个实用的Agent系统。是人工智能多个基础应用的综合，同时依据了融合了多种基础理论。
4 结论
人工智能源于数理逻辑，20世纪30年代开始用于描述智能行为。并在计算机上实现了逻辑演绎系统。正是这些符号主义者，首先采用“人工智能”这个术语，后来又发展了启发式算法一专家系统一知识工程理论与技术。专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际奠定了基础。在AI其它学派出现之后，符号主义仍然是主流派。
关键词：人工智能；电气工程；自动化
Abstract: Electrical automation control is to enhance the production, circulation, exchange, distribution and other key ring, realize the automation, is equal to the reduction of human capital investment, and improve the operational efficiency. With the development of information technology, many new methods and technology into engineering, product of stage, the automatic control of the new challenges, promote the theory of intelligent control technology application in the control of complex system, to solve with traditional methods can not solve the problem.
Key words: artificial intelligence; electrical engineering; automation
中图分类号：V242 文献标识码： 文章编号
引言：社会的进步和人类的长寿要求生产力更加发达,要求人类的经济生活更加智能化,以节省宝贵的人类时间去做其它有益的事情。电气自动化控制领域的革新需要人工智能的大力支持,而人工智能在自动化控制方面的优势在这个领域也确实能够得到极大的发挥。促进自动化控制的发展进步,促进了智能理论在控制技术中的应用,以解决用传统的方法难以解决的复杂系统的控制问题。人工智能主要包括思维能力、行为能力和感知能力三个方面。人工智能指的是人类制作的机器所表达出来的智能,体现了自动化的特征。因此智能化技术在电气工程自动化控制中可以发挥最大的效用,促进电气的优化设计、诊断故障和智能控制等。
一、人工智能应用理论分析
人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟，延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质．并生产出一种新的能以人类智能相似的方式作出反应的智能机器 该领域的研究包括机器人、语言识别、图像识别 自然语言处理和专家系统等。自从1956年“人工智能 一词在Dartmouth学会上提出以后，人工智能研究飞速发展，成为以计算机为主．涉及信息论．控制论， 自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学的一门学科。人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂的工作。
当今社会，计算机技术已经渗透到生产生活的方方面面，计算机编程技术的日新月异催生自动化生产，运输 传播的快速发展。人脑是最精密的机器，编程也不过是简单的模仿人脑的收集、分析、交换、处理、回馈．所以模仿模拟人脑的机能将是实现自动化的主要途径。电气自动化控制是增强生产、流通、交换、分配等关键一环，实现自动化，就等于减少了人力资本投入，并提高了运作的效率。
二、智能化技术应用优势
在电气自动化控制中应用到智能化技术，主要是以智能化控制器的形式，这种智能化控制器较过去的控制器相比的确具有不少优势，下面我们就对其进行详细的分析。
1.无需控制模型
过去的控制器在进行自动化控制时，往往会因为控制对象的动态方程比较复杂而无法精确到位地掌握，这会使得该对象模型的设计过程中会出现较多不可预估、不可测量的客观因素，比如一些参数的变化。无法掌握这些因素，也就不能设计出精准的模型，自动化控制工作的实际效率也会下降。而智能化控制器并不需要对控制对象模型进行设计，这就可以从根本上避免一些不确定因素的产生，提高自动化控制的精密系数。
2.方便调整控制
智能化控制器还有另一个大好处，就是可以随时根据下降时间、响应时间以及鲁棒性的变化来调节控制程度，从而有效提高自身工作性能，为自动化控制提供最基础的保障。无论是在什么样的情况下，智能化控制器的调节控制与过去的控制器相比具有更方便调节的优势，更适合投入实际使用。还有一点好处，就是智能化控制器在进行调节控制时完全只需要根据相关数据的变化来自行调节，即使没有专门的技术人员在旁边也可以，同样远程调节控制也是可行的，充分体现了电气工程自动化控制的无人操作性要求，对行业未来发展的重要性不言而喻。
3.一致性很强
智能化控制器的一致性很强，这表现在它对不同数据的处理上，及时输入完全陌生的数据也可以收到很高的估计，完美达到自动化控制的相关要求。不同的控制对象的效果也是不同的，虽然在对有些控制对象实施控制时智能化控制器暂时没有采取行动，其控制效果也是非常优秀的，但这并不是绝对的，可能在换了控制对象的时候就无法收到预期的效果了。所以我们技术人员在设计阶段还是不能松懈，要认真落实具体化原则，即在面对不同的对象时一定要根据其具体情况详细分析，不能因为马虎就降低了控制要求。一旦出现智能化控制器使用效果不佳的情况，不能盲目否定智能化技术，一定要从每个工程环节详细排查、认真分析，因为上述人为因素会给自动化控制结果带来很大的误差，影响试验的准确性。
三、人工智能技术的应用
随着人工智能技术的发展，许多高等院校及科研机构就人工智能在电气设备的应用方面展开了研究工作，如将人工智能用于电气产品优化设计，故障预测及诊断、控制与保护等领域。
1．优化设计
电气设备的设计是一项复杂的工作 它不仅要应用电路、电磁场、电机电器等学科的知识，还要大量运用设计中的经验性知识。传统的产品设计是采用简单的实验手段和根据经验用手工的方式进行的．因此很难获得最优方案。随着计算机技术的发展，电气产品的设计从手工逐渐转向计算机辅助设计(CAD)，大大缩短了产品开发周期。人工智能的引进．使传统的CAD技术如虎添翼．产品设计的效率及质量得到全面提高。用于优化设计的人工智能技术主要有遗传算法和专家系统。遗传算法是一种比较先进的优化算法，非常适合于产品优化设计。因此电气产品人工智能优化设计大部分采用此种方法或其改进方法。
2. 故障诊断
电气设备的故障与其征兆之间的关系错综复杂，具有不确定性及非线性．用人工智能方法恰好能发挥其优势。已用于电气设备故障诊断的人工智能技术有：模糊逻辑、专家系统、神经网络。
变压器由于在电力系统中的特殊地位而备受关注，有关方面的研究论文较多。目前对变压器进行故障诊断最常用的方法是对变压器油中分解的气体进行分析．从而判断变压器的故障程度。人工智能故障诊断技术在发电机及电动机方面的研究工作也较为活跃。
3. 智能控制
人工智能控制技术在自动控制领域的研究与应用已广泛展开，但在电气设备控制领域所见报道不多。可用于控制的人工智能方法主要有3种：模糊控制、神经网络控制、专家系统控制。由于模糊控制是其中最为简单、最具实际意义的方法，因而它的应用实例最多。
四、结束语
综上所述，本文主要介绍了智能化技术在电气工程自动化控制中的应用情况。只有加强电气工程的智能化程度，才是最终保证行业持续稳定发展的根本手段。
参考文献：
购物车(0)