人工智慧

工智能是研究理解和模擬人類智能、智能行為及其規律的一門學科。其主要任務是建立智能信息處理理論，進而設計可以展現某些近似於人類智能行為的計算系統。 ，包括網際網路智能等新增內容。

本書包括下列內容：

①簡述人工智慧的起源與發展，人工智慧的定義、人工智慧與計算機的關係以及人工智慧的研究和應用領域；

②論述知識表示、推理和不確定推理的主要方法，包括謂詞邏輯、產生式系統、語義網路、框架、腳本、面向對象、歸結推理、非單調推理、主觀Bayes方法、確定性理論、證據理論、模糊邏輯和模糊推理等；

③討論常用搜索原理，如盲目搜索、啟髮式搜索、MIN-MAX搜索、?α-β?剪枝和約束滿足等；並研究一些比較高級的搜索技術，如貪婪局部搜索、局部剪枝搜索、模擬退火演演算法和遺傳演演算法等；

④介紹分散式人工智慧與Agent、計算智能、機器學習、反向傳播神經網路、Hopfield神經網路和知識發現等已成為當前研究熱點的人工智慧技術和方法；

⑤比較詳細地分析人工智慧的主要應用領域，涉及自動規劃系統、自然語言處理、信息檢索、語言翻譯、語音識別、機器人和網際網路智能等。

本書適合作為面向計算機專業大學高年級和非計算機專業研究生的人工智慧課程的教材，也可作為希望深入學習人工智慧的科技人員的參考書。

智能與意識、思維和記憶以及問題求解、直覺、創造性、語言和學習有關，而且還與理解和感覺，如運動技能、預測環境能力、處理複雜世界的能力、在學校的表現和智商（IQ）測試情況的表現等有關。

智能與人工智慧

1. 智能的定義

智能的定義有多種，比如，“智能是進行抽象思維的能力。" ; “智能是學習或者從經驗中獲益的能力。" ; “智能是學習到的或者學習以調整自己適應環境的能力。" ; “智能是充分調整自己去適應生命中的相對較新的情況。" ; “智能是接受知識的能力以及所擁有的知識。" ，等等。但要理解這些定義，最好的方法是通過問題來體會。

通過尋找感興趣的問題來推進研究（例如，狗如何會跑並且抓住飛盤？為什麼老鼠很快學會在迷宮中尋找方向？螞蟻在尋找食物的長途旅行之後如何會尋找到回到巢穴的路？人如何走路？人如何在一堆人當中認出一張面孔？) ，然後嘗試去了解這種特定的行為如何產生。是否願意把任何這些行為稱作智能，依賴於個人偏好。

我們在直覺上認為的智能總是包括兩個特殊性質：順應性和多樣性。簡而言之，主體（Agent）總是遵從其所處環境的自然和社會規則，利用這些規則去產生多樣行為。例如，所有動物、人類以及機器人必須遵從存在重力和摩擦以及移動需要能量的事實，絕不可能完全擺脫這些。但是適應並以一定方式利用這些限制條件使我們能夠走路、奔跑、從杯子中喝水、將盤子放到桌子上、踢足球或騎自行車。多樣性意味著主體能夠進行多種行為，這樣他/它能夠對給定的情況作出適當的反應。一個僅走路，或僅下棋，或僅奔跑的主體在直覺上比起能用積木搭出玩具汽車、把啤酒倒進杯子和在一群挑剔的聽眾面前講課的主體缺少智能。在智能的許多定義中提到的學習是一種隨時間而增加行為多樣性的有效手段。

在直覺上，我們認為一些行為比另外一些需要更多的思考，一些動物比另外一些更聰明。在一般用法中，思考經常與有意識的思想相聯繫；認人工智慧（第2版）第2版序知則更一般化，用於同感覺-運動過程非直接相關的行為當中；智能則更加一般化，包含各種對主體有益的認知和思考等抽象行為。智能是先天的還是後天的，即智能在多大程度上來自遺傳或是在一生中所獲取的？可以用智能來區分開人類和其他物種嗎？

2. 人工智慧的研究內容

人工智慧研究的是智能行為中的機制，它是通過構造和評估那些試圖採用這些機制的人工製品來進行研究的。在這個定義中，人工智慧不像是關於智能機制的理論，而更像是一種經驗主義的方法學，它的主要任務是構造和測試支持這種理論的可能模型。它是一種對實驗進行設計、運行和評估的科學方法，其目的是細化精鍊模型和進行更深入的實驗。

人工智慧的經驗主義的方法學是一個重要的工具，也許它對於探索智能的本質來說是最好的工具。

人工智慧屬於交叉學科研究領域，本質上具有3個目標： ①了解生物系統（也就是引起人類或動物智能行為的機制）; ②智能行為一般原則的抽象提取； ③應用這些原則設計有用的人造物。這裡的機制不僅是指神經機制或者大腦過程，也指主體的身體及其同真實世界的交互。如肌肉具有彈性，當一條腿抬起時另一條腿承受的重量增加的事實，和與步行緊密相關的反射和大腦中樞一樣是步行機制的有機組成。

如果人工智慧想達到科學的水平並成為智能系統科學的關鍵組成部分，那麼就必須在它製造的人工製品的設計、執行和分析中包含分析和經驗式的方法。從這種觀點來看，每個人工智慧程序都可以看做是一個實驗：它向現實世界提出問題，而答案就是現實世界對此做出的響應。現實世界對我們的設計做出的響應和程序式的承諾構成了對於智能的形式方法、機理以及智能本質的理解。

3. 智能的計算特性

智能的計算特性開始於對計算設備的抽象規範說明。20世紀30年代到50年代的研究開啟了這一探索， Turing（圖靈）、Post（波斯特）、Markov（馬爾可夫）和Church（丘奇）等人在對計算的形式化描述方面做出了極大貢獻。這些研究的目的不是僅僅指出計算的含義，而是還指出關於可計算的界限。通用圖靈機是大家熟知的規約，波斯特重寫規則可作為產生式系統的計算基礎。基於部分遞歸函數的丘奇模型，支持諸如Scheme、Ocaml和Standard ML等現代高級函數式語言。

所有這些形式化方法都具有等價的計算能力。可以說通用圖靈機等價於現代的任意計算設備。沒有哪個計算模型能夠定義得比這些已知模型更強（丘奇-圖靈命題）。一旦建立了計算規約的等價性，就從這些規約的機械化工具中解放出來：我們可以用電子管、硅晶元、細胞質或者普通玩具實現我們的演演算法。在一種媒介上的自動設計機制等價於在另外一種媒介上設計的機制。因此當我們在一種媒介上來測試在另一種媒介上實現的機制時，這就使得經驗式探索的方法變得更加重要。

