㈠ 人工智慧三大學派，除了符號學派、連接學派，另外一個是什麼 A：大腦學派 B：行動學派
C：行為學派
反對意見。他們認為任何思維和認知功能都不是少數神經元決定的，而是通過大量突觸
相互動態聯系著的眾多神經元協同作用來完成的。 行為主義又稱進化主義(Evolutionism)或控制論學派(Cyberneticsism)，是一種基於「感知——行動」的行為智能模擬方法。
基本內容
行為主義最早來源於20世紀初的一個心理學流派，認為行為是有機體用以適應環境變化的各種身體反應的組合，它的理論目標在於預見和控制行為。維納和麥洛克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，對自尋優、自適應、自校正、自鎮定、自組織和自學習等控制論系統的研究，並進行「控制動物」的研製。到60、70年代，上述這些控制論系統的研究取得一定進展，並在80年代誕生了智能控制和智能機器人系統。
㈡ 人工神經網路是哪個流派的基礎
「純意念控制」人工神經康復機器人系統2014年6月14日在天津大學和天津市人民醫院共同舉辦的發表會上，由雙方共同研製的人工神經康復機器人「神工一號」正式亮相。
中文名
「純意念控制」人工神經康復機器人系統
發布時間
2014年6月14日
快速
導航
產品特色發展歷史
功能配置
「純意念控制」人工神經康復機器人系統在復合想像動作信息解析與處理、非同步腦——機介面訓練與識別、皮層——肌肉活動同步耦合優化、中風後抑鬱腦電非線性特徵提取與篩查等關鍵技術上取得了重大突破。
「純意念控制」人工神經康復機器人系統包括無創腦電感測模塊、想像動作特徵檢測模塊、運動意圖識別模塊、指令編碼介面模塊、刺激信息調理模塊、刺激電流輸出模塊6部分。
產品特色
「純意念控制」人工神經康復機器人系統最新研究成果將讓不少中風、癱瘓人士燃起重新獨立生活的希望。現已擁有包括23項授權國家發明專利、1項軟體著作權在內的自主知識產權集群，是全球首台適用於全肢體中風康復的「純意念控制」人工神經機器人系統。[1]
腦控機械外骨骼是利用被動機械牽引，非肌肉主動收縮激活。而「神工一號」則利用神經肌肉電刺激，模擬神經沖動的電刺激引起肌肉產生主動收縮，帶動骨骼和關節產生自主動作，與人體自主運動原理一致。
體驗者需要把裝有電極的腦電探測器戴在頭部，並在患病肢體的肌肉上安裝電極，藉助「神工一號」的連接，就可以用「意念」來「控制」自己本來無法行動的肢體了。[2]
發展歷史
「純意念控制」人工神經康復機器人系統技術歷時10年，是國家「863計劃「、「十二五」國家科技支撐計劃和國家優秀青年科學基金重點支持項目。
人工神經網路（Artificial Neural Network，即ANN ），是20世紀80 年代以來人工智慧領域興起的研究熱點。它從信息處理角度對人腦神經元網路進行抽象， 建立某種簡單模型，按不同的連接方式組成不同的網路。在工程與學術界也常直接簡稱為神經網路或類神經網路。神經網路是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對於通過該連接信號的加權值，稱之為權重，這相當於人工神經網路的記憶。網路的輸出則依網路的連接方式，權重值和激勵函數的不同而不同。而網路自身通常都是對自然界某種演算法或者函數的逼近，也可能是對一種邏輯策略的表達。
最近十多年來，人工神經網路的研究工作不斷深入，已經取得了很大的進展，其在模式識別、智能機器人、自動控制、預測估計、生物、醫學、經濟等領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性。
中文名
人工神經網路
外文名
artificial neural network
別稱
ANN
應用學科
人工智慧
適用領域范圍
模式分類
精品薦讀
「蠢萌」的神經網路
作者：牛油果進化論
快速
導航
基本特徵發展歷史網路模型學習類型分析方法特點優點研究方向發展趨勢應用分析
神經元
如圖所示
a1~an為輸入向量的各個分量
w1~wn為神經元各個突觸的權值
b為偏置
f為傳遞函數，通常為非線性函數。以下默認為hardlim()
t為神經元輸出
數學表示 t=f(WA'+b)
W為權向量
A為輸入向量，A'為A向量的轉置
b為偏置
f為傳遞函數
可見，一個神經元的功能是求得輸入向量與權向量的內積後，經一個非線性傳遞函數得到一個標量結果。
單個神經元的作用：把一個n維向量空間用一個超平面分割成兩部分（稱之為判斷邊界），給定一個輸入向量，神經元可以判斷出這個向量位於超平面的哪一邊。
該超平面的方程: Wp+b=0
W權向量
b偏置
p超平面上的向量
基本特徵
人工神經網路是由大量處理單元互聯組成的非線性、自適應信息處理系統。它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網路處理、記憶信息的方式進行信息處理。人工神經網路具有四個基本特徵：
（1）非線性 非線性關系是自然界的普遍特性。大腦的智慧就是一種非線性現象。人工神經元處於激活或抑制二種不同的狀態，這種行為在數學上表現為一種非線性關系。具有閾值的神經元構成的網路具有更好的性能，可以提高容錯性和存儲容量。
人工神經網路
（2）非局限性 一個神經網路通常由多個神經元廣泛連接而成。一個系統的整體行為不僅取決於單個神經元的特徵，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯想記憶是非局限性的典型例子。
