人工智能关键技术为什么说知识和推理是人工智能的核心，而学习是人工智能的关键？

柔性制造技术的采用的关键技术

1） 计算机辅助设计 未来CAD技术发展将会引入专家系统，使之具有智能化，可处理各种复杂的问题。

当前设计技术最新的一个突破是光敏立体成形技术，该项新技术是直接利用CAD数据，通过计算机控制的激光扫描系统，将三维数字模型分成若干层二维片状图形，并按二维片状图形对池内的光敏树脂液面进行光学扫描，被扫描到的液面则变成固化塑料，如此循环操作，逐层扫描成形，并自动地将分层成形的各片状固化塑料粘合在一起，仅需确定数据，数小时内便可制出精确的原型。

它有助于加快开发新产品和研制新结构的速度。

2） 模糊控制技术 模糊数学的实际应用是模糊控制器。

最近开发出的高性能模糊控制器具有自学习功能，可在控制过程中不断获取新的信息并自动地对控制量作调整，使系统性能大为改善，其中尤其以基于人工神经网络的自学方法更引起人们极大的关注。

3） 人工智能、专家系统及智能传感器技术 迄今，柔性制造技术中所采用的人工智能大多指基于规则的专家系统。

专家系统利用专家知识和推理规则进行推理，求解各类问题（如解释、预测、诊断、查找故障、设计、计划、监视、修复、命令及控制等）。

由于专家系统能简便地将各种事实及经验证过的理论与通过经验获得的知识相结合，因而专家系统为柔性制造的诸方面工作增强了柔性。

展望未来，以知识密集为特征，以知识处理为手段的人工智能（包括专家系统）技术必将在柔性制造业（尤其智能型）中起着日趋重要的关键性的作用。

目前用于柔性制造中的各种技术，预计最有发展前途的仍是人工智能。

预计到21世纪初，人工智能在柔性制造技术中的应用规模将在比目前大4 倍。

智能制造技术（IMT）旨在将人工智能融入制造过程的各个环节，借助模拟专家的智能活动，取代或延伸制造环境中人的部分脑力劳动。

在制造过程，系统能自动监测其运行状态，在受到外界或内部激励时能自动调节其参数，以达到最佳工作状态，具备自组织能力。

故IMT被称为未来21世纪的制造技术。

对未来智能化柔性制造技术具有重要意义的一个正在急速发展的领域是智能传感器技术。

该项技术是伴随计算机应用技术和人工智能而产生的，它使传感器具有内在的“决策” 功能。

4） 人工神经网络技术 人工神经网络（ANN）是模拟智能生物的神经网络对信息进行并处理的一种方法。

故人工神经网络也就是一种人工智能工具。

在自动控制领域，神经网络不久将并列于专家系统和模糊控制系统，成为现代自动化系统中的一个组成部分。

人工智能的技术研究

用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。

除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。

人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

如今没有统一的原理或范式指导人工智能研究。

许多问题上研究者都存在争论。

其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？ 智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。

大脑模拟 主条目：控制论和计算神经科学 20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。

其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。

这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960, 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。

符号处理 主条目：GOFAI 当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。

研究主要集中在卡内基梅隆大学, 斯坦福大学和麻省理工学院，而各自有独立的研究风格。

JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。

[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。

基于控制论或神经网络的方法则置于次要。

[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。

认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学, 运筹学和经营科学。

他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。

这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。

基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。

他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示, 智能规划和机器学习. 致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者 (如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。

ROGER SCHANK 描述他们的“反逻辑”方法为 SCRUFFY .常识知识库 (如DOUG LENAT的CYC)就是SCRUFFYAI的例子,因为他们必须人工一次编写一个复杂的概念。