有一種可能就是圖靈和波斯特的通用機器也許太泛化、太通用了。這裡的矛盾是，智能可能並不需要很強的帶集中控制的計算機制。Levesque等人提出，人的智能可能需要更多的計算性的有效的表示（比如用於推理的Horn子句）、對基文字的實際知識的約束以及可計算跟蹤的真值維護系統的使用。智能的基於主體的模型和湧現模型似乎也支持這種觀點。

由我們的機制模型的形式化等價性所引出的另一個論點是，二元性問題和心身（mind-body)問題。從笛卡兒時代以後，哲學家們就提出了智能、意識和身體之間的交互和整合問題。他們給出了每種可能的反應，從完全的唯物主義到對物質存在的否定，甚至到支持上帝的介入！人工智慧和認知科學的研究否認了笛卡兒的二元論，而支持基於物理實現或者符號實例的智能的物質模型，支持管理這些符號的計算機制的形式化規約，支持表示範例的等價性，支持在具體模型中知識和技能的機械化。這種研究的成功表明了這種模型的有效性。

關於物理系統中智能的認識論基礎

1. 表示問題

Allen Newell和Herbert Simon假定物理符號系統和搜索對於智能的特性是充分必要的。神經模型或子符號模型的成功、智能的遺傳和湧現方法的成功與否是對物理符號假設的一種駁斥，或者它們是這種假設的簡單實例嗎？

這種假設的弱解釋--物理符號系統是智能的一個充分模型--在現代認知科學領域中也產生了許多強大的、有用的結果。這種觀點認為，我們可以實現那些能說明智能行為的物理符號系統。充分性使得我們能夠為人所具有的許多方面的性能創建和測試基於符號的模型。但是這個假設的強解釋--物理符號系統和搜索對於智能活動是必要的--仍然是個有待研究和解決的問題。

2. 認知中具體化的作用

物理符號系統的主要假定之一就是，物理符號系統的特定實例化是與其性能無關的；其主要內容是其形式化結構。許多研究者都對這一點提出了挑戰，他們指出，智能行為的需求要求一種允許主體整合到世界中的物理具體化。現代計算機的結構並不允許這種程度的情形，而是要求一個人工智慧通過極端有限的窗口（同時代的輸入輸出設備）來同世界進行交互。如果這種挑戰是正確的，則儘管出現機器智能，它仍需要同時代的計算機提供一個非常相同的介面。

3. 文化與智能

傳統上，人工智慧側重於把個體智能作為智能的來源；我們的行動好像在說，對於大腦編碼和怎樣管理知識的方法的解釋可能是原始智能的一種完整解釋。然而，我們也會認為知識最好被看做是基於社會的，而不是一個個體所構造的。在基於記憶的智能理論中，社會本身也帶有智能的本質組件。對於智能理論來說，對知識的社會環境和人類行為的理解與對個體智能/大腦的理解是同等重要的。

4. 刻畫解釋的本質

在表示傳統研究中，大多數模型一般工作在已經解釋好的領域中：即對於解釋的上下文，系統設計者通常都會給出一些隱含的先驗約定，在這種約定下，很難隨著問題求解過程的進展而將上下文、目標或表示進行轉換。 Tarskian的觀點“將語義作為符號和對象之間的映射”還是太弱，並不能解釋某些事實，如一個領域在不同實踐目標的指引下可能會有不同的解釋。語言學家試圖通過語用理論來彌補Tarskian語義的局限性。論述分析，基本依賴於上下文中符號的使用，已經在近幾年中廣泛地討論了這些問題，但是這個問題涉及的內容事實上更加廣泛，因為它通常還要處理參考工具的失敗。

C. S. Peirce最先倡導符號語言學的傳統，後續的研究者還有Eco、Seboek以及其他學者，他們對於語言採用了更為激進的方法。這種符號語言學的傳統把符號表達式放在廣泛的記號和記號解釋中，它表明，符號的含義只有在它用做解釋的上下文中才能夠被理解，即在解釋的上下文中或在與環境的交互中才能被理解。

5. 表示的不確定性

Anderson的表示不確定性猜想指出，在熟練性能的特定動作這種環境下，確定哪種表示模式最接近於人的問題求解器在理論上是不可能的。這種猜想是基於這樣的事實，即每個表示模式不可避免地被連接到一個大型的計算結構，就像搜索策略一樣。在對人類技能的詳細分析中，我們不太可能充分地控制這個過程，使得我們能決定這個表示；也不可能為過程被唯一確定的那些點建立一個表示。由於物理的不確定原理，現象可以通過檢驗這個現象的過程來加以改變，因此，構造智能模型是需要重點關注的，但沒有必要限制它們的利用。

6. 設計可以反證的計算模型的必要性

Popper等人指出科學理論必定是可以反證的，這就是說，必定存在一種環境，使得在此環境下的這個理論模型並不是對這種現象的成功的近似。任何數目的確定性實驗實例都不能充分地確定一個模型。許多研究是在已有理論的失敗的基礎上進行的。

物理符號系統假設的一般本質正如智能的情景模型和湧現模型一樣，可能會使它們不可能被歪曲，並作為一種模型在使用上受到限制。同樣地，可以對關於現象學傳統的假設進行批評。一些人工智慧數據結構（比如語義網）還是很普通的，使得它們可以為幾乎所有能夠描述出的東西建模，或者正像通用圖靈機一樣，使得它們可以為任意的可計算函數建模。因此，一個人工智慧研究者或者認知科學家被問到在什麼條件下他們的智能模型不能用時，給出答案經常是很難的。

7. 科學方法的局限性

許多研究者們宣稱智能最重要的方面就是沒有被模型化，並且原則上不可能被模型化，且特別是不能使用任意的符號表示來模型化。這些領域包括學習、自然語言理解、說話動作的產生等。這些問題已經深深地植根於我們的哲學理念中。

現代人工智慧的大部分假設究其根源，可以回溯到Carnap、Frege和Leibniz，再遠回溯到Hobbes、Locke和Hume，直至回溯到亞里士多德。這種傳統觀點認為：智能的處理過程符合通用法則，並且在原則上是可以理解的。