（3）非常定性 人工神經網路具有自適應、自組織、自學習能力。神經網路不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統本身也在不斷變化。經常採用迭代過程描寫動力系統的演化過程。
（4）非凸性 一個系統的演化方向，在一定條件下將取決於某個特定的狀態函數。例如能量函數，它的極值相應於系統比較穩定的狀態。非凸性是指這種函數有多個極值，故系統具有多個較穩定的平衡態，這將導致系統演化的多樣性。
人工神經網路中，神經元處理單元可表示不同的對象，例如特徵、字母、概念，或者一些有意義的抽象模式。網路中處理單元的類型分為三類：輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數據；輸出單元實現系統處理結果的輸出；隱單元是處在輸入和輸出單元之間，不能由系統外部觀察的單元。神經元間的連接權值反映了單元間的連接強度，信息的表示和處理體現在網路處理單元的連接關系中。人工神經網路是一種非程序化、適應性、大腦風格的信息處理 ，其本質是通過網路的變換和動力學行為得到一種並行分布式的信息處理功能，並在不同程度和層次上模仿人腦神經系統的信息處理功能。它是涉及神經科學、思維科學、人工智慧、計算機科學等多個領域的交叉學科。
人工神經網路
人工神經網路是並行分布式系統，採用了與傳統人工智慧和信息處理技術完全不同的機理，克服了傳統的基於邏輯符號的人工智慧在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點。[1]
發展歷史
1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts建立了神經網路和數學模型，稱為MP模型。他們通過MP模型提出了神經元的形式化數學描述和網路結構方法，證明了單個神經元能執行邏輯功能，從而開創了人工神經網路研究的時代。1949年，心理學家提出了突觸聯系強度可變的設想。60年代，人工神經網路得到了進一步發展，更完善的神經網路模型被提出，其中包括感知器和自適應線性元件等。M.Minsky等仔細分析了以感知器為代表的神經網路系統的功能及局限後，於1969年出版了《Perceptron》一書，指出感知器不能解決高階謂詞問題。他們的論點極大地影響了神經網路的研究，加之當時串列計算機和人工智慧所取得的成就，掩蓋了發展新型計算機和人工智慧新途徑的必要性和迫切性，使人工神經網路的研究處於低潮。在此期間，一些人工神經網路的研究者仍然致力於這一研究，提出了適應諧振理論（ART網）、自組織映射、認知機網路，同時進行了神經網路數學理論的研究。以上研究為神經網路的研究和發展奠定了基礎。1982年，美國加州工學院物理學家J.J.Hopfield提出了Hopfield神經網格模型，引入了「計算能量」概念，給出了網路穩定性判斷。 1984年，他又提出了連續時間Hopfield神經網路模型，為神經計算機的研究做了開拓性的工作，開創了神經網路用於聯想記憶和優化計算的新途徑，有力地推動了神經網路的研究，1985年，又有學者提出了波耳茲曼模型，在學習中採用統計熱力學模擬退火技術，保證整個系統趨於全局穩定點。1986年進行認知微觀結構地研究，提出了並行分布處理的理論。1986年，Rumelhart, Hinton, Williams發展了BP演算法。Rumelhart和McClelland出版了《Parallel distribution processing: explorations in the microstructures of cognition》。迄今，BP演算法已被用於解決大量實際問題。1988年，Linsker對感知機網路提出了新的自組織理論，並在Shanon資訊理論的基礎上形成了最大互信息理論，從而點燃了基於NN的信息應用理論的光芒。1988年，Broomhead和Lowe用徑向基函數(Radial basis function, RBF)提出分層網路的設計方法，從而將NN的設計與數值分析和線性適應濾波相掛鉤。90年代初，Vapnik等提出了支持向量機(Support vector machines, SVM)和VC(Vapnik-Chervonenkis)維數的概念。人工神經網路的研究受到了各個發達國家的重視，美國國會通過決議將1990年1月5日開始的十年定為「腦的十年」，國際研究組織號召它的成員國將「腦的十年」變為全球行為。在日本的「真實世界計算（RWC）」項目中，人工智慧的研究成了一個重要的組成部分。
人工神經網路
網路模型
人工神經網路模型主要考慮網路連接的拓撲結構、神經元的特徵、學習規則等。目前，已有近40種神經網路模型，其中有反傳網路、感知器、自組織映射、Hopfield網路、波耳茲曼機、適應諧振理論等。根據連接的拓撲結構，神經網路模型可以分為：[1]
人工神經網路
前向網路
網路中各個神經元接受前一級的輸入，並輸出到下一級，網路中沒有反饋，可以用一個有向無環路圖表示。這種網路實現信號從輸入空間到輸出空間的變換，它的信息處理能力來自於簡單非線性函數的多次復合。網路結構簡單，易於實現。反傳網路是一種典型的前向網路。[2]
反饋網路
網路內神經元間有反饋，可以用一個無向的完備圖表示。這種神經網路的信息處理是狀態的變換，可以用動力學系統理論處理。系統的穩定性與聯想記憶功能有密切關系。Hopfield網路、波耳茲曼機均屬於這種類型。
學習類型
學習是神經網路研究的一個重要內容，它的適應性是通過學習實現的。根據環境的變化，對權值進行調整，改善系統的行為。由Hebb提出的Hebb學習規則為神經網路的學習演算法奠定了基礎。Hebb規則認為學習過程最終發生在神經元之間的突觸部位，突觸的聯系強度隨著突觸前後神經元的活動而變化。在此基礎上，人們提出了各種學習規則和演算法，以適應不同網路模型的需要。有效的學習演算法，使得神經網路能夠通過連接權值的調整，構造客觀世界的內在表示，形成具有特色的信息處理方法，信息存儲和處理體現在網路的連接中。