基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。

这场“知识革命”促成专家系统的开发与计划,这是第一个成功的人工智能软件形式。

“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。

子符号法 80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。

很多研究者开始关注子符号方法解决特定的人工智能问题。

自下而上, 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。

他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。

这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。

计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。

统计学法 90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。

这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。

共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。

STUART J. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”。

有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。

集成方法 智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。

最简单的智能AGENT是那些可以解决特定问题的程序。

更复杂的AGENT包括人类和人类组织（如公司）。

这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。

一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。

范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念）。

90年代智能AGENT范式被广泛接受。

AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。

一个系统中包含符号和子符号部分的系统称为混合智能系统 ,而对这种系统的研究则是人工智能系统集成。

分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。

RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。

机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。

值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。

不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。

中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。

⒈ MASSACHUSETTS INSTITUTE OF TECHNOLOGY麻省理工学院 ⒉ STANFORD UNIVERSITY斯坦福大学(CA) ⒊ CARNEGIE MELLON UNIVERSITY卡内基美隆大学(PA) ⒋ UNIVERSITY OF CALIFORNIA-BERKELEY加州大学伯克利分校 ⒌ UNIVERSITY OF WASHINGTON华盛顿大学 ⒍ UNIVERSITY OF TEXAS-AUSTIN德克萨斯大学奥斯汀分校 ⒎ UNIVERSITY OF PENNSYLVANIA宾夕法尼亚大学 ⒏ UNIVERSITY OF ILLINOIS-URBANA-CHAMPAIGN 伊利诺伊大学厄本那—香槟分校 ⒐ UNIVERSITY OF MARYLAND-COLLEGE PARK马里兰大学帕克分校 ⒑ CORNELL UNIVERSITY 康奈尔大学 (NY) ⒒ UNIVERSITY OF MASSACHUSETTS-AMHERST马萨诸塞大学AMHERST校区 ⒓ GEORGIA INSTITUTE OF TECHNOLOGY佐治亚理工学院 UNIVERSITY OF MICHIGAN-ANN ARBOR 密西根大学-安娜堡分校 ⒕ UNIVERSITY OF SOUTHERN CALIFORNIA南加州大学 ⒖ COLUMBIA UNIVERSITY哥伦比亚大学(NY) UNIVERSITY OF CALIFORNIA-LOS ANGELES加州大学洛杉矶分校 ⒘ BROWN UNIVERSITY布朗大学(RI) ⒙ YALE UNIVERSITY耶鲁大学(CT) ⒚ UNIVERSITY OF CALIFORNIA-SAN DIEGO加利福尼亚大学圣地亚哥分校 ⒛ UNIVERSITY OF WISCONSIN-MADISON威斯康星大学麦迪逊分校 1、中国科学院自动化研究所 2、清华大学 3、北京大学 4、南京理工大学 5、北京科技大学 6、中国科学技术大学 7、吉林大学 8、哈尔滨工业大学 9、北京邮电大学 10、北京理工大学 11、厦门大学人工智能研究所 12、西安交通大学智能车研究所 13、中南大学智能系统与智能软件研究所 14、西安电子科技大学智能所 15、华中科技大学图像与人工智能研究所 16、重庆邮电大学 17、武汉工程大学

从IT到DT再到RT，有哪些核心技术待掌握

机器人技术涉及众多领域，具有多学科交叉和融合等特点。

机器人正在逐步发展成为具有感知、认知和自主行动能力的智能化装备，是数学、力学、机构学、材料科学、自动控制、计算机、人工智能、光电、通讯、传感、仿生学等多学科和技术综合的成果，其发展水平体现了国家高技术领域的综合实力。

我国现阶段机器人的发展需要智能和自主作业能力的提升、人机交互能力的改善、安全性能的提高，解决制约“人机交互”、“人机合作”、“人机融合”的瓶颈，突破三维环境感知、规划和导航、类人的灵巧操作、直观的人机交互、行为安全等关键技术。

机器人是新型技术的融合，为了使之能够适应功能的需求及保持其智能化的稳定性，要求机器人具备许多前沿科技。

通常看来，RT技术主要由传感器、智能控制、驱动部分三大部分组成，涵盖计算机软件、半导体、大数据、电子技术、通信技术、人工智能、物联网、自动测量、自动定位、语音识别、图像处理、环境识别、驱动技术、蓄电池等多项跨领域、跨学科的前沿技术。

世界经济增长引擎也即将由IT，DT进入RT时代，智能机器人将成为物联网时代各行各业以及家庭个人消费者的核心终端产品。

根据国际机器人联盟（IFR）的数据显示，仅仅是家用机器人在2012年全球消费总额已经达到16亿美元，2013-2016年估计会有2200万台智能家庭机器人得到销售。

物联网 物联网（The of things）简单说就是就是物物相连的互联网。

物联网的核心和基础仍然是网络，但用户端延伸和扩展到了任何物品，并让物与物之间实现信息交换和通信 。

在物联网应用中有三项关键技术，1、传感器技术，2、RFID标签，3、嵌入式系统技术；借助于物联网可以将人与物、物与物相联，实现信息化、远程管理控制和智能化的网络，也因此被认为是继计算机、互联网之后世界信息产业发展的第三次浪潮。

机器人是什么 机器人（Robot）是自动执行工作的机器装置。

它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。

它的任务是协助或取代人类工作的工作，例如生产业、建筑业，或是危险的工作。

为什么说知识和推理是人工智能的核心，而学习是人工智能的关键？

知识和推理并非人工智能的核心，推理只是形式逻辑的一种，而现实世界有更多的是属于非形式逻辑体系的，比如我们人的“灵光一现”并没有用到任何推理，“豁然开朗”也不是经过推理推出来的；推理很重要，但并不是全部。

知识也一样，关键的不是知识本身，而是如何获取知识，就是所谓的学习。

但学习也只是人工智能的一个方面。

人工智能要具有感知、思维、意识、记忆、欲望等多种要素，单一的要素并不能成为真正意义上的人工智能。

现代人们把人工智能分为强人工智能和弱人工智能。

弱人工智能就是人们现在进行的图象识别、语音识别等一些技术上的问题，而强人工智能才是真正的人工智能。

关于人工智能的详细讨论，你可以到百度的“人工智能”吧去看看，那里有对人工智能详细并富有哲理的讨论。