Heideggei和他的追隨者們描述了一種可選擇的方法來理解智能。對於Heidegger來說，思考的意識是源於具體經驗的世界（一種生命世界）. Winograd、Flores和Dreyfus等人認為一個人對事物的理解是紮根於在每天的世界中“使用”這些理解的實際活動中。這種世界在本質上是一種環境，其中包括按社會方式組織的各種作用和目的。而這種環境以及其中的人的功能不是通過命題解釋的，也不是能夠被定理所理解的。它更像是一種不斷形成的流程。在基本意義上，人類專家並不知道“是什麼”，而只是知道在進化的社會標準和隱含的目的不斷發展的世界中，它是怎麼樣的。我們不能自然地就把我們的知識和大多數智能行為放入語言中，不管是形式的，還是自然的。

現在讓我們來考慮上述這種觀點。首先，作為對純理性主義傳統的批判，這種觀點是正確的。理性主義者斷言，所有的人類活動、智能和責任，至少原則上能夠被表示、形式化和理解。大多數喜歡思考的人們並不相信這種情形，他們認為情感、自我主張和有責任的承諾等（至少）也是很重要的。在科學方法的領域之外，還有很多人類活動在可靠的人類交互中起著本質的作用。這些不可能被機器再生或者取消。

然而，檢查數據、構造模型、運行實驗以及為了進一步實驗而使用模型精鍊來檢查結果等這些科學傳統已經進入了理解、解釋和預言人類社會能力這樣的一個重要的層次。科學方法是提高人類理解能力的一個有力工具。儘管如此，對於這種方法，這裡仍然有許多的告誡是研究人員必須理解的。

首先，研究人員不要把這個模型與被建模的現象相混淆。模型能允許我們不斷地逼近這種現象；通常這裡必然有一些不能使用經驗解釋的“殘留物”。在這種意義上，表示不確定性並不是一個問題。一個模型是用來探索、解釋和預言的；如果它允許研究人員來完成這些任務，則它就是成功的。對於一種簡單的現象，不同的模型可以用來解釋這種現象的不同方面。

此外，當研究者們主張智能現象的各個方面已經在科學傳統的範圍和方法之外時，這種說法本身也只能用那些科學傳統來驗證。科學方法只是一種工具，它可以用來解釋在什麼意義上問題仍然是在我們當前的理解之外。每種觀點，甚至是來自現象學傳統的觀點，如果它是有一定含義的，那麼它一定跟我們當前某些解釋的概念相關，甚至它是與那些不能解釋的現象相關聯的。

人工智慧研究中最讓人振奮的方面是對我們必須解決的這些問題做出不懈的努力和貢獻。為了理解問題求解、學習和語言，我們必須領會表示和知識的哲學層面含義。我們被要求用一種謙卑的方式來解決亞里士多德的理論和實踐之間的關係問題，以形成理解和實踐的統一、理論和實踐的統一，在科學與藝術中生活。

人工智慧工作者是工具的製造者。我們的表示、演演算法和語言都是一些工具，用來設計和建立那些展現智能行為的機制。通過實驗，我們同時檢驗了它們解決問題的計算適合性，也檢驗了我們自己對智能現象的理解。

智能系統

人工智慧研究的一個最重要的動力是建立智能系統以求解困難問題。20世紀80年代以來，知識工程成為人工智慧應用最顯著的特點，專家系統、知識庫系統和智能決策系統等智能系統得到廣泛應用。知識庫系統是把知識以一定的結構存入計算機，進行知識的管理和問題求解，實現知識的共享。

建造智能系統可以模仿、延伸和擴展人的智能，實現某些“機器思維”，具有極大的理論意義和實用價值。根據智能系統具有的知識和處理范型的情況，可以分成4類： ①單領域知識單處理范型智能系統； ②多領域知識單處理范型智能系統； ③單領域知識多處理范型智能系統； ④多領域知識多處理范型智能系統。

1. 單領域知識單處理范型智能系統

系統具有單一領域的知識，並且只有一種處理范型。例如，第一代、第二代專家系統和智能控制系統就屬於這種類型。

專家系統是運用特定領域的專門知識，通過推理來模擬通常由人類專家才能解決的各種複雜的、具體的問題，達到與專家具有同等解決問題能力的計算機智能程序系統。它能對決策的過程做出解釋，並有學習功能，即能自動增長解決所需的知識。第一代專家系統（如DENDRAL和MACSYMA等）以高度專業化、求解專門問題的能力強為特點，但在體系結構的完整性和可移植性等方面存在缺陷，求解問題的能力弱。第二代專家系統（如MYCIN、CASNET、PROSPECTOR和HEAR-SAY等）屬於單學科專業型、應用型系統，其體系結構較完整，移植性方面也有所改善，而且在系統的人機介面、解釋機制、知識獲取技術、不確定推理技術、增強專家系統的知識表示和推理方法的啟發性、通用性等方面都有所改進。

2. 多領域知識單處理范型智能系統

多領域知識單處理范型智能系統具有多種領域的知識，而處理范型只有一種。大多數分散式問題求解系統和多專家系統屬於這種類型。一般採用專家系統開發工具和環境來研製這種大型綜合智能系統。

由於智能系統在工程技術、社會經濟、國防建設和生態環境等各個領域的廣泛應用，對智能系統的功能提出多方面的要求。許多實際問題的求解，如醫學診治、經濟計劃、軍事指揮、金融工程、作物栽培和環境保護等，往往需要應用多學科、多專業的專家知識和經驗。現有的許多專家系統大多數是單學科、專門性的小型專家系統，不能滿足用戶的實際需求。建立多領域知識單處理范型智能系統在一定程度上可以達到用戶的要求。

這類智能系統的特點是：面向用戶實際的複雜問題求解；應用多學科、多專業、多專家的知識和經驗，進行并行協同求解；基於分散式、開放性軟硬體和網路環境；利用專家系統開發工具和環境；實現知識共享與知識重用。

3. 單領域知識多處理范型智能系統

單領域知識多處理范型智能系統具有單一領域的知識，而處理范型有多種。例如，混合智能系統屬於這種類型。一般可以用神經網路通過訓練，獲得知識。然後，轉換成產生式規則，提供給推理機在求解問題時使用。

在進行問題求解時，也可以採用多種機制處理同一個問題。例如，疾病診斷系統，既可採用符號推理的方法，也可通過人工神經網路。讓它們同時處理相同的問題，然後比較它們的結果，這樣容易取得正確的結果，避免片面性。

4. 多領域知識多處理范型智能系統

這種系統具有多種領域的知識，而且處理范型也有多種。這種系統包含一個集體智能模塊，其含義是，在多種處理范型的環境下，各種處理機制各行其是，各司其職，協調工作，表現為集體的智能行為。