人工神經網路
分類
根據學習環境不同，神經網路的學習方式可分為監督學習和非監督學習。在監督學習中，將訓練樣本的數據加到網路輸入端，同時將相應的期望輸出與網路輸出相比較，得到誤差信號，以此控制權值連接強度的調整，經多次訓練後收斂到一個確定的權值。當樣本情況發生變化時，經學習可以修改權值以適應新的環境。使用監督學習的神經網路模型有反傳網路、感知器等。非監督學習時，事先不給定標准樣本，直接將網路置於環境之中，學習階段與工作階段成為一體。此時，學習規律的變化服從連接權值的演變方程。非監督學習最簡單的例子是Hebb學習規則。競爭學習規則是一個更復雜的非監督學習的例子，它是根據已建立的聚類進行權值調整。自組織映射、適應諧振理論網路等都是與競爭學習有關的典型模型。
分析方法
研究神經網路的非線性動力學性質，主要採用動力學系統理論、非線性規劃理論和統計理論，來分析神經網路的演化過程和吸引子的性質，探索神經網路的協同行為和集體計算功能，了解神經信息處理機制。為了探討神經網路在整體性和模糊性方面處理信息的可能，混沌理論的概念和方法將會發揮作用。混沌是一個相當難以精確定義的數學概念。一般而言，「混沌」是指由確定性方程描述的動力學系統中表現出的非確定性行為，或稱之為確定的隨機性。「確定性」是因為它由內在的原因而不是外來的雜訊或干擾所產生，而「隨機性」是指其不規則的、不能預測的行為，只可能用統計的方法描述。
㈢ 關於人工智慧
「人工智慧」（Artificial Intelligence）簡稱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。
人工智慧研究如何用計算機去模擬、延伸和擴展人的智能；如何把計算機用得更聰明；如何設計和建造具有高智能水平的計算機應用系統；如何設計和製造更聰明的計算機以及智能水平更高的智能計算機等。
人工智慧是計算機科學的一個分支，人工智慧是計算機科學技術的前沿科技領域。
人工智慧與計算機軟體有密切的關系。一方面，各種人工智慧應用系統都要用計算機軟體去實現，另一方面，許多聰明的計算機軟體也應用了人工智慧的理論方法和技術。例如，專家系統軟體，機器博弈軟體等。但是，人工智慧不等於軟體，除了軟體以外，還有硬體及其他自動化和通信設備。
人工智慧雖然是計算機科學的一個分支，但它的研究卻不僅涉及到計算機科學，而且還涉及到腦科學、神經生理學、心理學、語言學、邏輯學、認知（思維）科學、行為科學和數學以及資訊理論、控制論和系統論等許多學科領域。因此，人工智慧實際上是一門綜合性的交叉學科和邊緣學科。
人工智慧主要研究用人工的方法和技術，模仿、延伸和擴展人的智能,實現機器智能。有人把人工智慧分成兩大類：一類是符號智能，一類是計算智能。符號智能是以知識為基礎，通過推理進行問題求解。也即所謂的傳統人工智慧。計算智能是以數據為基礎，通過訓練建立聯系，進行問題求解。人工神經網路、遺傳演算法、模糊系統、進化程序設計、人工生命等都可以包括在計算智能。
傳統人工智慧主要運用知識進行問題求解。從實用觀點看，人工智慧是一門知識工程學：以知識為對象，研究知識的表示方法、知識的運用和知識獲取。
人工智慧從1956年提出以來取得了很大的進展和成功。1976年Newell 和Simon提出了物理符號系統假設，認為物理符號系統是表現智能行為必要和充分的條件。這樣，可以把任何信息加工系統看成是一個具體的物理系統，如人的神經系統、計算機的構造系統等。80年代Newell 等又致力於SOAR系統的研究。SOAR系統是以知識塊(Chunking)理論為基礎，利用基於規則的記憶，獲取搜索控制知識和操作符，實現通用問題求解。Minsky從心理學的研究出發，認為人們在他們日常的認識活動中，使用了大批從以前的經驗中獲取並經過整理的知識。該知識是以一種類似框架的結構記存在人腦中。因此，在70年代他提出了框架知識表示方法。到80年代，Minsky認為人的智能，根本不存在統一的理論。1985年，他發表了一本著名的書《Society of Mind(思維社會)》。書中指出思維社會是由大量具有某種思維能力的單元組成的復雜社會。以McCarthy和Nilsson等為代表，主張用邏輯來研究人工智慧，即用形式化的方法描述客觀世界。邏輯學派在人工智慧研究中，強調的是概念化知識表示、模型論語義、演繹推理等。 McCarthy主張任何事物都可以用統一的邏輯框架來表示，在常識推理中以非單調邏輯為中心。傳統的人工智慧研究思路是「自上而下」式的，它的目標是讓機器模仿人，認為人腦的思維活動可以通過一些公式和規則來定義，因此希望通過把人類的思維方式翻譯成程序語言輸入機器，來使機器有朝一日產生像人類一樣的思維能力。這一理論指導了早期人工智慧的研究。
近年來神經生理學和腦科學的研究成果表明，腦的感知部分，包括視覺、聽覺、運動等腦皮層區不僅具有輸入/輸出通道的功能，而且具有直接參與思維的功能。智能不僅是運用知識，通過推理解決問題，智能也處於感知通道。
1990年史忠植提出了人類思維的層次模型，表明人類思維有感知思維、形象思維、抽象思維，並構成層次關系。感知思維是簡單的思維形態，它通過人的眼、耳、鼻、舌、身感知器官產生表象，形成初級的思維。感知思維中知覺的表達是關鍵。形象思維主要是用典型化的方法進行概括，並用形象材料來思維，可以高度並行處理。抽象思維以物理符號系統為理論基礎，用語言表述抽象的概念。由於注意的作用，使其處理基本上是串列的.
㈣ 人工智慧三學派分別是
符號主義；聯結主義；行為主義
㈤ 人工智慧專業屬於哪個專業大類
人工智慧的研究主要有三方面：一是純理論性的，以強人工智慧或者神經網路為研究方向，這樣的話，本科可以選擇神經科學，也可以選修心理學、哲學、計算機科學二是從演算法層面對人工智慧的優化，這也是大多數人現在對人工智慧的理解，本科自然要學計算機科學了，但博弈論之類重視邏輯的小類別學科也有選修或者自學的必要。第三種就是工業應用的方面。樓主的認識很對，這樣主要應該學習自動化和機械控制。在國外，人工智慧的理論研究還是很有價值的。國內嘛就別想了。在國內，計算機是現在很火的專業不必多說。選機械控制專業的話就業前景非常好。樓主你說喜歡硬體方面科技產品設計，若不是機械控制，人工智慧目前還主要是研究演算法層面的。
㈥ 人工智慧有五種學派，知道有哪些嗎
如下：
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。
㈦ 人工智慧有哪幾大學派和主要思想
人工智慧（英語：Artificial Intelligence, AI）亦稱機器智能，是指由人工製造出來的系統所表現出來的智能。通常人工智慧是指通過普通電腦實現的智能。該詞同時也指研究這樣的智能系統是否能夠實現，以及如何實現的科學領域。
人工智慧的研究是高度技術性和專業的，各分支領域都是深入且各不相通的。
人工智慧的研究可以分為幾個技術問題。其分支領域主要集中在解決具體問題，其中之一是，如何使用各種不同的工具完成特定的應用程序。AI的核心問題包括推理，知識，規劃，學習，交流，感知，移動和操作物體的能力等。強人工智慧目前仍然是該領域的長遠目標。目前比較流行的方法包括統計方法，計算智能和傳統意義的AI。目前有大量的工具應用了人工智慧，其中包括搜索和數學優化，邏輯，基於概率論和經濟學的方法等等。
㈧ 「阿爾法狗」採用的深度學習方法屬於人工智慧中的什麼學派
阿爾法狗使用的是深度強化學習方法，是深度學習和強化學習的結合體．
深度學習是神經網路屬於連接派，強化學習屬於行為派．
阿爾法狗是連接派和行為派的結合體．
除了連接派和行為派之外，人工智慧的另一大門派是符號派，符號派當前的進展是知識圖譜，也是人工智慧目前的研究熱點．
㈨ 人工智慧的發展,主要經歷哪幾個階段
1 孕育階段
這個階段主要是指1956年以前。自古以來，人們就一直試圖用各種機器來代替人的部分腦力勞動，以提高人們征服自然的能力，其中對人工智慧的產生、發展有重大影響的主要研究成果包括：
早在公元前384-公元前322年，偉大的哲學家亞里士多德(Aristotle)就在他的名著《工具論》中提出了形式邏輯的一些主要定律，他提出的三段論至今仍是演繹推理的基本依據。
英國哲學家培根(F. Bacon)曾系統地提出了歸納法，還提出了「知識就是力量」的警句。這對於研究人類的思維過程，以及自20世紀70年代人工智慧轉向以知識為中心的研究都產生了重要影響。
德國數學家和哲學家萊布尼茨(G. W. Leibniz)提出了萬能符號和推理計算的思想，他認為可以建立一種通用的符號語言以及在此符號語言上進行推理的演算。這一思想不僅為數理邏輯的產生和發展奠定了基礎，而且是現代機器思維設計思想的萌芽。
英國邏輯學家布爾(C. Boole)致力於使思維規律形式化和實現機械化，並創立了布爾代數。他在《思維法則》一書中首次用符號語言描述了思維活動的基本推理法則。
英國數學家圖靈(A. M. Turing)在1936年提出了一種理想計算機的數學模型，即圖靈機，為後來電子數字計算機的問世奠定了理論基礎。
美國神經生理學家麥克洛奇(W. McCulloch)與匹茲(W. Pitts)在1943年建成了第一個神經網路模型(M-P模型)，開創了微觀人工智慧的研究領域，為後來人工神經網路的研究奠定了基礎。
美國愛荷華州立大學的阿塔納索夫(Atanasoff)教授和他的研究生貝瑞(Berry)在1937年至1941年間開發的世界上第一台電子計算機「阿塔納索夫-貝瑞計算機(Atanasoff-Berry Computer，ABC)」為人工智慧的研究奠定了物質基礎。需要說明的是：世界上第一台計算機不是許多書上所說的由美國的莫克利和埃柯特在1946年發明。這是美國歷史上一樁著名的公案。
由上面的發展過程可以看出，人工智慧的產生和發展絕不是偶然的，它是科學技術發展的必然產物。
2 形成階段
這個階段主要是指1956-1969年。1956年夏季，由當時達特茅斯大學的年輕數學助教、現任斯坦福大學教授麥卡錫(J. MeCarthy)聯合哈佛大學年輕數學和神經學家、麻省理工學院教授明斯基(M. L. Minsky)，IBM公司信息研究中心負責人洛切斯特(N. Rochester)，貝爾實驗室信息部數學研究員香農(C. E. Shannon)共同發起，邀請普林斯頓大學的莫爾(T.Moore)和IBM公司的塞繆爾(A. L. Samuel)、麻省理工學院的塞爾夫里奇(O. Selfridge)和索羅莫夫(R. Solomonff)以及蘭德(RAND)公司和卡內基梅隆大學的紐厄爾(A. Newell)、西蒙(H. A. Simon)等在美國達特茅斯大學召開了一次為時兩個月的學術研討會，討論關於機器智能的問題。會上經麥卡錫提議正式採用了「人工智慧」這一術語。麥卡錫因而被稱為人工智慧之父。這是一次具有歷史意義的重要會議，它標志著人工智慧作為一門新興學科正式誕生了。此後，美國形成了多個人工智慧研究組織，如紐厄爾和西蒙的Carnegie-RAND協作組，明斯基和麥卡錫的MIT研究組，塞繆爾的IBM工程研究組等。