綜合決策系統和綜合知識系統屬於多領域知識多處理范型智能系統。在這種系統中，基於推理的抽象思維採用符號處理的方法，而基於模式識別和圖像處理之類的形象思維採用神經計算。

在總結和分析已有智能系統的設計方法和實現技術的基礎上，採用智能主體（Agent）技術，實現具有多種知識表示、綜合知識庫、自組織協同工作和自動知識獲取等功能的大型綜合智能系統。這類系統是當前實現多領域知識多處理范型智能系統的主要途徑。

現實世界的問題多數具有病態結構，研究的對象也在不斷地變化，很難找到一種精確的演演算法進行求解。構造人機統一、與環境進行交互、反饋的開放系統是解決這類智能問題的途徑。所謂開放系統是指系統在操作過程中永遠有難以預料的後果，並能在任何時候從外部接收新的信息。

網際網路已經成為各類信息資源的聚集地。在這些海量的、異構的Web信息資源中，蘊涵著具有巨大潛在價值的知識。通過Web內容發現、結構發現和使用發現等，能夠從Web上快速、有效地發現資源和知識，提高在Web上檢索信息和利用信息的效率。網際網路上的維基百科反映了集體智能的特點和優勢，受到社會的歡迎和好評。

展望智能科學與技術

智能科學與技術正在向理論創新的深入和大規模實際應用發展。在2009年中國科學技術協會公布的“10項引領未來的科學技術”評選結果中，作為智能科學與技術核心的“人工智慧技術”排在第4位，作為智能科學與技術重要應用的“未來家庭服務機器人”排在第2位，這充分顯示了智能科學與技術的巨大潛力和極其廣泛的社會影響。

在過去50多年的人工智慧研究中，人們一直沿著“模擬腦”的方向做出努力，分別從智能系統的結構、功能和行為3個基本側面展開對智能的研究。這樣，便先後形成了模擬大腦抽象思維功能的符號智能學說、模擬大腦結構的神經網路學說以及模擬智能系統行為的感知-動作系統學說。由於社會的迫切需要，呼喚著智能科學與技術在理論上取得突破，在應用上廣泛普及。展望智能科學與技術的發展，可以開展以下3方面的研究：

(1) 智能科學。智能科學是腦科學、認知科學和人工智慧等的交叉學科，研究智能的理論和技術。智能科學不僅要進行智能的功能模擬，而且要研究智能的機理。腦科學從分子層次、細胞層次和行為層次研究自然智能機理，建立腦模型，揭示人腦的本質。認知科學是研究人類感知、學習、記憶、思維和意識等人腦心智活動過程的科學。人工智慧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。

(2) 網際網路智能。網際網路為智能科學與技術提供了重要的研究、普及和應用平台。作為知識處理和智能行為交互的基本環境，今天的網際網路，最為豐富的就是信息，最為缺乏的就是智能。如何為在海量信息面前無所適從的用戶提供有效的檢索手段，如何剔除有害的、無用的垃圾郵件，如何使遠方的機器人成為你放心的智能代理，都對網路信息的智能化提出了迫切的需求，也是智能科學與技術發展的巨大動力。基於網際網路的集體智能，通過大規模協作和綜合集成，將為科學決策提供有效的途徑。

(3) 智能機器人。智能機器人是將體力勞動和智力勞動高度結合的產物。智能機器人是一種具有智能的、高度靈活性的、自動化的機器，具備感知、規劃、動作和協同等能力，是多種高新技術的集成體。

歐盟委員會於2011年5月評出了對未來影響最大的6項前沿技術。 ，前3項分別是未來信息分析模擬技術、石墨烯科技和納米級感測器技術。后3項與人工智慧有關，分別是：

(1) 人腦工程技術。這一技術可用於對人腦的低能耗、高效率進行研究。是節能減排的典範，它的功耗只有20～30W，相當於一盞白熾燈。人腦的這些神奇之處一旦破解，將為信息技術研發提供借鑒。

(2) 醫學信息技術。有關研究旨在推動信息技術在醫藥領域的大規模應用。此類技術還將對海量傳輸健康信息、利用人工智慧技術處理這些信息並做出個性化治療方案提出新要求。

(3) 伴侶型機器人開發。這一項目旨在研製具有一定感知、交流和情感表達能力的模擬機器人，為人類特別是小孩和老人提供無微不至的服務。這一項目將有兩大亮點，一是依靠先進的人工智慧技術，使機器人初步具有像人一樣的感知、交流和情感表達能力；二是開發出製造機器人的新材料，可以讓機器人看起來、摸起來像真人一樣。

中國計算機學會《技術動態》評出“2011年度十大新聞”，其中3條與人工智慧有關： “腦神經元連接同步定位首獲成功”, "IBM成功構建模擬人腦功能的認知計算機晶元”和“美研發光子神經元系統引計算機速度革命”.

本書在《人工智慧》 (2006版）的基礎上，吸取了國內外人工智慧教材的優點，增補了國際上最新的研究成果修訂而成。參考史忠植教授的教材，本書新增一章“網際網路智能”，包括語義網與本體、Web技術、Web挖掘和集體智能等內容。結合教學實際，以附錄形式增加了“人工智慧大作業”，包括28個問題（選題），並明確了大作業組織形式及要求。

本書第3、4、9、10章由張彥鐸撰寫，其餘各章由賁可榮撰寫。全書由賁可榮統稿。蔡敦波對第3章進行了修訂，鄭笛參與了第4、10章的修訂，陳志剛教授對全書進行了認真審校，特此致謝。

感謝所有參考文獻的作者，感謝《中國計算機學會通訊》、中國計算機學會《技術動態》部分論文的作者。

賁可榮2012年8月 智能（Intelligence）是人類所特有的區別於一般生物的主要特徵。智能解釋為“感知、學習、理解、知道的能力，思維的能力”。智能通常被理解為“人認識客觀事物並運用知識解決實際問題的能力，……，往往通過觀察、記憶、想象、思維、判斷等表現出來。"

人工智慧就是用計算機來模擬人的智能，因此又叫做機器智能。研究人工智慧的目的，一方面是要製造出具有智能的機器，另一方面是要弄清人類智能的本質。通過研究和開發人工智慧，可以輔助、部分代替甚至拓寬人的智能，使計算機更好地造福於人類。