自這次會議之後的10多年間，人工智慧的研究在機器學習、定理證明、模式識別、問題求解、專家系統及人工智慧語言等方面都取得了許多引人注目的成就，例如：
在機器學習方面，1957年Rosenblatt研製成功了感知機。這是一種將神經元用於識別的系統，它的學習功能引起了廣泛的興趣，推動了連接機制的研究，但人們很快發現了感知機的局限性。
在定理證明方面，美籍華人數理邏輯學家王浩於1958年在IBM-704機器上用3~5min證明了《數學原理》中有關命題演算的全部定理(220條)，並且還證明了謂詞演算中150條定理的85%，1965年魯賓遜(J. A. Robinson)提出了歸結原理，為定理的機器證明作出了突破性的貢獻。
在模式識別方面，1959年塞爾夫里奇推出了一個模式識別程序，1965年羅伯特(Roberts)編制出了可分辨積木構造的程序。
在問題求解方面，1960年紐厄爾等人通過心理學試驗總結出了人們求解問題的思維規律，編制了通用問題求解程序(General Problem Solver，GPS)，可以用來求解11種不同類型的問題。
在專家系統方面，美國斯坦福大學的費根鮑姆(E. A. Feigenbaum)領導的研究小組自1965年開始專家系統DENDRAL的研究，1968年完成並投入使用。該專家系統能根據質譜儀的實驗，通過分析推理決定化合物的分子結構，其分析能力已接近甚至超過有關化學專家的水平，在美、英等國得到了實際的應用。該專家系統的研製成功不僅為人們提供了一個實用的專家系統，而且對知識表示、存儲、獲取、推理及利用等技術是一次非常有益的探索，為以後專家系統的建造樹立了榜樣，對人工智慧的發展產生了深刻的影響，其意義遠遠超過了系統本身在實用上所創造的價值。
在人工智慧語言方面，1960年麥卡錫研製出了人工智慧語言(List Processing，LISP)，成為建造專家系統的重要工具。
1969年成立的國際人工智慧聯合會議(International Joint Conferences On Artificial Intelligence，IJCAI)是人工智慧發展史上一個重要的里程碑，它標志著人工智慧這門新興學科已經得到了世界的肯定和認可。1970年創刊的國際性人工智慧雜志《Artificial Intelligence》對推動人工智慧的發展，促進研究者們的交流起到了重要的作用。
3 發展階段
這個階段主要是指1970年以後。進入20世紀70年代，許多國家都開展了人工智慧的研究，涌現了大量的研究成果。例如，1972年法國馬賽大學的科麥瑞爾(A. Comerauer)提出並實現了邏輯程序設計語言PROLOG；斯坦福大學的肖特利夫(E. H. Shorliffe)等人從1972年開始研製用於診斷和治療感染性疾病的專家系統MYCIN。
但是，和其他新興學科的發展一樣，人工智慧的發展道路也不是平坦的。例如，機器翻譯的研究沒有像人們最初想像的那麼容易。當時人們總以為只要一部雙向詞典及一些詞法知識就可以實現兩種語言文字間的互譯。後來發現機器翻譯遠非這么簡單。實際上，由機器翻譯出來的文字有時會出現十分荒謬的錯誤。例如，當把「眼不見，心不煩」的英語句子「Out of sight，out of mind」。翻譯成俄語變成「又瞎又瘋」；當把「心有餘而力不足」的英語句子「The spirit is willing but the flesh is weak」翻譯成俄語，然後再翻譯回來時竟變成了「The wine is good but the meat is spoiled」，即「酒是好的，但肉變質了」；當把「光陰似箭」的英語句子「Time flies like an arrow」翻譯成日語，然後再翻譯回來的時候，竟變成了「蒼蠅喜歡箭」。由於機器翻譯出現的這些問題，1960年美國政府顧問委員會的一份報告裁定：「還不存在通用的科學文本機器翻譯，也沒有很近的實現前景。」因此，英國、美國當時中斷了對大部分機器翻譯項目的資助。在其他方面，如問題求解、神經網路、機器學習等，也都遇到了困難，使人工智慧的研究一時陷入了困境。
人工智慧研究的先驅者們認真反思，總結前一段研究的經驗和教訓。1977年費根鮑姆在第五屆國際人工智慧聯合會議上提出了「知識工程」的概念，對以知識為基礎的智能系統的研究與建造起到了重要的作用。大多數人接受了費根鮑姆關於以知識為中心展開人工智慧研究的觀點。從此，人工智慧的研究又迎來了蓬勃發展的以知識為中心的新時期。
這個時期中，專家系統的研究在多種領域中取得了重大突破，各種不同功能、不同類型的專家系統如雨後春筍般地建立起來，產生了巨大的經濟效益及社會效益。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藏資源進行估計和預測，能對礦床分布、儲藏量、品位及開采價值進行推斷，制定合理的開采方案。應用該系統成功地找到了超億美元的鉬礦。專家系統MYCIN能識別51種病菌，正確地處理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。該系統成功地處理了數百個病例，並通過了嚴格的測試，顯示出了較高的醫療水平。美國DEC公司的專家系統XCON能根據用戶要求確定計算機的配置。由專家做這項工作一般需要3小時，而該系統只需要0.5分鍾，速度提高了360倍。DEC公司還建立了另外一些專家系統，由此產生的凈收益每年超過4000萬美元。信用卡認證輔助決策專家系統American Express能夠防止不應有的損失，據說每年可節省2700萬美元左右。
專家系統的成功，使人們越來越清楚地認識到知識是智能的基礎，對人工智慧的研究必須以知識為中心來進行。對知識的表示、利用及獲取等的研究取得了較大的進展，特別是對不確定性知識的表示與推理取得了突破，建立了主觀Bayes理論、確定性理論、證據理論等，對人工智慧中模式識別、自然語言理解等領域的發展提供了支持，解決了許多理論及技術上的問題。
人工智慧在博弈中的成功應用也舉世矚目。人們對博弈的研究一直抱有極大的興趣，早在1956年人工智慧剛剛作為一門學科問世時，塞繆爾就研製出了跳棋程序。這個程序能從棋譜中學習，也能從下棋實踐中提高棋藝。1959年它擊敗了塞繆爾本人，1962年又擊敗了一個州的冠軍。1991年8月在悉尼舉行的第12屆國際人工智慧聯合會議上，IBM公司研製的「深思」(Deep Thought)計算機系統就與澳大利亞象棋冠軍約翰森(D. Johansen)舉行了一場人機對抗賽，結果以1:1平局告終。1957年西蒙曾預測10年內計算機可以擊敗人類的世界冠軍。雖然在10年內沒有實現，但40年後深藍計算機擊敗國際象棋棋王卡斯帕羅夫(Kasparov)，僅僅比預測遲了30年。
1996年2月10日至17日，為了紀念世界上第一台電子計算機誕生50周年，美國IBM公司出巨資邀請國際象棋棋王卡斯帕羅夫與IBM公司的深藍計算機系統進行了六局的「人機大戰」。這場比賽被人們稱為「人腦與電腦的世界決戰」。參賽的雙方分別代表了人腦和電腦的世界最高水平。當時的深藍是一台運算速度達每秒1億次的超級計算機。第一盤，深藍就給卡斯帕羅夫一個下馬威，贏了這位世界冠軍，給世界棋壇以極大的震動。但卡斯帕羅夫總結經驗，穩扎穩打，在剩下的五盤中贏三盤，平兩盤，最後以總比分4:2獲勝。一年後，即1997年5月3日至11日，深藍再次挑戰卡斯帕羅夫。這時，深藍是一台擁有32個處理器和強大並行計算能力的RS/6000SP/2的超級計算機，運算速度達每秒2億次。計算機里存儲了百餘年來世界頂尖棋手的棋局，5月3日棋王卡斯帕羅夫首戰擊敗深藍，5月4日深藍扳回一盤，之後雙方戰平三局。雙方的決勝局於5月11日拉開了帷幕，卡斯帕羅夫在這盤比賽中僅僅走了19步便放棄了抵抗，比賽用時只有1小時多一點。這樣，深藍最終以3.5：2.5的總比分贏得這場舉世矚目的「人機大戰」的勝利。深藍的勝利表明了人工智慧所達到的成就。盡管它的棋路還遠非真正地對人類思維方式的模擬，但它已經向世人說明，電腦能夠以人類遠遠不能企及的速度和准確性，實現屬於人類思維的大量任務。深藍精湛的殘局戰略使觀戰的國際象棋專家們大為驚訝。卡斯帕羅夫也表示：「這場比賽中有許多新的發現，其中之一就是計算機有時也可以走出人性化的棋步。在一定程度上，我不能不贊揚這台機器，因為它對盤勢因素有著深刻的理解，我認為這是一項傑出的科學成就。」因為這場勝利，IBM的股票升值為180億美元。
4 人工智慧的學派
根據前面的論述，我們知道要理解人工智慧就要研究如何在一般的意義上定義知識，可惜的是，准確定義知識也是個十分復雜的事情。嚴格來說，人們最早使用的知識定義是柏拉圖在《泰阿泰德篇》中給出的，即「被證實的、真的和被相信的陳述」(Justified true belief，簡稱JTB條件)。
然而，這個延續了兩千多年的定義在1963年被哲學家蓋梯爾否定了。蓋梯爾提出了一個著名的悖論(簡稱「蓋梯爾悖論」)。該悖論說明柏拉圖給出的知識定文存在嚴重缺陷。雖然後來人們給出了很多知識的替代定義，但直到現在仍然沒有定論。
但關於知識，至少有一點是明確的，那就是知識的基本單位是概念。精通掌握任何一門知識，必須從這門知識的基本概念開始學習。而知識自身也是一個概念。因此，如何定義一個概念，對於人工智慧具有非常重要的意義。給出一個定義看似簡單，實際上是非常難的，因為經常會涉及自指的性質(自指：詞性的轉化——由謂詞性轉化為體詞性，語義則保持不變)。一旦涉及自指，就會出現非常多的問題，很多的語義悖論都出於概念自指。
自指與轉指這一對概念最早出自朱德熙先生的《自指與轉指》(《方言》1983年第一期，《朱德熙文集》第三卷)。陸儉明先生在《八十年代中國語法研究》中(第98頁)說：「自指和轉指的區別在於，自指單純是詞性的轉化－由謂詞性轉化為體詞性，語義則保持不變；轉指則不僅詞性轉化，語義也發生變化，尤指行為動作或性質本身轉化為指與行為動作或性質相關的事物。」