信息經抽象結晶為知識，知識構成智能的基礎。因此，信息化到知識化再到智能化，必將成為人類社會發展的趨勢。人工智慧已經並正在廣泛而深入地結合到科學技術的各門學科和社會的各個領域中，它的概念、方法和技術，正在各行各業廣泛滲透。智能已成為當今各種新產品、新裝備的發展方向。

隨著人工智慧學科的發展，課程的內容也要不斷更新。在美國，由IEEE Computer Society和ACM計算教程聯合工作組共同制訂了《計算教程2001》 (Computing Curricula 2001，簡稱CC2001) ，它主要修訂了CC1991，以反映計算機領域十餘年來的發展。從CC2001可以看出，人工智慧課程除包括人工智慧概論、問題狀態與搜索、知識表示和機器人學等傳統部分外，還增加了機器學習、智能體、自然語言處理、語音處理、知識庫系統、神經網路和遺傳演演算法等內容。這充分反映了CC2001對人工智慧課程的重視。在我國，從20世紀70年代末開始，隨著改革開放政策的實施，人工智慧的教學和科研逐步展開。

本書介紹人工智慧的理論、方法和技術及其應用，除了討論那些仍然有用的和有效的基本原理和方法之外，著重闡述一些新的和正在研究的人工智慧方法與技術， 。此外，用比較多的篇幅論述人工智慧的應用，包括人工智慧新的應用研究。具體包括下列內容。

(1) 簡述人工智慧的起源與發展，討論人工智慧的定義、人工智慧與計算機的關係以及人工智慧的研究和應用領域。 (2) 論述知識表示、推理和不確定推理的主要方法，包括謂詞邏輯、產生式系統、語義網路、框架、面向對象、歸結推理、非單調推理、主觀Bayes方法、確定性理論、證據理論、模糊邏輯和模糊推理等。

(3) 討論常用搜索原理，如盲目搜索、啟髮式搜索、MIN-MAX搜索、?α-β?剪枝和約束滿足等；並研究一些比較高級的搜索技術，如貪婪局部搜索、局部剪枝搜索、模擬退火演演算法和遺傳演演算法等。

(4) 介紹近期發展起來的已成為當前研究熱點的人工智慧技術和方法，即分散式人工智慧與Agent、計算智能、機器學習、反向傳播神經網路、Hopfield神經網路和知識發現等。