舉例：
①教書的來了(「教書的」是轉指，轉指教書的「人」)；教書的時候要認真(「教書的」語義沒變，是自指)。
②Unplug一詞的原意為「不使用(電源)插座」，是自指；常用來轉指為不使用電子樂器的唱歌。
③colored在表示having colour(著色)時是自指。colored在表示有色人種時，就是轉指。
④rich，富有的，是自指。the rich，富人，是轉指。
知識本身也是一個概念。據此，人工智慧的問題就變成了如下三個問題：一、如何定義(或者表示)一個概念、如何學習一個概念、如何應用一個概念。因此對概念進行深人研究就非常必要了。
那麼，如何定義一個概念呢？簡單起見，這里先討論最為簡單的經典概念。經典概念的定義由三部分組成：第一部分是概念的符號表示，即概念的名稱，說明這個概念叫什麼，簡稱概念名；第二部分是概念的內涵表示，由命題來表示，命題就是能判斷真假的陳述句。第三部分是概念的外延表示，由經典集合來表示，用來說明與概念對應的實際對象是哪些。
舉一個常見經典概念的例子——素數(prime number)，其內涵表示是一個命題，即只能夠被1和自身整除的自然數。
概念有什麼作用呢？或者說概念定義的各個組成部分有什麼作用呢？經典概念定義的三部分各有作用，且彼此不能互相代替。具體來說，概念有三個作用或功能，要掌握一個概念，必須清楚其三個功能。
第一個功能是概念的指物功能，即指向客觀世界的對象，表示客觀世界的對象的可觀測性。對象的可觀測性是指對象對於人或者儀器的知覺感知特性，不依賴於人的主觀感受。舉一個《阿Q正傳》里的例子：那趙家的狗，何以看我兩眼呢？句子中「趙家的狗」應該是指現實世界當中的一條真正的狗。但概念的指物功能有時不一定能夠實現，有些概念其設想存在的對象在現實世界並不存在，例如「鬼」。
第二個功能是指心功能，即指向人心智世界裡的對象，代表心智世界裡的對象表示。魯迅有一篇著名的文章《論喪家的資本家的乏走狗》，顯然，這個「狗」不是現實世界的狗，只是他心智世界中的狗，即心裡的狗(在客觀世界，梁實秋先生顯然無論如何不是狗)。概念的指心功能一定存在。如果對於某一個人，一個概念的指心功能沒有實現，則該詞對於該人不可見，簡單地說，該人不理解該概念。
最後一個功能是指名功能，即指向認知世界或者符號世界表示對象的符號名稱，這些符號名稱組成各種語言。最著名的例子是喬姆斯基的「colorless green ideas sleep furiously」，這句話翻譯過來是「無色的綠色思想在狂怒地休息」。這句話沒有什麼意思，但是完全符合語法，純粹是在語義符號世界裡，即僅僅指向符號世界而已。當然也有另外，「鴛鴦兩字怎生書」指的就是「鴛鴦」這兩個字組成的名字。一般情形下，概念的指名功能依賴於不同的語言系統或者符號系統，由人類所創造，屬於認知世界。同一個概念在不同的符號系統里，概念名不一定相同，如漢語稱「雨」，英語稱「rain」。
根據波普爾的三個世界理論，認知世界、物理世界與心理世界雖然相關，但各不相同。因此，一個概念的三個功能雖然彼此相關，也各不相同。更重要的是，人類文明發展至今，這三個功能不斷發展，彼此都越來越復雜，但概念的三個功能並沒有改變。
在現實生活中，如果你要了解一個概念，就需要知道這個概念的三個功能：要知道概念的名字，也要知道概念所指的對象(可能是物理世界)。更要在自己的心智世界裡具有該概念的形象(或者圖像)。如果只有一個，那是不行的。
知道了概念的三個功能之後，就可以理解人工智慧的三個學派以及各學派之間的關系。
人工智慧也是一個概念，而要使一個概念成為現實，自然要實現概念的三個功能。人工智慧的三個學派關注於如何才能讓機器具有人工智慧，並根據概念的不同功能給出了不同的研究路線。專注於實現AI指名功能的人工智慧學派成為符號主義，專注於實現AI指心功能的人工智慧學派稱為連接主義，專注於實現AI指物功能的人工智慧學派成為行為主義。
1. 符號主義
符號主義的代表人物是Simon與Newell，他們提出了物理符號系統假設，即只要在符號計算上實現了相應的功能，那麼在現實世界就實現了對應的功能，這是智能的充分必要條件。因此，符號主義認為，只要在機器上是正確的，現實世界就是正確的。說得更通俗一點，指名對了，指物自然正確。
在哲學上，關於物理符號系統假設也有一個著名的思想實驗——本章1.1.3節中提到的圖靈測試。圖靈測試要解決的問題就是如何判斷一台機器是否具有智能。
圖靈測試將智能的表現完全限定在指名功能里。但馬少平教授的故事已經說明，只在指名功能里實現了概念的功能，並不能說明一定實現了概念的指物功能。實際上，根據指名與指物的不同，哲學家約翰·塞爾勒專門設計了一個思想實驗用來批判圖靈測試，這就是著名的中文屋實驗。
中文屋實驗明確說明，即使符號主義成功了，這全是符號的計算跟現實世界也不一定搭界，即完全實現指名功能也不見得具有智能。這是哲學上對符號主義的一個正式批評，明確指出了按照符號主義實現的人工智慧不等同於人的智能。
雖然如此，符號主義在人工智慧研究中依然扮演了重要角色，其早期工作的主要成就體現在機器證明和知識表示上。在機器證明方面，早期Simon與Newell做出了重要的貢獻，王浩、吳文俊等華人也得出了很重要的結果。機器證明以後，符號主義最重要的成就是專家系統和知識工程，最著名的學者就是Feigenbaum。如果認為沿著這條路就可以實現全部智能，顯然存在問題。日本第五代智能機就是沿著知識工程這條路走的，其後來的失敗在現在看來是完全合乎邏輯的。
實現符號主義面臨的觀實挑成主要有三個。第一個是概念的組合爆炸問題。每個人掌握的基本概念大約有5萬個，其形成的組合概念卻是無窮的。因為常識難以窮盡，推理步驟可以無窮。第二個是命題的組合悖論問題。兩個都是合理的命題，合起來就變成了沒法判斷真假的句子了，比如著名的柯里悖論(Curry』s Paradox)(1942)。第三個也是最難的問題，即經典概念在實際生活當中是很難得到的，知識也難以提取。上述三個問題成了符號主義發展的瓶頸。
2. 連接主義
連接主義認為大腦是一切智能的基礎，主要關注於大腦神經元及其連接機制，試圖發現大腦的結構及其處理信息的機制、揭示人類智能的本質機理，進而在機器上實現相應的模擬。前面已經指出知識是智能的基礎，而概念是知識的基本單元，因此連接主義實際上主要關注於概念的心智表示以及如何在計算機上實現其心智表示，這對應著概念的指心功能。2016年發表在Nature上的一篇學術論文揭示了大腦語義地圖的存在性，文章指出概念都可以在每個腦區找到對應的表示區，確確實實概念的心智表示是存在的。因此，連接主義也有其堅實的物理基礎。
連接主義學派的早期代表人物有麥克洛克、皮茨、霍普菲爾德等。按照這條路，連接主義認為可以實現完全的人工智慧。對此，哲學家普特南設計了著名的「缸中之腦實驗」，可以看作是對連接主義的一個哲學批判。
缸中之腦實驗描述如下：一個人(可以假設是你自己)被邪惡科學家進行了手術，腦被切下來並放在存有營養液的缸中。腦的神經末梢被連接在計算機上，同時計算機按照程序向腦傳遞信息。對於這個人來說，人、物體、天空都存在，神經感覺等都可以輸入，這個大腦還可以被輸入、截取記憶，比如截取掉大腦手術的記憶，然後輸入他可能經歷的各種環境、日常生活，甚至可以被輸入代碼，「感覺」到自己正在閱讀這一段有趣而荒唐的文字。
缸中之腦實驗說明即使連接主義實現了，指心沒有問題，但指物依然存在嚴重問題。因此，連接主義實現的人工智慧也不等同於人的智能。
盡管如此，連接主義仍是目前最為大眾所知的一條AI實現路線。在圍棋上，採用了深度學習技術的AlphaGo戰勝了李世石，之後又戰勝了柯潔。在機器翻譯上，深度學習技術已經超過了人的翻譯水平。在語音識別和圖像識別上，深度學習也已經達到了實用水準。客觀地說，深度學習的研究成就已經取得了工業級的進展。
但是，這並不意味著連接主義就可以實現人的智能。更重要的是，即使要實現完全的連接主義，也面臨極大的挑戰。到現在為止，人們並不清楚人腦表示概念的機制，也不清楚人腦中概念的具體表示形式表示方式和組合方式等。現在的神經網路與深度學習實際上與人腦的真正機制距離尚遠。
3. 行為主義
行為主義假設智能取決於感知和行動，不需要知識、表示和推理，只需要將智能行為表現出來就好，即只要能實現指物功能就可以認為具有智能了。這一學派的早期代表作是Brooks的六足爬行機器人。
對此，哲學家普特南也設計了一個思想實驗，可以看作是對行為主義的哲學批判，這就是「完美偽裝者和斯巴達人」。完美偽裝者可以根據外在的需求進行完美的表演，需要哭的時候可以哭得讓人撕心裂肺，需要笑的時候可以笑得讓人興高采烈，但是其內心可能始終冷靜如常。斯巴達人則相反，無論其內心是激動萬分還是心冷似鐵，其外在總是一副泰山崩於前而色不變的表情。完美偽裝者和斯巴達人的外在表現都與內心沒有聯系，這樣的智能如何從外在行為進行測試？因此，行為主義路線實現的人工智慧也不等同於人的智能。
對於行為主義路線，其面臨的最大實現困難可以用莫拉維克悖論來說明。所謂莫拉維克悖論，是指對計算機來說困難的問題是簡單的、簡單的問題是困難的，最難以復制的反而是人類技能中那些無意識的技能。目前，模擬人類的行動技能面臨很大挑戰。比如，在網上看到波士頓動力公司人形機器人可以做高難度的後空翻動作，大狗機器人可以在任何地形負重前行，其行動能力似乎非常強。但是這些機器人都有一個大的缺點一能耗過高、噪音過大。大狗機器人原是美國軍方訂購的產品，但因為大狗機器人開動時的聲音在十里之外都能聽到，大大提高了其成為一個活靶子的可能性，使其在戰場上幾乎沒有實用價值，美國軍方最終放棄了采購。
㈩ 人工智慧三大學派和特點
目前人工智慧的主要學派有下列三家：
(1) 符號主義(symbolicism)，又稱為邏輯主義、心理學派或計算機學派，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)，又稱為仿生學派或生理學派，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)，又稱為進化主義或控制論學派，其原理為控制論及感知-動作型控制系統。