(5) 比較詳細地分析人工智慧的主要應用領域，涉及自動規劃系統、自然語言處理、信息檢索、語言翻譯、語音識別和機器人等。

其餘各章由賁可榮撰寫。全書由賁可榮統稿本書第3、4、9、10章由張彥鐸撰寫，。吳榮華撰寫了附錄初稿。陳志剛教授對全書進行了認真審校，特此致謝。

在本書編寫過程中，參考和引用了許多專家、學者的著作和論文，正文中未一一註明。在此，作者謹向相關參考文獻的作者表示衷心的感謝。

不當之處，懇請讀者批評指正。

作者2006年1月

、第1章 緒論1

1.1 人工智慧的定義與發展1

1.2 人類智能與人工智慧4

1.2.1 智能信息處理系統的假設5

1.2.2 人類智能的計算機模擬7

1.3 人工智慧各學派的認知觀8

1.4 人工智慧的研究與應用領域10

1.4.1 智能感知11

1.4.2 智能推理13

1.4.3 智能學習16

1.4.4 智能行動19

1.5 未來50年的人工智慧問題25

1.6 人類級人工智慧28

習題28

第2章 知識表示和推理30

2.1 概述30

2.1.1 知識和知識表示30

2.1.2 知識-策略-智能32

2.1.3 人工智慧對知識表示方法的要求33

2.1.4 知識的分類33

2.1.5 知識表示語言問題34

2.1.6 現代邏輯學的基本研究方法35

2.2 命題邏輯37

2.2.1 語法38

2.2.2 語義38

2.2.3 命題演算形式系統40人工智慧（第2版）目錄 2.3 謂詞邏輯41

2.3.1 語法42

2.3.2 語義43

2.3.3 謂詞邏輯形式系統FC46

2.3.4 一階謂詞邏輯的應用47

2.4 歸結推理49

2.4.1 命題演算中的歸結推理49

2.4.2 謂詞演算中的歸結推理52

2.4.3 謂詞演算歸結反演的合理性和完備性61

2.5 產生式系統65

2.5.1 產生式系統的組成部分66

2.5.2 產生式系統的基本過程70

2.5.3 產生式系統的控制策略70

2.6 知識表示的其他方法72

2.6.1 語義網路72

2.6.2 框架79

2.6.3 腳本82

2.6.4 面向對象 84

2.7 基於知識的系統87

2.7.1 知識獲取88

2.7.2 知識組織90

2.7.3 知識應用91

2.7.4 常識知識和大規模知識處理91

2.8 小結92

習題93

第3章 搜索技術100

3.1 概述101

3.2 盲目搜索方法102

3.2.1 生成再測試法102

3.2.2 迭代加深搜索103

3.3 啟髮式搜索104

3.3.1 啟發性信息和評估函數104

3.3.2 最好優先搜索演演算法105

3.3.3 貪婪最好優先搜索演演算法106

3.3.4 A演演算法和A??演演算法107

3.3.5 迭代加深A??演演算法111

3.4 問題歸約和AND-OR圖啟髮式搜索111

3.4.1 問題歸約的描述112

3.4.2 問題的AND-OR圖表示113

3.4.3 AO??演演算法114

3.5 博弈118

3.5.1 極大極小過程120

3.5.2 ?α-β?過程122

3.6 小結124

習題124

第4章 高級搜索125

4.1 爬山法搜索125

4.2 模擬退火搜索128

4.2.1 模擬退火搜索的基本思想128

4.2.2 模擬退火演演算法129

4.2.3 模擬退火演演算法關鍵參數和操作的設計130

4.2.4 模擬退火演演算法的改進132

4.3 遺傳演演算法134

4.3.1 遺傳演演算法的基本思想134

4.3.2 遺傳演演算法的基本操作136

4.3.3 遺傳演演算法的應用情況141

4.4 小結142

習題142

第5章 不確定知識表示和推理143

5.1 概述143

5.1.1 什麼是不確定推理144

5.1.2 不確定推理要解決的基本問題144

5.1.3 不確定性推理方法分類146

5.2 非單調邏輯147

5.2.1 單調性與非單調性147

5.2.2 非單調邏輯的產生148

5.2.3 預設推理邏輯149

5.2.4 非單調邏輯系統151

5.2.5 非單調規則153

5.3 主觀Bayes方法157

5.3.1 全概率公式和Bayes公式157

5.3.2 主觀Bayes方法159

5.4 確定性理論164

5.4.1 建造醫學專家系統時的問題164

5.4.2 C-F模型165

5.5 證據理論170

5.5.1 假設的不確定性170

5.5.2 證據的不確定性173

5.5.3 證據的組合函數173

5.5.4 規則的不確定性174

5.5.5 不確定性的傳遞174

5.5.6 不確定性的組合175

5.6 模糊邏輯和模糊推理176

5.6.1 模糊集合及其運算177

5.6.2 模糊關係178

5.6.3 語言變數179

5.6.4 模糊邏輯180

5.6.5 模糊推理180

5.7 小結184

習題186

第6章 Agent188

6.1 概述188

6.2 Agent及其結構190

6.2.1 Agent定義190

6.2.2 Agent要素及特性191

6.2.3 Agent例子193

6.2.4 Agent的結構特點194

6.2.5 Agent的結構分類195

6.3 Agent通信198

6.3.1 通信方式198

6.3.2 Agent通信語言KQML199

6.3.3 SACL語言203

6.4 協調與協作206

6.4.1 引言206

6.4.2 合同網209

6.4.3 協作規劃210

6.5 移動Agent214

6.5.1 移動Agent產生的背景214

6.5.2 定義和系統組成217

6.5.3 實現技術218

6.5.4 技術優勢227

6.6 基於Agent的系統及其應用229

6.6.1 移動Agent系統229

6.6.2 移動Agent技術的應用231

6.6.3 多Agent系統的應用233

6.7 小結234

習題234

第7章 自然語言處理技術236

7.1 自然語言理解的一般問題236

7.1.1 自然語言理解的概念及意義236

7.1.2 自然語言理解研究的發展238

7.1.3 自然語言理解的層次239

7.2 詞法分析242

7.3 句法分析243

7.3.1 短語結構文法和 Chomsky文法體系243

7.3.2 句法分析樹245

7.3.3 轉移網路246

7.4 語義分析247

7.4.1 語義文法247

7.4.2 格文法248

7.5 大規模真實文本的處理250

7.5.1 語料庫語言學及其特點250

7.5.2 統計學方法的應用及面臨的問題252

7.5.3 漢語語料庫加工的基本方法253

7.5.4 語義資源建設256

7.6 信息搜索257

7.6.1 信息搜索概述257

7.6.2 搜索引擎258

7.6.3 智能搜索引擎264

7.6.4 搜索引擎面臨的挑戰268

7.6.5 搜索引擎的發展趨勢269

7.7 機器翻譯272

7.7.1 機器翻譯的基本模式和方法273

7.7.2 統計機器翻譯274

7.7.3 機器翻譯系統的發展276

7.8 語音識別280

7.8.1 組成單詞讀音的基本單元280

7.8.2 信號處理281

7.8.3 識別283

7.8.4 隱馬爾可夫模型284

7.8.5 口語翻譯285

7.9 自然語言應用286

7.9.1 故事理解和問題解答286

7.9.2 資料庫前端287

7.9.3 自動文摘288

7.10 小結289

習題289

第8章 機器學習和神經網路291

8.1 機器學習概述291

8.1.1 學習中的元素292

8.1.2 目標函數的表示293

8.1.3 學習任務的類型295

8.1.4 機器學習的定義和發展史296

8.1.5 機器學習的主要策略297

8.1.6 機器學習系統的基本結構298

8.2 基於符號的機器學習方法299

8.2.1 機械學習300

8.2.2 歸納學習301

8.2.3 決策樹學習304

8.2.4 基於範例的學習309

8.2.5 解釋學習313

8.2.6 強化學習316

8.3 基於神經網路的學習317

8.3.1 神經網路概述317

8.3.2 基於反向傳播網路的學習323

8.3.3 Hopfield神經網路模型333

8.4 知識發現339

8.4.1 知識發現的處理過程340

8.4.2 知識發現的方法341

8.4.3 知識發現的應用343

8.5 小結344

習題345

第9章 智能規劃351

9.1 規劃問題與實例351

9.1.1 規劃問題及其描述語言351

9.1.2 規劃問題實例354

9.2 狀態空間搜索規劃357

9.2.1 前向狀態空間搜索357

9.2.2 後向狀態空間搜索358

9.2.3 狀態空間搜索的啟髮式359

9.3 偏序規劃360

9.3.1 偏序規劃的描述360

9.3.2 偏序規劃的實例363

9.3.3 無約束變數的偏序規劃365

9.3.4 啟髮式偏序規劃366

9.4 命題邏輯規劃367

9.5 分層任務網路規劃369

9.6 非確定性規劃372

9.7 多Agent規劃373

9.7.1 合作: 聯合目標和規劃374

9.7.2 多Agent規劃的構建375

9.7.3 協調機制376

9.7.4 競爭377

9.8 小結377

習題377

第10章 機器人學379

10.1 概述379

10.1.1 機器人的由來379

10.1.2 機器人的定義380

10.1.3 機器人的分類382

10.1.4 機器人的特性382

10.1.5 機器人學的形成383

10.1.6 機器人學的研究領域384

10.2 機器人系統384

10.2.1 機器人系統的組成384

10.2.2 機器人的工作空間386

10.2.3 機器人的性能指標388

10.3 機器人的編程模式與語言389

10.4 機器人的社會問題392

10.5 機器人的應用與展望392

10.5.1 機器人應用393

10.5.2 機器人發展展望395

習題397

第11章 網際網路智能398

11.1 概述398

11.2 語義網與本體400

11.2.1 語義網的層次模型400

11.2.2 本體的基本概念402

11.2.3 本體描述語言OWL403

11.2.4 本體知識管理框架404

11.2.5 本體知識管理系統Protégé405

11.2.6 本體知識管理系統KAON405

11.3 Web技術的演化407

11.3.1 Web 1.0407

11.3.2 Web 2.0408

11.3.3 Web 3.0410

11.4 Web挖掘411

11.4.1 Web內容挖掘412

11.4.2 Web結構挖掘414

11.4.3 Web使用挖掘415

11.4.4 數據挖掘的應用416

11.4.5 網際網路信息可信度問題416

11.5 集體智能417

11.5.1 社群智能418

11.5.2 集體智能系統419

11.5.3 全球腦420

11.6 網路應用421

習題422

附錄A 人工智慧程序設計語言Prolog424

A.1 Turbo Prolog核心機制425

A.1.1 邏輯型程序設計語言 Prolog425

A.1.2 Turbo Prolog程序設計430

A.2 Visual Prolog編程環境442

A.2.1 Visual Prolog概述442

A.2.2 系統安裝442

A.2.3 編程初步443

A.2.4 編寫第一個應用程序“Hello World" 446

A.2.5 Visual Prolog調試器450

附錄B 人工智慧大作業453

B.1 NIM問題求解 453

B.2 水壺問題453

B.3 合一演演算法454

B.4 中國象棋454

B.5 圍棋455

B.6 五子棋456

B.7 魔方457

B.8 用神經網路對大寫字母分類457

B.9 小型動物分類專家系統458

B.10 美國地理458

B.11 洞穴探寶458

B.12 音節劃分459

B.13 奧木459

B.14 九宮圖460

B.15 歸類測試演演算法461

B.16 傳教士-野人問題461

B.17 八皇后問題461

B.18 Elsevier的橫向信息產品462

B.19 奧迪的數據整合463

B.20 人壽保險公司的技能尋獲463

B.21 在線學習463

B.22 警察局的多媒體收藏索引464

B.23 康富的在線採購465

B.24 數碼設備的可共用性465

B.25 火星探測者Agent466

B.26 用於電力管理的多Agent系統467

B.27 人工智慧軍事應用跟蹤470

B.28 計算機遊戲如何產生娛樂效果470

參考文獻472第1章 緒論1

1.1 人工智慧的定義與發展1

1.2 人類智能與人工智慧4

1.2.1 智能信息處理系統的假設5

1.2.2 人類智能的計算機模擬7

1.3 人工智慧各學派的認知觀8

1.4 人工智慧的研究與應用領域10

1.4.1 智能感知11

1.4.2 智能推理13

1.4.3 智能學習16

1.4.4 智能行動19

1.5 未來50年的人工智慧問題25

1.6 人類級人工智慧28

習題28

第2章 知識表示和推理30

2.1 概述30

2.1.1 知識和知識表示30

2.1.2 知識-策略-智能32

2.1.3 人工智慧對知識表示方法的要求33

2.1.4 知識的分類33

2.1.5 知識表示語言問題34

2.1.6 現代邏輯學的基本研究方法35

2.2 命題邏輯37

2.2.1 語法38

2.2.2 語義38

2.2.3 命題演算形式系統40

2.3 謂詞邏輯41

2.3.1 語法42人工智慧（第2版）目錄 2.3.2 語義43

2.3.3 謂詞邏輯形式系統FC46

2.3.4 一階謂詞邏輯的應用47

2.4 歸結推理49

2.4.1 命題演算中的歸結推理49

2.4.2 謂詞演算中的歸結推理52

2.4.3 謂詞演算歸結反演的合理性和完備性61

2.5 產生式系統65

2.5.1 產生式系統的組成部分66

2.5.2 產生式系統的基本過程70

2.5.3 產生式系統的控制策略70

2.6 知識表示的其他方法72

2.6.1 語義網路72

2.6.2 框架79

2.6.3 腳本82

2.6.4 面向對象 84

2.7 基於知識的系統87

2.7.1 知識獲取88

2.7.2 知識組織90

2.7.3 知識應用91

2.7.4 常識知識和大規模知識處理91

2.8 小結92

習題93

第3章 搜索技術100

3.1 概述100

3.2 盲目搜索方法102

3.2.1 寬度優先搜索102

3.2.2 深度優先搜索104

3.2.3 迭代加深搜索106

3.3 啟髮式搜索107

3.3.1 啟發性信息和評估函數108

3.3.2 最好優先搜索演演算法109

3.3.3 通用圖搜索演演算法109

3.3.4 A??演演算法112

3.3.5 迭代加深A??演演算法116

3.4 問題歸約和AND-OR圖啟髮式搜索117

3.4.1 問題歸約的描述117

3.4.2 AND-OR圖表示118

3.4.3 AO?演演算法119

3.5 博弈124

3.5.1 極大極小過程125

3.5.2 ?α-β?過程127

3.6 約束滿足搜索130

3.7 小結132

習題133

第4章 高級搜索134

4.1 爬山法搜索134

4.2 模擬退火搜索137

4.2.1 模擬退火搜索的基本思想137

4.2.2 模擬退火演演算法138

4.2.3 模擬退火演演算法關鍵參數和操作的設計139

4.2.4 模擬退火演演算法的改進141

4.3 遺傳演演算法143

4.3.1 遺傳演演算法的基本思想143

4.3.2 遺傳演演算法的基本操作145

4.3.3 遺傳演演算法的應用情況150

4.4 小結151

習題151

第5章 不確定知識表示和推理1

5.1 概述1

5.1.1 什麼是不確定推理153

5.1.2 不確定推理要解決的基本問題153

5.1.3 不確定性推理方法分類155

5.2 非單調邏輯156

5.2.1 單調性與非單調性156

5.2.2 非單調邏輯的產生157

5.2.3 預設推理邏輯158

5.2.4 非單調邏輯系統162

5.2.5 非單調規則164

5.3 主觀Bayes方法167

5.3.1 全概率公式和Bayes公式167

5.3.2 主觀Bayes方法169

5.4 確定性理論174

5.4.1 建造醫學專家系統時的問題175

5.4.2 C-F模型176

5.5 證據理論180

5.5.1 假設的不確定性181

5.5.2 證據的不確定性183

5.5.3 證據的組合函數183

5.5.4 規則的不確定性185

5.5.5 不確定性的傳遞185

5.5.6 不確定性的組合185

5.6 模糊邏輯和模糊推理187

5.6.1 模糊集合及其運算187

5.6.2 模糊關係189

5.6.3 語言變數190

5.6.4 模糊邏輯190

5.6.5 模糊推理191

5.7 小結195

習題196

第6章 Agent199

6.1 概述199

6.2 Agent及其結構201

6.2.1 Agent定義201

6.2.2 Agent要素及特性202

6.2.3 Agent例子204

6.2.4 Agent的結構特點205

6.2.5 Agent的結構分類206

6.3 Agent通信209

6.3.1 通信方式209

6.3.2 Agent通信語言KQML210

6.3.3 SACL語言214

6.4 協調與協作217

6.4.1 引言217

6.4.2 合同網220

6.4.3 協作規劃221

6.5 移動Agent225

6.5.1 移動Agent產生的背景225

6.5.2 定義和系統組成228

6.5.3 實現技術229

6.5.4 技術優勢239

6.6 基於Agent的系統及其應用240

6.6.1 移動Agent系統240

6.6.2 移動Agent技術的應用242

6.6.3 多Agent系統的應用244

6.7 小結245

習題246

第7章 自然語言處理技術247

7.1 自然語言理解的一般問題247

7.1.1 自然語言理解的概念及意義247

7.1.2 自然語言理解研究的發展249

7.1.3 自然語言理解的層次250

7.2 詞法分析253

7.3 句法分析254

7.3.1 短語結構文法和 Chomsky文法體系254

7.3.2 句法分析樹256

7.3.3 轉移網路257

7.4 語義分析258

7.4.1 語義文法258

7.4.2 格文法259

7.5 大規模真實文本的處理261

7.5.1 語料庫語言學及其特點261

7.5.2 統計學方法的應用及面臨的問題263

7.5.3 漢語語料庫加工的基本方法264

7.5.4 語義資源建設266

7.6 信息搜索268

7.6.1 信息搜索概述268

7.6.2 搜索引擎268

7.6.3 智能搜索引擎274

7.6.4 搜索引擎面臨的挑戰279

7.6.5 搜索引擎的發展趨勢280

7.7 機器翻譯283

7.7.1 機器翻譯的基本模式和方法283

7.7.2 統計機器翻譯285

7.7.3 機器翻譯系統的發展287

7.8 語音識別290

7.8.1 組成單詞讀音的基本單元291

7.8.2 信號處理291

7.8.3 識別293

7.8.4 隱馬爾可夫模型294

7.8.5 口語翻譯296

7.9 自然語言應用297

7.9.1 故事理解和問題解答297

7.9.2 資料庫前端298

7.9.3 自動文摘298

7.10 小結300

習題300

第8章 機器學習和神經網路301

8.1 機器學習概述301

8.1.1 學習中的元素302

8.1.2 目標函數的表示303

8.1.3 學習任務的類型305

8.1.4 機器學習的定義和發展史306

8.1.5 機器學習的主要策略307

8.1.6 機器學習系統的基本結構308

8.2 基於符號的機器學習方法309

8.2.1 機械學習310

8.2.2 歸納學習311

8.2.3 決策樹學習314

8.2.4 基於範例的學習319

8.2.5 解釋學習323

8.2.6 強化學習326

8.3 基於神經網路的學習327

8.3.1 神經網路概述327

8.3.2 基於反向傳播網路的學習333

8.3.3 Hopfield神經網路模型343

8.4 知識發現349

8.4.1 知識發現的處理過程350

8.4.2 知識發現的方法351

8.4.3 知識發現的應用353

8.5 小結354

習題355

第9章 智能規劃361

9.1 規劃問題與實例361

9.1.1 規劃問題及其描述語言361

9.1.2 規劃問題實例364

9.2 狀態空間搜索規劃367

9.2.1 前向狀態空間搜索367

9.2.2 後向狀態空間搜索368

9.2.3 狀態空間搜索的啟髮式369

9.3 偏序規劃370

9.3.1 偏序規劃的描述370

9.3.2 偏序規劃的實例373

9.3.3 無約束變數的偏序規劃375

9.3.4 啟髮式偏序規劃376

9.4 命題邏輯規劃377

9.5 分層任務網路規劃379

9.6 非確定性規劃382

9.7 多Agent規劃383

9.7.1 合作: 聯合目標和規劃384

9.7.2 多Agent規劃的構建385

9.7.3 協調機制386

9.7.4 競爭387

9.8 小結387

習題387

第10章 機器人學389

10.1 概述389

10.1.1 機器人的由來389

10.1.2 機器人的定義390

10.1.3 機器人的分類392

10.1.4 機器人的特性392

10.1.5 機器人學的形成393

10.1.6 機器人學的研究領域394

10.2 機器人系統394

10.2.1 機器人系統的組成394

10.2.2 機器人的工作空間396

10.2.3 機器人的性能指標398

10.3 機器人的編程模式與語言399

10.4 機器人的社會問題402

10.5 機器人的應用與展望402

10.5.1 機器人應用403

10.5.2 機器人發展展望405

習題407

第11章 網際網路智能408

11.1 概述408

11.2 語義網與本體410

11.2.1 語義網的層次模型410

11.2.2 本體的基本概念412

11.2.3 本體描述語言OWL414

11.2.4 本體知識管理框架414

11.2.5 本體知識管理系統Protégé415

11.2.6 本體知識管理系統KAON416

11.3 Web技術的演化417

11.3.1 Web 1.0418

11.3.2 Web 2.0418

11.3.3 Web 3.0421

11.4 Web挖掘422

11.4.1 Web內容挖掘423

11.4.2 Web結構挖掘424

11.4.3 Web使用挖掘425

11.4.4 數據挖掘的應用426

11.4.5 網際網路信息可信度問題427

11.5 集體智能428

11.5.1 社群智能

11.5.2 集體智能系統429

11.5.3 全球腦430

11.6 網路應用431

習題432

附錄A 人工智慧程序設計語言Prolog433

A.1 Turbo Prolog核心機制434

A.1.1 邏輯型程序設計語言 Prolog434

A.1.2 Turbo Prolog程序設計439

A.2 Visual Prolog編程環境451

A.2.1 Visual Prolog概述451

A.2.2 系統安裝451

A.2.3 編程初步452

A.2.2 編寫第一個應用程序“Hello World" 455

A.2.5 Visual Prolog調試器459

附錄B 人工智慧大作業462

B.1 NIM問題求解 462

B.2 水壺問題462

B.3 合一演演算法463

B.4 中國象棋463

B.5 圍棋464

B.6 五子棋465

B.7 魔方466

B.8 用神經網路對大寫字母分類466

B.9 小型動物分類專家系統467

B.10 美國地理467

B.11 洞穴探寶467

B.12 音節劃分468

B.13 奧木468

B.14 九宮圖469

B.15 歸類測試演演算法470

B.16 傳教士-野人問題470

B.17 八皇后問題470

B.18 Elsevier的橫向信息產品471

B.19 奧迪的數據整合472

B.20 人壽保險公司的技能尋獲472

B.21 在線學習472

B.22 警察局的多媒體收藏索引473

B.23 康富的在線採購474

B.24 數碼設備的可共用性474

B.25 火星探測者Agent475

B.26 用於電力管理的多Agent系統476

B.27 人工智慧軍事應用跟蹤479

B.28 計算機遊戲如何產生娛樂效果479